Come l’IA sta cambiando gli attacchi informatici

L’intelligenza artificiale sta diventando uno strato operativo degli attacchi informatici. Criminali e gruppi legati a governi possono usare i modelli linguistici di grandi dimensioni, o LLM, per abbozzare componenti di malware, scrivere messaggi di phishing, correggere script e produrre rapidamente nuove varianti.

La conclusione più precisa, però, è meno spettacolare e più importante: l’IA sta soprattutto accelerando e adattando metodi già conosciuti. Non significa che ogni attacco sia autonomo o che il malware abbia imparato a operare senza supervisione umana.

Il cambiamento principale: il ciclo dell’attacco si accorcia

La maggior parte delle intrusioni continua a basarsi su tecniche familiari: phishing, script dannosi, trojan ad accesso remoto e furto di dati. L’IA ne modifica però i costi e i tempi.

Un aggressore può chiedere a un LLM di creare uno script iniziale, tradurre e personalizzare un’esca, correggere il codice dopo i test e generare varianti per obiettivi diversi. Sperimentare diventa più economico e il tempo tra l’idea di una campagna e la sua diffusione può ridursi sensibilmente.

Per i difensori questo si traduce in due rischi concreti: un numero potenzialmente maggiore di attacchi credibili e una finestra di reazione più breve.

È anche importante non confondere il marchio con la sostanza. Un messaggio che usa l’IA come tema non è necessariamente un “attacco basato sull’IA”. Le prove disponibili mostrano diversi livelli di coinvolgimento: dall’assistenza nella scrittura del codice fino alla generazione di comandi durante un’intrusione in corso.

FunkSec: l’IA entra nello sviluppo del ransomware

La ricerca di Kaspersky su FunkSec offre un esempio di costruzione di malware assistita dall’IA. Il ransomware, sviluppato in Rust, riunisce in un unico eseguibile la cifratura dei file, l’esfiltrazione locale dei dati e le funzioni di autopulizia. Kaspersky ha inoltre rilevato segnali di sintesi del codice tramite modelli linguistici in capacità collegate, tra cui un generatore di password e uno strumento DDoS di base. 2839

Questo non dimostra che un LLM abbia progettato, distribuito e gestito autonomamente l’intera campagna. Dimostra invece che l’IA generativa può contribuire a creare componenti funzionanti di un malware, aiutando gli aggressori ad assemblare un arsenale più compatto con meno sviluppo manuale.

RevengeHotels: l’IA potenzia una catena di phishing convenzionale

La campagna RevengeHotels del 2025 mostra come l’IA possa rafforzare una tecnica di intrusione già consolidata, anziché sostituirla. Kaspersky ha osservato attacchi contro hotel in Brasile e nei mercati di lingua spagnola. Le e-mail di phishing si presentavano come richieste di prenotazione, fatture o candidature di lavoro. Le vittime venivano indirizzate a siti che imitavano servizi di archiviazione documentale; gli script scaricati portavano infine a trojan ad accesso remoto come VenomRAT. 303136

Secondo Kaspersky, una parte significativa del codice usato per l’infezione iniziale e per il download del payload sembrava essere stata generata da agenti basati su LLM. 28

La struttura dell’operazione rimaneva tuttavia riconoscibile: ingegneria sociale, esecuzione di script e distribuzione di un RAT. Il contributo dell’IA consisteva nel produrre e variare più rapidamente alcuni elementi della catena, facilitando l’adattamento a Paesi, lingue e obiettivi differenti.

Per questo l’etichetta “potenziato dall’IA”, se non viene spiegata, può risultare fuorviante. In questo caso la generazione assistita del codice era inserita all’interno di un’operazione di phishing convenzionale.

LameHug: quando un LLM entra nell’attacco in tempo reale

Il passaggio tecnico più significativo tra quelli documentati è LameHug, indicato in alcuni resoconti anche come PROMPTSTEAL. Non si tratta soltanto di malware che sembra essere stato scritto con l’aiuto dell’IA: LameHug utilizza un LLM mentre è in esecuzione.

Secondo le analisi basate sui rapporti del CERT-UA, il malware contatta l’API di Hugging Face e usa il modello Qwen2.5-Coder-32B-Instruct di Alibaba Cloud per generare dinamicamente comandi Windows. I comandi possono raccogliere informazioni sul sistema e cercare documenti Office da sottrarre. 237

Questo modello operativo modifica il comportamento del malware in tre modi:

1. La sequenza dei comandi non deve essere interamente definita in anticipo. Il malware può richiedere azioni in base alle istruzioni ricevute e all’ambiente che trova.
2. L’attacco può sfruttare normali utilità di sistema. La rilevazione deve quindi concentrarsi anche sul comportamento e sulla sequenza dei comandi, non soltanto su un payload autonomo facilmente riconoscibile. 4
3. Il malware crea una dipendenza esterna. Richieste insolite da un computer compromesso verso l’API di un modello linguistico possono diventare un segnale utile per i sistemi di sicurezza.

LameHug non dimostra che il malware sia diventato autonomo. Mostra però che un aggressore può inserire un LLM nel ciclo operativo dell’intrusione e usarlo per generare in tempo reale attività di ricognizione e raccolta dati.

