Rekord MITRE CVE pokazuje, że AI wykrywa luki bezpieczeństwa szybciej, niż zespoły potrafią je analizować

MITRE odnotowało rekordowe 48 244 podatności w 2025 roku, a rekord MITRE CVE nadal rósł w pierwszej połowie 2026 roku. Badania wspomagane przez AI przyspieszyły wykrywanie błędów, lecz liczba zgłoszeń przekracza obecnie możliwości wielu zespołów bezpieczeństwa w zakresie weryfikacji, priorytetyzacji i łatania każdego odkrycia.

Do czerwca 2026 roku zarejestrowano ponad 35 000 podatności, według raportowanych danych. Stanowiło to już niemal trzy czwarte poprzedniego rekordu z całego roku. Wzrost nie jest po prostu dowodem na to, że deweloperzy nagle zaczęli pisać znacznie gorsze oprogramowanie.

Głębsza zmiana dotyczy wykrywania. Systemy AI mogą analizować duże bazy kodu, porównywać wersje oprogramowania, proponować ścieżki ataku i wskazywać podejrzane zachowania na skalę nieosiągalną dla ludzkich badaczy. Anthropic, OpenAI, Google, Microsoft i dostawcy rozwiązań bezpieczeństwa inwestują w modele lub programy badawcze skoncentrowane na cyberbezpieczeństwie.

Tworzy to wyraźne napięcie. Wcześniejsze wykrywanie ukrytych słabości daje obrońcom czas na ich usunięcie. Każde nowe ujawnienie trafia jednak także do już przeciążonego systemu opiekunów projektów, koordynatorów, zespołów bezpieczeństwa i właścicieli zasobów.

Rezultatem nie jest prosty gwałtowny wzrost skutecznych ataków. Dostępne dowody wskazują na skok liczby ujawnień, mniejszy wzrost obserwowanego wykorzystywania podatności oraz pogłębiającą się lukę operacyjną między tymi zjawiskami.

Rekord MITRE CVE rośnie szybciej niż prognozy

Najważniejszą zmianą nie jest jedna spektakularna podatność. Jest nią trwałe przyspieszenie całego systemu ujawnień.

Identyfikator Common Vulnerabilities and Exposures, czyli CVE, to ustandaryzowane oznaczenie publicznie ujawnionej luki bezpieczeństwa. CVE umożliwiają dostawcom, badaczom, rządom i narzędziom bezpieczeństwa odnoszenie się do tego samego problemu bez polegania na niespójnych nazwach.

Liczba zarejestrowanych przypadków utrzymywała się na poziomie dziesiątek tysięcy rocznie w latach 2017–2020. W 2021 roku osiągnęła 20 161, następnie wzrosła do 40 077 w 2024 roku i 48 244 w 2025 roku. Do czerwca 2026 roku zarejestrowano już ponad 35 000 przypadków.

Forum of Incident Response and Security Teams, znane jako FIRST, przewidywało kolejny rekord jeszcze przed rozpoczęciem roku. W lutowej prognozie mediana szacunków dla 2026 roku wynosiła 59 427 CVE.

Rzeczywista liczba ujawnień szybko przekroczyła tę ścieżkę. Prognoza śródroczna FIRST wykazała, że wolumen publikacji do kwietnia był o 46,3 procent wyższy od wcześniejszych przewidywań. Organizacja podniosła szacunek na cały rok do około 66 000 CVE.

W tej ponownej ocenie wskazano o 6 420 CVE więcej, niż początkowy model przewidywał do kwietnia. Różnicę przypisano kilku czynnikom, w tym wykrywaniu wspomaganemu przez AI, szerszemu raportowaniu oraz zmianom w ekosystemie CVE.

Wolumen GitHub Security Advisory wzrósł rok do roku o 449 procent. Aktywność VulnCheck’s CNA of Last Resort wzrosła o 3 119 procent, ponieważ organizacja przetworzyła duże zaległości podatności bez innego organu przydzielającego identyfikatory.

