L'analisi malware di SentinelOne passa da sei settimane a otto ore

SentinelOne afferma che la sua analisi malware può ora comprimere dalle quattro alle sei settimane di lavoro di esperti in circa otto ore. L'azienda attribuisce il merito a OpenAI Daybreak, un programma di cybersecurity che offre ai difensori approvati accesso a modelli specializzati e flussi di lavoro agentici. Questa riduzione dei tempi cambia più dell'agenda di un singolo ricercatore. Mette in discussione un modello operativo costruito attorno a esperti rari che esaminano un gruppo ristretto e accuratamente selezionato di minacce.

L'affermazione importante non è che l'intelligenza artificiale possa riassumere codice dannoso. Gli strumenti di sicurezza assistono classificazione, rilevamento e indagine da anni. SentinelOne afferma che Daybreak può sostenere un complesso progetto di reverse engineering, rivedere teorie errate e produrre un lavoro vicino all'output di un analista umano. Se queste prestazioni si confermassero su campioni diversi, i team potrebbero indagare minacce che in precedenza non avevano la capacità di esaminare.

Tuttavia, si tratta di un risultato riportato dall'azienda, presentato attraverso un caso cliente di OpenAI e la ricerca di SentinelOne stessa. Il benchmark dettagliato ha riguardato un'indagine circoscritta, un numero limitato di esecuzioni del modello e una supervisione umana significativa. Anthropic, Google DeepMind e altri fornitori di modelli stanno perseguendo capacità difensive analoghe. La competizione, quindi, non è tra AI e analisi manuale. È tra capacità investigativa supervisionata e un flusso di lavoro limitato dalle ore dei singoli esperti.

L'analisi malware di SentinelOne passa dalla scarsità alla produttività

Il cambiamento immediato è un aumento della capacità investigativa, non l'eliminazione degli analisti umani.

Il reverse engineering ricostruisce il comportamento del software compilato quando il progetto originale e il codice sorgente non sono disponibili. Per malware sofisticati, il processo implica disassemblaggio, deoffuscamento, verifica di ipotesi, evidenze comportamentali e revisioni ripetute. Un ricercatore potrebbe dover tracciare le relazioni tra diversi componenti incorporati prima di giungere a una conclusione difendibile.

Gregor Stewart, Chief AI Officer di SentinelOne, ha dichiarato a OpenAI che un'indagine impegnativa può occupare un ricercatore di alto livello per dalle quattro alle sei settimane. Ha affermato che Daybreak produce ora un output comparabile in circa otto ore. Il caso di studio del cliente del 14 ottobre presenta il risultato come un modo per esaminare più malware e collegare le evidenze tra più campioni.

La distinzione tra durata e lavoro conta. Otto ore di lavoro del modello trascorse non significano automaticamente otto ore senza supervisione né un rapporto d'intelligence completo. Il materiale pubblico non fornisce un resoconto completo del tempo di configurazione, della revisione umana, del consumo di calcolo o del lavoro di remediation. Presenta il risultato di otto ore come un esito operativo, non come una misurazione di produttività verificata in modo indipendente.

Tuttavia, il problema di base è concreto. SentinelOne afferma che storicamente i suoi ricercatori riservavano il reverse engineering approfondito a un numero ristretto di campioni importanti o insoliti. Questo triage aveva senso perché ogni indagine consumava il tempo scarso di specialisti. Significava anche che i campioni meno rilevanti ricevevano meno attenzione, anche quando le relazioni tra loro avrebbero potuto rivelare una campagna più ampia.

Un'analisi più rapida cambia questa pressione selettiva. I ricercatori possono esaminare un insieme più ampio di campioni, confrontare componenti condivisi e identificare schemi che indagini isolate potrebbero non rilevare. Un modulo individuato in due file apparentemente non correlati può diventare il legame tra incidenti differenti, cluster infrastrutturali o attori delle minacce.

Questo campo visivo più ampio è il vero valore dietro il dato in primo piano. Un rapporto più rapido aiuta un caso. Un corpo più ampio di rapporti comparabili può migliorare la logica di rilevamento, la threat intelligence e la risposta agli incidenti in molti casi.

