WizのAI脆弱性スキャン、重要インフラを対象に――ただし修正対象の決定は依然として人間のレビューに委ねられる
Wizは、稼働中の公共システムをテストするリスクがあるにもかかわらず、高または重大に分類される露出を475件報告した後、重要インフラ全体でAI脆弱性スキャンを開始した。新たな「Scan for Good」イニシアチブは、公共サービス、病院、交通事業者、非営利団体、オープンソースソフトウェア、基盤技術プロバイダーを対象とする。
このプログラムは、Wiz Red Agent、社内の研究システム、決定論的チェック、Google DeepMindのGemini 3.8 Flash Cyberモデルを組み合わせている。Wizによると、影響を受けた組織に連絡する前に、人間の研究者が影響の大きい検出結果をすべて検証するという。
この違いは重要だ。このプログラムは、単に高速化された脆弱性スキャナーや、実稼働インフラへの無制限のアクセスを受ける自律型ボットではない。研究者が認可、証拠の品質、安全な開示を維持しながら、AIが実際の攻撃経路を発見できるかを検証する、管理された試みである。
その圧力は、予定された間隔で環境を評価する定期的なセキュリティテストにかかる。インターネットに公開されたシステムは評価の合間にも変化しうる一方、AIエージェントは新しいエンドポイントや脆弱性の組み合わせを継続的に調査できる。
ただし、より多くの脆弱性を見つけることが、自動的により良いセキュリティにつながるわけではない。より困難な論点は、認可、検証、修正能力、そしてScan for GoodがWiz自身の報告を超える証拠を提示できるかどうかにある。
WizのAI脆弱性スキャン、コードから実際の攻撃経路へ
重要な変化は、AIが疑わしいコードを特定できることではない。Wizはそれを、稼働中でインターネットに公開された環境にまたがる、相互に関連した脆弱性へ適用している。
Wizは2026年9月24日にScan for Goodを発表した。同社のプログラム発表によると、このイニシアチブは公開Webサイト、API、アプリケーション、および関連する公開資産を調査する。
対象分野として、エネルギー、水道、交通、通信、政府サービス、医療、非営利団体、教育、オープンソースプロジェクトを掲げている。組織は無償の評価と修正支援を申し込める。
Wizは評価を3層で説明している。決定論的チェックは定義済みの露出条件を探し、AIを活用した動的アプリケーションセキュリティテストは稼働中のアプリケーションを調査し、より深いAIペネトレーションテストは選定された対象を分析する。
動的アプリケーションセキュリティテスト、すなわちDASTは、稼働中のアプリケーションと対話して悪用可能な挙動を特定する。主にアプリケーションを実行せずにソースコードを調べる静的解析とは異なる。
Wizによると、このシステムは17,761の組織関連ドメインに紐づく326,891の公開エンドポイントを監視している。プログラムページでは高または重大の検出結果を475件と報告しているが、別のセクションでは対象範囲に17,461のルートドメインがあるとしている。
この差異には注意が必要だ。Wizは、これらの数値が異なる定義、報告期間、または継続的に更新されるデータセットを用いているかを説明していない。読者はこれらを、独立監査済みの測定値ではなく、同社が報告するダッシュボード上の数値として扱うべきだ。
合計数よりも重要なのは、その基礎となる仕組みである。公開ルート、放置された認証情報、権限チェックの欠如は、個別に評価すれば限定的に見えるかもしれない。AIシステムは、そのシグナルがID、データベース、内部サービス、管理機能とどのように結び付くかを継続的に調査できる。
これにより、露出の発見は攻撃経路の分析へと変わる。攻撃経路とは、侵入者が初期アクセスから機密データや運用上の制御へ移動することを可能にする、一連の脆弱性である。
従来のスキャナーは、既知のシグネチャや設定ルールに対して資産を照合することには有効だ。一方で、アプリケーションロジック、連鎖した権限、対話を通じて初めて見えるコンテキストには苦戦しがちである。
