22. 5. 2026↻ blog.updatedAt 24. 6. 2026

Project Glasswing: Claude Mythos Preview našiel tisíce zraniteľností. Čo to znamená pre firmy

Realistický cover pro článek o Project Glasswing a AI hledání zranitelností

Anthropic zverejnil prvý update Project Glasswing a je to jedna z noviniek, ktoré si zaslúžia samostatný článok. Nie preto, že „AI našla veľa bugov.“ Dôležité je niečo konkrétnejšie: AI modely sa začínajú posúvať od bežného statického skenovania k práci, ktorá pripomína bezpečnostný research.

Project Glasswing je iniciatíva Anthropic zameraná na zabezpečenie kritického softvéru skôr, než sa podobné AI schopnosti začnú vo veľkom používať útočne. Anthropic v update z 22. mája 2026 píše, že približne 50 partnerov použilo Claude Mythos Preview a spoločne našli viac ako desaťtisíc high alebo critical zraniteľností v dôležitom softvéri.

Je to silný signál. Ale treba ho čítať presne. AI tu nie je zázračný nástroj, ktorý sám vyrieši bezpečnosť. Skôr dramaticky rozširuje množstvo kandidátnych nálezov. Nový problém nie je len „nájsť chybu,“ ale overiť ju, správne nahlásiť, opraviť a dostať patch k používateľom.

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

Čo Project Glasswing ukázal

Anthropic uvádza niekoľko dôležitých čísel. V open-source časti bolo nahlásených 23 019 zraniteľností, z toho odhadovaných 6 202 high alebo critical. Pri ručne posúdenej vzorke 1 752 nálezov vyšiel true-positive rate 90,6 %. Zverejnených bolo 530 high alebo critical zraniteľností a 75 už bolo podľa Anthropic opravených.

Partnerstvá ukazujú podobný smer. Cloudflare podľa Anthropic našiel 2 000 bugov vo svojich critical-path systémoch, z toho 400 high alebo critical. Mozilla pri testovaní Mythos Preview našla a opravila 271 zraniteľností vo Firefoxe 150. XBOW opisuje Mythos Preview ako významný posun v presnosti na token.

Toto nie sú bežné marketingové čísla typu „model je o 27 % lepší.“ Sú to prevádzkové čísla zo security workflow. Práve preto sú zaujímavé.

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

Prečo je to iné než klasický scanner

Klasické bezpečnostné scannery sú užitočné, ale väčšinou pracujú podľa známych vzorov: signatúry, statické pravidlá, dependency databázy, známe CVE a konfigurácie. AI security agent môže robiť niečo iné. Môže sa pokúsiť pochopiť kontext aplikácie, sledovať dátové toky, skladať exploit cestu a navrhovať kandidátnu zraniteľnosť.

To neznamená, že výsledok je automaticky pravda. Správny mentálny model je: AI generuje podozrenie, človek alebo overovací systém z neho spraví validovaný nález.

Pre firmy je to dôležitý rozdiel. Ak AI pustíte ako „ďalší scanner“ a necháte ju len generovať tickety, vytvoríte chaos. Ak ju dáte do procesu, kde existuje triage, reprodukcia, severity scoring, disclosure a patch workflow, môže výrazne rozšíriť záber bezpečnostného tímu.

Čo by som si z toho zobral prakticky

Prvý dopad je jasný: security backlog porastie. Keď AI začne nachádzať viac zraniteľností, úzke hrdlo sa presunie do overovania a opráv. Firma, ktorá nemá jasný proces pre vulnerability management, bude zahltená aj dobrým nástrojom.

Druhý dopad je zmena pomeru medzi útokom a obranou. Rovnaké schopnosti, ktoré pomáhajú defenderom, budú časom dostupné aj útočníkom. Project Glasswing je zaujímavý práve tým, že sa snaží kritický softvér opraviť skôr, než sa tento posun naplno rozbehne na druhej strane.

Tretí dopad je pre vývojárov. Bezpečnostné review sa bude viac podobať práci s agentom: model prejde zmenu, nájde podozrivé cesty, navrhne exploit alebo test a človek rozhodne, čo je skutočne relevantné. To je užitočné hlavne pri veľkých codebase, kde človek nemá šancu držať celý kontext v hlave.