Te szczegóły mają znaczenie, ponieważ rekord MITRE CVE nie mierzy jednej rzeczy. Łączy nowe badania, starsze odkrycia trafiające do systemu, cykle ujawnień dostawców, rozszerzony zakres pokrycia oraz zmiany administracyjne. Traktowanie każdego dodatkowego CVE jako dowodu na to, że oprogramowanie stało się mniej bezpieczne, prowadziłoby do błędnej interpretacji danych.

Znacznie rozszerzyła się także liczba produktów programistycznych uwzględnianych w śledzeniu podatności. Badacze bezpieczeństwa analizują obecnie więcej aplikacji, urządzeń, bibliotek, usług chmurowych i komponentów open source. Lepsza widoczność w naturalny sposób ujawnia błędy, które wcześniej pozostawały nieudokumentowane.

Duże publikacje dostawców mogą powodować gwałtowne miesięczne skoki. Firma może jednocześnie ujawnić setki powiązanych problemów po zakończeniu skoordynowanego przeglądu. Powstający wykres odzwierciedla więc harmonogram publikacji, a także faktyczne tempo wykrywania.

Te zastrzeżenia nie niwelują jednak zmiany. AI zwiększa zakres kodu, który badacze mogą analizować, i skraca czas potrzebny na zidentyfikowanie prawdopodobnych słabości. Ta nowa zdolność pojawia się w czasie, gdy infrastruktura raportowania już mierzy się z rosnącym obciążeniem.

Rekord mierzy więc zarówno postęp, jak i presję. Więcej błędów staje się widocznych, zanim znajdą je atakujący, lecz każde prawidłowe zgłoszenie tworzy pracę dla opiekunów projektów i obrońców.

Wykrywanie podatności przez AI zmieniło skalę poszukiwania błędów

Wykrywanie podatności przez AI przekształca przegląd kodu z rzadkiej, ręcznej czynności w proces, który można wielokrotnie uruchamiać w ogromnych środowiskach oprogramowania.

Tradycyjne badania nad podatnościami wymagają od specjalistów zrozumienia aplikacji, zidentyfikowania niebezpiecznych zachowań, stworzenia testów i potwierdzenia, czy atak jest praktyczny. Zautomatyzowane skanery pomagają, lecz często opierają się na znanych wzorcach i generują fałszywe alarmy.

Zaawansowane modele AI dodają kolejną warstwę. Mogą rozumować w obrębie wielu plików, śledzić dane w programie, porównywać wersje z poprawkami i bez nich, generować przypadki testowe oraz sugerować kombinacje słabości. Ludzcy badacze nadal muszą weryfikować istotne odkrycia, ale etap wyszukiwania może objąć większy obszar.

Claude Mythos Preview firmy Anthropic stał się znaczącym przykładem w 2026 roku. Firma podała, że w lutym zaczęła używać wczesnego zrzutu modelu do analizowania oprogramowania open source. Zewnętrzne firmy bezpieczeństwa pomagały następnie w selekcji, walidacji i zgłaszaniu odkryć o wysokiej lub krytycznej wadze.

Publiczny panel ujawnień Anthropic odnotował 462 wydane identyfikatory w sierpniowym zrzucie. Obejmowały one 177 rekordów CVE i 285 GitHub Security Advisories, chociaż jedno odkrycie mogło otrzymać oba identyfikatory.

Szersze deklaracje były znacznie większe. Anthropic podało, że Project Glasswing wykrył ponad 10 000 podatności o wysokiej lub krytycznej wadze. Publiczne rejestry obejmowały jedynie część tej zgłoszonej liczby, przez co badacze nie mogli ocenić większości pojedynczych odkryć.

Epoch AI przeanalizowało dane dotyczące ujawnień z 21 dużych organizacji technologicznych, w tym Microsoft, Google, Apple, Oracle, Cisco, Linux, Mozilla i Apache. Jego dane o wadze podatności wskazywały, że w czerwcu opublikowano około 1 550 CVE o wysokiej i krytycznej wadze.

