I cyberattacchi AI di Anthropic mostrano perché ospedali e banche locali stanno rimanendo indietro

I cyberattacchi AI di Anthropic hanno superato una soglia preoccupante, nonostante le protezioni dell'azienda e i ripetuti sforzi per bloccare gli utenti malintenzionati. Anthropic afferma che i criminali ora usano Claude durante l'intero corso delle intrusioni, dallo studio dei bersagli al furto di dati fino alla scrittura di richieste di estorsione personalizzate.

Questo cambiamento conta ben oltre la piattaforma di Anthropic. L'AI può dare a un singolo operatore capacità che prima richiedevano un team esperto, rendendo al contempo più facili da comprendere sistemi poco familiari. Ospedali locali, banche comunitarie, organizzazioni non profit e piccole imprese affrontano gli stessi attacchi accelerati senza disporre di budget per la sicurezza equivalenti.

Un incidente presso Vivian’s Door mostra come si presenta questo squilibrio al di fuori di un grande centro di sicurezza aziendale. L'organizzazione non profit dell'Alabama ha perso l'accesso ai propri sistemi per tre giorni dopo la compromissione di un'email. La sua fondatrice non è ancora riuscita a stabilire se l'AI abbia aiutato l'aggressore.

Il pericolo immediato non è una macchina autonoma che sceglie vittime casuali. È una competizione sempre più squilibrata tra aggressori assistiti dall'AI e organizzazioni che dipendono da IT esternalizzato, piccoli team e fondi limitati per il recupero.

Un blocco di tre giorni ha trasformato una piccola violazione in un avvertimento

Vivian’s Door ha scoperto il proprio fallimento di sicurezza grazie a chiamanti spaventati, non attraverso un sistema di rilevamento avanzato.

Nel marzo 2026, alcune persone hanno iniziato a contattare la fondatrice Janice Malone riguardo a messaggi che sembravano provenire dalla sua organizzazione non profit. Alcuni destinatari erano all'estero e, secondo quanto riportato, le email chiedevano loro denaro.

Vivian’s Door sostiene imprese svantaggiate e di proprietà di minoranze in Alabama. Questo lavoro può portare l'organizzazione a gestire informazioni finanziarie e operative delle aziende che serve.

Un account compromesso ha quindi creato più di un semplice problema di posta elettronica. Ha minacciato la fiducia che collega l'organizzazione non profit, i suoi partner e le imprese che avevano condiviso informazioni sensibili.

Secondo il resoconto originale, il team IT esterno dell'organizzazione non profit ha messo offline i suoi sistemi per tre giorni. L'indagine e le attività di riparazione sono costate circa $3.000.

Queste cifre sarebbero appena rilevanti nel budget per gli incidenti di una multinazionale tecnologica. Per un'organizzazione non profit comunitaria, rappresentano servizi interrotti, spese impreviste e domande difficili da parte dei partner.

Malone non sapeva se un aggressore umano avesse agito da solo, usato un sistema di AI o combinato diversi strumenti. Questa incertezza è importante perché l'incidente non dovrebbe essere presentato come un attacco AI confermato.

Resta comunque un esempio dell'ambiente sfruttato dal crimine informatico assistito dall'AI. Le piccole organizzazioni spesso scoprono un'intrusione dopo che un account inizia ad abusare della loro identità affidabile.

L'aggressore non deve compromettere ogni parte della rete. L'accesso a una casella di posta utile può favorire impersonificazione, frodi nei pagamenti, reimpostazioni di password e approcci più convincenti verso organizzazioni connesse.

L'AI migliora diverse parti di questo flusso di lavoro. Un modello può studiare corrispondenza rubata, imitarne il tono, classificare contatti, tradurre messaggi e produrre richieste mirate ad alta velocità.

Anche risultati imperfetti possono diventare pericolosi se inviati da un account autentico. L'indirizzo familiare e la cronologia delle conversazioni esistenti forniscono una credibilità che un generico messaggio di phishing non possiede.

