Liderzy opinii
AI wykrywa luki w zawrotnym tempie. Ich naprawianie to już zupełnie inna historia.

Kluczowe punktyAI odkrywa teraz luki zero-day szybciej, niż obrońcy są w stanie je załatać.
Zobacz więcej
- AI odkrywa teraz luki zero-day szybciej, niż obrońcy są w stanie je załatać.
- Ponad połowa łatek wygenerowanych przez AI nie naprawiła luki lub wprowadziła nowe.
- Opieranie się wyłącznie na ujawnionych CVE sprawia, że obrońcy reagują zgodnie z harmonogramem atakujących.
W cyberbezpieczeństwie pojawił się nowy problem — i, co ironiczne, wywołała go nasza zdolność do wykrywania problemów szybciej niż kiedykolwiek.
Najnowocześniejsze modele AI coraz lepiej wykrywają i wykorzystują luki w oprogramowaniu. Oznacza to, że wady, które mogły pozostać ukryte przez lata, są teraz odkrywane w tempie, które jeszcze kilka miesięcy temu trudno byłoby sobie wyobrazić.
Problem polega jednak na tym, że branża robi znacznie większe postępy w wykrywaniu luk niż w ich naprawianiu. Wystarczy przyjrzeć się najnowszym badaniom Anthropic. Model GLM-5.3 firmy Zhipu AI, udostępniony z otwartymi wagami, z powodzeniem opracował działające exploity typu end-to-end w 50 z 410 prób w teście porównawczym ExploitBench, podczas gdy Claude Mythos Preview osiągnął wynik 56.
To niezwykle mała różnica między ograniczonym dostępem do czołowego modelu a modelem, którego wagi są publicznie dostępne. Możliwości, które niegdyś wymagały wysoce wyspecjalizowanych badaczy bezpieczeństwa, stają się dostępne dla znacznie szerszego grona odbiorców. Tymczasem oprogramowanie, z którego wszyscy korzystamy, nie stało się nagle mniej podatne na ataki. Weszliśmy w epokę, w której znalezienie luki typu zero-day może być szybsze niż jej naprawienie.
Niedawne luki PHP2Shell są doskonałym przykładem. Według badań Wiz z Kalifornii oraz zespołu ds. bezpieczeństwa Codex w OpenAI, zaawansowana AI pomogła jednemu badaczowi wykryć krytyczne błędy w silniku PHP w ciągu około tygodnia. Luki te dotyczyły środowiska uruchomieniowego, na którym opiera się znaczna część sieci, w tym aplikacje oparte na WordPressie, Drupalu i Joomli.
Dla zespołów ds. bezpieczeństwa rodzi to pilne pytanie: co się stanie, gdy atakujący będą w stanie wykrywać luki szybciej, niż obrońcy będą mogli je załatać?
Dotychczasowy schemat zarządzania podatnościami nie powstał z myślą o takiej sytuacji
Przez lata zarządzanie podatnościami przebiegało według dobrze znanego schematu. Wykrywa się lukę, ktoś ją zgłasza, przypisywany jest jej identyfikator CVE, udostępniana jest poprawka, skanery ją wykrywają, zespoły ds. bezpieczeństwa oceniają ryzyko, ustalają priorytet naprawy i ją wdrażają. To nie jest doskonały proces, ale wokół niego zbudowano cały ekosystem bezpieczeństwa.
Rzecz w tym, że cały ten proces w dużej mierze zależy od tego, czy luka jest w ogóle znana. Tradycyjne skanery świetnie wskazują znane podatności w danym środowisku, ale co z tymi, które nie zostały ujawnione? Z tymi, które nie mają identyfikatora CVE, komunikatu o zagrożeniu ani poprawki?
Ujawnienie podatności PHP2Shell pokazuje, jak bardzo naraża nas ten model. Dwie krytyczne luki, CVE-2026-109618 i CVE-2026-109619, otrzymały ocenę CVSS 9.2 i dotyczyły błędów związanych z bezpieczeństwem pamięci w samym PHP. Badacze zademonstrowali możliwość zdalnego wykonania kodu i ujawnienia zawartości pamięci w powszechnie używanych aplikacjach, w tym WordPressie, Drupalu i Joomli. Podatne mogły być nawet aplikacje, których własny kod był bezpieczny, ponieważ słabość znajdowała się w bazowym środowisku uruchomieniowym.
Wymowny był również przebieg wydarzeń. Po wczesnym publicznym ostrzeżeniu zespół ds. bezpieczeństwa PHP przyspieszył publikację poprawek. Zanim stały się one dostępne, zaobserwowano już pierwsze próby ataków.
