Anthropic udvidede den 2. juni 2026 programmet Project Glasswing fra en indledende gruppe på omkring 50 partnere til cirka 150 organisationer. Programmet giver udvalgte sikkerhedsteams adgang til modellen Claude Mythos Preview, som bruges til at gennemgå kodebaser for sårbarheder. Nyheden handler derfor ikke kun om Anthropic, men om en bredere udvikling, hvor AI i stigende grad bliver et værktøj i software- og cybersikkerhed.
Hvad er den konkrete nyhed?
Ifølge Anthropics egen meddelelse om Project Glasswing omfatter den nye gruppe organisationer i mere end 15 lande. Anthropic skriver også, at de tidlige partnere indtil videre har fundet mere end 10.000 sårbarheder med høj eller kritisk alvorlighed ved at bruge Claude Mythos Preview til at scanne deres kodebaser.
De nye deltagere kommer især fra områder som energi, vand, sundhed, kommunikation og hardware. Anthropic fremhæver desuden, at mange af partnerne er leverandører eller nonprofitorganisationer, som vedligeholder kode, der bruges af mange andre organisationer, herunder myndigheder.
Hvad er Project Glasswing?
Project Glasswing er et sikkerhedsprogram, hvor Anthropic giver udvalgte organisationer adgang til en avanceret model med cyberforsvar som formål. Tanken er ikke, at modellen alene skal erstatte sikkerhedsfolk, men at den skal hjælpe med at finde fejl hurtigere i store og komplekse kodebaser.
Programmet adskiller sig fra almindelig brug af generativ AI, fordi adgangen er begrænset, og fordi deltagerne ifølge Anthropic skal opfylde særlige sikkerhedskrav. Det peger på, at virksomheden betragter disse funktioner som mere følsomme end almindelig tekst- eller kodeassistance.
I praksis ligger nyheden tæt på emner som sikkerhed og privatliv i ChatGPT, men her bruges modellen ikke primært til tekstproduktion. Den bruges som et arbejdsredskab i sikkerhedsprocesser omkring software.
Hvordan bruger organisationerne AI til at finde sårbarheder?
Anthropic beskriver, at partnerne bruger modellen til at scanne kodebaser for sikkerhedsfejl. Senere i artiklen skriver virksomheden også, at modeller af denne type kan bruges til at skrive patches, køre kontroller før softwareudgivelser, simulere angreb gennem penetrationstest og støtte trusselsdetektion.
- AI kan gennemgå store mængder kode hurtigere end et manuelt review alene.
- AI kan pege på mønstre, som ligner kendte sårbarheder eller usikre implementeringer.
- AI kan foreslå rettelser, som sikkerhedsteams derefter kan vurdere og tilpasse.
Det ændrer ikke ved, at sikkerhedsarbejde stadig afhænger af mennesker, testmiljøer og klare processer. En model kan pege på mulige problemer, men organisationen skal stadig afgøre, om fundet er reelt, hvor alvorligt det er, og hvordan det skal udbedres.
Den type analyse hænger sammen med klassisk data processering, fordi modellen skal kunne læse, sortere og sammenholde store mængder teknisk information på tværs af filer, afhængigheder og arbejdsgange.
Hvorfor handler nyheden også om patching og ikke kun om scanning?
Anthropic skriver direkte, at flaskehalsen i cybersikkerhed nu i høj grad ligger i at verificere, offentliggøre og rette de mange sårbarheder, som stærke modeller kan finde. Det er en vigtig del af nyheden, fordi værdien ikke opstår, når en model finder et muligt hul, men først når organisationen kan omsætte fundet til en sikker rettelse.
Virksomheden beskriver derfor også et skifte fra alene at finde sårbarheder til i højere grad at støtte patching, offentliggørelse og implementering af rettet software. Det gør udviklingen mere praktisk orienteret: AI bliver ikke kun et analyseværktøj, men en del af hele sikkerhedskæden fra fund til udbedring.
Hvis en organisation allerede arbejder med integrationslag og API’er, kan denne type model i princippet indgå i eksisterende udviklings- og sikkerhedsflows. Det kræver dog, at man på forhånd har besluttet, hvilke kodebaser modellen må se, og hvordan forslag må bruges i drift.
Hvordan adskiller AI-baseret sårbarhedssøgning sig fra klassisk sikkerhedstest?
