تحلیل شرکت اطلاعات آسیبپذیری VulnCheck نشان میدهد که اگرچه ابزارهای مجهز به هوش مصنوعی در نیمه نخست سال ۲۰۲۶ تعداد زیادی آسیبپذیری جدید کشف کردهاند، این آسیبپذیریها تاکنون بیشتر از آسیبپذیریهای شناساییشده با روشهای سنتی مورد سوءاستفاده قرار نگرفتهاند. VulnCheck تعداد ۱٬۰۶۱ آسیبپذیری کشفشده با کمک هوش مصنوعی را شناسایی کرد که ۱۴ مورد، معادل ۱.۳ درصد، در حملات واقعی مورد بهرهبرداری قرار گرفته بودند؛ نرخی مشابه نرخ بهرهبرداری از کل آسیبپذیریهای افشاشده در همان دوره. با این حال، سرعت بهرهبرداری از آسیبپذیریها افزایش یافته و میانگین زمان بین انتشار CVE و بهرهبرداری از ۱۲۰ روز در سال ۲۰۲۵ به ۸۰ روز در نیمه نخست ۲۰۲۶ کاهش یافته است. همچنین رکورد ۶۲۲ آسیبپذیری در بهروزرسانی امنیتی ژوئیه مایکروسافت نشان میدهد که حجم کشف آسیبپذیریها ممکن است در ادامه سال بهطور قابلتوجهی افزایش یابد.
هوش مصنوعی در حال افزایش سرعت کشف آسیبپذیریهاست
سامانههای هوش مصنوعی مانند Project Glasswing شرکت Anthropic و MDASH شرکت Microsoft به کشف آسیبپذیریهای نرمافزاری کمک میکنند و در نتیجه حجم فزایندهای از نقصهایی را ایجاد میکنند که مدافعان باید پیش از آنکه مهاجمان بتوانند از آنها سوءاستفاده کنند، بررسی و برطرف کنند. با وجود نگرانیها درباره اینکه افزایش کشف آسیبپذیری با هوش مصنوعی میتواند به افزایش حملات منجر شود، دادههای مربوط به نیمه نخست سال ۲۰۲۶ نشان نمیدهد که آسیبپذیریهای کشفشده توسط هوش مصنوعی نسبت به سایر آسیبپذیریها با سرعت بیشتری مورد بهرهبرداری قرار گرفته باشند.
۱٬۰۶۱ آسیبپذیری کشفشده با کمک هوش مصنوعی
Patrick Garrity، پژوهشگر امنیتی در VulnCheck و نویسنده گزارش این شرکت، در شش ماه نخست سال ۲۰۲۶ تعداد ۱٬۰۶۱ آسیبپذیری را شناسایی کرد که کشف آنها به کمک هوش مصنوعی انجام شده بود. از میان این آسیبپذیریها، ۱۴ مورد، معادل ۱.۳ درصد، در محیط واقعی مورد بهرهبرداری قرار گرفتند. این رقم با نرخ بهرهبرداری مشاهدهشده برای مجموع آسیبپذیریهای افشاشده در همان دوره مطابقت دارد.
آسیبپذیریهای هوش مصنوعی تاکنون خطرناکتر نبودهاند
Garrity در گزارش VulnCheck نتیجه گرفته است که اگرچه کشف آسیبپذیری با کمک هوش مصنوعی برای مهاجمان و مدافعان ارزش آشکاری دارد، دادههای موجود نشان نمیدهند که آسیبپذیریهای کشفشده توسط هوش مصنوعی ذاتاً بیشتر از آسیبپذیریهای پیداشده با روشهای سنتی در معرض بهرهبرداری قرار داشته باشند. بنابراین، دستکم بر اساس دادههای نیمه نخست سال ۲۰۲۶، افزایش توانایی هوش مصنوعی در کشف نقصها هنوز به افزایش متناظر در سطح تهدید ناشی از بهرهبرداری از آنها تبدیل نشده است.
