Startup vindt zes curl-lekken waar AI-labs niets zagen

Het curl-project bracht op 2 september versie 8.22.0 uit met negen beveiligingsadviezen. Zes daarvan staan op naam van Stanislav Fort van AISLE, een klein securitybedrijf dat zijn analysesysteem eind augustus op de codebase losliet. Opvallend is de timing: kort daarvoor hadden de cybertools van OpenAI en Anthropic exact nul nieuwe kwetsbaarheden gevonden in dezelfde code.

Nul bevindingen, daarna 29 meldingen

Op 24 augustus liet curl-oprichter Daniel Stenberg publiekelijk weten hoe zijn scans waren afgelopen. Zijn samenvatting was kort: Mythos van Anthropic meldde niets meer te kunnen vinden, en Codex Security van OpenAI leverde een lege lijst op. Ook Zeropath kwam met lege handen terug. In de dagen erna diende AISLE 29 rapporten in bij het project. Zes daarvan haalden uiteindelijk een CVE-nummer, wat betekent dat de onderhouders ze accepteerden en patchten.

Curl zit in vrijwel elk besturingssysteem en elke router, en is jarenlang doorgelicht door onderzoekers en scanners. Dat er nog zes gaten in zaten zegt iets over hoe diep sommige fouten begraven liggen.

Wat de zes lekken doen

Alle zes kregen de classificatie Low, dus paniek is niet op zijn plaats. Inhoudelijk zijn ze wel interessant, omdat ze langdurig onopgemerkt bleven. CVE-2026-80230 laat certificate pinning omzeilen en zit er sinds curl 7.45.0 in, uitgebracht in 2015. CVE-2026-82209 gaat over een cookie met een domeinbereik dat door de public suffix-controle glipt en dateert van 7.46.0. Verder zitten er een use-after-free in de OpenSSL-provider, een probleem met hergebruik van verbindingen bij de systeemcertificaatopslag, een cookie-bypass via een tabteken, en een fout waarbij de wolfSSL CA-cache een callback overschrijft.

Zulke bugs vragen om redeneren over toestand en volgorde, waar statische scanners op stuklopen. Eerder schreven we al dat AI duizenden kwetsbaarheden vindt die zelden worden misbruikt. Hier gaat het om het omgekeerde probleem: weinig vondsten, maar wel echte.

Het gereedschap weegt zwaarder dan het model

Stenberg trok er zelf een conclusie uit die haaks staat op de gangbare aanname dat een groter model automatisch beter zoekt. Volgens hem doet het gereedschap dat je op je code richt meer dan de omvang van het model erachter. Hij wijst daarbij op het verschil tussen gemelde en geaccepteerde bevindingen. In mei leverde een ronde met Mythos vijf claims op waarvan er één bleef staan, wat toen een golf aan ruisrapporten ontketende bij het project.

Greg Kroah-Hartman, onderhouder van de stabiele Linux-kernel, herkende het patroon en zei hetzelfde te zien bij Linux, zonder te kunnen verklaren wat AISLE anders doet. Het bedrijf werkt model-agnostisch en bouwt zijn eigen analyselaag bovenop bestaande modellen.

Wie een AI-tool op zijn code loslaat, moet niet tellen hoeveel meldingen eruit komen, maar hoeveel er na controle overeind blijven. Die tweede vraag stellen de meeste teams te laat.

Leon Tindemans, AI-expert en Copilot- & ChatGPT-trainer

Hoe je zo’n systeem aanstuurt bepaalt een groot deel van het resultaat, iets wat ook terugkomt in de training prompts schrijven voor AI van TTM Communicatie.

Wat betekent dit

Voor securityteams verschuift de vraag van welk model je koopt naar welke laag eromheen zit. De grote labs schalen ondertussen door op eigen cybercapaciteiten, zoals te zien is bij Astra dat OpenAI achter een slot zette vanwege zijn cyberniveau. Toch laat curl zien dat een klein team met een scherpe pijplijn die labs kan verslaan op hun eigen terrein.

Voor open source-onderhouders is de keerzijde het meldingsvolume: rapporten uit meerdere AI-pijplijnen tegelijk, bij gelijkblijvende bezetting. Zie ook hoe een lek uit een OpenAI-agenttest op de verplichte patchlijst belandde en hoe AI binnen een dag een Zoom-exploit bouwde. De verdediging wint hier een ronde, maar alleen omdat er iemand was die de patches erdoorheen duwde.