Scan for Goodは、その隔たりを埋めようとしている。エージェントは挙動を探索し、仮説を立て、許可されたアクションをテストし、脆弱性が意味のある影響を生む証拠を探す。
Wizによると、モデルが生成した仮説を確認済みの脆弱性として受け入れることはない。人間の研究者が潜在的な検出結果をそれぞれレビューし、開示を裏付けるのに十分な影響を検証する必要がある。
この安全策により、このイニシアチブの公的な位置付けは、完全自律型のペネトレーションテストと区別される。AIは探索可能な範囲を広げる一方、結果が実在するか、検証をどこまで進めるべきかの判断責任は研究者が負う。
この取り組みには組織的な支援もある。Google DeepMindがGeminiモデルを提供し、CISAはWizと連携して協力と助言を提供した。
CISAの暫定長官Nick Andersenは、防御目的の脆弱性発見は国家のデジタルインフラを強化しうると述べた。その発言では、合法的かつ責任あるAI導入も強調された。
したがって、このプログラムは異なる責務を持つ3者を結び付けている。AIシステムは機械の速度で探索し、セキュリティ研究者は検証を管理し、インフラ運営者は自らのシステムをどのように修正するかを決める。
この構造が中心的な緊張を生む。自動化によって発見は豊富になりうるが、安全なテストと持続的な修正は依然として希少な人間主導のプロセスである。
初期事例が示す、関連する露出が重要な理由
Wizの最も強い証拠は、一見ありふれた公開上の脆弱性が、運用制御や機密記録への経路を開いたとされる事例にある。
同社は影響を受けた組織の大半を公表しておらず、独立した検証には限界がある。非公開での開示と修正後に組織を保護するため、匿名化しているとしている。
それでも、その事例はScan for Goodが対象とするリスクの種類を示している。また、単純な脆弱性件数では潜在的な結果を捉えられない理由も示す。
ある公共鉄道事業者では、Wizによると、漏えいした本番データベースから有効な管理者セッションが露出していた。これらのセッションは、路線、時刻表、運行案内、管理者アカウントを制御できたとされる。
この問題は、特殊な鉄道設備を標的とするマルウェアとして説明されたものではない。運用チェーンの一部に存在する、露出した管理システムだった。
この違いは、重要インフラの導入担当者にとって重要である。公開アプリケーションが運用権限を持つ認証情報を露出していれば、攻撃者は必ずしも珍しい産業用エクスプロイトを必要としない。
Wizは病院に関する2件の事例も報告している。1件では、アクセス制御の欠如により従業員情報と、病院全体向けモバイル警告チャネルの制御が露出していた。
もう1件では、公開の予約サイトに安全でないアップロード機能が存在した。Wizによると、この欠陥によりサーバーの制御が可能となり、患者識別子、臨床情報、同意署名が露出した。
別の事例では、自治体サービスが約5,000人の高齢住民に属する個人、健康、金融に関する記録を露出していたとされる。Wizは、大量のデータセットを収集せずにリスクを確認したとしている。
同社は、欧州、中東、またはアフリカにある国立公文書館で露出した管理者キーについても説明している。このキーは、880万件のファイルに対する読み取り、書き込み、削除アクセスを提供したとされる。
これらの事例には共通のパターンがある。出発点は、公開アプリケーション、認証情報、アップロード経路、または認可の失敗だった。潜在的な影響は、利用者が当然内部向けだと考えるデータや機能にまで及んだ。
テクノロジー分野の事例も同じモデルに従う。Wizによると、AIトレーニングデータプラットフォームでのアクセス制御の欠如により、顧客の専有データとプロジェクト設定が露出した。
名前が明かされていないWebサイト・コマースプラットフォームの共有決済サービスでは、複数のストアにまたがり、顧客名、カードブランド、有効期限、カード番号の一部が露出したとされる。
