Wprowadzenie do problemu / definicja
Automatyzacja bezpieczeństwa aplikacji wchodzi w etap, w którym sztuczna inteligencja nie tylko wskazuje potencjalne błędy, ale także pomaga potwierdzać ich realną wykonalność. Takie podejście reprezentuje PageBreak, wewnętrzny agent bezpieczeństwa rozwijany przez Google do testowania własnych aplikacji webowych.
Celem rozwiązania jest zwiększenie skali wykrywania podatności przy jednoczesnym ograniczeniu pracy manualnej oraz redukcji fałszywych alarmów. To szczególnie istotne w dużych środowiskach, gdzie liczba potencjalnych problemów bezpieczeństwa gwałtownie przekracza możliwości operacyjne zespołów AppSec.
W skrócie
PageBreak jest wykorzystywany przez zespół Product Security do analizy aplikacji first-party Google. Według ujawnionych informacji narzędzie wykryło ponad 500 podatności w aplikacjach webowych firmy, obejmujących między innymi cross-site scripting, cache poisoning oraz problemy związane z niebezpiecznymi zewnętrznymi handshake’ami w rozszerzeniach przeglądarkowych.
- Wykryto ponad 500 podatności w aplikacjach webowych Google.
- Rozwiązanie łączy analizę AI z deterministyczną walidacją exploitów.
- Model ma ograniczać liczbę false positive do minimum.
- Pilotaż rozpoczął się w listopadzie 2025 roku, a szersze wdrożenie nastąpiło w styczniu 2026 roku.
Kontekst / historia
W ostatnich latach organizacje intensywnie testują wykorzystanie dużych modeli językowych w bezpieczeństwie aplikacji. Problemem pozostaje jednak jakość wyników. Wiele narzędzi generuje dużą liczbę hipotez o podatnościach, ale bez pewności, czy da się je rzeczywiście wykorzystać w praktyce.
To prowadzi do przeciążenia zespołów bezpieczeństwa i deweloperów, którzy muszą manualnie oddzielać rzeczywiste ryzyko od błędnych lub nieprecyzyjnych wskazań. Na tym tle PageBreak wyróżnia się tym, iż nie kończy pracy na samym wskazaniu potencjalnej słabości, ale przechodzi do etapu technicznego potwierdzenia exploita.
Zmiana akcentu z wykrywania na dowodzenie wykonalności ma duże znaczenie operacyjne. W praktyce pozwala lepiej priorytetyzować poprawki i ograniczać szum, który często obniża skuteczność programów AppSec.
Analiza techniczna
Architektura PageBreak opiera się na dwóch warstwach. Pierwszą stanowi agent AI analizujący kod, logikę aplikacji i powierzchnie ataku w celu formułowania hipotez dotyczących potencjalnych podatności. Drugą są wyspecjalizowane walidatory, które nie są generowane przez AI i służą do wykonania rzeczywistych testów przeciwko uruchomionej aplikacji.
Jeżeli agent zidentyfikuje możliwy problem, przekazuje go do odpowiedniego walidatora dobranego do klasy podatności oraz charakteru interfejsu, na przykład HTTP lub gRPC. Dopiero skuteczne wykonanie testu i potwierdzenie exploita powoduje uznanie znaleziska za prawidłowe. Takie podejście pozwala raportować głównie podatności faktycznie eksploatowalne, a nie wyłącznie teoretyczne.
W ujawnionych przykładach pojawiły się między innymi cache poisoning w apis.google.com, błąd XSS w admin.google.com oraz niebezpieczne zewnętrzne handshake’e w rozszerzeniach przeglądarkowych. Wskazane przypadki zostały naprawione. Ważne jest również to, iż PageBreak korzysta głównie z modeli Gemini 3.1 Pro oraz Gemini 3.5 Flash, choć sam projekt nie jest koncepcyjnie ograniczony do jednego modelu.
