Cosa è successo

Google ha pubblicato un'analisi sull'uso dell'intelligenza artificiale da parte degli attori malevoli. Il passaggio descritto è questo: non si tratta più soltanto di persone che chiedono a un modello di scrivere uno script o un'email di phishing. Gli attaccanti stanno mettendo in campo framework multi-agente autonomi, tra cui ARTEX, CAIRN, CyberStrikeAI e PentAGI, per condurre intrusioni in più fasi con una velocità operativa maggiore.

Il secondo elemento, quello su cui si concentra questo articolo, riguarda i modelli linguistici (LLM) usati per costruire ed eseguire exploit a partire dalle patch software. Il principio è noto da tempo: confrontando una versione corretta con quella vulnerabile si individua la modifica che chiude la falla e da lì si risale al modo di sfruttarla. Questo lavoro, il "patch diffing", richiedeva competenze specifiche e tempo. Gli agenti AI possono automatizzare buona parte del processo, dall'analisi della differenza fino al test dell'exploit.

Nota sulla fonte: la pagina originale non era leggibile per intero, quindi ci si basa sul sommario e sul titolo della notizia. Non abbiamo numeri, tempi misurati o elenchi di vulnerabilità. Per il caso concreto di ARTEX, con l'intrusione cloud ai danni di Barracuda, rimandiamo all'articolo dedicato.

Perché è importante

La conseguenza pratica è la riduzione del tempo tra la pubblicazione di una patch e la comparsa di un exploit funzionante. Finora molte organizzazioni contavano su un margine implicito: una patch esce, gli attaccanti più capaci impiegano giorni o settimane per ricavarne un exploit, e il resto del mercato resta indietro. Se questo lavoro viene automatizzato, il margine si assottiglia. Questa è un'inferenza dalla notizia, non un dato misurato da Google nel materiale a nostra disposizione.

Un'altra implicazione è che la patch stessa diventa una fonte di informazione per l'attaccante. Il rilascio di un aggiornamento segnala dove si trova il problema. Chi non aggiorna rapidamente resta esposto a una vulnerabilità ora descritta, di fatto, dal codice corretto.

Infine, la velocità riguarda anche la catena di intrusione. Framework che coordinano più agenti possono concatenare ricognizione, sfruttamento e movimento laterale con meno intervento umano. Questo riduce anche i tempi a disposizione dei difensori per rilevare e contenere. Un caso recente, quello delle falle Barracuda già corrette e poi sfruttate, mostra quanto sia costoso il ritardo nell'applicare correzioni disponibili. Non abbiamo però conferma che in quel caso siano stati usati agenti AI.

Cosa fare

  • Rivedere gli SLA di patching. Per vulnerabilità su sistemi esposti a Internet (VPN, firewall, gateway, appliance di posta, interfacce di gestione) puntare a tempi di ore o pochi giorni, non a cicli mensili. Misurare il tempo effettivo tra rilascio della patch e deployment.
  • Dare priorità in base allo sfruttamento. Incrociare l'inventario con il catalogo CISA KEV e con i punteggi EPSS, e trattare come urgenti le falle già sfruttate o su sistemi raggiungibili dall'esterno.
  • Predisporre mitigazioni intermedie. Quando la patch non è applicabile subito, prevedere in anticipo disattivazione del servizio vulnerabile, restrizioni di rete o regole WAF, e documentare chi può autorizzarle.
  • Ridurre la superficie esposta. Verificare quali interfacce di amministrazione sono raggiungibili da Internet e spostarle dietro VPN o accesso condizionato.
  • Curare identità e credenziali. Cercare chiavi di accesso e token esposti in repository e configurazioni, ruotarli e limitare i privilegi: sono il punto d'ingresso più semplice per un agente automatico.
  • Accelerare rilevamento e risposta. Se le intrusioni sono più rapide, servono allarmi su movimenti laterali e uso anomalo di credenziali cloud, oltre a playbook di contenimento già provati.
  • Testare con gli stessi strumenti. Dove autorizzato, usare framework di pentest automatizzato in ambiente controllato per capire cosa vedrebbe un agente sulla vostra infrastruttura.