Codex セキュリティの使い方｜GitHub連携と脆弱性検証

Codex セキュリティとは

Codex Security は、OpenAI が提供するアプリケーションの安全性確認向けの AI エージェントです。一般的な検査ツールは、既知のパターンや危険な呼び出しを広く拾うことに長けています。一方で、実際の危険度は、どの入力が外部から届き、どの認証境界を越え、最終的に何へ影響するかで変わります。Codex Security はコードだけを切り出して判定せず、リポジトリの構成や履歴を読み、プロジェクト固有の前提を組み立ててから候補を探します。

OpenAI の Codex Security 発表 によると、機能の中心は脆弱性の識別、分離環境での検証、周辺の意図を踏まえた修正提案です。対象はコードの静的な一覧ではなく、実際のシステムで成立しうる攻撃経路です。そのため、検査結果を「危険そうな行の一覧」として受け取るのではなく、「どの入口から、どの処理を通り、どんな結果に至る可能性があるか」という説明付きの調査結果として読むのが適しています。

研究プレビューとしての位置づけ

2026年8月15日時点で、公式ヘルプは Codex Security を ChatGPT Pro、Business、Edu、Enterprise の利用者向け研究プレビューと案内しています。ただし、契約形態、地域、組織の管理設定によって画面や利用可否が変わる可能性があります。機能名が見えても、すべてのメンバーが同じ操作をできるとは限りません。まず利用中のプランと組織の権限を確認し、表示される範囲を現行の公式案内に合わせて判断してください。

通常の脆弱性スキャンとの違い

Codex Security は、検出した候補をそのまま確定扱いにしません。脅威モデルをもとにコードの経路を追い、可能な場合は分離された環境で再現を試み、成立の根拠を添えて結果を提示します。公式 FAQ でも、署名の照合や単純なファジングだけに依存するものではなく、モデルの推論、ツール利用、テスト時の計算、広い文脈を組み合わせる仕組みだと説明されています。

なぜ今チェックすべきか

Codex Security は 2026 年 3 月に研究プレビューとして発表されました。発表時点では、複雑な脆弱性に対して文脈を持った調査と修正を行う新しい選択肢として紹介され、オープンソースのプロジェクトにも検証結果が共有されていました。その後、公式ヘルプには GitHub 連携から初回確認、結果の確認までの手順がまとまり、チームが小さく試すための判断材料が増えています。

ここでいう「今」は、すべての開発現場がすぐに導入すべきという意味ではありません。AI がコードを書く量が増えるほど、実装後の確認を人だけで追い続けるのは難しくなります。Codex Security は、検出数の多さよりも、攻撃経路が成立するか、修正が根本原因に届いているかを確かめる方向に設計されています。新しいリポジトリを作ったとき、依存関係を大きく更新したとき、外部入力の境界を変更したときに、開発者の確認を補う選択肢として検討する価値があります。

「今」のフックは導入手順が具体化したこと

現在の OpenAI 公式ヘルプ には、Codex Security を開き、GitHub リポジトリを接続して有効にし、初回確認を待ち、検出結果と修正案を読むという順番が明記されています。どこから始めるかが曖昧な研究機能ではなく、対象を選んで結果を評価する段階に入ったことが、2026年8月15日にこのテーマを押さえる理由です。

対象になりやすいプロジェクト

最初の対象は、外部から入力を受ける Web API、認証や権限判定を持つサービス、ファイルや決済情報を扱うアプリなどが向いています。攻撃経路を具体的に説明しやすく、結果を確認する担当者も置きやすいからです。逆に、生成途中のコードや依存関係が頻繁に変わる実験用フォルダだけを対象にすると、結果の差分が大きくなり、仕組みの良し悪しを判断しにくくなります。

Codex Security の仕組みを3段階で理解する

Codex Security の結果を正しく読むには、検出画面だけを見るのでは不十分です。どの前提から脆弱性候補が生まれ、どのように検証され、どの時点で修正案に変わるのかを分けて考える必要があります。三つの段階は順番に進みますが、各段階で人が確認できる情報が増えていく構成です。

この順番を理解しておくと、検出件数だけを見てツールの良し悪しを判断せずに済みます。脅威モデルの誤りは候補の優先順位に影響し、検証の不足は誤検出の判断を難しくし、修正案の確認不足は別の不具合を招きます。それぞれを別の確認として読むことが、導入時の基本です。

