A Microsoft új generációs mesterségesintelligencia-alapú kiberbiztonsági rendszert mutatott be, amelynek célja, hogy autonóm és specializált AI-ügynökök segítségével gyorsítsa fel a sérülékenységek felderítését, a fenyegetések kivizsgálását és a vállalati környezetek megerősítését.
A bejelentés központi eleme a Project Perception, egy agentic security platform, amely különböző feladatokra szakosított AI-ügynököket, biztonsági telemetriát, szervezeti kontextust és többféle AI-modellt kapcsol össze egyetlen folyamatosan működő védelmi rendszerben.
A Microsoft ezzel párhuzamosan bemutatta a MAI-Cyber-1-Flash modellt is, amely a vállalat első kifejezetten kiberbiztonsági feladatokra fejlesztett saját AI-modellje.
A vállalat elképzelése szerint a jövő security platformjai nem egyszerűen több riasztást generálnak majd, hanem képesek lesznek folyamatosan érzékelni a kockázatokat, értelmezni a teljes vállalati környezetet, priorizálni a fenyegetéseket és – megfelelő jogosultságok mellett – akár védelmi intézkedéseket is kezdeményezni.
A Project Perception 2026. augusztus 3-án kerül public preview állapotba, és a Microsoft fokozatosan tervezi integrálni saját Security termékportfóliójába.
Nem egyetlen hatalmas AI-modellre épít
A Microsoft egyik legfontosabb megközelítésbeli változása, hogy nem kíván minden security feladathoz ugyanazt a nagy frontier modellt használni.
A Project Perception többmodelles architektúrát alkalmaz.
A rendszer az adott feladat alapján mérlegeli többek között:
- a szükséges pontosságot;
- a modell megbízhatóságát;
- a válaszidőt;
- a számítási költséget;
- és az adott security workflow összetettségét.
Egyszerűbb vagy nagy volumenben ismétlődő feladatokhoz kisebb, specializált modellek használhatók, míg az összetettebb problémák erősebb frontier modellekhez kerülhetnek.
A Microsoft szerint ez azért különösen fontos a kiberbiztonságban, mert a security monitoring folyamatos, 24/7 működést igényel. Egy olyan rendszer, amely minden riasztást vagy kódrészletet a legdrágább elérhető modellen futtatna át, vállalati méretben rendkívül költségessé válhatna.
Bemutatkozott a MAI-Cyber-1-Flash
A multi-model stratégia egyik első saját komponense a MAI-Cyber-1-Flash.
Ez a Microsoft első dedikált kiberbiztonsági modellje, amelyet elsősorban sérülékenységkutatási és szoftverbiztonsági feladatokra terveztek.
A modellt a Microsoft MDASH rendszerébe integrálták.
Az MDASH egy több modellből és több specializált agentből álló sérülékenység-felderítő és -javító rendszer, amely nagy forráskód-repositoryk elemzésére, potenciális biztonsági hibák felkutatására és javítási javaslatok kidolgozására használható.
A Microsoft Security kutatási vezetője szerint az MDASH több mint 100 specializált agentet koordinálhat, miközben általános célú reasoning modelleket is használ. A különböző agentek eltérő sérülékenységi osztályokat kereshetnek, ellenőrizhetik egymás megállapításait és segíthetnek eldönteni, hogy egy talált probléma valódi biztonsági kockázatot jelent-e.
Microsoft: 96 százalék a CyberGym benchmarkon
A Microsoft szerint a MAI-Cyber-1-Flash modellt használó MDASH konfiguráció 96 százalékos eredményt ért el a CyberGym benchmarkon, amely a vállalat közlése szerint 12 százalékponttal meghaladta az általuk Mythos modellhez társított eredményt.
Ezt azonban fontos megfelelő kontextusban értelmezni.
A 96 százalékos eredmény nem kizárólag a MAI-Cyber-1-Flash önálló teljesítményét méri.
Az eredményt egy olyan teljes rendszer érte el, amely:
- több AI-modellt;
- több mint száz specializált agentet;
- orchestrációs logikát;
- security toolingot;
- és különböző elemzési workflow-kat
kombinál.
