Claude Code Security：修正ループにおける歓迎すべき進化

AIによって発見は加速します。しかし、企業からの信頼を支えるのは、決定論的な検証、修正の自動化、そして大規模なガバナンスです。

先週金曜日、AnthropicはOpus 4.6を搭載したClaude Code SecurityをClaude Code内で公開しました。デモは印象的です。最先端AIの推論能力でオープンソースのコードベースをスキャンし、これまで知られていなかった重大な脆弱性を500件以上発見しました。その中には、専門家による数十年にわたるレビューやファジングをくぐり抜けてきた、見つけにくいヒープバッファオーバーフローも含まれていました。

市場は即座に反応しました。サイバーセキュリティ関連株は下落。Xで拡散された投稿はこう断言しました。「Anthropicは、AppSec業界全体（150億ドル）の昼食を奪った……Claudeはレポートを作るのではない。パッチを書くのだ。」

興奮した反応が広がりました。スキャンはコモディティ化し、従来のツールは時代遅れだ、と。しかし、よくあることですが、実態はもっと複雑であり、取るべき行動も明確です。

Claude Code Securityは大きな前進です。それはAppSecが時代遅れになるからではなく、AI生成コードによって攻撃対象領域が拡大しているからです。AI支援開発のスピードが上がるにつれ、ビジネスロジックの不備、認可エラー、インジェクションのリスク、複数ファイルにまたがる脆弱性も増加しています。AIは発見を加速します。しかし、発見だけでは企業のリスクは減りません。

リーダーと実務担当者向けの要点 — 何が変わり、何が変わらないのか

• 開発者のワークフローにおけるAIの脆弱性発見能力とパッチ作成能力は急速に向上します。

• 安全なコード生成は、依然として根本的に難しい課題です。独立したベンチマークによると、最先端モデルは、コードが機能的に正しく見える場合でも、ビジネスロジック、認可、インジェクションのリスクを頻繁に持ち込みます。

• 本当のボトルネックは変化しました。「脆弱性を見つけること」から、AIが生成した修正を大規模かつ安全に検証し、運用に乗せることへと移っています。

• 最新のAppSecは多層化しています。発見にはAI推論、信頼性の確保には決定論的検証、大規模な修正には自動化、実環境での悪用可能性の把握には動的な相関分析が必要です。

要点：AIは発見を加速します。決定論的・動的な検証に、大規模なリスク修正とAIのスピードに対応するガバナンスを組み合わせることで、本番環境で使えるものになります。AI推論と決定論的検証を組み合わせれば、どちらか一方だけの場合より強固なシステムを実現できます。

現実を見極める：最新のLLMセキュリティベンチマークが示すもの

最先端モデルは進化していますが、本番環境に耐える安全なコード生成は、いまだ実現していません。

• BaxBench：最良のモデルでさえ、生成したソリューションの62%が不正確か、セキュリティ脆弱性を含んでいます。機能的に「正しい」出力のうち、およそ半数には依然として、重大な認可上またはビジネスロジック上の不備があります。

• SonarSourceによるOpus 4.6の分析 （2026年2月20日）：脆弱性密度は以前のバージョンと比べて55%増加し、パストラバーサルのリスクは278%増加。一部の重大なバグの種類は336%増加しました。

• CodeRabbitの分析（2025年12月）：AI支援で書かれたコードは、人間が書いたコードに比べ、XSSを持ち込む可能性が2.74倍、安全でないオブジェクト参照を持ち込む可能性が1.91倍高く、セキュリティ上の指摘事項を含む可能性も1.57倍高くなりました。

つまり：開発者の生産性を二桁台で向上させているAIは、発見が最も難しいリスクも増幅させています。決定論的検証、動的な相関分析、ガバナンスの重要性は、ますます高まっています。

アーキテクチャを読み解く：推論と強制力のある適用は別物

CISOやシニアエンジニアにとって、推論と強制力のある適用の違いは、説得力のあるデモと、安全な本番リリースを分けるものです。

AI推論は調査アシスタント。決定論的検証は門番です。

AIに脆弱性について推論させることはできます。しかし、確率的なモデルに、コンプライアンスの保証、データフローの証明、何千ものリポジトリにわたる企業ポリシーの適用を求めることはできません。

