OpenAI heeft maandag een nieuw cybersecurity-gericht model onthuld, genaamd GPT‑5.6‑Cyber dat naar eigen zeggen gericht is op onderzoek naar kwetsbaarheden, penetratietesten en respons op incidenten.
“Gebouwd op GPT-5.6 Sol, is het getraind om de capaciteiten voor verschillende gespecialiseerde cyberbeveiligingstaken te verbeteren (bijvoorbeeld het vinden van zero-day-kwetsbaarheden en het ontwikkelen van exploitketens) en om weigeringen voor bepaalde cybertaken met een hoger risico voor tweeërlei gebruik te verminderen”, aldus OpenAI.
Het bedrijf op het gebied van kunstmatige intelligentie (AI) zei dat het GPT 5.6 Cyber beschikbaar stelt via Daybreak Red, een nieuwe laag die andere bedrijven toegang biedt tot zijn speciaal opgeleide cyberbeveiligingsmodellen voor geautoriseerd kwetsbaarheidsonderzoek, exploitvalidatie en beveiligingstests.
GPT-5.6-Cyber, een meer cybertolerante versie van GPT-5.6 Sol, bouwt voort op GPT-5.5-Cyber, die OpenAI in juni 2026 uitbracht.
Om het verminderde aantal weigeringen van GPT-5.6-Cyber via Daybreak Red-toegang te meten, zei OpenAI dat het een interne evaluatie heeft gemaakt met de naam Advanced Cybersecurity Completion Rate, die meet hoe vaak modellen reageren op aanwijzingen met betrekking tot de ontwikkeling van de exploitatieketen, het omzeilen van authenticatie, escalatie van bevoegdheden en andere geavanceerde cyberbeveiligingsscenario’s.
Uit de tests blijkt dat GPT‑5.6‑Cyber 95,0% van deze verzoeken voltooit, vergeleken met slechts 1,5% voor GPT‑5.6 Sol en 2,0% bij gebruik met Daybreak Blue-toegang. Er is ook gebleken dat het meer verzoeken succesvol afrondt dan GPT‑5.5‑Cyber, dat slechts 57,3% van de verzoeken afrondde.
GPT‑5.6‑Cyber is getraind om de prestaties van bepaalde cyberbeveiligingsworkflows te verbeteren, waarbij gebruik wordt gemaakt van de ontwikkeling van exploits en geavanceerd beveiligingsonderzoek. Uit een benchmarkevaluatie van ExploitGym is gebleken dat het model beter presteert dan zowel GPT‑5.6 Sol als GPT‑5.5 Cyber.
OpenAI zei dat het model ook verbeteringen laat zien als het gaat om het vinden en nauwkeurig kalibreren van de ernst van nieuwe zero-day-kwetsbaarheden als gevolg van gespecialiseerde training, hoewel het slechter presteert dan GPT-5.6 Sol als het gaat om open-end speurtochten die verband houden met het blootleggen van kwetsbaarheden in een repository, het ontwikkelen van een werkend proof-of-concept en het indienen van een kwetsbaarheidsrapport van hoge kwaliteit.
Het bedrijf merkte op dat dit te wijten is aan het feit dat het model soms kortere, minder gedetailleerde kwetsbaarheidsrapporten produceert.
Een van de zeer ernstige kwetsbaarheden die door het model zijn ontdekt, is CVE-2026-15903 (CVSS-score: 8,8), een lees- en schrijfkwetsbaarheid buiten het bereik in de V8 JavaScript-engine waardoor een aanvaller op afstand mogelijk willekeurige code in een sandbox kan uitvoeren via een vervaardigde HTML-pagina.
Het zou kunnen worden gekoppeld aan een andere voorheen onbekende kwetsbaarheid, ook gevonden door het model, om aan de V8-heap-sandbox te ontsnappen. CVE-2026-15903 werd medio juli 2026 door Google gepatcht. OpenAI zei dat het model ook is gebruikt om verschillende andere tekortkomingen te signaleren:
- Ten minste vijf kwetsbaarheden in een populair mobiel besturingssysteem, waaronder een keten van een niet-vertrouwde app naar escalatie van lokale bevoegdheden
- Drie kritieke kwetsbaarheden in een populaire database, waaronder een extern pad naar code-uitvoering
- Meer dan 400 kwetsbaarheden die kunnen leiden tot escalatie van bevoegdheden in een populaire besturingssysteemkernel
Daybreak Red is een van de twee toegangsniveaus die door OpenAI zijn opgezet als onderdeel van het Daybreak-initiatief dat het in mei 2026 introduceerde. De andere is Daybreak Blue, dat toegang biedt tot geavanceerde modellen voor algemeen gebruik, waaronder GPT-5.6 Sol, met ingebouwde vangrails die zijn afgestemd op geautoriseerd defensief veiligheidswerk.