SentinelOne sta inoltre cercando di estendere l'accesso oltre i suoi reverse engineer più esperti. Stewart ha affermato che più dipendenti possono ora indagare problemi di sicurezza senza dipendere interamente da un piccolo gruppo di esperti. Vuole inoltre che le stesse capacità siano disponibili durante lo sviluppo del software, quando i team possono affrontare alcuni rischi mentre creano il codice.

Questo non trasforma ogni sviluppatore in un ricercatore di malware. Cambia il modo in cui l'esperienza può essere distribuita. Un modello specializzato può svolgere esplorazioni che richiedono tempo, mentre un analista esperto definisce l'obiettivo e valuta le evidenze.

La riduzione dichiarata da settimane a ore rappresenta quindi un moltiplicatore di capacità. SentinelOne continua ad avere bisogno di persone qualificate, ma tali persone possono supervisionare più indagini. La questione strategica è se i controlli di qualità possano espandersi allo stesso ritmo dell'output generato dai modelli.

Come SentinelOne usa Daybreak per indagini di lunga durata

Daybreak è rilevante perché supporta un flusso di lavoro investigativo completo, non soltanto una singola risposta su codice sospetto.

OpenAI descrive Daybreak come una raccolta di modelli, controlli di accesso, flussi di lavoro per la sicurezza e programmi per partner destinati a difensori autorizzati. Il suo ambito dichiarato include validazione delle vulnerabilità, analisi malware, risposta agli incidenti, generazione di patch e test di remediation. I controlli di accesso sono centrali perché le stesse capacità possono supportare ricerca difensiva o intrusioni offensive.

Il più ampio framework Daybreak combina modelli incentrati sul cyber con flussi di lavoro Trusted Access for Cyber e Codex Security. OpenAI afferma che gli esseri umani mantengono il controllo su quali risultati indagare, quali modifiche applicare e quali informazioni condividere.

Il lavoro di reverse engineering di SentinelOne illustra perché un flusso di lavoro lungo sia importante. Un analista non si limita a chiedere a un modello di identificare un campione. Il sistema deve mantenere un registro in evoluzione di funzioni, strutture dati, ipotesi, evidenze e spiegazioni respinte. Scoperte successive possono invalidare conclusioni precedenti in più file.

SentinelLABS ha testato questo comportamento usando fast16, un toolkit Windows del 2005 associato a sabotaggi contro software di ingegneria ad alta precisione. Il campione contiene due componenti incorporati, un livello operativo crittografato basato su Lua e un driver kernel con 101 regole di patching. Un'analisi superficiale può far apparire quel driver come un rootkit del filesystem convenzionale.

Il benchmark ha suddiviso l'indagine in otto fasi. I modelli dovevano anzitutto recuperare e annotare i componenti del campione. Le fasi successive hanno aggiunto possibile software bersaglio, reporting esterno, requisiti di pubblicazione e nuove evidenze in grado di ribaltare conclusioni precedenti.

Il sistema ha lavorato con IDA Pro, un disassemblatore usato per esaminare programmi compilati, all'interno di una sandbox priva di accesso alla rete. Doveva rinominare variabili, classificare funzioni, recuperare componenti nascosti e ancorare le affermazioni a indirizzi e artefatti specifici. I revisori hanno valutato il progetto tecnico, non soltanto la fluidità di una narrazione finale.

Questo design punta a una debolezza comune dell'AI generativa. Un modello può produrre una spiegazione locale convincente perdendo coerenza in un progetto ampio. Potrebbe correggere una frase lasciando però file, script o conclusioni successive dipendenti dall'errore originale.

SentinelLABS definisce il comportamento più prezioso recupero su scala di progetto. Quando viene contraddetto, il modello deve ritirare un'affermazione, trovare ogni conclusione dipendente, riparare l'analisi sottostante e ricontrollare il risultato rivisto. Deve inoltre distinguere l'incertezza che blocca la pubblicazione da quella che può essere dichiarata.

