GMO Flatt Securityは2026年10月13日、AIを活用したセキュリティ診断およびペネトレーションテストに関する技術ホワイトペーパーを公開しました。実証実験では特定条件下でFirefox 147の脆弱性を突く攻撃成功率が98.0%に達し、エクスプロイト生成能力の急速な向上が実証されています。
AI攻撃モデルの進化と自律的エクスプロイト生成の実態
サイバーセキュリティにおけるAIの役割は、脆弱性の静的な検知から実行可能な攻撃コード（エクスプロイト）を自動生成する段階へ移行しました。
2026年7月、Anthropicは従来の脆弱性発見テスト「CyberGym」において最上位モデルが満点に近いスコアを記録したことを受け、当該テストを廃止しました。同社は実践的な攻撃コード生成能力を評価する「ExploitGym」を新たに導入しています。この評価環境において、特定条件下でWebブラウザ「Firefox 147」の脆弱性を悪用した攻撃成功率が98.0%に達した事例が確認されました。
2026年9月には、高度なエクスプロイト生成能力を備えたフロンティアモデルが相次いで公開されました。
| モデル名 | 提供元 | 発表日 | サイバーセキュリティ評価・特徴 |
|---|---|---|---|
| GPT-6 Astra | OpenAI | 2026年9月1日 | 同社評価基準で最高警戒レベル「Critical」に初分類 |
| Claude Mythos 5.1 | Anthropic | 2026年9月1日 | 高度なエクスプロイト生成能力を記録 |
| Claude Opus 5.5 | Anthropic | 2026年9月22日 | Mythos 5.1に匹敵する侵入テスト実行性能を保持 |
GMO Flatt Securityが提供するセキュリティAIエージェント「Takumi byGMO」の運用実績（2026年7月1日〜9月30日）では、合計593件の診断で8,635件の脆弱性が検出されました。このうち71.8%は、従来の静的解析スキャナでは検知が困難だったビジネスロジックや認証・認可不備に起因する脆弱性でした。
これまでの経緯として、同社は2024年2月13日に約10億円の資金調達を実施してGMOインターネットグループに参画しました。2025年3月24日に「Takumi」を正式リリースしたのち、2025年11月11日にブラックボックス診断（DAST）、2026年2月4日に自動修正機能を実装してきました。2026年6月1日にはMythosクラスモデルの搭載計画とAIペネトレーションテスト機能を発表しており、今回のホワイトペーパーはその検証知見をまとめたものです。
参考記事: AIセキュリティとは？NIST基準から学ぶ脆弱性対策と組織防衛の実践ステップ
なぜAI攻撃が成立するのか：実行ハーネスとオープンウェイトの33倍コスト差
AIによる高度な侵入テストが可能になった背景には、推論モデル単体の性能向上だけでなく、標的システムとモデルを中継する「実行ハーネス（Harness）」の進化があります。
実行ハーネスによる自律的試行錯誤の自動化
AIモデル単体では、標的の入力仕様や実行結果のフィードバックを解釈できません。最新のペネトレーションテスト環境では、以下を担う専用ハーネスが介在します。
- 標的アプリケーションのエンドポイント解析とパラメータ自動抽出
- レスポンスコードやスタックトレースに基づくエラー推論と入力値の動的再構成
- 認証トークンの更新やセッション状態の追従
この実行ループが整うことで、AIは人間が数日かけて行う試行錯誤を数分で自律完了させます。
オープンウェイトモデルの追従と33分の1の推論コスト
GMO Flatt Securityの評価実験によると、公開された修正コード（パッチ）から脆弱性を逆算・特定する課題において、オープンウェイトモデルが商用フロンティアモデルに肉薄する精度を記録しました。
フロンティアモデルを利用したAPI経由の実行と比較して、オープンウェイトモデルは約33分の1の計算リソース費用で同等の特定性能を達成しています。ローカル環境で無制限に稼働できるオープンウェイトモデルの実用水準到達は、攻撃者側の金銭的・制度的参入障壁が消滅したことを意味します。APIプロバイダーによる安全フィルター（ガードレール）を回避した攻撃エージェントの作成が容易になりました。
防御側に求められる3つの調達と3つの準備
ホワイトペーパーでは、防御側が満たすべき技術的要件として「3つの調達」と「3つの準備」を定義しています。
