Hoe genereren AI-agents zero-day exploits op schaal?

AI coding agents kunnen nu autonoom codebases scannen, onbekende beveiligingskwetsbaarheden ontdekken en geldige exploitrapporten genereren zonder menselijke tussenkomst. De verschuiving kwam plotseling: open-sourceprojecten gingen van een stroom van lage kwaliteit, gehallucineerde "AI-slop" naar een tsunami van zeer nauwkeurige, echte kwetsbaarheidsontdekkingen. De beveiligingslijst van de Linux-kernel sprong van 2–3 rapporten per week naar 5–10 geldige rapporten per dag. Kwetsbaarheidsonderzoek, ooit een gespecialiseerd menselijk vakmanschap, is een geautomatiseerd, schaalbaar proces geworden.

Waarom dit nu gebeurt

Frontier-taalmodellen bevatten al enorme hoeveelheden correlaties over omvangrijke codebases. Voordat ze een prompt ontvangen, begrijpt een model van nature hoe complexe systemen zoals de Linux KVM-hypervisor verbonden zijn met downstream-subsystemen. De weights van de modellen bevatten een complete bibliotheek van gedocumenteerde "bug-klassen" — stale pointers, integer-mishandeling, type confusion, allocator grooming — waarop alle exploitontwikkeling is gebaseerd.

Wanneer je een agentic codingtool op een source tree richt met de instructie om kwetsbaarheden te vinden, matcht het bekende bug-klassen tegen de doelcode en gebruikt het constraint-solving om te bepalen of bugs bereikbaar en exploiteerbaar zijn. Zoals beveiligingsonderzoeker Thomas Ptacek opmerkte: een AI-agent "wordt nooit moe en zal eindeloos zoeken."

Het dilemma van de verdediger

De snelheid waarmee AI-modellen exploits ontdekken dreigt nu het tempo te overtreffen waarmee menselijke verdedigers kunnen patchen. Beheerders van kritieke infrastructuur worden overweldigd. Daniel Stenberg (cURL), Greg Kroah-Hartman (Linux-kernel) en Willy Tarreau (HAProxy) besteden dagelijks uren aan het triëren van de toevloed. De efficiëntie is zo hoog dat beheerders nu regelmatig dezelfde zero-day zien ontdekt en gerapporteerd door meerdere verschillende mensen die gelijktijdig AI-agents gebruiken.

Dit creëert een gevaarlijke asymmetrie: offensieve AI schaalt direct met rekenkracht, terwijl defensief patchen een bottleneck op menselijke snelheid blijft.

Wat dit anders maakt dan eerdere AI-beveiligingshype

Het cruciale verschil is kwaliteit. Eerdere golven van AI-gegenereerde beveiligingsrapporten waren voornamelijk onzin — gehallucineerde CVE's, niet-bestaande codepaden, verzonnen functienamen. De huidige generatie produceert rapporten die structureel geldig zijn, verwijzen naar echte code en daadwerkelijk exploiteerbare bugs identificeren. De upgrade van "slop" naar "echt" gebeurde in een kwestie van maanden toen frontier-modellen een capability-drempel overschreden.

Wat je zou moeten doen

Als je open-sourcesoftware onderhoudt of productiesystemen beheert:

Draai AI-beveiligingsscanning op je eigen code eerst. Als agents je bugs gaan vinden, is het beter dat jij ze vindt voordat aanvallers dat doen.
Automatiseer triage. Handmatige beoordeling van AI-gegenereerde rapporten schaalt niet. Bouw classifiers die inkomende rapporten ranken op ernst en exploiteerbaarheid.
Investeer in [SynthID](/ai-woordenboek/synthid)-achtige herkomsttracking voor beveiligingsrapporten om door mensen ontdekte en door AI ontdekte kwetsbaarheden te onderscheiden.
Behandel dit als een permanente verschuiving, niet als een eenmalige golf. De economie van exploitgeneratie is voorgoed veranderd.

Bronnen: The Batch Issue 347