Istraživači američkog Sveučilišta Kalifornija u Berkeleyju i partnerskih institucija razvili su testni sustav CyberBinGym kako bi provjerili mogu li AI agenti iskoristiti sigurnosne propuste analizirajući samo stare i zakrpane verzije programa. Na 100 zadataka temeljenih na stvarnim ranjivostima agent Codex s modelom GPT-5.6 Sol uspješno je identificirao ranjivost u 88 posto slučajeva, a u 20 posto izveo funkcionalan napad u kontroliranom okruženju. Prosječno vrijeme izvršavanja zadatka iznosilo je 2,13 sati, uz trošak od približno 28 dolara. Istraživači upozoravaju da objava sigurnosne zakrpe napadačima može otkriti gdje se nalazi ranjivost, dok organizacije koje odgađaju instaliranje ažuriranja ostaju izložene. Dodatno testiranje pokazalo je da standardne zaštitne mjere pri izradi programa znatno smanjuju uspješnost takvih napada.
Rasprava