| 区分 | 項目 | 具体的な技術要件 |
|---|---|---|
| 調達 | 脆弱性情報 | 自社アセット内の構成要素および既知・未知の欠陥データの収集 |
| 調達 | 脅威情報 | 外部で流通する最新エクスプロイト手法および攻撃傾向の把握 |
| 調達 | 推論能力 | 攻撃コードを再現・検証できる十分なコンテキスト窓と推論性能 |
| 準備 | 検証対象 | 本番環境を汚染しない検証用データおよび隔離環境の整備 |
| 準備 | 実行環境 | AIエージェントが安全にエクスプロイトを試行できるサンドボックス |
| 準備 | 予算構造 | コミットごとに自律診断を継続実行するためのAPI・計算資源枠 |
参考記事: セキュアバイデザインとは？CISA基準のSDLC構築とサプライチェーン防衛の実務
専門ベンダーから開発基盤への市場シフト
AIが生成するエクスプロイトの実用化は、ソフトウェア開発およびサイバーセキュリティ市場の構造を変化させています。
セキュリティベンダー：手動診断モデルの限界
年1回〜数回の人手によるペネトレーションテストは、検知からエクスプロイト生成までの時間差がゼロに近づいた環境では有効に機能しません。診断ベンダーは労働集約型の人月ビジネスから、Takumi byGMOのような自律型エージェントと実行ハーネスをSaaSとして提供するモデルへの移行を迫られています。
オープンウェイト・OSSコミュニティ：攻撃の非対称性の拡大
商用APIの利用規約に縛られないオープンウェイトモデルが約33分の1のコストで実用化されたことで、攻撃者側の試行回数は爆発的に増加します。防御側も同等以上のローカル推論基盤や検証ハーネスを配備しなければ、攻撃の探索速度に対抗できません。
開発ツール・MLOps基盤：CI/CD統合の必須化
脆弱性の71.8%を占めるビジネスロジックや認可の不備は、ソースコードの変更差分に依存します。CI/CDパイプライン内でコードがプッシュされるたびにサンドボックスを自動構築し、AIエージェントが擬似侵入テストを完結させる実行ハーネスの提供が、DevSecOpsプラットフォームの選定基準となります。
参考記事: AIセーフティの最新動向｜日米英の評価基準と企業が導入すべき安全性テストの実践手順
TechShiftの視点：検査完了までの所要時間と検証ハーネスの整備
ExploitGymでの攻撃成功率98.0%やGPT-6 Astraの「Critical」指定は、攻撃手法の生成スピードが人間の対応能力を超えたことを示しています。企業が確認すべき指標は、診断の網羅率ではなく「コード変更からAI侵入テスト完了までの所要時間」です。
技術責任者が追うべき具体的な運用KPIは次の2点に集約されます。
- CI/CD内エージェント実行レイテンシ: プルリクエスト発行からAIによるペネトレーションテスト完了までの時間を「30分以内」に収められているか。開発速度を損なわない実行速度が維持できなければ、テストの形骸化を招きます。
- 偽陽性（False Positive）率: Takumi byGMOのデータが示すビジネスロジック不備の検知において、修正不要なノイズの割合を「15%未満」に抑えられているか。高精度のハーネスによる事前検証環境がなければ、開発者のトリアージ負荷が増大します。
推論コストが33分の1に低下したオープンウェイトモデルの台頭により、防御側が検証サイクルを回す経済的ハードルは下がりました。モデル自体の選定よりも、自社アプリケーションを安全にAIエージェントへ接続できるテストハーネスの構築が優先課題となります。
セキュリティ運用の移行手順
組織がAI主導の侵入テスト環境へ適応するために、取り組むべき手順は以下のとおりです。
- 認可制御・ビジネスロジックのAPI仕様書の機械可読化
AIエージェントが認可フローを正確に追跡できるよう、OpenAPI Specificationなどのスキーマ情報にロールごとのアクセス制御定義を明示します。
- ステージング環境でのAIサンドボックス分離
AIが実際にエクスプロイトコードを実行しても本番データや外部連携先を破壊しないよう、テスト用モックとデータ初期化スクリプトを備えた隔離検証環境を配備します。
- 定期点検からコミット連動型テストへの移行
年次や四半期ごとの手動テスト予算を縮小し、プルリクエストごとにAIエージェントが自律的に脆弱性を検証する継続的ペネトレーションテスト体制へと移行します。
出典: GMOインターネットグループ
出典: PR TIMES
