2026年10月23日、日本銀行の塩谷匡介氏とOpenAIは都内の技術カンファレンスで、単独の攻撃者が自律型AIエージェントを用いて複数組織を同時に侵害する新たな脅威モデルを詳述した。韓国の新韓銀行などで顧客情報約2万5000人分が流出した事件を契機に、攻撃検証タスクの完遂率が95%に達するAIモデルの悪用実態と、防御側の構造転換が浮き彫りとなっている。
新韓銀行インシデントと2026年に激化するAIエージェント脅威の全容
2026年9月下旬から10月初旬にかけて、韓国の金融業界で深刻なサイバーインシデントが発生した。新韓銀行を含む金融機関計16社が相次いで不正アクセスを受け、流出した個人情報は全体で約10万件に達した。新韓銀行単独での流出規模は約2万5000人分と報告されている。
米クラウドストライクの分析によると、一連の攻撃は国家主導の大規模な攻撃グループではなく、単独の攻撃者によって実行された公算が高い。攻撃者はオープンソースのAI侵入テストツール「ARTEX」と、大規模言語モデル「DeepSeek v4.1-Flash」などを組み合わせ、標的ごとのシステム構成に応じた攻撃スクリプトを自動生成していた。
2026年10月23日に開催された「Security Days Fall 2026」において、日本銀行金融機構局の塩谷匡介参事役兼上席考査役は、攻撃者がフロンティア級AIを本格的に実戦投入する段階へ突入したと指摘した。監視の厳重な勘定系コアシステムではなく、更新や資産管理が後回しになりやすい「システムの裏口」が自律探索によって迅速に特定され、突破されている。
| 年月日 | 主な出来事 | 詳細・発表内容 |
|---|---|---|
| 2026年4月7日 | Anthropicが新AIモデル発表 | 未知の脆弱性を自律特定する「Claude Mythos Preview」を公開 |
| 2026年5月18日 | 政府横断パッケージ発表 | 内閣官房などが「Project YATA-Shield」を策定 |
| 2026年5月22日 | 金融庁・日銀の連名要請 | 国内金融機関にフロンティアAI脅威への短期対応9項目を指示 |
| 2026年9月上旬 | OpenAIが防衛システム公表 | 自律脆弱性修復「Defense Factory」の検証実績を公表 |
| 2026年9月下旬 | 韓国金融機関への同時攻撃 | 新韓銀行など16社侵害、個人情報約10万件が流出 |
| 2026年10月8日 | AIツール開発者が開発終了 | 悪用を受けARTEX開発者がコード非公開化と保守停止を表明 |
| 2026年10月23日 | 日銀とOpenAIが東京で講演 | 単独攻撃者による複数社同時侵害の現実と防衛策を提示 |
参考記事: 金融AI(FinAI)の技術的本質と導入戦略|不正検知からプライベートLLM構築まで
GPT-5.6-CyberとDefense Factoryに見る自律型セキュリティの技術仕様
AIエージェントによるサイバー攻撃が成立した技術的背景には、推論モデルがコード理解と動的環境のフィードバックループを自律完結できる水準に達した事実がある。
従来のセキュリティ診断ツールは、既知のシグネチャ照合や事前定義されたルールに基づくスキャンに依存していた。この方式では静的解析ツールの誤検知率が20〜30%に達し、トリアージ作業に膨大な人的コストを要した。しかし、最新の推論モデルはターゲット環境のエラーログやレスポンスヘッダを読み取り、次の一手を自律決定する。
同イベントでOpenAI Japanの宇都宮聖子氏が示したデータによると、一般向けの安全ガードレールを適用した「GPT-5.6 Sol」ではサイバー攻撃タスクの完遂率は1.5%に抑えられている。一方で、セキュリティ検証向けに調整された「GPT-5.6-Cyber」は、同課題の95%を完遂した。この差は、モデルの基本性能ではなく、システムプロンプトとアライメントの制約設計に起因する。
防衛側においてOpenAIが運用する脆弱性自動修復システム「Defense Factory」では、発見された脆弱性候補に対して動的検証(PoCコードの自動生成・安全なサンドボックス内実行)を必須要件としている。これにより、静的フェーズでの偽陽性を排除し、最終的な誤検知率を0.81%まで抑制した。さらに、Codexが生成したパッチコードを本番環境へ適用した際のロールバック率は0.53%にとどまっている。
| 評価指標 | 従来の静的解析(SAST/DAST) | OpenAI Defense Factory |
|---|---|---|
| 診断実行主体 | 人手+スクリプト実行 | 自律型AIエージェント |
| 偽陽性(誤検知)率 | 15% 〜 35% 前後 | 0.81%(動的検証後) |
| パッチ生成と適用 | 人手によるコード修正・テスト | AI自動生成+CI/CD連動適用 |
| パッチロールバック率 | 運用環境依存(3〜8%程度) | 0.53% |
| 単一攻撃者の標的範囲 | 1期間につき1〜数社 | 単独で数十社へ同時実行 |
自律型エージェント攻撃を成立させる技術的条件は、ツールのAPI呼び出し精度、コンテキスト長、動的環境での状態遷移追従の3点である。ARTEXが悪用された事例では、軽量なオープンソースLLMであっても、ツール呼び出し(Function Calling)のプロトコルが標準化されたことで、reconnaissance(偵察)からexploit(攻撃実行)までのパイプラインが自動接続されていた。
参考記事: AIエージェントとは?自律型AIの仕組みから2030年のマシンエコノミー予測まで徹底解説
フロンティアラボから金融機関まで広がる事業環境の変化
AIエージェントの兵器化と防御技術の高度化は、サプライチェーンを構成する主要ステークホルダーに事業プロセスの改訂を迫っている。
