---
title: "Kan penetrationstestning bli 90 % billigare? | Guardian360"
description: "Vad vi hittills har lärt oss av ett EU-finansierat experiment med AI-assisterad penetrationstestning: var en AI-agent hjälper till, var den inte gör det, och de frågor vi ännu inte kan besvara."
url: https://guardian360.net/sv/blog/can-penetration-testing-be-90-percent-cheaper/
locale: en
source: guardian360.net
---
[← Alla inlägg](https://guardian360.net/sv/blog/)

Opinion

# Kan penetrationstestning bli 90 % billigare?

Av Jan Martijn Broekhof · 13 november 2026

Ett penetrationstest kostar snabbt sex tusen euro. För en komplex miljö landar summan på långt över hundratusen. Även ett måttligt test på två till tre tusen euro är en rejäl utgift för det genomsnittliga småföretaget, särskilt om det ska upprepas varje år. Länge var det ett val: du gjorde det, eller så gjorde du det inte. Såvida inte sektorsregleringen krävde det, och då fanns det helt enkelt inget val. I och med det europeiska NIS2-direktivet, som i Nederländerna har genomförts som Cyberbeveiligingswet, håller det på att förändras. Tusentals organisationer omfattas nu av lagstiftning som kräver tekniska säkerhetsåtgärder, inklusive att regelbundet testa den egna motståndskraften. Många organisationer översätter det till ett penetrationstest.

Marknaden för penetrationstester skalar inte med den efterfrågan. Pentesters är en bristvara, utbildningen tar år och timpriserna stiger. Du kan vänta på att marknaden justerar sig, eller så kan du försöka lösa problemet på ett annat sätt. Vi valde det senare.

Guardian360 är en av tretton europeiska organisationer som har fått bidrag inom EU:s program CYSSDE för att göra penetrationstestning mer tillgänglig. Vårt projekt heter AI-SCALE. Vår ambition: att erbjuda professionella penetrationstester till omkring tio procent av det vanliga priset, genom att låta en AI-agent göra det mesta av arbetet, med mänsklig validering av fynden. Den här artikeln handlar inte om hur bra det går, för dit har vi inte kommit ännu. Den handlar om vad vi stöter på, vad vi har lärt oss och vilka frågor vi ännu inte kan besvara.

## Vad vi bygger

Tekniken är uppbyggd i tre lager. Det första lagret är kontinuerlig upptäckt: vår befintliga plattform Lighthouse kartlägger löpande attackytan, både extern och intern. Det andra lagret är den AI-drivna bedömningen: vår egen AI Cyber Security Agent som genererar och kör pentestscenarier, anpassade efter organisationens sektor och teknikstack. Det tredje lagret är den mänskliga granskningen: en senior certifierad pentester från någon av våra pentestpartner validerar fynden innan rapporten levereras.

Den treskiktade strukturen är inget kompromisstänk utan ett medvetet val. AI:n gör det arbete som skalar: skannar brett, arbetar igenom scenarier och dokumenterar fynd. Människan gör det arbete som kräver omdöme: avgör om ett fynd är en verklig risk, bedömer hur sårbarheter kombineras och avgör om exploatering är försvarbar.

När projektet avslutas i mars 2028 publiceras AI-agenten, scenariobiblioteken per sektor och hela metodiken som öppen källkod. Det är ett åtagande i vår projektansökan, och det är också vår övertygelse: professionella säkerhetsverktyg ska gå att testa, inte vara en svart låda.

## Vad är ett penetrationstest egentligen?

Innan vi kan prata om en kostnadsminskning på 90 % måste vi vara överens om vad vi försöker göra billigare. Och det är där det första problemet börjar. Termen “penetrationstest” har ingen entydig definition. För en leverantör är det en automatiserad sårbarhetsskanning med en rapport. För en annan är det veckors manuellt arbete av en OSCP-certifierad specialist som på riktigt försöker ta sig in.

Regelverk hjälper bara en bit på vägen. NIS2 kräver “testing the effectiveness of security measures” men föreskriver inte hur. ISO 27001 hänvisar till tekniska sårbarhetsbedömningar utan att ange djupet. DORA är mer precis när det gäller hotledd penetrationstestning (TLPT), men det gäller bara finanssektorn.