Czerwcowa suma przekroczyła trzykrotnie miesięczny rekord obserwowany przed ogłoszeniem przez Anthropic Mythos Preview. W lipcu odnotowano około 2 500 ujawnień o wysokiej i krytycznej wadze, czyli około pięć razy więcej niż wcześniejszy rekord.

Epoch zastrzegł, że liczby obejmują publiczne ujawnienia, a nie każdą prywatnie odkrytą podatność. Zauważył także, że oceny wagi zmieniają się, gdy rekordy otrzymują nowe informacje. Historyczne miesięczne sumy mogą się przesuwać po tym, jak analitycy zrewidują pojedyncze CVE.

Czas tych wydarzeń mimo wszystko wspiera wniosek, że zaawansowane modele stały się istotnymi narzędziami badawczymi. Programy AI zaczęły działać równolegle z rozszerzonymi audytami wewnętrznymi, nowymi inicjatywami dotyczącymi ujawnień i większymi inwestycjami dużych dostawców.

Google opisało własny niedawny wolumen odkryć jako bezprecedensowy pod względem skali i szybkości. Dane dostawców wskazywały, że wiele nowo zgłaszanych błędów pochodziło z badań wewnętrznych, a nie od zewnętrznych atakujących. To rozróżnienie daje obrońcom możliwość załatania słabości, zanim grupy przestępcze przekształcą je w narzędzia ataku.

AI pomaga również badaczom ponownie analizować stare oprogramowanie. Starszy kod może zawierać błędy, które przetrwały lata testów, ponieważ nikt nie miał wystarczająco dużo czasu, aby zbadać każdą ścieżkę. Model stale wyszukujący podejrzane zachowania może ujawniać podatności niezwiązane z niedawnym rozwojem.

Ta przewaga wykracza poza duże firmy technologiczne. Opiekunowie projektów open source, mniejsi dostawcy i firmy konsultingowe zajmujące się bezpieczeństwem mogą używać automatycznej analizy do badania komponentów, którym wcześniej poświęcano ograniczoną uwagę.

Wykrycie jest jednak tylko pierwszym krokiem. Prawdopodobny błąd musi zostać odtworzony, oceniony, bezpiecznie zgłoszony, otrzymać identyfikator, zostać naprawiony, przetestowany i wdrożony. AI przyspiesza początek tego łańcucha, nie zwiększając automatycznie możliwości każdego zespołu na jego końcu.

Ta nierównowaga wyjaśnia, dlaczego więcej odkryć nie przekłada się natychmiast na bezpieczniejsze systemy. Korzyść zależy od tego, czy opiekunowie projektów zdołają przekształcić odkrycia w niezawodne poprawki, zanim atakujący przekształcą je w exploity.

Więcej ujawnień nie oznacza, że każdy błąd jest sytuacją awaryjną

Główny problem cyberbezpieczeństwa przesunął się z wykrywania wystarczającej liczby podatności na ustalanie, które odkrycia tworzą bezpośrednie i osiągalne ryzyko.

Surowy rekord MITRE CVE jest licznikiem, a nie kolejką priorytetów. Podatność w wystawionej do internetu bramie, która jest aktywnie wykorzystywana, wymaga innej reakcji niż lokalny błąd w nieużywanym komponencie.

FIRST przeanalizował to rozróżnienie na podstawie danych o możliwości wykorzystania. W ocenie śródrocznej organizacja filtrowała podatności przy użyciu katalogu Known Exploited Vulnerabilities agencji Cybersecurity and Infrastructure Security Agency oraz wyników Exploit Prediction Scoring System powyżej 10 procent.

Organizacja ustaliła, że podatności możliwe do praktycznego wykorzystania pozostawały ogólnie na zbliżonym poziomie mimo wzrostu całkowitego wolumenu. W jej terminologii obrońcy mierzyli się z większym deszczem, ale niekoniecznie z proporcjonalnie większą powodzią.

To ustalenie podważa powszechną interpretację wykrywania podatności przez AI. Modele wyraźnie pomagają badaczom generować więcej odkryć. Obecne dowody nie wskazują, że każda słabość wykryta przez AI staje się łatwiejsza lub bardziej atrakcyjna do wykorzystania.

