Wykorzystanie podatności Microsoft AI wyprzedza cykl łatania

Microsoft twierdzi, że wykorzystanie podatności z użyciem AI zajmuje dziś znacznie mniej niż 24 godziny, podczas gdy organizacje często potrzebują od 30 do 60 dni, aby usunąć krytyczne luki zewnętrzne. Ta rozbieżność zamienia istniejący problem bezpieczeństwa w wyścig, którego większość programów zarządzania poprawkami nigdy nie została zaprojektowana wygrać.

Raport Digital Defense Report 2026 opisuje, jak AI obejmuje kolejne etapy łańcucha ataku — od badań nad podatnościami i rozpoznania po phishing, tworzenie exploitów oraz działania po kompromitacji. Microsoft twierdzi również, że zaobserwował systemy przechodzące od wspierania ludzkich operatorów do kierowania i autonomicznego realizowania części ataku.

Główny konflikt nie polega już na rywalizacji atakujących i obrońców korzystających z porównywalnych procesów ręcznych. Atakujący mogą automatyzować badania dotyczące tysięcy celów, podczas gdy każdy obrońca musi testować, planować i bezpiecznie wdrażać zmiany w odrębnym środowisku. AI skraca pracę atakujących, nie usuwając ograniczeń operacyjnych spowalniających obrońców.

Microsoft skraca wykorzystanie podatności do mniej niż 24 godzin

Najważniejszym ustaleniem raportu jest rosnąca różnica między czasem opracowania exploitu a czasem usuwania zagrożeń w przedsiębiorstwach.

Microsoft opublikował swój raport obronny 1 października 2026 roku. Według niego mediana czasu między wykryciem podatności w środowisku rzeczywistym a jej wykorzystaniem spadła znacznie poniżej 24 godzin.

Wykorzystanie podatności oznacza przekształcenie wiedzy o słabości oprogramowania w narzędzie użyteczne podczas ataku. Może obejmować działający kod exploitu, automatyczne skanowanie, przynętę phishingową lub procedurę włamania wymierzoną w wystawione systemy.

Liczba ta nie oznacza, że każda podatność staje się możliwa do wykorzystania w ciągu jednego dnia. Opisuje medianę aktywności mierzonej przez Microsoft, a publiczny raport nie podaje dokładnej liczby godzin. Nie publikuje również pełnej próby, rozkładu ani metodologii stojącej za tą konkretną wartością.

Ograniczenia te mają znaczenie, ponieważ różne luki wymagają od atakujących bardzo różnego nakładu pracy. Publicznie udokumentowane obejście uwierzytelniania nie jest równoznaczne ze złożoną luką bezpieczeństwa pamięci, która wymaga niezawodnego łańcucha exploitów.

Mimo to trudno zignorować kierunek tej zmiany. AI może analizować ujawnienia, porównywać podatny i poprawiony kod, wskazywać prawdopodobne punkty wejścia oraz tworzyć kod proof-of-concept. Ludzcy operatorzy mogą następnie zweryfikować lub zmodyfikować wynik.

Microsoft podaje, że w pierwszej połowie 2026 roku opublikowano niemal 40 000 Common Vulnerabilities and Exposures, czyli CVE. CVE to ustandaryzowany identyfikator publicznie ujawnionej luki bezpieczeństwa. Taka skala wskazuje, że w całym 2026 roku liczba opublikowanych podatności może być mniej więcej dwukrotnie wyższa.

Większa liczba ustaleń nie oznacza automatycznie załamania jakości oprogramowania. Analiza wspierana przez AI może ujawniać defekty, które istniały wcześniej, lecz umknęły wcześniejszym testom. Bezpośredni efekt operacyjny pozostaje jednak ten sam: zespoły bezpieczeństwa muszą oceniać większą kolejkę, podczas gdy przeciwnicy mogą szybciej analizować te same ujawnienia.

Towarzysząca analiza bezpieczeństwa Microsoftu wskazuje, że AI skraca część łańcucha ataku z dni do sekund. Donosi również, że atakujący coraz częściej wykorzystują automatyzację do poprawy szybkości, skali i spójności działań.

To przyspieszenie tworzy główne napięcie opisywane w artykule. Opublikowanie poprawki uruchamia proces obrony, ale może też dać atakującym mapę defektu. AI sprawia, że wydobywanie użytecznych informacji z takiej mapy jest tańsze i szybsze.

