AnswersPublished15 sources
AI hittar mjukvarufel i snabb takt – men lagningarna halkar efter
Palo Alto Networks uppger att AI hjälpte företaget att hitta över 14 000 tidigare oupptäckta sårbarheter i program med öppen källkod på tre veckor – en företagsuppgift som inte är oberoende verifierad. Anthropic säger att dess modeller hittat över 29 000 möjliga sårbarheter på sex månader, medan människor hunnit gra...
Publicerad avRedigerad med GPT-6 LunaBilder genererade med GPT Image 2
Research answer
Key takeaways
- Palo Alto Networks uppger att AI hjälpte företaget att hitta över 14 000 tidigare oupptäckta sårbarheter i program med öppen källkod på tre veckor – en företagsuppgift som inte är oberoende verifierad.
- Anthropic säger att dess modeller hittat över 29 000 möjliga sårbarheter på sex månader, medan människor hunnit granska och prioritera omkring 6 000.
- Ett kontrollerat Epoch AI test visade att modellen GLM 5.3 kunde använda offentlig information om Firefox lagningar som ännu inte nått användarna för att bygga fungerande angrepp mot sex versioner.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: As of October 31, 2026, how is AI-driven vulnerability discovery transforming software security, including Palo Alto Networks’ discovery of. Article summary: As of October 31, 2026, AI-driven vulnerability discovery is making security research much faster, while shifting the bottleneck toward human validation, remediation and patch deployment—and creating opportunities to exp. Topic tags: general, general web, user generated, news, government. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermark
AI förändrar mjukvarusäkerheten i båda ändar: tekniken kan hjälpa säkerhetsforskare att hitta brister snabbare, men den kan också hjälpa angripare att bygga fungerande angrepp utifrån offentlig information innan uppdateringar har nått alla användare. Den stora utmaningen handlar därför inte längre bara om att hitta fel. Fynden måste också kontrolleras, åtgärdas och spridas som uppdateringar.3
Fler möjliga fel – men inte automatiskt fler lagningar
Palo Alto Networks uppgav för The Economic Times att AI hjälpt företaget att hitta över 14 000 tidigare oupptäckta sårbarheter i program med öppen källkod och att analysen på tre veckor motsvarade ett års manuella penetrationstester.19 Det är företagets egen uppgift, inte ett oberoende verifierat riktmärke i det tillgängliga underlaget.
Anthropics siffror visar varför fler upptäckter inte automatiskt betyder att lika många brister har bekräftats eller lagats. Företaget uppger att dess modeller hittade över 29 000 möjliga sårbarheter under sex månader. Människor hade samtidigt granskat och prioriterat omkring 6 000. Det rör sig om olika steg: ett möjligt fynd är inte nödvändigtvis en bekräftad sårbarhet, och en granskad sårbarhet är inte samma sak som en färdig lagning i projektets kod.
Anthropics frivilliga OSS Scanner erbjuder kvalificerade projekt med öppen källkod kostnadsfria, återkommande skanningar med företagets modeller, däribland Claude Mythos. Rapporter kan skickas till deltagande projekt utan att först granskas av en människa. Det kan göra att möjliga problem når projektansvariga snabbare, men ställer också krav på att rapporterna är användbara och går att kontrollera. Underlaget här fastställer inte de exakta totalsiffror per den 2 oktober eller hur många lagningar som förts in i projekten.
Granskning och lagning blir flaskhalsar
Anthropic har beskrivit den mänskliga granskningskapaciteten som en begränsning, och TechTarget skriver att skannern flyttar en större del av arbetet med sårbarhetsrapporter till projektens underhållare. Även ett användbart fynd kan behöva återskapas, bedömas, lagas, testas och släppas i en uppdatering. Fler rapporter betyder alltså inte att det arbetet blir gjort.
För projekt med begränsade säkerhetsresurser kan det vara viktigt att prioritera rapporter som går att återskapa och tydligt beskriver vilken kod som påverkas och hur. Organisationer som är beroende av program med öppen källkod kan också bidra till finansieringen av underhållet och säkerhetsarbetet. Electronic Frontier Foundation har särskilt efterlyst mer stöd till sådana projekt. Det tillgängliga underlaget bekräftar däremot inte specifika uppgifter om utbrändhet bland underhållare eller förändringar i bemanningen hos enskilda projekt.
