L'avvertimento sull'AI dei Five Eyes mette i difensori informatici davanti a una scadenza di tre mesi

Secondo quanto riportato, le agenzie di sicurezza dei Five Eyes hanno avvertito che l'AI offensiva potrebbe superare le difese cyber convenzionali nel giro di pochi mesi, creando una sfida urgente per i responsabili della sicurezza aziendale. L'avvertimento ha raggiunto un pubblico più ampio attraverso una notizia di Google News relativa a un report di UC Today pubblicato il 24 giugno 2026.

Il titolo è allarmante, ma comprime diverse affermazioni distinte in un'unica previsione drammatica. I modelli AI stanno migliorando nella scoperta delle vulnerabilità, nello sviluppo di exploit e nei test autonomi. Tuttavia, le prove non mostrano che ogni sistema di cybersecurity diventerà improvvisamente obsoleto in una data specifica.

La conclusione difendibile è più circoscritta, ma resta seria. Gli attaccanti stanno acquisendo strumenti in grado di individuare e sfruttare le debolezze più rapidamente di quanto le organizzazioni riescano ad applicare le patch. I CISO si trovano quindi davanti a una sfida tra l'offensiva alla velocità delle macchine e la remediation alla velocità degli esseri umani, non a un singolo cataclisma tecnologico.

Questa distinzione determina il modo in cui le organizzazioni dovrebbero reagire. Acquistare un altro prodotto di sicurezza AI non risolverà un inventario incompleto degli asset, un'applicazione legacy esposta o un processo di patch che richiede sei approvazioni. Il compito immediato è ridurre l'intero ciclo difensivo.

L'avvertimento riguarda la velocità operativa, non una superarma

Il cambiamento centrale è che capacità cyber avanzate stanno passando da competenze rare a workflow ripetibili e automatizzati.

Il resoconto di UC Today descrive un avvertimento congiunto che coinvolge agenzie di sicurezza di Stati Uniti, Regno Unito, Canada, Australia e Nuova Zelanda. Sostiene che i modelli di frontiera potrebbero ridurre le competenze necessarie per identificare vulnerabilità, creare exploit e condurre attacchi sofisticati.

Questa descrizione coglie la preoccupazione più ampia, ma i lettori dovrebbero trattare con cautela i dettagli più incisivi. Le prove pubblicamente accessibili non stabiliscono una data universale in cui l'AI supererà tutte le difese esistenti. I sistemi di cybersecurity variano inoltre enormemente tra settori, architetture e modelli di minaccia.

L'espressione “nel giro di pochi mesi” va interpretata meglio come una finestra di preparazione. Le organizzazioni dovrebbero presumere che capacità oggi limitate agli sviluppatori di modelli, ai governi e a selezionate aziende di sicurezza diventeranno più facili da ottenere. Il percorso esatto di diffusione resta incerto.

Ciò non equivale a dire che un'AI autonoma possa sconfiggere qualunque rete ben difesa. Le intrusioni reali richiedono intelligence sul bersaglio, credenziali, persistenza, sicurezza operativa e modi per eludere il monitoraggio. I modelli possono fallire, inventare dettagli tecnici o generare codice inutilizzabile.

Tuttavia, un attaccante non ha bisogno di un sistema autonomo impeccabile. Un modello che elimina ore di ricognizione o di sviluppo di exploit può cambiare l'economia di un'operazione. Consente a un piccolo team di testare più bersagli, ritentare più approcci e personalizzare esche più convincenti.

La pressione risultante ricade su sistemi costruiti attorno ad assunzioni più lente. Molti programmi di gestione delle vulnerabilità danno priorità alle rilevazioni tramite riunioni di revisione programmate. I team software pianificano le correzioni in base ai cicli di rilascio. I processi di procurement e controllo delle modifiche spesso introducono ulteriori ritardi.

Gli attaccanti non condividono questi vincoli. Una volta che una vulnerabilità diventa comprensibile, l'automazione può analizzare molte organizzazioni alla ricerca della stessa esposizione. L'AI può quindi aiutare ad adattare un exploit a diverse configurazioni o trasformare rilevazioni tecniche in social engineering mirato.