Cykl łatania powstał z myślą o wolniejszej rywalizacji

24-godzinne okno wykorzystania zderza się z systemami usuwania zagrożeń, które nadal działają poprzez zgłoszenia, okna serwisowe, testy i ręczne zatwierdzenia.

Microsoft twierdzi, że organizacje mogą potrzebować od 30 do 60 dni, aby usunąć krytyczne podatności w systemach dostępnych z zewnątrz. Obejmują one bramy, usługi tożsamości, aplikacje internetowe, produkty zdalnego dostępu i inne zasoby osiągalne z internetu.

Opóźnienie nie zawsze wynika z prostego zaniedbania. Zespoły muszą ustalić, których zasobów dotyczy problem, uzyskać aktualizację, przetestować zgodność aplikacji, zaplanować przestój i potwierdzić, że zmiana zadziałała. Pochopna aktualizacja może zakłócić działanie systemów generujących przychody lub usług krytycznych.

Duże organizacje dziedziczą również rozproszoną odpowiedzialność. Zespoły bezpieczeństwa mogą wykryć podatny serwer, nie kontrolując jego aplikacji, budżetu ani harmonogramu utrzymania. Inwentaryzacje zasobów mogą pomijać zapomniane systemy, tymczasowe usługi chmurowe i produkty zarządzane przez wykonawców.

Atakujący mają mniej obowiązków. Nie muszą utrzymywać dostępności, przechodzić przeglądu zmian ani potwierdzać, że każdy cel pozostaje stabilny. Mogą skanować szeroko, akceptować nieudane próby i skupiać się na niewielkim odsetku systemów, które pozostają wystawione.

Ta asymetria istniała przed generatywną AI. Wykorzystanie podatności Microsoft AI utrudnia zarządzanie nią, ponieważ automatyzacja ogranicza wiedzę specjalistyczną i czas wymagane na wczesnych etapach ataku.

System AI może podsumować techniczny biuletyn, przeszukać publiczny kod, zaproponować prawdopodobne ścieżki ataku i wygenerować warianty do testów. Może też koordynować narzędzia prowadzące rozpoznanie lub badające wystawione usługi. Wykwalifikowany operator nadal ma znaczenie, zwłaszcza gdy nieudokumentowana ścieżka lub nietypowe środowisko blokuje oczywistą drogę.

To rozróżnienie zapobiega przekształceniu tej historii w przesadzoną tezę, że autonomiczni agenci zastąpili doświadczonych hakerów. Microsoft twierdzi, że w pełni autonomiczne ataki nie są jeszcze normą. Jego oficjalne podsumowanie zagrożeń opisuje obecne złośliwe użycie jako skoncentrowane na określonych częściach ustalonych procesów.

Presja ta dotyczy jednak każdej organizacji posiadającej publiczną infrastrukturę. Zespół, który wdraża poprawki w ciągu 30 dni, może spełniać wewnętrzny cel, pozostając wystawionym niemal przez cały okres po rozpoczęciu wykorzystywania luki.

Tradycyjne oceny ważności stają się także mniej użyteczne, jeśli traktuje się je osobno. Technicznie poważna luka może stwarzać ograniczone ryzyko praktyczne za kilkoma warstwami zabezpieczeń. Mniej poważna luka może stać się pilna, gdy pojawiają się próby wykorzystania, a wystawiony zasób oferuje bezpośrednią drogę do wrażliwych systemów.

Wymuszoną odpowiedzią jest przejście od łatania opartego na kalendarzu do ograniczania ryzyka opartego na ekspozycji. Obrońcy muszą wiedzieć, które podatne zasoby są osiągalne, jakie uprawnienia zapewniają, czy dochodzi do ich wykorzystywania oraz które tymczasowe zabezpieczenia mogą natychmiast ograniczyć dostęp.

Łatanie pozostaje konieczne. Zmiana polega na tym, że trwała poprawka nie może już być pierwszą i jedyną odpowiedzią na szybko rozwijające się ujawnienie.

Jak wykorzystanie podatności Microsoft AI zmienia łańcuch ataku

AI ma znaczenie, ponieważ łączy badania, podejmowanie decyzji i wykonanie na etapach, które wcześniej wymagały wielokrotnego przekazywania pracy między ludźmi.