När en säkerhetsfix ger angripare ledtrådar
AI-stödd sårbarhetsjakt kan användas i försvarssyfte. Men när information om en säkerhetsfix blir offentlig kan den också ge ledtrådar om vad som behöver utnyttjas – innan uppdateringen har nått användarna. Epoch AI rapporterade att GLM 5.3, en öppet tillgänglig modell från Z.ai, använde offentliga uppgifter om Firefox-fixar som ännu inte hade levererats till användarna för att bygga fungerande angrepp mot sex Firefox-versioner. Enligt Epoch var marginalkostnaden omkring 1 000 dollar per lyckat angrepp.3
Det var ett kontrollerat experiment, inte belägg för att angreppen användes mot Firefox-användare. Testet illustrerar ändå risken med det som brukar kallas patch gap: tiden mellan att information om en fix blir offentlig och att användarna får uppdateringen. Enligt sekundär rapportering åtgärdade Mozilla en relevant brist i Firefox 159.0.2
9
Slutsatsen är inte att säkerhetsfixar bör hållas hemliga – användarna behöver uppdateringarna för att skydda sig. Snarare behöver försvarare räkna med att tekniska detaljer kan analyseras snabbt, vilket gör det extra viktigt att få ut och installera uppdateringar utan dröjsmål.3
Stora säkerhetssiffror behöver sammanhang
Microsofts säkerhetsuppdateringar i oktober visar varför det är klokt att läsa stora totalsiffror med viss försiktighet. Microsofts egna versionsanteckningar listar 1 468 CVE-poster, medan Veracode redovisar 1 413 sårbarheter i uppdateringen. Det tillgängliga underlaget förklarar inte skillnaden. Veracode pekar också ut en säkerhetsfunktionsförbikoppling i Windows Shell som utnyttjades aktivt. Antalet i sig visar varken vad som orsakade den stora volymen eller hur många brister som upptäcktes med AI.
Ett separat exempel visar hur mycket arbete som kan krävas för att åtgärda sårbarheter. CERT-EU uppger att PHP-projektet meddelade om två kritiska brister den 20 oktober och släppte lagningar dagen efter. Reuters rapporterade att sju cybersäkerhetsexperter varnade för att AI-upptäckta brister kan bidra till fler störningar.17 Det är en varning om möjliga konsekvenser, inte ett bevis för att AI-upptäckter alltid leder till incidenter.
Snabbare upptäckt är ännu ingen självklar säkerhetsvinst
AI kan hjälpa försvarare att hitta svagheter tidigare, men Firefox-experimentet visar att tekniken också kan påskynda utvecklingen av angrepp.3 De tillgängliga källorna avgör inte vilken sida som totalt sett gynnas mest. Den tydligaste uppgiften på kort sikt är att koppla upptäckterna till effektiv granskning och snabba, brett spridda säkerhetsuppdateringar – så att ett växande inflöde av fynd inte bara blir en längre kö för projektens underhållare och användare.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "AI hittar mjukvarufel i snabb takt – men lagningarna halkar efter"?
Palo Alto Networks uppger att AI hjälpte företaget att hitta över 14 000 tidigare oupptäckta sårbarheter i program med öppen källkod på tre veckor – en företagsuppgift som inte är oberoende verifierad.
What are the key points to validate first?
Palo Alto Networks uppger att AI hjälpte företaget att hitta över 14 000 tidigare oupptäckta sårbarheter i program med öppen källkod på tre veckor – en företagsuppgift som inte är oberoende verifierad. Anthropic säger att dess modeller hittat över 29 000 möjliga sårbarheter på sex månader, medan människor hunnit granska och prioritera omkring 6 000.
What should I do next in practice?
Ett kontrollerat Epoch AI test visade att modellen GLM 5.3 kunde använda offentlig information om Firefox lagningar som ännu inte nått användarna för att bygga fungerande angrepp mot sex versioner.