Hvad der blev udsendt, og hvilken måletabel der ligger under

Microsoft annoncerede den 27. juli MAI-Cyber-1-Flash, virksomhedens første kunstige intelligens-model bygget specifikt til cybersikkerhed. Selskabet beskriver den som en kompakt, stærkt kodetrænet model fra MAI-Thinking-1-linjen, og den arbejder ikke alene. Den sidder inde i MDASH, harnisket af mere end 100 agenter, som Microsoft bruger internt til at finde og udbedre softwaresårbarheder, og som ifølge selskabet trækker på flere førende modeller frem for én.

Overskriftstallet er 96 procent på CyberGym, en prøve der måler evnen til at finde virkelige sårbarheder i virkelig kode. Microsofts egen offentliggjorte sammenligning placerer Anthropics Mythos på 83,6 procent, Gemini på 85,6 procent og GPT alene på 84,4 procent, med en fjerde unavngiven model på 83,2 procent. Samme meddelelse siger, at det nye spand kører til omkring halvdelen af prisen for den opsætning, Microsoft leverer i dag. Satya Nadella fremlagde det som sikkerhed på højeste niveau til halv pris.

Det kommercielle køretøj hedder Project Perception og går i offentlig prøveversion den 3. august inde i Microsoft Defender med priser efter forbrug. Det styrer tre klasser af agenter: røde agenter, der kortlægger angrebsveje, blå agenter, der undersøger og prioriterer risiko, og grønne agenter, der lægger rettelser ind. Microsoft har ikke offentliggjort takster.

Besparelsen er et valg om routing, ikke en bedre model

Læser man arkitekturen, holder de 96 procent op med at være en udtalelse om formåen. MAI-Cyber-1-Flash er bygget til at overtage op til 90 procent af arbejdet inde i MDASH og til at sende den sværeste tiendedel af opgaverne videre til OpenAIs GPT-5.4. Prøveresultatet er, hvad MDASH opnår med de to kørende sammen. Microsofts model slår ikke fronten, den håndterer mængden, så fronten kun skal tage undtagelserne.

Det gør udsagnet om pris mere interessant end udsagnet om præcision. De 50 procent måles mod den opsætning, Microsoft kører i dag, og som selskabet selv angiver som GPT-5.4, GPT-5.4 mini og GPT-5.3 codex. Med andre ord blev besparelsen fundet ved at skubbe OpenAI ud af de rutinemæssige ni tiendedele af arbejdet og beholde OpenAI til den svære tiendedel. En leverandør sænker sin egen indkøbsregning og giver en del videre. Det er en fuldt gyldig grund til at købe, men det er ikke det samme som en bedre detektor.

Følgen ligger i undtagelserne. Den sværeste tiendedel af arbejdet med sårbarheder er efter sin natur den del, en billig model ikke kunne lukke: dybe logiske fejl og ubehagelige kodestier. Den tiendedel afhænger nu af, at en frontmodel fra tredjepart forbliver tilgængelig, forbliver tilladt efter dine egne regler og forbliver prissat som i dag. Ingen af de afhængigheder står i produktnavnet, og ingen af dem er dine.

Afregning efter forbrug ændrer, hvad et sikkerhedsbudget er

Prismodellen fortjener lige så meget opmærksomhed som selve modellen. At betale efter forbrug på et system, der er bygget til at undersøge uafbrudt, betyder, at din sikkerhedsudgift ikke længere følger antallet af medarbejdere eller licenser, men mængden af det, der skal ses på. Et støjende landskab, et stort monorepo, et opkøb der fordobler dit antal enheder, en dårlig måned med mange alarmer: hver af dem har nu en direkte og øjeblikkelig pris, fordi agenterne reagerer på signaler og ikke på en licensopgørelse.

For en dansk økonomidirektør er det en ændring i prognosen og ikke i en budgetlinje. Sikkerhed per arbejdsplads er en fast udgift, man godkender én gang om året i kroner og derefter glemmer. Agentbaseret sikkerhed efter forbrug er en variabel udgift, der stiger præcis når du allerede er presset, og det er den værst mulige sammenhæng for et budget. Det er også det øjeblik, hvor ingen vil være den, der bremsede sikkerhedsværktøjet for at nå et tal.

Intet af dette taler mod at købe. Det taler for at købe med et loft, en alarm og en ansvarlig. Bed skriftligt om definitionen af måleren, før prøveversionen åbner, aftal et internt loft der udløser en samtale og ikke en afbrydelse, og udpeg én person til at følge kurven i det første kvartal.

Spørgsmålet der skal afgøres før 3. august

Der står nu et forældet svar i de fleste leverandørfortegnelser. Falder du inden for NIS2 eller DORA, forventes du at vide, hvem der behandler din sikkerhedstelemetri og dine fund om sårbarheder. Et harnisk af mere end 100 agenter, der bruger flere førende modeller, betyder at det ærlige svar rummer mindst to modelleverandører, hvoraf den ene er konkurrent til det selskab, der sælger dig produktet. Skriv det ned, før en revisor spørger.

Tre praktiske skridt i denne uge. Spørg din Microsoft-forhandler, om forbruget i Project Perception afregnes inden for din eksisterende Defender-forpligtelse eller på en særskilt måler, og få det skriftligt før den 3. august. Spørg hvilke modelklasser der behandler videresendte fund, og om du kan begrænse videresendelsen af hensyn til egne regler. Undersøg derefter, om dine interne regler om at sende kode eller sårbarhedsdetaljer til en tredjepartsmodel blev skrevet ud fra en antagelse om, at din sikkerhedsleverandør var én enkelt databehandler.

Dette resultat vil blive citeret for dig hele det kommende år. Behandl de 96 procent som et spands ejendom og ikke et produkts, og prissæt spandet derefter.

Læs videre: Microsoft trænede sine sælgere i at kalde Claude langsommere  |  To AI-giganter vil nu være din integrator