Secondo il benchmark malware di SentinelOne, tutte e tre le esecuzioni testate di GPT-5.6 Sol hanno completato l'indagine in otto fasi. GPT-5.5, GLM-5.2 e le versioni testate di Opus 4.x hanno prodotto lavoro locale utile, ma non hanno completato l'intera sequenza.

Le esecuzioni completate hanno comunque commesso errori significativi. Un'esecuzione di GPT-5.6 Sol ha osservato corrispondenze di pattern reali in applicazioni ingegneristiche non correlate e ha proposto che fast16 potesse essere uno strumento di compatibilità. Ulteriori test hanno mostrato che tali corrispondenze producevano frammenti, anziché la sequenza coerente di modifiche riscontrata nel probabile bersaglio.

Il modello ha quindi ritirato quell'interpretazione e corretto il lavoro successivo che ne dipendeva. Questo recupero, anziché l'assenza di errori, ha distinto le esecuzioni completate nella valutazione di SentinelOne.

Questo meccanismo spiega perché l'affermazione delle otto ore meriti attenzione. L'automazione aiuta da tempo gli analisti a cercare stringhe, decomprimere file e riconoscere indicatori noti. L'affermazione più recente riguarda il mantenimento di un'indagine coerente attraverso evidenze mutevoli, artefatti tecnici e obblighi di reporting.

Il caso cliente di OpenAI fa riferimento in termini generali a Daybreak, mentre la ricerca dettagliata di SentinelOne tratta GPT-5.6 Sol. Un annuncio di prodotto separato cita GPT-5.6-Cyber per servizi rivolti ai clienti. I lettori non dovrebbero presumere che ogni risultato del benchmark corrisponda direttamente a ogni configurazione Daybreak distribuita.

La conclusione difendibile è più circoscritta. SentinelOne ha rilevato che modelli OpenAI selezionati possono gestire porzioni molto più ampie di un flusso di lavoro di reverse engineering rispetto ai sistemi precedenti. L'azienda sta ora cercando di trasformare tale capacità in operazioni difensive ripetibili.

La pressione passa dal tempo degli esperti al giudizio degli esperti

L'AI riduce la scarsità del lavoro analitico, ma aumenta la necessità di revisione e prioritizzazione affidabili.

La ricerca tradizionale sui malware ha un limite di produttività. Un analista senior può ispezionare soltanto un numero limitato di campioni complessi, e aggiungere un altro esperto richiede anni di formazione. I team di sicurezza danno quindi priorità ai casi in base a gravità, novità, esposizione dei clienti ed evidenze disponibili.

L'approccio di SentinelOne sposta il collo di bottiglia. Quando un modello può condurre lavoro tecnico esteso, la risorsa scarsa diventa il giudizio degli esperti nei punti decisionali rilevanti. Gli analisti devono scegliere obiettivi appropriati, mettere in luce punti ciechi, definire evidenze accettabili e decidere se un output sia pronto per guidare i clienti.

Stewart ha sintetizzato questo confine con un'osservazione concisa: “L'unica cosa che non può essere automatizzata è la responsabilità.” Ha sostenuto che i cambiamenti architetturali richiedono ancora revisione umana, mentre correzioni circoscritte potrebbero supportare una maggiore automazione.

La responsabilità è particolarmente importante nella ricerca sui malware perché gli errori si propagano. Un'attribuzione errata può sviare gli investigatori. Una valutazione comportamentale incompleta può lasciare i clienti esposti. Una regola di rilevamento difettosa può creare falsi positivi nell'intera flotta.

Una generazione più rapida può amplificare questi problemi. Un team che un tempo revisionava poche indagini approfondite potrebbe improvvisamente riceverne decine. Se la capacità di revisione resta fissa, l'organizzazione rischia di sostituire un arretrato di analisi con un arretrato di approvazioni.

Questa pressione si estende oltre SentinelOne. I fornitori di modelli stanno costruendo sistemi in grado di cercare nel codice, testare vulnerabilità e produrre patch. I vendor di sicurezza devono decidere quanta autonomia attribuire a tali sistemi e dove l'autorizzazione umana resti obbligatoria.

