AnthropicのAIがChrome・Safari脆弱性を発見——企業のAI活用セキュリティ管理

公開日：2026年11月3日文：クリスタルメソッド編集部監修：河合継（代表取締役）

AnthropicのAIが自律的に発見した多段階攻撃チェーン

2026年10月27日、Anthropicは未公開の内部Claudeリサーチモデル（Frontier Red Team使用）が、Chrome・Safari・Android・Windows・Linuxを標的とする5つのマルチステージ攻撃チェーンをラボ環境で構築したと発表した（出典: www.medianama.com、cybersecuritynews.com）。Chromeについては、V8ヒープ破壊からサンドボックス脱出、ASLRの回避、use-after-freeに至る4段階チェーンを構築し、macOS上のChromeでページ読み込み数秒後にCalculatorを起動するPoC（概念実証）を実証。GoogleはCVEを62件割り当て、すべてcriticalまたはhigh評価でChrome 156により修正済みとしている。Safariではコード実行を伴わないデータのみの攻撃で、ブラウジング履歴・Cookie・セッションDBの読み取りが可能な攻撃チェーンが構成された。Linuxでは、MPTCP（マルチパスTCP）リスナー経由のリモートroot権限奪取（CVSS 9.8、CVE-2026-98432）も確認されている。すべての脆弱性はベンダーへ事前報告され、修正発表後に公開された（出典: www.medianama.com）。

この研究が示したのは、複数の既知脆弱性の「組み合わせ」をAIが自律的に探索し、攻撃チェーンとして成立させる能力が実用水準に達しつつあるという現実だ。企業・自治体のセキュリティ担当者にとって、これは脅威の増大と同時に、防御側も同じ技術を活用できるという転換点を意味する。

なぜ多段階の脆弱性連鎖は見落とされやすいのか

個々のCVEはスキャンツールで検出できても、その組み合わせが攻撃チェーンとして機能するかどうかを評価する作業は、従来は熟練したペネトレーションテスターの経験と時間に依存してきた。現場では以下のような課題が繰り返し発生する。

スキャン結果の消化不良: 大規模システムでは月次スキャンだけで数千件の検出結果が出る。CVSSスコアが高くても、他の脆弱性と連鎖しなければ実害は小さい。逆にスコアが中程度の脆弱性でも、組み合わせによってはroot権限を奪われる。優先度判断の精度が低いと、本当に危険な連鎖を放置することになる。
パッチ適用の遅延: 今回のLinux事例では、CVE-2026-98432の修正がDebianでは2026年10月16日に提供されたが、Ubuntu・Red Hatは同時点で未修正だった。パッチが出た後もディストリビューションごとに対応状況が異なり、自社の適用状況を横断的に把握できていない組織は多い。
設定変更・ランタイム更新の影響の見落とし: Go 1.24以降でLinuxアプリがデフォルトでMPTCP接続を受け入れるようになった点は、単純な脆弱性スキャンでは検出されにくい。ランタイムのバージョンアップが新たな攻撃面を開く構造的な問題は、構成管理と脆弱性管理を分離した運用体制では見えにくい。

これらはこの事例に固有の課題ではなく、規模や業種を問わず多くの組織が抱える共通の構造的問題だ。

AIを活用した脆弱性管理は「継続的スキャン」「AI連鎖分析」「優先度判定と修正提案」の3段階で構成され、修正結果を次のサイクルに反映することで精度が向上していく。

次に読む：Chromeの攻撃チェーン、公開AIで構築できる？

公開AIモデルでChromeの攻撃チェーンを6日で構築——XBOWに報奨金25万ドル、企業が見直すべき点

企業・自治体がAIで脆弱性管理を変える具体的な方法

未然に防ぐ：AIによる攻撃面の継続的モデル化

脆弱性スキャンツール（例: OpenVAS、Tenable Nessus、Qualys）の出力をLLMに読み込ませ、「このCVEとこのCVEが組み合わさった場合の攻撃シナリオ」を自動生成させる用途は、すでにセキュリティエンジニアリングの現場で試行されている。AnthropicのFrontier Red Teamが行ったのと同様に、AIにシステムの構成情報・パッチ適用状況・ネットワークトポロジーを与えて連鎖リスクを問わせることで、単体スキャンでは見えなかった組み合わせの危険性を洗い出せる可能性がある。

実務上、まず取り組みやすいのは、CISAやNVDのCVEフィードを自動取得し、自社の構成管理データベース（CMDB）と突合して影響範囲を絞り込む仕組みを作ることだ。LLMをこのパイプラインに組み込むことで、「このパッチは自社のどのシステムに影響するか」「他の未適用CVEと組み合わせた場合のリスクは何か」という問いに対して、担当者が素早く仮説を立てられる。

早く見つける：AIによる異常検知とインシデントの早期発見

ネットワークログ・EDRテレメトリ・Webアクセスログの分析にAIを組み込む取り組みは、SIEM（セキュリティ情報・イベント管理）製品への機械学習機能の組み込みとして実用化が進んでいる。今回のAndroid事例のような物理接続を起点とした攻撃は、USB接続のイベントログとデータ転送量の異常をルールベースで検出することで早期発見の可能性が高まる。AIはこうしたルールの網羅的な生成と、正常なパターンからの逸脱検知の精度向上に貢献する。

SafariでのCookie・セッションDB読み取りのような静粛な攻撃に対しては、ブラウザの挙動監視やエンドポイントDLPとの組み合わせが有効だ。セキュリティ担当者が見るべきアラートをAIが絞り込むことで、アラート疲労を軽減しながら見落としを減らす方向での活用が現実的だ。

