Modelli verticali AI per la cybersecurity, la nuova difesa

L’adozione iniziale di modelli linguistici generici all’interno della cybersecurity ha rivelato limiti strutturali insormontabili, legati alla loro natura probabilistica orientata alla fluidità del linguaggio naturale piuttosto che al rigore del dato tecnico. I modelli generalisti falliscono intrinsecamente nella corretta “Finding Taxonomy”: tendono a confondere un “Environmental Artifact” (un’interferenza nel setup di test) con un “True Positive” (un exploit confermato).

Questa incapacità di distinguere tra comportamenti “Technically Invalid” e minacce reali porta a una proliferazione di falsi positivi, con tassi stimati tra il 10% e il 50% nelle analisi del codice. Questo volume sproporzionato paralizza le attività di triage all’interno dei SOC e compromette gravemente l’efficacia della catena di risposta delle imprese. Il rischio più insidioso è rappresentato dalle allucinazioni di ragionamento: se un modello interpreta erroneamente un artefatto di test come un’intrusione critica, l’agente potrebbe innescare azioni di isolamento o quarantena estremamente distruttive per la continuità aziendale.

Precisione semantica e resilienza dei modelli verticali

Al contrario, i modelli verticali, addestrati su dataset curati di telemetria reale, report CVE, codice sorgente e protocolli IT, garantiscono una precisione semantica e una coerenza logica ferrea. Grazie a concetti cardine come la “dual-view awareness” (la capacità di comprendere simultaneamente la struttura statica del codice e il comportamento dinamico del traffico di rete che esso genera), questi modelli superano il problema della “cross-dataset degradation”. Mentre i modelli generici subiscono crolli di accuratezza del 10-20% quando spostati tra ambienti di rete differenti, i modelli verticali mantengono una resilienza semantica che permette di raggiungere precisioni prossime al 98-99% nei test di laboratorio.

Questo divario funzionale si riflette chiaramente nelle principali aree operative della cybersecurity. Ad esempio, i modelli generici offrono un’interpretazione superficiale e soggetta a errori semantici, mentre i verticali sono addestrati specificamente su telemetria reale e protocolli IT. Inoltre, il tasso di allucinazione tecnica è elevato nei modelli tradizionali, ma rigidamente controllato nei modelli verticali, e la conoscenza delle tassonomie in questi ultimi ha un mapping rigoroso delle tecniche, come lo standard MITRE ATT&CK.

Alcuni primi ambiti di applicazione: SOC, vulnerability management e remediation

L’applicazione pratica dei modelli verticali agentici si sta espandendo, per adesso, principalmente lungo tre direttrici operative fondamentali della difesa digitale: l’ottimizzazione del SOC, il Vulnerability Management e l’automazione della remediation.

All’interno dei Security Operations Center, l’obiettivo primario è l’abbattimento radicale del Mean Time To Respond (MTTR). Gli agenti verticali trasformano avvisi grezzi e disomogenei in narrazioni analitiche coerenti, mappando istantaneamente gli eventi sulla tassonomia MITRE ATT&CK e suggerendo o eseguendo playbooks di risposta dinamici. Questo riduce drasticamente il carico cognitivo degli analisti, che possono evolvere da operatori di dati grezzi a supervisori di alto livello, concentrandosi sulla validazione delle strategie piuttosto che sulla collezione di evidenze.

Fuzzing intelligente e gestione delle vulnerabilità

Nel dominio della scoperta e gestione delle vulnerabilità, gli LLM verticali abilitano un “fuzzing intelligente” che supera i limiti degli strumenti coverage-guided tradizionali. Mentre un fuzzer classico esplora i percorsi di esecuzione in modo cieco, un agente dotato di comprensione semantica del codice può generare casi di test mirati alle debolezze logiche, come errori nell’autenticazione o nella gestione dei permessi. Questa capacità di generare input validi dal punto di vista protocollare permette di penetrare più a fondo nelle gerarchie software delle infrastrutture IT, identificando vulnerabilità che sfuggono all’analisi statica e dinamica convenzionale, trasformando la caccia ai bug in un processo proattivo di indurimento del software.

Una volta scoperte le debolezze, la sfida principale per i team di sicurezza diventa la prioritizzazione e la localizzazione. Modelli specializzati come Cisco Foundation-Sec-8B e 8B-Reasoning sono addestrati specificamente per l’analisi multi-step, la classificazione e l’assegnazione della corretta priorità alle vulnerabilità (vulnerability assessment), riducendo il backlog operativo. A livello di repository locali, gli Small Language Models (SLM) come Cisco Antares (350M e 1B) operano per localizzare e individuare in modo efficiente ed economico falle note all’interno di sterminate codebase aziendali, interamente on-premise.

