L'AI offre ai cyberattaccanti un vantaggio iniziale, ma i difensori potrebbero vincere nel lungo periodo

Google News ha evidenziato un netto conflitto: l'AI offre ai cyberattaccanti opportunità immediate, pur creando vantaggi più solidi nel lungo termine per i difensori. Questa tensione è più utile dell'ennesimo avvertimento secondo cui l'intelligenza artificiale renderà l'hacking più veloce.

Gli attaccanti possono già utilizzare i modelli per ricercare bersagli, risolvere problemi nel codice malevolo, tradurre messaggi ingannevoli e automatizzare parti della ricerca di vulnerabilità. I difensori accedono alle stesse capacità, oltre a telemetria interna, codice sorgente, contesto dei sistemi e autorità per applicare correzioni durature.

La domanda decisiva, quindi, non è se l'AI favorisca l'attacco o la difesa. È se gli attaccanti possano sfruttare un divario temporaneo di capacità prima che i difensori colleghino l'AI a dati affidabili e controlli operativi.

Le prove recenti mostrano che la finestra offensiva è reale. Google ha reso noto uno sforzo apparentemente assistito dall'AI per individuare e armare una vulnerabilità software precedentemente sconosciuta nel 2026. Tuttavia, osservazioni precedenti avevano rilevato che attori sostenuti da Stati usavano l'AI soprattutto come aiuto alla produttività, non come sistema di hacking indipendente.

Questa evoluzione sostiene una visione in due fasi dell'AI nel conflitto informatico. L'attacco ottiene le opportunità iniziali più evidenti perché gli attaccanti possono adottare rapidamente strumenti rischiosi. La difesa conquista una posizione strutturale più forte quando le organizzazioni riescono a implementare automazione affidabile nello sviluppo software, nell'identità, nel monitoraggio e nella risposta agli incidenti.

Cosa ha effettivamente cambiato la notizia di Google News

Il cambiamento importante non è che gli attaccanti abbiano scoperto l'AI. È che l'assistenza dell'AI ha iniziato a spostarsi da attività periferiche alla scoperta e allo sfruttamento delle vulnerabilità.

Un articolo evidenziato tramite Google News sosteneva che l'AI crei opportunità offensive nel breve termine, ma un vantaggio difensivo nel lungo periodo. Questa affermazione ora si affianca a prove operative meno sviluppate quando i ricercatori hanno inizialmente discusso l'equilibrio tra attacco e difesa informatica.

Nel gennaio 2025, Google Threat Intelligence Group ha esaminato come attori sostenuti da governi utilizzassero Gemini. Le sue conclusioni sull'uso improprio di Gemini riguardavano minacce persistenti avanzate e operazioni coordinate di influenza.

Google ha osservato attori collegati a Iran, Cina, Corea del Nord e Russia utilizzare il modello in diverse fasi operative. Le loro attività includevano ricerca sui bersagli, analisi delle vulnerabilità, assistenza nello scripting, ricerca sulle infrastrutture, generazione di contenuti e traduzione.

Tuttavia, Google non ha visto questi attori sviluppare capacità originali attraverso Gemini. Hanno principalmente ottenuto maggiore efficienza in attività che già comprendevano.

Gli attori iraniani delle operazioni di informazione rappresentavano tre quarti dell'uso osservato di Gemini in quella categoria. Gli attori informatici iraniani erano inoltre gli utenti più assidui tra i gruppi sostenuti da Stati nel dataset di Google.

Questi risultati erano rilevanti perché distinguevano l'uso improprio pratico dall'hacking autonomo speculativo. L'AI stava riducendo i costi del lavoro e l'attrito, ma non stava ancora sostituendo operatori qualificati.

Il quadro è cambiato ulteriormente nel maggio 2026. Google ha dichiarato di aver interrotto un'operazione in cui attori malevoli avrebbero apparentemente usato l'AI per identificare e armare una vulnerabilità zero-day.

Uno zero-day è un difetto software sfruttato prima che il suo sviluppatore abbia rilasciato una correzione utilizzabile. Tali difetti sono preziosi perché i difensori non possono semplicemente applicare una patch esistente.

Secondo le notizie sullo zero-day, Google ha divulgato pochi dettagli sugli attaccanti, sul bersaglio o sul modello coinvolto. Non ha inoltre trovato prove che collegassero l'operazione a un governo ostile.

