AI-agenter ændrer nul-dages-sårbarheder til et kapløb, som mennesker ikke kan vinde alene

I årevis har nul-dages-sårbarheder været farlige, men de var tidligere sjældne og svære at udnytte i stor skala. At finde en krævede tålmodighed, specialiseret færdighed og en dyb forståelse af software-opførsel. Som Nicole Perlroth og andre journalister har rapporteret, var der en handel med nul-dages-sårbarheder, og nationer behandlede dem som ekstremt værdifulde cyber-våben.

I dag er nul-dages-sårbarheder vidt tilgængelige. Næsten alle kan opdage nye på egen hånd, med hjælp fra åbne AI-modeller eller proprietære AI’er som Claude og OpenAI.

De samme fremskridt, der gør AI nyttig til at skrive kode, sammenfatte logfiler og accelerere sikkerhedsoperationer, kan også bruges til at søge efter fejl, kæde sårbarheder og teste udnyttelsesveje i maskinehastighed. Angribere behøver ikke længere at manuelt inspicere hver afhængighed, omvendt konvertere hver applikation eller bruge uger på at søge efter en svaghed. AI-agenter kan automatisere meget af dette arbejde, udforske kodebasen, scannen eksponerede systemer, generere hypoteser og iterere, indtil de finder noget nyttigt.

Det ændrer økonomien i udnyttelse af nul-dages-sårbarheder. En menneskelig angriber kan kun have tid til at forfølge de mest lovende mål. En AI-understøttet angriber kan betale for at undersøge langt mere software, langt hurtigere, med langt mindre træthed. Selv hvis de fleste forsøg mislykkes, gør det store antal forsøg succes mere sandsynlig. I cybersikkerhed gør skala ofte sjældne begivenheder til rutinebegivenheder.

AI udvider nul-dages-søgeoverfladen

Det er derfor, nul-dages-sårbarheder bliver en mere presserende virksomhedsrisiko. Moderne software er for stor, for sammenkoblet og for afhængig af tredjeparts-komponenter til, at nogen organisation kan fuldt ud forstå hver svaghed, før en angriber gør. De fleste virksomheder afhænger af en bred blanding af kommercielle platforme, åbne kilde-biblioteker, cloud-tjenester, SaaS-applikationer, API’er, identitetssystemer, edge-enheder og interne værktøjer. Hver lag introducerer potentielle sårbarheder. Hver integration skaber nye angrebsveje. Hver opdatering kan stille og roligt ændre risikoprofilen.

Den ubehagelige realitet er, at der er en massiv mængde af uopdagede sårbarheder i software af alle slags. Noget af det findes i gammel kode. Noget af det findes i ny kode skrevet under pres. Noget af det kommer fra afhængigheder, som få organisationer sporer med tilstrækkelig præcision. Noget af det opstår fra, hvordan systemer interagerer, selv når hver enkelt komponent synes sikker. AI-agenter er godt egnede til at udforske denne kompleksitet, fordi de kan søge bredt, vedvarende og tilpasningsdygtigt.

Forsvarere står over for et umuligt patch-problem. Du kan ikke patche en sårbarhed, du ikke ved eksisterer. Du kan ikke prioritere hver teoretisk svaghed lige meget. Du kan ikke fuldt ud teste hver kombination af software, konfiguration og brugeradfærd, før installation. Selv modne sårbarhedsstyringsprogrammer er ofte bygget omkring kendte CVE’er, vendor-råd og trusler-intelligence-feeds. Disse er essentielle, men de ankommer efter opdagelse. I en verden med AI-accelereret nul-dages-jagt kan opdagelse ske først i angriberens hænder.

Det skaber et voksende spil af whack-a-mole. En sårbarhed findes. En patch bliver hastet igennem. Udnyttelse skifter til en nabosystem, en anden afhængighed eller en nyt eksponeret grænseflade. Sikkerhedsteams reagerer, men tilbagestående opgaver udvider sig konstant. AI øger hastigheden af hammeren på begge sider, men angribere kan ofte nyde godt af det først, fordi de kun behøver at finde en enkelt vej. Forsvarere må beskytte alle.