Klassiske sikkerhedsværktøjer leder ofte efter bestemte signaturer, kendte fejltyper eller konfigurationsproblemer. En avanceret sprogmodel kan derimod læse kode mere sammenhængende og formulere hypoteser om, hvordan flere mindre fejl kan blive til et reelt angrebsspor.
| Område | Klassisk tilgang | AI-støttet tilgang |
|---|---|---|
| Analyseform | Regler, signaturer og faste testtyper | Sproglig og kontekstuel læsning af kode og arbejdsgange |
| Tempo | Ofte hurtig på kendte fejltyper | Hurtig på bred gennemgang af store kodebaser |
| Output | Fundlister og alarmer | Fund, forklaringer og forslag til patches |
| Begrænsning | Kan overse komplekse sammenhænge | Kan tage fejl og kræver menneskelig verifikation |
Det betyder ikke, at AI altid er bedre. En model kan være nyttig i kombination med traditionelle værktøjer, men den skaber også nye krav til kontrol, logning og kvalitetssikring. Det minder om udviklingen i andre områder, hvor store mængder kode, logs og big data behandles hurtigere, men stadig skal fortolkes korrekt.
Hvad betyder udviklingen for danske virksomheder?
For danske virksomheder betyder nyheden først og fremmest, at AI i stigende grad bliver en del af almindeligt sikkerhedsarbejde og ikke kun et eksperiment i udviklingsafdelingen. Det gælder især virksomheder med egne produkter, større softwareporteføljer eller leverandøransvar over for kunder og offentlige kontrakter.
Nyheden dokumenterer ikke, at danske virksomheder får adgang til Project Glasswing nu. Den viser derimod, at leverandører af avancerede modeller begynder at bygge særlige sikkerhedsprogrammer til organisationer med høje krav til drift og robusthed. For danske organisationer kan det være et tegn på, at AI-baseret kodegennemgang bliver et mere normalt led i sikkerhed og kvalitetssikring.
Hvis du arbejder med implementering af generativ AI i din virksomhed, peger nyheden på et praktisk skifte: fokus flytter fra enkeltstående prompts til indlejrede arbejdsprocesser, hvor AI bruges i release-kontrol, fejlretning og dokumentation.
Hvilke danske og europæiske forhold bør du kende?
For organisationer i Danmark er det ikke nok, at et værktøj kan forbedre sikkerheden. Brug af AI i kode- og driftsmiljøer skal også passe til interne retningslinjer for data, adgang og ansvar. Datatilsynet har fremhævet, at arbejdspladser bør fastsætte organisatoriske rammer for medarbejderes brug af generative AI-værktøjer, så personoplysninger og arbejdsdata ikke behandles på en uafklaret måde.
Det bliver særligt relevant, hvis kode, fejlrapporter eller logs kan indeholde personoplysninger, kundeoplysninger eller andre fortrolige data. I sådanne tilfælde er spørgsmålet ikke kun, om modellen finder flere fejl, men også om organisationen har afgrænset, hvilke data der må deles, og under hvilke vilkår.
På europæisk niveau er NIS2-direktivet også en vigtig ramme. EU-Kommissionen beskriver, at NIS2 stiller krav om risikostyring, rapportering og arbejde med blandt andet forsyningskædesikkerhed og sårbarhedshåndtering i 18 kritiske sektorer. Det gør nyheden særlig relevant for danske organisationer inden for eksempelvis energi, sundhed, vand, digital infrastruktur og offentlig administration.
Hvilke begrænsninger har denne type AI-sikkerhed?
Anthropic skriver, at virksomheden endnu ikke har udviklet tilstrækkeligt robuste sikkerhedsforanstaltninger til at frigive Mythos-lignende cyberkapaciteter bredt uden risiko for misbrug. Det er en central begrænsning i nyheden. De samme evner, som kan hjælpe forsvarere med at finde fejl, kan også bruges offensivt, hvis adgangen er for åben.
- Et modeloutput er ikke det samme som en bekræftet sårbarhed.
- Et patchforslag er ikke det samme som en sikker produktionsrettelse.
- Et godt sikkerhedsresultat kræver stadig prioritering, test og ansvarlig ændringsstyring.
Derfor beskriver Anthropic også, at programmet er begrænset til betroede sikkerhedsteams og organisationer, som opfylder bestemte krav. For almindelige virksomheder i Danmark er den realistiske lære ikke, at alle straks bør bruge samme model, men at AI-baseret sikkerhedsarbejde kræver stærk styring.
Hvad peger nyheden på som næste skridt?
Anthropic skriver, at virksomheden vil udvide Project Glasswing yderligere og prioritere flere leverandører af essentiel infrastruktur, vedligeholdere af kritisk open source-software og sikkerhedstestere. Samtidig peger virksomheden på, at mange andre AI-udviklere inden for 6 til 12 måneder kan få modeller med lignende kapacitet, hvilket ifølge Anthropic kan ændre tempoet i både angreb og forsvar.
Den mest holdbare pointe er derfor ikke selve antallet af partnere, men at AI-sikkerhed bevæger sig fra eksperiment til driftsdisciplin. For danske læsere betyder det, at fremtidens cybersikkerhed sandsynligvis i højere grad bliver et samarbejde mellem klassiske sikkerhedsværktøjer, specialister og AI-systemer med snævre og kontrollerede opgaver.