Vad händer med vårt försvar när angriparen får AI?
Säkerhetsorganisationer är byggda utifrån antaganden om angriparens kapacitet, kostnad och tempo. AI kan förändra alla tre. Frågan är därför större än nya AI-specifika attacker: den handlar om hur snabbt en motståndare kan leta, pröva, kombinera och utnyttja svagheter. Det betyder inte att vanliga angripare redan har samma förmåga som de starkaste frontiermodellerna. Men defensiva tester visar att sårbarhetsletande och exploatering kan accelerera kraftigt.
Glasswing och Mythos visar vad som händer när fyndtakten ökar
Anthropic rapporterade den 22 maj 2026 att bolaget och ungefär 50 partnerorganisationer hade använt Claude Mythos Preview för att hitta mer än 10 000 sårbarheter med hög eller kritisk allvarlighetsgrad. Siffrorna är leverantörsrapporterade och ska läsas som ett konkret fall – inte som ett generellt benchmark för alla AI-system. HackerOne rapporterade den 1 september 2026 att Claude Mythos 5 vid första körningen mot företagets kodbas hittade en kritisk RCE utan aktuell exponering i produktion. HackerOne åtgärdade felet på mindre än 48 timmar. Den generaliserbara poängen är inte leverantören eller det exakta antalet fynd: när upptäcktstakten ökar kan verifiering, prioritering och åtgärd bli den nya flaskhalsen.
När upptäckten blir maskinsnabb
Om sårbarhetsupptäckt accelererar kan flaskhalsen flytta mot verifiering, prioritering, patchning, mitigering och återtest. Ett säkerhetsarbete dimensionerat för en annan angriparkapacitet kan då behöva omprövas. Det kan betyda kortare patchcykler för de mest exploaterbara bristerna, bättre överblick över attackytan, snabbare mitigering, kontinuerlig egen testning och mer automation i triage, fixförslag, verifiering och återtest. Det betyder inte att AI ska få patcha produktion autonomt. Det betyder att dagens balans mellan automation, change management och mänsklig kontroll kan behöva förändras.
Försvaret behöver också accelerera
Om angriparen använder AI för att leta efter våra svagheter – varför skulle vi själva fortfarande leta efter dem huvudsakligen manuellt? För många företag kan detta kräva mer specialistkapacitet och en cybersäkerhetsbudget som växer snabbare än tidigare. Men pengar är bara en del av svaret. Processer, mandat, verktyg, leverantörssamverkan och förmågan att prioritera rätt fynd behöver också klara ett högre tempo. AI förändrar alltså inte bara hotet. Den kan tvinga fram en förändring av säkerhetsorganisationens egen produktionsmodell.
Om antagonistens förmåga att hitta sårbarheter blir maskinsnabb – hur möter vi det?
Från tanke till handling
Tänkbara åtgärder
Några rimliga sätt att ta frågan vidare.
Dokumentera incidenter och åtgärder
Dokumentera incidenter, orsaker, konsekvenser och åtgärder. Använd erfarenheterna för att se återkommande svagheter och förbättra skyddet. Har ni en etablerad sårbarhetsprocess kan ni också följa tiden från upptäckt till verifierad åtgärd för kritiska brister.
- Mål
- Bygga säkerhetsförmåga även utan avancerade mätverktyg – och optimera ledtider där processen är mogen för det.
- Extra viktigt när
- incidenter, avvikelser eller sårbarheter visar var skyddet inte räckte.
Låt en extern part utmana säkerheten
Använd exempelvis en strukturerad gap-analys, penetrationstest eller red-team-övning beroende på risk och mognad, och jämför resultaten med vad den egna kontrollmiljön hittar.
- Mål
- Få en oberoende bild av verkliga svagheter och blinda fläckar.
- Extra viktigt när
- den egna säkerhetsbilden huvudsakligen bygger på interna kontroller och antaganden.
Dimensionera säkerhetsförmågan efter risk och resiliensbehov
Värdera löpande hot, konsekvens, exponering, återställningstid och vilken extra motståndskraft som är värd att investera i.
- Mål
- Koppla säkerhetsbudget och beredskap till verksamhetens faktiska risk.
- Extra viktigt när
- angriparens tempo, teknik eller den egna beroendegraden förändras snabbt.
Källor och vidare läsning
Källorna stöder sakuppgifter och etablerade ramverk. Sidans scenarier och slutsatser är redaktionella resonemang.