Ezért az eredmény nem tekinthető egyszerű, egy-az-egyben modell-összehasonlításnak.
A különböző gyártók cyber-AI benchmarkeredményeit általában is óvatosan kell összevetni, mert eltérhet:
- a rendelkezésre álló tool access;
- az agentek száma;
- az engedélyezett próbálkozások száma;
- a prompt-stratégia;
- a modellek biztonsági korlátozása;
- és a siker kritériuma.
A benchmark tehát fontos technikai indikátor, de nem feltétlenül tükrözi pontosan egy valódi vállalati infrastruktúra teljes komplexitását.
Közel 50 százalékos költségcsökkenést állít a Microsoft
A Microsoft másik hangsúlyos állítása a költség.
A vállalat szerint a MAI-Cyber-1-Flash integrálásával működő új MDASH konfiguráció közel 50 százalékos költségmegtakarítást érhet el a korábban piacon lévő MDASH konfigurációhoz képest.
Ennek hátterében szintén a modell-routing logika áll.
Nem minden security feladathoz szükséges a legnagyobb modell.
Egy ismert sérülékenység-osztály keresése vagy egy nagy mennyiségű, hasonló forráskódrészlet elemzése például hatékonyabban végrehajtható egy kisebb, erre a feladatra optimalizált modellel.
Az igazán összetett vagy bizonytalan esetek pedig továbbküldhetők egy erősebb modellnek.
A megközelítés hasonló ahhoz, ahogyan egy modern SOC is működik: a rutinfolyamatokat automatizáció és playbookok kezelik, a bonyolultabb ügyeket pedig magasabb szakértelemmel rendelkező elemzőkhöz eszkalálják.
Red, blue és green AI-ügynökök dolgoznak együtt
A Project Perception három fő agentkategóriára épül.
A red agentek támadói nézőpontból vizsgálják a környezetet.
Feladatuk például:
- sérülékenységek keresése;
- lehetséges attack pathok azonosítása;
- hibás konfigurációk felkutatása;
- és annak vizsgálata, hogy egy támadó milyen úton juthat el kritikus erőforrásokhoz.
A blue agentek elsősorban a védelmi és SOC-feladatokat támogatják.
Ők:
- biztonsági eseményeket vizsgálhatnak;
- különböző telemetriaforrásokat korrelálhatnak;
- támadási folyamatokat rekonstruálhatnak;
- és eldönthetik, hogy egy jelenség valódi fenyegetést jelent-e.
A green agentek feladata a remediation és hardening.
Ők a már azonosított problémák alapján segíthetnek:
- konfigurációkat javítani;
- sérülékeny rendszereket megerősíteni;
- biztonsági policykat módosítani;
- és csökkenteni a későbbi támadások esélyét.
A Microsoft célja, hogy ezek az agentek ne elszigetelten működjenek, hanem egymás eredményeire építsenek.
Egy red agent például találhat egy támadási útvonalat, amelyről egy blue agent megvizsgálja, történt-e már tényleges kihasználási kísérlet, majd egy green agent javaslatot tehet a kockázat megszüntetésére.
Négy hét munkából négy óra
A Microsoft egyik korai Project Perception partnere a brit Nationwide Building Society.
A szervezet szerint egy olyan threat-intelligence elemzési munkafolyamatot, amely korábban körülbelül négy hetet vett igénybe, a Project Perception segítségével nagyjából négy órára tudtak csökkenteni.
A Nationwide beszámolója szerint a rendszer red, blue és green agentjei a vállalat biztonsági szakembereivel együtt dolgoznak, miközben a végső ellenőrzés továbbra is embereknél marad.
Ez természetesen egy korai ügyfélbeszámoló, nem pedig független, kontrollált teljesítménymérés, de jól mutatja, milyen típusú operatív gyorsulást vár a Microsoft az agentic security rendszerektől.
A Microsoft új „Cyber Stackje”
A Project Perception mögötti architektúrát a Microsoft új Cyber Stackként írja le.
