AIによる脆弱性発見は産業規模へ　次のボトルネックは「検証」

Mandiantの「Agentic Vulnerability Discovery Harness（AVDH）」が示す本当の変化は、AIが単独で大量のコードを読み、脆弱性を見抜いたことではない。脆弱性調査そのものが、複数の専門AIエージェントと人間の専門家を組み合わせた、設計済みの工程へと変わりつつあることだ。

Googleによると、AVDHはあるインシデント対応案件で、わずか2日間に100件を超える真陽性の高深刻度脆弱性を発見した。 ただし、この数字を「1つのモデルがすべてのコードを理解した」証拠と受け取るべきではない。成果の背景にあるのは、巨大な探索空間を段階的に絞り込み、疑わしい問題を実際に悪用できるか人間が確認するワークフローだ。

AVDHは単体のAIレビュアーではなく、調査パイプライン

AVDHの構成は、経験豊富なセキュリティチームが行う評価プロセスに近い。まずエージェントがコードベースの目的や構造を把握し、認証、認可、ルーティングなどの領域を調査する。その後、攻撃対象領域、入口、データフローを整理し、複数の脆弱性仮説と攻撃経路を作成する。最後に、別のエージェントによる検証と統合を経て、人間のコンサルタントが脅威モデルを確認し、概念実証（PoC）を再現する。

この役割分担が重要なのは、ソースコード解析では、調査対象にすべきか分からない「疑わしいパターン」が、専門家の手作業で追える量をはるかに超えて生成されるからだ。AIは中間的な発見を大量に生み出し、検証工程と人間のレビューが、実際に悪用可能で影響の大きい問題へと焦点を絞る。

Googleは、AVDHを最初の10カ月間にわたり、数千万行規模のコードベースに適用し、数万件の発見を得たとしている。今回強調された2日間の調査では、100件を超える真陽性の重大な脆弱性を特定した。これまでの成果は12件のCVE採番にもつながり、さらに約12件が開示手続きの進行中だという。

したがって、評価すべき指標はアラートの総数ではない。機械が生成した仮説のうち、どれだけが再現可能で、責任ある形で処理された脆弱性へ変わったかである。

AVDHとPalo AltoのNOVAは単純な対決ではない

Palo Alto Networksは、自律型のマルチモデル脆弱性発見システム「NOVA（Network and Open-Source Vulnerability Analyzer）」について、さらに大きな数字を公表している。同社の調査によると、NOVAは2カ月で3,915件のオープンソースプロジェクトを分析し、14,090件の確認済み脆弱性を発見した。その99.4％は未報告で、40％が高または重大な深刻度と評価された。

しかし、両者が測っているものは異なる。

• AVDH：インシデント対応に結び付いた、期間を区切った深掘り型の調査。人間によるレビューと、攻撃経路の再現が重要な品質管理となる。
• NOVA：数千のオープンソースプロジェクトを対象に、広さと自律的な発見能力を重視する大規模スキャン。

公開された報告だけでは、対象の選び方、深刻度の基準、誤検知の許容水準、悪用可能性の判定、開示手続きが両システムで同一だったとは確認できない。そのため、発見件数をもとに普遍的なランキングを作ることはできない。

AVDHは、特定の案件で高い確度の調査を実現するエージェント連携の形を示す。一方、NOVAは、オープンソースのエコシステム全体で自律的な発見がどこまで拡大し得るかを示している。両者を合わせると、脆弱性対応は「広く探すこと」と「実用的な発見として確定すること」という、2つの課題に分かれつつあることが分かる。

発見の高速化に対し、防御側は露出を先に減らす

Palo Alto Networksが提案する「Advanced Virtual Patching」は、脆弱性を見つけるだけでなく、ソフトウェアの修正が完了するまでの露出を減らすことを狙う。AIが発見した脆弱性をもとに、ネットワークレベルの防御を数時間以内に展開する構想で、同社は従来型パッチの業界平均として約55日という期間を示している。