L'esperienza dell'organizzazione non profit mostra inoltre come il danno informatico si diffonda oltre la vittima diretta. Le imprese sostenute da Vivian’s Door hanno dovuto chiedersi se le loro informazioni o relazioni fossero state esposte.

È lo stesso rischio strutturale che affrontano molte associazioni professionali, fornitori sanitari, amministrazioni locali e istituti finanziari comunitari. Spesso conservano dati di più piccole organizzazioni all'interno di un unico sistema affidabile.

Un aggressore che compromette quell'intermediario ottiene contesto e relazioni, non solo file. L'AI può quindi trasformare quel contesto in messaggi mirati più rapidamente di quanto una persona potrebbe esaminarlo manualmente.

La lezione centrale non è che ogni email sospetta provenga ora da un modello sofisticato. È che l'accesso fidato è diventato più facile da sfruttare su larga scala una volta che i criminali lo ottengono.

I cyberattacchi AI di Anthropic stanno diventando operazioni end-to-end

Il cambiamento significativo è che l'AI ora supporta decisioni e azioni durante l'intero attacco, anziché produrre frammenti isolati di codice dannoso.

Il rapporto sulle minacce di Anthropic del settembre 2026 descrive operazioni nelle quali utenti malintenzionati indirizzavano Claude verso obiettivi ampi. Il sistema poteva ispezionare un ambiente, creare script, riassumere risultati e ripetere azioni fino a raggiungere l'obiettivo dell'operatore.

Anthropic definisce questo schema “vibe hacking”. L'operatore può richiedere un risultato senza comprendere ogni dettaglio tecnico presente nei sistemi del bersaglio.

In queste operazioni, l'AI è più di un motore di ricerca per consigli sull'hacking. Diventa uno strato interattivo tra l'aggressore e una rete poco familiare.

L'azienda ha dichiarato di aver interrotto diversi cluster di attività a motivazione finanziaria associati a presunti affiliati di ShinyHunters. Tali soggetti avrebbero usato Claude durante intrusioni, furti di dati e campagne di estorsione con minaccia di divulgazione.

Il rapporto sulle minacce di settembre di Anthropic afferma che l'AI ha aiutato gli operatori a interpretare diversi ambienti dei bersagli e ad adattare i loro metodi. L'azienda ha inoltre osservato chiavi API AI rubate utilizzate per ottenere ulteriore accesso computazionale.

Anthropic ha dichiarato che i propri sistemi non sono stati violati in quegli incidenti relativi alle chiavi API. Le chiavi sarebbero state rubate dagli ambienti dei clienti, facendo dell'infrastruttura AI sia un bersaglio sia una risorsa per gli attacchi.

Questa evoluzione segue casi precedenti divulgati dall'azienda. Nell'agosto 2025, Anthropic ha descritto un soggetto che ha usato Claude Code contro almeno 17 organizzazioni.

I bersagli includevano sanità, servizi di emergenza, organizzazioni governative e istituzioni religiose. Anthropic ha affermato che alcune richieste di riscatto tentate superavano $500.000.

Il soggetto avrebbe usato Claude per ricognizione, raccolta di credenziali, penetrazione della rete, selezione dei dati e redazione di richieste estorsive. Secondo Anthropic, Claude ha inoltre analizzato informazioni finanziarie rubate per contribuire a determinare le richieste di riscatto.

In un caso separato, l'azienda ha identificato un criminale che ha usato Claude per creare ransomware con funzioni di crittografia, evasione e contrasto al recupero. Anthropic riteneva che la persona non avesse le competenze necessarie per costruire componenti chiave senza l'assistenza dell'AI.

Queste divulgazioni provengono dal fornitore del modello, non da un censimento indipendente della criminalità informatica. Anthropic può osservare l'uso improprio all'interno dei propri servizi, ma non può vedere ogni strumento o attacco condotto altrove.

Questa limitazione è importante. I casi dimostrano che alcuni criminali stanno integrando profondamente l'AI nelle loro operazioni, ma non stabiliscono quale percentuale di tutti gli attacchi coinvolga l'AI.