VulnCheck przeanalizował 1 061 publicznie przypisanych odkryć wspomaganych przez AI, powiązanych z Project Glasswing firmy Anthropic i Berkeley Vulnerability Research Initiative. Ustalono, że 14 z nich, czyli 1,3 procent, potwierdzono jako wykorzystywane w rzeczywistych atakach.

Wskaźnik ten był zbliżony do poziomu wykorzystania w szerszym zbiorze danych VulnCheck. Porównanie sugeruje, że odkrycia wspomagane przez AI nie były z natury bardziej skłonne do przekształcania się w rzeczywiste ataki niż podatności wykrywane konwencjonalnie.

Różnica jest jeszcze wyraźniejsza w opublikowanych wynikach Anthropic. VulnCheck podał, że Claude Mythos zidentyfikował 23 019 kandydatów na podatności, podczas gdy w jego analizie jedynie 126 pojawiło się jako CVE. Potwierdzono wykorzystanie jednej z nich.

Liczby te nie dowodzą, że pozostałe kandydatury były niegroźne. Wiele z nich może wciąż być analizowanych, przechodzić skoordynowane ujawnianie, oczekiwać na poprawki lub być wstrzymywanych, ponieważ publikacja stwarzałaby ryzyko. Pokazują jednak, że liczby kandydatów i zweryfikowane CVE nie są pojęciami zamiennymi.

Google Threat Intelligence Group doszła do powiązanego wniosku na podstawie innego zbioru danych. Jej analiza wykorzystania odnotowała 141 podatności, które zostały zarówno ujawnione, jak i wykorzystane między styczniem a sierpniem 2026 roku.

Suma ta przekroczyła 127 odnotowanych w całym 2025 roku. Średnia miesięczna liczba przypadków wykorzystania wzrosła z 10,5 w 2025 roku do 18 w 2026 roku.

Jednak tylko 0,23 procent wszystkich ujawnionych w 2026 roku podatności pojawiło się w obserwowanym wykorzystaniu. Oznaczało to około jedną aktywnie wykorzystywaną podatność na każde 431 ujawnień.

Niewielki odsetek nie powinien skłaniać do samozadowolenia. Pojedyncza podatność może dotknąć tysiące organizacji, zwłaszcza gdy występuje w szeroko wdrożonym produkcie dostępnym z internetu. Atakujący nie muszą przekształcać każdego CVE w narzędzie ataku, aby wyrządzić rozległe szkody.

Dane dotyczące exploitacji również stały się bardziej niepokojące w późniejszej części roku. Google ustalił, że po maju wzrost ujawnień i wzrost exploitacji były ze sobą ściśle powiązane. Indeksowany wolumen ujawnień wzrósł o 128 procent, podczas gdy indeksowana liczba exploitacji zwiększyła się o 127 procent.

Wysokiego ryzyka exploity wzrosły ponad dwukrotnie. Google naliczył 75 aktywnie wykorzystywanych podatności wysokiego ryzyka od stycznia do sierpnia 2026 roku, w porównaniu z 28 w całym 2025 roku.

Aktywność zero-day pozostawała bardziej stabilna. Zero-day to podatność wykorzystywana, zanim producent lub użytkownicy otrzymają skuteczną poprawkę. Średnia miesięczna wzrosła z ośmiu w 2025 roku do 11 w 2026 roku, choć w sierpniu osiągnęła 22.

Google zasugerował, że atakujący mogą czerpać większą natychmiastową wartość z szybkiego uzbrajania znanych błędów, określanych jako n-day, niż z używania AI do odkrywania całkowicie nowych zero-day. Modele mogą porównywać poprawki, informacje o wydaniach, wersje produktów i kod proof-of-concept, aby przyspieszyć ten proces.

Dlatego zespoły bezpieczeństwa potrzebują kontekstu ryzyka, a nie tylko dłuższych list podatności. Katalog aktywnie wykorzystywanych podatności CISA wskazuje błędy, dla których istnieją dowody aktywnej eksploitacji. EPSS szacuje prawdopodobieństwo, że opublikowany CVE zostanie wkrótce wykorzystany.

