GitHub meldt dat een AI-beveiligingspilot met Microsoft 55 kwetsbaarheden laat verhelpen in zes open-sourceprojecten; op 15 november 2026 waren 55 van 99 gecontroleerde meldingen opgelost en zaten 14 van die 55 fixes al in een release.
Voor teams die AutoGPT, Caddy, Express, FastMCP, ImageMagick of Netty in eigen software gebruiken, verandert vooral de route van melding naar update. Een fix helpt in de keten zodra die in de versie zit die de organisatie zelf draait. GitHub noemt geen versienummers of adviesnummers van de 55 meldingen, dus de aankondiging laat niet zien welke concrete installaties geraakt zijn.
Van 9.791 signalen naar 99 meldingen
De pilot heet Codename MDASH. Microsofts scanraamwerk onderzocht zes projecten met het MAI Cyber-model en stelde patches voor. Een AI-triageagent van GitHub Security Lab haalde dubbele meldingen eruit, controleerde of bevindingen geldig waren en richtte zich op fouten met hoge impact. Daarna controleerden zeven onderzoekers van Microsoft FORGE Lab elke overgebleven melding handmatig.
Alleen gecontroleerde bevindingen gingen privé naar beheerders, met een testvoorbeeld en een voorgestelde fix. De beheerders bepaalden zelf wat ze oplosten, hoe ze dat deden en wanneer ze een wijziging uitbrachten. De zes projecten zijn AutoGPT, Caddy, Express, FastMCP, ImageMagick en Netty, met toepassingen voor AI-agents, webservers, Node.js en servers voor Model Context Protocol (MCP), beeldbewerking en Java-netwerken. Alle zes zijn alumni van GitHub Secure Open Source Fund.

De infographic noemt 9.791 mogelijke issues en 99 privémeldingen, ongeveer één melding per honderd ruwe signalen. Die verhouding beschrijft de selectie in deze pilot. Ze meet niet hoeveel kwetsbaarheden een scan gemiddeld vindt of mist.
Beheerders zetten voorstellen om in fixes
De eerste fixes kwamen ongeveer een week na de scan. Caddys beheerders losten alle 22 meldingen die zij kregen binnen een week op. Bij AutoGPT kwam een melding drie dagen nadat de beheerders een kapotte controle hadden uitgebracht. Het rapport wees naar de juiste regel; de beheerders pasten het voorstel verder aan, schreven de fix binnen een dag en brachten die binnen een week in productie.
ImageMagick, dat door twee mensen wordt onderhouden, kreeg ook 22 meldingen. Eén rapport leek op een bekend probleem, maar de samenvatting liet zien waarom deze fout anders was en wees de exacte regels aan. De beheerders konden de bijbehorende fix in vijftien minuten doorvoeren. Die voorbeelden laten zien waar de triage tijd kan besparen: een beheerder krijgt een afgebakend probleem met een controleerbare oplossing. De AI voerde de wijzigingen niet zelfstandig door; projectbeheerders gebruikten sommige voorstellen ongewijzigd en pasten andere aan.
De pilot bouwt voort op autofix
GitHub maakte Agentic Autofix op 15 oktober algemeen beschikbaar voor klanten van Code Security en Advanced Security op Enterprise Cloud. De agent onderzoekt relevante bestanden, maakt een voorstel, draait CodeQL opnieuw om de fix te controleren en opent daarna een concept-pull-request voor beoordeling. Beheerders kunnen maximaal 25 meldingen in één pull-request laten bundelen. Dat is een productroute voor meldingen in de eigen codebasis; de MDASH-pilot voegt een gemeten uitkomst toe bij zes beheerde open-sourceprojecten, met onderzoekers tussen scan en melding.
OpenAI's Defense Factory laat agents meldingen uit beveiligingstools en Red Team onderzoeken en patches voorbereiden die engineers beoordelen en testen. De Daybreak-koppeling tussen pentests, patchvoorstellen en GitHub Agentic Autofix plaatst die productroutes naast elkaar. De pilot maakt de vergelijking concreter: GitHub en Microsoft melden niet alleen dat de keten kan worden gebouwd, maar tellen hoeveel meldingen tot fixes leidden. De zes projecten blijven wel een kleine groep.
Handmatige controle groeit nog niet mee
De zes deelnemers waren allemaal alumni van het Secure Open Source Fund. GitHub noemt de steekproef klein en de uitkomsten vroege lessen. Zeven Microsoft-onderzoekers besteedden ongeveer twee dagen per project aan handmatige controle. GitHub zegt dat dit werk nog niet schaalbaar is, terwijl beheerders dagelijks ook meldingen van lage kwaliteit ontvangen. De proef laat dus een menselijke beoordelingsstap zien die tijd kost, ook wanneer AI de eerste selectie doet.
De aankondiging geeft geen identificatienummers, ernstscores of getroffen versies voor de 99 meldingen. Ook ontbreken onafhankelijke meetcijfers voor het aandeel onterechte meldingen vóór en na de triage. De 55 opgeloste meldingen zijn een concrete uitkomst, maar zeggen op zichzelf niet welke versie van een pakket een gebruiker moet installeren. Voor teams die deze projecten gebruiken, blijven gepubliceerde adviezen en release notes de route om de eigen afhankelijkheden te controleren.
Microsoft kondigde op dezelfde dag MAI Cyber 2 Flash aan. De pilot gebruikte een eerdere versie; Cyber 2 Flash komt vanaf half december naar MDASH en vervangt daar het bestaande MAI-profielmodel. De nieuwe MAI-modellen voor code en cyber hebben verschillende producten en startdata. De 55 fixes zijn dus niet aan Cyber 2 toe te schrijven. GitHub wil de gecontroleerde scans aanbieden aan alle alumni van het fonds en toekomstige deelnemers, en werkt met Microsoft aan meer onderzoekscapaciteit.
De pilot beschrijft een route van scan naar privémelding en beheerderfix binnen een kleine groep met het eerdere MAI Cyber-model. Voor Nederlandse organisaties wordt de opbrengst zichtbaar wanneer die fixes in advisories en releases staan die hun eigen software gebruikt. De aankondiging toont de aantallen van de proef, maar laat de betrokken versies open.
Veelgestelde vragen
Van AI-scan naar veilige software
Ik ontwerp en realiseer AI-workflows van eerste idee tot werkende software, met reviewmomenten, koppelingen en automatisering in de hele keten. Waar het kan bouw ik self-hosted, zodat de techniek past bij je proces en je data.
Dit artikel is geproduceerd samen met het Agent Team. Meer over de redactie.