Den langsigtede løsning kan komme fra AI selv. Da AI-systemer bliver bedre til at generere, gennemgå og teste kode, skal de hjælpe med at eliminere hele klasser af sårbarheder, før software når produktion. Sikkerhed ved design kan blive langt mere praktisk, når AI kan kontinuerligt inspicere kode, identificere usikre mønstre, modeludnyttelse og anbefale reparationer i realtid. Til sidst kan vi nå et punkt, hvor almindelige hukommelsesfejl, injektionsfejl, autentificeringsfejl og usikre konfigurationer dramatisk reduceres, fordi AI-understøttet ingeniørarbejde fanger dem tidligt. I vores arbejde med DeepTempo ser vi allerede en større brug af hukommelsessikre sprog som Rust i vores software; selv om Rust er sværere at kode på visse måder, er det sikrere, og kodning af det er blevet langt lettere takket være AI.

Forsvarere skal skifte fra patch-hastighed til angrebs-resiliens

Selv om en fremtid, hvor alle software er blevet patchet eller omskrevet på en mere sikker måde, er værd at stræbe efter, er det uvist, hvor teoretisk muligt det virkelig er af en række årsager. I ethvert tilfælde ved vi, at det ikke er ankommet endnu og vil ikke ankomme i mange år. I dag kan AI-genereret kode stadig introducere sårbarheder. Og AI-sikkerhedsværktøjer kan stadig overse kontekst. I dag består virksomhedsmiljøer stadig af årtiers opbygget teknisk gæld. Angribere bruger allerede automation til at flytte hurtigere, mens forsvarere stadig integrerer AI i eksisterende arbejdsprocesser, godkendelses-kæder og risikomodeller og finder, at LLM’er ikke er nyttige, når de skal registrere angreb.Mere information om, hvordan LLM’er klarer sig i registreringer, kan findes i seneste åbne kilde-benchmarks som SOC Bench. Som et eksempel fandt ingeniørerne bag SOC Bench, at de bedste LLM’er har en falsk positiv rate på 20% og ville koste hundredvis af millioner af dollars om dagen i skala med et typisk stort sikkerheds-miljø.Som følge heraf favoriserer AI’s opkomst i øjeblikket angribere.

Desværre må organisationer antage, at visse ukendte sårbarheder vil blive opdaget af modstandere, før de offentliggøres. Hvad mere er, takket være forbedret phishing og udbredt indfåelse af identiteter, kan angribere nu blot logge ind.Kort sagt, i det mindste for den mellemste periode, kan sikkerhedsstrategi ikke afhænge fuldstændigt af forebyggelse. Forebyggelse er stadig kritisk, men den må kombineres med hurtigere registrering, stærkere adfærdsanalyse og tættere indhold.

Som en række organisationer har foreslået for nylig, herunder NIST, de fem øjne og National Academy of Sciences, skal sikkerhedsteams, på grund af AI-aktiverede angribere, genoverveje deres tilgang til at forstå, hvad normalt ser ud over forbrugere, maskiner, identiteter, applikationer og datastrømme. Nul-dages-udnyttelse lykkes ofte, fordi de omgår kendte signaturer, men de efterlader stadig spor, som i dag de mest kraftfulde klassificeringsmodeller kan se og skelne. For eksempel kan angreb vise usædvanlige adgangsmønstre, abnormalt privilegiebrug, uventet procesaktivitet, underlige godkendelsesflader eller dataforsflytning, som i kombination ikke matcher miljøets baseline. Formål-bygget AI kan hjælpe forsvarere med at finde disse signaler tidligere, især når angrebet selv er nyt.

Derudover skal virksomheder reducere skadesomfanget af kompromittering. Segmentering, mindst privilegie, stærke identitetskontroller, kontinuerlig overvågning og hurtig isolation betyder mere, når ukendte sårbarheder udnyttes. Hvis en angriber bruger en nul-dages-sårbarhed til at få adgang, er det næste spørgsmål, hvor langt de kan flytte, før de bliver registreret. Jo mindre vinduet er, desto mindre værdi har udnyttelsen.

Der er ingen ren pauseknap for dette øjeblik. AI-agenter vil fortsætte med at forbedre sig. Offensiv eksperimentering vil fortsætte med at accelerere. Antallet af systemer, der er værd at undersøge, vil fortsætte med at vokse. Sikkerhedssamfundets opgave er at sikre, at defensiv AI modnes lige så hurtigt.

Nul-dages-sårbarheder har altid belønnet hastighed, kreativitet og asymmetri. AI-agenter forstærker alle tre. Organisationerne, der tilpasser sig, vil behandle AI som mere end et produktivitetslag for sikkerhedsteams. De vil også bruge formål-bygget AI til at effektivt og nøjagtigt registrere ukendte trusler, prioritere åbenbart svage signaler, som i kombination med tusinder af andre antyder en kompromittering, og reagere, før en udnyttet sårbarhed bliver en virksomhedsomfattende krise.