Cloudflare heeft Mythos Preview uitgetest in eigen repositories en heeft zijn bevindingen gedeeld.
De opkomst van geavanceerde AI-modellen heeft de wereld van cybersecurity op zijn kop gezet. AI hielp vroeger vooral bij automatisering en analyse, maar nu zijn er modellen die zelfstandig kwetsbaarheden kunnen opsporen, testen én combineren. Een van de opvallendste voorbeelden daarvan is Mythos Preview, een experimenteel model van Anthropic dat binnen het Project Glasswing werd getest. Cloudflare nam de proef op de som.
Wat is Project Glasswing?
Project Glasswing is een onderzoeksprogramma dat geavanceerde AI-modellen test op hun cybercapaciteiten. Het doel is dubbel: enerzijds nagaan hoe AI beveiligingsteams kan helpen om sneller kwetsbaarheden te ontdekken, anderzijds begrijpen welke risico’s ontstaan wanneer zo’n modellen in verkeerde handen vallen.
In het project kregen partijen als AWS, Apple, Broadcom, Cisco, Google, Microsoft en The Linux Foundation toegang tot Mythos Preview, een nog niet publiek beschikbaar model van Anthropic. Cloudflare gebruikte het model om meer dan vijftig eigen repositories en open-sourceprojecten te analyseren. De resultaten tonen hoe snel AI evolueert van “slimme assistent” naar een systeem dat actief meedenkt als een ervaren beveiligingsonderzoeker.
Wat maakt Mythos bijzonder?
Volgens Cloudflare gaan de mogelijkheden van Mythos verder dan eerdere AI-modellen. Die konden wel bugs opsporen, maar kwamen vaak niet verder dan het geven van theoretische analyses. “Mythos gaat veel verder”, stelt Cloudflare. “Het model kan verschillende kleine kwetsbaarheden combineren tot een volledige exploitketen.” In de praktijk gebruiken aanvallers zelden één enkele bug; ze schakelen meerdere zwakke plekken aan elkaar om uiteindelijk controle over een systeem te krijgen. Mythos bleek in staat om dat proces zelfstandig te reconstrueren.
Daarnaast genereert het model ook proof-of-concepts. Het schrijft code die de kwetsbaarheid activeert, compileert die code in een testomgeving en controleert of de aanval effectief werkt. Als er iets faalt, past het model zijn hypothese aan en probeert het opnieuw. Die iteratieve onderzoeksmethode sluit opvallend dicht aan bij hoe menselijke onderzoekers werken.
Niet alleen krachtig, maar ook onvoorspelbaar
Mythos weigerde soms spontaan om bepaalde taken uit te voeren. Die “organische guardrails” ontstonden zonder veiligheidslagen, en toch bleek dat gedrag niet altijd even betrouwbaar. Eenzelfde opdracht kon in een andere context plots wel worden uitgevoerd. Dat maakt volgens Cloudflare duidelijk dat zulke modellen extra beveiligingsmechanismen nodig hebben voordat ze breed beschikbaar kunnen worden gemaakt. Alleen vertrouwen op spontane terughoudendheid van het model is niet genoeg als AI-systemen zelfstandig kwetsbaarheden kunnen exploiteren.
Een belangrijke uitdaging bij AI-gedreven onderzoek naar kwetsbaarheden blijft de enorme hoeveelheid foutieve meldingen. Modellen hebben de neiging om overal problemen te zien en formuleren resultaten vaak voorzichtig: “mogelijk”, “potentieel” of “theoretisch exploiteerbaar”. Voor securityteams betekent dat veel extra werk. Elke verdachte melding moet handmatig worden onderzocht. Cloudflare benadrukt dat Mythos hierin ook weer beter presteert dan eerdere modellen. Omdat het vaker werkende exploitcodes oplevert, wordt sneller duidelijk welke kwetsbaarheden echt kritiek zijn.
Uitgebreid systeem
Cloudflare ontdekte al snel dat het weinig zin heeft om een AI-agent op een volledige codebase los te laten. Grote repositories bevatten te veel context, waardoor modellen focus verliezen en details vergeten als hun contextvenster volloopt. Daarom bouwde het bedrijf een uitgebreide bescherming: een systeem waarin meerdere gespecialiseerde AI-agenten parallel samenwerken. Sommige agenten voeren verkenningen uit, andere zoeken specifieke aanvalsklassen, terwijl aparte validatie-agenten controleren of gevonden kwetsbaarheden echt exploiteerbaar zijn.
De impact van die systemen gaat verder dan het opsporen van kwetsbaarheden. Volgens Cloudflare zullen bedrijven hun volledige beveiligingsarchitectuur moeten herdenken. Alleen sneller patchen is niet voldoende wanneer AI-aanvallers binnen enkele uren nieuwe exploits kunnen ontwikkelen. De focus verschuift daarom naar structurele weerbaarheid: betere segmentatie, strengere toegangscontroles en systemen die kwetsbaarheden kunnen afschermen nog vóór een patch beschikbaar is.
Project Glasswing toont vooral één ding: AI wordt niet langer enkel gebruikt om software te bouwen, maar ook om software actief aan te vallen én te verdedigen. Dat maakt cybersecurity de komende jaren niet alleen sneller, maar ook complexer