被害を小さくする：修正優先度の判断をAIで支援する

CVSSスコアは脆弱性の技術的な深刻度を示すが、自社環境での実際のリスクは必ずしもCVSSスコアに比例しない。AIを使って「自社の現在の構成でこのCVEが実際に悪用されるシナリオの実現可能性」を評価し、修正の順番を判断する支援ツールとして活用することで、限られたエンジニアのリソースを本当に危険な脆弱性の修正に集中させやすくなる。

今回の事例でChrome 156への修正でCVE 62件が解消されたように、パッチひとつで複数のCVEをまとめて解消できる場合もある。AIにパッチの依存関係と自社のパッチ適用状況を整理させ、「1回の作業で最も多くのリスクを減らせる順番」を提案させる使い方は、即日実装できる実用的なアプローチだ。

日本の企業・自治体・公共機関での活用場面

以下の表は、組織類型ごとに想定される主な課題と、AIを活用した脆弱性管理が貢献できる場面をまとめたものだ。

組織類型	典型的な課題	AIで対応できる場面	注意点
大企業・金融機関	レガシーシステムと最新クラウドが混在し、全体の脆弱性把握が困難	CMDBとCVEフィードの自動突合、連鎖リスクの可視化	既存SIEMとの統合に工数がかかる
中堅・中小企業	専任のセキュリティエンジニアが不在で、スキャン結果を消化しきれない	LLMによるスキャン結果の要約と優先度提案	AI出力の最終確認は必ず人が行う必要がある
自治体・公共機関	庁内ネットワークとクラウドサービスの境界が曖昧で、パッチ管理が複数部署に分散	パッチ適用状況の一元管理と優先順位の自動提案	個人情報を含む構成データの取り扱いに注意
病院・医療機関	医療機器のファームウェアは更新手順が複雑で脆弱性対応が遅延しやすい	影響資産の自動特定と代替緩和策（ネットワーク分離等）の提案	医療機器への誤った変更は患者安全に直結するため慎重な確認が必要

中小企業や自治体では、SaaS型の脆弱性管理ツールにAI機能が組み込まれたものを利用することで、専任エンジニアなしでもスキャン結果の整理と優先度判断の一部を自動化できる選択肢が増えている。

AIを脆弱性管理に使う際の限界と注意点

最終判断は人が行う。 AIが提案する修正優先度や攻撃シナリオは仮説であり、自社の業務への影響・パッチ適用のコスト・緊急度の判断は、必ずセキュリティ担当者が行う必要がある。AIの出力をそのまま実行計画にすることは適切ではない。

誤検知・見逃しは必ず発生する。 LLMは訓練データに存在しない新規の攻撃手法を学習していないため、ゼロデイ脆弱性や全く新しい攻撃パターンには対応できない場合がある。逆に、実際には悪用困難な脆弱性を高リスクと誤って分類するケースもある。

構成情報・ログのAIへの入力は情報管理リスクを伴う。 自社のシステム構成・ネットワーク図・脆弱性情報をクラウドのAIサービスに送信する場合、利用規約上のデータ保持ポリシーを確認し、機密情報の外部送信が許容されるかを事前に法務・情報セキュリティ部門と確認することが必要だ。

攻撃側もAIを使う。 AnthropicのFrontier Red Teamが示したように、防御側と同じ技術を攻撃者も利用できる。AIで脆弱性管理を自動化しても、それ自体が完結した防御策にはならない。多層防御の考え方は変わらない。

プライバシーと監視の均衡。 ログの詳細な収集・分析を強化すると、従業員の通信内容や行動が必要以上に記録されるリスクがある。監視の範囲と目的を明確にし、プライバシーポリシーと整合させることが、長期的な組織内信頼の維持に不可欠だ。

明日から試せる実務的な一歩

まず、自社が利用しているブラウザ・OS・ランタイムのバージョンを棚卸しし、今回修正されたCVE（Chrome 156での修正群、CVE-2026-33096、CVE-2026-98432）が適用済みかを確認する。特にLinuxサーバーについては、GoのバージョンとMPTCP設定を確認し、CVE-2026-98432の影響範囲を把握することが急務だ。Debianは2026年10月16日に修正を提供済みだが、Ubuntu・Red Hatの適用状況は各ディストリビューションの情報を確認すること（出典: cybersecuritynews.com）。

次に、既存の脆弱性スキャンツールの出力をLLMに読み込ませ、「このリストの中で組み合わせた場合に最もリスクが高い脆弱性はどれか」を問うプロンプトを試してみることを勧める。完璧な答えは返らなくても、担当者が見落としていた視点の気づきになる場合がある。

そのうえで、パッチ適用状況・構成管理・インシデント対応の担当を横断する定例の確認サイクルを設け、AIの分析結果を議題に加える運用設計を検討する。セキュリティは単発の作業ではなく継続的なプロセスであり、AIはそのサイクルを支援するツールとして位置づけることが、現実的で持続可能な体制につながる。

参考文献

www.medianama.com https://www.medianama.com/2026/11/223-anthropic-claude-ai-hacks-chrome-android-windows-linux/
cybersecuritynews.com https://cybersecuritynews.com/claude-ai-builds-exploit/
Business Standard https://www.business-standard.com/technology/artificial-intelligence/unreleased-claude-model-found-attack-chains-in-chrome-safari-anthropic-126102901074_1.html
x.com https://x.com/i/trending/2115426688007832010
セキュリティホール memo（st.ryukoku.ac.jp）https://www.st.ryukoku.ac.jp/~kjm/security/memo/