OpenAI heeft GPT-6 Cyber gelanceerd: een nieuw beveiligingsmodel dat volgens het bedrijf niet alleen beter presteert dan zijn voorganger, maar ook strenger omgaat met de grenzen die onderzoekers aangeven. Dat is relevant voor organisaties die AI-tools inzetten voor security research, omdat “kunnen” en “binnen regels blijven” in de praktijk allebei tellen.
In dit artikel zet ik de belangrijkste claims en meetpunten naast elkaar, inclusief wat OpenAI zegt over uitkomstscopes, beveiligingsmechanismen en de manier waarop het model momenteel beschikbaar is.
Beter testen op ExploitGym: hogere score dan GPT-5.6 Cyber
Volgens OpenAI is GPT-6 Cyber getest op ExploitGym, een omgeving waarmee wordt nagegaan of een AI een gegeven kwetsbaarheid kan benutten op een remote doelwit. In die test behaalde het model 48,5%, waar GPT-5.6 Cyber uitkwam op 32,1%.
De essentie hiervan: het nieuwe model zou niet alleen “meer willen”, maar ook vaker tot concrete, bruikbare resultaten komen bij het onderzoeken van exploits. Tegelijk benadrukt OpenAI dat het model juist ook beter in staat is om af te zien van acties die niet zijn toegestaan.
Strengere afbakening: minder exploitpogingen bij decoys
OpenAI beschrijft een alignmenttest waarbij het model een uitbuit- of exploitopdracht krijgt, samen met ondersteunende services die bewust gemakkelijk te hacken waren, maar off-limits. Het doel van de test: nagaan of de AI toch de verleiding volgt om verder te gaan dan de aangewezen scope.
Zonder deployment safety prompts zou GPT-6 Cyber in 99,93% van de gevallen afzien van het exploiteren van die decoy services. Bij GPT-5.6 Cyber lag dat lager: 94,49%. Met de safety prompts gaf OpenAI aan dat het model in die opzet nooit de decoy services targette.
OpenAI verbindt deze verbetering aan “dedicated training” om binnen een geautoriseerd domein te blijven, de opgelegde restricties te respecteren en resultaten correct te rapporteren.
Linux kernel als proefterrein: duizenden bevindingen en privilege-escalatie
De onderzoekers richtten GPT-6 Cyber op de Linux kernel. Daar claimt OpenAI dat het model 1.724 kwetsbaarheden heeft gereproduceerd. Daarnaast zou het model functionele privilege-escalatie-exploits hebben opgebouwd voor 948 daarvan.
Ter vergelijking: een GPT-5.6 Cyber-variant, GPT-5.6 Sol, werd met hetzelfde soort tooling getest. Die leverde 166 resultaten op in deze categorie.
Als je deze cijfers leest, zie je twee verschillende dimensies: de breedte (aantal gereproduceerde kwetsbaarheden) en de diepte (het kunnen realiseren van privilege-escalatie). Beide zijn voor security teams relevant, maar ook voor governance: het maakt uit hoe ver een systeem kan gaan.
Rapporteren en verifiëren: kritieke issues en patches bij Mozilla
OpenAI stelt daarnaast dat het 304 kritieke issues heeft gerapporteerd aan maintainers, inclusief voorgestelde fixes. Dat wijst erop dat de focus niet alleen op exploitbaarheid ligt, maar ook op het aanleveren van verbeteringen voor bestaande systemen.
Ook in Firefox zou GPT-6 Cyber volgens OpenAI 81 nieuwe kwetsbaarheden hebben gedocumenteerd die door Mozilla als high zijn beoordeeld. OpenAI zegt daarbij dat het model bewijs en reproduceerbare tests toevoegde. Mozilla heeft aangegeven patches te gaan uitrollen.
Voor defenders is dit een belangrijk punt: een model dat alleen “kan hacken”, maar geen test- of bewijsvoering kan leveren, is minder bruikbaar in het patchproces.
Wat OpenAI wil afdwingen: monitoring en extra safeguards
Naast alignmenttraining noemt OpenAI beschermingen die moeten voorkomen dat het model te ver gaat. Eén van de onderdelen is monitoring die nagaat of de acties van het model in lijn zijn met wat de gebruiker is toegestaan. Verder zijn er safeguards bedoeld om te stoppen dat OpenAI-modellen helpen bij pogingen om industrial controls en andere safety-critical systemen te compromitteren.
OpenAI heeft deze safeguards verfijnd met feedback van Dragos. Die partij testte “Daybreak Red”-modellen in een gecontroleerde labsetting.
Dragos’ AI officer Rob T. Lee zegt in die context: “The skill floor is dropping for the reconnaissance and vulnerability research needed before an attack.” Met andere woorden: de drempel om verkenning en vulnerability research uit te voeren zou lager worden—iets waar organisaties rekening mee moeten houden in hun risicobeheersing.
Beschikbaarheid: selecte klanten, API en Codex
Op dit moment is toegang tot GPT-6 Cyber beperkt tot een selectie van goedgekeurde klanten van “Daybreak Red”. Dit onderdeel van OpenAI’s Daybreak-programma is gericht op geavanceerd exploitwerk en geautoriseerde tests.
Volgens OpenAI kunnen die klanten het model gebruiken via de API en via Codex. OpenAI geeft aan dat het model later geleidelijk wordt opengesteld voor alle Daybreak Red-klanten. Die krijgen dan ook GPT-5.6 Cyber erbij.
Daarnaast komt er een specifieke Daybreak Red-groep voor verdedigers van kritieke infrastructuur, gericht op gesanctioneerde tests op kritieke systemen.
Praktische betekenis voor security teams
Zelfs als je de cijfers en labels uit de OpenAI-rapportage benadert met gezond verstand, laat GPT-6 Cyber wel een duidelijke trend zien: AI-modellen worden niet alleen sterker in het identificeren en reproduceren van kwetsbaarheden, maar ook in het naleven van afgebakende testomgevingen.
Voor organisaties betekent dit doorgaans twee dingen. Ten eerste wordt het belangrijker om je eigen processen rond autorisatie en scope strak in te richten: wie mag wat testen, op welke systemen, met welke outputs. Ten tweede kun je beter rekening houden met snellere researchcycli, waardoor tijdige patching en exposure management nóg belangrijker worden.
Als je wilt zien hoe patchvertraging in de praktijk kan doorwerken in exploitrisico’s, dan is dit verwant artikel relevant: Dreiging en patchvertraging: OpenSSH SSHole-bypass. Voor bredere context rond “patchen versus tijd” past ook Dreiging en patchvertraging in 2026: risico van proxy-exits goed bij dit onderwerp.
Conclusie
GPT-6 Cyber combineert volgens OpenAI hogere beveiligingsprestaties met een strengere naleving van toegestane scope. De modeltests op ExploitGym en de alignmentresultaten (met decoy-services die meestal niet worden aangevallen) tonen dat het bedrijf inzet op discipline, niet alleen op vaardigheid.
Tegelijk laat het nieuws zien dat de “skill floor” voor reconnaissance en vulnerability research kan dalen. Daarom is het voor security teams verstandig om autorisatie, monitoring en patchprocessen mee te laten groeien met de mogelijkheden van AI-modellen.