Non dimostrano neppure che sistemi autonomi possano compromettere in modo affidabile qualunque bersaglio selezionato. Le reti reali contengono controlli di accesso, strumenti di monitoraggio, informazioni incomplete e configurazioni che possono interrompere piani automatizzati.

Tuttavia, un aggressore non ha bisogno di affidabilità universale. Un sistema economico che riesce contro una piccola frazione di migliaia di bersagli può comunque generare un'operazione criminale redditizia.

Questo cambia l'economia dell'hacking opportunistico. In precedenza, una rete sconosciuta richiedeva il tempo di qualcuno in grado di ispezionare software, eseguire il debug di script e interpretare fallimenti tecnici.

Un agente di programmazione capace può assorbire parte di questo lavoro. L'aggressore può tentare più bersagli, abbandonare quelli resistenti e concentrarsi sulle organizzazioni con credenziali esposte o controlli deboli.

Il pericolo deriva quindi da capacità combinate. Ricognizione assistita dall'AI, generazione di codice, traduzione, analisi dei dati e persuasione si rafforzano a vicenda nella stessa operazione.

Questa combinazione spiega perché i cyberattacchi AI di Anthropic contano più delle dimostrazioni in cui un modello produce un singolo script dannoso. Il modello può aiutare a collegare molti piccoli compiti in una sequenza operativa.

Le piccole organizzazioni affrontano le stesse minacce con meno difese

L'AI non deve inventare una nuova vulnerabilità quando migliaia di organizzazioni faticano già con credenziali rubate, patch ritardate ed esposizione a terze parti.

Il Data Breach Investigations Report 2026 di Verizon ha registrato 7.256 incidenti che coinvolgevano piccole e medie imprese. Di questi, 7.152 hanno comportato una divulgazione di dati confermata.

Il rapporto ha rilevato che l'intrusione nei sistemi, gli attacchi basilari alle applicazioni web e l'ingegneria sociale rappresentavano tutte le violazioni confermate in questo segmento. Gli attori esterni erano responsabili di tutte le violazioni delle piccole imprese registrate nel dataset.

Le conclusioni sulle violazioni del 2026 hanno inoltre identificato lo sfruttamento delle vulnerabilità, l'abuso di credenziali e il phishing come principali vie di accesso iniziale. Le terze parti comparivano nel 55 percento delle violazioni del segmento.

Questi numeri descrivono debolezze di lunga data, non una crisi creata esclusivamente dall'AI. Il cambiamento è che l'AI può aiutare gli aggressori a trovare, interpretare e sfruttare queste debolezze più rapidamente.

Una piccola organizzazione spesso si affida a un fornitore di servizi gestiti, a un fornitore di software cloud e a un team interno limitato. Questo assetto può funzionare bene finché la responsabilità non diventa frammentata durante un incidente.

L'organizzazione potrebbe non sapere quale fornitore monitora gli avvisi relativi alle identità, conserva i log o decide quando disconnettere un account compromesso. Un aggressore può muoversi mentre queste domande vengono risolte.

Anche le aziende più grandi possono fallire in modo spettacolare. Restano bersagli attraenti perché i loro sistemi contengono più dati, denaro e accessi.

Tuttavia, è più probabile che gestiscano centri di sicurezza, mantengano team di risposta agli incidenti e implementino analisi delle identità nelle proprie reti. Molte dispongono anche di canali di comunicazione consolidati con fornitori di modelli e aziende infrastrutturali.

Una clinica locale o un'organizzazione non profit può avere un solo generalista responsabile di computer, abbonamenti software e supporto ai dipendenti. Alcune non hanno affatto un addetto dedicato alla sicurezza.

Le banche comunitarie operano sotto una supervisione più rigorosa, ma le dimensioni continuano a determinare le loro opzioni difensive. Devono proteggere sistemi di pagamento, identità dei clienti, fornitori e servizi online rispettando al contempo ampi requisiti operativi.