AI時代の信頼は、より優れた推測から生まれるのではありません。モデルの推論ループの外側で、証拠に基づく検証を行い、自動化と強制力のある制御を重ねることで築かれます。

AIレイヤーケーキに欠けている層

ゼロデイを発見する最先端モデルは、攻撃者も利用できます。防御側が推論能力を高めれば、攻撃者も同様に能力を高めます。この現実によって、検証とガバナンスに求められる水準は上がっています。

その明確な例が、2026年1月に明らかになったServiceNowのBodySnatcher脆弱性（CVE-2025-12420）です。認可の不備により、認証されていない攻撃者が任意のユーザーになりすまし、Now Assist AI Agentsを乗っ取って特権アクションを実行できました。欠けていたのは、LLMネイティブな機能、決定論的な静的解析、動的なランタイム相関分析、企業ガバナンスを組み合わせた包括的な防御ファブリックです。

成熟した実装例：Snyk AI Security Fabric

Snyk AI Security Fabricは、LLMネイティブな機能と決定論的検証、運用自動化を統合します。これは、現代の開発スピードに対応しながら、大規模な信頼性を実現する自律型防御モデルです。

Snyk AI Security Platformを基盤とするこのFabricは、単一のツールではありません。DevSecOpsの基礎からAI駆動のワークフロー、さらには新たなAIネイティブアプリケーションの領域まで、ソフトウェア開発ライフサイクル全体を組織として安全にする、3つの戦略的な柱を中心に構築された統合アーキテクチャです。

• AIで加速するDevSecOps - ファーストパーティコード、オープンソース依存関係、コンテナ、インフラ全体のアプリケーションセキュリティを強化し、AIによって開発速度が上がっても、基盤となるリスクが積み重ならないようにします。

• AI駆動の開発を保護 - Claude CodeをはじめとするAIコーディングツールやワークフローに、セキュリティを直接組み込みます。Snyk Studioを通じて、ガードレールがAI生成コードを作成時点で検証し、/snyk-fixのようなディレクティブがSAST、SCA、コンテナ、IaCにわたる修正を自動化します。

• AIネイティブアプリケーションを保護 -モデル駆動型システムやエージェント型システムにも保護を拡張します。Evo by Snykは、AIスタック全体にわたるAI-BOMの可視化、ポリシーの適用、セキュリティ制御を提供します。

機能の比較：推論と信頼性

CTO、CISO、AIリーダーにとっての意味

見出しの変動に左右されて、アーキテクチャの判断を下さないでください。Claude Code Securityは、AI支援による修正が進む方向性を示しています。最小限のリスクで最速の前進を実現するのは、決定論的検証、修正の自動化、ベンダーに依存しないカバレッジ、動的な相関分析、企業ガバナンスという、欠けている層を追加する組織です。

AI時代に最も強いセキュリティプログラムは、最先端AIの推論に決定論的検証、自動化、ガバナンスを重ね、イノベーションと信頼を両立させます。

今すぐお試しください — たった5分で始められます！

1. 連携する：Snyk StudioをClaude Codeやその他の対応アシスタントに接続します。公式インテグレーションガイドをご覧ください。

2. 運用に組み込む：Remediation Directivesを使って、トリアージ、修正、検証のサイクル全体を1つのターミナルコマンドに集約します。

3. ガバナンスを適用する：Evoを活用して、モデルのインベントリやエージェント型システムの脅威モデリングなど、AIスタック全体を保護しましょう。

これからのAppSecに必要なのは、より優れたスキャナーではありません。ソフトウェアが生み出されるAIネイティブ環境で、検出から修正までのループを自動かつ確実に完結させることです。

Anthropicはこの方向性を示しました。今日、レイヤーケーキ全体を運用に組み込むチームは、より速く、より安全に開発を進められます。ともに、より速く安全なソフトウェアを作りましょう。