Questa mancanza di attribuzione limita le conclusioni che gli analisti possono trarre. Non dimostra che l'AI abbia scoperto, testato e reso operativo il difetto in modo indipendente.

Ciononostante, l'incidente supera una soglia importante. L'assistenza dell'AI non era più confinata alla traduzione, alla ricerca o al debugging del codice. Secondo quanto riportato, ha contribuito al lavoro su una vulnerabilità sconosciuta con un reale valore operativo.

La transizione non prova un predominio offensivo permanente. Mostra che l'opportunità offensiva descritta nel titolo di Google News ha iniziato a diventare misurabile.

Gli attaccanti possono concentrare i loro modelli più potenti e specialisti umani su un singolo bersaglio di alto valore. Possono tollerare tentativi falliti, risultati imprecisi, codice instabile e danni collaterali più facilmente della maggior parte dei difensori.

Un difensore responsabile di migliaia di applicazioni affronta uno standard diverso. Il suo sistema automatizzato deve evitare di interrompere la produzione, cancellare dati legittimi o bloccare utenti essenziali.

Questa asimmetria spiega perché gli attaccanti possano capitalizzare per primi. Hanno bisogno di un solo risultato utile, mentre un'implementazione difensiva deve funzionare in modo coerente su molti sistemi.

Il vantaggio risultante è serio ma temporaneo. Ogni metodo di sfruttamento scoperto fornisce anche dati che i difensori possono convertire in rilevamenti, patch, controlli di accesso e salvaguardie dei modelli.

Perché l'AI crea una finestra offensiva immediata

L'attacco beneficia per primo perché gli attaccanti possono accettare risultati inaffidabili, concentrare strettamente le risorse e operare senza vincoli di implementazione aziendale.

Gli attaccanti tradizionali usano già l'automazione per scansioni, attacchi alle credenziali, phishing, distribuzione di malware ed esecuzione di comandi. I modelli generativi aggiungono ragionamento flessibile e interfacce in linguaggio naturale a questo toolkit esistente.

Il National Cyber Security Centre del Regno Unito ha anticipato questo schema nella sua valutazione a breve termine. Ha giudicato quasi certo che l'AI avrebbe aumentato il volume e l'impatto degli attacchi nei due anni successivi.

L'agenzia prevedeva i maggiori miglioramenti iniziali nella ricognizione e nell'ingegneria sociale. Entrambe le attività richiedono agli attaccanti di elaborare grandi quantità di informazioni pubbliche e adattare i messaggi a bersagli specifici.

La ricognizione è la raccolta e l'analisi di informazioni su un bersaglio prima dell'intrusione. L'AI può riassumere strutture aziendali, identificare tecnologie, mappare dipendenti e collegare dettagli dispersi tra fonti pubbliche.

L'ingegneria sociale manipola le persone affinché concedano accesso, divulghino informazioni o compiano azioni non sicure. I modelli possono produrre messaggi credibili in più lingue e adattarne il tono a ruoli differenti.

Nessuna delle due capacità richiede malware autonomo. Un attaccante che scrive messaggi di phishing migliori o ricerca più rapidamente i bersagli può tentare più intrusioni con lo stesso personale.

L'AI riduce inoltre l'esperienza necessaria per le attività di supporto. Un operatore meno esperto può chiedere a un modello di spiegare un errore, modificare uno script, interpretare documentazione tecnica o suggerire un altro approccio.

Questa assistenza non trasforma immediatamente un principiante in un operatore d'élite. Gli attaccanti esperti comprendono comunque quali bersagli contano, come si comportano le reti e quando una risposta generata è pericolosa o errata.

Tuttavia, gli strumenti possono innalzare la fascia inferiore della distribuzione delle capacità. Liberano inoltre il personale qualificato da ricerche e risoluzione di problemi ripetitivi.

Il vantaggio offensivo a breve termine diventa più forte quando gli agenti AI entrano nel flusso di lavoro. Un agente è un sistema basato su modelli in grado di selezionare strumenti ed eseguire più passaggi verso un obiettivo.

Un chatbot di base restituisce testo. Un agente può ispezionare un repository, eseguire uno scanner, analizzare i risultati, modificare il codice e ripetere il processo con autorizzazioni definite.