برای قضاوت درباره روند آینده هنوز زود است
VulnCheck تأکید کرده است که برای نتیجهگیری درباره تداوم این روند هنوز زود است. هیچیک از مدلهای اصلی مورد استفاده برای شکار آسیبپذیری در تمام دوره ششماهه مورد بررسی فعال نبودهاند. Project Glasswing در آوریل عرضه شد، در حالی که MDASH شرکت Microsoft و Daybreak شرکت OpenAI هر دو در ماه مه معرفی شدند. بنابراین بخش قابلتوجهی از افزایش احتمالی ظرفیت کشف آسیبپذیری هوش مصنوعی هنوز در دادههای نیمه نخست سال منعکس نشده است.
رکورد جدید مایکروسافت در Patch Tuesday
روند افزایشی بهروزرسانیهای ماهانه Patch Tuesday مایکروسافت نشان میدهد که ممکن است در ادامه سال حجم کشف آسیبپذیریها بسیار بیشتر شود. بهروزرسانی امنیتی ژوئیه ۲۰۲۶ مایکروسافت شامل رکورد تاریخی ۶۲۲ آسیبپذیری بود و رکورد قبلی مربوط به بهروزرسانی ژوئن را که شامل ۲۰۶ آسیبپذیری بود، پشت سر گذاشت. این افزایش میتواند نشانهای از تأثیر گستردهتر ابزارهای خودکار و هوش مصنوعی بر فرایند کشف نقصهای نرمافزاری باشد.
کاهش زمان بهرهبرداری از آسیبپذیریها
در حالی که نرخ بهرهبرداری از آسیبپذیریهای کشفشده با هوش مصنوعی تفاوت محسوسی با سایر آسیبپذیریها نداشته است، سرعت کلی بهرهبرداری افزایش یافته است. گزارش وضعیت بهرهبرداری VulnCheck نشان میدهد که میانگین زمان بین انتشار CVE و بهرهبرداری از آن در سال ۲۰۲۵ حدود ۱۲۰ روز بوده است، اما این رقم در نیمه نخست سال ۲۰۲۶ به ۸۰ روز کاهش یافته است. این کاهش نشان میدهد که فاصله زمانی در اختیار مدافعان برای شناسایی، اولویتبندی و اصلاح آسیبپذیریها در حال کوتاهتر شدن است.
سیستمهای مدیریت محتوا در صدر اهداف مورد بهرهبرداری
VulnCheck همچنین بررسی کرده است که کدام دستههای فناوری بیشترین تعداد آسیبپذیریهای مورد بهرهبرداری را داشتهاند. سیستمهای مدیریت محتوا (CMS) تقریباً یکسوم از ۴۹۵ آسیبپذیری شناختهشده مورد بهرهبرداری را که این شرکت در نیمه نخست سال ۲۰۲۶ شناسایی کرده بود، تشکیل میدادند. پس از آن، تجهیزات لبه شبکه با نزدیک به ۱۴ درصد، سیستمهای عامل با تقریباً ۹ درصد و نرمافزارهای سروری با ۸ درصد قرار داشتند. محصولات هوش مصنوعی نیز بهعنوان یک سطح حمله نوظهور، تقریباً ۶ درصد از این آسیبپذیریهای مورد بهرهبرداری را تشکیل میدادند.
هوش مصنوعی؛ افزایش کشف بدون افزایش فوری بهرهبرداری
دادههای VulnCheck تصویری دوگانه از تأثیر هوش مصنوعی بر امنیت سایبری ارائه میکنند. از یک سو، مدلهای جدید میتوانند تعداد بسیار بیشتری از نقصهای نرمافزاری را شناسایی کنند و در نتیجه حجم کار مدافعان را افزایش دهند. از سوی دیگر، دادههای موجود هنوز نشان نمیدهد که این آسیبپذیریهای جدید بهطور خودکار یا سریعتر از آسیبپذیریهای سنتی به سلاحهای سایبری تبدیل میشوند. این فاصله میان کشف آسیبپذیری و بهرهبرداری واقعی یکی از عوامل مهم در ارزیابی اثر فعلی هوش مصنوعی بر تهدید سایبری است.
