Thought leaders

AI vindt kwetsbaarheden in recordtempo. Ze verhelpen is een heel ander verhaal.

Eylam Milner
Voeg Unite.AI toe aan je voorkeursbronnen op Google
Belangrijkste puntenAI ontdekt nu zero-days sneller dan verdedigers ze kunnen patchen.
Meer weergeven
  • AI ontdekt nu zero-days sneller dan verdedigers ze kunnen patchen.
  • Meer dan de helft van de door AI gegenereerde patches slaagde er niet in de fout te verhelpen of introduceerde nieuwe.
  • Alleen vertrouwen op openbaar gemaakte CVE's zorgt ervoor dat verdedigers reageren volgens de tijdlijn van aanvallers.

We hebben een nieuw probleem op het gebied van cyberbeveiliging en ironisch genoeg wordt dat veroorzaakt doordat we problemen sneller dan ooit kunnen opsporen.

De meest geavanceerde AI-modellen worden steeds beter in het opsporen en misbruiken van softwarekwetsbaarheden. Daardoor komen gebreken die jarenlang verborgen hadden kunnen blijven nu aan het licht met een snelheid die een paar maanden geleden vrijwel onvoorstelbaar was.

De uitdaging is echter dat de sector veel beter wordt in het opsporen van kwetsbaarheden dan in het verhelpen ervan. Neem het meest recente onderzoek van Anthropic. Het opengewogen GLM-5.3 van Zhipu AI ontwikkelde met succes werkende exploits van begin tot eind in 50 van de 410 pogingen op de benchmark ExploitBench, terwijl Claude Mythos Preview er 56 voor elkaar kreeg.

Dat is een uiterst klein verschil tussen een beperkt toegankelijk geavanceerd model en een model waarvan de gewichten openbaar beschikbaar zijn. Vaardigheden waarvoor ooit zeer gespecialiseerde beveiligingsonderzoekers nodig waren, komen nu binnen het bereik van een veel groter publiek. Ondertussen is de software die we allemaal gebruiken niet ineens minder kwetsbaar geworden. We zijn een tijdperk binnengegaan waarin een zero-day soms sneller kan worden gevonden dan het kost om die te verhelpen.

De recente PHP2Shell-kwetsbaarheden zijn daar een goed voorbeeld van. Volgens onderzoek van Wiz, Calif en het Codex-beveiligingsteam van OpenAI hielp geavanceerde AI één onderzoeker om binnen ongeveer een week kritieke fouten in de PHP-engine op te sporen. Deze kwetsbaarheden troffen een runtime waarop een aanzienlijk deel van het web draait, waaronder toepassingen gebouwd met WordPress, Drupal en Joomla.

Voor beveiligingsteams roept dat een dringende vraag op: wat gebeurt er wanneer aanvallers kwetsbaarheden sneller kunnen ontdekken dan verdedigers ze kunnen verhelpen?

De aanpak voor kwetsbaarheidsbeheer is hier niet op voorbereid

Kwetsbaarheidsbeheer verliep jarenlang volgens een vertrouwd patroon. Er wordt een kwetsbaarheid ontdekt, iemand meldt die, er wordt een CVE toegekend, er komt een patch beschikbaar, scanners signaleren de kwetsbaarheid, beveiligingsteams beoordelen het risico, geven prioriteit aan de oplossing en voeren die door. Het is geen perfect proces, maar het hele beveiligingsecosysteem is eromheen opgebouwd.

Het echte probleem is echter dat dit proces er grotendeels van afhangt dat de kwetsbaarheid überhaupt bekend is. Traditionele scanners laten goed zien welke bekende kwetsbaarheden zich in je omgeving bevinden, maar hoe zit het met kwetsbaarheden die nog niet openbaar zijn gemaakt? Die zonder CVE, beveiligingsadvies of patch?

De bekendmaking van PHP2Shell laat zien hoe kwetsbaar dit model ons maakt. De twee kritieke kwetsbaarheden, CVE-2026-109618 en CVE-2026-109619, kregen beide de beoordeling CVSS 9.2 en betroffen fouten in de geheugenbeveiliging van PHP zelf. Onderzoekers toonden aan dat ze op afstand code konden uitvoeren en geheugen konden uitlezen via veelgebruikte toepassingen, waaronder WordPress, Drupal en Joomla. Zelfs toepassingen met verder veilige code konden kwetsbaar zijn, omdat de zwakte in de onderliggende runtime zat.

Ook het tijdsverloop was veelzeggend. Na een vroege openbare waarschuwing versnelde het beveiligingsteam van PHP de planning voor de release. Tegen de tijd dat er patches beschikbaar kwamen, waren de eerste aanvalspogingen al waargenomen.