Questo ciclo crea opportunità per una ricerca più rapida delle vulnerabilità. Un sistema può formulare ipotesi, testarle, esaminare i fallimenti e conservare risultati intermedi utili.

Gli agenti attuali incontrano ancora difficoltà con attività lunghe, ambienti mutevoli e feedback fuorvianti. Possono inoltre bloccarsi mentre perseguono un'assunzione non valida.

Gli attaccanti hanno margine per aggirare queste debolezze. Possono eseguire più agenti, scartare i tentativi falliti e lasciare intervenire gli esseri umani solo quando emerge un percorso promettente.

I gruppi ben finanziati possono anche concentrare costose risorse di inferenza su un singolo bersaglio. L'inferenza è il calcolo utilizzato quando un modello addestrato genera o valuta una risposta.

Questa concentrazione è importante perché il ragionamento informatico avanzato può richiedere molte chiamate al modello. Ogni tentativo può ispezionare il codice, pianificare test, eseguire strumenti e rivalutare i risultati.

Un difensore non può sempre spendere quella quantità di calcolo su ogni applicazione, endpoint e avviso. Il suo budget deve coprire l'intero ambiente.

L'opportunità dell'attaccante deriva quindi dalla concentrazione selettiva, non da una superiorità universale dell'AI. Un sistema attentamente supportato può attaccare un componente di valore mentre i difensori dividono le risorse tra milioni di possibili debolezze.

Un attaccante opera inoltre con una maggiore tolleranza agli errori del modello. Un exploit generato può andare in crash ripetutamente prima che una versione funzioni.

Una patch difensiva non può seguire questo schema in produzione. Deve preservare la funzionalità, rispettare i controlli sulle modifiche ed evitare di introdurre un'altra vulnerabilità.

Questa differenza aiuta a spiegare perché le dimostrazioni offensive appaiano spesso prima di implementazioni difensive comparabili. La soglia per essere “utile” è molto più bassa sul lato dell'attacco.

Tuttavia, questo vantaggio non deve essere confuso con un effetto strategico garantito. Trovare un difetto non assicura accesso, persistenza, furto di dati o valore militare.

Le organizzazioni stratificano autenticazione, monitoraggio degli endpoint, segmentazione di rete, backup e risposta agli incidenti attorno al software vulnerabile. Un exploit può fallire in qualsiasi fase successiva.

L'AI abbrevia porzioni del ciclo di attacco. Non elimina la necessità di infrastrutture, sicurezza operativa, conoscenza del bersaglio e giudizio.

La vera competizione è tra accesso temporaneo e riparazione duratura

Gli attaccanti ottengono valore una sola volta da un'intrusione riuscita, mentre i difensori possono trasformare una scoperta in protezione per ogni sistema aggiornato.

Questa è l'inversione centrale nel conflitto informatico basato sull'AI. Il successo offensivo è spesso temporaneo, ma un miglioramento difensivo applicato correttamente può persistere.

Un attaccante che scopre una vulnerabilità ottiene un'opportunità finché il difetto non viene esposto, mitigato o corretto. Il valore diminuisce man mano che i difensori distribuiscono indicatori e aggiornano i sistemi.

Un difensore che rimuove la debolezza sottostante modifica il software stesso. Ogni implementazione corretta può negare agli attaccanti futuri la stessa via d'accesso.

Lo studio su attacco e difesa di Andrew Lohn del 2025 ha esaminato nove argomenti a favore dell'attacco e nove a favore della difesa. Ha infine identificato 44 modi in cui l'AI potrebbe influenzare il conflitto e la competizione informatica.

Lo studio ha respinto una risposta unica per l'intero dominio informatico. L'AI può rafforzare alcune attività offensive, rafforzare quelle difensive e lasciare invariate altre dinamiche.

Questa precisazione è essenziale. “La difesa vince” è un'affermazione troppo ampia se ignora phishing, sistemi legacy, identità deboli e organizzazioni che non possono applicare patch rapidamente.

Il caso difensivo a più lungo termine si basa invece su diversi vantaggi cumulativi.

Primo, i difensori possono ispezionare i propri sistemi. Possiedono codice sorgente, registri dell'architettura, eventi degli endpoint, log di identità, configurazioni cloud e cronologie degli incidenti.

