AVDH di Mandiant e NOVA di Palo Alto: la nuova corsa all’AI cybersecurity

Google ha riferito che, nei primi dieci mesi di utilizzo, AVDH ha analizzato codebase per decine di milioni di righe e prodotto decine di migliaia di risultati. Nell’indagine di due giorni citata dall’azienda, il sistema ha identificato oltre 100 vulnerabilità critiche realmente confermate. Il lavoro complessivo ha inoltre contribuito all’assegnazione di 12 CVE, mentre circa un’altra dozzina di problemi sarebbe ancora oggetto di disclosure attiva.

La metrica più significativa, dunque, non è il numero grezzo di alert. È la percentuale di ipotesi generate dalle macchine che si trasformano in vulnerabilità riproducibili e gestite attraverso una divulgazione responsabile.

AVDH e NOVA non sono avversari in una classifica uniforme

Palo Alto Networks ha comunicato un numero molto più alto per NOVA, il suo sistema autonomo e multi-modello per la scoperta delle vulnerabilità. In due mesi, NOVA avrebbe analizzato 3.915 progetti open source e individuato 14.090 vulnerabilità confermate; secondo la ricerca di Palo Alto, il 99,4% non era stato segnalato in precedenza e il 40% aveva gravità alta o critica.

I due risultati descrivono però modelli operativi differenti:

• AVDH: un’analisi circoscritta nel tempo e approfondita, collegata a un’attività di incident response, con revisione umana e riproduzione dei percorsi di exploit come principali controlli di qualità.
• NOVA: una scansione su scala molto più ampia dell’ecosistema open source, condotta su migliaia di progetti e ottimizzata per l’ampiezza e la scoperta autonoma.

I report disponibili non dimostrano che i due sistemi abbiano utilizzato gli stessi criteri di selezione dei bersagli, definizione della gravità, soglia per i falsi positivi, verifica dell’exploitability o procedure di disclosure. I numeri, quindi, non possono essere letti come una classifica universale.

AVDH mostra come una catena di agenti possa sostenere un’indagine mirata ad alta affidabilità. NOVA mostra invece la scala alla quale la scoperta autonoma può operare nel software open source.

Insieme, i due casi indicano che la ricerca delle vulnerabilità si sta dividendo in due problemi distinti: cercare abbastanza estesamente da trovare le debolezze e validarle abbastanza bene da renderle utilizzabili per la difesa.

Dalla scoperta alla riduzione dell’esposizione

La risposta di Palo Alto Networks alla velocità crescente della scoperta non si limita all’identificazione delle falle. La proposta di Advanced Virtual Patching punta a distribuire in poche ore protezioni a livello di rete, riducendo l’esposizione mentre i proprietari del software lavorano alla correzione tradizionale. Palo Alto confronta questo approccio con un intervallo medio di circa 55 giorni per il patching convenzionale.

L’azienda ha inoltre annunciato il Frontier AI Critical Defense Program, un’iniziativa che riunisce società di AI, fornitori di software, comunità open source e organizzazioni del settore delle tecnologie operative. Tra i partecipanti citati figurano Anthropic, OpenAI, IBM, Red Hat, Microsoft, Siemens, Mitsubishi Electric e Axis Communications, insieme ad altri soggetti.

Il virtual patching può essere utile quando un servizio vulnerabile è raggiungibile attraverso traffico che un controllo di rete può riconoscere e bloccare. Va però considerato una misura compensativa, non un sostituto della correzione del software.

La soluzione definitiva richiede ancora un responsabile che comprenda la vulnerabilità, sviluppi una modifica al codice, la testi, la distribuisca e verifichi che i sistemi interessati l’abbiano ricevuta. Questa distinzione diventa ancora più importante quando la velocità della scoperta aumenta: un controllo di rete può ridurre l’esposizione immediata, ma non elimina il codice vulnerabile da un’applicazione o dall’intera catena di fornitura software.

Anche gli aggressori stanno accelerando

I progressi difensivi si stanno verificando insieme a segnali che mostrano come l’AI venga utilizzata per gli stessi obiettivi da parte degli attaccanti. Il Threat Intelligence Group di Google ha riferito quello che ha descritto come il primo caso identificato di un attore malevolo che avrebbe utilizzato un exploit zero-day sviluppato con l’assistenza dell’AI. L’attore intendeva impiegarlo in un attacco su larga scala, che secondo Google sarebbe stato impedito dall’attività di contro-scoperta dell’azienda.

L’exploit preso di mira riguardava l’aggiramento dell’autenticazione a due fattori in un popolare strumento open source per l’amministrazione web. Tra gli indizi citati figuravano commenti didattici e un punteggio CVSS allucinato, elementi che suggerivano con alta probabilità l’intervento di un modello di AI nello sviluppo.

Questo non significa che ogni vulnerabilità generata dall’AI si trasformi automaticamente in un attacco operativo. Significa però che i difensori non possono più dare per scontato che la complessità del codice, la limitata disponibilità dei ricercatori o il lungo intervallo tra scoperta e sfruttamento garantiscano tempo sufficiente per reagire.

L’avvertimento della Cloud Security Alliance è quindi centrale: l’AI sta aumentando la velocità e la scala della scoperta delle vulnerabilità più rapidamente di quanto molti sistemi di disclosure e patching riescano ad assorbire. Trovare più problemi migliora la sicurezza solo se le organizzazioni dispongono delle risorse per fare triage, coordinare la divulgazione, sviluppare le correzioni e distribuire le protezioni senza introdurre nuovi rischi.

I difensori possono ancora recuperare il vantaggio?

Sì, ma non acquistando semplicemente un modello capace di trovare vulnerabilità. Il vantaggio spetta alle organizzazioni che collegano la scoperta al resto del proprio sistema operativo di sicurezza:

1. Threat modeling: restringe la ricerca verso percorsi d’attacco realistici.
2. Analisi agentica: esplora il codice e genera ipotesi alternative alla velocità delle macchine.
3. Validazione indipendente: riduce il rischio che pattern sospetti diventino segnalazioni fuorvianti.
4. Riproduzione umana: conferma che la falla proposta sia realmente sfruttabile.
5. Disclosure coordinata: offre a manutentori e fornitori un percorso per intervenire.
6. Virtual patching e altri controlli compensativi: riducono l’esposizione mentre viene preparata la correzione del codice.
7. Remediation prioritaria: porta a correggere prima le vulnerabilità più raggiungibili e più dannose.

AVDH illustra il valore di questo flusso connesso: esplorazione automatizzata ad ampio raggio, giudizio umano e verifica dell’exploit. NOVA mostra invece la pressione che il flusso dovrà sostenere: la scoperta autonoma può produrre risultati a una scala per la quale i team di sicurezza tradizionali non sono stati progettati.

La nuova corsa agli armamenti della cybersecurity basata sull’AI non è quindi soltanto una gara a chi trova più bug. È una competizione per completare l’intero ciclo che va dal rilevamento alla mitigazione più rapidamente di quanto un avversario riesca a trasformare una vulnerabilità in un attacco.

I difensori possono guadagnare terreno quando controllano codice, pipeline di distribuzione, telemetria e sistemi di rete, riuscendo a chiudere questo ciclo più velocemente. La scoperta senza validazione, responsabilità chiare, disclosure e remediation rischia invece di aumentare la dimensione del problema anziché risolverlo.