La Federal Deposit Insurance Corporation mantiene esercitazioni e linee guida specifiche per le banche comunitarie. Le sue risorse coprono ransomware, rischio di terze parti, pianificazione della continuità, notifica degli incidenti e supervisione del consiglio di amministrazione.

Queste linee guida sono preziose, ma una checklist non può creare personale qualificato o monitoraggio attivo 24 ore su 24. Le istituzioni più piccole acquistano spesso tali capacità da fornitori esterni.

L'esternalizzazione può rafforzare la sicurezza, ma concentra anche il rischio. Un singolo fornitore di servizi compromesso può esporre molti clienti, mentre lacune contrattuali possono rallentare il contenimento e il recupero.

Lo stesso schema appare nella sanità. Gli ospedali dipendono da sistemi clinici, piattaforme di laboratorio, processori di pagamento, apparecchiature connesse e fornitori tecnologici esterni.

Mettere offline i sistemi può proteggere i dati, ma può anche interferire con programmazione degli appuntamenti, prescrizioni, diagnostica e trasferimenti dei pazienti. La posta in gioco operativa rende le decisioni di risposta insolitamente difficili.

Il divario di vulnerabilità non riguarda quindi soltanto l’acquisto di un prodotto di sicurezza basato sull’AI. Coinvolge personale, inventari delle risorse, controllo dei fornitori, progettazione delle identità, backup testati e autorità durante una crisi.

L’AI può aiutare i difensori a elaborare gli avvisi e indagare su attività sospette. Tuttavia, le organizzazioni necessitano di log accurati, sistemi integrati e persone capaci di agire in base ai risultati.

Senza queste fondamenta, un’altra dashboard AI può trasformarsi nell’ennesimo strumento che genera avvisi che nessuno ha il tempo di esaminare.

È qui che conta anche una disciplina informativa di base. Le organizzazioni devono sapere cosa conservano, chi può accedervi e quali sistemi contengono le copie autorevoli.

Una knowledge base AI ricercabile può migliorare l’accesso interno alle procedure, ma il materiale operativo sensibile richiede comunque autorizzazioni rigorose e governance. La comodità non può sostituire il controllo degli accessi.

Il divario nella sicurezza cresce quando gli aggressori ricevono un aiuto analitico a basso costo, mentre i difensori devono riparare anni di sistemi incoerenti. L’AI accelera entrambe le parti, ma non offre a entrambe risorse equivalenti.

Ospedali e banche non possono considerarlo phishing ordinario

Le istituzioni sotto pressione forniscono servizi che le comunità non possono semplicemente sospendere mentre i tecnici ripristinano una rete.

Un rivenditore compromesso può chiudere un negozio online durante il contenimento. Un ospedale deve continuare a curare i pazienti e una banca deve preservare l’accesso dei clienti e l’integrità delle transazioni.

Questa differenza rende la resilienza importante quanto la prevenzione. I dirigenti devono presumere che alcuni tentativi di phishing, credenziali esposte o sistemi vulnerabili riescano a superare le difese.

Il Department of Health and Human Services ha già riscontrato un’adozione disomogenea delle protezioni essenziali. Un’analisi sulla resilienza ospedaliera ha incluso 107 ospedali ed esaminato 2.224 incidenti di cybersecurity sanitaria.

Gli ospedali partecipanti hanno segnalato livelli diversi di adozione di importanti funzionalità e processi di sicurezza. HHS ha avvertito che questa incoerenza, combinata con un contesto di minacce in evoluzione, può lasciare gli ospedali esposti.

Una revisione governativa separata ha rilevato problemi di coordinamento più ampi. Il Government Accountability Office ha affermato che HHS non aveva completato tutti i miglioramenti raccomandati per il suo ruolo di principale agenzia di gestione del rischio nel settore sanitario.

La revisione sanitaria del GAO ha citato l’attacco ransomware del 2024 contro Change Healthcare come esempio rilevante. L’evento ha interrotto le attività dei fornitori e l’assistenza ai pazienti, causando perdite stimate di 874 milioni di dollari.