Gli attaccanti devono dedurre quell'ambiente da prove incomplete. Spesso non riescono a vedere i controlli interni finché un'operazione non è già iniziata.

Secondo, i difensori possono autorizzare modifiche. Possono revocare credenziali, isolare macchine, aggiornare software, rimuovere servizi non necessari e riprogettare componenti non sicuri.

Gli aggressori possono manipolare i sistemi, ma non possono dettarne in modo affidabile l’architettura futura. I loro punti d’appoggio scompaiono quando i difensori eliminano le condizioni sottostanti.

In terzo luogo, i difensori possono apprendere collettivamente. Una tecnica osservata contro un’organizzazione può generare firme, rilevamenti comportamentali, librerie corrette e prodotti di sicurezza aggiornati per molte altre.

Anche gli aggressori condividono strumenti e conoscenze, ma lo sfruttamento pubblico comporta costi per loro. L’esposizione può compromettere l’infrastruttura, rivelare tecniche e innescare interventi correttivi su larga scala.

In quarto luogo, l’AI difensiva può operare continuamente all’interno di un ambiente. Può ispezionare le modifiche prima della distribuzione, stabilire priorità per gli avvisi, correlare le attività e raccomandare misure di contenimento.

Questo vantaggio del “fattore campo” dipende da un contesto affidabile. Un modello generico conosce schemi comuni di programmazione e sicurezza, ma un sistema interno sa quale applicazione è proprietaria di una credenziale.

Questa distinzione determina se un avviso si traduce in un’azione utile. Un avvertimento generico su un accesso sospetto ha un valore limitato senza informazioni sulla proprietà dell’asset, sulla sua criticità aziendale e sul comportamento atteso.

L’automazione difensiva può collegare questi elementi. Può stabilire che un accesso insolito ha coinvolto un database di produzione e proviene da un dispositivo non gestito.

Può quindi raccomandare una risposta in base alle policy esistenti. Un analista umano può convalidare la decisione o consentire un’azione automatizzata con ambito limitato.

I team di sicurezza automatizzano già le attività prevedibili tramite playbook. L’AI amplia la gamma di eventi che i sistemi possono interpretare, ma l’interpretazione deve restare legata a controlli affidabili.

Lo stesso principio si applica alla sicurezza del software. Un modello può analizzare il codice e proporre una patch, mentre test e revisione determinano se quella patch preserva il comportamento previsto.

Nel tempo, questo processo può eliminare intere classi di vulnerabilità. Linguaggi memory-safe, autenticazione più solida, privilegi ridotti e impostazioni predefinite sicure rendono più difficile lo sfruttamento ripetuto.

Un prompt o uno script riuscito di un aggressore non offre la stessa persistenza. I difensori possono studiarlo, sviluppare una contromisura e distribuire ampiamente tale protezione.

La velocità resta la variabile decisiva. Una difesa duratura non offre alcun vantaggio quando le organizzazioni impiegano mesi per distribuirla.

Molte imprese gestiscono software non più supportato, asset dimenticati, inventari incompleti e sistemi fragili. Queste condizioni impediscono ai vantaggi difensivi teorici di trasformarsi in realtà operativa.

L’argomentazione di lungo periodo dipende quindi dall’implementazione. L’AI deve aiutare le organizzazioni a individuare, convalidare, dare priorità e distribuire le correzioni più rapidamente di quanto gli aggressori sfruttino nuove debolezze.

Google News fotografa un dibattito che resta irrisolto

Le prove sostengono una transizione offensiva, ma non giustificano l’affermazione che l’AI autonoma abbia già trasformato ogni fase delle operazioni informatiche.

L’impostazione di Google News è convincente perché descrive una sequenza. Diventa fuorviante se i lettori interpretano quella sequenza come una legge ormai consolidata.

Diverse variabili possono spostare l’equilibrio in entrambe le direzioni. Tra queste figurano l’accesso ai modelli, i costi di calcolo, la complessità del software, l’adozione difensiva e l’affidabilità degli agenti.

Un’analisi concorrente avverte che le capacità di frontiera possono favorire gli aggressori. Il Center for a New American Security ha pubblicato un’analisi sull’AI di frontiera incentrata su tre potenziali asimmetrie.

La prima riguarda il costo dell’inferenza. Gli aggressori possono indirizzare ingenti risorse computazionali verso sistemi selezionati ad alto valore, mentre i difensori devono coprire vaste superfici d’attacco.

