L’attacco con agenti AI di Gambit mostra che il cybercrimine è entrato nell’era dell’automazione

L’indagine di Gambit sull’attacco con agenti AI ha individuato almeno 27 aziende compromesse, oltre 600.000 dati di pagamento sottratti e costi d’intrusione medi di 25,46 dollari per scansione.

Il presunto operatore non si è affidato a un unico modello particolarmente capace. Ha invece suddiviso il lavoro tra tre agenti AI open source, assegnando loro ricognizione, sfruttamento delle vulnerabilità e gestione della campagna. Questa configurazione ha trasformato una raccolta di strumenti di sicurezza esistenti in un’operazione d’attacco pressoché continua.

Secondo quanto riferito, tra le organizzazioni colpite figuravano un’azienda Fortune 500 del settore alberghiero, una grande compagnia aerea statunitense, un fornitore industriale e un rivenditore online di moda. Gambit non ha identificato pubblicamente le aziende. Le sue conclusioni restano una valutazione preliminare basata su un server di staging recuperato, web skimmer verificati, dati rubati e log degli agenti.

Il conflitto non è più semplicemente tra difensori umani e attaccanti umani dotati di software migliori. I difensori operano attraverso code di approvazione e finestre di manutenzione, mentre sistemi automatizzati possono sondare, ritentare e cambiare tattica per ore.

L’attacco con agenti AI di Gambit ha raggiunto 27 aziende in sei giorni

Il cambiamento importante non è che un attaccante abbia consultato un modello AI. Secondo quanto riferito, tre agenti hanno eseguito gran parte della catena d’attacco con una limitata supervisione umana.

Gambit Security ha dichiarato di aver recuperato il server di staging dell’operatore e ricostruito attività risalenti a luglio 2026. In un periodo di sei giorni, dal 10 al 15 settembre, il server ha avviato 105 progetti d’attacco.

Almeno 27 aziende sono state compromesse in varia misura nel corso della campagna più ampia. Secondo il rapporto tecnico preliminare di Gambit, l’operatore ha preso di mira anche centinaia di rivenditori online e altre imprese.

Gli effetti segnalati sono andati ben oltre le scansioni delle vulnerabilità. Gambit ha trovato prove di accesso amministrativo non autorizzato, credenziali cloud rubate, accesso a database, furto di carte di pagamento e codice malevolo inserito nelle pagine di checkout.

Da due aziende sono stati sottratti oltre 600.000 dati di carte di pagamento non scadute. Dei dati analizzati dallo specialista antifrode di Gambit, 488.372 erano stati emessi negli Stati Uniti.

L’attaccante ha ordinato l’installazione di skimmer di pagamento contro almeno 27 vittime nominate. Gambit ha inizialmente confermato script malevoli su 19 siti web, mentre un altro ricercatore ha associato alla campagna oltre 100 ulteriori siti infetti.

Un web skimmer è codice JavaScript che cattura le informazioni di pagamento immesse in una pagina di checkout. Può operare silenziosamente perché i clienti continuano a vedere un negozio funzionante e possono completare normalmente gli acquisti.

Gli script sembrano essere stati distribuiti attraverso diversi percorsi. In alcuni casi, l’agente ha aggiunto un loader a una libreria JavaScript esistente e ripristinato il timestamp originale. Questo passaggio rendeva la modifica meno evidente durante una revisione superficiale.

Un’altra iniezione era nascosta in un blocco tag Google legittimo. Presso un rivenditore di prodotti di bellezza, l’accesso AWS compromesso ha consentito all’attaccante di alterare contenuti distribuiti tramite la stessa infrastruttura cloud dell’azienda.

In un’azienda di stampa on demand, il codice malevolo sarebbe entrato in produzione attraverso un Kubernetes init container. Nell’azienda alberghiera, l’attaccante lo ha inserito nel modello di pagina memorizzato nella cache utilizzato per generare i contenuti di checkout.

Un rivenditore sostituiva ripetutamente il file di checkout alterato durante i deploy dell’applicazione. L’operatore ha risposto installando un’attività pianificata che controllava il file ogni due minuti e ripristinava lo skimmer quando necessario.

Questa persistenza illustra ciò che rende l’automazione degli attacchi informatici tramite AI significativa sul piano operativo. Un essere umano non deve ricordare ogni obiettivo, tornare su ogni modifica fallita o ispezionare manualmente ogni nuova risposta.