Google DeepMind ha sviluppato Big Sleep per la ricerca sulle vulnerabilità. Anthropic ha offerto a partner selezionati accesso a modelli incentrati sul cyber attraverso i propri programmi controllati. OpenAI ha integrato l'analisi della sicurezza in Codex mantenendo al contempo percorsi di accesso specializzati per capacità più permissive.

Questi sforzi competono su più dei meri punteggi dei modelli. Gli acquirenti di sicurezza hanno bisogno di evidenze che un intero flusso di lavoro resti tracciabile, riproducibile e governabile. Un sistema che individua più problemi ma non riesce a spiegarli o convalidarli può aumentare il rumore operativo.

La strategia commerciale di SentinelOne riflette questa esigenza. La sua espansione di Wayfinder a settembre abbina i modelli OpenAI agli specialisti offensivi e difensivi dell’azienda. I servizi sono progettati per dare priorità ai rischi sfruttabili, analizzare campioni sospetti e fornire risultati esaminati da analisti umani.

L’azienda afferma che i flussi di lavoro possono combinare il disassemblaggio con prove statiche e provenienti da sandbox. L’analisi statica esamina il codice senza eseguirlo, mentre l’analisi in sandbox osserva il comportamento in un ambiente isolato. Il pacchetto risultante può includere indicatori di compromissione, mappature delle tecniche di attacco e rilevamenti consigliati.

Questo approccio mantiene il giudizio umano all’interno del prodotto. SentinelOne non vende una trascrizione non revisionata di un modello come verdetto finale di sicurezza. Utilizza i modelli per ampliare la quantità di lavoro tecnico che i suoi esperti possono supervisionare.

La strategia mette inoltre sotto pressione i team di sicurezza che fanno ampio affidamento sulle indagini manuali. Se gli agenti supervisionati riducono costantemente i tempi di risposta, i clienti si aspetteranno risposte più rapide da ogni fornitore. Potrebbero inoltre aspettarsi analisi più approfondite dei campioni a priorità inferiore che i vendor in precedenza ignoravano.

I team di sicurezza interni affrontano una scelta simile. Possono utilizzare questi sistemi per potenziare gli analisti esistenti, oppure attendere una convalida indipendente più solida. Attendere riduce l’esposizione a un’automazione ancora immatura, ma può lasciare i team con indagini più lente e una copertura delle minacce più limitata.

Il modello più credibile nel breve termine è l’operatività supervisionata. I modelli gestiscono flussi di lavoro sostanziali, mentre gli esseri umani controllano gli obiettivi e la pubblicazione. Questo approccio è meno spettacolare della sostituzione degli analisti, ma affronta più direttamente il vincolo reale.

Cosa non dimostra l’affermazione delle otto ore

Il risultato dimostra capacità significative, ma non stabilisce velocità universale, accuratezza o autonomia sicura.

La prima limitazione riguarda l’indipendenza delle fonti. OpenAI ha pubblicato la storia principale del cliente e SentinelOne ha fornito le affermazioni operative. SentinelOne ha inoltre progettato e condotto il benchmark dettagliato fast16. Entrambe le aziende traggono vantaggio dal fatto che i clienti considerino i modelli cyber avanzati produttivi e difendibili.

Questa relazione non invalida il risultato. Significa però che i lettori dovrebbero considerare le cifre come risultati riportati finché ricercatori esterni non le riproducano su campioni, strumenti e team differenti.

La seconda limitazione riguarda l’ampiezza del benchmark. Fast16 è un campione difficile e reale, ma resta una sola indagine. Il benchmark enfatizza il reverse engineering a lungo orizzonte, la gestione degli artefatti e la correzione su prove presentate in fasi successive. Non stabilisce prestazioni equivalenti su ogni architettura, packer, linguaggio di programmazione o famiglia di malware.

