問いをひとつ立てる。「AIがセキュリティの問題を解決しつつある」は正しいか?
正解は「半分だけ正しい」だ。AIは脆弱性を発見する問題を解決しつつある。だが今、それによって新たな問題が生まれている。発見された脆弱性を修正できる人間が、絶対的に不足しているのだ。
2026年5月26日、AnthropicはProject Glasswingの進捗レポートを公開した。Claude Mythos Previewが1,000以上のOSSプロジェクトをスキャンし、23,019件の潜在脆弱性を検出。うち6,202件が高・重大レベルと推定され、独立検証で90.6%が真陽性だと確認された。
これは「AIはすごい」という話ではない。これは、私たちが長い間「発見できないから安全だ」と思い込んでいたOSSの世界が、突然その仮面を剥がされた話だ。
Project Glasswing とは何か——Anthropicが組んだセキュリティ連合
Project Glasswingは2026年4月にAnthropicが主導して発足したセキュリティコンソーシアムだ。AWS、Apple、Broadcom、Cisco、CrowdStrike、Google、JPMorgan Chase、Linux Foundation、Microsoft、NVIDIA、Palo Alto Networksという顔ぶれが参加している。
なぜこんな錚々たる企業が集まったのか。答えは単純だ。全員がOSSに依存しているからだ。あなたの会社のプロダクトも、必ずLinuxカーネル、OpenSSL、libcurl、OpenJDK、その他無数のOSSライブラリの上に立っている。それらのうち一つでも重大な脆弱性があれば、あなたのプロダクトも危険にさらされる。
Claude Mythos Preview の自律的な脆弱性発見能力
Mythosが何をできるのか、具体例で語ろう。CVE-2026-4747というFreeBSDのRCE(リモートコード実行)脆弱性がある。誰でもroot権限を取得できるこの脆弱性は、コードベースに17年間潜んでいた。
人間のセキュリティ研究者が17年間見逃した理由は悪意や怠慢ではない。単純にスケールの問題だ。世界中に何千ものOSSプロジェクトが存在し、それぞれが何万行ものコードを持つ。人間は注意を向けた場所しか調べられない。
Mythosは違う。1,000以上のOSSプロジェクトを数ヶ月でスキャンした。人間が同じ作業をやろうとすれば、数十年かかる計算だ。そして90.6%という真陽性率は、ノイズを排除する精度も備えている。
発見速度は人間の桁違い。精度も従来ツールを超えた。ここまでは「AIはすごい」の話だ。
1ヶ月で1万件——データが示すAIの圧倒的スキャン力
数字をもう一度、ちゃんと見る
レポートの数字を改めて整理する。
- 検出された潜在脆弱性:23,019件
- 高・重大レベルと推定:6,202件
- 独立検証後の真陽性率:90.6%(高・重大確認:62.4%)
6,202件に62.4%をかけると約3,870件。これが独立した第三者機関によって「高・重大」と確認された脆弱性の推定値だ。OSSは公開されているので、これは攻撃者にとっても潜在的なターゲットリストに近い。
「90.6%の真陽性率」の意味
従来の静的解析ツール(SonarQube、Semgrep等)を使ったことがある開発者なら分かるはずだ。偽陽性の多さに辟易した経験が必ずある。「警告が多すぎて、本当に危ないものが埋もれる」という問題はセキュリティ界隈の慢性的な課題だった。
Mythosの90.6%という真陽性率は、この問題を別の次元で解決している。コード文脈を深く理解するLLMの強みが、ここに出ている。単純なパターンマッチングではなく、「このコードの意図はなにか、この入力はどこから来うるか」という推論が働いているからだ。
AIが生み出した「新しいボトルネック」とは何か
ここからが本題だ。個人的には、このレポートの最も重要な部分は数字ではなく、Anthropicが付記したこの一文だと思っている。
「相対的な脆弱性発見の容易さ vs. 修正の困難さは、サイバーセキュリティの重大な課題となっている」
率直に言う。これはAIが引き起こした問題だ。悪意があるわけではない。でも構造的な問題として、AIが「ボトルネックを上流から下流へ移動させた」。
発見速度 vs. 修正速度の非対称性
従来のセキュリティの世界は、こういう構造だった。
- 発見(難)→ 修正(易):脆弱性を見つけること自体が難しい。でも一度見つかれば、パッチを当てる作業は比較的ストレートだ。
AIはこれをひっくり返した。
- 発見(易)→ 修正(難):AIが大量に発見してくる。でも修正する人間は以前と変わらない。
