AI-agenter förvandlar noll-dagar till en tävling som människor inte kan vinna ensamma

Under många år har noll-dags-sårbarheter varit farliga, men de var tidigare sällsynta och svåra att utnyttja i stor skala. Att hitta en krävde tålamod, specialiserad kompetens och en djup förståelse av programvarubeteende. Som Nicole Perlroth och andra journalister rapporterat, fanns det en handel med noll-dagar, och nationer behandlade dem som extremt värdefulla cybervapen.

Idag är noll-dagar allmänt tillgängliga. Nästan vem som helst kan upptäcka nya på egen hand, med hjälp av öppen källkod AI-modeller eller proprietära AI som Claude och OpenAI.

Samma framsteg som gör AI användbar för att skriva kod, sammanfatta loggar och accelerera säkerhetsoperationer kan också användas för att söka efter fel, kedja sårbarheter och testa exploateringsvägar i maskinens hastighet. Angripare behöver inte längre manuellt inspektera varje beroende, omvända konstruera varje applikation eller tillbringa veckor med att leta efter en svaghet. AI-agenter kan automatisera mycket av det arbetet, utforska kodbasen, skanna exponerade system, generera hypoteser och iterera tills de hittar något användbart.

Det förändrar ekonomin för noll-dags-utnyttjande. En mänsklig angripare kan bara ha tid att förfölja de mest lovande målen. En AI-assisterad angripare kan förfoga över att undersöka mycket mer programvara, mycket snabbare, med mycket mindre trötthet. Även om de flesta försök misslyckas, gör den rena volymen av försök framgång mer sannolik. Inom cybersäkerhet förvandlar skalan ofta sällsynta händelser till rutinmässiga.

AI Utvidgar Noll-dags-sök-ytan

Det är därför noll-dagar blir en allt mer angelägen företagsrisk. Modern programvara är för stor, för sammanlänkad och för beroende av tredjepartskomponenter för att någon organisation ska kunna förstå varje svaghet innan en angripare gör det. De flesta företag förlitar sig på en växande blandning av kommersiella plattformar, öppen källkod-bibliotek, molntjänster, SaaS-applikationer, API:er, identitetssystem, enheter och interna verktyg. Varje lager introducerar potentiella sårbarheter. Varje integration skapar nya angreppsvägar. Varje uppdatering kan tyst förändra riskprofilen.

Den obekväma verkligheten är att det finns en enorm mängd upptäckt sårbarhet inuti programvara av alla slag. En del av det finns i gammal kod. En del av det finns i ny kod skriven under tryck. En del av det kommer från beroenden som få organisationer spårar med tillräcklig precision. En del av det uppstår från hur system interagerar, även när varje enskild komponent verkar säker. AI-agenter är väl lämpade att utforska den komplexiteten eftersom de kan söka brett, uthålligt och anpassningsbart.

Försvarare står inför ett omöjligt patchningsproblem. Du kan inte patcha en sårbarhet som du inte vet existerar. Du kan inte prioritera varje teoretisk svaghet lika. Du kan inte fullständigt testa varje kombination av programvara, konfiguration och användarbeteende före distribution. Även mogna sårbarhetsprogram är ofta byggda kring kända CVE, leverantörsråd och hotintelligensflöden. Det är essentiellt, men det anländer efter upptäckt. I en värld med AI-accelererad noll-dags-jakt kan upptäckt först ske i angriparens händer.

Det skapar ett växande spel av “whack a mole”. En sårbarhet hittas. En patch skapas. Exploatering flyttas till en granne system, ett annat beroende eller en ny exponerad gränssnitt. Säkerhetsteam svarar, men bakloggen fortsätter att expandera. AI ökar hastigheten på klubban på båda sidor, men angripare drar ofta nytta först eftersom de bara behöver hitta en livskraftig väg. Försvarare måste skydda alla.

Långsiktigt svaret kan komma från AI själv. När AI-system blir bättre på att generera, granska och testa kod, bör de hjälpa till att eliminera hela klasser av sårbarheter innan programvara når produktion. Säkerhetsutveckling kan bli långt mer praktiskt när AI kan kontinuerligt inspektera kod, identifiera osäkra mönster, modellera exploaterbarhet och rekommendera korrigeringar i realtid. Till slut kan vi nå en punkt där vanliga minnesfel, injektionsfel, autentiseringsmisstag och osäkra konfigurationer dramatiskt minskas eftersom AI-assisterad ingenjörskonst upptäcker dem tidigt. I vårt arbete i DeepTempo ser vi redan en större användning av minnes-säkra språk som Rust i vår programvara; medan Rust är svårare att koda i vissa avseenden, är det säkrare och att koda det har blivit mycket enklare tack vare AI.

