top of page
1768951160174.png

AI potrafi wykrywać podatności — czy Twój zespół potrafi udowodnić, że je usunięto?

AI potrafi wykrywać podatności — czy Twój zespół potrafi udowodnić, że je usunięto?

Zdjęcie autora: 1000ideas
1000ideas
4 lis
5 minut(y) czytania

Wykrycie podatności nie jest równoznaczne z ochroną firmy. Alert wygenerowany przez AI nadal wymaga weryfikacji, wskazania osoby odpowiedzialnej, bezpiecznego usunięcia problemu oraz dowodów, że zmiana trafiła do środowiska, którego dotyczy. Bez tych działań szybsze wykrywanie może jedynie powiększać zaległości.

Ogłoszone 2 listopada 2026 r. rozszerzenie projektu QuiltWorks firmy CrowdStrike na Europę zwraca uwagę na to, czy firmy potrafią usuwać wykryte podatności. Partnerzy, w tym Atos, Computacenter, Deutsche Telekom Security, Orange Cyberdefense i Telefónica, dołączają do inicjatywy, która ma łączyć wykrywanie problemów przez AI z ustalaniem priorytetów i konkretnymi działaniami naprawczymi.

Komunikat skłania liderów zespołów inżynierskich do praktycznego pytania: Czy wasza organizacja potrafi przekładać większą liczbę wykrytych problemów na zweryfikowane poprawki, a nie tylko na kolejne zgłoszenia? Aby odpowiedzieć, trzeba odróżnić deklaracje dostawców od wykazanych rezultatów i kontroli, które musicie zapewnić we własnym procesie dostarczania oprogramowania.


Europejska inicjatywa bezpieczeństwa dotyczy napraw, nie tylko wykrywania


Projekt QuiltWorks łączy modele AI, analitykę bezpieczeństwa, infrastrukturę chmurową, automatyzację procesów oraz działania naprawcze prowadzone przez partnerów. Rozszerzenie go na Europę ma zapewnić lokalne kompetencje i możliwości prowadzenia tych działań. To komercyjna inicjatywa w obszarze bezpieczeństwa, a nie nowy europejski wymóg regulacyjny.

Za automatyzację odpowiada Falcon IQ, wprowadzony 31 sierpnia 2026 r. CrowdStrike opisuje ponad 50 agentów wspierających ocenę problemów, ustalanie priorytetów i naprawy. Platforma koreluje telemetrię z informacjami o zagrożeniach, a następnie wiąże wykryte problemy ze scenariuszami ataków, priorytetami inwestycyjnymi, planami napraw i usługami partnerów.

Działania naprawcze obejmują tu więcej niż poprawianie kodu źródłowego. W opisie wymieniono dostrajanie platformy, dodatkowe moduły bezpieczeństwa, usuwanie problemów w środowisku uruchomieniowym oraz usługi doradcze. Nabywcy nie powinni więc traktować tego komunikatu jako dowodu na istnienie autonomicznego systemu, który niezawodnie naprawia kod aplikacji.

Komunikaty nie wykazują też mierzalnego skrócenia czasu od wykrycia problemu do potwierdzenia jego usunięcia. Nie przedstawiają porównania w kontrolowanych warunkach, odsetka zaakceptowanych poprawek ani częstości regresji. Komunikat dotyczący Falcon IQ wyraźnie zaznacza, że część omawianych funkcji nie została jeszcze udostępniona i może się zmienić.

Przed przyjęciem takiego modelu zapytaj:

  • Które działania są dostępne już teraz, a które pozostają w planach?

  • Które kroki wymagają zatwierdzenia przez klienta lub partnera?

  • Czy działanie usuwa błąd, czy zapewnia zabezpieczenie kompensacyjne?

  • Jakie dowody uzasadniają zamknięcie zgłoszenia?


Mierz dystans między wykryciem a ochroną


Statystyki wykrywania i wyniki napraw opisują różne etapy pracy.