Co więcej, tego dnia problem dotyczył nie tylko PHP. W odrębnym ataku na łańcuch dostaw oprogramowania naruszono bezpieczeństwo wersji 1.107.0 LiteLLM, popularnej bramy open source do obsługi dużych modeli językowych. Atakujący umieścili program wykradający informacje i trojana umożliwiającego zdalny dostęp w opublikowanym pakiecie Pythona, podczas gdy repozytorium źródłowe projektu pozostało czyste. Zespół analizujący wyłącznie kod źródłowy całkowicie przeoczyłby złośliwy ładunek.
Te incydenty pokazują, że luki mogą przez lata tkwić głęboko w zaufanych komponentach oprogramowania, a złośliwy kod może również przedostać się przez zależności, które organizacje rutynowo instalują. Żadne z tych zagrożeń nie musi mieć źródła w kodzie samej aplikacji.
Pokazują one również, że skaner może uznać system za wolny od zagrożeń, mimo że poważne luki wciąż występują w oprogramowaniu, od którego zależą aplikacje. Jeszcze niedawno wykrywanie ukrytych błędów na dużą skalę wymagało znacznej wiedzy badawczej i dużych zasobów, ale zaawansowana AI zmienia tę sytuację.
Wykrycie błędu to łatwa część. Co dalej?
Możliwość wykrywania przez AI luk typu zero-day budzi ogromne zainteresowanie. Słusznie, bo postęp jest niezwykły, ale moim zdaniem zbyt wiele mówi się o tym, ile luk AI potrafi znaleźć, a zdecydowanie za mało o tym, co dzieje się później.
Samo wykrycie luki nie zwiększa bezpieczeństwa. Najpierw trzeba potwierdzić, że jest prawdziwa, ponieważ wyniki wygenerowane przez AI nie są automatycznie wiarygodne, a exploit, który wygląda przekonująco, nie zawsze da się odtworzyć. Następnie trzeba ustalić, których wersji dotyczy luka, czy rzeczywiście można ją wykorzystać i jakie stwarza ryzyko.
Potem trzeba ją naprawić — i właśnie wtedy robi się szczególnie ciekawie. W badaniu 1Password przeanalizowano 6,080 poprawek wygenerowanych przez AI i stwierdzono, że 53.9% z nich nie usuwało pierwotnej luki, wprowadzało nową lukę w zabezpieczeniach albo powodowało oba te problemy.
W tym badaniu ponad połowa wygenerowanych poprawek sama stwarzała problemy z bezpieczeństwem. Oczywiście wyniki te odzwierciedlają konkretne warunki testowe. Pokazują jednak coś, o czym wie każdy doświadczony inżynier: napisanie kodu, który wygląda na rozwiązanie problemu, i udowodnienie, że rzeczywiście go rozwiązuje, to dwie zupełnie różne rzeczy.
Nawet jeśli poprawka jest prawidłowa, to jeszcze nie koniec. Czy nie zakłóci istniejących funkcji? Czy będzie działać ze starszą wersją biblioteki, od której zależy aplikacja? Czy można ją wdrożyć bez wymuszania aktualizacji, która spowoduje tuzin innych problemów?
Co się dzieje, gdy trzeba wdrożyć ją w setkach aplikacji, zespołów i środowisk? Poprawka, która działa w środowisku testowym, ale nigdy nie trafia do środowiska produkcyjnego, nikogo nie chroni. To właśnie tę przepaść, moim zdaniem, branża bezpieczeństwa musi dostrzec.
Odkrywanie podatności przyspiesza w zawrotnym tempie, podczas gdy wiele prac niezbędnych do przekształcenia tych odkryć w rzeczywistą ochronę wciąż przebiega boleśnie powoli. Ta luka sama w sobie staje się zagrożeniem dla bezpieczeństwa.
Jak więc naprawdę zlikwidować tę lukę?
Nie sądzę, by rozwiązaniem było nakłanianie już przeciążonych zespołów ds. bezpieczeństwa do cięższej pracy lub przetwarzania większej liczby alertów. Musimy na nowo przemyśleć, na czym polega skuteczne zarządzanie podatnościami, skoro odkrywanie luk nie jest już największym wąskim gardłem.
Oto cztery obszary, od których bym zaczął.
1. Nie traktuj bazy CVE jako pełnego obrazu sytuacji
CVE i skanery podatności są niezbędne, ale stanowią zapis tego, co wiemy — a nie wszystkiego, co faktycznie istnieje. Zespoły ds. bezpieczeństwa muszą zacząć wykraczać poza publicznie ujawnione podatności, łącząc tradycyjne skanowanie z proaktywnymi badaniami, analizą kodu, analizą zagrożeń oraz dokładną wiedzą o komponentach oprogramowania, od których zależą ich organizacje.
