Október végén világszerte számos kormányzati és vállalati weboldal üzemeltetőjének kellett sürgős biztonsági javításokat elvégeznie. A háttérben a PHP programozási nyelv több mint egy évtizede megbúvó hibái álltak, amelyeket AI segítségével dolgozó biztonsági kutatók fedeztek fel.

Az AI azonban nemcsak feltárni képes a biztonsági réseket, hanem újakat is teremthet. Nemrég az Anthropic Claude Code nevű kódoló ágensének egyik működési sajátossága miatt több mint ezer nyilvános GitHub-tárolóban találtak kiszivárgott jelszavakat és hozzáférési kulcsokat.

A két eset jól mutatja az AI kettős szerepét a szoftverfejlesztésben. Miközben korábban rejtve maradt hibák feltárását és a fejlesztést is jelentősen felgyorsíthatja, új biztonsági kockázatokat hoz magával. Hogy a gyorsaságból versenyelőny vagy fokozott sérülékenység lesz, az elsősorban nem a modelleken, hanem a vállalatok fejlesztési és biztonsági folyamatain múlik.

PHP2Shell: amikor az AI egy évtizedes hibát talál meg

Október 21-én a PHP Foundation sürgősségi javítást adott ki két kritikus hibára, amelyeket együtt PHP2Shell néven emlegetnek. Mindkettő úgynevezett távoli kódfuttatást tesz lehetővé: a támadó a saját kódját futtathatja egy idegen szerveren. A probléma súlyosságát jól érzékelteti, hogy a Wiz szerint a világ weboldalainak mintegy 70%-a PHP-t használ, az érintett biztonsági hibák pedig több mint egy évtizeden át észrevétlenül maradtak a kódban.

A sérülékenységek feltárásában több, egymástól független kutatócsapat is részt vett, köztük a Calif, a Wiz és az OpenAI szakemberei. A kutatásban az AI is fontos szerepet kapott, de nem váltotta ki az emberi szakértelmet: segítette a kód elemzését, a feltételezések ellenőrzését és a támadási lehetőségek feltárását.

A Wiz szerint az AI alapjaiban változtatja meg a biztonsági sérülékenységek felderítésének és kihasználásának lehetőségeit. A korábban túl bonyolultnak vagy időigényesnek tartott támadások is megvalósíthatóvá válhatnak, miközben ugyanez a technológia a védekezést is hatékonyabbá teheti.

Fejlesztőknek: a két hiba azonosítója CVE-2026-109618 és CVE-2026-109619. Két nappal később egy harmadik, kevésbé súlyos hibát is bejelentettek (CVE-2026-115560), amelyre a következő rendes kiadásig a session.upload_progress.enabled=0 beállítás az ajánlott átmeneti védekezés.

WPSplinter: a javítás csak akkor ér valamit, ha célba ér

Egy másik, ugyanebben az időszakban nyilvánosságra került eset nem az AI-ról szól, mégis fontos tanulsága van. A WPSplinter nevű, kb. 16 éves hiba a Broadcom egyes routerekben használt Wi-Fi-csatlakozási szoftverét érinti, és lehetővé teszi, hogy a hatótávolságon belül egy támadó jelszó nélkül átvegye az irányítást a router felett. A Broadcom 2018-ban kiadott egy hiányos javítást, ez azonban a legtöbb otthoni eszközig sosem jutott el.

A tanulság: egy javítás csak akkor ér valamit, ha eljut az éles rendszerekig. Ha az AI felgyorsítja a hibák felfedezését, a szűk keresztmetszet egyre inkább az lesz, milyen gyorsan és megbízhatóan frissítünk.

Amikor maga az AI-eszköz válik biztonsági kockázattá

Az AI-ágensek nemcsak hibás kódot generálhatnak. Mivel fájlokhoz, rendszerekhez és fejlesztői eszközökhöz is hozzáférhetnek, egy nem megfelelően kezelt jogosultság vagy működési szabály önmagában is komoly biztonsági kockázatot jelenthet.

Erre példa az Anthropic Claude Code nevű kódoló ágensének esete. Ha a fejlesztő egy parancs végrehajtásánál a „ne kérdezz többet” lehetőséget választotta, az eszköz a teljes parancsot jogosultsági szabályként menthette el a projekt egyik beállítási fájljában. Ha a parancs jelszót vagy API-kulcsot is tartalmazott, az szintén bekerülhetett a fájlba. Amennyiben ezt később nyilvános kódtárolóba töltötték fel, az érzékeny adatok is hozzáférhetővé váltak.

Az Apiiro biztonsági cég több mint ezer nyilvánosan elérhető ilyen fájlban azonosított hozzáférési adatokat, köztük adatbázisjelszavakat és különböző szolgáltatásokhoz tartozó kulcsokat. Az eset jól mutatja, hogy a biztonsági kockázat nem feltétlenül a generált kódból ered: maga a fejlesztést segítő eszköz és annak beállításai is sebezhetőséget teremthetnek.

A generált kód minősége külön kockázati terület. A Veracode 2026-os jelentése szerint a vizsgált AI-modellek a tesztfeladatok mintegy 44%-ában ismert biztonsági sérülékenységet tartalmazó kódot állítottak elő, miközben a szintaktikai helyességük szinte tökéletes volt. Ez nem azt jelenti, hogy minden éles környezetben használt AI-generált kód 44%-a sérülékeny, de jól mutatja, hogy a működőképes kód nem feltétlenül biztonságos.

