W maju 2026 roku Google Threat Intelligence Group udokumentowała pierwszy potwierdzony przypadek, w którym cyberprzestępca użył sztucznej inteligencji do opracowania exploita typu zero-day — i to nie do włamania siłowego, lecz do wykrycia ukrytego błędu logicznego, którego żaden klasyczny skaner by nie znalazł. To nie jest kolejny alarm o AI „zastępującej programistów” — to sygnał, że reguły gry w cyberbezpieczeństwie właśnie się zmieniły, a przewaga zaczyna przechylać się na stronę atakujących szybciej, niż większość organizacji zdążyła to zauważyć.
Czym jest luka zero-day i dlaczego AI ją lepiej wykrywa?
Luka zero-day to błąd w oprogramowaniu, o którym producent jeszcze nie wie — a więc nie istnieje dla niej żadna łatka w momencie pierwszego wykorzystania przez atakującego. Tradycyjne narzędzia, takie jak fuzzery czy statyczna analiza kodu, świetnie radzą sobie z klasycznymi błędami implementacyjnymi: przepełnieniami bufora, niezabezpieczonymi wejściami czy błędami zarządzania pamięcią.
Problem pojawia się tam, gdzie błąd nie zostawia żadnego technicznego śladu. Przypadek z maja 2026 roku dotyczył zakodowanego na stałe założenia zaufania w popularnym narzędziu do administracji systemami opartym na otwartym kodzie źródłowym. Exploit, zapisany w skrypcie Pythona, pozwalał ominąć uwierzytelnianie dwuskładnikowe (2FA), jeśli atakujący dysponował już prawidłowymi danymi uwierzytelniającymi. Fuzzer tego nie znajdzie — bo nic się nie „psuje” w sensie technicznym.
Zespół Google Threat Intelligence Group ocenił z wysokim prawdopodobieństwem, że model językowy AI wspomagał zarówno odkrycie luki, jak i jej uzbrojenie. Analitycy oparli tę ocenę na trzech przesłankach: niezwykle szczegółowych komentarzach instruktażowych w kodzie, sfabrykowanym wskaźniku CVSSv3 oraz wysoko ustrukturyzowanym stylu kodowania charakterystycznym dla generowanych wyników.
Jak AI wykrywa błędy logiczne, których narzędzia klasyczne nie widzą?
Duże modele językowe analizują kod inaczej niż kompilatory czy skanery bezpieczeństwa — badają relacje między uprawnieniami, funkcjami i oczekiwanym zachowaniem systemu w całej bazie kodu jednocześnie. Pozwala to wykrywać sprzeczności logiczne: miejsca, gdzie kod robi dokładnie to, do czego został napisany, ale efekt uboczny tworzy wektor ataku.
Google Threat Intelligence Group opublikowała w 2025 roku analizę, według której badacze śledzili 90 luk zero-day aktywnie wykorzystywanych w środowiskach produkcyjnych — to wzrost z 78 przypadków odnotowanych w 2024 roku i rekord w historii tego zestawu danych. Spośród tych 90 przypadków aż 43, czyli 48% ogółu, dotyczyło oprogramowania korporacyjnego i urządzeń sieciowych.
Liczby te pokazują tendencję, która niepokoi bardziej niż pojedyncze incydenty: atakujący coraz częściej celują w złożone systemy enterprise, gdzie czas reakcji jest dłuższy, a widoczność środowiska — ograniczona. AI po stronie atakujących przyspiesza odkrycie; AI po stronie obrońców ma szansę skrócić czas analizy — ale tylko wtedy, gdy organizacje wiedzą, gdzie dane oprogramowanie w ogóle działa.
Redakcja IWD Partner: Przypadek z maja 2026 roku uderza przede wszystkim tym, że AI nie „wyważyła drzwi” — pomogła znaleźć klucz, który leżał na widoku, ale nikt go wcześniej nie zauważył. To subtelna zmiana jakościowa: dotychczas bezpieczeństwo opierało się częściowo na złożoności kodu jako naturalnej ochronie. Jeśli modele językowe systematycznie redukują tę barierę, pytanie brzmi nie „czy” organizacje będą musiały przeprojektować swoje podejście do audytu bezpieczeństwa, lecz „jak szybko” zdążą to zrobić, zanim przewaga przesunie się nieodwracalnie.
Dlaczego kontenery utrudniają reakcję na ujawnione luki?
Środowiska kontenerowe wprowadzają warstwową złożoność, która potrafi całkowicie ukryć podatny komponent przed zespołem bezpieczeństwa. Obraz kontenera może zawierać pakiety systemu operacyjnego, biblioteki aplikacji, zależności odziedziczone z obrazu bazowego oraz narzędzia pomocnicze niemające związku z właściwą funkcją kontenera.
Podatny komponent może więc znajdować się kilka warstw poniżej aplikacji właściwej i powielać się w dziesiątkach obrazów, nawet jeśli organizacja nigdy nie dodała go celowo. To nie jest scenariusz teoretyczny — Log4Shell, który uderzył w grudzień 2021 roku, pokazał ten problem w pełnej skali. Biblioteka Log4j była wbudowana w setki produktów i usług, a dla wielu organizacji samo zdobycie łatki było dopiero początkiem problemu.