I Nederländerna finns en konkret kvalitetsstandard: CCV Keurmerk Pentesten, ett kvalitetsmärke för penetrationstestning. Centre for Crime Prevention and Safety (CCV) har tagit fram ett certifieringsschema som slår fast vad ett pentest är och vad det inte är. Definitionen är entydig: ett pentest är “a manual assessment that attempts to penetrate a system as deeply as possible”. Sårbarhetsskanningar, hur avancerade de än är, är uttryckligen undantagna från märket. Verktyg får användas som hjälpmedel men är, med CCV:s ord, “not leading in the execution of a pentest”. Alla fynd från automatiserade tester måste verifieras manuellt av en kvalificerad pentester.

Dessutom finns ett hårt kvantitativt krav: den kvalificerade pentestern måste utföra minst femtio procent av den totala testtiden. Pentestern ska också ha ett erkänt praktiskt certifikat, minst ett års arbetslivserfarenhet som IT-professionell (inte som praktikant) och ett VOG (nederländskt utdrag ur belastningsregistret) som inte är äldre än tre år.

För den som vill erbjuda AI-pentester väcker det här märket den centrala frågan: om AI-agenten gör det mesta av arbetet och människan validerar, är det då fortfarande ett pentest i den mening som CCV avser? Det ärliga svaret är att treskiktsmodellen konceptuellt passar märkets anda: verktyg som hjälpmedel, den mänskliga experten som slutligen ansvarig. Men femtioprocentsregeln och definitionen som “manual assessment” skaver mot ambitionen om en kostnadsminskning på nittio procent. Om den mänskliga pentestern ska leverera hälften av timmarna kommer du per definition inte ner till tio procent av det vanliga priset.

I AI-SCALE-projektet använder vi därför en bredare definition: ett pentest är en strukturerad bedömning som går längre än att köra en automatisk skanning. Det omfattar scenarier anpassade efter sektor och teknikstack, som täcker felkonfigurationer, behörighetsfel och svagheter i affärslogiken, och det avslutas med mänsklig validering.

## Automatiseringens gräns: exploatering

Ett av de första samtalen vi hade med vår pentestpartner handlade om exploatering. Får AI-agenten faktiskt exploatera en sårbarhet den hittar, för att bevisa att risken är verklig? Svaret var glasklart: nej, i alla fall inte helt automatiserat.

Det låter som en begränsning, och det är det. Men det är en medveten begränsning. En AI-agent som exploaterar sårbarheter i en produktionsmiljö utan mänsklig tillsyn är en risk i sig. I vår modell arbetar agenten mestadels i läsläge: den utforskar, identifierar och rapporterar. Varje åtgärd som ändrar ett system kräver mänskligt godkännande. Det finns en nödstoppsknapp, det finns Rules of Engagement per uppdrag och det finns omfattande granskningsloggning.

För en CISO kan det vara mer betryggande än en helt autonom agent. Men det innebär också att kostnadsminskningen blir begränsad. Så snart en mänsklig pentester måste vara betydligt involverad i valideringsprocessen är en besparing fortfarande möjlig, men hur stor den blir är ännu oklart.

## Falska positiva kostar valideringstid

AI-agenten är stark på bredd. Felkonfigurationer, föråldrade komponenter, standardinställningar och kända sårbarhetsmönster hittar den konsekvent, även på de ställen där en människa tittar mindre noga efter några timmar. Men bredd har en baksida: agenten producerar fler fynd, och inte alla är relevanta.

Om AI:n producerar mer brus än en mänsklig testare flyttar du timmarna från testet till valideringen. Den mänskliga pentestern lägger då mer tid på att bedöma och avfärda fynd än på att upptäcka dem. Nya benchmarkar bekräftar att andelen falska positiva är den stora flaskhalsen för automatiserade pentestverktyg. Tid som vinns i början av testet förlorar du igen i slutet.

## Affärslogik och kedjade attacker

Agenten hittar enskilda uppmärksamhetspunkter, men ser inte alltid att de tillsammans bildar en allvarlig attackkedja. Ett behörighetsfel mellan roller, ett betalflöde som hoppar över ett steg under vissa förutsättningar, ett API som är säkert isolerat men möjliggör en privilegieeskalering i kombination med en annan endpoint: det är precis de fynd som organisationer anlitar en pentester för. Och det är precis de fynd som AI tills vidare inte klarar på egen hand.