Gli agenti possono continuare a operare mentre l’operatore gestisce un’altra vittima. Possono inoltre conservare istruzioni, report, credenziali e risultati precedenti in uno spazio di lavoro della campagna.

Gambit ha affermato che un accesso riuscito richiedeva generalmente meno di un giorno e talvolta solo poche ore. Il resoconto pubblicato da The Register ha descritto l’operazione come rivolta contro una grande compagnia aerea e più di 25 altre organizzazioni.

Questa distinzione conta. Non si trattava di un benchmark di laboratorio in cui un agente attaccava un’applicazione intenzionalmente vulnerabile. I ricercatori hanno segnalato compromissioni reali e perdite misurabili in aziende operative.

Tre agenti AI open source hanno suddiviso la catena d’attacco

Strix individuava i punti d’ingresso, Cairn otteneva l’accesso e Hermes coordinava la campagna, creando una pipeline automatizzata dalla selezione del bersaglio all’impatto.

Il primo componente era Strix, uno strumento open source di penetration testing basato sull’AI. Tra il 23 e il 31 agosto, l’operatore lo ha eseguito 146 volte in modalità di scansione approfondita contro 138 host.

Questi lavori hanno consumato 633 ore di scanner in 195 ore di tempo trascorso. L’esecuzione parallela spiega la differenza. L’operatore poteva condurre più indagini contemporaneamente invece di attendere il completamento di una singola valutazione.

Strix utilizzava GLM 5.2 e successivamente DeepSeek v4 Pro tramite OpenRouter, un servizio che fornisce accesso a modelli di sviluppatori diversi. I suoi report fornivano potenziali debolezze per l’agente successivo.

Cairn riceveva un dominio bersaglio e un obiettivo orientato al risultato. Tali obiettivi includevano l’ottenimento di accesso amministrativo o di una shell, che offre a un attaccante il controllo da riga di comando su un server.

L’agente sondava quindi il bersaglio finché non raggiungeva l’obiettivo, andava in timeout o veniva fermato. Gambit ha dichiarato che Cairn ha utilizzato DeepSeek v4.1 Flash durante gli attacchi osservati.

Hermes si collocava al di sopra di questi sistemi come console della campagna e orchestratore dell’operatore. Gestiva i lavori, esaminava i risultati, archiviava le sessioni precedenti e forniva assistenza tattica dopo l’ottenimento dell’accesso.

L’operatore ha fornito a Hermes una persona di sistema in lingua cinese chiamata “SOUL - Red Team Operator.” L’ambiente conteneva 121 skill, di cui 78 progettate per gli attacchi.

Una skill era pensata per rimuovere le restrizioni di sicurezza dei contenuti da Hermes stesso. Questa configurazione mostra perché le protezioni dei modelli non possono essere valutate separatamente dal software che li circonda.

Secondo quanto riferito, Hermes ha eseguito Claude Opus 4.6 di Anthropic dopo che modelli più recenti avevano rifiutato le richieste dell’operatore. L’essere umano ha inserito 1.951 prompt in lingua cinese in 260 sessioni.

Molte istruzioni erano estremamente brevi. L’operatore chiedeva all’agente di leggere un report sulle vulnerabilità, indagare una funzione di upload, testare una password, cercare l’esecuzione di codice, entrare in un pannello amministrativo o cancellare le tracce.

Non si trattava di procedure complete passo dopo passo. Erano obiettivi affidati a software in grado di ispezionare i risultati, scegliere strumenti e continuare ad agire.

Una catena documentata è iniziata con una vulnerabilità di SQL injection non autenticata. L’SQL injection manipola una query del database attraverso input non affidabili, esponendo o modificando potenzialmente informazioni.

Secondo quanto riferito, l’agente ha estratto da una tabella del database una password monouso in chiaro e l’ha usata per aggirare l’autenticazione multifattore. È quindi entrato in un pannello amministrativo e ha caricato un file che abilitava l’esecuzione remota di codice.

Una regola sudo configurata in modo errato ha consentito all’agente di passare da un accesso limitato al controllo root. Da lì, ha montato una condivisione file interna e recuperato le credenziali di un database WordPress.

L’agente ha creato un account amministratore, caricato un plugin e ottenuto l’esecuzione di codice su un altro host. Ha quindi avuto accesso ad AWS Secrets Manager ed estratto 46 segreti per un totale di 102KB.