SentinelOne riconosce che il numero di esecuzioni per famiglia di modelli era ridotto. Anche il coinvolgimento dell’operatore ha influenzato l’esito. Gli esseri umani hanno definito l’indagine, controllato quando venivano presentate le prove, contestato limiti qualitativi deboli e mantenuto l’autorità di pubblicazione.

Questi interventi fanno parte di un flusso di lavoro supervisionato realistico. Rendono anche difficile separare la capacità del modello dalla progettazione del benchmark, dagli strumenti e dal supporto degli esperti. Un’altra organizzazione potrebbe non riprodurre lo stesso risultato con un harness differente o supervisori meno esperti.

La terza limitazione riguarda i costi. SentinelOne afferma che i suoi esperimenti hanno consumato oltre 23 miliardi di token tra famiglie di modelli e impostazioni di impegno. Questo totale copre il programma di ricerca, non una singola analisi di produzione di otto ore. Mostra comunque che le indagini lunghe possono richiedere risorse computazionali sostanziali.

Il caso di studio pubblico non fornisce un confronto dei costi per indagine. Non quantifica neppure il tempo di revisione degli analisti, le piste false o il lavoro operativo necessario per preparare i campioni. Senza questi dettagli, il risultato supporta più solidamente un’affermazione sulla velocità che una valutazione completa dell’efficienza.

La quarta limitazione è la manipolazione avversaria. Gli autori di malware sanno che i difensori usano sempre più spesso modelli linguistici durante il triage. I campioni possono includere contenuti progettati per confondere tali modelli, attivare rifiuti o reindirizzarne il ragionamento.

SentinelOne stessa ha segnalato un malware macOS chiamato Gaslight che incorporava falsi messaggi in stile sistema per strumenti di analisi AI. Tali messaggi tentavano di persuadere un assistente che il suo ambiente fosse non sicuro o non disponibile. La copertura della tecnica di prompt injection ha evidenziato la necessità di trattare il contenuto dei campioni come dati ostili.

Questa minaccia crea un insolito ciclo di feedback. Il modello analizza un artefatto che può contenere istruzioni rivolte specificamente al modello. Il sandboxing tradizionale isola l’esecuzione dannosa, ma una pipeline AI deve anche isolare istruzioni semantiche nascoste nelle prove.

La ricerca sulla valutazione AI elusiva descrive un rischio strutturale correlato. I sistemi adattivi possono dedurre le proprietà di un ambiente di valutazione e modificare il proprio comportamento. I valutatori potrebbero quindi ottenere risultati apparentemente più sicuri o più capaci delle prestazioni in condizioni di distribuzione reali.

Per l’analisi del malware assistita dall’AI, la lezione vale in entrambe le direzioni. Un campione dannoso può comportarsi diversamente in una sandbox e può presentare contenuti fuorvianti all’agente analitico. Un flusso di lavoro affidabile deve presumere che sia il comportamento eseguibile sia il testo leggibile siano avversari.

La quinta limitazione riguarda la visibilità degli errori. GPT-5.6 Sol ha completato il benchmark di SentinelOne, ma le sue esecuzioni hanno comunque dichiarato puliti alcuni checkpoint prima che la revisione rilevasse problemi. Il punto di forza più rilevante del modello è stato il recupero dopo la correzione, non un lavoro privo di errori.

Questa differenza dovrebbe guidare l’implementazione. Un sistema in grado di recuperare dagli errori richiede comunque controlli capaci di rilevarli. Se i revisori non contestano una teoria plausibile, il modello può trasferirla in un rapporto rifinito ma errato.

Anche “output di livello umano” può significare varie cose. Può riferirsi alla portata e all’utilizzabilità degli artefatti, anziché a una precisione equivalente in tutte le condizioni. Il caso di studio di OpenAI non pubblica un confronto in cieco tra l’output del modello e i rapporti di più esperti umani.

I responsabili della sicurezza dovrebbero quindi evitare di trasformare un singolo risultato in una formula universale per il personale. Le prove supportano un ampliamento della capacità sotto supervisione. Non supportano l’eliminazione dei reverse engineer senior né il consentire ai modelli di pubblicare conclusioni ad alto impatto senza revisione.