Anche la popolarità dell’IA diventa un’esca

L’IA viene usata non solo per costruire gli attacchi, ma anche per camuffarli. Tra gennaio e aprile 2026, le soluzioni Kaspersky hanno rilevato oltre 33.300 attacchi contro piccole e medie imprese in cui software dannoso o indesiderato per PC si spacciava per servizi di IA popolari. Il dato è quasi cinque volte superiore a quello dello stesso periodo del 2025. 5051

Queste rilevazioni riguardano software che imitava servizi di IA. Non dimostrano che ogni payload fosse stato generato dall’intelligenza artificiale o che un sistema di IA avesse condotto ogni singolo attacco.

La conclusione più prudente è che gli aggressori stanno sfruttando la fiducia nei marchi dell’IA e la loro rapida diffusione negli ambienti di lavoro. Per un dipendente, un falso generatore di immagini, un client chatbot o un assistente alla produttività può diventare semplicemente il veicolo per installare malware.

Per questo restano fondamentali le policy di installazione, le fonti di download verificate e i controlli sugli endpoint, anche quando il software presentato sembra essere un prodotto di IA.

I numeri regionali mostrano l’esposizione, non la causa dell’IA

I dati regionali di Kaspersky confermano che le minacce provenienti dal web sono diffuse, ma non devono essere interpretati come conteggi di attacchi guidati dall’IA. Nel primo semestre del 2026, Kaspersky ha dichiarato di aver bloccato 5,7 milioni di attacchi provenienti da risorse online in Sudafrica, 4,5 milioni in Kenya e 1,6 milioni in Nigeria. La Türkiye ha registrato la quota più alta di utenti colpiti da minacce web nel dataset della regione META, pari al 22,8%. 14

Queste misurazioni comprendono minacce distribuite tramite siti web, e-mail e servizi online. Indicano un’ampia esposizione agli attacchi informatici, non un rapporto causale con l’IA. La distinzione è necessaria per evitare che statistiche generali sulla criminalità informatica vengano presentate come prove di campagne autonome o interamente generate dall’IA.

Perché l’adattamento conta più dell’autonomia

Il rischio immediato non è necessariamente l’arrivo improvviso di eserciti informatici completamente indipendenti. È l’accumulo di piccoli vantaggi lungo tutta la catena dell’attacco:

• il codice può essere scritto e corretto più rapidamente;
• i messaggi di phishing possono essere adattati a lingue, settori e pretesti diversi;
• gli script possono essere sottoposti a debug e riconfezionati più velocemente;
• il comportamento del malware può variare in base all’ambiente;
• le attività di ricognizione e raccolta dati possono essere modificate durante l’esecuzione.

Nel complesso, questi vantaggi possono ridurre il costo di un’intrusione e rendere più facile condurre numerosi tentativi. Possono inoltre consentire ad operatori meno esperti di imitare tecniche che un tempo richiedevano competenze specialistiche.

Il problema è particolarmente serio per le organizzazioni con pochi addetti alla sicurezza, grandi quantità di dati sensibili o infrastrutture composte da molti fornitori e servizi esterni. Le affermazioni relative a compromissioni di infrastrutture critiche richiedono però prove specifiche di accesso, impatto e coinvolgimento dell’IA. Una rivendicazione pubblicata da un gruppo criminale, da sola, non conferma nessuno di questi elementi.

Le priorità per la difesa

Gli esempi disponibili indicano la necessità di una risposta stratificata e focalizzata sui comportamenti. Le firme e il blocco degli indicatori già noti restano utili, ma non bastano per individuare attacchi capaci di cambiare forma o di generare comandi dinamicamente.

Tra i segnali da monitorare rientrano:

• processi Python o PyInstaller che effettuano richieste in uscita inattese verso servizi basati su modelli linguistici;
• prompt codificati in base64 o chiamate API insolite da endpoint che normalmente non utilizzano servizi per sviluppatori o strumenti di IA;
• catene di comandi che combinano utilità come systeminfo, tasklist, dsquery o ricerche ricorsive di file;
• uso sospetto di JavaScript, PowerShell o altri interpreti di script;
• accessi anomali alle credenziali, raccolta temporanea di documenti o trasferimenti di dati verso l’esterno;
• installazione da parte dei dipendenti di applicazioni o strumenti browser di IA non autorizzati.

Le indicazioni di rilevamento di Splunk per LameHug evidenziano in particolare l’attività di Python o PyInstaller che si connette all’API di Hugging Face e utilizza il modello Qwen. 4 È un esempio concreto di come individuare il comportamento intorno a un attacco che usa un LLM, invece di aspettare una firma statica del malware.

In sintesi

L’IA si sta integrando profondamente negli attacchi informatici perché rende più semplice produrre, personalizzare e modificare operazioni già esistenti. FunkSec e RevengeHotels mostrano lo sviluppo assistito di componenti malware; LameHug dimostra che un LLM può essere interrogato durante un’intrusione attiva; i rilevamenti di Kaspersky contro le PMI mostrano invece come la popolarità stessa dell’IA venga trasformata in un’esca. 283151

La descrizione più accurata, quindi, non è che “l’IA abbia sostituito l’hacking tradizionale”. L’IA sta diventando piuttosto uno strato di efficienza e adattamento applicato a phishing, sviluppo del malware, ricognizione e furto di dati.

Per i difensori significa prepararsi a una maggiore varietà e a iterazioni più rapide, mantenendo al tempo stesso una distinzione rigorosa tra il coinvolgimento dell’IA verificato dalle fonti e il semplice uso del suo nome per rendere più credibile una truffa informatica.