چالش اصلی؛ افزایش فاصله میان کشف و اصلاح
افزایش توانایی هوش مصنوعی در کشف نقصها به این معنا نیست که سازمانها میتوانند با همان سرعت آنها را بررسی و اصلاح کنند. گزارشهای دیگر درباره ابزارهایی مانند Anthropic Mythos نیز نشان دادهاند که افزایش چشمگیر سرعت کشف میتواند گلوگاه امنیت سایبری را از «پیدا کردن آسیبپذیری» به «اعتبارسنجی، اولویتبندی و اصلاح آن» منتقل کند. در این شرایط، افزایش تعداد یافتههای امنیتی بدون افزایش ظرفیت تیمهای دفاعی برای بررسی و اصلاح آنها میتواند فشار عملیاتی قابلتوجهی ایجاد کند.
تفاوت میان کشف نقص و بهرهبرداری عملیاتی
کشف یک آسیبپذیری بهتنهایی به معنای توانایی مهاجم برای نفوذ به یک سازمان نیست. مهاجم باید مشخص کند که آسیبپذیری در یک محیط مشخص قابل بهرهبرداری است، مسیر حمله مناسبی پیدا کند، دسترسی مورد نیاز را به دست آورد و سپس بهرهبرداری را در محیط واقعی عملیاتی کند. بنابراین، افزایش تعداد آسیبپذیریهای کشفشده توسط مدلهای هوش مصنوعی الزاماً به معنای افزایش فوری حملات موفق نیست؛ هرچند کاهش زمان لازم برای تبدیل آسیبپذیری به یک حمله همچنان یک نگرانی مهم برای مدافعان محسوب میشود.
آینده نامشخص با گسترش مدلهای شکار آسیبپذیری
دادههای نیمه نخست سال ۲۰۲۶ نشان میدهند که سطح تهدید ناشی از آسیبپذیریهای کشفشده با هوش مصنوعی تاکنون تغییر بنیادی نکرده است، اما این وضعیت ممکن است با گسترش استفاده از مدلهای جدید تغییر کند. از آنجا که Project Glasswing، MDASH و Daybreak تنها بخشی از سال را پوشش دادهاند، دادههای ماههای آینده تصویر کاملتری از تأثیر این فناوری بر نرخ کشف، اعتبارسنجی و بهرهبرداری از آسیبپذیریها ارائه خواهند کرد. افزایش همزمان سرعت کشف و کاهش میانگین زمان بهرهبرداری، ضرورت افزایش ظرفیت دفاعی برای بررسی و اصلاح آسیبپذیریها را برجسته میکند.
اهمیت راهبردی
یافتههای VulnCheck نشان میدهد که هوش مصنوعی در حال تغییر اقتصاد و مقیاس کشف آسیبپذیری است، اما هنوز شواهدی وجود ندارد که آسیبپذیریهای کشفشده با هوش مصنوعی ذاتاً بیشتر از سایر آسیبپذیریها مورد بهرهبرداری قرار گیرند. در عین حال، کاهش میانگین زمان بهرهبرداری از ۱۲۰ روز به ۸۰ روز و افزایش شدید حجم آسیبپذیریهای شناساییشده، فشار بیشتری بر تیمهای امنیتی وارد میکند. بنابراین چالش اصلی در کوتاهمدت ممکن است نه صرفاً افزایش حملات، بلکه ناتوانی سازمانها در اعتبارسنجی، اولویتبندی و اصلاح حجم روبهرشد آسیبپذیریها با سرعت کافی باشد.