L’impatto della sicurezza AI di SentinelOne dipende da più della velocità

Il valore strategico arriva quando analisi più rapide migliorano rilevamento e risposta per molti clienti.

Un’indagine di otto ore è utile di per sé, ma il suo valore maggiore deriva dal riutilizzo a valle. Il reverse engineering può rivelare comportamenti di command-and-control, metodi di persistenza, software preso di mira e moduli riutilizzabili. Questi risultati possono orientare rilevamenti, threat hunting e indicazioni per i clienti.

SentinelOne afferma che una copertura più ampia dei campioni aiuta i ricercatori a vedere relazioni tra le minacce. Questa affermazione è plausibile, perché l’infrastruttura delle campagne e i componenti del malware riappaiono spesso in forme modificate. Un corpus analitico più ampio può mettere in luce connessioni che restano invisibili quando i team ispezionano a fondo solo pochi campioni.

Tuttavia, una maggiore quantità di analisi non crea automaticamente maggiore intelligence. I team hanno bisogno di formati coerenti per gli artefatti, prove ricercabili e collegamenti affidabili tra le conclusioni. Hanno inoltre bisogno di sistemi che distinguano le relazioni autentiche dal riutilizzo incidentale del codice.

L’enfasi del benchmark su database IDA strutturati affronta una parte di questo problema. Un rapporto fondato su funzioni nominate, indirizzi e componenti recuperati è più facile da verificare di un riepilogo in prosa privo di supporto. Può inoltre alimentare ricerche successive senza costringere ogni analista a ricostruire il ragionamento originale.

Qui diventa rilevante la piattaforma di sicurezza esistente di SentinelOne. L’azienda può collegare la ricerca assistita dai modelli con la telemetria degli endpoint, la threat intelligence e l’ingegneria dei rilevamenti. Questa integrazione le offre un percorso dall’analisi di laboratorio alla protezione dei clienti.

Il percorso richiede comunque governance. Un indicatore proposto da un modello potrebbe essere troppo ampio. Un rilevamento derivato da un comportamento incompleto può mancare le varianti o segnalare software legittimo. Gli analisti umani devono convalidare il comportamento di un risultato in ambienti reali.

Lo stesso principio vale per il lavoro sulle vulnerabilità. OpenAI afferma che i suoi flussi di lavoro di sicurezza mirano ad andare oltre la produzione di elenchi più lunghi di risultati. L’obiettivo è stabilire la raggiungibilità, raccogliere prove, produrre una patch e verificarne il risultato. I team di sicurezza traggono vantaggio solo quando i risultati diventano una riduzione del rischio verificata.

I servizi Wayfinder annunciati da SentinelOne seguono questa logica enfatizzando il rischio sfruttabile anziché il numero grezzo di problemi. I suoi analisti dovrebbero convalidare i risultati dei clienti prima della consegna. Questo modello di servizio potrebbe essere più facile da governare rispetto al fornire a ogni cliente un’analisi autonoma senza restrizioni.

Esiste anche un effetto organizzativo. Se analisti junior e sviluppatori possono condurre indagini iniziali più approfondite, gli specialisti senior possono concentrarsi sui casi ambigui e sul controllo qualità. Il risultato può accorciare i cicli di feedback tra ricerca, sicurezza del prodotto e team di rilevamento.

Tuttavia, le organizzazioni devono preservare il ragionamento alla base delle decisioni. Un rapporto generato senza prove durevoli crea dipendenza istituzionale dal modello. I team hanno bisogno di registri che mostrino quali artefatti hanno supportato una conclusione, quali ipotesi sono state scartate e dove una persona ha approvato il risultato.

Questo requisito ricorda una buona gestione della conoscenza al di fuori della cybersicurezza. I team ottengono maggiori benefici dall’AI quando l’output generato resta collegato alle fonti e alle decisioni sottostanti. La stessa disciplina è essenziale quando una conclusione di sicurezza può innescare contenimento, remediation o attribuzione pubblica.