Sygnały te nie są doskonałe, ale pomagają organizacjom odróżniać udokumentowane słabości od pilnych ścieżek ataku. Ekspozycja zasobów, uprawnienia, osiągalne systemy i dostępne środki łagodzące pozostają kluczowymi elementami tej decyzji.

Prawdziwym wąskim gardłem jest zdolność do triage'u i wdrażania poprawek

AI może generować ustalenia bezpieczeństwa szybciej, niż organizacje są w stanie ustalić odpowiedzialność, przetestować poprawki i bezpiecznie je wdrożyć.

Każda potwierdzona podatność uruchamia proces operacyjny. Opiekun projektu musi odtworzyć problem, ocenić jego wagę, zidentyfikować dotknięte wersje, przygotować poprawkę, przetestować regresje, sporządzić komunikat i skoordynować publikację.

Klienci następnie stają przed własnym łańcuchem działań. Muszą zlokalizować dotknięty produkt, ustalić, czy podatna funkcja jest aktywna, ocenić kontrole kompensacyjne, zaplanować aktualizację i potwierdzić skuteczne zastosowanie poprawki.

Praca ta staje się trudna, gdy organizacji brakuje dokładnego inwentarza oprogramowania. Zespół bezpieczeństwa nie może pewnie ustalić priorytetu podatności, jeśli nie wie, gdzie działa dotknięty komponent ani od których usług biznesowych zależy.

Zależności od dostawców zewnętrznych dodatkowo komplikują problem. Podatna biblioteka może znajdować się kilka warstw poniżej aplikacji i pozostać niewidoczna dla jej operatora. Kontenery, wtyczki, firmware i usługi zarządzane mogą jeszcze bardziej zacierać kwestie odpowiedzialności.

Niedobory kadrowe zwiększają presję. Yukimi Sota z japońskiego oddziału Proofpoint powiedział oryginalnej agencji prasowej, że wiele firm pozostaje w tyle z działaniami zaradczymi, ponieważ branży bezpieczeństwa brakuje pracowników.

Niedawne przypadki nieautoryzowanego dostępu i wycieków informacji w japońskich firmach nadały tym danym dodatkową pilność. Incydenty miały obejmować Times Car, dużą usługę współdzielenia samochodów, i skłoniły japoński rząd do wezwania firm do wzmocnienia obrony.

Bezpośrednie ryzyko nie polega na tym, że każdy nowy CVE wymaga awaryjnego wdrożenia. Ryzyko polega na tym, że nieuporządkowana kolejka sprawia, iż zespoły przeoczają niewielką liczbę błędów, które atakujący już wykorzystują.

Łatanie wszystkiego w kolejności publikacji zmarnowałoby ograniczony czas. Mogłoby też spowodować awarie, gdy pospieszne zmiany wpłyną na złożone systemy produkcyjne. Obrońcy muszą łączyć informacje o zagrożeniach z własnym kontekstem zasobów i działalności biznesowej.

Praktyczna sekwencja priorytetów zaczyna się od aktywnej eksploitacji. Zespoły powinny następnie uwzględnić ekspozycję na internet, wymagania dotyczące uwierzytelnienia, złożoność ataku, uzyskiwane uprawnienia, wrażliwość danych oraz znaczenie dotkniętej usługi.

Sama ocena wagi od dostawcy nie odpowie na te pytania. Krytyczna podatność w odizolowanym systemie testowym może stwarzać mniej bezpośredniego zagrożenia niż wada o wysokiej wadze na publicznej bramie.

Zespoły bezpieczeństwa potrzebują również niezawodnego sposobu zachowywania podjętych decyzji. Komunikaty, rejestry wyjątków, notatki o dotkniętych systemach i dowody zastosowania środków łagodzących często rozpraszają się między zgłoszeniami, czatami, arkuszami kalkulacyjnymi i pocztą elektroniczną.