Questi segreti hanno aperto una strada verso un database Magento contenente informazioni di pagamento crittografate. L’attaccante ha inoltre acquisito la chiave di cifratura e avrebbe verificato che i numeri delle carte memorizzati potevano essere decrittati.

Nessuna di queste tecniche è senza precedenti. I team di sicurezza affrontano da anni SQL injection, upload non sicuri, credenziali esposte, regole di privilegio deboli e accessi cloud eccessivamente ampi.

Il cambiamento risiede nel modo in cui le tecniche sono state assemblate. Gli agenti AI open source hanno interpretato i risultati intermedi e selezionato l’azione successiva senza attendere che un essere umano scrivesse ogni comando.

Questo rende l’infrastruttura di supporto più importante di qualsiasi singolo modello. Il sistema ha unito diverse debolezze comuni in una sequenza lunga e adattiva.

L’automazione a basso costo cambia l’economia del cybercrimine

Il costo segnalato della campagna ha trasformato il lavoro d’intrusione persistente e multistadio in qualcosa che poteva essere ripetuto su centinaia di bersagli.

Uno snapshot dell’account OpenRouter del 25 agosto mostrava una spesa di 7.005,71 dollari nelle quattro settimane precedenti. Gambit ha stimato che l’intera campagna sia costata tra 12.000 e 18.000 dollari dopo altre tre settimane di attività più intensa.

La valutazione dell’operatore ha calcolato un costo medio dei modelli di 25,46 dollari su 101 scansioni completate. La scansione meno costosa è costata 3,13 dollari, mentre la più costosa ha raggiunto 79,31 dollari.

Questi importi non rappresentano le spese operative totali dell’attaccante. Anche infrastruttura, proxy, credenziali acquisite, tempo di sviluppo e lavoro dell’operatore comportano costi.

Le cifre mostrano comunque perché la campagna è importante. L’uso dei modelli era sufficientemente economico da sostenere test approfonditi e ripetuti contro bersagli che potrebbero non giustificare mai l’attenzione di un team specializzato.

Il cybercrimine tradizionale utilizza già l’automazione per credential stuffing, distribuzione di phishing, diffusione di malware e ampie scansioni delle vulnerabilità. Questi sistemi seguono solitamente regole relativamente fisse.

Questa campagna avrebbe aggiunto un processo decisionale adattivo dopo che una scansione aveva individuato qualcosa di interessante. Gli agenti potevano interpretare una risposta insolita, tentare un’altra strada e collegare gli accessi tra applicazioni e servizi cloud.

Anthropic è giunta a una conclusione correlata dopo aver studiato 832 account dannosi. I suoi ricercatori hanno rilevato che gli attaccanti utilizzano sempre più l’AI nelle complesse fasi successive alla compromissione, non solo per il lavoro preparatorio.

L’azienda ha inoltre sostenuto che l’architettura circostante separa sempre più gli operatori a rischio più elevato da quelli a rischio minore. Un agente diventa più pericoloso quando i suoi strumenti e il suo flusso di lavoro gli consentono di concatenare azioni con un intervento minimo.

Questo schema è visibile qui. L’operatore non aveva bisogno di un unico modello capace di padroneggiare ogni fase. Strix, Cairn e Hermes gestivano ciascuno un ruolo più ristretto e trasferivano in avanti contesto utile.

Questa divisione ricorda un piccolo team di sicurezza. Un sistema identifica l’esposizione, un altro verifica se può essere trasformata in accesso e un terzo coordina le decisioni tra i bersagli.

La differenza cruciale è la concorrenza. Un team umano ha orari di lavoro, costi di comunicazione, stanchezza e un numero limitato di indagini attive. Il software può mantenere molte sessioni in modo continuo.

Anche la selezione dei bersagli favoriva la scala. Gambit ha dichiarato che l’operatore ha copiato 301 siti da un servizio di classificazione del traffico dopo aver filtrato per siti di shopping dotati di software commerciale personalizzato.

L’apparente presupposto era che le applicazioni personalizzate contenessero errori più sfruttabili rispetto alle piattaforme ospitate e ampiamente mantenute. Ogni sito selezionato poteva quindi ricevere ricognizione automatizzata a un costo marginale relativamente basso.

Questo approccio mette sotto pressione le aziende di medie dimensioni tanto quanto i marchi famosi. Gli attaccanti non hanno bisogno di sapere in anticipo che uno specifico rivenditore è vulnerabile quando possono testarne a basso costo centinaia.

