Cybersäkerhet
GitHubs pilot omvandlar AI:s säkerhetsfynd till 55 korrigeringar i projekt med öppen källkod

Viktiga punkterAI-triage och mänsklig granskning reducerade 9 791 råa fynd till 99 privata rapporter.
Visa mer
- AI-triage och mänsklig granskning reducerade 9 791 råa fynd till 99 privata rapporter.
- Underhållarna behöll kontrollen över vilka fynd som skulle åtgärdas och när patchar skulle släppas.
- En utökning av piloten beror på expertgranskningskapacitet som GitHub medger ännu inte är skalbar.
GitHub rapporterade den 17 november 2026 att en säkerhetspilot med Microsoft hade lett till 55 korrigeringar i sex projekt med öppen källkod per den 15 november 2026. I försöket Kodnamn MDASH sållades 9 791 möjliga problem bort till 99 privata rapporter, som alla granskades av forskare och åtföljdes av ett konceptbevis och ett förslag på korrigering.
Fjorton av korrigeringarna hade redan tagits med i utgåvor. Projekten var AutoGPT, Caddy, Express, FastMCP, ImageMagick och Netty. Projektens ansvariga avgjorde vilka fynd som skulle åtgärdas, hur de skulle åtgärdas och när korrigeringarna skulle släppas. Rapporter och programfixar låg kvar på GitHub.
Mänsklig granskning sållade fram de relevanta skanningsresultaten
Upplägget hanterar ett underhållsproblem som uppstått i takt med att AI-skanning blivit billigare: dubbletter och rapporter om sådant som inte är faktiska sårbarheter tar redan tid från de projektansvariga, samtidigt som åtgärder fortfarande kräver mänskligt omdöme. GitHub vill att forskare rådfrågar de projektansvariga innan de låter en annan modell granska deras projekt och att de skickar in programfixar tillsammans med eventuella fynd.
Microsofts system Codename MDASH skannade varje projekt med sin modell MAI Cyber och föreslog korrigeringar. En AI-triageagent från GitHub Security Lab, byggd med specialanpassade Copilot-färdigheter, tog bort dubbletter, kontrollerade fyndens giltighet och fokuserade på buggar med stor påverkan. Därefter granskade sju forskare från Microsoft FORGE Lab manuellt alla återstående fynd innan rapporterna skickades till de projektansvariga via GitHubs privata rapporteringssystem för sårbarheter.
De projektansvariga använde de föreslagna programfixarna
De första korrigeringarna släpptes ungefär en vecka efter den inledande skanningen, enligt GitHub. De projektansvariga för Caddy åtgärdade alla 22 rapporter de fick inom en vecka eller mindre. ImageMagick, som underhålls av två personer, fick också 22 rapporter. I ett fall skickade de projektansvariga ut en korrigering efter 15 minuter, sedan en sammanfattning hade pekat ut de exakta kodraderna och visat att ett problem som verkade bekant var annorlunda.
För AutoGPT kom en rapport tre dagar efter att de projektansvariga hade släppt en felaktig kontroll, och rapporten pekade ut rätt kodrad. De gick längre än det föreslagna programfixen, skrev en egen korrigering inom en dag och hade den i produktion mindre än en vecka senare. Under pilotprojektet använde de projektansvariga vissa föreslagna korrigeringar precis som de var skrivna och anpassade andra.
En av de projektansvariga för Netty beskrev den återstående begränsningen: ”Att hitta sårbarheter är inte längre vår flaskhals. Det svåra är att åtgärda dem, och det hänger på de projektansvariga.”
Utökning beror på granskningskapaciteten
GitHub beskrev urvalet av projekt som litet, slutsatserna som tidiga lärdomar och den manuella granskningen som ännu inte skalbar. Forskarna lade ungefär två dagar per projekt på att kontrollera fynd för hand. Rapporter av låg kvalitet når fortfarande de projektansvariga varje dag.
GitHub identifierade även tester av CI/CD på privata förgreningar och tillgång till modeller med cybersäkerhetsförmåga för de projektansvariga som återstående behov. Testerna skulle verifiera korrigeringar på privata förgreningar, och tillgång till modeller skulle hjälpa de projektansvariga att verifiera ett konceptbevis både före och efter åtgärden. GitHubs rekommenderade standard för AI-genererade rapporter är att kontrollera varje fynd mot projektets befintliga kunskap, hotmodell och säkerhetspolicy, rapportera det privat, inkludera ett förslag på korrigering och låta de projektansvariga bestämma takten.
GitHub planerar att använda lärdomarna i privat rapportering av sårbarheter och säkerhetsrådgivning. Företaget kommer att erbjuda AI-baserade säkerhetsskanningar, där fynden kontrolleras innan de rapporteras privat, samt GitHub Copilot Max, till alla projekt som tidigare deltagit i GitHub Secure Open Source Fund och utöka stödet till framtida omgångar av fonden. GitHub och Microsoft arbetar också med att utöka forskargranskningen och samtidigt behålla dessa kontroller.
Pilotprojektet visar tydligt avvägningen vid AI-assisterad rapportering av sårbarheter: automatisering kan minska en flod av råa fynd till en hanterbar kö av privata rapporter, medan expertgranskning och de projektansvarigas kontroll avgör om rapporterna leder till programfixar. En utökning hänger på att bevara den standarden utan att åter lägga triagebördan på de projektansvariga.












