ה-AI מקצרת את הדרך מחולשה למתקפה: האם ההגנה תעמוד בקצב?

לאחרונה הכריזה גוגל על Gemini 4 Carbon , מודל בינה מלאכותית חדש בעל יכולות מתקדמות לגילוי חולשות אבטחה, אימות יכולת ניצול ותיקון קוד פגיע. על פי גוגל, המודל השיג ציון של 88.2% במבחן SEC-bench Pro, הישג שמעיד על התקדמות משמעותית ביכולות המחקר של מערכות בינה מלאכותית. בשלב זה הגישה ליכולות הסייבר המתקדמות של המודל מוגבלת למומחי הגנת סייבר נבחרים. אבל הסיפור האמיתי אינו המודל החדש של גוגל, אלא השינוי העמוק שמתרחש בתעשיית הסייבר: בינה מלאכותית הופכת מכלי שמסייע בכתיבת קוד לכלי שמסוגל לחקור מערכות מורכבות, לזהות חולשות, לבחון דרכים לנצל אותן ולהציע פתרונות. המשמעות היא שאנחנו נכנסים לעידן שבו הזמן שבין גילוי חולשת אבטחה לבין הפיכתה למתקפה מעשית עלול להתקצר באופן דרמטי. בשנה האחרונה אנחנו חווים את השינוי הזה מקרוב בצוות מחקר האיומים שלנו ב אימפרבה , מקבוצת תאלס , באמצעות שילוב של כלי בינה מלאכותית בתהליכי מחקר אבטחה, לצד חוקרים מנוסים, כדי להאיץ ניתוח קוד, לבחון השערות ולחקור נתיבי תקיפה מורכבים. מחולשה בקוד למתקפה מעשית מחקר שהשלמנו לאחרונה המחיש היטב את הפוטנציאל של הגישה הזאת. בעקבות פרסום חולשת אבטחה ברכיב Brotli של סביבת ההרצה Node.js , יצאנו לבחון את המשמעות המעשית שלה. החולשה, שמספרה CVE-2026-111497, עלולה לאפשר כתיבה מחוץ לגבולות הזיכרון, אך השאלה החשובה מבחינתנו הייתה האם ניתן להפוך אותה למתקפה שמאפשרת הרצת קוד מרחוק. באמצעות שילוב של כלי בינה מלאכותית, מחקר אבטחה ובדיקות מעשיות, הצלחנו לבנות מתקפה עובדת שקראנו לה Node2Shell . הדגמנו כיצד מידע דחוס וזדוני יכול להביא להרצת קוד בסביבת Node.js פגיעה, ללא צורך בשינוי ייעודי של סביבת ההרצה לצורכי המחקר. לא פחות חשוב מכך, במקביל לניתוח המתקפה פיתחנו ואימתנו אמצעי הגנה המאפשרים למערכות ה-WAF של אימפרבה לזהות ולחסום את ניסיונות הניצול שהצלחנו לשחזר. זו המחשה לשינוי שאנחנו רואים בעולם המחקר: אותו תהליך שמסייע להבין כיצד חולשה יכולה להפוך למתקפה מאפשר גם לפתח במהירות הגנה מעשית מפניה. הבינה המלאכותית מרחיבה את יכולות החוקר האנושי עם זאת, החוקר האנושי לא נעלם, אלא יכולותיו מתרחבות. המחקר על Node2Shell הוא רק חלק מתמונה רחבה יותר. במהלך השנה האחרונה חשפנו, במסגרת מחקרי אבטחה, חולשות בפלטפורמת הבינה המלאכותית Dify , חולשות מניעת שירות בספריית GraphQL Java ובעיות אבטחה במנתחי שאילתות SQL המשמשים פרויקטים רבים. המחקרים הללו ממחישים עד כמה חולשות משמעותיות יכולות להסתתר במקומות לא צפויים: בספריות ותיקות, ברכיבי תשתית ובשילוב בין מנגנונים שנראים בטוחים כאשר בוחנים כל אחד מהם בנפרד. דווקא המורכבות של מערכות תוכנה מודרניות הופכת את היכולת לבחון מספר רב של תרחישים במהירות לחשובה במיוחד. היתרון של בינה מלאכותית אינו בכך שהיא מחליפה את המומחיות של חוקר האבטחה, אלא ביכולתה להרחיב משמעותית את היקף הבדיקות וההשערות שניתן לחקור. היא יכולה לסייע בניתוח כמויות גדולות של קוד, בהשוואה בין גרסאות ובבחינת רצפים של פעולות שאדם היה מתקשה לבדוק באותו קצב. עם זאת, מודלים עדיין טועים, מייצרים השערות שגויות ולעיתים מציגים קוד שנראה משכנע אך אינו עובד. דוגמה בולטת נרשמה סביב PHP2Shell : לאחר חשיפת