AI vindt kwetsbaarheden op industriële schaal — maar validatie blijft de bottleneck

Google zegt dat AVDH in de eerste tien maanden codebases met tientallen miljoenen regels code analyseerde en tienduizenden bevindingen opleverde. In het uitgelichte onderzoek van twee dagen identificeerde het systeem meer dan honderd echte kritieke kwetsbaarheden. Het bredere werk droeg bovendien bij aan twaalf toegewezen CVE’s; ongeveer een dozijn andere kwesties zou nog onder actieve openbaarmaking vallen.

Het nuttigste meetpunt is daarom niet het totale aantal waarschuwingen. Belangrijker is hoeveel door machines gegenereerde hypotheses uiteindelijk uitmonden in reproduceerbare kwetsbaarheden die verantwoord kunnen worden gemeld.

AVDH en Palo Alto’s NOVA zijn geen directe concurrenten

Palo Alto Networks rapporteerde met NOVA, zijn autonome systeem voor het vinden van kwetsbaarheden met meerdere modellen, een veel groter aantal. Volgens het onderzoek van Palo Alto analyseerde NOVA in twee maanden 3.915 opensourceprojecten en rapporteerde het 14.090 bevestigde kwetsbaarheden. Daarvan was 99,4 procent volgens het bedrijf nog niet eerder gemeld en had 40 procent een hoge of kritieke ernstgraad.

Die cijfers beschrijven een ander soort operatie dan de uitkomst van AVDH:

• AVDH: een tijdgebonden en diepgaand onderzoek binnen een incidentresponsopdracht, waarbij menselijke beoordeling en gereproduceerde exploitpaden belangrijke kwaliteitscontroles zijn.
• NOVA: een scan op ecosysteemniveau van duizenden opensourceprojecten, gericht op brede en autonome ontdekking.

De beschikbare rapporten laten niet zien dat beide systemen dezelfde doelwitten, ernstcriteria, drempels voor fout-positieve resultaten, exploittests of procedures voor openbaarmaking gebruikten. De hoofdcijfers vormen daarom geen universele ranglijst.

AVDH laat zien hoe agentketens kunnen helpen bij een onderzoek met hoge betrouwbaarheid in een specifieke opdracht. NOVA laat zien op welke schaal autonome ontdekking binnen opensourcesoftware kan plaatsvinden.

Samen wijzen de resultaten op twee afzonderlijke problemen: zwakke plekken breed genoeg opsporen én ze goed genoeg valideren om er praktisch mee aan de slag te kunnen.

De strijd verschuift van ontdekking naar het verkleinen van blootstelling

Palo Alto’s antwoord op snellere ontdekking beperkt zich niet tot het vinden van kwetsbaarheden. Met Advanced Virtual Patching wil het bedrijf netwerkbeschermingen binnen enkele uren uitrollen. Zo kan de blootstelling worden verminderd terwijl software-eigenaren aan een traditionele oplossing werken. Palo Alto vergelijkt dat met een gemiddelde patchtermijn van ongeveer 55 dagen.

Het bedrijf kondigde daarnaast het Frontier AI Critical Defense Program aan. Daarin werken AI-bedrijven, softwareleveranciers, opensourcepartijen en organisaties uit de operationele technologie samen aan verdediging. Genoemde deelnemers zijn onder meer Anthropic, OpenAI, IBM, Red Hat, Microsoft, Siemens, Mitsubishi Electric en Axis Communications.

Een virtuele patch kan nuttig zijn wanneer een kwetsbare dienst bereikbaar is via netwerkverkeer dat een beveiligingscontrole kan herkennen en blokkeren. Het blijft echter een compenserende maatregel, geen vervanging voor het repareren van de onderliggende software.

De duurzame oplossing vereist nog altijd dat een verantwoordelijke partij de kwetsbaarheid begrijpt, de code aanpast, de wijziging test, die verspreidt en controleert of alle getroffen systemen zijn bijgewerkt. Dat onderscheid wordt belangrijker naarmate AI nieuwe kwetsbaarheden sneller vindt. Een netwerkmaatregel kan het directe risico beperken, maar repareert de kwetsbare code niet in de applicatie of de softwareketen.