Exploit controllati, zero-day e patching mirato

Infine, la validazione di exploit e l’individuazione di falle zero-day trova risposte in modelli proprietari ad altissima capacità. Anthropic Claude Mythos Preview (attraverso il Project Glasswing) ha dimostrato straordinarie capacità di identificazione di vulnerabilità zero-day e di sviluppo di exploit controllati, mentre OpenAI GPT-5.5-Cyber (attraverso il programma Trusted Access for Cyber) eccelle nella validazione e nel patching mirato. In modo analogo, Microsoft ha integrato il nuovo modello MAI-Cyber-1-Flash all’interno del proprio harness di test MDASH, ottimizzandolo specificamente per scoprire e rimediare a bug complessi in codebase complesse.

La sola scoperta e classificazione dei bug, senza un processo di remediation, rischia unicamente di aumentare il backlog tecnico dei team. Per questo, la nuova frontiera applicativa si sta spostando verso la generazione e validazione automatica delle patch. CodeMender (sviluppato da Google DeepMind) agisce come agente specializzato di code security, in grado di generare fix e riscritture proattive per eliminare intere classi di vulnerabilità, mantenendo le patch sotto supervisione umana prima dell’applicazione.

Questo scenario si evolve ulteriormente con l’introduzione di architetture multi-agente che orchestrano team autonomi specializzati. La nuova piattaforma Perception di Microsoft esemplifica questo approccio schierando team agentici cooperativi suddivisi in tre raggruppamenti: i Red Team (simulano attacchi dettagliati e profilano gli exploit), i Blue Team (rilevano e triagano i bug riscontrati) e i Green Team (eseguono azioni correttive e applicano patch direttamente nel codice). Secondo i dati dei lead engineer, questo flusso integrato consente di passare dall’identificazione alla correzione in pochissimi minuti, abbattendo flussi di lavoro manuali che precedentemente richiedevano ore e molteplici figure specializzate (appsec hunters, remediation engineers).

La sfida della robustezza avversariale e delle allucinazioni

La sicurezza degli agenti stessi costituisce la nuova frontiera dello scontro cibernetico. Tecniche di prompt injection e tool hijacking rappresentano minacce esistenziali per l’autonomia difensiva: un attaccante potrebbe inserire istruzioni malevole all’interno dei log di sistema, inducendo l’agente a interpretarle come comandi legittimi e provocando azioni autoinflitte dannose, come la quarantena di server critici. Questo deragliamento del ragionamento è particolarmente pericoloso nei sistemi che integrano strumenti operativi senza pipeline di verifica rigorose.

Le strategie di mitigazione devono essere integrate nativamente nell’architettura agentica. L’impiego di prompt polimorfici, che variano dinamicamente la struttura delle istruzioni per rendere prevedibili solo i comportamenti corretti, e l’adozione di sistemi multi-agente in cui un “osservatore” verifica la coerenza logica delle decisioni del “decisore”, sono passi fondamentali. Il monitoraggio costante del drift cognitivo e l’isolamento degli ambienti di esecuzione dei tool (sandboxing) garantiscono che, anche in presenza di un ragionamento compromesso, l’impatto sul sistema reale sia nullo. La resilienza non deve essere una caratteristica aggiunta, ma una proprietà emergente del modello verticale e della sua infrastruttura di controllo.

Frammentazione del mercato, benchmark e la quarta via geopolitica

L’attuale panorama dell’AI per la cybersecurity è caratterizzato da una serrata competizione tecnologica e geopolitica che si polarizza su quattro direttrici strategiche.

Il duello dei modelli proprietari “Closed” sui benchmark di frontiera

Nel segmento dei modelli commerciali a prestazioni elevate, i colossi dell’AI si sfidano sul benchmark aureo del settore, Cyber Gym (sviluppato da UC Berkeley), che valuta gli agenti in scenari operativi complessi di riproduzione vulnerabilità e patching. La recente mossa di Microsoft con MAI-Cyber-1-Flash (integrato con GPT-5.4 nel sistema MDASH) ha scosso il mercato, registrando punteggi che superano i rivali diretti Gemini 3.5 Flash Cyber (Google), GPT-5.5-Cyber (OpenAI) e Claude Mythos Preview/Mythos 5 (Anthropic). Questi modelli tuttavia costringono le aziende a confrontarsi con policy di rilascio rigorose (programmi Trusted Access, Glasswing, o preview limitate come quella di Microsoft a novembre 2026) per contenere i rischi di un uso offensivo (dual-use).

Modelli Open-Weight e integrazioni di piattaforma

Mentre Cisco punta sulla decentralizzazione offrendo modelli open-weight e SLM della famiglia Foundation-Sec e Antares per garantire sovranità del dato e costi minimi, Microsoft mantiene una forte presenza sul fronte dell’integrazione di piattaforma con Microsoft Security Copilot, che estrae valore correlando oltre 100 trilioni di segnali giornalieri dagli strumenti Defender, Sentinel e Entra. La scelta aziendale tra queste soluzioni definisce il bilanciamento tra indipendenza ingegneristica e dipendenza dal vendor.