Wizはまた、内部課題トラッカーと本番マーケティングデータベースの認証情報を露出した公開ソフトウェア配信ワークフローを発見したと報告している。同社によると、それらの認証情報は専有情報と顧客記録を危険にさらしていた。
あるクラウドインフラの事例は、ソフトウェアサプライチェーンにまで及んだ。公開Webサイトのコードに埋め込まれた認証情報が、AIサービスを支える534件の本番コンテナイメージを制御できたとされる。
Wizによると、研究者はイメージを改変せずにその認証情報の権限範囲を証明した。影響を受けた企業はその後、認証情報を封じ込め、露出に対処した。
この抑制は不可欠だ。トークンが危険な公開権限を持つことを証明するために、研究者が本番ソフトウェアを変更する必要はない。
ライブプログラムダッシュボードでも、7件の攻撃経路のサンプルを提示している。Wizによると、すべての例で10分以内に初期アクセスを達成した。
同社は、権限昇格に要した時間は2分から3時間47分だったと報告している。初期アクセスと完全な侵害は異なる事象であり、両方の測定値が重要となる。
例には、リモートコード実行、露出したキー、レジストリ制御、サーバーサイドリクエストフォージェリ、エンタープライズリソースプランニングへのアクセス、海上港湾アクセスシステムの制御が含まれる。
サーバーサイドリクエストフォージェリ、すなわちSSRFは、サーバーをだまして外部ユーザーが直接到達できない宛先にリクエストを送らせる手法だ。公開アプリケーションから内部ネットワークへ至る橋渡しとなりうる。
これらは重大な主張だが、公開されている証拠は選択的かつ匿名化されている。外部の研究者は、組織名、技術的詳細、影響を受けたバージョンがなければ、事例を再現できない。
開示が完了する前であれば、それは理解できる。同時に、現時点の証拠が裏付けるのは有望なプログラムであり、AIが既存のあらゆるテスト手法を上回るという広範な結論ではない。
注目すべき数字は475だけではない。影響を受けた組織が確認し、修正し、追跡テスト後も解消状態を維持した検出結果の割合である。
継続的なAIが定期的なセキュリティテストに圧力をかける
Scan for Goodは、継続的に変化するソフトウェアを時折のテストで十分にカバーできるという前提に疑問を投げかける。
従来のペネトレーションテストは、組織に価値ある時点評価を提供する。熟練したテスターはビジネスロジックを理解し、曖昧な挙動を調整し、技術的に有効なアクションが運用上の危険を生む場合を認識できる。
しかし、評価対象の環境はエンゲージメントが終わった直後から変化し始める。チームは新しいコードをデプロイし、IDをローテーションし、APIを公開し、クラウド権限を変更し、外部サービスを接続する。
そのため定期テストは継続的な変化と競合する。AIエージェントは公開領域をより頻繁に再調査し、小規模な人間チームが手作業で調べられるより多くの組み合わせを検討できる。
Wizによると、Scan for Goodは公開資産を継続的にマッピングし、エンドポイントを監視する。より深いAIペネトレーションテストはオンデマンドのままであり、このプログラムが継続的な広さと選択的な深さを組み合わせていることを示唆する。
このハイブリッドアプローチは、1つの自律型エージェントが専門家のテスターを完全に置き換えられると主張するよりも信頼性が高い。決定論的ツールは既知の条件を特定し、AIは不確実な経路を探索し、人間が影響の大きい結果を検証する。
業界全体はすでにこの方向へ進んでいる。DARPAがARPA-Hなどのパートナーとともに主催した2年間のAI Cyber Challengeでは、重要インフラで使用されるオープンソースソフトウェアを対象に自律システムをテストした。
決勝進出システムには、競技条件下で脆弱性を発見し、パッチを生成することが求められた。DARPAは後に、さらなる防御的開発を支援するため、コンポーネントをオープンソースとして公開した。
そのコンテストはソフトウェア成果物に大きく焦点を当てていた。Scan for Goodは、デプロイ済みアプリケーション、ID、露出した認証情報、ビジネスロジックへとモデルの対象を広げる。
