22. 5. 2026↻ Aktualizováno 24. 6. 2026

Project Glasswing: Claude Mythos Preview našel tisíce zranitelností. Co to znamená pro firmy

Realistický cover pro článek o Project Glasswing a AI hledání zranitelností

Anthropic zveřejnil první update Project Glasswing a je to jedna z těch novinek, které stojí za samostatný článek. Ne proto, že by „AI našla hodně bugů.“ Důležité je něco konkrétnějšího: AI modely se začínají posouvat od běžného statického skenování k práci, která připomíná bezpečnostní research.

Project Glasswing je iniciativa Anthropic zaměřená na zabezpečení kritického softwaru dřív, než se podobné AI schopnosti začnou ve velkém používat útočně. Anthropic v update z 22. května 2026 píše, že přibližně 50 partnerů použilo Claude Mythos Preview a společně našli přes deset tisíc high nebo critical zranitelností v důležitém softwaru.

To je silný signál. Ale zároveň je potřeba ho číst přesně. AI tady není kouzelný nástroj, který sám vyřeší bezpečnost. Spíš dramaticky rozšiřuje množství kandidátních nálezů. Nový problém není jen „najít chybu,“ ale ověřit ji, správně nahlásit, opravit a dostat patch k uživatelům.

Proces AI hledání zranitelností: hledání, kandidát, ověření a patch

Co Project Glasswing ukázal

Anthropic uvádí několik důležitých čísel. V open-source části bylo nahlášeno 23 019 zranitelností, z toho odhadovaných 6 202 high nebo critical. U ručně posouzené sady 1 752 nálezů vyšel true-positive rate 90,6 %. Zveřejněno bylo 530 zranitelností a 75 už bylo podle Anthropic opraveno.

Partnerství ukazuje podobný směr. Cloudflare podle Anthropic našel 2 000 bugů ve svých critical-path systémech, z toho 400 high nebo critical. Mozilla při testování Mythos Preview našla a opravila 271 zranitelností ve Firefoxu 150. XBOW popisuje Mythos Preview jako významný posun v přesnosti na token.

Tohle nejsou běžná marketingová čísla typu „model je o 27 % lepší.“ Jsou to provozní čísla ze security workflow. A právě proto jsou zajímavá.

Čísla z prvního update Project Glasswing: nálezy, závažnost, true positive a patche

Proč je to jiné než klasický scanner

Klasické bezpečnostní scannery jsou užitečné, ale většinou pracují podle známých vzorů: signatury, statická pravidla, dependency databáze, známé CVE, konfigurace. AI security agent může dělat něco jiného. Může zkusit pochopit kontext aplikace, sledovat datové toky, skládat exploit cestu a navrhovat kandidátní zranitelnost.

To neznamená, že výsledek je automaticky pravda. Naopak. Správný mentální model je: AI generuje podezření, člověk nebo ověřovací systém z něj udělá validovaný nález.

Tohle je důležitý rozdíl pro firmy. Pokud AI pustíte jako „další scanner“ a necháte ji jen generovat tickety, vytvoříte chaos. Pokud ji dáte do procesu, kde existuje triage, reprodukce, severity scoring, disclosure a patch workflow, může výrazně rozšířit záběr bezpečnostního týmu.

Co bych z toho bral prakticky

První dopad je jasný: security backlog poroste. Jakmile AI začne nacházet víc zranitelností, úzké hrdlo se přesune do ověřování a oprav. Firma, která nemá jasný proces pro vulnerability management, bude zahlcená i dobrým nástrojem.

Druhý dopad je změna poměru mezi útokem a obranou. Stejné schopnosti, které pomáhají defenderům, budou časem dostupné i útočníkům. Project Glasswing je zajímavý právě tím, že se snaží kritický software opravit dřív, než se tenhle posun rozjede na druhé straně.