La seconda è l’automazione dell’intera catena. Se un agente può passare in autonomia dalla ricognizione allo sfruttamento e alla persistenza, le operazioni possono procedere alla velocità delle macchine.

La terza è la tolleranza al rischio. Gli aggressori possono distribuire sistemi inaffidabili e accettare danni collaterali, mentre i difensori hanno bisogno di risultati prevedibili.

Queste preoccupazioni mettono direttamente in discussione una transizione automatica verso la difesa. La scala difensiva aiuta solo quando le organizzazioni possono permettersi, fidarsi e distribuire in sicurezza i sistemi necessari.

La crescita del software crea un altro problema. Lo sviluppo assistito dall’AI consente alle aziende di produrre più codice e servizi, aumentando il numero di componenti che richiedono protezione.

Il codice generato può ripetere vulnerabilità comuni o creare dipendenze che i team non comprendono. Uno sviluppo più rapido può quindi espandere la superficie d’attacco prima che le revisioni difensive riescano a recuperare terreno.

Anche i sistemi AI diventano essi stessi bersagli. Prompt injection, avvelenamento dei dati, furto di modelli, permessi non sicuri per gli strumenti e credenziali di agenti esposte aggiungono nuove modalità di guasto.

La prompt injection si verifica quando contenuti non affidabili manipolano un modello inducendolo a ignorare le istruzioni previste. Il rischio diventa più serio quando un agente può accedere a e-mail, file, terminali o sistemi cloud.

Un assistente difensivo che riassume un avviso dispone di autorità limitata. Un agente che può disabilitare account o distribuire patch può causare danni sostanziali dopo essere stato manipolato.

Questo è il problema dell’affidabilità al centro dell’adozione difensiva. Le organizzazioni hanno bisogno di prove che le azioni automatizzate restino delimitate, reversibili e osservabili.

Gli aggressori non affrontano lo stesso onere di governance. Beneficiano del fatto che un modello produca un exploit funzionante tra molti fallimenti.

L’aggiornamento sulle capacità dell’International AI Safety Report illustra entrambi gli aspetti. Ha citato sistemi in grado di individuare e correggere difetti software sfruttabili.

L’aggiornamento ha riferito che un sistema nell’AI Cyber Challenge di DARPA ha identificato il 77 percento delle vulnerabilità sintetiche. Ha corretto il 61 percento di esse su 54 milioni di righe di codice.

Questi risultati suggeriscono una significativa scala difensiva. Non dimostrano che il sistema possa riparare in sicurezza ogni ambiente di produzione o sconfiggere aggressori umani adattivi.

I benchmark sintetici hanno limiti noti. Forniscono attività controllate, condizioni di successo chiare e valutazioni ripetibili.

Le reti reali contengono dipendenze non documentate, configurazioni incoerenti, sistemi legacy e utenti il cui comportamento cambia durante un incidente. Gli aggressori nascondono inoltre le prove e fuorviano deliberatamente gli investigatori.

La divulgazione della vulnerabilità zero-day del 2026 merita una cautela analoga. Google ha dichiarato che l’AI sembrava centrale nella ricerca sulla vulnerabilità, ma ha omesso molti dettagli operativi.

Il pubblico non può valutare in modo indipendente quanto lavoro abbia svolto il modello. Esperti umani potrebbero aver selezionato i bersagli, progettato gli esperimenti, corretto gli errori o sviluppato l’exploit finale.

Questa incertezza non annulla l’evento. Stabilisce il giusto confine per il resoconto.

Le prove mostrano che gli aggressori stanno andando oltre l’assistenza generica. Non dimostrano che agenti pienamente autonomi possano condurre in modo affidabile campagne sofisticate senza supervisione esperta.

Questa distinzione è importante per le policy e gli acquisti. Affermazioni gonfiate possono spingere le organizzazioni verso automazioni di sicurezza non testate o giustificare restrizioni che incidono poco sulle minacce consolidate.

Credenziali rubate, servizi esposti, phishing, processi di recupero deboli e patch distribuite in ritardo restano efficaci. L’AI rende alcuni di questi metodi più rapidi senza sostituirli.