同社はまた、AI企業、ソフトウェア事業者、オープンソース関係者、運用技術（OT）組織などを結ぶ「Frontier AI Critical Defense Program」も発表した。参加組織として、Anthropic、OpenAI、IBM、Red Hat、Microsoft、Siemens、三菱電機、Axis Communicationsなどが挙げられている。

仮想パッチは、ネットワーク上の通信を識別して遮断できる脆弱性に対して有効な場合がある。ただし、それはあくまで代替的な防御策であり、脆弱なソフトウェア自体を修正するものではない。恒久的な解決には、担当者が脆弱性を理解し、コードを変更し、テストし、配布し、影響を受けるシステムへの適用を確認する必要がある。

AIによって発見の速度が上がるほど、この違いは重要になる。ネットワーク制御は当面の攻撃面を狭められても、アプリケーションやソフトウェアサプライチェーン全体に存在する脆弱なコードを消すことはできない。

攻撃者も同じ加速を手にしている

防御側の進歩と並行して、攻撃者がAIを同様の目的に使っていることを示す情報も出ている。Google Threat Intelligence Group（GTIG）は、AIを使って開発されたとみられるゼロデイ攻撃コードを、脅威アクターが実際に使用した初めての事例を特定したと報告した。攻撃者はそのコードを大規模攻撃に利用する計画だったが、Googleの対抗調査によって阻止された可能性があるという。

報告された攻撃コードは、広く使われているオープンソースのウェブ管理ツールにおける二要素認証（2FA）回避を狙ったものだった。教育的なコメントや、存在しない脆弱性に対する幻覚的なCVSSスコアなどが、LLMの支援を受けて作成された可能性を示す材料とされた。

もちろん、AIが生成した脆弱性のすべてが実際の攻撃につながるわけではない。しかし、コードの複雑さ、研究者の不足、発見から悪用までの時間差が、常に防御側の猶予になるとは限らなくなったことは確かだ。

Cloud Security Alliance（CSA）が指摘するように、AIは脆弱性の発見速度と規模を、既存の開示・パッチ体制が吸収できる以上のペースで押し上げている。発見件数が増えること自体はセキュリティ向上を意味しない。組織が報告を分類し、関係者と調整し、修正を作り、安全に展開できる処理能力を持って初めて、発見は防御につながる。

防御側は優位を取り戻せるか

可能性はある。ただし、脆弱性発見モデルを導入するだけでは不十分だ。優位に立てるのは、発見をセキュリティ運用全体につなげられる組織である。

1. 脅威モデリングで、現実的な攻撃経路に探索範囲を絞る。
2. エージェント型解析で、AIの速度でコードを調べ、複数の仮説を作る。
3. 独立した検証で、疑わしいパターンが誤解を招く報告になるのを防ぐ。
4. 人間による再現で、実際に悪用できる欠陥かを確認する。
5. 調整された脆弱性開示で、保守担当者やベンダーが対応できる道筋をつくる。
6. 仮想パッチなどの代替的防御策で、コード修正までの露出を減らす。
7. 優先順位を付けた修正で、到達可能性と影響度の高い脆弱性から直す。

AVDHは、広範な自動探索に人間の判断と攻撃再現を組み合わせる価値を示した。NOVAは、自律的な発見が従来のセキュリティチームの処理能力を超え得るという圧力を示している。

これからのAIサイバーセキュリティ競争は、どのモデルが最も多くのバグを見つけるかだけの争いではない。脆弱性の検出から、検証、開示、緩和策、恒久修正までの一連のループを、攻撃者が実際の攻撃へ転換するより速く回せるかが勝負になる。

防御側が優位を築けるのは、自社のコード、デプロイパイプライン、監視データ、ネットワーク制御を把握し、AIを使ってこの「検出から緩和まで」の時間を短縮できる場合だ。検証、責任の所在、開示、修正、展開が伴わない発見は、問題を解決するどころか、処理すべき問題の数を増やす可能性がある。