Försvarare Måste Skifta Från Patch-hastighet Till Attack-resiliens

Medan en framtid där all programvara har patchats eller skrivits om på ett säkrare sätt är värd att sträva efter, är det oklart hur teoretiskt möjligt det verkligen är av en mängd olika skäl. I vilket fall som helst vet vi att det inte har anlänt ännu och kommer inte att anlända på många år. Idag kan AI-genererad kod fortfarande introducera sårbarheter. Och AI-säkerhetverktyg kan fortfarande missa sammanhang. Idag företagsmiljöer innehåller fortfarande decennier av ackumulerad teknisk skuld. Angripare använder redan automation för att flytta snabbare, medan försvarare fortfarande integrerar AI i befintliga arbetsflöden, godkännandekedjor och riskmodeller och upptäcker att LLM inte är användbara när de upptäcker angrepp.Mer information om hur LLM fungerar i upptäckt kan hittas i senaste öppen källkod-benchmark som SOC Bench. Som exempel fann ingenjörerna bakom SOC Bench att de bästa LLM har en falsk positiv frekvens på 20% och skulle kosta hundratals miljoner dollar om dagen i skala med en typisk stor säkerhetsmiljö.Som ett resultat av allt ovan favoriserar AI:s uppgång för närvarande angripare.

Tyvärr måste organisationer anta att vissa okända sårbarheter kommer att upptäckas av motståndare innan de offentliggörs. Vad mer är, tack vare förbättrad phishing och utbredningen av identifieringsåtgärder, kan angripare enkelt logga in.I korthet, åtminstone för den korta till medellånga perioden, kan säkerhetsstrategi inte förlita sig helt på förebyggande. Förebyggande förblir kritiskt, men det måste kombineras med snabbare upptäckt, starkare beteendeanalytik och tätare inneslutning.

Som en mängd organisationer har föreslagit nyligen, inklusive NIST, Five Eyes och National Academy of Sciences, med tanke på AI-aktiverade angripare, bör säkerhetsteam ompröva tillvägagångssätt för att förstå vad “normalt” ser ut över användare, maskiner, identiteter, applikationer och dataflöden. Noll-dags-utnyttjande lyckas ofta eftersom de kringgår kända signaturer, men de lämnar fortfarande spår som dagens kraftfullaste klassificeringsmodeller kan se och urskilja. Till exempel kan angrepp visa ovanliga åtkomstmönster, onormala privilegier, oväntad processaktivitet, underliga autentiseringsflöden eller dataförflyttning som, i kombination, inte matchar miljöns baslinje. Särskilt byggd AI kan hjälpa försvarare att hitta dessa signaler tidigare, särskilt när angreppet i sig är nytt.

Dessutom bör företag minska sprängverkan av kompromettering. Segmentering, minsta privilegium, starka identitetskontroller, kontinuerlig övervakning och snabb isolering är viktigare när okända sårbarheter utnyttjas. Om en angripare använder en noll-dag för att få tillträde, är nästa fråga hur långt de kan flytta innan de upptäcks. Ju mindre fönstret är, desto mindre värdefullt blir exploateringen.

Det finns ingen ren pausknapp för den här ögonblicket. AI-agenter kommer att fortsätta förbättras. Offensiv experiment kommer att fortsätta accelerera. Antalet system som är värda att undersöka kommer att fortsätta växa. Säkerhetsgemenskapens uppgift är att se till att defensiv AI mognar lika snabbt.

Noll-dagar har alltid belönat hastighet, kreativitet och asymmetri. AI-agenter förstärker alla tre. Organisationer som anpassar sig kommer att behandla AI som mer än en produktivitetslager för säkerhetsteam. De kommer också att använda särskilt byggd AI för att effektivt och exakt upptäcka okända hot, prioritera tydligt svaga signaler som, i kombination med tusentals andra, antyder en kompromettering, och svara innan en exploaterad sårbarhet blir en företagsomfattande kris.