Step 1: リポジトリ固有の脅威モデルを作る

最初に、リポジトリの構成、履歴、入口、信頼境界、重要なデータや処理を読み取り、そのプロジェクト用の脅威モデルを作ります。これは固定されたテンプレートではなく、対象システムが何をしているか、何を信頼し、どこが露出しているかを整理した地図です。チームは内容を確認して編集できるため、実際の配置や運用上の前提と違う部分を早い段階で直せます。

Step 2: 攻撃経路を追い、再現できるか確かめる

次に、脅威モデルを手がかりに、攻撃者が管理できる入力がどの処理を通るかを追います。候補が見つかっただけでは結果にせず、分離された環境でテストや再現を試み、実行結果や成立条件を記録します。公式ヘルプが説明する「検証」は、誤検出を減らし、開発者が確認できる根拠を残すための重要な段階です。

Step 3: 根本原因に沿った修正案を提示する

検証された問題には、周辺のコードやシステムの意図を踏まえた修正案が提示されます。単に危険な行を消すのではなく、入力の扱い、権限確認、状態の更新など、問題が成立した原因に合わせて差分を考えるのがポイントです。提示された案は最終決定ではなく、テスト結果と既存の設計を人が確認してから取り込むための下書きとして扱います。

導入前に準備すること

Codex Security は、接続ボタンを押せば結果が出て終わる種類の機能ではありません。脅威モデルの前提が曖昧なままだと、重要な経路の優先順位を誤ったり、実際には許容している動作を問題として扱ったりします。最初に対象、確認者、修正を受け入れる基準を決めておくと、結果の品質を機能だけでなくチームの判断材料として評価できます。

準備で大切なのは、診断を特別なイベントにせず、普段のレビューで判断できる単位へ落とし込むことです。対象の規模、初回確認に使える時間、結果を読む人の知識、修正後に実行できるテストを先にそろえます。準備が整っていれば、検出が少ない場合も「安全だった」のか「対象を十分に読めなかった」のかを区別できます。

Step 1: 対象リポジトリを小さく選ぶ

いきなり全組織のリポジトリを接続せず、構成と利用目的を把握している一つのプロジェクトから始めます。OpenAI の公式ヘルプも、最初は少数のリポジトリと確認担当者に絞ることを勧めています。初回確認は履歴の量によって時間がかかるため、結果の画面を見ながら、所要時間、検出の粒度、修正案の読みやすさを記録できる対象を選ぶとよいでしょう。

Step 2: システムの前提をメモする

外部入力の入口、ログイン後だけ使える機能、管理者だけが触れるデータ、意図的に公開しているエンドポイントなどを、短いメモにまとめます。脅威モデルの表示と照らし合わせるための基準になるからです。特に、開発環境と本番環境で接続先や権限が違う場合は、その差を明記します。前提を伝えられるほど、結果の優先順位を現実のリスクに近づけやすくなります。

Step 3: 確認担当と判定基準を決める

検出結果を読む人、修正案をコードへ反映する人、リリース前に再確認する人を決めます。専門部署だけに任せるのではなく、実装を知る担当者も差分を読めるようにすると、修正による副作用を見つけやすくなります。「重大度が高いから直す」だけでなく、攻撃経路の成立条件、影響範囲、再現結果、修正後のテストを判定材料にすると、結果の数に引きずられません。

使い方：GitHub連携から初回確認まで

公式の開始手順は、Codex Security の画面を開いて対象の GitHub リポジトリを接続し、初回確認が終わったら結果を読むという流れです。画面名や権限の表示は契約や組織設定で変わる可能性がありますが、考え方は共通しています。以下では、操作と確認の目的を分けて整理します。詳しい入口は Codex Security の公式開始手順 でも確認できます。

Step 1: Codex Security を開く

Codex の入口から Codex Security を開き、現在のアカウントや組織で利用できることを確認します。研究プレビューでは、利用条件を満たしていても管理者が機能を無効にしている場合があります。対象リポジトリを探す前に、表示されるプラン、組織名、権限を確認し、試行結果を記録できる状態にしておきます。