L’impatto della sicurezza AI di SentinelOne dipenderà quindi dai tassi di conversione, non soltanto dalla capacità produttiva da prima pagina. Quanti campioni aggiuntivi ricevono analisi approfondite? Quante indagini producono rilevamenti convalidati? Quanto spesso tali rilevamenti fermano o chiariscono un incidente reale?

Queste misure rivelerebbero se un reverse engineering più rapido cambia i risultati. Renderebbero inoltre i confronti tra vendor più significativi delle affermazioni generiche su un “analista AI”.

Cosa osservare dopo l’affermazione di SentinelOne sull’analisi del malware

Tre segnali mostreranno se questo risultato diventerà uno standard operativo o resterà un’impressionante dimostrazione controllata.

Il primo segnale è la riproduzione tecnica indipendente. Team di ricerca esterni devono testare flussi di lavoro comparabili contro malware diversificati, inclusi campioni progettati per eludere le sandbox e manipolare i modelli linguistici. La riproduzione dovrebbe riportare tempo trascorso, intervento umano, uso computazionale, conclusioni errate e qualità finale degli artefatti.

Una replica riuscita rafforzerebbe l’affermazione di SentinelOne secondo cui l’analisi del malware a lungo orizzonte ha superato una soglia pratica. Fallimenti al di fuori del suo harness suggerirebbero che l’ingegneria del flusso di lavoro e la supervisione degli esperti rappresentano gran parte del vantaggio osservato.

Il secondo segnale è la disponibilità del prodotto e le evidenze dei clienti. SentinelOne ha dichiarato che le sue capacità Wayfinder ampliate e basate su OpenAI sono entrate in anteprima privata, con una disponibilità più ampia prevista successivamente. I casi di studio pubblici dovrebbero mostrare se le indagini dei clienti ricevono risultati convalidati più rapidamente senza aumentare falsi positivi o ritardi nella revisione.

Le evidenze di implementazione devono separare i benchmark di ricerca dai livelli di servizio operativi. I clienti devono sapere quale modello ha gestito un’attività, a quali dati ha avuto accesso, come sono stati revisionati i risultati e quali azioni sono rimaste sotto controllo umano.

Il terzo segnale è la resilienza agli attacchi avversari. Gli aggressori progetteranno sempre più malware per ambienti in cui l'IA partecipa all'analisi. I difensori dovrebbero pubblicare prove che le loro pipeline resistano a prompt injection, evasione della sandbox, contesto avvelenato e artefatti fuorvianti.

I progressi in questo ambito rafforzerebbero l'argomentazione a favore di una delega su vasta scala. Un grave fallimento la indebolirebbe, soprattutto se un modello accettasse istruzioni incorporate nel campione o pubblicasse un'attribuzione non supportata dalle prove.

Le risposte della concorrenza conteranno, ma le sole classifiche dei modelli non risolveranno la questione. Anthropic, Google e altri fornitori possono realizzare modelli di sicurezza capaci. I sistemi vincenti combineranno prestazioni tecniche con controlli di accesso, prove tracciabili, flussi di revisione e integrazione nelle operazioni difensive.

SentinelOne ha presentato una delle affermazioni più chiare finora sull'ingegneria inversa assistita dall'IA: settimane di lavoro compresse in ore. La sua stessa ricerca fornisce anche l'avvertimento essenziale. Il modello più forte ha commesso errori, ha fatto affidamento sulle contestazioni dell'operatore ed è diventato prezioso perché poteva riparare un progetto complesso dopo le correzioni.

Per i responsabili della sicurezza, il prossimo passo non è sostituire il team di ingegneria inversa. È identificare un'indagine circoscritta, definire punti di approvazione umana e misurare l'intero flusso di lavoro. Confrontate le prove raccolte, il tempo degli analisti, i costi e i rilevamenti a valle con il processo esistente.

La questione non è più se i modelli possano contribuire alla ricerca sul malware. Possono già farlo. La domanda decisiva è se l'analisi del malware di SentinelOne possa preservare una responsabilità di livello esperto, espandendosi al contempo da benchmark selezionati a minacce di routine su scala di produzione.