Przeszukiwalna techniczna baza wiedzy może pomóc zespołom łączyć powiadomienia o podatnościach z dokumentami architektury i wcześniejszymi pracami naprawczymi. Nie zastępuje skanowania ani łatania, ale ogranicza powtarzalne dochodzenia.

AI może również pomóc na tym etapie. Model może streszczać komunikaty, mapować nazwy produktów na inwentarze, porównywać wersje, przygotowywać instrukcje naprawcze i pomagać analitykom grupować zduplikowane zgłoszenia.

Takie zastosowania wymagają kontroli. Zespoły bezpieczeństwa muszą weryfikować wygenerowane wnioski, chronić poufne informacje o systemach i unikać wysyłania poświadczeń lub wrażliwych szczegółów architektury do nieuprawnionych usług.

Zautomatyzowane poprawki tworzą odrębne ryzyko. Poprawka, która usuwa jedną podatną ścieżkę kodu, może wprowadzić inny błąd lub zakłócić działanie produkcyjne. Opiekunowie projektów nadal potrzebują testów, przeglądu i etapowego wdrożenia.

Presja rozkłada się nierównomiernie w ekosystemie oprogramowania. Duzi dostawcy mogą utrzymywać dedykowane zespoły bezpieczeństwa produktów i koordynować masowe cykle ujawnień. Małe projekty open source mogą zależeć od kilku wolontariuszy obsługujących tysiące użytkowników.

Badania wspomagane przez AI mogą zatem przenosić koszty od dobrze finansowanych twórców modeli i laboratoriów bezpieczeństwa do opiekunów projektów o ograniczonych zasobach. Znajdowanie większej liczby błędów jest wartościowe, ale programy ujawniania muszą uwzględniać zdolność odbiorcy do reakcji.

Odpowiedzialne raportowanie wymaga deduplikacji, jasnych kroków odtworzenia problemu, dowodów jego wagi oraz rozsądnych terminów naprawy. Przesyłanie tysięcy alertów o niskiej pewności pochłonęłoby uwagę bez zapewnienia porównywalnych korzyści dla bezpieczeństwa.

Najlepszym rezultatem jest zrównoważony proces. AI prowadzi szerokie poszukiwania, ludzie walidują istotne ustalenia, opiekunowie projektów otrzymują użyteczne raporty, a obrońcy ustalają kolejność wdrożeń według rzeczywistej ekspozycji.

Bez tej dyscypliny większy wolumen odkryć staje się kolejnym źródłem zmęczenia alertami. Zespoły widzą więcej ostrzeżeń, podczas gdy nieliczne najgroźniejsze pozostają ukryte.

AI zmienia obie strony wyścigu podatności

Strategiczna rywalizacja nie polega na starciu obrońców korzystających z AI z tradycyjnymi atakującymi. Obie strony mogą wykorzystywać podobne możliwości na różnych etapach tego samego cyklu życia podatności.

Obrońcy obecnie zyskują istotną przewagę, gdy wewnętrzne programy AI znajdują i naprawiają błędy przed publikacją. Google podał, że 401 z 433 podatności Chrome w jednej dużej aktualizacji wykryto wewnętrznie.

Ten wzorzec sugeruje, że wzrost liczby ujawnień obejmuje pracę zapobiegawczą. Odkrycie kontrolowane przez dostawcę pozwala inżynierom opracować poprawkę, skoordynować jej wydanie i przygotować klientów, zanim rozpowszechnią się szczegółowe informacje techniczne.

Atakujący zyskują przewagę po ujawnieniu. AI może przetworzyć komunikat, porównać zmiany w kodzie, wygenerować proof of concept, skanować w poszukiwaniu wystawionych systemów i dostosowywać publiczny kod exploitów. Działania te skracają okres między publikacją a próbą wykorzystania.

Recorded Future podało, że średni czas potrzebny atakującym do wykorzystania podatności spadł z 72 godzin w 2025 roku do 24 godzin w 2026 roku. Szacunek ten wzmacnia potrzebę natychmiastowego priorytetyzowania osiągalnych błędów, choć większość CVE nigdy nie pojawia się w zaobserwowanych atakach.

