Microsofts nye AI-forsvar finder sårbarheder – men de store tal mangler uafhængig kontrol

En lille model med en specialiseret opgave

MAI-Cyber-1-Flash har 5 milliarder parametre, hvilket er relativt beskedent sammenlignet med mange af nutidens store AI-modeller . Den er udviklet ud fra MAI-Code-1-Flash, som igen er en del af Microsofts bredere familie af ræsonnerende modeller, MAI-Thinking-1, der blev annonceret i juni 2026 .

Modellen er finjusteret til konkrete opgaver inden for cybersikkerhed: at opdage sårbarheder, kontrollere om de reelt kan udnyttes, prioritere dem og foreslå eller generere rettelser. Den arbejder inde i Microsofts eksisterende system MDASH, der står for Multi-Model Agentic Scanning Harness .

Microsofts præstations- og pris påstande

Microsoft oplyser, at MAI-Cyber-1-Flash i MDASH opnår 96 procent i CyberGym, en intern benchmark, der tester identifikation, validering og udbedring af sårbarheder. Det skulle være 12 procentpoint højere end Anthropic Claude Mythos 5, der ifølge Microsoft opnåede omkring 84 procent .

Selskabet hævder samtidig, at opsætningen kan reducere omkostningerne med omkring 50 procent sammenlignet med en løsning, der primært bruger eksterne frontmodeller. Forklaringen er, at MAI-Cyber-1-Flash ifølge Microsoft løser cirka 90 procent af opgaverne i MDASH, mens dyrere modeller som OpenAI GPT-5.4 kun kobles på ved de mest vanskelige tilfælde .

Der er dog en vigtig reservation: Tallene kommer fra Microsoft selv. Digital Applied skriver, at hverken CyberGym-resultatet på 96 procent eller besparelsen er uafhængigt verificeret, og at resultaterne på CyberGyms rangliste indrapporteres af de deltagende laboratorier . The New York Times bemærkede desuden, at Microsoft ikke stillede modellen til rådighed for uafhængige testere før lanceringen .

Sikkerhedstjek før mennesker involveres

Microsoft har offentliggjort et Model Card for MAI-Cyber-1-Flash. Dokumentet beskriver blandt andet modellens sikkerhedskalibrering, træningsdata og tiltænkte anvendelse i MDASH .

MDASH bruger flere modeller, der kan diskutere et fund med hinanden, samt en separat bevis- og kontrolpipeline. Formålet er at frasortere falske positiver, før en potentiel sårbarhed sendes videre til en menneskelig sikkerhedsingeniør .

Det er en central del af Microsofts strategi: AI-agenterne skal ikke blot finde mange fejl, men også kunne argumentere for, hvorfor en fejl er reel og kan udnyttes.

MDASH har allerede fundet fejl i Windows

MDASH er motoren, som MAI-Cyber-1-Flash er bygget til at arbejde i. Systemet koordinerer flere store sprogmodeller – herunder Microsofts egen model og OpenAI GPT-5.4 – gennem en arbejdsgang for scanning, validering og udbedring .

Et såkaldt model-routing-system sender de rutineprægede opgaver til den billigere specialmodel og eskalerer kun de mest komplekse ræsonneringsopgaver til større modeller .

Microsoft siger, at systemet allerede har leveret resultater i praksis:

• I forbindelse med Patch Tuesday i maj 2026 fandt MDASH selv 16 hidtil ukendte sårbarheder i Windows' netværks- og godkendelseskomponenter. Fire blev klassificeret som kritiske fejl, der kunne føre til fjernkørsel af kode, blandt andet i Windows-kernens TCP/IP-stack og IKEv2-tjenesten .
• En af fejlene var CVE-2026-33824, en double-free-sårbarhed i ikeext.dll med en CVSS-score på 9,8. Den kunne ifølge beskrivelsen gøre det muligt for en angriber uden login at sende specialdesignede pakker til en Windows-maskine med IKEv2 aktiveret og opnå fjernkørsel af kode .
• Microsofts samlede maj-opdateringer rettede 118 CVE’er, hvoraf 30 blev vurderet som kritiske .
• I juni fortsatte MDASH med at finde fejl uden for netværksområdet, blandt andet i Hyper-V, Active Directory og Windows-kernen . Ifølge rapporteringen var Microsoft med hjælp fra MDASH med til at rette 622 fejl på én måned .

Fundene blev behandlet af et system, hvor flere AI-agenter diskuterede, om en sårbarhed faktisk kunne udnyttes, før den blev sendt videre til menneskelige ingeniører .

Project Perception: AI-agenter i tre hold

Project Perception er den kommercielle platform, der bygges oven på MDASH og MAI-Cyber-1-Flash. Microsoft beskriver den som en ny “cyber-stack”, hvor sikkerhedssignaler, kontekst, specialiserede modeller og AI-agenter kombineres i et forsvarssystem, der lærer løbende .

Microsofts vision er kort sagt at bruge AI til at forsvare sig mod AI-baserede angreb.

Platformen organiserer agenterne i tre hold:

• Rødt hold: Efterligner angribere og leder efter mulige angrebsveje.
• Blåt hold: Opdager trusler, undersøger signaler og vurderer deres betydning.
• Grønt hold: Arbejder med afhjælpning, rettelser og patchning .

Project Perception kan ifølge Microsoft fordele opgaver mellem modeller fra Microsoft, OpenAI og Anthropic alt efter, hvilken model der egner sig bedst til det enkelte trin . Det betyder, at systemet ikke nødvendigvis bruger den største og dyreste model til alt.

Fra sårbarhedsjagt til bredere sikkerhedsarbejde

Den første anvendelse er softwarebaseret sårbarhedsstyring. Microsoft beskriver dog Project Perception som et system, der med tiden skal udvides til blandt andet løbende overvågning, trusselsundersøgelser og automatiseret afhjælpning .

Project Perception går i offentlig forhåndsvisning 3. august 2026 for Microsofts erhvervskunder, der allerede tester MDASH-agentmiljøet . Platformen bliver i første omgang tilgængelig i Microsoft Defender og skal senere rulles ud til Microsofts øvrige sikkerhedsprodukter .

Microsoft understreger samtidig, at mennesker fortsat skal have kontrol over kritiske beslutninger . Det er væsentligt i en løsning, der ikke blot skal rapportere problemer, men også potentielt foreslå eller gennemføre ændringer i kunders systemer.

En ny front i AI-kapløbet om cybersikkerhed

Lanceringen kommer, mens konkurrencen om AI-baseret cybersikkerhed intensiveres. Anthropic har allerede markeret sig med sikkerhedsmodellen Claude Mythos, mens både Google og OpenAI investerer i AI, der kan finde softwarefejl .

Microsofts særlige bud er kombinationen af en mindre specialistmodel og dyrere frontmodeller. Hvis de rutineprægede opgaver kan løses med den mindre model, kan virksomheder ifølge selskabet få kontinuerlig scanning uden samme regning som ved brug af de største modeller til hele processen .

Men den afgørende test bliver ikke kun benchmarkresultatet. Microsoft har et stærkt eksempel i MDASHs påståede fund af 16 Windows-sårbarheder i én opdateringsrunde . Spørgsmålet er, om uafhængige evalueringer vil bekræfte præstationerne – og hvor hurtigt virksomheder vil være villige til at lade AI undersøge og i visse tilfælde hjælpe med at ændre deres egen infrastruktur.