違いは運用上のコンテキストにある。ソースコードから脆弱な関数が明らかになることはあるが、その関数に到達可能か、どのような権限が周囲に存在するかを決めるのは稼働中の環境だ。
WizのRed Agentは、そのコンテキストを調査するために設計されている。同社はこれを、アプリケーションの挙動と連鎖する弱点を横断的に推論する、AI搭載のペネトレーションテスターと説明している。
この取り組みは、WizがGoogleの傘下にあることからも恩恵を受ける。同社によれば、このプログラムでは複数のGeminiモデル、特にGemini 3.8 Flash Cyberを使用しているという。
この組み合わせは明確な戦略的優位性を生む。Google DeepMindが専門的なモデル能力を提供し、Wizはセキュリティツール、研究者、クラウドセキュリティのワークフローへのアクセスを提供する。
同時に、期待値も高まる。Googleの支援を受けるセキュリティ企業には、研究リソースが限られた小規模ベンダーよりも明確な性能エビデンスを公表することが求められるはずだ。
有用なエビデンスとは、同一の認可済み環境でAI支援評価と人間主導のテストを比較するものだ。確認済みの発見、誤検知、見逃した脆弱性、検証までの時間、修正までの時間、再発を追跡すべきである。
単純な脆弱性の総数では、こうした問いには答えられない。システムは発見数を増やす一方で、それを検証する人間の作業量も増やしかねない。
Scan for Goodの初期報告は、実際の影響を伴う事例を強調している。これは理論上の弱点の一覧よりも優れた指標だが、選択バイアスが残る可能性はある。
成功事例は当然ながら公開される例となる。失敗した調査、成果の出なかったスキャン、重複した発見、見逃された脆弱性が、ローンチ発表で同じだけ注目されることはほとんどない。
継続的なAIが存在するからといって、定期テストがなくなるわけではない。むしろ人間のテスターは、認可設計、通常とは異なるビジネスロジック、安全境界、重大な影響を持つ発見のレビューへと重点を移す可能性が高い。
AIシステムは戦力増幅装置となる。より広い対象範囲をカバーし、より長期的な調査を継続する一方、人間は技術的なエクスプロイトに還元できないコンテキストを担う。
インフラ運営者にとって、これは調達時の問いを変える。購入者は、サービスが発見事項をどう検証するか、テスト権限をどう記録するか、エージェントの行動をどう制限するか、収集したエビデンスをどう保護するか、修正をどう確認するかを問うべきだ。
また、エージェントがテストできないものについても問うべきである。運用技術には可用性や安全上の制約があり、積極的な実験が不適切になる場合が多い。
公開Webアプリケーションに有効な評価手法が、産業用コントローラーにそのまま適用できるとは限らない。継続的な発見も、運用上の境界を尊重しなければならない。
人間による検証は脚注ではなく、安全の境界線である
WizのAI脆弱性スキャンが信頼を得られるのは、人間によるレビューがテストの深度、エビデンスの取り扱い、開示を統制する場合に限られる。
AIセキュリティシステムには、対称的な二つのリスクがある。誤検知は限られた修正時間を浪費し、見逃しは実在する攻撃経路を未発見のまま残す。
重要インフラでは、誤った行動のコストがさらに高くなり得る。積極的なテストは、病院サービス、輸送プラットフォーム、公益事業ポータル、公共通信システムを混乱させる可能性がある。
Wizは、組織が明示的な認可を提供している場合、または認可済みのバグバウンティプログラムもしくは脆弱性開示ポリシーを維持している場合にのみテストを実施するとしている。この条件は、すべてのアクティブテストを規律づけるべきだ。
脆弱性開示ポリシーは、定められたルールのもとで研究者にセキュリティ問題の報告を促す。それは必ずしも、接続されたすべてのシステムに対するあらゆる手法を認可するものではない。
したがって、スコープは許可と同じくらい重要だ。研究者は、どのドメイン、エンドポイント、アカウント、データ、行動が許可されるのかを把握しなければならない。