Prawdziwe wyzwanie polegało na zidentyfikowaniu każdego serwera, aplikacji i kontenera zawierającego podatną wersję biblioteki — zanim możliwe było ukończenie remediacji. Bez narzędzi do automatycznego mapowania SBOM (Software Bill of Materials, czyli rejestru składu oprogramowania) to zadanie zajmowało tygodnie lub miesiące, podczas gdy okno ekspozycji było otwarte.
Skład kontenera jako czynnik czasu reakcji
Analiza firmy Minimus z 2025 roku zwraca uwagę na trzy zmienne, które bezpośrednio wpływają na czas reakcji po ujawnieniu nieznanej luki: skład obrazu kontenera, kompletność rejestrów zależności oraz szybkość przebudowy obrazu. Organizacje z aktualnym SBOM i zautomatyzowanym pipeline’em przebudowy reagują wielokrotnie szybciej niż te, które muszą ręcznie inwentaryzować środowisko.
AI przyspiesza analizę — ale tylko wtedy, gdy ma co analizować. Jeśli organizacja nie posiada aktualnego rejestru tego, co działa w jej środowisku, nawet najszybszy model językowy nie skróci czasu reakcji, bo nie będzie wiedział, gdzie szukać podatnego komponentu.
Jak zmienia się wyścig zbrojeń między atakującymi a obrońcami?
Symetria narzędzi AI jest nowym elementem w ekosystemie cyberbezpieczeństwa. Przez lata obrońcy dysponowali większymi zasobami obliczeniowymi i budżetami na narzędzia niż typowy atakujący — asymetria ekonomiczna działała na korzyść strony defensywnej. Demokratyzacja modeli językowych częściowo tę asymetrię znosi.
Atakujący z dostępem do modelu językowego może zlecić mu przegląd kodu pod kątem logicznych sprzeczności, generowanie wariantów exploita czy automatyczne tworzenie szczegółowej dokumentacji — co widać było w skrypcie z maja 2026 roku, w którym komentarze instruktażowe były według Google’a znakiem firmowym generowanego kodu. Obrońcy mogą używać tych samych modeli do skanowania własnych baz kodu przed publikacją.
Przewagę zyskują ci, którzy połączą szybką analizę AI z kompletną widocznością środowiska i krótkim czasem przebudowy podatnych komponentów. Samo przyśpieszenie wykrywania bez możliwości szybkiego wdrożenia łatki nie zamyka okna ekspozycji — przesuwa je tylko bliżej momentu, w którym organizacja już wie o problemie, ale wciąż nie może nic zrobić.
Dlaczego AI w cyberbezpieczeństwie ma znaczenie?
Wzrost liczby exploitowanych luk zero-day z 78 w 2024 roku do 90 w 2025 roku, udokumentowany przez Google Threat Intelligence Group, pokazuje, że tempo odkrywania i wykorzystywania podatności rośnie szybciej niż zdolność organizacji do reakcji przy użyciu klasycznych metod. Sektor enterprise — odpowiadający za 48% wszystkich przypadków w 2025 roku — jest szczególnie narażony, bo złożoność jego środowisk sprawia, że czas między ujawnieniem luki a kompletną remediają mierzy się w tygodniach, nie godzinach.
Jeśli modele AI po stronie atakujących będą systematycznie skracać czas odkrycia i uzbrojenia luki, a organizacje nie zrównają tempa po stronie obronnej, okno ekspozycji będzie się rozszerzać — nawet przy rosnących budżetach na bezpieczeństwo. Automatyczne generowanie i aktualizacja SBOM, AI-wspomagane skanowanie kodu oraz zautomatyzowane pipeline’y przebudowy kontenerów stają się nie tyle ulepszeniem istniejących procesów, co warunkiem utrzymania parytetu z atakującymi.
Powiązane pojęcia z AI i uczenia maszynowego
- Zero-day — luka w oprogramowaniu nieznana producentowi w momencie jej pierwszego wykorzystania przez atakującego, dla której nie istnieje jeszcze oficjalna łatka.
- SBOM (Software Bill of Materials) — ustrukturyzowany rejestr wszystkich składników oprogramowania, bibliotek i zależności wchodzących w skład danego systemu lub kontenera.
- Fuzzing — technika testowania bezpieczeństwa polegająca na dostarczaniu losowych lub półlosowych danych wejściowych do programu w celu wywołania nieoczekiwanych błędów.
- Statyczna analiza kodu — metoda badania kodu źródłowego bez jego uruchamiania, umożliwiająca wykrywanie potencjalnych błędów i podatności na etapie przed kompilacją.
- LLM (Large Language Model) — duży model językowy trenowany na rozległych zbiorach tekstu i kodu, zdolny do analizy, generowania i transformacji treści tekstowych oraz kodu źródłowego.
Na podstawie materiałów źródłowych.