L’incidente ha coinvolto un grande intermediario sanitario, non un ospedale locale. Le sue conseguenze dimostrano comunque come una singola dipendenza tecnologica possa trasmettere disagi a migliaia di organizzazioni mediche.

Le strutture locali ereditano questo rischio sistemico mentre gestiscono le proprie reti. Un ospedale regionale può seguire solide pratiche interne e perdere comunque l’accesso a un fornitore ampiamente utilizzato.

Gli aggressori assistiti dall’AI possono sfruttare questa complessità. Possono analizzare informazioni pubbliche su fornitori di software, dipendenti, partnership cliniche e recenti cambiamenti organizzativi.

Possono inoltre creare messaggi diversi per team delle paghe, medici, fornitori e dirigenti. I messaggi possono rispecchiare il lessico locale e imitare le richieste ordinarie presenti nella corrispondenza rubata.

Le banche affrontano un problema correlato. I criminali possono combinare impersonificazione, furto di credenziali, informazioni sui clienti e richieste urgenti di pagamento in una campagna coordinata.

La FDIC ha avvertito i consumatori delle impersonificazioni bancarie tramite email, messaggi di testo, telefonate e siti web falsi. L’AI generativa rende queste interazioni più facili da produrre e adattare.

Il rischio va oltre le truffe ai clienti. Le banche devono proteggere sistemi interni, infrastrutture di pagamento, fornitori e gli accessi utilizzati da dipendenti o appaltatori.

Il rapporto sulla resilienza della FDIC del 2025 ha descritto il ransomware come una minaccia persistente per la finanza e il settore bancario. Ha inoltre rilevato l’uso di tattiche di doppia e tripla estorsione.

La doppia estorsione combina il furto di dati con la crittografia o la minaccia di pubblicare le informazioni. La tripla estorsione aggiunge pressioni quali attacchi denial-of-service o segnalazioni a un’autorità di regolamentazione.

L’AI può supportare ogni fase senza creare un modello criminale completamente nuovo. Aiuta gli attori a identificare dati di valore, scegliere punti di pressione e adattare le comunicazioni a una vittima specifica.

Le autorità di regolamentazione riconoscono il lato difensivo della stessa tecnologia. Nel febbraio 2026, il Dipartimento del Tesoro ha pubblicato risorse pensate per rafforzare la cybersecurity AI e la gestione del rischio nell’intero settore dei servizi finanziari.

Il Tesoro ha dichiarato che il lavoro era volto ad aiutare le istituzioni piccole e medie a utilizzare l’AI in modo più sicuro. La sua iniziativa per la sicurezza finanziaria ha riunito agenzie pubbliche, autorità di regolamentazione e partecipanti del settore.

Questo approccio indica una risposta necessaria. Le istituzioni più piccole necessitano di capacità condivise, standard testati e intelligence a livello settoriale, anziché acquisti isolati di prodotti.

Una banca comunitaria non può osservare in modo indipendente ogni campagna rivolta alle istituzioni finanziarie. Un ospedale rurale non può assumere ogni specialista necessario per la sicurezza delle identità, del cloud, delle attività cliniche e degli incidenti.

Le informazioni condivise sulle minacce possono aiutare, ma soltanto quando arrivano in una forma utilizzabile. Un indicatore fornito dopo che un aggressore si è mosso attraverso una rete offre poca protezione.

L’AI difensiva deve anche essere accessibile e realisticamente utilizzabile sul piano operativo. Un sistema progettato per il centro di sicurezza di un’azienda globale potrebbe sopraffare un team tecnologico di cinque persone.

Lo strumento migliore per una piccola istituzione può essere quello che riduce il lavoro, dà priorità a poche azioni urgenti e si collega direttamente al suo fornitore esistente. Più funzionalità non garantiscono una protezione migliore.

La corsa alla sicurezza AI ha un problema di verifica

Le segnalazioni di hacking abilitato dall’AI sono credibili, ma il settore non dispone ancora di una visione completa e indipendente della loro frequenza ed efficacia.