Wizによれば、Scan for Goodは稼働中システムとのやり取りを最小限に抑え、機密情報への不要なアクセスを避け、明確な中止基準を用いる。また、非公開での開示と妥当な修正期間も約束している。
これらの原則は妥当だ。残る問いは、自律エージェントが機密環境への予期せぬ経路を発見した際に、それらがどれほど一貫して機能するかである。
エージェントは認可済みWebサイトから始め、元のスコープ外にあるシステムに接続された認証情報に遭遇するかもしれない。さらなる検証が合法かつ必要であり続けるかは、人間が判断する必要がある。
同社は、より深いテストは認可された場合にのみ行うとしている。また、研究者は現実世界のリスクを確認するのに十分な影響だけを検証するとしている。
この表現は、責任ある研究の中心的な原則を反映している。すなわち、不要な害を生じさせる前に証明を止めるべきだということだ。アクセス能力は、記録をコピーしたり本番データを変更したりせずとも、しばしば実証できる。
人間のレビューはハルシネーションも抑制する。言語モデルは、標的が脆弱であることを証明せずに、もっともらしいエクスプロイトの説明を生成できる。
セキュリティチームには、リクエスト、レスポンス、影響を受けるコンポーネント、権限、安全な影響説明を含む再現可能なエビデンスが必要だ。自信に満ちたモデルの説明だけでは不十分である。
独立した実務家も同じ点を指摘している。SANS Instituteによる人間による検証の分析は、AIが発見を加速できる一方で、もっともらしい理論と実際に機能するエクスプロイトを区別するのは依然として専門家だと論じている。
Wizもこの限界を認識しているようだ。同社の研究者は潜在的な発見をそれぞれレビューし、開示をどのように進めるべきかを判断する。
それでも、プログラムの公開文言では「重大な露出」と「脆弱性」の間で表現が揺れることがある。両カテゴリーは重なり得るが、同一ではない。
脆弱性は通常、ソフトウェアまたはシステムの挙動における弱点を指す。露出には、漏えいした認証情報、危険な設定、過剰な権限、公開到達可能な管理機能が含まれる場合がある。
このより広い定義は報告された事例に合致する。同時に、複数カテゴリーを合算した総数は他の研究プログラムと比較しにくくなり得るため、透明な分類が重要になる。
深刻度ラベルにも同様の注意が必要だ。Criticalという評価は、露出したコンポーネントの理論上の権限だけでなく、現実的な影響と悪用可能性を反映すべきである。
プログラムのダッシュボードには、発見分類、深刻度、時間、トークン使用量、推定モデルコストを含む開示台帳がある。これは一部の運用データを可視化するため、有用な出発点となる。
ただし、公開ビューに示されるのは報告済みの発見の一部にすぎない。独立した検証率はまだ提供されておらず、深刻度の判断がどのようにレビューされたかも説明されていない。
Wizは、影響を受けた組織がシステムを修正した後に、匿名化した研究結果を公開する予定だとしている。この資料では、脆弱性のパターンと、実用的な悪用可能性に対するAIの貢献を明らかにすべきだ。
最終的な報告では、自律的な作業と人間の介入を区別する必要がある。読者は、エージェントが経路を発見した時点、研究者が方向を修正した時点、決定的なエビデンスを決定論的なチェックが提供した時点を知るべきである。
この区別がなければ、「AIが発見した」という表現は幅広いワークフローを隠しかねない。その言葉は、独立した発見、AI支援の探索、あるいはモデル生成コードによって加速された従来型の研究を意味し得る。
どのワークフローにも価値がある。ただし、それぞれが示す自律性の水準は異なり、必要な安全管理も異なる。
無料スキャンは役立つが、修正能力は依然としてボトルネックである
悪用可能な弱点を見つけることは出発点にすぎず、とりわけセキュリティ人員や近代化予算がすでに不足している組織にとってはそうである。
Scan for Goodは、広範な公共的影響を持つサービスを保護しているため、リソースが不足する組織を優先している。この使命は、サイバーセキュリティにおける実在のミスマッチに取り組むものだ。
