Microsofts nieuwe AI-beveiligingssysteem speurt kwetsbaarheden op voor de helft van de kosten

MAI-Cyber-1-Flash: een klein model voor een gespecialiseerd probleem

MAI-Cyber-1-Flash telt 5 miljard parameters. Dat is relatief compact vergeleken met veel hedendaagse AI-modellen . Het model is voortgekomen uit de MAI-Code-1-Flash-lijn, die op haar beurt afstamt van Microsofts bredere redeneermodelreeks MAI-Thinking-1, die in juni 2026 werd aangekondigd .

Microsoft heeft het model specifiek afgestemd op beveiligingswerk: het vinden en valideren van kwetsbaarheden, het beoordelen van risico’s en het genereren van oplossingen. Die taken voert het uit binnen MDASH — voluit Multi-Model Agentic Scanning Harness, een systeem waarin meerdere AI-modellen samenwerken .

96% op CyberGym, maar nog geen onafhankelijke bevestiging

Microsoft zegt dat MAI-Cyber-1-Flash in combinatie met MDASH 96% scoort op CyberGym. Dat is een door Microsoft samengestelde benchmark voor het detecteren, valideren en patchen van kwetsbaarheden. Volgens het bedrijf ligt die score 12 procentpunt boven die van Anthropics Claude Mythos 5, dat rond 84% uitkwam .

De combinatie zou bovendien ongeveer 50% goedkoper zijn dan een configuratie die alleen gebruikmaakt van grote modellen van derden. Microsoft stelt dat MAI-Cyber-1-Flash ongeveer 90% van de taken binnen de MDASH-workflow uitvoert. Alleen complexe uitzonderingsgevallen worden doorgestuurd naar duurdere modellen, zoals OpenAI’s GPT-5.4 .

Daarbij hoort een belangrijke kanttekening: zowel de prestatie- als de kostenclaims zijn afkomstig van Microsoft zelf. Digital Applied meldt dat derden de score van 96% op CyberGym niet onafhankelijk hebben gecontroleerd. De resultaten op het CyberGym-klassement worden bovendien door deelnemende labs zelf aangeleverd . Volgens The New York Times stelde Microsoft het model vóór de lancering ook niet beschikbaar aan onafhankelijke testers .

Ontworpen om fout-positieven te beperken

Microsoft publiceerde een Model Card met informatie over de veiligheidskalibratie, de trainingsgegevens en het beoogde gebruik van MAI-Cyber-1-Flash binnen MDASH .

Het systeem laat meerdere modellen met elkaar debatteren over de vraag of een gevonden probleem werkelijk exploiteerbaar is. Een afzonderlijke bewijsstap moet vervolgens fout-positieven eruit filteren voordat een melding bij een menselijke beveiligingsingenieur terechtkomt .

MDASH is de motor achter de aanpak

MAI-Cyber-1-Flash staat niet op zichzelf. Het model is onderdeel van MDASH, dat verschillende grote taalmodellen orkestreert in één proces voor scannen, controleren en herstellen .

De routeringslogica verdeelt het werk op basis van complexiteit en efficiëntie. Routinetaken gaan naar het goedkopere Microsoft-model; voor moeilijke redeneerproblemen schakelt MDASH grotere modellen van Microsoft, OpenAI of andere aanbieders in .

Zestien Windows-kwetsbaarheden in één patchronde

Volgens Microsoft heeft MDASH zich al in de praktijk bewezen, nog vóór de officiële aankondiging:

• Tijdens de Patch Tuesday van mei 2026 ontdekte het systeem zelfstandig 16 voorheen onbekende kwetsbaarheden in de netwerk- en authenticatiestack van Windows. Vier daarvan waren kritieke fouten die uitvoering van code op afstand mogelijk maakten, onder meer in de TCP/IP-stack van de Windows-kernel en de IKEv2-service .
• Een van de genoemde kwetsbaarheden was CVE-2026-33824, met een CVSS-score van 9,8. Door een zogenoemde double-free-fout in ikeext.dll kon een niet-geauthenticeerde aanvaller speciaal vervaardigde pakketten naar een Windows-apparaat met ingeschakelde IKEv2-functionaliteit sturen .
• In juni vond MDASH volgens Microsoft ook problemen in Hyper-V, Active Directory en de Windows-kernel, dus buiten de oorspronkelijke netwerkcomponenten . Volgens berichtgeving hielp het systeem Microsoft die maand bij het patchen van 622 kwetsbaarheden .