Questa asimmetria spiega perché l'avvertimento è importante anche se la previsione del titolo si rivelerà esagerata. La difesa deve proteggere continuamente numerosi sistemi. L'offensiva ha bisogno di un solo percorso utile verso un ambiente di valore.

Google News può presentare la storia come un conto alla rovescia verso il predominio dell'AI, ma l'evento sottostante è una compressione dei tempi operativi. La domanda pratica è se i difensori possano trovare, prioritizzare e contenere le debolezze prima che gli attaccanti le industrializzino.

Le prove mostrano rapidi progressi con limiti importanti

Le prestazioni cyber misurate stanno avanzando rapidamente, ma i miglioramenti nei benchmark non si traducono direttamente in attacchi affidabili nel mondo reale.

Le prove di supporto più solide provengono da valutazioni controllate e test difensivi. Queste fonti mostrano che i modelli più recenti possono completare compiti tecnici più lunghi, collegare vulnerabilità correlate e generare codice exploit funzionante più spesso rispetto ai sistemi precedenti.

La ricerca descritta dall'UK AI Security Institute utilizza un orizzonte temporale dei compiti cyber. Questa metrica stima la durata di un compito che un modello può completare con un dato livello di affidabilità. Confronta le prestazioni del modello con il tempo richiesto a uno specialista umano.

Secondo le conclusioni dell'istituto, riportate in un'analisi dei benchmark dell'AISI, l'orizzonte temporale misurato era raddoppiato ogni 4,7 mesi dalla fine del 2024. I checkpoint dei modelli successivi avrebbero persino superato quella tendenza.

Un modello valutato ha completato un attacco simulato a una rete aziendale in 32 passaggi in sei tentativi su dieci. Ha inoltre completato una sfida di controllo industriale in sette passaggi, precedentemente irrisolta, in tre tentativi su dieci.

Questi risultati sono importanti perché i compiti cyber di lunga durata richiedono più del semplice riconoscimento di uno schema di codice vulnerabile. Un modello deve mantenere il contesto, selezionare gli strumenti, interpretare i fallimenti e adattare la propria strategia in più passaggi.

Tuttavia, l'istituto ha esplicitamente messo in guardia dal trasformare il benchmark in una previsione generale delle capacità. La valutazione non prevede quando l'AI raggiungerà una determinata soglia. Non stabilisce neppure come le prestazioni si trasferiranno ad ambienti di produzione difesi.

Questa precisazione è essenziale. I benchmark presentano obiettivi strutturati, sistemi delimitati e risultati misurabili. Una rete aziendale contiene dipendenze non documentate, telemetria incoerente, segnali ingannevoli e controlli progettati per rilevare comportamenti sospetti.

Gli attaccanti reali affrontano inoltre conseguenze in caso di fallimento. Una scansione rumorosa può rivelare la loro infrastruttura. Un exploit inaffidabile può mandare in crash un servizio prima che venga stabilita la persistenza. Comandi allucinati possono distruggere le prove o interrompere l'accesso.

Palo Alto Networks ha offerto un altro dato utile. L'azienda ha dichiarato di aver utilizzato modelli avanzati per esaminare oltre 130 prodotti e di aver trovato 75 vulnerabilità legittime, successivamente corrette.

Si tratta di oltre sette volte il suo volume mensile abituale, secondo un test sulle vulnerabilità AI. L'azienda ha inoltre affermato che i modelli hanno prodotto exploit funzionanti oltre il 70 percento delle volte durante i test interni.

I risultati rivelano sia capacità sia attrito. Palo Alto Networks ha segnalato un tasso di falsi positivi vicino al 30 percento. I suoi ricercatori hanno inoltre costruito un harness di scansione specializzato, che forniva contesto, threat intelligence e guardrail operativi.