Zasoby takie jak Katalog znanych, wykorzystywanych podatności CISA są przydatne przy ustalaniu priorytetów znanych zagrożeń, ale nie informują o podatnościach, które nie zostały jeszcze ujawnione. PHP2Shell pokazał, że poważne podatności mogą przez lata pozostawać w podstawowym oprogramowaniu, zanim zostaną odkryte. Jeśli najbardziej zaawansowana sztuczna inteligencja potrafi wykryć takie luki w ciągu kilku dni, poleganie wyłącznie na opublikowanych komunikatach sprawi, że obrońcy zawsze będą reagować zgodnie z harmonogramem wyznaczonym przez kogoś innego.
2. Pamiętaj, że więcej wykrytych problemów ≠ większe bezpieczeństwo
Sztuczna inteligencja może wygenerować ogromną liczbę potencjalnych wyników, ale nie oznacza to, że każdy z nich uzasadnia przerwanie pracy przez zespół inżynierów, by go zbadać.
Prawdziwa wartość polega na ustaleniu, które podatności są rzeczywiste, możliwe do wykorzystania i istotne w danym środowisku. Czy można odtworzyć problem? Które wersje są nim zagrożone? Czy istnieje realna ścieżka ataku? Jakie są rzeczywiste konsekwencje dla firmy?
Bez takiego kontekstu organizacje ryzykują ustalanie priorytetów podatności wyłącznie na podstawie ocen ich dotkliwości, a jednocześnie mogą przeoczyć, w jaki sposób atakujący mogliby faktycznie uzyskać dostęp do wrażliwych systemów i danych uwierzytelniających.
3. Zadbaj, by poprawkę można było wdrożyć, a nie tylko by była poprawna technicznie
To jedno z najczęściej niedocenianych wyzwań związanych z usuwaniem podatności. Przedsiębiorstwa nie działają w idealnych środowiskach, w których każdą zależność można z dnia na dzień zaktualizować do najnowszej wersji. Korzystają ze starszych aplikacji, połączonych ze sobą systemów, muszą spełniać wymagania dotyczące zgodności i używają wersji oprogramowania, których nie mogą po prostu zastąpić.
Dlatego poprawka, która wymaga od organizacji przebudowy połowy infrastruktury, nie jest szczególnie przydatna. Potrzebujemy lepszych sposobów przenoszenia poprawek bezpieczeństwa do starszych wersji, zachowywania zgodności, ograniczania niepotrzebnych obszarów narażenia na ataki oraz dostarczania aktualizacji za pomocą narzędzi i procedur, z których zespoły już korzystają.
Wytyczne NIST dotyczące zarządzania poprawkami w przedsiębiorstwach podkreślają znaczenie identyfikowania, ustalania priorytetów, instalowania i weryfikowania aktualizacji. Wyzwaniem jest teraz przyspieszenie całego tego procesu, by nadążał za odkrywaniem podatności wspomaganym przez sztuczną inteligencję, ponieważ nawet najlepsza poprawka na świecie jest bezużyteczna, jeśli nikt nie może jej wdrożyć.
4. Mierz, jak szybko faktycznie zapewniasz sobie ochronę
Jeśli sztuczna inteligencja odkryje dziś krytyczną podatność, ile czasu zajmie jej weryfikacja, przygotowanie działającej poprawki, przetestowanie jej i wdrożenie w środowisku produkcyjnym?
Reakcja na PHP2Shell stanowi przydatny punkt odniesienia. W Echo dostarczyliśmy poprawione pakiety PHP zaraz po udostępnieniu poprawek w projekcie nadrzędnym, a zaktualizowane obrazy dla obsługiwanych wersji PHP przebudowaliśmy jeszcze tego samego popołudnia.
Zespoły ds. bezpieczeństwa powinny mierzyć cały cykl usuwania podatności — od jej odkrycia i weryfikacji po przygotowanie poprawki, testy zgodności i wdrożenie. Powinny wiedzieć, jak szybko mogą przebudować zagrożone oprogramowanie, czy potrafią zidentyfikować każdą aplikację korzystającą z podatnej zależności oraz ile ręcznej interwencji potrzeba, by zapewnić ochronę.
W miarę jak najnowocześniejsze systemy AI przyspieszają wykrywanie luk i sprawiają, że staje się ono bardziej dostępne, czas między wykryciem luki a jej potencjalnym wykorzystaniem będzie się nadal skracać. Nie możemy zakładać, że tradycyjne cykle ujawniania podatności i wdrażania poprawek nadążą za tym tempem. O tym, kto wyznaczy nową erę zarządzania podatnościami, zdecyduje zdolność do przekształcania tych odkryć w niezawodne poprawki gotowe do wdrożenia, zanim napastnicy będą mieli okazję zadziałać.