De resultaten kwamen tot stand via een debatmodel waarin AI-agenten discussieerden over de vraag of een bevinding daadwerkelijk misbruikbaar was. Alleen voldoende onderbouwde meldingen werden aan menselijke engineers voorgelegd .

Project Perception: rode, blauwe en groene AI-teams

Project Perception is de commerciële beveiligingslaag die boven op MDASH en MAI-Cyber-1-Flash wordt gebouwd. Microsoft omschrijft het als een nieuwe ‘cyber stack’ die beveiligingssignalen, context, gespecialiseerde modellen en AI-agenten samenbrengt in een continu lerend verdedigingssysteem .

De agenten zijn verdeeld over drie rollen:

• Rood team: bootst aanvallers na en zoekt actief naar zwakke plekken.
• Blauw team: detecteert dreigingen, onderzoekt signalen en beoordeelt risico’s.
• Groen team: voert herstelmaatregelen uit en helpt kwetsbaarheden te verhelpen .

De taken worden vervolgens over verschillende modellen verdeeld. Afhankelijk van de stap in de workflow kan Project Perception MAI-Cyber-1-Flash, OpenAI’s GPT-5.4 of een model van Anthropic inzetten . Het doel is niet om ieder probleem door het grootste model te laten oplossen, maar om voor elke taak de meest geschikte combinatie van snelheid, kwaliteit en kosten te kiezen.

Eerst kwetsbaarheden, daarna bredere beveiliging

De eerste toepassing ligt bij software- en kwetsbaarhedenbeheer. Microsoft zegt Project Perception later te willen uitbreiden naar voortdurende monitoring, onderzoek naar dreigingen en geautomatiseerde herstelacties .

Het platform gaat op 3 augustus 2026 in publieke preview voor zakelijke Microsoft-klanten die MDASH al testen . De eerste versie komt beschikbaar binnen Microsoft Defender; daarna wil Microsoft de technologie stapsgewijs naar zijn andere Security-producten brengen .

Microsoft benadrukt dat mensen de strategie bepalen en bij kritieke beslissingen de controle houden . Daarmee probeert het bedrijf een balans te vinden tussen verregaande automatisering en menselijke goedkeuring.

De volgende ronde in de AI-cybersecuritywedloop

De aankondiging past in een snel intensiverende concurrentiestrijd rond AI voor cybersecurity. Anthropic trok eerder de aandacht met Claude Mythos, terwijl ook Google en OpenAI investeren in het geautomatiseerd vinden van kwetsbaarheden . Microsofts boodschap is helder: als aanvallers AI gebruiken om sneller en op grotere schaal zwakke plekken te vinden, moeten verdedigers met dezelfde snelheid kunnen reageren .

De belangrijkste troef van Microsoft is mogelijk niet alleen de benchmarkscore, maar vooral het routeringsmodel. Een kleiner gespecialiseerd model neemt het grootste deel van het werk voor zijn rekening, terwijl dure frontiermodellen alleen worden ingezet wanneer dat nodig is. Voor bedrijven die de kosten van grootschalige AI-beveiliging willen beheersen, kan de geclaimde besparing van ongeveer 50% daardoor doorslaggevend zijn .

Toch zal de markt waarschijnlijk verder kijken dan Microsofts eigen cijfers. De praktijkresultaten van MDASH — 16 Windows-kwetsbaarheden in één patchcyclus — geven het bedrijf een concreet verhaal richting zakelijke klanten . De open vraag is of onafhankelijke tests de claims over CyberGym en kosten zullen bevestigen, en hoe snel organisaties bereid zijn een AI-systeem hun infrastructuur voortdurend te laten onderzoeken en deels te laten herstellen.