Anche l’economia indebolisce il valore di sicurezza dell’oscurità. Un’azienda con ricavi modesti o scarsa visibilità pubblica può comunque finire in una coda di bersagli, perché esaminarla costa così poco.

I team di sicurezza si trovano quindi davanti a un problema di volume. Un controllo non deve fallire spesso se l’attaccante può testare abbastanza applicazioni, credenziali e percorsi di configurazione.

L’attacco con agenti AI Gambit suggerisce che la persistenza autonoma, più che una clamorosa vulnerabilità zero-day, possa produrre risultati gravi. Gli agenti hanno continuato a cercare finché errori ordinari non hanno formato un percorso praticabile.

Il vero conflitto è tra il ritmo delle macchine e la capacità di ripresa umana

Lo sfruttamento più rapido conta, ma il problema più acuto è che molte organizzazioni non riescono a ripristinare i servizi critici con la stessa rapidità con cui gli agenti possono comprometterli.

Gambit ha affermato che alcune compromissioni sono avvenute nell’arco di poche ore. La maggior parte dei processi aziendali di remediation dipende ancora da code di ticket, verifiche di responsabilità, approvazioni delle modifiche, finestre di manutenzione e coordinamento tra diversi fornitori.

Queste procedure esistono per ragioni legittime. Modifiche in produzione non sottoposte a revisione possono causare interruzioni, corrompere record o interferire con sistemi regolamentati.

Gli attaccanti non condividono questi vincoli. Un agente può provare subito un altro endpoint, ripercorrere un percorso fallito o avviare un’attività parallela contro infrastrutture correlate.

Questo crea un orologio asimmetrico. L’attaccante misura i progressi in chiamate al modello ed esecuzioni di strumenti, mentre il difensore li misura in riunioni, escalation e modifiche approvate.

Applicare patch resta necessario, ma la campagna mostra perché la velocità di patching non può essere l’unica metrica. Diversi percorsi d’attacco segnalati dipendevano da errori di configurazione e dall’esposizione di credenziali dopo l’accesso iniziale.

Le organizzazioni devono anche sapere cosa può raggiungere un attaccante da ciascun servizio compromesso. Un’applicazione web vulnerabile non dovrebbe offrire automaticamente un percorso verso segreti cloud, database di produzione, file system interni e controlli di distribuzione.

La segmentazione limita questi movimenti. Credenziali a breve durata, autorizzazioni strettamente circoscritte e una separazione applicata tra sistemi di produzione riducono ciò che un agente può ottenere dopo un singolo passo riuscito.

L’integrità del checkout richiede ulteriore attenzione. I team dovrebbero monitorare JavaScript distribuito, modifiche alle content-security policy, configurazioni dei tag manager, attività pianificate, cache delle pagine, object storage e manifest di deployment.

Un dominio legittimo non garantisce contenuti legittimi. In un caso segnalato, permessi cloud rubati hanno consentito il caricamento dello script dannoso tramite infrastruttura controllata dalla vittima.

La pianificazione del ripristino deve considerare anche errori distruttivi. Il playbook dell’operatore avrebbe istruito un agente a cancellare dati di pagamento dopo l’estrazione.

Presso un rivenditore di biciclette, l’agente ha creato tabelle di staging con un particolare prefisso. La sua operazione di pulizia ha poi eliminato 180 tabelle corrispondenti a quel prefisso o alla parola “Backup”.

Quella corrispondenza ampia ha coinvolto tabelle di backup create dagli amministratori della vittima. Il danno non era necessariamente l’obiettivo primario, ma è derivato naturalmente dall’esecuzione autonoma e da una regola di pulizia non sicura.

Questa è la versione offensiva di ciò che l’Open Worldwide Application Security Project definisce excessive agency. Il termine descrive danni resi possibili da funzionalità, autorizzazioni o autonomia eccessive.

In questo caso, gli agenti appartenevano all’attaccante. La lezione difensiva resta valida perché gli strumenti autonomi possono interpretare erroneamente l’ambito pur disponendo di accesso distruttivo.

Una strategia di backup deve quindi proteggere le copie di ripristino dalle credenziali disponibili alle applicazioni di produzione. Altrimenti, un’intrusione o una pulizia errata può eliminare sia i record attivi sia il percorso più rapido per recuperarli.

Le organizzazioni dovrebbero identificare la propria operatività aziendale minima prima di un incidente. Per un rivenditore, ciò può includere accesso al catalogo, checkout, elaborazione degli ordini, instradamento dei pagamenti, aggiornamenti dell’inventario e assistenza clienti.