Questo harness fa parte del sistema, non è un dettaglio minore di implementazione. I modelli non sono arrivati in autonomia, non hanno compreso l'infrastruttura aziendale e non hanno iniziato a produrre rilevazioni affidabili. Team qualificati hanno creato un ambiente che rendeva i modelli utili.

Le stesse prove possono quindi supportare due interpretazioni. L'AI offensiva sta diventando materialmente più capace. Un'implementazione efficace richiede ancora competenze, contesto, infrastruttura e validazione.

I CISO dovrebbero pianificare in base alla prima interpretazione, definendo però il budget attorno alla seconda. Considerare l'AI innocua finché non diventa pienamente autonoma invita al ritardo. Trattare ogni miglioramento nei benchmark come prova di un'imminente compromissione universale spreca attenzione e denaro.

L'offensiva AI scala più rapidamente della remediation aziendale

La sfida principale non è l'AI contro un prodotto di sicurezza. È la scoperta automatizzata contro l'intero processo di remediation dell'organizzazione.

La scoperta delle vulnerabilità può scalare attraverso esecuzioni parallele dei modelli. La remediation resta legata alla titolarità del software, ai test di regressione, al rischio operativo, alle tempistiche dei fornitori, alle finestre di manutenzione e alle approvazioni aziendali.

Questo squilibrio esiste già senza l'AI. I team di sicurezza identificano abitualmente più debolezze di quante i gruppi di ingegneria possano correggere. Il risk scoring aiuta, ma spesso i punteggi non hanno il contesto necessario per distinguere un percorso di attacco esposto da una falla teorica isolata.

L'AI aumenta il volume e la potenziale interconnessione di queste rilevazioni. Un modello può esaminare se più debolezze a bassa gravità formino un unico percorso ad alto impatto. Questo conta perché gli attaccanti raramente rispettano le categorie usate in una dashboard delle vulnerabilità.

Un'interfaccia di gestione dimenticata potrebbe esporre una credenziale. Tale credenziale potrebbe sbloccare un servizio interno. Il servizio potrebbe fidarsi di una libreria vulnerabile che altrimenti sembrerebbe irraggiungibile da internet.

Gli scanner automatizzati precedenti erano spesso efficaci nell'identificare schemi noti. I modelli più recenti possono ragionare sul comportamento dei programmi e tentare di collegare le rilevazioni in un percorso funzionante. È questa la capacità che rende rilevante l'attuale cambiamento.

I responsabili della sicurezza intervenuti alla RSA Conference del 2026 hanno descritto uno squilibrio simile. Alex Stamos ha affermato che la scoperta di exploit assistita dall'AI è accelerata, mentre la trasformazione degli exploit in armi è rimasta meno matura. Kevin Mandia ha sostenuto che il vantaggio nel breve termine favorirà gli attaccanti.

Il loro avvertimento sulla velocità delle macchine si è concentrato sul tempo tra la divulgazione di una debolezza e il suo sfruttamento pratico. Stamos ha sintetizzato la direzione con una frase incisiva: “Patch Tuesday, exploit Wednesday.”

Questo scenario non richiede che un modello inventi una vulnerabilità precedentemente sconosciuta. Può iniziare da una patch del fornitore, confrontare il codice modificato, dedurre la falla sottostante e generare un test.

Questo processo, noto come patch diffing, non è nuovo. L'AI può renderlo più accessibile e più facile da ripetere. Un compito un tempo riservato a reverse engineer esperti può gradualmente diventare un workflow guidato.

I programmi di patch tradizionali misurano le prestazioni in giorni, settimane o mesi. Un attaccante che lavora a partire da una nuova divulgazione potrebbe presto misurare la stessa finestra in ore. Questo lascia meno tempo per il triage manuale e il deployment graduale.

I CISO non possono risolvere questo divario pretendendo che ogni aggiornamento raggiunga immediatamente la produzione. Una patch non testata può interrompere servizi critici o introdurre nuovi guasti. Una risposta migliore combina prioritizzazione, isolamento e controlli compensativi.