La “quarta via” e la sfida geopolitica

L’approccio cinese allo sviluppo dell’intelligenza artificiale rappresenta una “quarta via” strategica, dove l’innovazione tecnologica è pilastro della sovranità digitale e del controllo globale dell’informazione. Non si tratta solo di sfida commerciale, ma di un’architettura di potere che mira all’autonomia delle infrastrutture critiche e all’esportazione di megaprogetti infrastrutturali AI-driven.

Il duopolio hardware/software tra USA e Cina definisce i confini della sovranità digitale moderna. Mentre l’Occidente ha privilegiato la generalizzazione, la Cina ha dimostrato l’efficacia dei modelli verticali specializzati, come evidenziato dal caso DeepSeek-Coder. Questi modelli dimostrano che la specializzazione di dominio — in particolare nella comprensione profonda del codice e dei protocolli enterprise — può superare le prestazioni di modelli generalisti molto più vasti. L’efficacia dei DSLM cinesi risiede nella capacità di ridurre drasticamente i falsi positivi attraverso una rilevazione delle anomalie molto più fine, calibrata sulla semantica nativa delle reti.

Tuttavia, l’adozione di sistemi come DeepSeek introduce vulnerabilità strutturali e rischi di supply chain monitoring. Sono state documentate vulnerabilità che richiedono una vigilanza costante per prevenire l’esposizione di dati sensibili o l’attivazione di backdoor logiche. La Cina agisce come esportatrice globale di tecnologie di sicurezza AI-driven, integrando la difesa semantica nei suoi progetti infrastrutturali. In questo scenario, l’uso sofisticato di deepfake per interazioni complesse e simulazioni avanzate sta spostando la minaccia a un livello semantico superiore: non si attacca più solo il dato, ma il significato e la fiducia nel processo decisionale.

Le raccomandazioni strategiche per i C-Level

La cybersecurity basata su intelligenza artificiale non è più una sperimentazione tattica, ma un imperativo di governance strategica e di conformità normativa. Per il top management, la rapida adozione aziendale dell’AI (con stime di oltre 1,3 miliardi di agenti in produzione entro il 2028) avviene spesso in un vuoto di sicurezza: sebbene l’83% delle organizzazioni utilizzi o sperimenti l’AI in cloud, solo il 6% dispone di un framework di sicurezza avanzato per gestirne i rischi.

Dal punto di vista normativo, la direttiva NIS2 introduce la responsabilità personale e diretta dei vertici aziendali, prevedendo persino sanzioni amministrative accessorie come l’incapacità temporanea a svolgere funzioni dirigenziali all’interno dell’azienda per inadempienza, mentre in Italia la Legge 132/2025 estende le competenze dell’ACN e impone severi obblighi di notifica e responsabilità diretta agli organi di amministrazione. In questo panorama di “multicompliance” che unisce NIS2, DORA, l’AI Act europeo e il GDPR, la gestione dei rischi cyber e dell’AI non può più essere considerata “uno strumento per pochi esperti”, ma deve risalire direttamente al Board.

Standard, interoperabilità e modelli verticalizzati

Le interfacce chat e i Copilot generici mostrano limiti strutturali insormontabili nei Security Operations Center (SOC): soffrono di allucinazioni semantiche, faticano a correlare telemetria complessa proveniente da oltre 28 strumenti diversi e tendono sistematicamente a sovrastimare le vulnerabilità (con tassi di falsi positivi compresi tra il 10% e il 50% nelle analisi di codice). È mandatorio indirizzare gli investimenti verso modelli linguistici verticalizzati per la cyber security in grado di supportare nativamente lo standard OCSF (Open Cybersecurity Schema Framework) per garantire l’interoperabilità semantica e standardizzata tra agenti e infrastrutture multi-vendor, ottimizzare i costi, mitigare la minaccia dei nuovi “insider” aziendali (alias approccio Zero Trust applicato alla forza lavoro agentica).

L’adozione aziendale dell’AI deve essere inquadrata all’interno di un Sistema di Gestione per l’Intelligenza Artificiale (SGIA) conforme allo standard ISO/IEC 42001, integrato in stretta simbiosi e coordinamento con il Sistema di Gestione della Sicurezza delle Informazioni (SGSI) conforme a ISO/IEC 27001. Questo garantisce che le politiche di governance dei dati di training, la prevenzione del model collapse e la classificazione dei modelli usati siano supportate da processi interni, riducendo la proliferazione di “Shadow AI” non governata.

La sfida della cyber-difesa moderna non si vince, quindi, rincorrendo la pura dimensione computazionale dei modelli. Si vince con la loro precisione verticale, l’integrazione semantica e strutturata all’interno dei flussi operativi aziendali e una governance integrata che sappia orchestrare l’autonomia della macchina ponendo il giudizio e la responsabilità strategica dell’uomo come barriera insuperabile di controllo.

Tabella comparativa dei modelli AI per la cybersecurity