Ogni dipendenza necessita di un obiettivo di ripristino testato. Ripristinare soltanto un database non ripristina l’attività se i segreti dell’applicazione, i sistemi di deployment, il DNS o le integrazioni di pagamento rimangono compromessi.

L’approvazione umana resta utile per decisioni ad alto impatto, ma non può compensare l’assenza di confini tecnici. I revisori sono meno efficaci quando una sola approvazione sblocca un accesso ampio e persistente.

La risposta deve combinare automazione e contenimento. Rilevamento, revoca delle credenziali, isolamento dei carichi di lavoro e ripristino devono operare a una velocità più vicina a quella dell’attaccante.

Le affermazioni importanti richiedono ancora una verifica indipendente

Gambit ha fornito prove insolitamente dettagliate, ma il suo rapporto non risolve in modo indipendente ogni conteggio delle vittime, questione di attribuzione o affermazione generata dagli agenti.

L’azienda ha descritto la pubblicazione del 22 settembre come un rapporto provvisorio. Le sue conclusioni si basavano su informazioni e strumenti rubati trovati sul server di staging, skimmer attivi, registri di scansioni esterne, log di sfruttamento e report degli stessi agenti.

Questi tipi di prova non hanno tutti lo stesso peso. Uno script dannoso attivo e un dataset estratto offrono prove più solide rispetto a un agente che dichiara il successo di uno sfruttamento.

Gambit ha riconosciuto che i report generati dall’AI possono contenere errori. Ha affermato che parti sostanziali erano state verificate tramite prove dirette, aumentando la fiducia nei log correlati che i ricercatori non potevano confermare in modo indipendente.

Il rapporto ha inoltre avvertito che la scala della campagna e il dataset incompleto potevano generare imprecisioni. Cinquantasette dei 105 progetti Cairn avviati nella finestra di sei giorni erano stati eliminati e non erano disponibili per un’analisi dettagliata.

Le prove pubbliche non identificano l’azienda Fortune 500 del settore alberghiero né la compagnia aerea. Questo protegge le vittime durante la remediation, ma impedisce agli esterni di confermare l’esatta portata dell’accesso.

“Compromessi in misura variabile” può comprendere esiti molto diversi. Una vittima può aver esposto credenziali amministrative, mentre un’altra può aver subito furto di pagamenti o una manipolazione persistente del checkout.

Anche i dettagli su modelli e framework provengono dall’ambiente recuperato. I lettori pubblici non possono riprodurre in modo indipendente l’esatta configurazione, i prompt, le autorizzazioni degli strumenti o il comportamento di instradamento descritti da Gambit.

L’attribuzione resta limitata a un operatore finanziariamente motivato e di lingua cinese. La lingua non prova né la nazionalità né la posizione fisica, e gli attaccanti esperti possono creare deliberatamente segnali fuorvianti.

Il rapporto non dovrebbe essere letto come prova che il software open source sia intrinsecamente responsabile dei crimini. I framework per penetration testing servono difensori legittimi, ricercatori e team autorizzati di valutazione.

Lo stesso problema del duplice uso si applica ai modelli di frontiera. Il resoconto di Anthropic su una precedente campagna di spionaggio affermava che i suoi sistemi occasionalmente allucinavano credenziali o sovrastimavano ciò che avevano ottenuto.

Questa limitazione agisce in entrambe le direzioni. Riduce l’affidabilità degli attacchi completamente autonomi, ma può anche creare danni collaterali quando un agente agisce sulla base di un presupposto errato.

I rifiuti dei modelli non hanno posto fine alla campagna Gambit osservata. L’operatore avrebbe cambiato versioni dei modelli, personalizzato l’ambiente dell’agente e installato una skill pensata per rimuovere i controlli sui contenuti.

Le salvaguardie dei provider creano comunque attrito e possono esporre schemi di abuso. Tuttavia, una campagna assemblata tra framework aperti e un servizio di routing multi-modello può cambiare componenti quando un percorso smette di funzionare.

La conclusione corretta è più circoscritta di “l’AI può hackerare qualsiasi azienda”. Il rapporto indica che un operatore ha usato framework di agenti per sfruttare un gruppo significativo di organizzazioni ad alta velocità e con bassi costi di modello.

Non stabilisce il tasso di successo su tutti i bersagli sottoposti a scansione. Né dimostra che lo stesso flusso di lavoro aggirerebbe sistemi ben segmentati con controlli d’identità robusti e ripristino testato.