病院、自治体、非営利団体、交通事業者は、小規模なセキュリティチームで運用しながらも、魅力的な標的となり得る。そのシステムには、レガシーアプリケーションやサードパーティー依存関係が含まれる場合もある。
無償の評価は、発見に対する一つの障壁を取り除ける。しかし、安全な修正に必要なエンジニアリング時間、調達権限、ベンダーの協力、保守時間帯を自動的に提供するわけではない。
報道によれば、病院のアップロード事例では、アプリケーション経路の保護、認証情報のローテーション、認可制御の追加が必要だった。これらの措置は、アプリケーションコード、ID管理、運用テストにまたがる。
鉄道の事例では、有効なセッションの無効化と管理アクセスの保護が必要だった。持続的な修正には、データベースがどのように露出したのか、なぜセッションが運用上の権限を持っていたのかを調査することも必要になる可能性がある。
この違いは、修正と封じ込めを分ける。認証情報のローテーションは即時のアクセスを止められるが、アーキテクチャ上の対策は同じ障害の再発を防ぐ。
Wizは影響を受けた組織と協力し、修正を支援するとしている。この取り組みは重要だ。実践的な指針のないAI生成レポートは、既存のバックログをさらに悪化させかねないからである。
無料モデルには選定上の問題もある。Wizは、悪用された場合に意味のある被害をもたらす申請者を優先できるが、需要は利用可能な研究者の時間を上回る可能性がある。
自動化された発見が拡大するにつれ、人間による検証が制約資源となる。より多くのエージェントはより多くの仮説を生み出せるが、最も重大なものを安全に確認するには、有資格の研究者が必要である。
開示能力もまた制約となる。セキュリティチームには、正確な連絡経路、迅速な受領確認、協調的な技術レビュー、明確な修正タイムラインが必要だ。
匿名の組織が、自らでは直接パッチを適用できないサードパーティー製ソフトウェアに依存している場合もある。運営者にはベンダーの更新、代替統制、または一時的なサービス制限が必要になる可能性がある。
重要インフラはこうした依存関係を増幅する。公開ポータルは、IDプロバイダー、クラウドプラットフォーム、請負業者、商用ソフトウェア、運用データベースに接続され得る。
開示された欠陥は、最初にレポートを受け取ったチームから複数の組織的境界を隔てた場所に存在する可能性がある。所有責任の確立には、悪用可能性の確認よりも時間がかかる場合がある。
したがってセキュリティリーダーは、スキャン量ではなく結果を通じてScan for Goodを評価すべきだ。確認済みの修正、封じ込めまでの時間、再発率、権限縮小は、より優れた指標となる。
Wizの事例では、影響を受けた組織が特定された問題を修正したとされている。プログラムは、修正時間や長期的な完了について一貫した指標をまだ公表していない。
フォローアップ評価が重要になる。アクセス制御パッチが一つの経路を保護しても、同じ根本的な誤りによって別の経路が露出したままになる可能性がある。
同様に、漏えいした認証情報をローテーションしても、チームが公開コードからシークレットを削除し、そのアクセス履歴をレビューし、置き換えた認証情報の権限を絞り込まなければ役に立たない。
最も有用なAIシステムは、そのライフサイクル全体でコンテキストを保持するだろう。元のエビデンス、開示に関する議論、修正、再テスト、類似資産への教訓を結び付けるはずだ。
このプロセスはナレッジ管理上の課題も生む。セキュリティ上の発見は、レポート、チケット、コード変更、会議、ベンダーとの会話を通じて届く。
チームには、エージェントが何を観測し、人間が何を確認し、選択した修正がなぜ経路を閉じるのかを検索可能な形で記録する必要がある。構造化されたエンジニアリングナレッジベースは、セキュリティ統制を置き換えることなく、この作業を支援できる。
より広い教訓は明快だ。AIは見つけるコストを下げられるが、その後に安全な判断、修正、運用を行うコストは、依然として組織が負担する。
Wizが次に証明すべきこと