Il giudizio più responsabile è quindi condizionale. L’offensiva ha un vantaggio di adozione nel breve periodo, mentre la difesa dispone di risorse strutturali più solide.

Quale parte catturerà più valore dipende dalla velocità di distribuzione e dalla competenza istituzionale. La tecnologia da sola non sceglie il vincitore.

Il vantaggio difensivo di lungo periodo richiede contesto operativo

I difensori vincono la partita lunga solo quando i modelli possono usare conoscenze organizzative affidabili senza ricevere un’autorità incontrollata.

Un modello di sicurezza ha bisogno di più dei dati pubblici sulle vulnerabilità. Deve comprendere asset, proprietari, dipendenze, policy, incidenti storici e rischio aziendale accettabile.

Questo contesto esiste spesso tra ticket, documenti di architettura, repository di codice, conversazioni in chat, console cloud e conoscenze dei dipendenti. La frammentazione rende difficile per gli analisti agire rapidamente.

Le organizzazioni non dovrebbero risolvere il problema copiando ogni documento sensibile in un modello senza restrizioni. Il contesto di sicurezza richiede controlli degli accessi, regole di conservazione, tracce di audit e confini chiari.

Un’architettura pratica separa il ragionamento dall’autorità. Il modello può raccogliere le prove e raccomandare azioni, mentre i sistemi di policy determinano quali azioni sono consentite.

Le operazioni ad alto impatto dovrebbero richiedere una revisione. Alcuni esempi includono la disabilitazione di account privilegiati, la modifica dei firewall di produzione, l’eliminazione di workload o la distribuzione di ampie modifiche al codice.

Le operazioni a minor rischio possono procedere più rapidamente. Un sistema può arricchire un avviso, identificare il proprietario di un asset, recuperare un runbook e redigere un piano di contenimento.

Questa divisione consente ai difensori di ottenere velocità senza concedere a un modello incerto un controllo illimitato. Crea inoltre registri che i team possono esaminare dopo un incidente.

La memoria istituzionale è importante perché la difesa informatica è cumulativa. Un’organizzazione diventa più difficile da attaccare quando ogni incidente migliora rilevamenti, architettura e procedure.

I team hanno bisogno di registri ricercabili che spieghino perché esiste un controllo, quale eccezione è stata approvata e come le indagini precedenti siano giunte alle loro conclusioni. Una base di conoscenza ingegneristica ben mantenuta può supportare questo lavoro.

La qualità di tali registri influisce sulle prestazioni dell’AI. I modelli non possono ragionare con precisione a partire da inventari obsoleti, runbook contraddittori o informazioni mancanti sulla proprietà.

La preparazione difensiva deve quindi includere un’igiene informativa di base. Le organizzazioni hanno bisogno di inventari degli asset aggiornati, mappe delle dipendenze, registri delle identità e procedure di risposta testate.

L’AI può aiutare a mantenere queste risorse, ma non può creare dati affidabili dal nulla. Un riepilogo sicuro di dati errati resta errato.

I responsabili della sicurezza dovrebbero inoltre misurare i risultati anziché l’attività del modello. Il numero di rilevamenti generati dice poco sull’effettiva riduzione del rischio.

Misure utili includono il tempo necessario per convalidare un avviso, per contenere un’intrusione, per distribuire una patch, i tassi di recidiva e i tassi di correzione degli analisti.

I falsi positivi meritano particolare attenzione. Un agente difensivo che produce costantemente avvisi di bassa qualità può consumare più tempo degli analisti di quanto ne risparmi.

I falsi negativi sono altrettanto importanti, ma più difficili da misurare. I team dovrebbero testare i sistemi rispetto a incidenti noti, attacchi simulati e input deliberatamente ingannevoli.

Le organizzazioni hanno anche bisogno di meccanismi di rollback. La correzione automatizzata dovrebbe preservare uno stato sufficiente a invertire rapidamente una modifica dannosa.

Permessi ristretti limitano i danni quando un modello fallisce o viene manipolato. Ogni agente dovrebbe accedere solo agli strumenti e alle informazioni necessari per il compito assegnato.

L’esperienza umana resta centrale. Gli analisti devono riconoscere quando la spiegazione di un modello entra in conflitto con il comportamento del sistema o omette una possibilità critica.

L’AI modifica l’allocazione del lavoro anziché eliminare il giudizio. I modelli possono elaborare prove e proporre azioni, mentre le persone gestiscono l’incertezza e le conseguenze.