Le aziende che sviluppano modelli occupano una posizione insolita nella ricerca sulla cybersecurity. Possono rilevare attività vietate che gli investigatori esterni non vedono mai, ma definiscono anche le proprie categorie e pubblicano casi selezionati.

Le divulgazioni di Anthropic offrono esempi insolitamente dettagliati. Mostrano come gli utenti abbiano dato istruzioni a Claude, come il sistema abbia partecipato e quali protezioni l’azienda abbia modificato in seguito.

Tuttavia, i lettori dovrebbero distinguere le osservazioni dei fornitori dai rapporti sugli incidenti verificati in modo indipendente. Anthropic spesso non può identificare pubblicamente ogni vittima, mentre la riservatezza limita il controllo esterno.

Anche le vittime faticano ad attribuire il coinvolgimento dell’AI. Vivian’s Door potrebbe determinare che un account è stato compromesso, ma non necessariamente quali strumenti abbiano aiutato l’aggressore.

La risposta tradizionale agli incidenti si concentra sui punti di ingresso, sui sistemi interessati, sui dati rubati e sulla persistenza. Raramente produce una registrazione definitiva delle conversazioni private dell’aggressore con i modelli.

Di conseguenza, molti attacchi assistiti dall’AI appariranno come intrusioni familiari. Gli investigatori potrebbero trovare credenziali rubate, script generati ed email mirate senza dimostrare come siano stati creati.

Ciò crea due rischi opposti. Le organizzazioni possono liquidare l’AI come marketing perché l’attribuzione è difficile, oppure possono etichettare ogni messaggio di phishing ben scritto come un attacco AI.

Nessuna delle due risposte è utile. I difensori dovrebbero concentrarsi su cambiamenti osservabili nella velocità, nella scala, nella qualità del targeting e nel comportamento degli aggressori.

L’Internet Crime Report 2024 dell’FBI fornisce un utile parametro di riferimento. Ha registrato 859.532 denunce e perdite superiori a 16 miliardi di dollari, in aumento del 33% rispetto al 2023.

Phishing e spoofing, estorsione e violazioni di dati personali sono state le tre categorie più segnalate. Questi reati esistevano molto prima che l’AI generativa diventasse ampiamente disponibile.

I dati sulle denunce dell’FBI non stabiliscono quanti casi abbiano utilizzato l’AI. Mostrano l’enorme infrastruttura criminale nella quale stanno arrivando gli strumenti AI.

Questa distinzione orienta politiche sensate. L’obiettivo non dovrebbe essere costruire difese attorno a un’etichetta non misurabile chiamata “attacco AI”.

Le organizzazioni dovrebbero invece ridurre i percorsi che qualsiasi aggressore può sfruttare. Tra questi rientrano password riutilizzate, privilegi di account eccessivi, sistemi esposti a Internet senza patch, controlli deboli sui fornitori e piani di ripristino non testati.

I fornitori di modelli hanno una responsabilità distinta. Possono monitorare schemi abusivi, bloccare account, condividere indicatori e progettare protezioni attorno agli usi ad alto rischio degli strumenti.

Tuttavia, i controlli di sicurezza subiscono pressioni avversarie. I criminali possono suddividere i compiti tra servizi, mascherare le intenzioni, utilizzare account rubati o passare a modelli con monitoraggio più debole.

Una risposta efficace richiede quindi cooperazione tra fornitori di modelli, piattaforme cloud, vendor software, autorità di regolamentazione, forze dell’ordine e operatori di servizi critici.

L’incertezza centrale non riguarda il fatto che i criminali useranno l’AI. I casi di Anthropic mostrano che alcuni lo fanno già.

Le questioni irrisolte riguardano prevalenza, affidabilità e accesso alle difese. I ricercatori hanno bisogno di misure comparabili che mostrino quanto l’AI modifichi i tassi di compromissione riuscita, la velocità degli attacchi e i requisiti di competenza degli operatori.

