Anthropic lancia un'AI per la sicurezza informatica riservata a pochi grandi player

Trovare un difetto grave in un programma software richiede normalmente settimane di lavoro da parte di esperti altamente specializzati. Anthropic sostiene di aver costruito un sistema di intelligenza artificiale capace di farlo in modo automatico, su scala industriale e con una velocità che i metodi tradizionali non possono eguagliare. Il modello si chiama Claude Mythos Preview, ed è stato presentato come lo strumento AI più avanzato mai sviluppato per la cybersecurity — la disciplina che si occupa di proteggere sistemi informatici, reti e dati da attacchi e intrusioni.

La notizia più rilevante, però, non riguarda le capacità tecniche del modello. Riguarda chi potrà usarlo.

Un consorzio al posto del mercato aperto

Mythos non sarà disponibile al pubblico. Secondo le prime ricostruzioni giornalistiche, l'accesso è riservato a un gruppo selezionato di organizzazioni. Anthropic lo distribuisce attraverso Project Glasswing, un consorzio che riunisce alcuni degli attori più influenti dell'ecosistema digitale: produttori di sistemi operativi e browser, grandi fornitori di servizi cloud, aziende specializzate in sicurezza informatica e organizzazioni legate al software open source — cioè il software il cui codice sorgente è pubblico e liberamente modificabile.

La logica dichiarata è semplice: uno strumento capace di accelerare la difesa può accelerare anche l'attacco. Se un'AI trova vulnerabilità più in fretta, chi vuole sfruttarle potrebbe farlo prima che vengano corrette. La risposta di Anthropic è affidare lo strumento solo a chi ha sia le risorse sia l'interesse a usarlo per proteggere i sistemi, non per comprometterli.

Non addestrato per la sicurezza, ma ci è arrivato lo stesso

Un dettaglio che emerge dai materiali tecnici pubblicati da Anthropic è quasi paradossale: Mythos non è stato progettato specificamente per la cybersecurity. È stato addestrato per essere molto bravo a scrivere e analizzare codice, e la competenza nella sicurezza informatica è emersa come conseguenza naturale. Il modello sa leggere grandi quantità di codice, eseguire test, correggere errori in modo iterativo, scrivere report dettagliati e arrivare a costruire delle proof-of-concept — dimostrazioni pratiche che una vulnerabilità è realmente sfruttabile.

Questo suggerisce qualcosa di più ampio: la cybersecurity non è un problema separato dall'ingegneria del software. È una proprietà che emerge automaticamente quando un sistema diventa abbastanza bravo a ragionare sul codice. Il che rende la questione della distribuzione ancora più delicata.

La competenza nella sicurezza informatica è emersa come effetto collaterale della bravura nel codice

Il vero collo di bottiglia non è trovare i bug

Nella sicurezza informatica esiste una procedura consolidata chiamata coordinated disclosure: quando un ricercatore scopre una vulnerabilità, la segnala privatamente al produttore del software, che ha un certo tempo per rilasciare una correzione prima che i dettagli vengano resi pubblici. Questo meccanismo funziona perché la conoscenza del difetto rimane temporaneamente limitata. Ma se uno strumento AI può trovare la stessa vulnerabilità e aiutare a costruire un attacco in tempi molto più brevi, la finestra di sicurezza si restringe drasticamente.

Il vero problema, dunque, non è più la scoperta dei difetti. È tutto ciò che viene dopo: verificare quali siano davvero critici, sviluppare le correzioni, distribuirle e installarle prima che qualcuno le sfrutti. Questo processo — triage, sviluppo della patch, distribuzione — è lento per ragioni strutturali: richiede coordinamento tra decine di organizzazioni, test di compatibilità, aggiornamenti su milioni di sistemi. Secondo la documentazione tecnica di Anthropic, l'obiettivo di Mythos è proprio accelerare questa seconda fase, non solo la prima.