Wykrywanie podatności to tylko jedna część włamania. Atakujący często muszą znaleźć cel, zrozumieć jego konfigurację, stworzyć lub dostosować exploit, uzyskać dostęp, podnieść uprawnienia, zlokalizować cenne dane i utrzymać kontrolę.

Microsoft twierdzi, że aktorzy zagrożeń stosują AI w wykrywaniu podatności, rozpoznaniu, inżynierii społecznej, tworzeniu malware i exploitów, analizie danych oraz działaniach po kompromitacji. Każde zastosowanie może skrócić inną część procesu.

Rozpoznanie staje się łatwiejsze, gdy model może porządkować publiczne rejestry, odciski oprogramowania, wyciekłe dane uwierzytelniające i dokumentację techniczną. Nie tworzy to nowych informacji, ale może ograniczyć pracę potrzebną do połączenia rozproszonych faktów.

Tworzenie exploitów może przyspieszyć, gdy AI porównuje aktualizację bezpieczeństwa ze starszym kodem. Model może pomóc wskazać zmienioną funkcję, wywnioskować podstawową słabość i zaproponować dane wejściowe prowadzące do podatnej ścieżki.

Proces ten bywa nazywany patch diffingiem, czyli porównywaniem wersji oprogramowania w celu zlokalizowania zmian istotnych dla bezpieczeństwa. Atakujący stosują go od lat. AI może zautomatyzować większą część pracy związanej z analizą, klasyfikacją i generowaniem kodu wokół tego procesu.

Inżynieria społeczna zyskuje inną przewagę. Systemy generatywne mogą tworzyć przekonujące wiadomości, naśladować style pisania, tłumaczyć przynęty i dostosowywać treści do roli celu. Atakujący mogą testować wiele wariantów bez zatrudniania dużego zespołu.

Analiza po kompromitacji również staje się szybsza. Po wejściu do systemu operator wspierany przez AI może sortować pliki, interpretować skrypty, podsumowywać dane konfiguracyjne i rekomendować kolejne polecenie. Możliwości te mogą skrócić przerwę między uzyskaniem początkowego dostępu a działaniem o istotnych skutkach.

Microsoft twierdzi, że jego zespoły analizy zagrożeń zaobserwowały postęp w ciągu poprzednich sześciu miesięcy. AI początkowo wspierała ludzkich atakujących, następnie zaczęła kierować działaniami, a coraz częściej autonomicznie realizowała części ataków.

Raport przywołuje kontrolowaną ocenę, w której system AI ukończył 32-etapową sekwencję ataku. Wynik ten pokazuje, że agenci mogą utrzymać kierunek działania w długim procesie w warunkach laboratoryjnych.

Nie dowodzi on, że autonomiczne systemy mogą niezawodnie kompromitować dowolne rzeczywiste środowiska. Kontrolowane oceny definiują cel, narzędzia i warunki sukcesu wyraźniej niż aktywne ataki. Sieci produkcyjne wprowadzają niepełne informacje, interwencje obronne i nieoczekiwane zależności.

Microsoft odpowiedział, stosując podobne metody w obronie. Jego wcześniejszy mechanizm skanowania wykorzystuje wiele modeli do wyszukiwania podatności i wspierania działań naprawczych. Firma zapowiedziała, że planuje przekształcić tę wewnętrzną funkcję w produkt dla klientów.

Tworzy to bezpośrednią rywalizację między zautomatyzowanym atakiem a zautomatyzowaną obroną. Obie strony mogą wykorzystywać modele do inspekcji kodu, priorytetyzowania ustaleń i koordynowania narzędzi. O zwycięstwie decydują szybkość wdrożenia, kontekst, uprawnienia i weryfikacja, a nie po prostu dostęp do sprawnego modelu.

Atakujący mogą tolerować niewiarygodne wyniki, ponieważ mogą próbować ponownie wobec wielu celów. Obrońcy muszą unikać poprawek lub zautomatyzowanych działań, które uszkadzają krytyczne systemy. Ten wyższy wymóg niezawodności może spowalniać automatyzację obrony, nawet jeśli obie strony korzystają z podobnej technologii.

Szybsze wykrywanie nie gwarantuje szybszej obrony

Korzyść bezpieczeństwa wynikająca z AI zależy od tego, czy dostawcy potrafią zweryfikować i naprawić ustalenia, zanim ujawnienie stworzy większą listę celów.