La prima priorità è l'esposizione. Gli asset esposti a internet, i sistemi di accesso remoto, l'infrastruttura delle identità e le interfacce di gestione raggiungibili dall'esterno meritano gli obiettivi di risposta più brevi. I sistemi interni restano importanti, ma la loro urgenza dipende dai percorsi di attacco disponibili.

La seconda priorità è la sfruttabilità. I team hanno bisogno di prove che una debolezza possa sostenere un attacco significativo, non soltanto di un punteggio generico elevato. I red team assistiti dall'AI possono aiutare a validare questi percorsi prima che li trovino i criminali.

La terza priorità è il raggio d'impatto. Una segmentazione solida, privilegi limitati e percorsi amministrativi protetti riducono ciò che un attaccante può raggiungere dopo l'accesso iniziale. Questi controlli fanno guadagnare tempo quando l'applicazione immediata delle patch è impossibile.

La quarta priorità è l'autorità di risposta. Il contenimento automatizzato non può attendere un comitato quando un'identità attiva si sta spostando nella rete. Le organizzazioni dovrebbero definire quali azioni possono intraprendere le macchine e quando devono intervenire gli esseri umani.

È qui che molte strategie di sicurezza AI restano incomplete. Un’azienda può aggiungere un modello al proprio centro operativo di sicurezza mantenendo al tempo stesso ogni lento livello di approvazione che lo circonda. Il modello identifica il pericolo più rapidamente, ma l’organizzazione continua a reagire alla sua vecchia velocità.

I CISO devono trattare la latenza di risposta come una proprietà di sicurezza misurabile. Il tempo di rilevamento è solo una componente. Anche il tempo necessario per validare, assegnare la responsabilità, implementare un controllo e confermare il contenimento fa parte della stessa catena operativa.

Cosa dovrebbero cambiare i CISO prima che la finestra si chiuda

La preparazione dovrebbe iniziare con la riduzione della superficie d’attacco e l’aumento della rapidità decisionale, per poi aggiungere l’AI dove migliora un flusso di lavoro difensivo ben definito.

Il primo passo è stabilire un inventario accurato dei sistemi esposti. Tale inventario dovrebbe includere applicazioni, API, servizi cloud, provider di identità, strumenti di accesso remoto e fonti di dati connesse agli agenti.

Un foglio di calcolo trimestrale non può sostenere una difesa alla velocità delle macchine. Le informazioni sugli asset dovrebbero aggiornarsi quando l’infrastruttura cambia. Dovrebbero inoltre identificare il responsabile aziendale, il responsabile tecnico, la sensibilità dei dati e le opzioni di contenimento disponibili.

Questo lavoro non è affascinante, ma gli attacchi assistiti dall’AI sfrutteranno ciò che le organizzazioni hanno dimenticato. Un server sconosciuto non può ricevere una patch d’emergenza. Una credenziale abbandonata non può essere protetta da una policy di accesso che nessuno sa utilizzi ancora.

Successivamente, le organizzazioni dovrebbero eliminare l’esposizione non necessaria. L’accesso pubblico dovrebbe esistere perché un servizio lo richiede, non perché un’impostazione predefinita è sopravvissuta al deployment. Le interfacce amministrative meritano un isolamento e un’autenticazione più robusti.

I team dovrebbero quindi rivedere gli obiettivi di livello di servizio per le vulnerabilità sulla base delle evidenze di sfruttamento. Un’unica scadenza per ogni punteggio critico produce rumore ed eccezioni frequenti. Un modello contestuale può distinguere un percorso esposto e sfruttabile da una debolezza protetta da diversi controlli.

I CISO hanno inoltre bisogno di un processo di emergenza preautorizzato. Questo processo dovrebbe identificare chi può isolare un workload, revocare una credenziale, bloccare un dominio o disabilitare un’integrazione. Dovrebbe specificare le prove richieste per ciascuna azione.

Queste decisioni non possono essere improvvisate durante un incidente in rapida evoluzione. Le esercitazioni tabletop dovrebbero verificare se l’organizzazione è in grado di agire quando le sue prove provengono da un sistema automatizzato. L’esercitazione dovrebbe includere falsi positivi e informazioni incomplete.

