AIがセキュリティ脆弱性を大量発見——企業対策の前提が変わる時代の実務指針

AI セキュリティ脆弱性 発見の衝撃——Bank of Americaで起きたこと

2026年4月、Anthropicは「Mythos」と呼ばれるAIモデルをProject Glasswingという選定パートナー向けプログラムを通じて限定公開した（出典: the-decoder.com, qz.com）。Mythosの能力は、従来のセキュリティツールとは一線を画す。Anthropicによれば、数千件の深刻なゼロデイ脆弱性を発見できるとされ、Firefox単体では約300件の脆弱性を検出した——旧モデルの約20件と比べると一桁違う発見能力だ（出典: ai2.work）。単独では低〜中程度のリスクと評価される脆弱性を複数チェーンとして組み合わせ、高リスクな攻撃経路として可視化する点も特徴とされる（出典: marketscreener.com, qz.com）。

この発見を受けて即座に動いたのがBank of Americaだ。同行は社内従業員3,000人と外部請負業者1,000人、合計4,000人体制でソフトウェア脆弱性の修正に着手した。外部請負業者は2026年第2四半期から稼働を開始しており、CEO Brian Moynihanは第3四半期にソフトウェア作業とマネーロンダリング対策の合計で「数億ドル」を支出したと発言している（パッチ単独の金額は未公表）（出典: the-decoder.com）。

規制当局も動いた。米財務長官Scott BessentとFRB議長Jerome Powellが主要銀行CEOを財務省に召集し、FRBとOCCが大手銀行のサイバー関連審査を一時停止するという異例の対応が取られた（出典: thenextweb.com, ai2.work）。なお、OpenAIも2026年5月にDaybreakというサイバーセキュリティプログラムを開始しており、AIによる脆弱性発見は一社の取り組みにとどまらない潮流になりつつある（出典: the-decoder.com）。

関連記事VOICEVOX 使い方｜インストールから音声生成まで【2026】 ／ Grokとは？できること・料金・始め方をやさしく解説【2026年版】 ／ ディープフェイクとは？仕組み・悪用リスク・見分け方と対策を専門家監修で解説【2026年版】

AI セキュリティ脆弱性 発見が企業対策の前提を変える理由

これまでの脆弱性管理は、CVE（共通脆弱性識別子）データベースへの登録を待ち、パッチが公開されれば適用するという「受け身の追随」が主流だった。ペネトレーションテストや脆弱性診断も実施されてきたが、人手と時間に制約があり、診断範囲は限定的になりがちだった。

Mythosが示した変化は、この前提を根底から問い直す。AIは休眠なく膨大なコードベースを精査し、人間の専門家が見落としやすいパターンを検出する。さらに、個別には低リスクと評価される箇所を複数組み合わせた「チェーン攻撃経路」まで可視化する点は、従来のCVSSスコア単独による優先順位づけを機能不全に追い込みかねない。

問題の本質は「発見できていなかった脆弱性が、今まさに可視化された」という段階にある。Bank of Americaが4,000人体制を組んだのは新たな脅威が生まれたからではなく、既存コードに潜在していたリスクの全貌が初めて見えたからだ。経営判断として「対応コスト」の議論より先に、「自社のコードベースにどれだけの未知リスクが存在するか把握できているか」という問いを立て直す必要がある。

機械学習がなぜコードパターンから脆弱性を検出できるのかという技術的背景に関心がある方は、機械学習の基礎やディープラーニングの仕組みを参照されたい。

日本企業にとってのメリットと具体的な活用場面

この動向は日本企業、特に金融・製造・インフラ系の大企業にとって「海外のニュース」にとどまらない意味を持つ。

大量コードベースの脆弱性棚卸しが現実的になる。長年にわたって積み上げられたレガシーシステムや内製コードは、人手による診断では網羅が困難だった。AI活用の自動解析は、「リソースが足りずできていなかった診断」の代替手段として機能する可能性がある。特にオンプレミス中心の基幹システムを持つ企業では、診断頻度を上げることの費用対効果が改善しうる。

チェーン脆弱性の可視化が、セキュリティ投資の稟議を変える。個別のCVSSスコアが低い脆弱性は予算承認が通りにくい。しかしAIがその組み合わせによる高リスク攻撃経路を示すことで、「このパッチを当てる理由」の説得力が変わる。CISO・IT責任者にとって、経営層への説明の質が上がることは稟議の通しやすさに直結する。

サプライチェーンリスク把握への応用。取引先・委託先の開発コードに潜むリスクは従来見えにくかった。AIによる解析スコープが広がれば、自社だけでなくサプライヤーのコードに対しても診断要求を標準化する動きが出てくると考えられる。ただし実際の運用普及には相応の時間を要する見込みだ。

自然言語処理を用いたコード解析の背景技術にはBERTとNLPの解説が参考になる。また、AIモデルの能力の基盤となる強化学習の仕組みも合わせて参照されたい。

デメリット・注意点——AI セキュリティ脆弱性 発見ツール導入前に把握すべき制約

AI脆弱性発見ツールへの過度な期待は、別のリスクを生む。冷静な見極めが必要な制約を整理する。

コストと提供地域の制約が大きい。MythosはProject Glasswingを通じた選定パートナー向けの限定公開であり、2026年10月時点で一般企業が自由に導入できる状況にない。価格帯は入力$25/百万トークン・出力$125/百万トークンと報告されており（出典: marketscreener.com, qz.com）、これはAnthropic Opus 4.7の5倍水準とされる。大量のコードを解析する用途ではトークン消費量が膨大になるため、費用試算は慎重に行う必要がある。