Step 2: GitHub リポジトリを接続して有効にする

確認したい GitHub リポジトリを選び、Codex Security の対象として有効にします。最初は読み取り対象を必要最小限にし、似た名前のリポジトリを誤って選ばないよう、所有組織と用途を照合してください。接続後に表示される対象範囲やブランチの説明が、自分の想定するコードと一致していることも確認します。

Step 3: 初回確認と脅威モデルを待つ

初回は、現在のコードだけでなくリポジトリの履歴を読み、プロジェクト固有の脅威モデルを作ります。大きなリポジトリほど時間がかかるため、画面がすぐに結果を返さなくても、途中で対象を切り替えないことが大切です。結果が表示されたら、外部入力、信頼境界、重要なデータの扱いが自分のメモと合っているかを先に見ます。

Step 4: 検出結果と検証の詳細を読む

候補が表示されたら、タイトルだけで重大度を決めません。攻撃者が操作できる入口、通過する関数や処理、到達する結果、再現に成功した条件、影響の大きさを順に読みます。根拠が不足している場合は、脅威モデルの前提を見直してから、コード側の実装と照合します。誤検出に見える結果も、なぜ成立しないのかを確認して記録すると、次回の判断が速くなります。

Step 5: 修正案を人が確認して取り込む

検証済みの問題には修正案が示されますが、Codex Security がコードを直接変更するわけではありません。差分を読み、原因を本当に解消しているか、別の経路を壊していないか、既存テストや追加テストで確かめます。必要なら GitHub の Pull Request として扱い、レビューを通してから反映します。Pull Request の基本は GitHub 公式ドキュメント も参照できます。

結果の読み方と優先順位の付け方

セキュリティの検出結果は、件数が多いほど良いわけではありません。実際に攻撃できるか、到達先が重要か、修正によってリスクがどれだけ下がるかを見て、対応順を決める必要があります。Codex Security は攻撃経路の分析と、可能な場合の再現結果を示すため、画面に並ぶ候補をそのままチケット数へ変換するのではなく、根拠の強さと影響を組み合わせて評価します。

優先順位をつけるときは、重大度のラベル、成立する条件、影響を受ける範囲、修正の難しさを同じ表に置くと整理しやすくなります。高い影響が少ない条件で成立する問題は早く扱い、影響が限定される問題は修正計画へ回すなど、チームの基準を言葉にしておきます。結果を比較できる基準があれば、導入前後の変化も見えやすくなります。

攻撃経路は入口から影響まで読む

最初に見るのは、問題が報告された行ではなく、経路の始点と終点です。外部の入力がどこで受け付けられ、検証や変換を経て、どの権限で重要な処理へ届くのかを追います。経路の途中に十分な検証や権限確認があるなら、結果の成立条件は弱くなります。逆に、入口と影響先が直接つながり、再現結果もそろっているなら、優先度を高く置く理由になります。

検証結果は「成立条件」と一緒に読む

検証が成功した場合でも、すべての環境で同じ影響が出るとは限りません。対象の設定、依存関係、データの種類、実行権限が本番と一致しているかを確認します。反対に、再現できなかったから安全と断定するのも早計です。入力条件や環境の違いで再現しなかった可能性があるため、失敗の詳細を読み、脅威モデルを更新して再確認するかを判断します。

修正案は差分の小ささだけで評価しない

最小限の差分はレビューしやすい一方、入口の検証だけを追加して別の経路を残すこともあります。修正案が示す原因、守ろうとしている境界、既存機能への影響を読み、関連するテストを増やします。修正後は同じ攻撃経路が閉じたかだけでなく、正常な利用者の処理が維持されているかも確認し、必要なら再確認を依頼します。

導入後に精度を上げる方法

Codex Security の脅威モデルは、最初に作って終わりではありません。システムの役割やデータの流れが変われば、重要な入口や許容する動作も変わります。検出結果を確認するたびに、実際の設計とずれている前提を見つけ、チームの判断をモデルへ反映させることが、次回の結果を読みやすくする近道です。

精度を上げる作業は、モデルに情報を足し続けることではありません。現実と違う前提を減らし、重要な経路と許容される経路を見分けられる状態に保つことです。結果を確認する時間を毎回同じ場所に確保し、変更があった部分だけを更新すれば、負担を増やさずに判断の一貫性を保てます。