Panel ujawnień podatności Anthropic z 2 listopada 2026 r. ilustruje tę różnicę. Podaje 37 966 potencjalnych problemów. Zewnętrzne firmy zajmujące się bezpieczeństwem zweryfikowały 6376 z nich, a 6009 potwierdziły jako rzeczywiste. Podany odsetek trafnych wykryć, wynoszący 94,2%, dotyczy tej zweryfikowanej podgrupy, a nie wszystkich potencjalnych problemów.

Osobno panel podaje 5087 podatności zgłoszonych w 680 projektach open-source. W 629 przypadkach wiadomo, że poprawki wprowadzono w projektach źródłowych. Zgłoszenia obejmują zarówno problemy zweryfikowane zewnętrznie, jak i raporty przekazane bezpośrednio, bez takiej samej niezależnej kontroli.

Te dane pochodzą od dostawcy. Nie stanowią niezależnego audytu ani dowodu dotyczącego QuiltWorks. Nie pozwalają też obliczyć prostego wskaźnika skuteczności poprawek. Od wykrycia poszczególnych problemów upłynął różny czas, a informacje o statusie poprawek mogą być opóźnione. Wśród potwierdzonych problemów są też duplikaty i przypadki, których opiekunowie projektów mogą zdecydować się nie naprawiać. Wydanie poprawki w projekcie źródłowym nie dowodzi jej zainstalowania w systemach, które z niego korzystają.

W wewnętrznym procesie rozróżnij następujące stany problemu:

  • Potencjalny problem: Narzędzie zidentyfikowało możliwą słabość zabezpieczeń.

  • Zweryfikowany: Analiza potwierdza problem oraz jego występowanie w danym systemie.

  • Z nadanym priorytetem: Kontekst środowiska określa wymaganą reakcję.

  • Usunięty lub z ograniczonym ryzykiem: Zmiana usuwa błąd albo ogranicza ekspozycję na zagrożenie.

  • Zweryfikowany we wdrożeniu: Dowody potwierdzają, że zamierzona zmiana trafiła do środowiska, którego dotyczy problem.

Raportuj te stany oddzielnie. Wygenerowana poprawka, zaakceptowany pull request i wdrożenie produkcyjne nie powinny być traktowane jako ten sam poziom ukończenia pracy.


Zbuduj kolejkę napraw uwzględniającą kontekst


Problem wykryty przez AI powinien zostać oceniony, a nie automatycznie uruchamiać tryb awaryjny.

Stakeholder-Specific Vulnerability Categorization, czyli SSVC, podpowiada przydatną zasadę: wybieraj działanie na podstawie jasno określonych kryteriów decyzyjnych. Udokumentowany model reagowania CISA BOD 26-04 uwzględnia znane przypadki wykorzystania podatności, publiczną dostępność, możliwość automatyzacji wykorzystania podatności oraz skutki techniczne. Określonych w tej polityce terminów reakcji nie należy traktować jako obowiązków europejskich. Można jednak korzystać z jej sposobu podejmowania decyzji na podstawie kontekstu.

Dla zespołów aplikacyjnych przygotuj zgłoszenie naprawcze, które odpowiada na pytania:

  • Występowanie: Czy podatny komponent jest obecny we wdrożonej aplikacji?

  • Osiągalność: Czy niezaufane dane wejściowe mogą dotrzeć do podatnego fragmentu logiki?

  • Ekspozycja: Które środowiska i interfejsy są dostępne?

  • Skutki: Jakie dane, uprawnienia lub funkcje biznesowe są zagrożone?

  • Odpowiedzialność: Który zespół może zatwierdzić i dostarczyć zmianę?

  • Dowody: Co potwierdza problem, uzasadnia jego priorytet i późniejsze zamknięcie?

Połącz dane ze skanerów, ewidencji zasobów, informacji o odpowiedzialności za repozytoria, systemu zgłoszeń i rejestrów wdrożeń za pomocą trwałego identyfikatora problemu. Zachowuj pierwotne dowody i uzupełniaj zgłoszenie wynikami weryfikacji oraz informacjami o wdrożeniach.