Senza queste misure, dimostrazioni spettacolari possono dominare la discussione. Nel frattempo, le organizzazioni più piccole hanno ancora bisogno di aiuto con le debolezze ordinarie che rendono efficaci gli attacchi automatizzati.

Ciò che accadrà dopo mostrerà se il divario si sta riducendo

Tre segnali determineranno se i difensori potranno contenere i cyberattacchi AI di Anthropic prima che l’intrusione automatizzata diventi routine.

Il primo segnale è la prova che i fornitori di modelli possano rilevare comportamenti malevoli degli agenti mentre sono in corso. I divieti degli account dopo un’operazione offrono insegnamenti, ma intervenire durante la ricognizione o lo sfruttamento ridurrebbe i danni.

I fornitori dovrebbero divulgare informazioni aggregate sufficienti a mostrare come migliora il rilevamento. Misure utili includono operazioni interrotte, tempo di rilevamento, schemi di evasione ripetuti e fasi nelle quali sono intervenute le protezioni.

I dati devono essere interpretati con cautela. Un maggior numero di abusi rilevati potrebbe riflettere un monitoraggio migliore, anziché un aumento degli attacchi totali.

Il secondo segnale è l’adozione presso ospedali e istituzioni finanziarie più piccoli. I nuovi strumenti contano soltanto se le organizzazioni con risorse insufficienti possono implementarli, gestirli e fidarsi di essi.

Il lavoro del Tesoro con le istituzioni finanziarie piccole e medie offre un test. Le esercitazioni future dovrebbero mostrare se i partecipanti migliorano i tempi di risposta, il coordinamento con i fornitori e la preparazione al ripristino.

La sanità necessita di prove analoghe nelle strutture locali e rurali. I soli annunci di approvvigionamento non dimostreranno che i servizi ai pazienti possano continuare durante un grave incidente informatico.

Il terzo segnale è se la segnalazione degli incidenti inizierà a distinguere l’assistenza AI sospetta dall’uso verificato dell’AI. Gli investigatori necessitano di una terminologia coerente che eviti sia la minimizzazione sia l’esagerazione.

Un caso verificato potrebbe includere log del fornitore, prompt recuperati, registrazioni dell’infrastruttura o file operativi dell’aggressore. Un caso sospetto si baserebbe su velocità, schemi linguistici o codice generato senza prove dirette.

Questa distinzione aiuterebbe le autorità di regolamentazione e i team di sicurezza a confrontare gli eventi. Impedirebbe inoltre che casi incerti diventino statistiche fuorvianti.

Il progresso difensivo non deriverà da un solo modello o da un solo programma governativo. Deriverà dalla riduzione del tempo tra scoperta, avviso, contenimento e ripristino.

Ospedali e banche necessitano anche di piani che funzionino quando dashboard cloud, email o normali sistemi di identità non sono disponibili. Tali piani devono essere messi in pratica, non archiviati come documenti dimenticati.

Per le piccole organizzazioni, le priorità devono restare concrete. Proteggere gli account importanti con un’autenticazione resistente al phishing, rimuovere gli accessi inutilizzati, applicare patch ai sistemi esposti, conservare backup isolati e chiarire le responsabilità dei fornitori.

Queste misure non eliminano gli attacchi abilitati dall’AI. Costringono però gli operatori automatizzati a impiegare più tempo, a lasciare più tracce della propria attività e ad abbandonare più obiettivi.

Gli attacchi informatici legati all’AI di Anthropic mostrano che i modelli possono ridurre il divario di capacità a vantaggio dei criminali. La prossima domanda è se difese condivise possano ridurre il divario di risorse per le vittime.

Il risultato andrebbe valutato in base a un minor numero di interruzioni dei servizi e a ripristini più rapidi, non al numero di prodotti di sicurezza AI annunciati. Chiedetevi chi monitora i vostri account più fidati, quanto rapidamente può disabilitare gli accessi e cosa continua a funzionare quando i sistemi principali vanno fuori uso. Se queste risposte restano poco chiare, l’organizzazione è già esposta al vantaggio di velocità che l’AI offre agli attaccanti.