En PHP was die dag niet het enige probleem. Bij een afzonderlijke aanval op de softwaretoeleveringsketen werd LiteLLM versie 1.107.0 gecompromitteerd, een populaire opensourcegateway voor grote taalmodellen. Aanvallers verstopten een infostealer en een trojan voor externe toegang in het gepubliceerde Python-pakket, terwijl de broncoderepository van het project schoon bleef. Een team dat alleen de broncode controleerde, zou de schadelijke payload volledig over het hoofd hebben gezien.

Deze incidenten laten zien hoe kwetsbaarheden jarenlang diep in vertrouwde softwarecomponenten kunnen schuilgaan, terwijl er ook schadelijke code kan binnendringen via afhankelijkheden die organisaties routinematig installeren. Geen van beide hoeft zijn oorsprong in de code van een toepassing zelf te hebben.

Het laat ook zien dat je scanner alles in orde kan verklaren, zelfs wanneer er nog ernstige kwetsbaarheden zitten in de software waarvan je toepassingen afhankelijk zijn. Tot voor kort waren voor het op grote schaal opsporen van verborgen fouten aanzienlijke onderzoekskennis en middelen nodig, maar geavanceerde AI verandert dat.

De bug vinden is het makkelijke deel. En nu?

Er is veel enthousiasme over het vermogen van AI om zero-days te ontdekken. Terecht, want de vooruitgang is buitengewoon. Toch denk ik dat er te veel aandacht is voor het aantal kwetsbaarheden dat AI kan vinden en veel te weinig voor wat er daarna gebeurt.

Een kwetsbaarheid vinden maakt je niet veiliger. Eerst moet je bewijzen dat ze echt is, want bevindingen van AI zijn niet automatisch geldig en een overtuigend ogende exploit is niet altijd reproduceerbaar. Vervolgens moet je nagaan welke versies zijn getroffen, of de kwetsbaarheid daadwerkelijk kan worden misbruikt en welk risico ze oplevert.

Daarna moet je de kwetsbaarheid verhelpen, en juist dan wordt het bijzonder interessant. In onderzoek van 1Password werden 6.080 door AI gegenereerde patches onderzocht. Daaruit bleek dat 53,9% de oorspronkelijke kwetsbaarheid niet verholp, een nieuwe beveiligingsfout introduceerde, of beide.

In dat onderzoek had meer dan de helft van de gegenereerde patches zelf een beveiligingsprobleem. Natuurlijk weerspiegelen deze resultaten specifieke testomstandigheden. Maar ze laten iets zien wat elke ervaren engineer weet: code schrijven die eruitziet als een oplossing en bewijzen dat die het probleem daadwerkelijk verhelpt, zijn twee heel verschillende dingen.

En zelfs als de patch correct is, ben je er nog niet. Brengt die bestaande functionaliteit in gevaar? Werkt die met de oudere versie van de bibliotheek waarvan je applicatie afhankelijk is? Kan de patch worden uitgerold zonder een upgrade af te dwingen die een dozijn andere problemen veroorzaakt?

Wat gebeurt er als je de patch moet uitrollen naar honderden applicaties, teams en omgevingen? Een patch die in een testomgeving werkt maar nooit in productie terechtkomt, beschermt niemand. Dit is de grote kloof waarmee de beveiligingssector volgens mij aan de slag moet.

We versnellen het opsporen van kwetsbaarheden in een razend tempo, terwijl veel van het werk dat nodig is om die ontdekkingen om te zetten in daadwerkelijke bescherming tergend langzaam blijft gaan. Die kloof wordt zelf ook een beveiligingsrisico.

Hoe dichten we die kloof nu echt?

Volgens mij is het antwoord niet om beveiligingsteams, die het al veel te druk hebben, te vertellen dat ze harder moeten werken of meer meldingen moeten verwerken. We moeten opnieuw nadenken over wat effectief kwetsbaarheidsbeheer inhoudt nu het opsporen van kwetsbaarheden niet langer het grootste knelpunt is.

Dit zijn de vier punten waarmee ik zou beginnen.

1. Beschouw de CVE-database niet als het volledige beeld

CVE’s en kwetsbaarheidsscanners zijn onmisbaar, maar ze geven weer wat we weten — niet alles wat er daadwerkelijk bestaat. Beveiligingsteams moeten verder kijken dan openbaar gemaakte kwetsbaarheden en traditionele scans combineren met proactief onderzoek, codeanalyse, dreigingsinformatie en een helder beeld van de softwarecomponenten waarop hun organisaties vertrouwen.