“Daybreak Blue-toegang verwijdert deze vangrails, waardoor verdedigers meer uit het model kunnen halen bij echte beveiligingstaken, waaronder het detecteren en reageren op incidenten, onderzoeken, kwetsbaarheidsbeheer en beveiligingsbeoordelingen”, aldus het bedrijf.
GPT‑5.6‑Cyber is beschikbaar gesteld aan een groep vertrouwde klantpartners zoals Accenture, Akamai, Cisco, Cloudflare, CrowdStrike, Fortinet, IBM, Palo Alto Networks, PwC en Sophos om kwetsbaarheden te helpen identificeren en patchen voordat aanvallers deze kunnen misbruiken en de ‘verdedigingskloof’ kunnen dichten.
Deze modellen worden aan bedrijven gepresenteerd als een manier om beveiligingskwetsbaarheden in software te signaleren, omdat kwaadwillenden hun gebruik van de technologie aanzienlijk hebben opgevoerd om campagnes te verbeteren en cyberaanvallen uit te voeren met een snelheid en schaal die nog nooit eerder is gezien, zelfs als dit niet heeft geleid tot de ontdekking van nieuwe of geavanceerde aanvalstechnieken.
Wat duidelijk is, is dat AI-agenten cybercriminelen en nationale hackers in staat stellen het zware werk dat nodig is om cyberaanvallen te plannen en uit te voeren, uit te besteden, waardoor ze een manier krijgen om de efficiëntie en productiviteit van hun activiteiten te verbeteren, wat resulteert in aanvallen die beter, groter en sneller zijn.
Tot overmaat van ramp heeft AI ook het pad van openbaarmaking van kwetsbaarheden naar exploitatie verkort, waarbij aanvallers op dergelijke tools leunen om ‘vibe exploits’ te schrijven voor nieuw onthulde fouten. Nu AI de barrière voor het exploiteren van de ontwikkeling al verlaagt en het onderzoek naar kwetsbaarheden versnelt, zullen aanvallers in de toekomst waarschijnlijk een breder net over onthulde kwetsbaarheden werpen om een weg naar bedrijfsnetwerken te vinden.
Hoewel AI-systemen enorm zijn verbeterd in het vinden en exploiteren van kwetsbaarheden in software, vereisen ze nog steeds substantiële menselijke expertise, ook al heeft onderzoek uitgewezen dat cyber-compatibele redeneermodellen zoals ChatGPT 5.5 en Anthropic Claude Opus 4.8 moeite kunnen hebben om een ontdekte kwetsbaarheid volledig te patchen of te voorkomen dat er nieuwe problemen met hun oplossingen worden geïntroduceerd.
“Het gemiddelde succespercentage voor het genereren van een patch die de kwetsbaarheid volledig oploste (zonder het applicatiegedrag wezenlijk te veranderen) was slechts 26,0%”, aldus 1Password. “Patches die de kwetsbaarheid met succes hebben opgelost, maar daarbij het gedrag van de applicatie veranderden, kwamen in 20,1% van de tijd voor. Omgekeerd losten door LLM gegenereerde patches de kwetsbaarheid niet op, voegden een nieuwe kwetsbaarheid toe, of beide, gemiddeld in 53,9% van de tijd.”
De bevindingen onderstrepen dat modellen die momenteel uitblinken in het ontdekken van een breed scala aan kwetsbaarheden slechts goed zijn in het effectief patchen van een ‘kleine subset’ ervan en helpen ontwikkelaars weg te houden van scenario’s waarin de modellen nieuwe bugs introduceren, ongeacht of een bestaand probleem al dan niet is gepatcht, waardoor het aanvalsoppervlak voor kwaadwillende actoren effectief wordt vergroot.
“Modellen die met verminderde beveiligingen werken, brengen risico’s met zich mee die verder gaan dan het gebruik van standaardmodellen, of het nu gaat om misbruik of verkeerde uitlijning”, aldus OpenAI. “Ondanks deze risico’s zijn wij van mening dat het democratiseren van de toegang tot grensinformatie voor verdedigers cruciaal is voor het versnellen en automatiseren van cyberdefensie.”