Ennek fő rétegei:
Signals and sensors:
A security termékekből, endpointokból, identitásokból, alkalmazásokból, cloud rendszerekből, adatkörnyezetből és AI-rendszerekből származó jelek.
Security context:
A nyers jelekből kialakított, folyamatosan frissített szervezeti kontextus, amely összekapcsolja az eszközöket, identitásokat, kapcsolatokat, kockázatokat és eseményeket.
Models:
Az értelmezésért és reasoningért felelős frontier és specializált AI-modellek.
Harness:
Az orchestrációs rendszer, amely koordinálja a modelleket, agenteket és security workflow-kat.
Agents:
A konkrét vizsgálati, elemzési és remediation feladatokat végző AI-ügynökök.
Actuators:
Azok a mechanizmusok, amelyek az AI megállapításait valódi védelmi intézkedésekké alakíthatják.
A Microsoft szerint éppen az actuators réteg különbözteti meg az agentic securityt egy egyszerű AI-asszisztenstől.
A rendszer nemcsak azt mondhatja meg, hogy „ezt a gépet érdemes izolálni”, hanem megfelelő engedély esetén kezdeményezheti is az izolációt.
És itt kezdődik az igazán komoly biztonsági kérdés
Minél több intézkedést hajthat végre önállóan egy AI-agent, annál nagyobb a potenciális kár is, ha hibázik.
Egy rossz security-javaslat kellemetlenséget okoz.
Egy hibás automatikus remediation viszont:
- leállíthat kritikus szolgáltatást;
- blokkolhat legitim felhasználókat;
- módosíthat hálózati szabályokat;
- megszakíthat üzleti folyamatokat;
- vagy rossz konfigurációt teríthet szét nagy számú eszközön.
Ezért az agentic security egyik legfontosabb kérdése már nem az, hogy az AI képes-e felismerni egy fenyegetést.
Hanem az:
mekkora jogosultságot szabad adni neki?
Prompt injection egy SOC-rendszer ellen
Az agentic AI platformoknak olyan új támadási formákkal is számolniuk kell, amelyek a hagyományos security automatizációknál jóval kevésbé voltak relevánsak.
Az egyik legfontosabb ezek közül a prompt injection.
Egy security agent folyamatosan feldolgozhat támadó által kontrollált adatokat:
- source code-ot;
- logokat;
- support ticketeket;
- e-maileket;
- weboldalakat;
- malware-kódot;
- dokumentumokat;
- vagy threat-intelligence adatokat.
Ha egy támadó ezek valamelyikébe olyan instrukciót rejt, amelyet az AI tévesen megbízható utasításként értelmez, az agent viselkedése manipulálható lehet.
A probléma különösen veszélyessé válik, ha az agent nemcsak olvasási, hanem módosítási jogosultságokkal is rendelkezik.
Egy támadó célja ilyenkor már nem feltétlenül az AI „meggyőzése” valamilyen válaszról.
Az igazi cél az AI jogosultságainak eltérítése lehet.
A közös security context is támadási felület
A Project Perception egyik előnye, hogy agentjei közös, folyamatosan frissülő security kontextust használnak.
Ez segíthet abban, hogy egy AI ne csupán egyetlen riasztást lásson, hanem tudja például:
- melyik szerver internet-facing;
- ki az adott gép tulajdonosa;
- milyen érzékeny adatot kezel;
- milyen identitások kapcsolódnak hozzá;
- és milyen más rendszerekhez fér hozzá.
Ugyanez azonban egy potenciális támadási pont is.
Ha egy támadó képes:
- hamis telemetriát bejuttatni;
- asset relationship adatokat manipulálni;
- rossz threat intelligence-t elhelyezni;
- vagy más módon „megmérgezni” a kontextust,
akkor több agent ugyanarra a hibás információra építve hozhat rossz döntéseket.
Egy hagyományos security eszköznél egy hibás riasztás lokális problémát okozhat.
Egy közös tudásbázisból dolgozó agentrendszerben ugyanaz a hibás információ több automatizált döntésen is végigterjedhet.