2万3千件の潜在脆弱性レポートが届いたOSSメンテナを想像してほしい。そのメンテナは、多くの場合ボランティアか、企業に属していても割り当てリソースが限られているかだ。「とりあえず優先度の高いものから」と言いたいところだが、6,202件が「高・重大」とされているのだから、どれが「とりあえず」なのか判断するだけでも膨大なコストがかかる。
OSSメンテナが直面する修正の壁
OSSメンテナのバーンアウト問題はGlasswing以前から存在していた。log4shell(2021年)の後に顕在化したように、世界中のインフラが依存する重要なライブラリが、数人のボランティアによって維持されていることがある。
Glasswingが本格的にスケールしたとき——Mythos-classモデルが一般公開されたとき——にどうなるか。AIが毎週何万件もの脆弱性報告をOSSコミュニティに投げ込む世界が来るかもしれない。それはセキュリティを強化するのか、それともメンテナを圧倒してOSSエコシステムを壊していくのか。
どちらに転ぶかは、私たちが今どういう仕組みを作るかにかかっている。
セキュリティ産業とエコシステムへの影響
企業・開発者が今すぐ取るべきアクション
AI開発者として、今日できる現実的なアクションを挙げる。
- SBOMを整備する:Software Bill of Materialsがなければ、どのOSSに依存しているかさえ把握できない。脆弱性情報が届いても、自分たちが影響を受けるかどうか即座に判断できない。
- 依存ライブラリの自動監視を入れる:GitHub Dependabot、Snyk、Grype等の脆弱性スキャンツールをCI/CDに組み込む。Glasswingのレポートが公開される前に、すでに公開されているCVEへの対応を自動化できる。
- パッチ適用のSLAを決める:「発見されたら対応する」では遅い。重大度別に「発見から何日以内にパッチを当てる」というSLAをチームで合意する。
💡 Glasswing参加企業のユーザーは
AWS、Google、Microsoftのプラットフォームを使っている場合、それぞれのセキュリティ勧告チャンネルを購読しておくと、Glasswing由来の修正が早期に届く可能性がある。
AIが一般公開されたときの「攻守両面」の変化
ここは正直に語らなければならない部分だ。Anthropicが「Mythos-classの一般公開を長期目標」と述べた意味を、セキュリティ視点で考えると二面性がある。
守備側のメリット:今は大企業・政府機関だけが使えるMythosが、中小スタートアップでも使えるようになる。自社プロダクトの依存OSSを大規模スキャンして、未知の脆弱性を先手で発見できる。
攻撃側のリスク:同じモデルが悪意ある攻撃者の手に渡れば、脆弱性の発見から攻撃の自動化まで一気通貫でできてしまう。Mythosが見つけた脆弱性を修正する前に悪用されるウィンドウが、現在よりずっと短くなる。
Anthropicが「安全対策が整うまで一般公開しない」という方針を維持している理由は、ここにある。safeguardsの整備は、単なる規制対応や建前ではない。モデルの強さが増すほど、解放のタイミングがクリティカルになる。
Anthropicの次のステップ——Mythos一般公開へのロードマップ
今回のレポートで、Anthropicは三つのことを明確にした。
- Mythos-classモデルの「安全な大規模展開」が長期目標であること
- 有害な出力を検出・ブロックするセーフガードを現在開発中であること
- そのセーフガードはupcoming Claude Opusモデルと合わせてリリース予定であること
「upcoming Claude Opus」とMythosのセーフガードが同時にリリースされる——これはモデルのアーキテクチャレベルでMythosの能力が次世代Claudeに組み込まれる可能性を示唆している。Claudeの標準能力がMythos-levelに近づいていくという見方もできる。
これは夢物語ではなく、Anthropicが公式に示したロードマップだ。個人的には、2026年後半のOpusリリースに注目している。
まとめ——問いに戻る
最初の問いに戻ろう。「AIがセキュリティの問題を解決しつつある」は正しいか。
答えを更新する。「AIはセキュリティの問題の性質を変えつつある」が正確だ。
発見が難しかった問題は、発見が簡単になった。その代わり、修正が間に合わないという新しい問題が生まれた。AIは問題を消したのではなく、ボトルネックを上流から下流へ移動させた。
AI developer として今、考えるべきことは一つだ。自分のプロダクトは、このボトルネックの下流にどれだけ置かれているか。
OSSの脆弱性が大量に開示される世界は、もうすぐそこまで来ている。それに備えたSBOM、監視、パッチSLAを持っているチームと持っていないチームの間には、今後大きな差がつく。
AIがセキュリティを強くするかどうかは、最終的には私たちが修正側の仕組みをどう作るかにかかっている。