L’AI dovrebbe entrare nel flusso di lavoro solo dopo che queste fondamenta sono state create. Le applicazioni difensive utili includono revisione del codice, correlazione delle vulnerabilità, arricchimento degli avvisi, analisi del phishing, test dei percorsi d’attacco e sintesi degli incidenti.

Ogni utilizzo richiede una valutazione. I team dovrebbero misurare falsi positivi, rilevamenti mancati, tempo risparmiato dagli analisti e conseguenze di un’azione errata. Un modello che produce più avvisi senza migliorare le decisioni aggiunge carico anziché protezione.

I centri operativi di sicurezza dovrebbero conservare tracce delle prove alla base delle raccomandazioni dell’AI. Gli analisti devono sapere quali dati telemetrici, ipotesi e strumenti hanno prodotto una conclusione. Questo registro supporta la revisione degli incidenti e rivela dove l’automazione ha fallito.

Anche il contesto sensibile necessita di protezione. Un modello utilizzato per le indagini può ricevere codice sorgente, credenziali, record dei clienti o dati della rete interna. I CISO devono comprendere dove vanno tali informazioni e per quanto tempo i provider le conservano.

Gli agenti autonomi creano rischi aggiuntivi perché possono usare strumenti. Un agente autorizzato a interrogare i log è diverso da uno che può disabilitare account o modificare le regole del firewall. Le autorizzazioni dovrebbero corrispondere a compiti specifici e rimanere strettamente circoscritte.

Le organizzazioni possono applicare lo stesso principio usato per gli amministratori umani. Concedere accesso temporaneo, richiedere un’approvazione più forte per azioni a maggiore impatto, registrare l’attività degli strumenti e fornire un modo rapido per revocare l’autorità.

Anche la diversità difensiva è importante. Palo Alto Networks ha affermato che diversi modelli avanzati hanno individuato diverse classi di vulnerabilità. Ciò suggerisce che un solo modello non dovrebbe diventare l’unico giudice della sicurezza di un sistema.

Per le scoperte critiche, i team possono confrontare più strumenti o richiedere una convalida indipendente. La revisione umana resta particolarmente importante quando una raccomandazione potrebbe interrompere la produzione, esporre dati sensibili o modificare controlli fondamentali dell’identità.

La continuità della conoscenza merita attenzione durante questa transizione. I team di sicurezza necessitano di registri consultabili di incidenti, eccezioni, decisioni architetturali e responsabilità dei controlli. Una base di conoscenza tecnica strutturata può ridurre il tempo dedicato alla ricostruzione delle decisioni precedenti.

Questa documentazione non sostituisce la telemetria. Aiuta chi risponde agli incidenti a capire perché esiste un sistema, quali dipendenze contano e chi può autorizzare una modifica. Queste risposte spesso determinano se un’organizzazione contiene un incidente in pochi minuti o perde ore a cercare il contesto.

Infine, i CISO dovrebbero presentare la questione ai consigli di amministrazione come un disallineamento operativo, non come una minaccia AI astratta. Le metriche principali sono comprensibili: esposizione esterna, latenza nell’applicazione delle patch, tempo di contenimento, accesso privilegiato e prestazioni di ripristino.

Una richiesta formulata attorno a una correzione più rapida e a un raggio d’impatto minore è più facile da valutare rispetto a una richiesta di “investire nella sicurezza AI”. Protegge inoltre l’organizzazione nel caso in cui le previsioni più drammatiche si rivelino errate.

Cosa non dimostra il titolo di Google News

L’avvertimento giustifica una preparazione più rapida, ma non dimostra che gli attaccanti autonomi possano già sconfiggere a piacimento difese mature.

Il titolo di Google News usa “superare i sistemi di cybersecurity” come formulazione ampia. Questa espressione rischia di trattare la cybersecurity come un unico stack tecnologico statico. Nella pratica, la difesa include architettura, qualità del software, controlli di identità, personale, intelligence, autorità legale e pianificazione del ripristino.

