Per anni, uno dei principali limiti nell’offensive security è stato il tempo degli esperti. Individuare una vulnerabilità significativa richiedeva la capacità di comprendere un ambiente sconosciuto, seguirne le dipendenze, verificare ipotesi, cogliere comportamenti inattesi e continuare a porsi la domanda successiva.

L’automazione poteva accelerare singole attività. Gli scanner potevano analizzare rapidamente superfici d’attacco molto estese. I fuzzer potevano generare enormi quantità di input. Ma la curiosità rimaneva umana. Ora qualcosa sta iniziando a cambiare.

Dall’automazione alla curiosità alla velocità delle macchine

L’automazione tradizionale applicata alla cybersecurity è estremamente efficace nell’eseguire attività predefinite. Se le viene fornita una vulnerabilità nota, una firma, un errore di configurazione o una specifica logica di test, può cercare quella condizione su scala molto ampia.

La nuova generazione di sistemi di AI introduce qualcosa di diverso: l’esplorazione. Un modello può analizzare un sistema sconosciuto, interpretare ciò che osserva, formulare un’ipotesi, verificarla, imparare dalla risposta e decidere quale passo compiere successivamente.

La differenza è sottile, ma importante. L’automazione tradizionale cerca essenzialmente qualcosa che sa già come cercare. L’AI agentica può sempre più spesso chiedersi: “Cosa succede se provo questo?” E continuare a farlo.

La combinazione tra curiosità alla velocità delle macchine e persistenza su scala automatizzata cambia ciò che è possibile esplorare, la rapidità con cui farlo e il livello di dipendenza da competenze umane specialistiche e difficili da reperire.

Quando la ricerca delle vulnerabilità diventa ragionamento

Claude Mythos Preview di Anthropic offre una delle indicazioni più chiare sulla direzione che sta prendendo questa evoluzione. Project Glasswing è nato per esplorare la possibilità di utilizzare sistemi di AI avanzati per aiutare i difensori a individuare vulnerabilità software critiche prima che possano essere sfruttate dagli attaccanti.

Mythos ha dimostrato la capacità di analizzare software complessi e individuare vulnerabilità rimaste nascoste per anni, comprese falle presenti nei principali sistemi operativi, browser e software open source.

Il punto non è semplicemente che l’AI possa analizzare il software più velocemente. Gli strumenti di cybersecurity tradizionali lo fanno già molto bene. La vera novità è che la ricerca delle vulnerabilità può includere sempre più forme di ragionamento autonomo: comprendere software sconosciuti, investigare comportamenti promettenti, formulare ipotesi e seguirne l’evoluzione.

E questo inizia a cambiare l’economia stessa della vulnerability discovery. Storicamente, le organizzazioni potevano avere una quantità di codice e una superficie d’attacco enormemente superiori a ciò che i loro migliori ricercatori avevano il tempo di analizzare. Il vero collo di bottiglia era l’attenzione degli esperti. Man mano che l’esplorazione diventa scalabile, questo limite si sposta più a valle, verso la validazione, la prioritizzazione e la remediation.

Quando l’AI non conosce in anticipo la vulnerabilità

CVE-2026-0773 offre un esempio concreto di come questo approccio possa funzionare nella pratica. Ciò che rende il caso interessante non è semplicemente il fatto che l’AI abbia contribuito a individuare un’altra vulnerabilità critica, ma il modo in cui il sistema è arrivato alla scoperta.

Invece di partire dalla firma di una vulnerabilità nota e verificare se il target corrispondesse a quella condizione, il processo basato sull’AI ha esplorato l’applicazione e le relative API. Ha interpretato una risposta inattesa, collegato quel comportamento a un meccanismo di deserializzazione non sicuro, approfondito l’ipotesi e infine validato un percorso che consentiva la remote code execution.

Questo processo assomiglia molto più al ciclo investigativo di un penetration tester esperto che a una tradizionale scansione delle vulnerabilità. La differenza è che questo ciclo può essere eseguito sempre più rapidamente, alla velocità delle macchine.

La velocità attira l’attenzione. Ma la persistenza potrebbe contare ancora di più.

Per i CISO, tuttavia, la velocità rappresenta solo metà della storia. Le applicazioni non rimangono statiche tra un security assessment e l’altro. Compaiono nuovi endpoint. Le API cambiano. I flussi di autenticazione evolvono. La business logic viene modificata. Le dipendenze vengono aggiornate. Nuove integrazioni creano nuove relazioni e, potenzialmente, nuovi percorsi di attacco.

La superficie d’attacco continua a cambiare. Ed è qui che la persistenza diventa importante. Un penetration test eseguito alcuni mesi fa può essere stato perfettamente accurato nel momento in cui è stato completato. La domanda più difficile è: cosa ci dice oggi quel risultato sull’applicazione?

Se l’AI può esplorare continuamente un ambiente che a sua volta cambia continuamente, la distanza tra ciò che è sconosciuto e ciò che è sfruttabile inizia a ridursi.

Questo aspetto è particolarmente rilevante per quelle debolezze che gli strumenti di scansione convenzionali possono avere difficoltà a identificare: vulnerabilità nella business logic, interazioni inattese tra API, vulnerabilità concatenate e comportamenti che emergono soltanto quando diverse parti di un’applicazione vengono comprese nel loro insieme.

La security assurance può tenere il passo?

Questo non significa che il penetration testing tradizionale diventerà obsoleto. L’esperienza umana rimane fondamentale per comprendere il contesto di business, progettare scenari di attacco complessi, valutarne l’impatto reale e prendere decisioni che richiedono capacità di giudizio. Ma i test point-in-time devono sempre più convivere con forme più continue di validazione offensiva.

È proprio questa la sfida strutturale: tra un test e l’altro, le applicazioni continuano a cambiare e le loro superfici d’attacco continuano a evolvere, mentre le interazioni complesse tra API e i rischi legati alla business logic rientrano tra gli ambiti che gli approcci tradizionali possono non riuscire a intercettare.

Per i CISO, cambiano quindi anche le domande da porsi:

• Quanto rapidamente riusciremmo a individuare un nuovo percorso di attacco introdotto dalla release di domani?
• I nostri test sono in grado di esplorare comportamenti che non sapevamo nemmeno di dover cercare?
• Riescono a distinguere ciò che è teoricamente vulnerabile da ciò che è realmente sfruttabile?
• E possono continuare a cercare anche quando la prima ipotesi non porta a nulla?

Il cambiamento più ampio è il passaggio da una verifica periodica a una curiosità continua. L’AI sta iniziando a offrire sia agli attaccanti sia ai difensori la possibilità di esplorare ambienti complessi più rapidamente, con maggiore persistenza e con una minore dipendenza dal tempo di specialisti altamente qualificati.

Il vantaggio non apparterrà automaticamente a una delle due parti. Apparterrà a chi saprà trasformare per primo questa curiosità in una capacità operativa.

Nel nostro prossimo webinar con Equixly, esploreremo come la reconnaissance basata sull’AI, la scoperta autonoma delle vulnerabilità e il continuous penetration testing stiano trasformando l’offensive security – e cosa significhi questo cambiamento per il modo in cui le organizzazioni verificano nel tempo la propria postura di cybersecurity. Registrati ora!