Claudeの脆弱性スキャンで開発はどう変わる？Project Glasswing徹底解説

1万件の脆弱性がAIによって暴かれた事実

10,000件以上。

AIによって発見された「深刻な脆弱性」の数だ。

過去数年間の蓄積ではない。

わずか数ヶ月の限定的なテスト期間中に叩き出された数字だ。

僕らが書くコード。

その裏側に潜む致命的なバグを、AIが次々と見つけ出している。

開発者の目ですら見逃していた穴が、AIには丸見えだった。

Anthropicが発表したProject Glasswingの拡大。

これは単なるツールの公開ではない。

ソフトウェア開発の前提がひっくり返る合図だ。

AIがコードを守るのか、AIが新たなリスクを招くのか。

今すぐ知っておくべき現実を深掘りする。

この変化の波に乗り遅れると、気づいた時には「穴だらけのシステム」の主犯にされている。

世界を支えるインフラをAIが守る仕組み

Project Glasswingが第2段階へ移行した。

初期のパートナー50社から、150組織へと規模が拡大された。

対象は15カ国以上の重要組織だ。

電力、水道、ヘルスケア、通信、ハードウェアが含まれる。

これらが止まれば、1億人以上の生活に影響が出る。

文字通り「世界のインフラ」だ。

そこに、セキュリティ特化型モデルのClaude Mythos Previewが投入されている。

このモデルの仕事はシンプルだ。

膨大なコードベースをスキャンし、脆弱性を見つけ出す。

見つけるだけではない。

修正案（パッチ）を提示し、検証し、デプロイ可能な状態まで持っていく。

これまで、こうした作業は高度なセキュリティエンジニアが時間をかけて行っていた。

それが今、AIによって高速化・自動化されている。

最新の報告では、発見された脆弱性は「高」または「緊急」レベルのみだ。

放置すれば壊滅的なサイバー攻撃につながる可能性があった。

この動きはオープンソースの世界にも広がっている。

世界中の開発者が依存しているライブラリの脆弱性を、AIが先回りして潰す。

しんたろー：
1万件という数字はインパクトがある。
僕らがGitHubにプッシュするコードも、AIから見れば穴だらけかもしれない。
電力や水道といったインフラでこれが使われ始めている。
セキュリティの「民主化」が進んでいる。

※この記事は、Claude Codeで1人SaaS開発しているしんたろーが、海外AI最新情報を開発者目線で解説する「AI活用Tips」です。

開発者が直面する「AIの光と影」

AIがセキュリティを強化する。

一方で、コインの裏側も存在する。

日常的に使っているAIツールが、新たなリスクを垂れ流す現実だ。

最近注目を集めたAIノートアプリ「Granola」の事例がある。

特定のAIツールが「デフォルトでデータを学習に利用する」設定になっていた。

生成されたメモが「リンクを知っている全員に公開」される設定だった。

開発者にとって悪夢だ。

会議の議事録に書いた機密情報や、デバッグ中に貼り付けたAPIキー。

それらが、本人の知らないところでAIの学習データとして吸い上げられている。

推測可能なURLを通じて外部から丸見えになっている。

Anthropicが「AIで世界をセキュアにする」と掲げる一方で、身近なツールがプライバシーの穴を広げている。

この「セキュリティ意識の乖離」がもっとも危険なポイントだ。

AIは「自律的な品質保証エンジン」になり得るが、同時に「機密情報の漏洩マシン」にもなり得る。

僕が愛用しているClaude Codeの話をする。

CLIベースのエージェントが注目される理由は、ローカル環境で動作するからだ。

開発者がデータの流れを制御できる。

クラウドベースのSaaSツールと違い、「どのファイルを読み込ませるか」を手元で決められる。

この「データの主権」を誰が握るか。

これが、今後の開発者にとっての生命線だ。

GitHubの取り組みも興味深い。

AIを使って、コードのアクセシビリティを継続的に改善する仕組みを構築している。

ユーザーからのフィードバックをAIが解析し、自動的にIssue（課題）として整理する。

これまで後回しにされがちだったアクセシビリティの修正を、AIの力でワークフローに組み込んだ。

これらに共通するのは、「継続的な改善の自動化」だ。

セキュリティも、アクセシビリティも、一度やって終わりではない。

AIを「常に監視し、修正し続けるエンジン」として飼い慣らす。

それができる開発者と、そうでない開発者の差は開いていく。

しんたろー：
AIツールの「デフォルト設定」は罠だらけだ。
便利だからと導入して、会社の機密を学習させていたという話は笑えない。
ツールを使う側の「リテラシー」が試されている。
僕もClaude Codeを使う時は、環境変数を読み込ませないように気を使っている。