I progressi dell’AI influenzeranno questi livelli in modo disomogeneo. La ricerca delle vulnerabilità e i contenuti di phishing beneficiano già dell’automazione. La persistenza in ambienti segmentati, il movimento laterale discreto e la manipolazione affidabile di sistemi industriali non familiari restano problemi più difficili.

I risultati pubblici più impressionanti provengono inoltre da organizzazioni con accesso privilegiato a modelli avanzati e team di esperti. La loro esperienza non dimostra che un criminale privo di competenze possa riprodurre le stesse prestazioni usando un chatbot pubblico.

Palo Alto Networks ha avuto bisogno di un harness progettato appositamente e di un ampio coinvolgimento dei ricercatori. Il suo tasso di falsi positivi di circa il 30 percento creerebbe un notevole lavoro di convalida su scala aziendale.

I risultati di AISI comportano una limitazione altrettanto importante. Il suo orizzonte temporale è una misura di benchmark, non una previsione di attacchi riusciti contro ogni rete reale. L’istituto ha affermato che le sue prove non determinavano quando i modelli avrebbero raggiunto una particolare soglia di capacità.

Questa incertezza dovrebbe orientare gli acquisti. I fornitori useranno la finestra di minaccia per commercializzare difese autonome, piattaforme di sicurezza agentiche e operazioni AI-native. Alcuni prodotti offriranno valore misurabile, mentre altri riconfezioneranno l’automazione esistente dietro un’interfaccia conversazionale.

I CISO dovrebbero richiedere evidenze di prestazione legate al proprio ambiente. Un progetto pilota utile chiede se il sistema riduce il tempo di indagine, identifica percorsi sfruttabili o contiene attività senza interruzioni inaccettabili.

Le affermazioni basate soltanto sull’accuratezza dei benchmark offrono troppo poche informazioni operative. Gli acquirenti devono sapere come un sistema si comporta con log incompleti, infrastrutture insolite, input avversari ed evidenze contrastanti.

L’inquadramento AI contro AI introduce un’altra preoccupazione. Un agente difensivo può muoversi alla velocità delle macchine, ma lo stesso può fare un agente compromesso o manipolato. Il prompt injection può tentare di influenzare sistemi che elaborano testo non affidabile o output di strumenti.

Un attaccante potrebbe inserire istruzioni in un documento, ticket di supporto, repository sorgente o pagina web che un agente esamina in seguito. I progetti sicuri devono separare i contenuti non affidabili dalle policy e limitare quali strumenti un modello può invocare.

Il rischio strategico consiste nel sostituire la latenza umana con un’autorità delle macchine non controllata. Un agente che blocca il servizio sbagliato può causare l’interruzione desiderata da un attaccante. Uno che accetta una falsa spiegazione può sopprimere un avviso autentico.

Ciò non significa che le organizzazioni debbano rifiutare la risposta automatizzata. Significa che l’autonomia deve essere limitata in base a impatto, confidenza e reversibilità. Mettere in quarantena un endpoint è diverso dal disabilitare un provider di identità aziendale.

Anche il precedente storico invita a non adottare una previsione binaria. Kit di exploit automatizzati, worm, scanner cloud e piattaforme ransomware hanno ciascuno abbassato le barriere per gli attaccanti. I difensori si sono adattati con nuovi controlli, impostazioni predefinite migliori e coordinamento più rapido, sebbene mai perfettamente.

Gli incidenti WannaCry e NotPetya del 2017 hanno dimostrato come un exploit divulgato potesse scalare attraverso sistemi senza patch. I loro danni derivavano da una combinazione di capacità tecnica e debolezza operativa accumulata.

L’AI cambia la velocità e la disponibilità di capacità simili. Non annulla il valore della segmentazione, dei backup, del controllo degli accessi, dello sviluppo sicuro o del ripristino testato. Questi controlli diventano più importanti man mano che si riduce il tempo disponibile per l’improvvisazione.

La posizione scettica corretta non è quindi né il rifiuto né il panico. Le prove pubbliche supportano un rapido miglioramento in attività cyber selezionate. Non supportano una data precisa per il collasso della cybersecurity nel suo complesso.