Třetí dopad je pro vývojáře. Bezpečnostní review se bude víc podobat práci s agentem: model projde změnu, najde podezřelé cesty, navrhne exploit nebo test a člověk rozhodne, co je skutečně relevantní. To je užitečné hlavně u velkých codebase, kde člověk nemá šanci držet celý kontext v hlavě.

Kde jsou rizika

Největší riziko není, že AI občas najde false positive. To se dá procesně zvládnout. Větší riziko je, že model vygeneruje velké množství částečně pravdivých nálezů bez prioritizace. Bez triage se z toho stane bezpečnostní spam.

Druhé riziko je disclosure. Anthropic správně upozorňuje, že zveřejňované zranitelnosti jsou zpožděný indikátor, protože se musí dodržet koordinované zveřejnění a dát uživatelům čas na patch. To znamená, že plný rozsah schopností modelu není vidět okamžitě a zároveň není bezpečné všechno veřejně popsat.

Třetí riziko je přístup. Mythos-class modely mají potenciálně dual-use charakter. Pokud model umí nacházet a rozvíjet exploit cesty, je to výborný obranný nástroj, ale také citlivá schopnost. Firmy by neměly brát podobné systémy jako běžnou produktivní AI bez governance.

Jak bych to nasadil ve firmě

Začal bych na bezpečném rozsahu. Ne celý produkční kód najednou, ale vybraná služba, knihovna nebo interní aplikace. Cíl není „najít co nejvíc chyb.“ Cíl je změřit, kolik nálezů je reprodukovatelných, jaká je jejich závažnost a kolik času stojí triage.

Proces bych nastavil takto:

  • AI vygeneruje kandidátní nález.
  • Security nebo senior engineer ověří reprodukci.
  • Nález dostane severity a prioritu.
  • Vznikne patch nebo explicitní rozhodnutí, proč se neopravuje.
  • Výsledek se použije jako zpětná vazba pro další běh.

Důležité je nepočítat jen počet nálezů. Lepší metriky jsou true-positive rate, čas do reprodukce, čas do patche, počet high/critical nálezů a podíl nálezů, které skutečně změnily rizikový profil systému.

Aktualizace 24. června 2026: OpenAI Daybreak a GPT-5.5-Cyber

OpenAI mezitím otevřelo podobnou linku pod názvem Daybreak. Nejde o totéž jako Project Glasswing, ale směr je stejný: AI se nepoužívá jen jako scanner, ale jako research agent pro hledání, reprodukci a opravu bezpečnostních chyb.

Prakticky jsou důležité tři věci. OpenAI představilo GPT-5.5-Cyber, model trénovaný pro bezpečnostní úlohy, a uvádí skóre 85,6 % v CyberGym. Zároveň spustilo Patch the Planet, program zaměřený na open-source projekty s plánem postupně rozšířit záběr na knihovny typu Python, Linux kernel nebo Apache HTTP Server. A pro vývojáře přidalo Codex Security, což je sada pro využití Codexu v bezpečnostním review, včetně hledání zranitelností, návrhu oprav a přípravy pull requestů.

Pro firmy z toho plyne stejná lekce jako u Glasswingu, jen už napříč více vendory. Bezpečnostní AI nebude jen další položka v CI. Bude generovat podezření, patch návrhy a reprodukční kroky. Hodnota vznikne až tam, kde je nad tím triage, vlastník služby, evidence rozhodnutí a jasný auditní záznam. Jinak se z dobrého nástroje stane jen rychlejší generátor bezpečnostních ticketů.

Praktický závěr

Project Glasswing ukazuje, že AI v bezpečnosti už není jen autocomplete pro pentestera. U správně navrženého procesu může fungovat jako škálovatelný research asistent, který hledá kandidátní zranitelnosti v rozsahu, který lidé sami nepokryjí.

Pro firmy z toho plyne jednoduchý závěr: připravit proces dřív než nástroj. Pokud nemáte jasné vlastnictví kódu, patch workflow, triage a audit, silnější AI vám nepřinese automaticky bezpečnější software. Jen rychleji ukáže, kde proces nefunguje.

Zdroje