A kockázatokat tovább növeli, hogy az AI-ügynökök működése részben valószínűségi alapú, ezért a természetes nyelven megadott utasítások követése nem minden helyzetben garantált. Egy összetett feladat végrehajtása során az ágens olyan műveletet is kezdeményezhet, amely sérti a korábban megadott szabályokat.

Egy egyszerű, szemléltető számítás jól mutatja a kockázatot: ha egy AI-ügynök minden lépést 99%-os valószínűséggel hajt végre helyesen, és a lépések egymástól függetlenek, 100 lépés után már csak körülbelül 37% az esélye annak, hogy a teljes folyamat hiba nélkül zárul (0,99 a 100. hatványon). A valós üzleti és fejlesztési folyamatok ráadásul ennél összetettebbek, és sokszor olyan kimondatlan működési szabályokat is követni kellene, amelyeket korábban senki nem dokumentált.

Az AI-alapú fejlesztés biztonsága ezért már nem kizárólag a létrehozott kód ellenőrzésén múlik. Magának az ágensnek a működését is kontrollálni kell.

A megbízhatóság a keretrendszerből jön

Az AI-ágens leegyszerűsítve két fő részből áll: a nyelvi modellből és az azt körülvevő, működését támogató keretrendszerből, környezetből, amit a szakma harnessnek nevez.

A modell bérelhető és cserélhető, a köré épített keretrendszert (harnesst) viszont érdemes a vállalat saját igényeire szabni és kézben tartani. Nem feltétlenül kell mindent házon belül fejleszteni, de a működési szabályokat, a hozzáféréseket és az ellenőrzési mechanizmusokat a vállalatnak kell meghatároznia. Ez különösen fontos, mert a kritikus biztonsági korlátozásokat nem elegendő természetes nyelvű utasításokban rögzíteni. Olyan technikai kontrollokra is szükség van, amelyek a modell döntéseitől függetlenül képesek érvényesíteni a szabályokat.

Ha nincs megfelelő keretrendszer, a kontroll nagyrészt a fejlesztőre hárul: neki kell minden változtatást átnéznie, az eredményeket ellenőriznie és a hibákat kiszűrnie.

A keretrendszer fontos elemei az úgynevezett hookok: olyan automatizált műveletek és ellenőrzések, amelyek a munkafolyamat meghatározott pontjain lépnek működésbe. Egy hasonlattal: megkérhetjük a sofőrt, hogy kösse be magát, de biztosabb, ha az autó el sem indul öv nélkül. A hookok is segíthetnek a szabályok automatikus betartatásában: egy megfelelően kialakított ellenőrzés például még a végrehajtás előtt blokkolhat egy tiltott műveletet. A kritikus rendszerek védelméhez mindezt megfelelő jogosultságkezeléssel is ki kell egészíteni.

A gyorsabb fejlesztéssel együtt a kódellenőrzés terhe is nő. Az Apiiro 2025-ös kutatása szerint a vizsgált Fortune 50-es vállalatoknál az AI-asszisztenst használó fejlesztők 3–4-szer annyi kódot állítottak elő, mint az AI nélkül dolgozó kollégáik, miközben a biztonsági találatok száma is jelentősen emelkedett.

Ezért fontos tudatosan kijelölni, hol marad emberi kézben a döntés. A kritikus pontokon elengedhetetlen az emberi kontroll: például a célok meghatározásánál, a végső jóváhagyásnál és minden jelentős, nehezen visszafordítható művelet előtt.

Mit tehet most egy IT-vezető?

A bemutatott esetek közös tanulsága, hogy az AI nemcsak a fejlesztést, hanem a biztonsági kockázatok feltárását és keletkezését is felgyorsítja. A hagyományos ellenőrzési és javítási folyamatok viszont nem feltétlenül tudnak lépést tartani ezzel a tempóval.

A kockázatok ráadásul túlmutatnak a hibás kódon vagy a jogosultságkezelésen. Az AI-eszközök időnként nem létező szoftvercsomagokat is javasolhatnak. Erre épülnek az úgynevezett slopsquatting támadások: a támadók ezeken a kitalált neveken tesznek közzé kártékony csomagokat, abban bízva, hogy a fejlesztők az AI ajánlása alapján telepítik őket.

Mindez négy területen kíván tudatosabb vállalati működést:

  • Gyorsítsa fel a javítások útját. A kritikus frissítések telepítése legyen kiszámítható, mért folyamat, ne egyedi tűzoltás.
  • Ismerje a saját függőségeit. Legyen naprakész információ arról, milyen szoftverek, komponensek és verziók működnek a vállalati rendszerekben, és melyek érintettek az ismert sérülékenységekben.
  • Építsen keretrendszert az AI-ágensek köré. Beépített szabályok, ellenőrzési pontok és egyértelmű emberi jóváhagyás nélkül az ágensek sebessége kockázat.
  • Kérdezze meg a beszállítóit. Ne csak azt, hogy használnak-e AI-t a fejlesztésben, hanem azt is, milyen biztonsági szabályok, jogosultságok és ellenőrzési mechanizmusok mellett működtetik az eszközeiket.

Az AI-ágensek vállalati bevezetése így legalább annyira folyamat- és szervezeti kérdés, mint technológiai. Nem az a cél, hogy a fejlesztés gyorsaságát újabb ellenőrzésekkel fékezzük, hanem hogy a biztonság a gyorsabb működés szerves részévé váljon. Így használhatják ki a vállalatok az AI előnyeit anélkül, hogy közben elveszítenék a kontrollt a fejlesztési folyamataik felett.

Szeretnéd felkészíteni fejlesztőcsapatodat az AI-ágensek biztonságos és hatékony alkalmazására? Ismerd meg Agentic Makerspace gyakorlati vállalati programunkat.

Források