Tre segnali indicheranno se l’avvertimento era corretto

I prossimi mesi dovrebbero essere valutati attraverso l’accesso alle capacità, la velocità di sfruttamento e i risultati operativi della difesa.

Il primo segnale è un accesso più ampio a modelli cyber specializzati. I risultati più forti riportati oggi coinvolgono partner selezionati, istituti di ricerca e fornitori di sicurezza. Il rischio cambia quando capacità comparabili appaiono in servizi pubblici, modelli scaricabili o mercati criminali.

Il solo accesso non è sufficiente. Gli osservatori dovrebbero monitorare se operatori meno esperti riescono a riprodurre una scoperta di vulnerabilità a livello esperto senza infrastrutture personalizzate. Se possono farlo, l’avvertimento diventa sostanzialmente più forte.

Se l’uso efficace continua a richiedere costose risorse di calcolo, contesto curato e ricercatori esperti, la minaccia immediata rimane concentrata. Ciò indebolirebbe l’interpretazione più drammatica senza eliminare la pressione a lungo termine.

Il secondo segnale è il tempo che intercorre tra la divulgazione di una vulnerabilità e il suo sfruttamento. I team di sicurezza monitorano già le vulnerabilità note sfruttate e l’attività di attacco dopo i principali aggiornamenti dei fornitori.

Un passaggio persistente dalla creazione di exploit in più giorni allo sfruttamento nello stesso giorno dimostrerebbe che l’automazione sta cambiando il ritmo operativo. I difensori avrebbero bisogno di un contenimento più preautorizzato e di controlli più forti sui sistemi esposti.

Un singolo incidente non stabilirebbe la tendenza. Gli attaccanti sfruttano già rapidamente alcune vulnerabilità divulgate, in particolare quando esiste codice proof-of-concept pubblico. Il cambiamento significativo sarebbe uno sfruttamento ripetuto di difetti precedentemente considerati difficili da trasformare in armi.

Il terzo segnale è se l’AI difensiva migliora i risultati reali di risposta. Le organizzazioni dovrebbero riportare tempi di indagine più brevi, una priorità più rapida nell’applicazione delle patch, meno intrusioni riuscite o un minore impatto degli incidenti.

Il volume degli avvisi non è una misura utile del successo. Non lo è nemmeno il numero di vulnerabilità individuate dai modelli senza informazioni su convalida e correzione.

Un solido risultato difensivo dimostrerebbe che l’assistenza alla velocità delle macchine favorisce entrambe le parti. Metterebbe inoltre in discussione l’assunto secondo cui l’offensiva debba mantenere un vantaggio duraturo.

Un risultato debole apparirebbe diverso. Le aziende aggiungerebbero strumenti AI mentre arretrati nelle patch, asset esposti e tempi di contenimento resterebbero invariati. I team di sicurezza elaborerebbero più risultati senza ottenere l’autorità o la capacità di agire.

I CISO dovrebbero riesaminare questi tre segnali ogni mese. Dovrebbero confrontare i cambiamenti nelle capacità esterne con le proprie metriche operative e adeguare di conseguenza le priorità.

L’azione immediata è semplice: misurare il tempo che intercorre tra la scoperta e il contenimento per i sistemi più importanti. Quindi individuare ogni approvazione, lacuna di responsabilità e dipendenza tecnica che prolunga tale intervallo.

La notizia su Google News non dovrebbe diventare un motivo per inseguire una strategia di sicurezza AI non definita. Dovrebbe invece sollevare una domanda più concreta: se gli attaccanti comprimono una settimana di lavoro in un’ora, quale parte del vostro processo difensivo cede per prima?

Rispondete a questa domanda con un’esercitazione dal vivo, non con una presentazione. Testate un’applicazione esposta, convalidate il percorso di attacco, attivate il processo di emergenza e registrate quanto tempo richiede il contenimento. La cronologia risultante dirà a un CISO più di qualsiasi conto alla rovescia generalizzato.