Det handlar inte om bättre modeller. Det kräver förståelse för vad en applikation är tänkt att göra, i sammanhanget av den affärsprocess den stöder. Det är domänkunskap, inte mönsterigenkänning.

## Antagandena bakom kostnadsmodellen

Målet på tio procent av det vanliga priset, ungefär sexhundra euro per test i stället för sex tusen, vilar på ett antal antaganden som vi ärligt bör nämna.

Det första antagandet är att AI-modeller blir mer effektiva. Hittills har det stämt: foundation-modeller blir snabbare, billigare och bättre för varje generation. Men det finns ingen naturlag som säger att takten håller i sig. Om effektivitetsvinsterna planar ut blir kostnadsmodellen skör.

Vi kör våra modeller på egen GPU-infrastruktur, via ett nederländskt systerbolag med dedikerad Kubernetes- och GPU-kapacitet. Det innebär att vi inte har några rörliga tokenkostnader, och att kunddata och fynd stannar inom vårt eget serverkluster. För många organisationer i vår målgrupp kan den sista punkten mycket väl vara det viktigaste argumentet. Men att äga GPU:er flyttar problemet, det eliminerar det inte. Frågan blir då inte “vad kostar det här testet?”, utan “hur många tester kan vi köra samtidigt?”. Gränsen är kapacitet, inte budget per test.

Det andra antagandet är att den mänskliga insatsen kan hållas minimal. Om L3-valideringen, den mänskliga granskningen av en senior pentester, tar en betydande del av ledtiden går det inte att nå en kostnadsminskning på nittio procent. Matematiken är enkel: om valideringen kostar trettio procent av tiden för ett konventionellt test är din maximala besparing sjuttio procent, inte nittio. CCV-märket gör den kalkylen ännu skarpare: femtio procent mänsklig tid innebär ett tak på femtio procents besparing, inte nittio.

## Det finns redan aktörer på området

Guardian360 är inte den första som försöker automatisera penetrationstestning. Horizon3.ai erbjuder autonoma pentester för interna nätverk och Active Directory-miljöer med NodeZero. Pentera positionerar sig som automatiserad säkerhetsvalidering och rapporterar mer än hundra miljoner dollar i årligen återkommande intäkter. Hadrian fokuserar på den externa attackytan och lanserade en agentisk AI-pentestprodukt i mars 2026.

Frågan är befogad: varför bygga något själv om etablerade plattformar redan finns? Vårt svar är tredelat. För det första är de här plattformarna slutna. Vår agent och metodik publiceras som öppen källkod efter projektet, så att communityn kan testa, förbättra och anpassa dem. För det andra är de övervägande amerikanska, medan europeisk reglering, i synnerhet NIS2, DORA och sektorsspecifika standarder som NEN 7510 och BIO-ramverket, kräver egna scenariobibliotek. För det tredje är de dyra: de vanliga licensmodellerna är utformade för storföretag, inte för små och medelstora företag.

## Vad vi lär oss

Vi har hållit på i ungefär två månader. Det är för kort tid för slutsatser, men tillräckligt länge för att dela de första insikterna.

Den första insikten är att agenten är stark där människor är svaga: uthållighet. En mänsklig pentester blir mindre skarp efter några timmar. Agenten blir det inte. Den arbetar systematiskt igenom varje aspekt av en miljö, även de tråkiga delarna. Det ger fynd som en människa hade missat, inte för att människan inte kan hitta dem, utan helt enkelt för att en människa inte är en maskin.

Den andra insikten är att klyftan mellan att “tänka ut ett scenario” och att “köra scenariot i en verklig miljö” är större än väntat. Ett attackscenario som är logiskt på pappret fastnar i praktiken på sessionshantering, MFA-flöden, rate limiting eller applikationsspecifika autentiseringsmönster. Varje miljö har egenheter som agenten inte känner till förrän den stöter på dem. Det innebär att scenariobiblioteken måste innehålla inte bara attackmönster, utan också de försvarsmönster som agenten måste känna igen och antingen ta sig förbi eller rapportera.

Den tredje insikten är att scenariobibliotek per sektor inte är en lyx utan en nödvändighet. Ett pentest för en vårdgivare som måste uppfylla NEN 7510 kräver andra scenarier än ett test för en finansiell institution under DORA. Generiska scenarier ger generiska fynd, och generiska fynd är inte användbara för en CISO.