Systemy AI mogą ostatecznie autonomicznie odkrywać i wykorzystywać nieznane błędy. Publiczne przypadki i deklaracje dostawców pokazują postęp w kierunku dłuższych łańcuchów prac z zakresu cyberbezpieczeństwa, ale dostępne dowody pozostają nierówne.

Niektóre demonstracje odbywają się w kontrolowanych środowiskach ze starannie wybranymi celami, rozległymi zasobami obliczeniowymi, niestandardowymi instrukcjami i nadzorem ekspertów. Ich wyniki nie dowodzą, że zwykli przestępcy mogą odtworzyć tę samą skuteczność na dużą skalę.

Palo Alto Networks podało, że zaawansowane modele Anthropic i OpenAI pomogły mu znaleźć 75 podatności w swoich produktach, ponad siedem razy więcej niż zwykła miesięczna liczba. Dyrektor ds. produktu firmy przyznał również, że wysiłek wymagał znacznego dostosowania i ludzkiej wiedzy eksperckiej.

To zastrzeżenie jest istotne. Zdolność modelu jest tylko jedną częścią operacyjnego ataku. Przeciwnicy nadal potrzebują dostępu do celu, infrastruktury, walidacji, skrytości, trwałości oraz sposobu przekształcenia dostępu technicznego w użyteczny rezultat.

Obrońcy również mają przewagi strukturalne. Dostawcy kontrolują kod źródłowy, wewnętrzne testy, telemetrię produktów i dystrybucję poprawek. Mogą kierować modele na własne systemy i weryfikować wyniki z inżynierami rozumiejącymi architekturę.

Atakujący korzystają z asymetrii. Potrzebują tylko jednej użytecznej ścieżki do celu, podczas gdy obrońcy muszą zarządzać każdym ważnym systemem. AI nie tworzy tej nierównowagi, ale szybsze badania mogą ją nasilać.

Samo ujawnienie łączy obie strony. Publikacja CVE daje obrońcom wspólny identyfikator i informacje o naprawie. Może też wskazać atakującym, gdzie skoncentrować uwagę, zwłaszcza gdy poprawka ujawnia podatny kod.

Bezterminowe opóźnianie ujawnienia nie jest rozwiązaniem. Nieujawnione błędy mogą pozostać możliwe do wykorzystania, nie dając klientom żadnej drogi do ochrony. Celem jest koordynacja, która daje opiekunom projektów czas na wydanie poprawki, jednocześnie ograniczając niepotrzebną ekspozycję techniczną.

Najmocniejsze dotychczas dowody wspierają węższy wniosek niż twierdzenia optymistyczne lub alarmistyczne. AI już zwiększa zdolność odkrywania podatności. Pomaga również w analizie i tworzeniu exploitów, ale eksploatacja nie wzrosła wprost proporcjonalnie do liczby samych ujawnień.

Ta równowaga może się zmienić. Modele się poprawiają, szkolenia skoncentrowane na cyberbezpieczeństwie się rozszerzają, a coraz więcej organizacji integruje agentów z procesami badawczymi. Kontrole dostępu wokół najzdolniejszych systemów wpłyną na szybkość rozpowszechniania tych możliwości.

Liderzy bezpieczeństwa powinni unikać planowania wokół jednej dramatycznej prognozy. Powinni zakładać, że zarówno odkrywanie, jak i uzbrajanie będą przyspieszać, a następnie budować procesy, które pozostają użyteczne w kilku możliwych scenariuszach czasowych.

Oznacza to krótsze cykle identyfikacji zasobów, przetestowane procedury awaryjnego łatania, lepszą segmentację i silniejsze monitorowanie exploitacji. Oznacza to także wykorzystywanie defensywnej AI tam, gdzie jej wyniki można sprawdzić względem wiarygodnych danych.

Co zespoły bezpieczeństwa powinny obserwować dalej

Trzy sygnały pokażą, czy wzrost liczby podatności pozostanie możliwy do opanowania, czy przerodzi się w większy kryzys eksploitacji.