発見件数の多さが新たなボトルネックを生む。Bank of Americaが4,000人体制を組んだ事実は別の側面を示している——AIが脆弱性を発見した後、それを修正・検証する人的リソースの確保が次のボトルネックになるということだ。発見能力だけが向上し修正能力が追いつかない状態は、未対処リスクの一覧が膨らみ続けるだけで終わる可能性がある。

誤検知（False Positive）と過検知のリスク。AIモデルが膨大な脆弱性候補を出力しても、その全てが実際に悪用可能とは限らない。トリアージ（優先順位付け）に要する専門家工数は増加する可能性があり、「AIが見つければ終わり」という誤解は危険だ。

法令・データ主権への配慮が不可欠。自社のソースコードを外部AIサービスに送信することは、機密情報保護・個人情報保護法・社内セキュリティポリシー上の検討が必要になる。金融機関や医療機関など規制業種では、外部処理の可否について法務・コンプライアンス部門との確認が前提となる。

AIシステム全体の構成要素についてはマルチモーダルAIの解説やスパースモデリングの解説も参考になる。

主要AIセキュリティ脆弱性発見ツールの比較

現在市場で提供されている代表的なAI強化型脆弱性発見ツールを整理する。各ツールの詳細仕様・価格は変動するため、導入検討時は公式サイトで最新情報を確認すること。

ツール名	提供形態	主な対象	AI活用の特徴	導入ハードル
Anthropic Mythos	限定公開（Project Glasswing選定パートナーのみ）	大規模金融・テック企業	ゼロデイ大量検出・チェーン攻撃経路可視化	高（招待制・高コスト）
GitHub Advanced Security	SaaS（一般提供）	GitHub利用企業全般	コードスキャン・シークレット検出のAI補助	中（GitHubエコシステム前提）
Snyk	SaaS（一般提供）	開発チーム・OSS依存管理	依存パッケージの脆弱性AI優先順位付け	低〜中
Semgrep	OSS＋有償SaaS	コードレビュー・CI統合	静的解析ルールのAI生成・カスタム拡張	低（OSS版から試験可）
Palo Alto Prisma Cloud	SaaS（一般提供）	クラウドインフラ・コンテナ	クラウド設定ミス・IaCのAI検出	中〜高

Mythosについては現時点で一般企業が自由に契約できる段階にない点に留意する。

日本企業が今期から着手できる実務的な次の一手

Bank of Americaの事例を「大手金融の特殊事情」と切り離して考えることには無理がある。AIによる脆弱性発見能力の拡大は、攻撃側にも同等の技術が波及するという点で、防御側の対応速度を問う構造的な変化だ。経営・IT責任者が今期から着手できる具体的な論点を示す。

①現状の脆弱性棚卸し体制を点検する。自社のコードベースに対して、直近12ヶ月以内にどこまでの範囲でペネトレーションテストや脆弱性診断を実施したかを確認する。未診断領域がある場合、その範囲とリスク評価を経営層が把握しているかどうかが出発点になる。

②チェーン脆弱性を前提にした優先順位基準を再設計する。現在のパッチ対応優先順位がCVSSスコア単体に依存している場合、それは今後不十分になる可能性がある。チェーン組み合わせによる実被害シナリオをベースにした評価軸を取り入れることを検討する価値がある。

③AIセキュリティツールの試験評価を始める。Mythosは現在限定公開だが、GitHub Advanced Security・Semgrep・Snyk等、AI強化を進める脆弱性発見ツールが既に一般提供されている。これらを自社の開発パイプラインに組み込む試験的な評価は今すぐ着手できる。

④発見後の修正体制・予算枠を先に設計する。診断ツールの調達より先に、大量の脆弱性が発見された場合の対応体制と予算確保の方針を決めておくことが重要だ。Bank of Americaが示したのは、発見は始まりに過ぎないという事実だ。

⑤サプライチェーン側の診断要件を見直す。システム開発を外部委託している場合、委託先に対してAIを活用した脆弱性診断の実施を契約条件として組み込む動きが今後業界標準になっていく可能性がある。早期に調達条件の見直しに着手することで、交渉コストを抑えられる。

AIの技術動向全般については技術ブログのトップページから関連記事を参照されたい。また、生成AIの最新動向についてはHAL3最新情報の解説も参考になる。

---

参考文献

• The Decoder「Bank of America puts 4,000 people on fixing vulnerabilities uncovered by Anthropic’s Mythos and other AI models」— https://the-decoder.com/
• QZ「Anthropic’s Mythos AI finds thousands of zero-day vulnerabilities」— https://qz.com/
• The Next Web「Anthropic Mythos: AI finds thousands of critical zero-day vulnerabilities」— https://thenextweb.com/
• AI2.work「Anthropic MythosとProject Glasswingに関する解説」— https://ai2.work/
• MarketScreener「Anthropic Mythos pricing and capability report」— https://marketscreener.com/