Kierunek rozwoju obejmuje także integrację z systemem CodeMender, który ma wspierać automatyczne generowanie propozycji poprawek dla potwierdzonych podatności. Oznacza to próbę zamknięcia pełnej pętli: od wykrycia, przez walidację, aż po remediację.
Konsekwencje / ryzyko
Informacja o ponad 500 wykrytych podatnościach pokazuje, iż choćby dojrzałe organizacje z rozwiniętymi procesami secure development przez cały czas posiadają znaczną powierzchnię ryzyka w aplikacjach webowych. Jednocześnie potwierdza, iż klasyczne błędy, takie jak XSS czy cache poisoning, wciąż pozostają praktycznym zagrożeniem także w nowoczesnych środowiskach.
Z perspektywy operacyjnej najważniejszą korzyścią nie jest sama automatyzacja, ale poprawa jakości triage’u. W środowiskach enterprise nadmiar niezweryfikowanych zgłoszeń potrafi równie skutecznie spowalniać reakcję jak brak wykryć. Deterministyczna walidacja ogranicza ten problem i pomaga kierować zasoby tam, gdzie zagrożenie jest realne.
Nie oznacza to jednak pełnej eliminacji ryzyka. Skuteczność rozwiązania zależy od jakości walidatorów, poprawności środowiska testowego oraz zakresu obsługiwanych scenariuszy ataku. jeżeli dany walidator nie odzwierciedla rzeczywistych ścieżek eksploatacji albo nie wspiera określonej klasy błędów, część podatności może pozostać niewykryta.
Rekomendacje
Organizacje rozwijające własne aplikacje webowe powinny rozważyć model, w którym AI odpowiada za generowanie hipotez, a niezależna walidacja techniczna za ostateczne potwierdzenie podatności. Takie podejście może znacząco poprawić skuteczność procesu bezpieczeństwa.
- Rozdziel etap wykrycia od etapu potwierdzenia exploita.
- Buduj walidatory specyficzne dla klas podatności i typów interfejsów.
- Łącz wykrycia z procesem remediacji i weryfikacji poprawek.
- Utrzymuj obronę warstwową, obejmującą SDLC, code review, SAST, DAST i fuzzing.
- Mierz skuteczność narzędzi AI jakością potwierdzonych wyników, a nie liczbą alertów.
Największą wartość biznesową daje skrócenie czasu między wykryciem realnej luki a wdrożeniem skutecznej poprawki. Dlatego narzędzia agentowe należy traktować jako wzmocnienie programu AppSec, a nie całkowite zastępstwo dla testów manualnych i klasycznych mechanizmów bezpieczeństwa.
Podsumowanie
PageBreak pokazuje, iż przyszłość bezpieczeństwa aplikacji może opierać się na połączeniu agentów AI z twardą, deterministyczną walidacją techniczną. W środowiskach o dużej skali samo wskazanie potencjalnej podatności nie wystarcza — najważniejsze staje się udowodnienie jej wykonalności, adekwatna priorytetyzacja oraz szybkie powiązanie wyniku z procesem naprawy.
Przypadek Google podkreśla również, iż choćby najbardziej zaawansowane organizacje przez cały czas potrzebują nowych metod skalowania AppSec bez zwiększania szumu operacyjnego. jeżeli trend ten się utrzyma, kolejne generacje narzędzi bezpieczeństwa będą coraz mocniej integrować wykrywanie, walidację i remediację w jednym procesie.
Źródła
- Dark Reading – Google’s PageBreak AI Agent Finds 500 Flaws in Its Web Apps — https://www.darkreading.com/application-security/google-pagebreak-ai-agent-500-flaws-web-apps
- Google Blog – PageBreak vulnerability detection — https://blog.google/technology/safety-security/pagebreak-vulnerability-detection/
- Google Bug Hunters – Companion blog post on vulnerabilities fixed by PageBreak — https://bughunters.google.com/