Questa incertezza dovrebbe orientare le priorità difensive, non giustificare ritardi. I team di sicurezza possono agire sulle tecniche documentate senza presumere che ogni dettaglio segnalato sia definitivo.

Cosa dovrebbero monitorare i team di sicurezza

Il prossimo test è capire se questa campagna si espanderà, se i provider di modelli ne interromperanno l’infrastruttura e se le vittime riusciranno a ridurre i tempi di ripristino al di sotto del ciclo d’attacco degli agenti.

Il primo segnale è la prosecuzione dell’attività degli skimmer collegata all’infrastruttura pubblicata. Gambit ha diffuso indirizzi dei server di comando, domini degli skimmer, servizi proxy e pattern caratteristici degli script per i difensori.

I team di sicurezza dovrebbero cercare nei record storici oltre che nei sistemi correnti. Un dominio oggi pulito potrebbe aver distribuito codice dannoso per il checkout prima della notifica o della remediation.

Gli investigatori dovrebbero inoltre confrontare cronologie dei file, modifiche all’object storage, configurazioni dei tag, modifiche ai database, job pianificati e record di deployment. La rimozione di uno skimmer non dimostra che il percorso di accesso originario sia stato chiuso.

Se i ricercatori identificano molti più negozi correlati, la scala dimostrata della campagna aumenterà. Se l’infrastruttura nota scompare senza essere sostituita, gli sforzi di disruption potrebbero aver limitato l’operazione attuale.

Il secondo segnale riguarda le azioni dei provider di modelli e routing. Gambit ha riferito che i modelli più recenti rifiutavano alcune richieste, ma che l’operatore ha continuato a usare un modello Anthropic precedente e diversi modelli cinesi.

Sospensioni degli account, classificatori migliorati, condivisione di indicatori tra provider e limiti all’uso sospetto e ad alto volume degli strumenti possono aumentare i costi. Il loro effetto dipenderà dalla possibilità per gli attaccanti di passare a modelli locali o nuovi account.

I provider affrontano inoltre un difficile problema di classificazione. Il penetration testing autorizzato e lo sfruttamento criminale possono produrre prompt, comandi e comportamenti di rete simili.

Un blocco semplicistico delle attività di sicurezza danneggerebbe i ricercatori legittimi. Controlli efficaci devono considerare autorizzazione, scala, diversità dei bersagli, movimento dei dati, accesso agli strumenti e azioni ripetute dopo la compromissione.

Il terzo segnale è il modo in cui le imprese modificano le esercitazioni di ripristino. I team dovrebbero misurare il tempo necessario per isolare un’applicazione esposta, revocare i suoi segreti, sostituire i carichi di lavoro coinvolti, convalidare il contenuto del checkout e riprendere le transazioni.

Questa esercitazione dovrebbe presumere che l’attaccante abbia già trovato credenziali connesse. Dovrebbe inoltre presumere che alcuni backup o sistemi di staging siano stati alterati.

Un test di ripristino che dipende dallo stesso sistema d’identità, archivio di segreti o piano di controllo del deployment della produzione può offrire una falsa sicurezza. Percorsi di accesso indipendenti e copie di ripristino immutabili diventano più importanti sotto la pressione degli agenti.

I difensori dovrebbero anche monitorare se gli agenti AI open source iniziano a condividere skill d’attacco standardizzate. Le skill riutilizzabili possono trasformare la tecnica riuscita di un operatore in un componente ripetibile per altri.

L’attacco con agenti AI Gambit non dipendeva da un misterioso nuovo exploit. Avrebbe combinato debolezze comuni, ampio accesso agli strumenti, chiamate al modello economiche ed esecuzione instancabile.

Questa combinazione è l’avvertimento. Le aziende dovrebbero chiedersi se i loro sistemi di rilevamento e ripristino possano operare quando le attività di probing non dormono mai e l’azione successiva non richiede alcuna riunione.

La risposta pratica inizia con un’esercitazione a tempo: scegliere un servizio critico per i ricavi, presumere che le sue credenziali applicative siano state rubate e verificare quanto rapidamente l’organizzazione riesca a isolarlo e ripristinarlo. La risposta rivelerà più di un altro documento di policy.

L’automazione dei cyberattacchi tramite AI ha compresso il lato dell’orologio dell’attaccante. La domanda decisiva è se i difensori riescano ora a comprimere il proprio.