Scan for Goodが持続可能な防御インフラになるのか、それとも印象的なローンチ事例の集積にとどまるのかは、3つのシグナルで判断できる。
第一のシグナルは、修正後に行われる詳細な調査だ。Wizは、脆弱性のパターン、実際の悪用可能性、AIの役割を説明する匿名化レポートを公開すると約束している。
これらのレポートでは、防御側が同様の弱点を認識できるだけの技術的証拠が示されるべきだ。また、人間の研究者がどこで介入したのか、そしてなぜテストを停止したのかも記録されるべきである。
Wizが明確な自律性の境界とともに再現可能なパターンを公開すれば、同社の中核的な主張はより強固になる。一方、開示が件数や劇的な結果に限定されるなら、独立した評価は依然として難しい。
第二のシグナルは、一貫した修正記録だ。このプログラムはすでに検出項目の分類と一部の運用指標を示しているが、購入者が必要としているのは結果に関するデータである。
有用な項目には、確認状況、開示までの時間、封じ込めまでの時間、修正確認までの時間、再発、影響を受けた資産カテゴリーなどが含まれる。集計レポートなら、身元を保護しながら成果を示すことができる。
検出件数が増えているにもかかわらず修正が遅ければ、このプログラムの防御上の価値は弱まる。より迅速な修正確認の完了は、AIが現実のセキュリティ成果を改善できるというWizの主張を裏付けるだろう。
第三のシグナルは、同業他社や公的機関がどう反応するかだ。他のセキュリティプロバイダーもAI支援型テストシステムを構築しており、公的プログラムも自動化された脆弱性発見を支援している。
競争の中心となるのは、検証済みの攻撃経路、安全な運用管理、そして修正の品質だ。モデルのブランドだけで、どのアプローチが信頼を得るかは決まらない。
CISAの関与はScan for Goodに制度的な信頼性を与えるが、公的部門との連携は、すべての検出結果やプロセスを認証するものではない。各機関や運営者は、引き続き独自のデューデリジェンスを行うべきだ。
この取り組みは、脆弱性開示ポリシーに関する期待にも影響を及ぼす可能性がある。組織は、機械可読な対象範囲、エージェントの行動に関する明示的なルール、証拠保持の制限、緊急連絡先を必要とするようになるかもしれない。
これは重要な二次的効果となるだろう。既存のポリシーは、複数の資産にまたがって継続的に活動するエージェントではなく、個別の調査を行う人間の研究者を主な前提として策定されてきた。
デュアルユースの問題は残り続ける。防御側が露出を連鎖的に追跡するのに役立つ手法は、攻撃者がより迅速に行動する助けにもなり得る。
Wizの回答は、選ばれた防御側により強力なモデルへのアクセスを提供し、認可を用い、人間による検証を要求し、非公開で開示することだ。これらの統制はリスクを低減するが、なくすことはできない。
より広い政策上の課題は、防御目的での導入を攻撃目的での利用より先行させ続けることにある。そのためには、迅速な修正、共有されるパターン、慎重な開示、自動化された行為に対する明確な説明責任が必要だ。
WizのAI脆弱性スキャンは、すでに重大な報告事例を生み出している。鉄道行政システム、病院アプリケーション、公的アーカイブ、決済サービス、ソフトウェアレジストリは、抽象的なテスト対象ではない。
しかし、この取り組みの長期的な価値は、発見の速さを超える証拠に左右される。検出結果が正確であること、テストが管理された状態に保たれること、運営者が問題を修正できること、そして同じ露出が再発しないことを示さなければならない。
セキュリティリーダーは、自社の公開資産を把握し、開示ポリシーを強化し、認可済みAIテストの境界を定義することで対応すべきだ。また、重大な検出結果が受け付けから修正確認の完了までどう進むかを訓練しておく必要がある。
次のエージェントが到着する前に、実務的な問いを投げかけてほしい。自組織は、責任者を特定し、証拠を保全し、安全な検証を認可し、連鎖的な露出を迅速に修正できるだろうか。答えが不明確なら、当面の課題はスキャンを増やすことではない。AIが生成したシグナルを、管理された持続的なセキュリティ改善へと変えるプロセスを構築することである。