Aanvallers krijgen dezelfde versnelling

De defensieve vooruitgang vindt plaats naast aanwijzingen dat aanvallers AI voor vergelijkbare taken inzetten. Google Threat Intelligence Group meldde wat het de eerste geïdentificeerde situatie noemde waarin een dreigingsactor een zero-day-exploit gebruikte die vermoedelijk met hulp van AI was ontwikkeld. De actor wilde de exploit voor een grootschalige aanval inzetten; volgens Google kon proactieve tegenanalyse dat voorkomen.

De exploit was gericht op een omzeiling van tweefactorauthenticatie in een populaire opensourcewebtool voor systeembeheer. Educatieve opmerkingen in de code en een verzonnen CVSS-score werden genoemd als aanwijzingen dat een AI-model waarschijnlijk bij de ontwikkeling had geholpen.

Dat betekent niet dat elke door AI gegenereerde kwetsbaarheid automatisch tot een operationele aanval leidt. Wel wordt het voor verdedigers riskanter om te vertrouwen op softwarecomplexiteit, beperkte onderzoekscapaciteit of de verwachting dat er veel tijd zit tussen ontdekking en misbruik.

Daarom is de waarschuwing van de Cloud Security Alliance relevant: AI verhoogt de snelheid en schaal van kwetsbaarheidsvinding sneller dan veel systemen voor openbaarmaking en patching kunnen verwerken. Meer bevindingen maken de beveiliging alleen sterker als organisaties ook voldoende capaciteit hebben voor triage, gecoördineerde openbaarmaking, het ontwikkelen van oplossingen en het veilig uitrollen van bescherming.

Kunnen verdedigers hun voorsprong terugwinnen?

Ja, maar niet door alleen een model voor kwetsbaarheidsdetectie aan te schaffen. Het voordeel ligt bij organisaties die ontdekking koppelen aan de rest van hun beveiligingsproces:

1. Dreigingsmodellering beperkt de zoektocht tot realistische aanvalspaden.
2. Agentgestuurde analyse verkent code en genereert op machinesnelheid meerdere hypotheses.
3. Onafhankelijke validatie verkleint de kans dat verdachte patronen uitmonden in misleidende meldingen.
4. Menselijke reproductie bevestigt of een voorgestelde kwetsbaarheid daadwerkelijk kan worden uitgebuit.
5. Gecoördineerde openbaarmaking geeft beheerders en leveranciers een manier om te reageren.
6. Virtuele patches en andere compenserende maatregelen verkleinen de blootstelling terwijl een codefix wordt voorbereid.
7. Geprioriteerde remediatie zorgt ervoor dat de meest bereikbare en schadelijke kwetsbaarheden als eerste worden opgelost.

AVDH illustreert de waarde van zo’n verbonden proces: brede geautomatiseerde verkenning wordt gekoppeld aan menselijk oordeel en exploitverificatie. NOVA toont tegelijk aan met welke hoeveelheid bevindingen het proces moet kunnen omgaan: autonome ontdekking kan resultaten produceren op een schaal waarvoor traditionele securityteams niet zijn ingericht.

De nieuwe AI-wedloop in cybersecurity draait daarom niet simpelweg om welk model de meeste bugs vindt. Het gaat erom wie de volledige keten van detectie tot risicobeperking het snelst kan doorlopen voordat een aanvaller een kwetsbaarheid in een aanval omzet.

Verdedigers kunnen terrein winnen wanneer zij controle hebben over de code, de implementatieketen, telemetrie en netwerkcontroles — en wanneer ze die middelen gebruiken om sneller van ontdekking naar beperking en herstel te gaan dan aanvallers. Ontdekking zonder validatie, eigenaarschap, openbaarmaking en remediatie kan het probleem echter groter maken in plaats van oplossen.