החולשות הופיעו ב-GitHub למעלה מאלף מאגרי קוד הקשורים אליהן. חלק ניכר מהם הכילו קוד שנוצר באמצעות בינה מלאכותית, אך כלל לא תפקד כהוכחת היתכנות לניצול (PoC). ריבוי דוגמאות כאלה יוצר רעש ומקשה להבחין בין מתקפה עובדת לבין קוד שנראה אמין רק על הנייר. הסכנה שבחולשות הללו אינה תיאורטית בלבד. כפי ש דווח באנשים ומחשבים, הסוכנות האמריקנית לאבטחת סייבר ותשתיות התריעה מפני ניצול פעיל של חולשות PHP2Shell , שעלולות לאפשר לתוקפים הרצת קוד מרחוק. מנגד, העובדה שדוגמאות רבות אינן פועלות אינה מלמדת שהחולשה אינה מסוכנת: גם במקרה הזה הודגמו הוכחות היתכנות עובדות. לכן אימות בסביבת בדיקה מתאימה, הבנת תנאי הניצול והיכולת להבחין בין חולשה תיאורטית לסיכון ממשי נשארים מרכיבים חיוניים בעבודת חוקרי האבטחה. המרוץ בין התוקפים למגינים הולך ומתקצר יש כאן גם צד מטריד: אותן יכולות שמסייעות לחוקרי אבטחה למצוא חולשות ולפתח הגנות עשויות לשמש גם תוקפים. ככל שהמודלים ישתפרו, הידע והזמן הנדרשים לבניית מתקפות מורכבות עשויים להצטמצם. בעבר, פרסום חולשת אבטחה לא תמיד הוביל מיד למתקפה מעשית. תוקפים היו צריכים ללמוד את החולשה, לנתח את הקוד, לפתח כלי ניצול ולבדוק אותו. התהליך הזה העניק לארגונים חלון זמן מסוים להיערכות. כעת החלון הזה נמצא בסכנת הצטמצמות. גם כאשר היצרניות מגבילות גישה למודלים בעלי יכולות סייבר מתקדמות, אין להניח שהיכולות הללו יישארו לאורך זמן נחלתם הבלעדית של המגינים. לכן האתגר המרכזי של תעשיית האבטחה אינו רק לזהות יותר חולשות, אלא לקצר את הזמן שבין זיהוי האיום לבין יצירת הגנה אפקטיבית בסביבת הייצור. האתגר הזה מתחבר גם לשאלות רחבות יותר על השימוש בבינה מלאכותית במערכות אבטחה. ב ראיון קודם לאנשים ומחשבים הסביר טל טיקוצקי מאימפרבה כיצד הבינה המלאכותית מסייעת למנהלי האבטחה, אך גם יוצרת סיכונים חדשים , המחייבים פיקוח ובקרה על פעולותיהם של סוכנים אוטונומיים. עדכון התוכנה הפגיעה נותר הפתרון המועדף לתיקון שורש הבעיה. אבל עדכונים דורשים בדיקות, פריסה ולעיתים השבתה של מערכות קריטיות. בתקופה הזאת יש חשיבות עצומה לשכבות הגנה משלימות, ובהן הגנה בזמן ריצה וטלאי אבטחה וירטואליים (Virtual Patching), שמסוגלים לחסום נתיבי ניצול ידועים עוד לפני השלמת עדכון התוכנה. המרוץ הבא אינו רק על הבינה המלאכותית החכמה ביותר ההכרזה של גוגל היא סימן נוסף לכך שמחקר חולשות בעזרת בינה מלאכותית עובר מניסויים נקודתיים ליכולות מתקדמות ושיטתיות. אבל השינוי החשוב ביותר עדיין לפנינו. מערכות אבטחה יצטרכו להתפתח ממנגנונים שמגיבים לחולשות ידועות למערכות שמסוגלות לחקור איומים, להעריך את יכולת הניצול שלהם, לייצר הגנות ולאמת את יעילותן במהירות, תוך שמירה על בקרה אנושית. העתיד אינו שייך בהכרח למי שיגלה ראשון את חולשת האבטחה הבאה, אלא למי שיצליח להפוך את הידע הזה להגנה אמיתית לפני שהתוקפים יספיקו לנצל אותו. בעולם שבו הבינה המלאכותית מקצרת את הדרך מגילוי חולשה למתקפה, היא חייבת לסייע לקצר באותה מידה גם את הדרך מגילוי חולשה להגנה. הכותב הוא נדב אביטל, Field CTO לתחומי AI ואבטחת יישומים בחברת אימפרבה מקבוצת תאלס. הפוסט ה-AI מקצרת את הדרך מחולשה למתקפה: האם ההגנה תעמוד בקצב? הופיע ראשון ב אנשים ומחשבים - פורטל חדשות היי-טק, מיחשוב, טלקום, טכנולוגיות