Den fjärde insikten, och kanske den mest obekväma, är att erfarna pentesters reaktion på AI-genererade fynd är ett värdemått som vi inte kan automatisera. Agentens rekognosering och första triagering är användbara; där sparar den mänskliga timmar. Men i vilken grad den mänskliga granskaren sedan måste korrigera, omklassificera eller komplettera fynd avgör i slutändan om modellen är lönsam. Vi mäter nu den återkopplingsslingan systematiskt, och utfallen är ännu för tidiga för att publicera.

## En bredare europeisk historia

Som nämnts är Guardian360 inte den enda organisationen som arbetar med det här. CYSSDE-programmet valde ut tretton projekt i Open Call 3 från nio europeiska länder, som tillsammans planerar mer än 534 säkerhetsbedömningar. Från OT-säkerhetsbedömningar i Polen och Tyskland, via hotledd pentestning i Belgien, till suverän AI-pentestning i Italien.

Det är ingen slump. EU investerar medvetet i europeisk cybersäkerhetskapacitet, genom European Cybersecurity Competence Centre och program som CYSSDE. Tanken bakom är att om vi vill att europeiska organisationer ska vara motståndskraftiga bör vi inte vara beroende av icke-europeiska verktyg och leverantörer. Vårt åtagande om öppen källkod ligger i samma linje: det är ett bidrag till Europas gemensamma cybersäkerhetsresurser, inte bara en produkt.

## Det ärliga svaret

Kan penetrationstestning bli nittio procent billigare? Det ärliga svaret är: vi vet inte ännu. Vi tror att AI kan ta över en stor del av det repetitiva arbetet och att kostnaderna kan sjunka betydligt som följd. Men “betydligt” är inte detsamma som “nittio procent”, och fallgroparna vi stöter på, från affärslogik som agenten inte förstår till kvalitetsstandarder som CCV-märket som kräver mänsklig insats, ger anledning till ödmjukhet.

Det vi däremot vet är att dagens situation är ohållbar. Organisationer som omfattas av NIS2 och inte har råd med ett pentest ligger riskabelt till. Organisationer som låter köra en billig automatisk skanning och tror att de fått ett penetrationstest löper en annan risk: falsk trygghet. Ett pentest som ger organisationer en falsk känsla av säkerhet är kanske till och med värre än inget pentest alls.

Lösningen ligger inte i enbart AI, och inte i enbart människor. Den ligger i en kombination som är ärlig om vad varje del kan och inte kan. Agenten skannar, människan bedömer. Agenten hittar mönster, människan ser kedjor. Agenten skalar, människan vaktar gränsen.

Vi publicerar våra resultat, vår agent och vår metodik. Inte för att vi har svaret, utan för att vi tror att svaret kommer snabbare om fler människor letar.

## Källor

- CCV Keurmerk Pentesten, Certification Scheme version 2.0 (January 2024), [https://hetccv.nl/keurmerken/cybersecurity/pentest/](https://hetccv.nl/keurmerken/cybersecurity/pentest/)
- CYSSDE Open Call 3, selected projects, [https://cyssde.eu/cyssde-activities/open-call-3/](https://cyssde.eu/cyssde-activities/open-call-3/)
- Guardian360 AI Pentesting, beta programme, [https://guardian360.net/platform/ai-pentesting/](https://guardian360.net/platform/ai-pentesting/)
- NIS2 directive (EU 2022/2555), Article 21: cybersecurity risk-management measures
- Security Magazine (2026), “Would you trust an AI pentester to work solo?”, [https://www.securitymagazine.com/blogs/14-security-blog/post/102154](https://www.securitymagazine.com/blogs/14-security-blog/post/102154)
- NHI Management Group (2026), “AI pentesting replaces repetition, not expert judgment”, [https://nhimg.org/articles/ai-pentesting-replaces-repetition-not-expert-judgment/](https://nhimg.org/articles/ai-pentesting-replaces-repetition-not-expert-judgment/)
- The Next Web (2026), “The 10 best autonomous pentesting tools, ranked by proof of exploit”, [https://thenextweb.com/news/best-autonomous-pentesting-tools-proof-exploit-2026](https://thenextweb.com/news/best-autonomous-pentesting-tools-proof-exploit-2026)
