Ausgangspunkt des Projekts war laut Daniel Spicer ein interner Austausch im Februar mit Mike Reamer aus dem Umfeld der Produkte der Network Security Group. Damals sei deutlich geworden, dass die Modellgeneration 4.6 von Claude nicht nur für die Anwendungsentwicklung Potenzial habe, sondern auch für Sicherheitsaufgaben. In der ersten Märzwoche startete Ivanti daraufhin ein internes Projekt mit Beteiligung von Engineering und Security. Kurz darauf habe das Unternehmen direkte Lizenzen bei Anthropic erworben.

Spicer beschreibt zwei Arbeitsstränge. Der erste soll Schwachstellen finden, die bestehende Werkzeuge verfehlen. Der zweite fokussiert sich auf die Behebung erkannter Schwächen. Hintergrund ist, dass SAST- und DAST-Scanner zwar Schwächen im Code markieren, aber nicht jede gefundene Schwäche automatisch eine ausnutzbare Schwachstelle ist. Ivanti verfolge hier eine harte Linie und wolle solche Schwächen grundsätzlich beseitigen. Ziel sei es, ein Problem früh im Prozess abzufangen, automatisiert zu beheben und dem Entwickler bereits mit Korrektur zurückzugeben.

Konkrete Zahlen zu entdeckten Schwachstellen nannte Spicer noch nicht; entsprechende Forschungsergebnisse wolle Ivanti in den kommenden Monaten veröffentlichen. Bei der automatisierten Behebung zeigte er sich jedoch positiv überrascht. Gute Ergebnisse lieferten nicht nur Modelle von Anthropic, sondern auch mehrere OpenAI-Modelle. Zusätzlich setzt Ivanti einige Open-Source-Modelle ein, die intern in spezieller Weise betrieben werden.

Technisch orientiert sich der Ansatz laut Spicer an Schwachstellenklassen, vor allem nach CWE. Für diese Klassen entwickelt Ivanti Eingaben, die zu qualitativ hochwertigen Korrekturen führen sollen. Langfristig soll daraus ein dauerhafter Betriebsablauf entstehen: Wird eine bestimmte CWE erkannt, soll ein Agent das Ticket automatisch übernehmen, die Korrektur erzeugen, diese erneut durch SAST- oder DAST-Scanner prüfen lassen und anschließend automatisierte Leistungs- und Fehlertests anstoßen. Erst danach gehe das Ergebnis zurück an einen Entwickler. Ivanti begann dabei mit wenig komplexen CWEs und arbeitet sich schrittweise zu komplexeren Klassen vor.

Als besonders nützlich beschreibt Spicer die Fähigkeit von LLMs, Lücken klassischer SAST-Werkzeuge auszugleichen. Ein Beispiel seien Endpunkte mit unzureichender oder fehlender Autorisierung beziehungsweise Authentifizierung. Ein SAST-Scanner könne zwar den Datenfluss nachvollziehen und die Funktion selbst als unauffällig bewerten, erkenne aber nicht unbedingt, dass ein Endpunkt überhaupt eine Zugriffskontrolle bräuchte. Wenn man einem LLM die passenden Zuordnungen gebe und es alle Endpunkte prüfen lasse, liefere es bei solchen Fällen laut Spicer recht gute Empfehlungen.

Beim Einsatz der Agenten setzt Ivanti nach eigenen Angaben auf enge Begrenzungen. Die Systeme erhalten demnach keinen Vollzugriff auf GitHub oder ein Betriebssystem, sondern arbeiten in einem abgeschlossenen, kurzlebigen Rahmen mit einem klar umrissenen Pull Request und einer konkret benannten Aufgabe. Spicer sagte, das Team habe anfangs eher geringe Erwartungen an den Erfolg gehabt und sei von der Qualität der Ergebnisse überrascht worden.

Gleichzeitig betont Ivanti den Kostenaspekt. Spicer ließ interne Leitlinien für den Umgang mit KI-Nutzung erarbeiten, nachdem im Team auch teure, aus seiner Sicht wenig sinnvolle Anwendungsfälle aufgetaucht seien. Der schrittweise Einstieg über weniger komplexe CWEs habe zudem geholfen zu erkennen, an welchen Punkten Modelle ins Straucheln geraten und die Kosten steigen.

Noch ist das Projekt nach Spicers Darstellung nicht abgeschlossen. Seit dem Start im März arbeite Ivanti kontinuierlich an Verbesserungen, derzeit unter anderem an einer besseren Umgebung für die automatisierte Verarbeitung von SAST- und DAST-Funden. Hinzu komme, dass Eingaben und wiederverwendbare Fähigkeiten bei jedem Modellwechsel neu getestet und angepasst werden müssten, selbst bei kleinen Versionssprüngen wie von Opus 4.6 auf 4.7 oder von GPT 5.5 auf 5.6.