AI versnelt het vinden van kwetsbaarheden, maar patchen blijft achter; een geïntegreerd multi-agent systeem kan dit gat dichten.
De recente ontwikkelingen in frontier AI hebben geleid tot een situatie waarin het uitbuiten van kwetsbaarheden sneller gaat dan het beveiligen ervan. Gemiddeld duurt het voor organisaties 32 tot 43 dagen om een patch door te voeren, terwijl de gemiddelde tijd tot het uitbuiten van een kwetsbaarheid slechts 10 uur bedraagt. Deze discrepantie roept vragen op over de betrouwbaarheid van autonome AI-systemen die overal binnen een IT-omgeving opereren. Tijdens het TechCrunch Disrupt-evenement werd benadrukt dat beveiliging op machtsnelheid betekent dat AI niet alleen kwetsbaarheden snel detecteert, maar ook even snel repareert.
De asymmetrie tussen detectie en herstel wordt versterkt doordat traditionele beveiligingsmodellen handmatig prioriteren op basis van ernst, wat leidt tot achterstanden van weken of maanden. Tegelijkertijd kunnen aanvallers meerdere laag- en middenseverity kwetsbaarheden combineren tot een ernstige keten van exploits. Zo kan een combinatie van cross-site scripting, sessiecookie kaping en een datalek samen een ernstige dreiging vormen, terwijl elk afzonderlijk als middelzwaar wordt beoordeeld. Dit maakt het voor verdedigers lastig om adequaat en tijdig te reageren.
Hoewel AI-modellen een hoge nauwkeurigheid (95 procent) behalen bij het detecteren van complexe kwetsbaarheden, blijft het automatisch patchen achter. Meer dan 98 procent van de keren weigeren AI-modellen remediatie-aanvragen uit te voeren vanwege foutieve classificaties van code als vals positief. Wanneer patches wel worden toegepast, missen ze vaak secundaire kwetsbaarheden of veroorzaken ze fouten in de productieomgeving. Dit toont aan dat alleen AI-prompting niet voldoende is om de kloof tussen detectie en herstel te dichten.
De oplossing ligt in een geïntegreerd systeem dat multi-agent orkestratie combineert met contextuele informatie, sandbox-validatie en iteratieve reparatie. Dit systeem maakt gebruik van een contextgrafiek, sandbox-infrastructuur en een validatiepipeline om de nauwkeurigheid te verhogen. Het moet autonoom en continu opereren, met strikte identiteit- en toegangscontrole voor elke actie, en niet enkel vertrouwen op ruwe AI-modellen.
Vijf ontwerpprincipes zijn essentieel voor een robuust multi-agent systeem: het gebruik van meerdere cyber-geoptimaliseerde AI-modellen, een vijfstapsproces van verkenning tot remediatie, een zero-egress sandbox zonder internettoegang, een tweelaagse validatie met statische en dynamische tests, en het voeden van het systeem met rijke context over infrastructuur, applicaties en bedrijfsprocessen. Dit zorgt voor een continue cyclus van detectie en herstel op machtsnelheid, waarmee de huidige asymmetrie tussen aanvallers en verdedigers kan worden verkleind.