Pierwszym sygnałem jest relacja między całkowitą liczbą CVE a potwierdzoną eksploatacją. Surowe liczby ujawnień prawdopodobnie nadal będą ustanawiać rekordy, ale same w sobie nie określają ryzyka operacyjnego.

Zespoły powinny śledzić katalog CISA, telemetrię exploitacji i oceny prawdopodobieństwa o wysokiej pewności. Jeśli wykorzystywane podatności pozostaną niewielką częścią ujawnień, priorytetyzacja może ograniczyć znaczną część obciążenia pracą.

Jeśli eksploatacja zacznie rosnąć szybciej niż ujawnienia, główny argument się zmieni. Wskazywałoby to, że atakujący przekształcają większą część odkryć w działające operacje, a nie tylko korzystają z większej puli.

Drugim sygnałem jest opóźnienie między odkryciem, walidacją i dostępnością poprawki. Programy wspomagane przez AI mogą zgłaszać tysiące kandydatów, podczas gdy tylko część z nich pojawia się w publicznych komunikatach wraz z poprawkami.

Malejące opóźnienie konwersji pokazałoby, że dostawcy i koordynatorzy zwiększają zdolności równolegle z odkrywaniem. Rosnące zaległości oznaczałyby, że AI przyspieszyła początek procesu bez rozwiązania trudniejszego wąskiego gardła związanego z naprawą.

Publiczne rejestry powinny ułatwić tę ocenę. Użyteczne raportowanie rozdzielałoby kandydatów, zwalidowane podatności, przypisane identyfikatory, ukończone poprawki i wdrożone naprawy.

Trzecim sygnałem jest szybkość wykorzystania luki po upublicznieniu poprawki lub ostrzeżenia. W przeszłości obrońcy mierzyli czas reakcji na wiele podatności w tygodniach. Dowody na rutynowe uzbrajanie exploitów w ciągu jednego dnia zmusiłyby więcej organizacji do automatyzacji kontroli ekspozycji i działań naprawczych w trybie awaryjnym.

Ten sygnał ma większe znaczenie niż spektakularne demonstracje laboratoryjne. Powtarzalne skrócenie czasu uzbrajania exploitów w rzeczywistych warunkach wpłynęłoby na każde przedsiębiorstwo korzystające z powszechnie używanego oprogramowania, nawet jeśli atakujący nigdy nie osiągną w pełni autonomicznego wykrywania luk zero-day.

Wpis MITRE CVE powinien zatem skłonić do przeglądu procesów, a nie do bezrefleksyjnej paniki. Organizacje muszą wiedzieć, z jakich systemów korzystają, które z nich są dostępne z internetu oraz kto odpowiada za decyzje dotyczące usuwania podatności.

Powinny również sprawdzić, czy pilne aktualizacje mogą przejść od ostrzeżenia do wdrożenia bez utknięcia w kolejkach zatwierdzania. Procedury awaryjne istniejące wyłącznie na papierze nie sprostają 24-godzinnemu oknu wykorzystania luki.

Odkrywanie podatności przez AI nadal stanowi szansę dla obrony. Może ujawniać stare słabości, zanim znajdą je przestępcy, oraz pomagać opiekunom oprogramowania analizować kod, który nie został wystarczająco dokładnie sprawdzony.

Korzyści zależą od tego, co dzieje się po odkryciu. Zgłoszenie, którego nikt nie zweryfikuje, tworzy szum. Zweryfikowane CVE bez dostępnej poprawki tworzy ekspozycję. Poprawka, której klienci nie mogą wdrożyć, pozostawia podstawowe ryzyko bez zmian.

Dla deweloperów, liderów bezpieczeństwa i nabywców technologii kluczowe pytanie nie brzmi już, czy AI potrafi znaleźć więcej błędów. Dowody wskazują, że tak. Pytanie brzmi, czy Twoja organizacja potrafi zamienić tę falę zgłoszeń w krótką, uporządkowaną listę działań, zanim zrobi to atakujący.