明日から変えるべき開発パイプラインの常識

「AIが勝手にやってくれる」という幻想は捨てる。

やるべきことは、「AIを前提とした開発パイプラインの再設計」だ。

具体的に何をすべきか。

まず、AIツールの監査をルーチンに組み込む。

* データ学習のオプトアウト設定は済んでいるか？

* 共有リンクのデフォルト権限はどうなっているか？

* エンタープライズプランにしないと、セキュリティが担保されないツールではないか？

これらをチェックせずにAIを導入するのは、鍵をかけずに家を出るのと同じだ。

特に、コードを扱うツールに関しては、「学習除外」が絶対条件だ。

次に、脆弱性スキャンの運用を見直す。

Project Glasswingが証明したように、AIは人間より速く穴を見つける。

だが、AIが提示したパッチ（修正案）をそのまま適用してはいけない。

それは、「知らない誰かが書いたコード」をそのまま本番環境に放り込むリスクを孕んでいる。

「AIが提案し、人間がレビューする」

このプロセスの厳格化が求められる。

アクセシビリティへの対応も、今後は「努力目標」ではない。

AIを使えば、コントラスト比のチェックやスクリーンリーダー対応の修正案を一瞬で出せる。

これをGitHub ActionsなどのCI/CDパイプラインに組み込み、「アクセシビリティが担保されていないコードはマージできない」仕組みを作る。

AIを「面倒な作業の代行者」としてフル活用する。

これからのエンジニアに必要なのは、「AIガバナンス」のスキルだ。

コードを書く力と同じくらい、「AIが生み出す成果物と、AIが扱うデータの安全性を管理する力」が評価される。

Claude Mythos Previewのような強力なモデルが一般化するまで、あと6ヶ月から12ヶ月だ。

その時、悪意のある攻撃者も同じ武器を手にする。

僕らが防御側として、AIを正しく、かつ安全に使いこなす準備を整える。

その勝負は、もう始まっている。

しんたろー：
開発者の仕事は「責任を取ること」に集約される。
コードを書くのはAIでもいいが、そのコードが「安全か」「正しいか」を判断するのは僕らの仕事だ。
Claude Codeで爆速開発していても、確認を疎かにしてはいけない。
楽をするためにAIを使うのではない。より「高い品質」を目指すためにAIを使う。

AI活用に関するよくある質問

Q1: AIツール導入時に確認すべき「データ利用」のチェックリストは？

設定画面で「AIモデルの学習にデータを利用する」という項目がデフォルトでONになっていないか確認する。

多くのツールでは、これが初期設定で有効だ。

次に、データの保存期間と、共有リンクの権限設定を精査する。

特に、コードや議事録を扱うツールでは、個人情報や機密情報が意図せず公開設定になっていないか注意する。

業務で使用する場合は、エンタープライズプランへのアップグレードを検討する。

多くのAIサービスでは、上位プランでのみ「学習からの完全除外」や「高度な管理機能」を提供している。

これが、セキュリティポリシーを遵守するための最低条件だ。

Q2: AIによる脆弱性スキャンを導入する際の注意点は？

AIが提示するパッチ（修正案）はあくまで「提案」であり、最終的な正解ではない。

AIは時として、一見正しく見えるが論理的に破綻しているコードや、別の場所に新たな脆弱性を生むコードを生成する。

必ず人間によるコードレビューをプロセスに組み込む。

また、Project Glasswingのように、発見された脆弱性をどうトリアージ（優先順位付け）し、誰が修正を適用するかという「運用プロセス」を定義する。

ツールを導入するだけでなく、既存のチケット管理システムやCI/CDパイプラインと連携させ、修正が確実に行われる仕組みを構築する。

「見つけただけで放置される脆弱性」こそが、最大のセキュリティリスクだ。

Q3: アクセシビリティの改善にAIをどう活用すべき？

アクセシビリティは、単なる「見た目の修正」ではなく、「構造的な修正」だ。

AIを活用して、HTMLのセマンティクスの誤りや、ARIA属性の欠落を自動検出させる。

GitHub Actionsなどの自動化ツールを使い、プルリクエストごとにアクセシビリティチェックを走らせるのが効果的だ。

AIに「このUIをスクリーンリーダーで操作する際の懸念点は？」と問いかけ、修正案を出させるワークフローを構築する。

ただし、AIによるチェックは万能ではない。

最終的には、実際のユーザーからのフィードバックをAIで解析し、それを開発チームに還元する「フィードバックループ」を作ることが、最も確実な改善への道だ。

最後に

AIは、僕らのコードを安全にし、誰にでも使いやすいものに変える力を持つ。

Project Glasswingが見せた1万件の脆弱性という数字は、その可能性の大きさだ。

その力を手に入れるための「代償」も忘れてはいけない。

デフォルト設定の罠、学習データの漏洩、そしてAIへの過信。

これからの開発者に求められるのは、AIを疑い、AIを管理し、AIと共に成長する覚悟だ。

僕もClaude Codeを使い倒しながら、この新しい開発の形を模索し続ける。

AIによる自動化の裏側にある「データのリスク」と「運用の最適化」。

あなたのチームでは、どう対策を始めているか？

👉 ThreadPostでSNS運用を自動化する