Wspierane przez AI wykrywanie podatności może poprawić bezpieczeństwo oprogramowania, ujawniając defekty wcześniej. Dostawcy mogą skanować kod źródłowy, generować testy, priorytetyzować podejrzane funkcje i proponować poprawki, zanim atakujący zidentyfikują tę samą słabość.

Problem pojawia się, gdy skala wykryć przekracza możliwości naprawcze. Model może wygenerować setki wiarygodnych ustaleń szybciej, niż ludzcy specjaliści zdołają je odtworzyć, uszeregować i naprawić. Fałszywie pozytywne wyniki pochłaniają czas, podczas gdy rzeczywiste luki mogą czekać w rosnącej kolejce.

Microsoft mierzy się z tą presją we własnym portfolio produktów. Dochodzenie dotyczące łatania z 2026 roku wskazywało, że badania wspierane przez AI generowały ustalenia dotyczące bezpieczeństwa szybciej, niż niektóre zespoły Microsoftu mogły je przetwarzać.

To napięcie nie przekreśla wartości wykrywania. Znalezienie ukrytej wady daje dostawcy możliwość jej usunięcia. Wykrycie staje się jednak przewagą bezpieczeństwa tylko wtedy, gdy selekcja zgłoszeń, prace inżynieryjne, testowanie i wdrażanie nadążają za tempem.

To samo ograniczenie dotyczy zespołów bezpieczeństwa w przedsiębiorstwach. AI może podsumować biuletyn bezpieczeństwa lub zasugerować priorytet, ale nie jest w stanie automatycznie poznać wszystkich zależności biznesowych. Podatna usługa może obsługiwać stary system produkcyjny albo proces kliniczny, którego nie można natychmiast zrestartować.

Obrońcy mierzą się również z problemem jakości informacji. Wygenerowany przez model kod exploita może być błędny. Automatyczne skanery mogą nieprawidłowo identyfikować wersje produktów. Agent może zalecić działanie, które jest poprawne technicznie, lecz niebezpieczne w konkretnym środowisku organizacji.

Dlatego przegląd wykonywany przez człowieka pozostaje elementem odpowiedzialnego usuwania podatności. Celem nie jest wyeliminowanie ludzi z każdej decyzji. Chodzi o zachowanie ich uwagi dla ocen, w których znaczenie mają kontekst i odpowiedzialność.

Microsoft argumentuje, że programy bezpieczeństwa powinny mierzyć zmniejszenie ekspozycji i skrócenie czasu do wdrożenia środków zaradczych, zamiast liczyć ukończone poprawki. Ta zmiana uznaje, że liczba wdrożonych łatek może maskować słabą priorytetyzację.

Zespół może wdrożyć setki aktualizacji niskiego ryzyka, pozostawiając jednocześnie podatny, wystawiony serwer tożsamości. Inny zespół może zablokować dostęp publiczny, zmienić poświadczenia, dodać mechanizmy wykrywania i odizolować krytyczny system przed zainstalowaniem ostatecznej poprawki. Druga reakcja szybciej ogranicza bezpośrednie ryzyko, nawet jeśli liczba wdrożonych łatek wygląda skromniej.

Takie podejście zmienia też sposób, w jaki organizacje interpretują informacje o podatnościach. Publiczna ocena CVE jest punktem wyjścia, a nie kompletną podstawą decyzji. Aktywne wykorzystywanie, dostępność z internetu, dostępne uprawnienia, znaczenie zasobu i istniejące zabezpieczenia określają praktyczną pilność.

Amerykańska Cybersecurity and Infrastructure Security Agency utrzymuje katalog podatności dla wad, w przypadku których istnieją dowody wykorzystania. Takie dowody pomagają zespołom odróżnić teoretyczną słabość od takiej, z której atakujący już korzystają.

Katalog jest jednak z natury reaktywny. Uzbrajanie podatności przez AI może skrócić czas między ujawnieniem a zaobserwowanym wykorzystaniem. Organizacje nie mogą czekać na każde zewnętrzne potwierdzenie, gdy istnieje już wystawiony zasób i prawdopodobna ścieżka ataku.

Najbardziej uzasadniony model łączy automatyzację z wyraźnymi granicami decyzyjnymi. AI może gromadzić dowody, dopasowywać zasoby, proponować środki zaradcze i przygotowywać zmiany. Upoważnione osoby powinny zatwierdzać działania niosące istotne konsekwencje operacyjne.