Kde sú riziká

Najväčšie riziko nie je, že AI občas nájde false positive. To sa dá procesne zvládnuť. Väčšie riziko je, že model vygeneruje veľké množstvo čiastočne pravdivých nálezov bez prioritizácie. Bez triage sa z toho stane bezpečnostný spam.

Druhé riziko je disclosure. Anthropic upozorňuje, že zverejňované zraniteľnosti sú oneskorený indikátor, pretože sa musí dodržať koordinované zverejnenie a dať používateľom čas na patch. To znamená, že plný rozsah schopností modelu nie je vidieť okamžite a zároveň nie je bezpečné všetko verejne popísať.

Tretie riziko je prístup. Mythos-class modely majú potenciálne dual-use charakter. Ak model vie nachádzať a rozvíjať exploit cesty, je to výborný obranný nástroj, ale aj citlivá schopnosť. Firmy by podobné systémy nemali brať ako bežnú produktívnu AI bez governance.

Ako by som to nasadil vo firme

Začal by som na bezpečnom rozsahu. Nie celý produkčný kód naraz, ale vybraná služba, knižnica alebo interná aplikácia. Cieľ nie je „nájsť čo najviac chýb.“ Cieľ je zmerať, koľko nálezov je reprodukovateľných, aká je ich závažnosť a koľko času stojí triage.

Proces by som nastavil takto:

  • AI vygeneruje kandidátny nález.
  • Security alebo senior engineer overí reprodukciu.
  • Nález dostane severity a prioritu.
  • Vznikne patch alebo explicitné rozhodnutie, prečo sa neopravuje.
  • Výsledok sa použije ako spätná väzba pre ďalší beh.

Dôležité je nepočítať len počet nálezov. Lepšie metriky sú true-positive rate, čas do reprodukcie, čas do patchu, počet high/critical nálezov a podiel nálezov, ktoré skutočne zmenili rizikový profil systému.

Aktualizácia 24. júna 2026: OpenAI Daybreak a GPT-5.5-Cyber

OpenAI medzitým otvorilo podobnú líniu pod názvom Daybreak. Nie je to ten istý program ako Project Glasswing, ale smer je rovnaký: AI sa nepoužíva iba ako scanner, ale ako research agent na hľadanie, reprodukciu a opravu bezpečnostných chýb.

Prakticky sú dôležité tri veci. OpenAI predstavilo GPT-5.5-Cyber, model trénovaný na bezpečnostné úlohy, a uvádza skóre 85,6 % v CyberGym. Zároveň spustilo Patch the Planet, program zameraný na open-source projekty s plánom postupne rozšíriť záber na knižnice typu Python, Linux kernel alebo Apache HTTP Server. A pre vývojárov pridalo Codex Security, teda spôsob, ako používať Codex pri bezpečnostnom review vrátane hľadania zraniteľností, návrhu opráv a prípravy pull requestov.

Pre firmy z toho plynie rovnaká lekcia ako pri Glasswingu, len už naprieč viacerými vendormi. Bezpečnostná AI nebude len ďalšia položka v CI. Bude generovať podozrenia, návrhy patchov a reprodukčné kroky. Hodnota vznikne až tam, kde je nad tým triage, vlastník služby, evidencia rozhodnutí a jasný auditný záznam. Inak sa z dobrého nástroja stane iba rýchlejší generátor bezpečnostných ticketov.

Praktický záver

Project Glasswing ukazuje, že AI v bezpečnosti už nie je len autocomplete pre pentestera. Pri správne navrhnutom procese môže fungovať ako škálovateľný research asistent, ktorý hľadá kandidátne zraniteľnosti v rozsahu, ktorý ľudia sami nepokryjú.

Pre firmy z toho vyplýva jednoduchý záver: pripraviť proces skôr než nástroj. Ak nemáte jasné vlastníctvo kódu, patch workflow, triage a audit, silnejšia AI vám automaticky neprinesie bezpečnejší softvér. Len rýchlejšie ukáže, kde proces nefunguje.

Zdroje