小さな対象で検出の傾向を記録する

最初の数回は、検出された問題、再現できた問題、見送りにした問題を分けて記録します。件数だけでなく、確認にかかった時間、修正案が原因に届いていたか、追加テストが必要だったかも残すと、導入効果を判断できます。評価期間中に対象を増やしすぎず、同じ基準で複数回の結果を比べることが重要です。

脅威モデルの前提を更新する

攻撃者が触れられない入口を公開扱いにしている、内部サービスを外部サービスとして読んでいるなど、前提のずれは検出の優先順位に影響します。チームの設計資料や構成変更と照らし合わせ、実際の境界に合うように脅威モデルを編集します。変更理由を短く残せば、後から結果を見直すときにも判断を再現できます。

修正後は同じ経路を再確認する

修正案を反映したら、問題が消えたという表示だけで完了にしません。元の攻撃経路が閉じたか、別の入力経路から同じ影響へ到達できないか、正常な利用が壊れていないかを確かめます。Codex Security は修正後の再確認にも対応しているため、検出、修正、再確認を一つの記録として残すと、次の変更時に比較しやすくなります。

チームで使うときの権限と情報管理

GitHub のコードを接続する機能では、誰がどのリポジトリを確認できるかを先に決める必要があります。公式ヘルプでは、Enterprise と Edu の組織について、Codex Cloud と Codex Security の利用許可を別々に管理し、特定の役割やグループへ対象を絞れると説明されています。組織の設定を変える前に、対象範囲、確認担当、修正案の共有範囲を合意しておくと、結果が必要以上に広がりません。

まず低リスクのリポジトリで試す

接続先の選定に迷う場合は、個人情報や本番の認証情報を含まない、構成を説明しやすいリポジトリから始めます。公式ヘルプも、GitHub Cloud を使っていない場合は、低リスクまたは本番以外のリポジトリで評価する考え方を示しています。研究プレビューの挙動と自社の判断基準を確認してから、より重要な対象へ広げる順番が安全です。

人のレビューを省略しない

Codex Security は修正案を提示できますが、影響を受ける利用者、契約上の要件、既存の運用ルールまで自動で決めるものではありません。検出結果、再現条件、修正差分、テスト結果を人が読み、必要なら担当者同士で確認します。特に権限やデータの境界を変える修正は、短い差分でも影響が大きいため、実装担当だけで取り込まないことが大切です。

Codex Security を選ぶべき場面と待つべき場面

Codex Security が向いているのは、コードの文脈を読まないと判断しにくい問題を、攻撃経路と再現結果付きで絞り込みたい場面です。API の入力処理、認証・認可の組み合わせ、テナント間の境界、ファイル操作のように、複数のファイルや設定が関係する問題で力を発揮しやすいでしょう。反対に、単純な形式チェック、依存パッケージの既知問題の一覧化、ライセンス確認などは、専用の検査手段と併用した方が効率的です。

また、研究プレビューである以上、結果の形式や利用できる範囲は変わり得ます。機能が表示されない、初回確認に時間がかかる、対象の構成を十分に理解できないといった場合は、無理に採用を広げず、既存の確認手段を残したまま評価を止めても問題ありません。AI の提案を採用すること自体を目的にせず、レビューに必要な根拠が増えたか、修正後の確認がしやすくなったかで判断してください。

まとめ

Codex Security は、GitHub リポジトリの履歴と構成から脅威モデルを作り、攻撃経路を調べ、分離された環境で成立性を確認し、原因に沿った修正案を提示する Codex の研究プレビューです。価値は、警告を大量に出すことではなく、なぜ問題になり得るのか、どんな条件で再現するのか、どの差分で直せるのかを一つの調査結果として読める点にあります。

始めるなら、対象を小さく選び、GitHub 連携後に脅威モデルの前提を確認し、結果の根拠と修正差分を人がレビューします。2026年8月15日時点の公式案内を基準に、Pro・Business・Edu・Enterprise での利用条件や組織の権限を確かめ、低リスクのリポジトリから評価してください。Codex がコードを書く場面だけでなく、書かれたコードをどう検証し、直した結果をどう確かめるかまで視野に入れると、Codex セキュリティを現実的な開発の一部として位置づけやすくなります。