Największe twierdzenie raportu nadal wymaga więcej dowodów

Microsoft wskazuje na poważną lukę czasową, lecz jego kluczowa mediana nie zawiera wystarczającej liczby publicznych szczegółów, by czytelnicy mogli traktować ją jako uniwersalne odliczanie.

„Znacznie poniżej 24 godzin” to najbardziej precyzyjny publiczny opis pomiaru czasu uzbrajania podatności przedstawiony przez Microsoft. Firma nie podaje w publicznym podsumowaniu dokładnej mediany, wielkości próby, okresu pomiarowego ani pełnego rozkładu dla tego twierdzenia.

Brak tych szczegółów ogranicza możliwość porównań. Nie wiadomo, jak Microsoft klasyfikował wykrycie exploita w środowisku rzeczywistym, co uznawał za uzbrojenie podatności ani ile obserwacji dotyczyło publicznego kodu proof-of-concept.

Mediana ukrywa również wartości skrajne. Połowa mierzonych przypadków znajduje się po każdej stronie punktu środkowego, lecz wykorzystanie niektórych podatności może zająć tygodnie. Inne mogą być używane już zanim dostawca zrozumie naturę wady.

Porównanie 30–60 dni potrzebnych na usunięcie podatności wymaga podobnej ostrożności. Nie jest to uniwersalny pomiar dla każdej organizacji ani każdej krytycznej podatności. Usługi chmurowe mogą czasem wdrożyć środki zaradcze w ciągu kilku godzin, podczas gdy środowiska regulowane lub operacyjne mogą potrzebować dłuższych testów.

Obie liczby nadal ilustrują wiarygodny problem strukturalny. Atakujący mogą globalnie rozpowszechniać wiedzę o exploitach, podczas gdy każda organizacja musi lokalnie zastosować zmianę. Automatyzacja łatwiej usprawnia pierwszy proces niż drugi.

Microsoft ma również interes handlowy w przedstawianiu bezpieczeństwa jako rywalizacji z szybkością maszyn. Firma sprzedaje produkty związane z bezpieczeństwem chmurowym, analizą zagrożeń, ochroną tożsamości, zarządzaniem podatnościami i obroną wspomaganą przez AI.

Zbieżność interesów handlowych nie unieważnia telemetrii zbieranej przez usługi Microsoft. Oznacza jednak, że czytelnicy powinni oddzielać zmierzone obserwacje od rekomendacji produktowych i szerokich prognoz.

Microsoft podaje, że codziennie przetwarza ponad 165 bilionów sygnałów bezpieczeństwa, analizuje 31 milionów wykryć ryzyka tożsamości w przeciętnym dniu i skanuje 5,2 miliarda e-maili dziennie. Taki zasięg daje firmie wyjątkowo szeroki ogląd sytuacji.

Nie zapewnia jednak neutralnej widoczności w każdym środowisku. Klienci intensywnie korzystający z Microsoft, ustawienia telemetrii, zakres ochrony produktów i regionalna skala adopcji mogą wpływać na to, co firma obserwuje.

Dowody dotyczące autonomicznych agentów także wymagają proporcjonalnego języka. System wykonujący kontrolowaną sekwencję 32 etapów demonstruje rosnącą zdolność do orkiestracji działań. Nie dowodzi, że nienadzorowane agenty rutynowo przeprowadzają pełne ataki przeciwko chronionym przedsiębiorstwom.

Własne raporty Microsoft wspierają tę węższą interpretację. Firma twierdzi, że doświadczenie człowieka pozostaje ważne, gdy atakujący muszą odkryć nieudokumentowaną drogę lub połączyć słabości, które pozornie nie są ze sobą związane.

Rozsądny wniosek nie brzmi, że AI uczyniła każdego atakującego autonomicznym. Chodzi o to, że AI zmniejsza nakład pracy na wystarczająco wielu etapach ataku, aby podważyć powolne założenia dotyczące czasu reakcji.

Organizacje powinny traktować wartość poniżej 24 godzin jako sygnał do planowania, a nie stoper dla każdego CVE. Właściwe pytanie brzmi, czy ich mechanizmy kontroli potrafią ograniczyć ekspozycję przed ukończeniem wdrożenia trwałej poprawki.