Az agentek összeadódó jogosultsága is kockázat
Külön figyelmet érdemel az úgynevezett accumulated authority.
Előfordulhat, hogy egyetlen AI-agent önmagában viszonylag kevés jogosultsággal rendelkezik.
Az agentek azonban információt és eredményeket adhatnak át egymásnak.
Ha az egyik:
- source code-hoz fér hozzá;
a másik:
- identity információkat lát;
a harmadik:
- policyt módosíthat;
a negyedik pedig:
- endpointot izolálhat,
akkor az egész rendszer összesített jogosultsága lényegesen nagyobb lehet, mint bármely egyedi komponensé.
Az ilyen architektúráknál ezért nemcsak az egyes agentek jogosultságát kell vizsgálni, hanem azt is, milyen hatáskör jön létre az agentek együttműködéséből.
Az autonóm AI-incidensek miatt a kontroll kulcskérdés
A modern agentic rendszerek fejlődése megmutatta, hogy nem elegendő pusztán arra építeni: az AI-modell „jó szándékúan” fog működni.
Egy autonóm rendszer akkor is veszélyes következményekhez juthat, ha nincs rosszindulatú célja.
Elég lehet:
- egy félreérthető cél;
- túl széles jogosultság;
- gyenge sandbox;
- elégtelen hálózati szeparáció;
- vagy egy váratlanul kihasználható tool.
Az agent ekkor pusztán a megadott cél optimalizálása közben is túlléphet azon, amit az ember valójában szeretett volna.
Ez az oka annak, hogy a Project Perception vállalati értéke végső soron nemcsak azon múlik majd, mennyire intelligensek az agentjei.
Legalább ilyen fontos lesz:
mennyire jól korlátozhatók.
Microsoft szerint az ember marad irányításban
A Microsoft hangsúlyozza, hogy a Project Perception kialakítása során az emberi kontroll központi elem.
A platform a vállalat Responsible AI elveire, valamint meglévő security, compliance, governance és operational control rendszerére épül.
A Microsoft szerint az agentek képesek lesznek gépi sebességgel dolgozni, miközben a security szakemberek továbbra is kontrollálják a kritikus döntéseket.
A gyakorlatban azonban a valódi kérdés nem pusztán az lesz, hogy van-e „human in the loop”.
Hanem az, hogy:
- mely intézkedésekhez szükséges explicit jóváhagyás;
- melyek történhetnek automatikusan;
- mekkora az agent által módosítható környezet;
- van-e független emergency stop;
- visszavonható-e az automatizált változtatás;
- és teljes körűen auditálható-e minden agent action.
Ezek fogják eldönteni, hogy a machine-speed defence valóban biztonsági előny vagy új operációs kockázat lesz-e.
A Google is hasonló irányba halad
A Microsoft nincs egyedül ezzel a stratégiával.
A Google DeepMind nemrég bemutatta saját specializált cyber-AI modelljét, a Gemini 3.5 Flash Cybert, amelyet sérülékenységek felkutatására, validálására és javítására optimalizáltak.
A modell a Google CodeMender agentrendszerében működik, ahol a vállalat szintén több AI-invokációval, tool használattal és automatizált ellenőrzéssel próbálja nagy léptékben kezelni a szoftverbiztonsági problémákat.
Mindkét stratégia ugyanabba az irányba mutat:
a jövő kiberbiztonsági AI-rendszere valószínűleg nem egyetlen „szupermodell” lesz.
Sokkal inkább:
specializált modellek + agentek + security tooling + vállalati kontextus + automatizált actionök együttese.
A sebezhetőségkutatás gazdaságtana is megváltozhat
A költségcsökkenés hosszabb távon legalább olyan fontos lehet, mint a modellek abszolút képessége.
Ha egy vulnerability discovery agent futtatása drága, a vállalat csak:
- kritikus release-ek;
- érzékeny repositoryk;
- vagy ritka, nagy biztonsági auditok
esetén alkalmazza.