Bronnen zoals de catalogus van bekende uitgebuite kwetsbaarheden van CISA zijn waardevol om bekende dreigingen te prioriteren, maar vertellen niet welke kwetsbaarheden nog niet openbaar zijn gemaakt. PHP2Shell liet zien dat ernstige kwetsbaarheden jarenlang in fundamentele software aanwezig kunnen zijn voordat ze worden ontdekt. Nu geavanceerde AI zulke kwetsbaarheden binnen enkele dagen kan opsporen, betekent uitsluitend vertrouwen op gepubliceerde adviezen dat verdedigers altijd achter de feiten aan blijven lopen, op het tijdschema van iemand anders.

2. Besef dat meer bevindingen ≠ betere beveiliging

AI kan een enorme hoeveelheid mogelijke bevindingen opleveren, maar dat betekent niet dat een engineeringteam alles uit handen moet laten vallen om elke bevinding te onderzoeken.

De echte waarde zit in weten welke kwetsbaarheden echt zijn, kunnen worden misbruikt en relevant zijn voor jouw omgeving. Kun je het probleem reproduceren? Welke versies zijn getroffen? Is er een realistische aanvalsmogelijkheid? Wat is de daadwerkelijke impact op het bedrijf?

Zonder die context lopen organisaties het risico kwetsbaarheden uitsluitend op basis van ernstscores te prioriteren, terwijl ze over het hoofd zien hoe aanvallers gevoelige systemen en inloggegevens daadwerkelijk kunnen bereiken.

3. Zorg dat de oplossing kan worden uitgerold, niet alleen technisch correct is

Dit is een van de meest onderschatte uitdagingen bij het verhelpen van kwetsbaarheden. Ondernemingen werken niet in ideale omgevingen waarin elke afhankelijkheid van de ene op de andere dag kan worden bijgewerkt naar de nieuwste versie. Ze hebben verouderde applicaties, onderling verbonden systemen, compatibiliteitseisen en softwareversies die ze niet zomaar kunnen vervangen.

Een oplossing waarvoor een organisatie de helft van haar infrastructuur opnieuw moet opbouwen, is dus niet bijzonder bruikbaar. We hebben betere manieren nodig om beveiligingspatches naar oudere versies over te zetten, de compatibiliteit te behouden, onnodige aanvalsoppervlakken te verkleinen en updates te leveren via de tools en workflows die teams al gebruiken.

De richtlijnen van NIST voor patchbeheer binnen ondernemingen benadrukken hoe belangrijk het is om updates te identificeren, te prioriteren, te installeren en te verifiëren. De uitdaging is nu om dat hele proces snel genoeg te maken om het tempo van AI-gestuurde ontdekking bij te houden, want zelfs de beste patch ter wereld is nutteloos als niemand die kan uitrollen.

4. Meet hoe snel je daadwerkelijk beschermd bent

Als AI vandaag een kritieke kwetsbaarheid ontdekt, hoelang duurt het dan om die te valideren, een werkende patch te ontwikkelen, die patch te testen en hem in productie te nemen?

De aanpak van PHP2Shell biedt een nuttige maatstaf. Bij Echo leverden we aangepaste PHP-pakketten zodra de patches van de upstreamprojecten beschikbaar kwamen. Diezelfde middag werden nieuwe images voor de ondersteunde PHP-versies opnieuw gebouwd.

Beveiligingsteams moeten de volledige cyclus voor het verhelpen van kwetsbaarheden meten, van ontdekking en validatie tot patchontwikkeling, compatibiliteitstests en uitrol. Ze moeten weten hoe snel ze getroffen software opnieuw kunnen bouwen, of ze elke applicatie kunnen identificeren die een kwetsbare afhankelijkheid gebruikt en hoeveel handmatige tussenkomst nodig is om bescherming te bieden.

Naarmate geavanceerde AI het ontdekken van kwetsbaarheden sneller en toegankelijker maakt, zal de tijd tussen ontdekking en mogelijke uitbuiting blijven afnemen. We kunnen er niet van uitgaan dat traditionele cycli voor het openbaar maken van kwetsbaarheden en het uitbrengen van patches gelijke tred zullen houden. Het volgende tijdperk van kwetsbaarhedenbeheer zal worden bepaald door wie die ontdekkingen kan omzetten in betrouwbare, implementeerbare oplossingen voordat aanvallers de kans krijgen om toe te slaan.

Eylam Milner is medeoprichter en CTO bij Echo, dat robuuste software levert die bestand is tegen de nieuwste dreigingen in de volledige toeleveringsketen van bedrijfssoftware. Daarvoor bekleedde hij dezelfde functie bij Argon Security, dat werd overgenomen door Aqua.