1. AIモデル開発企業(フロンティアラボ)
OpenAIやAnthropicなどのフロンティアラボは、デュアルユース(軍民両用)リスクの管理において厳格なアクセス制御を導入している。Anthropicが「Claude Mythos Preview」の提供を一部組織向け検証プログラム「Project Glasswing」に限定したように、サイバー攻撃タスク完遂能力を持つモデルはクローズドな運用が基本原則となった。今後は、API経由でのペイロード生成検知やキルスイッチの実装がモデル提供のライセンス条件となる。
2. 暗号・セキュリティベンダー
クラウドストライクをはじめとするエンドポイントセキュリティおよびXDRベンダーは、製品思想の転換を迫られている。単独犯が数十社を同時並行で攻撃できる環境下では、シグネチャベースや人手によるSOC(Security Operation Center)分析は追従できない。侵入テスト用AIの挙動パターンそのものを機械学習モデルで監視し、ミリ秒単位で隔離・遮断するエージェント対エージェントの迎撃機構が製品競争力の軸となる。
3. 導入企業(金融・製造・通信などのエンタープライズ)
新韓銀行のインシデントは、中核勘定系システムの防御だけでは組織を守り切れない現実を立証した。開発用ステージング環境、過去に導入したVPNゲートウェイ、関連子会社のWebインターフェースなど、外部から到達可能な全資産を把握する攻撃表面管理(ASM: Attack Surface Management)の刷新が必須となる。未知の資産が存在する状態そのものが、AIエージェントにとっての格好の侵入経路となる。
4. 行政・規制当局・標準化団体
日本国内では、2026年5月22日に金融庁と日本銀行が「フロンティアAIによる脅威変化を踏まえた金融機関等の短期的な対応」を要請した。さらに2026年10月1日には「サイバー対処能力強化法」が施行され、重要インフラ事業者に対する能動的サイバー防御の枠組みが法制化された。年次ベースの静的なセキュリティ監査やペーパーベースの点検項目提出は効力を失い、継続的なAI診断の実施ログやパッチ適用頻度が考査の重要基準に設定され始めている。
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
境界防御から自律修復への移行要件
AIエージェントによる攻撃がコモディティ化する局面において、企業防衛は「外部からの侵入を水際で防ぐ境界防御」から「自律的脆弱性修復(Autonomous Remediation)」へ舵を切らざるを得ない。
技術責任者および事業責任者が次世代セキュリティ体制へ移行する際、監視すべき技術評価指標は以下の3点に集約される。
第一に、外部資産の検出網羅率(ASMカバレッジ)である。シャドーITや非推奨プロトコルを開放したまま放置されたエンドポイントが1件でも残存していれば、AIエージェントの総当たり的・論理的探索によって特定される。ドメインおよびIPアドレスの棚卸し頻度を「四半期に1回」から「日次自動スキャン」へ移行し、未把握の資産比率を0%に維持することが第一の関門となる。
第二に、脆弱性検知から修正完了までの平均時間(MTTR: Mean Time to Remediation)の圧縮である。Claude Mythos PreviewやGPT-5.6-Cyberのようなモデルが悪用された場合、脆弱性公開からPoC生成・攻撃着手までの猶予時間は数日単位から数分・数時間単位へ短縮される。したがって、CVSSスコア7.0以上の高危険度脆弱性に対するパッチ適用目標時間を従来の「30日以内」から「24時間以内」へ短縮できるパイプラインの構築が求められる。
第三に、パッチ生成AIの誤検知・誤修正率の制御である。OpenAIのDefense Factoryが示した「動的検証後の誤検知率0.81%」「ロールバック率0.53%」という数値は、実務運用における重要なベンチマークとなる。自社開発コードや社内基盤へ自動パッチ適用システムを組み込む場合、ステージング環境における自動テストカバレッジが80%以上確保され、ロールバック率が1%未満に抑えられていることが、本番パイプラインへ自律修復を組み込むための技術的GOサインとなる。
自律型AI攻撃に備えるセキュリティ基盤の確立手順
自律型AIを用いた攻撃が実証された今、企業が着手すべき対応は高度なAIソリューションの導入にとどまらない。日銀の塩谷氏が強調したように、基盤となる衛生管理(ハイジーン)の徹底が防衛線として機能する。
- 外部公開資産の完全な可視化と不要エンドポイントの即時閉鎖
外部ネットワークからアクセス可能な全サーバー、開発環境、VPNルーターをASMツールで自動インベントリ化する。管理者不在のテストサーバーや保守用ポートは原則として即時遮断し、AIエージェントによる探索対象となる攻撃表面を物理的に最小化する。
- 脆弱性パッチ適用パイプラインの短周期化と自動化
既知の脆弱性(CVE)が放置されている期間を極限まで削るため、脆弱性情報フィードとCI/CDテスト環境をAPIで連携させる。セキュリティアップデートの適用可否判定を定例会議ベースから自動回帰テスト主導へ改め、検知から本番適用までのリードタイムを24時間以内に収める体制へ移行する。
- 侵入前提のマイクロセグメンテーションと多要素認証の再点検
境界が突破された場合を前提とし、社内ネットワーク内の横展開(ラテラルムーブメント)を遮断するマイクロセグメンテーションを適用する。さらに、すべての管理権限アクセスに対してフィッシング耐性のあるFIDO2準拠の多要素認証を義務付け、単一クレデンシャルの漏洩が即座に全体侵害へ波及する経路を断ち切る。
出典: 東洋経済オンライン
出典: 株式会社ナノオプト・メディア
出典: 毎日新聞
出典: 毎日経済新聞(MK)