Stosuj odrębne ścieżki dla trwałego usunięcia problemu i tymczasowego ograniczenia ryzyka. Jeśli zespół ogranicza dostęp na czas przygotowania zmiany w kodzie, odnotuj oba działania. Dla zabezpieczenia tymczasowego wskaż osobę odpowiedzialną i termin przeglądu, aby nie stało się nieudokumentowanym zamiennikiem naprawy.

W takiej kolejce każda pozycja ma uzasadnienie, odpowiedzialny zespół, kolejny krok i określony warunek zamknięcia.


Traktuj poprawki AI jako propozycje do czasu zakończenia weryfikacji


Copilot Autofix od GitHuba pokazuje konkretny proces przejścia od alertu do poprawki. Wykorzystuje wyniki analizy CodeQL oraz kontekst kodu, aby wygenerować propozycję zmiany i jej wyjaśnienie.

Istotne jest słowo propozycja. Dokumentacja wymienia błędy składniowe, regresje semantyczne, niepełne poprawki, nowo wprowadzone podatności i nieobsługiwane zależności. GitHub wymaga przeglądu i akceptacji przez programistę.

Środowisko oceny obejmuje ponad 2300 alertów z publicznych repozytoriów zawierających testy. Propozycje bez ręcznych modyfikacji są sprawdzane pod kątem usunięcia pierwotnego alertu, nowych alertów ze skanowania, wykrywalnych błędów składniowych i zmian w wynikach testów jednostkowych. Dokumentacja nie podaje zbiorczego wskaźnika skuteczności dla tego środowiska.

Potraktuj te kontrole jako punkt wyjścia i określ zasady weryfikacji dla własnych aplikacji:

  • Przeanalizuj przyczynę źródłową. Potwierdź, że zmiana eliminuje niebezpieczne zachowanie, a nie tylko wycisza ostrzeżenie.

  • Przetestuj wymaganie bezpieczeństwa. Tam, gdzie to możliwe, dodaj test regresyjny potwierdzający oczekiwaną ochronę.

  • Uruchom ponownie analizę i CI. Sprawdź pierwotny problem, nowe alerty, kompilację i odpowiednie testy automatyczne.

  • Sprawdź zależności. Przejrzyj dodane pakiety, zmiany wersji i założenia dotyczące konfiguracji.

  • Zatwierdź i wdróż. Wymagaj wskazania osoby odpowiedzialnej za przegląd, kontrolowanego wdrożenia i planu wycofania zmiany.

  • Potwierdź zakres wdrożenia. Dołącz dowody identyfikujące wydanie oraz środowiska, których dotyczy problem.

Na przykład w hipotetycznym przypadku podatności typu injection nie uznawaj zniknięcia alertu za jedyne kryterium akceptacji. Osoby przeglądające zmianę powinny przeanalizować zmieniony przepływ danych, a testy powinny sprawdzać zarówno złośliwe dane wejściowe, jak i prawidłowe działanie aplikacji.

Mierz czas od zweryfikowania problemu do potwierdzenia wdrożenia poprawki. Śledź też zaległe prace według priorytetu, ponownie otwarte zgłoszenia, czas utrzymywania zabezpieczeń tymczasowych oraz odsetek wdrożeń objętych problemem, dla których potwierdzono aktualizację. Dziel wyniki według aplikacji i typu podatności, aby zbiorcze średnie nie ukrywały trudnych przypadków.

Nie trzeba automatyzować każdej decyzji. Warto automatyzować powtarzalną pracę, zachowując dowody, jasną odpowiedzialność i ocenę inżynierską. Rozszerzenie QuiltWorks na Europę zwraca uwagę na zdolność do przeprowadzania napraw. Liderzy zespołów programistycznych powinni równie uważnie przyjrzeć się jej we własnych organizacjach: czy wiarygodne zgłoszenie prowadzi do zweryfikowanej zmiany, czy tylko zwiększa liczbę wykrytych błędów?


Źródła


bottom of page