To trudniejszy standard niż mierzenie zgodności z polityką łatania po 30 dniach. Wymaga dokładnych danych o zasobach, ciągłego monitorowania, przygotowanych opcji izolacji oraz uprawnień do działania poza rutynowymi harmonogramami konserwacji.

Trzy sygnały pokażą, kto wygrywa wyścig

Kolejny etap będzie mierzony szybkością usuwania podatności, dowodami na autonomiczne ataki oraz tym, czy agenty defensywne ograniczają ekspozycję bez powodowania szkód operacyjnych.

Pierwszym sygnałem będzie to, czy dostawcy opublikują bardziej przejrzyste dane dotyczące czasu do wykorzystania podatności. Dokładne definicje, wielkości prób, rozkłady i porównania w czasie wzmocniłyby główne twierdzenie Microsoft.

Lepsze dane pozwoliłyby obrońcom odróżnić ogólne przyspieszenie od niewielkiej grupy wyjątkowo szybkich przypadków. Pomogłyby również liderom bezpieczeństwa ustalić realistyczne cele reakcji dla różnych klas podatności.

Jeśli kilku dużych dostawców telemetrii zgłosi podobne skrócenie czasu uzbrajania podatności, argument za przebudową programów zarządzania podatnościami stanie się silniejszy. Jeśli szczegółowe dowody pokażą, że mediana zależy od wąskiej kategorii, szerszy wniosek będzie wymagał korekty.

Drugim sygnałem będzie zweryfikowana autonomiczna aktywność poza kontrolowanymi ocenami. Badacze bezpieczeństwa powinni obserwować incydenty, w których agent wybiera cele, dostosowuje się do niepowodzeń, zmienia taktykę i realizuje kilka etapów włamania przy ograniczonym udziale człowieka.

Dowody takiego zachowania wzmocniłyby ostrzeżenie Microsoft dotyczące autonomii łańcucha ataku. Utrzymująca się zależność od wykwalifikowanych operatorów wskazywałaby, że AI pozostaje przede wszystkim mnożnikiem siły, a nie niezależnym atakującym.

To rozróżnienie wpływa na projektowanie obrony. Przeciwnicy wspierani narzędziami wymagają szybszego wykrywania i priorytetyzacji. Niezawodni autonomiczni przeciwnicy wymagaliby mechanizmów kontroli zdolnych również do ciągłej reakcji, także poza godzinami pracy personelu.

Trzecim sygnałem będzie to, czy defensywna AI skraca czas do wdrożenia środków zaradczych. Premiery produktów i wyniki benchmarków mają mniejsze znaczenie niż zweryfikowane rezultaty w złożonych organizacjach.

Przydatne miary obejmują szybkość, z jaką zespoły identyfikują wystawione zasoby, wdrażają tymczasowe zabezpieczenia, weryfikują poprawki i zamykają ścieżki ataku. Wskaźniki fałszywych alarmów i nieudanych zmian również mają znaczenie, ponieważ zawodna automatyzacja może powodować nowe awarie.

Microsoft twierdzi, że niektóre organizacje korzystające z Security Copilot zgłaszają ukończenie podsumowań zagrożeń o 60%–70% szybciej. Dotyczy to jednej części pracy analityków, ale szybsze podsumowania nie przekładają się automatycznie na szybsze powstrzymanie incydentu.

Silniejszym wynikiem byłby mierzalny spadek czasu ekspozycji bez odpowiadającego mu wzrostu zakłóceń operacyjnych. Pokazałoby to, że agenty defensywne potrafią przekładać informacje wywiadowcze na bezpieczne działania, a nie jedynie generować więcej analiz.

Dla liderów bezpieczeństwa bezpośrednim zadaniem jest sprawdzenie, czy ich proces może działać w nowym oknie czasowym. Wybierz niedawną krytyczną podatność i odtwórz harmonogram od ujawnienia przez identyfikację zasobów, wdrożenie środków zaradczych, łatanie aż po weryfikację.

Nie pytaj wyłącznie, czy poprawka spełniła wymagania polityki. Zapytaj, jak długo podatna usługa pozostawała dostępna i co uniemożliwiło wcześniejsze ograniczenie ekspozycji. Jeśli odpowiedź jest liczona w tygodniach, uzbrajanie podatności przez Microsoft AI już zmieniło standard, który musi spełnić Twoja organizacja.