Questo modello operativo rafforza il vantaggio difensivo perché combina la velocità delle macchine con contesto privilegiato e autorità responsabile.

Senza queste fondamenta, l’AI diventa un altro sistema complesso che i difensori devono proteggere. Può espandere la superficie d’attacco invece di ridurla.

Tre segnali decideranno chi vincerà dopo

La prossima fase sarà determinata dalle prove di sfruttamento autonomo, dai tassi di riparazione di livello produttivo e dalla velocità di distribuzione della difesa.

Il primo segnale è l’uso dell’AI documentato in modo indipendente lungo un’intera catena d’attacco.

I ricercatori dovrebbero cercare prove che un sistema abbia selezionato un bersaglio, scoperto un nuovo difetto, sviluppato un exploit, ottenuto l’accesso e mantenuto il controllo. Dovrebbe essere descritto anche il coinvolgimento umano.

Tali prove rafforzerebbero la tesi offensiva. Dimostrerebbero che l'AI può eliminare colli di bottiglia operativi invece di limitarsi ad assistere attività isolate.

Alle affermazioni prive di log, metodologia o analisi indipendente andrebbe attribuito minor peso. Fornitori e governi hanno incentivi a enfatizzare sia le capacità sia le minacce.

Il secondo segnale riguarda la capacità degli agenti difensivi di produrre correzioni verificate in software reali.

Le prestazioni nei benchmark sono preziose, ma i risultati in produzione contano di più. Le organizzazioni devono sapere con quale frequenza le patch generate dall'AI superano i test, resistono alla revisione e non introducono regressioni.

Un tasso crescente di patch sicure e accettate rafforzerebbe l'argomento difensivo a lungo termine. Dimostrerebbe che l'AI può trasformare un ampio accesso al codice in una riduzione duratura del rischio.

Il risultato opposto lo indebolirebbe. Elevati tassi di rifiuto o regressioni ripetute conserverebbero il vantaggio di tolleranza degli attaccanti.

Il terzo segnale è la velocità di diffusione nelle organizzazioni ordinarie.

Le grandi aziende tecnologiche possono combinare modelli avanzati, intelligence sulle minacce e ampi team di sicurezza. Aziende più piccole, ospedali, enti pubblici e operatori di infrastrutture dispongono di budget più limitati e sistemi più datati.

Se strumenti difensivi efficaci restano concentrati nelle organizzazioni con maggiori risorse, gli attaccanti possono spostare l'attenzione verso obiettivi più deboli. L'ecosistema complessivo potrebbe diventare più diseguale.

Un'adozione ampia cambierebbe questo calcolo. I fornitori di sicurezza gestita, le piattaforme cloud e i fornitori di software possono distribuire miglioramenti difensivi a molti clienti.

La tesi di Google News risulta più solida quando le lezioni difensive si diffondono più rapidamente delle tecniche offensive. Una vulnerabilità scoperta una volta dovrebbe portare a una protezione ovunque venga eseguito il software.

I lettori dovrebbero quindi considerare le dimostrazioni spettacolari di hacking come solo un lato del bilancio. Velocità di riparazione, copertura delle patch e ricorrenza costituiscono l'altro lato.

Le prospettive a breve termine favoriscono una maggiore sperimentazione da parte di criminali e attori sostenuti dagli Stati. Useranno l'AI ovunque riduca il lavoro necessario, migliori il targeting o acceleri le attività tecniche.

L'esito a lungo termine resta aperto, ma i difensori dispongono della base migliore. Controllano i sistemi, raccolgono la telemetria, autorizzano le modifiche e possono rendere permanenti le correzioni riuscite.

Questa base produce un vantaggio solo attraverso un'esecuzione disciplinata. Le organizzazioni devono collegare i modelli a un contesto accurato, limitarne l'autorità, verificarne le raccomandazioni e misurare una reale riduzione del rischio.

La prossima volta che Google News riporta un'affermazione sull'hacking autonomo, ponetevi tre domande. Quanto ha fatto il modello, con quale rapidità hanno risposto i difensori e la riparazione ha eliminato la via d'accesso?

Le risposte riveleranno se l'AI sta estendendo la finestra offensiva o sta finalmente aiutando i difensori a chiuderla.