Ha viszont ugyanaz a rendszer töredékáron futtatható, lehetővé válhat:
- minden commit ellenőrzése;
- minden pull request security review-ja;
- folyamatos repository scanning;
- automatikus exploitability validation;
- és minden release előtti AI-alapú penetration testing.
Ez a securityt a jelenlegi időszakos auditálásból egy sokkal folyamatosabb modell felé mozdíthatja.
Az AI a támadóknak is csökkenti a költségeket
Ugyanez természetesen a másik oldalon is igaz.
Egy támadónak sem kell feltétlenül a legerősebb frontier modellt használnia minden lépéshez.
Olcsóbb agentek végezhetik:
- az internetes reconnaissance-t;
- a szolgáltatások fingerprintingjét;
- a forráskód elemzését;
- az exploitvariációk tesztelését;
- a credential validationt;
- vagy az áldozatok priorizálását.
A drágább modelleket pedig csak a legnehezebb problémákhoz hívhatják meg.
A multi-model optimalizáció tehát nemcsak a védelem gazdaságtanát változtatja meg.
Az offenzív kiberbiztonság költségét is csökkentheti.
Nem az a kérdés, hogy használunk-e AI-t a securityben
A vállalatok számára egyre kevésbé reális stratégia az, hogy egyszerűen távol maradnak az AI-alapú kiberbiztonságtól.
A támadók már most is egyre több automatizációt és AI-eszközt használnak.
A security csapatok pedig:
- több sérülékenységet;
- több endpointot;
- több identityt;
- több cloud workloadot;
- és több security telemetryt
kezelnek, mint amennyit kizárólag emberi elemzők fenntarthatóan feldolgozhatnak.
A kérdés ezért inkább az:
hogyan lehet úgy bevezetni az agentic securityt, hogy annak sebességelőnye megmaradjon, miközben a jogosultságai kontrollálhatók maradnak?
A korai bevezetésnél a minimális jogosultság kulcsfontosságú
A Project Perceptionhöz hasonló rendszereket bevezető szervezeteknek kezdetben célszerű korlátozott környezetben használniuk az agenteket.
A biztonságosabb indulás része lehet:
- read-only hozzáférés;
- külön sandbox;
- explicit approval remediation előtt;
- szigorú least privilege;
- agentenként külön identity;
- rövid életű credentialök;
- részletes audit logging;
- action rollback;
- független kill switch;
- és folyamatos adversarial testing.
Az autonóm működés csak akkor bővíthető, ha az adott workflow-ról már bizonyítható, hogy megbízhatóan működik.
Egy vulnerability scanner tévedése kellemetlenség.
Egy production jogosultsággal rendelkező autonomous security agent tévedése azonban incidens lehet.
Összegzés
A Project Perception a Microsoft eddigi egyik legfontosabb lépése az agentic cybersecurity felé.
A rendszer nem pusztán chatbotként vagy analyst copilottként működik.
A Microsoft olyan security platformot épít, amelyben:
red agentek keresik a támadási lehetőségeket,
blue agentek vizsgálják a fenyegetéseket,
green agentek pedig javítják és megerősítik a környezetet.
A mögöttük működő multi-model architektúra pedig mindig a feladathoz legjobban illeszkedő modellt próbálja kiválasztani.
A Microsoft saját benchmarkja alapján az új MAI-Cyber-1-Flash modellt használó MDASH rendszer 96 százalékot ért el CyberGymben, miközben a vállalat szerint az új konfiguráció közel 50 százalékkal csökkentheti a költségeket a korábbi MDASH megoldáshoz képest.
A technológiai áttörés azonban csak a történet egyik fele.
A másik az irányítás.
Ahogy az AI-rendszerek a „találtam egy problémát” szintről eljutnak a „meg is javítottam” szintig, a security modellek maguk is kritikus infrastruktúrává válnak.
A Project Perception valódi próbája ezért nem az lesz, hogy képes-e gyorsabban megtalálni egy sérülékenységet.
Hanem az, hogy képes-e gépi sebességgel cselekedni úgy, hogy közben az ember valóban megtartja az irányítást.