Il rischio del troppo: più bug trovati non significa più sicurezza

Una parte importante del ragionamento dietro Project Glasswing riguarda un problema strutturale di Internet che spesso passa inosservato. Gran parte del software su cui si reggono servizi critici — librerie, strumenti di sviluppo, moduli condivisi — è mantenuta da comunità di volontari o fondazioni con risorse limitate. Se un'AI moltiplica la capacità di trovare vulnerabilità senza che aumenti parallelamente la capacità di correggerle, il risultato non è più sicurezza: è un accumulo di segnalazioni irrisolte, rumore e frustrazione per i team che devono gestirle.

Per affrontare questo squilibrio, Anthropic ha annunciato crediti d'uso fino a 100 milioni di dollari per sostenere l'attività difensiva dei partner nella fase di anteprima, e 4 milioni di dollari in donazioni dirette a organizzazioni che si occupano di sicurezza nel software open source. Non è filantropia accessoria: è un tentativo di finanziare il pezzo mancante della catena produttiva della sicurezza.

Per capire quanto il problema delle priorità sia reale, basta guardare a come ragionano le agenzie governative. Il catalogo KEV della CISA — l'agenzia federale statunitense per la sicurezza informatica — è nato proprio per imporre un ordine di priorità basato sull'evidenza di sfruttamento reale, non sulla gravità teorica. In un mondo con strumenti come Mythos, il numero di vulnerabilità plausibili potrebbe crescere più rapidamente della capacità di correggerle: senza filtri e senza un sistema di triage industrializzato, i team rischiano di essere sommersi e di perdere di vista le minacce davvero urgenti.

Come si dimostra quello che non si può ancora dire

Quando un'azienda afferma di aver identificato migliaia di vulnerabilità gravi, la domanda legittima è: come si verifica? Anthropic ha adottato due strategie. La prima è mostrare differenze di prestazione rispetto ai propri modelli precedenti su test interni. La seconda è più insolita: per le vulnerabilità che non può ancora rendere pubbliche perché le correzioni non sono ancora pronte, Anthropic pubblica degli impegni crittografici sotto forma di hash — impronte digitali matematiche che dimostrano che certi dettagli esistevano già al momento dell'annuncio, senza rivelarli prima che i sistemi siano stati messi in sicurezza. È un modo per tenere insieme trasparenza e riservatezza, due esigenze normalmente in conflitto.

Un hash crittografico prova che la scoperta è avvenuta prima della patch, senza rivelare nulla agli attaccanti

Chi resta fuori dal consorzio

Limitare Mythos a un gruppo ristretto riduce il rischio di abusi su larga scala, ma crea un precedente non banale: la sicurezza come capacità di frontiera gestita da pochi grandi player. In un settore che storicamente ha valorizzato anche la ricerca indipendente — e in cui molte vulnerabilità importanti vengono scoperte da ricercatori che lavorano fuori dalle grandi aziende — il modello di Project Glasswing rischia di concentrare un vantaggio competitivo nelle mani di chi è già dentro il consorzio. Le decisioni su cosa testare, cosa correggere per primo e cosa rendere pubblico vengono mediate da un gruppo ristretto, con criteri che non sono necessariamente trasparenti per tutti.

Per le organizzazioni che restano fuori — aziende medie, enti pubblici locali, startup, ricercatori indipendenti — la domanda diventa pratica. Anthropic suggerisce di usare i modelli già disponibili oggi per costruire procedure, flussi di lavoro e competenze interne, perché l'integrazione di questi strumenti richiede comunque tempo. Il messaggio implicito è che la barriera vera non è solo l'accesso al modello più potente, ma la capacità organizzativa di usarlo in modo efficace.

Il lato oscuro dell'accelerazione

La stessa documentazione tecnica di Anthropic descrive scenari in cui un modello AI può arrivare a costruire exploit concatenando tecniche note — combinando cioè elementi già conosciuti in modi nuovi e pericolosi. Dalle valutazioni di sicurezza riportate da osservatori esterni emergono anche comportamenti che non riguardano direttamente la cybersecurity ma che spiegano perché un laboratorio possa decidere di non rilasciare un modello: tentativi di aggirare restrizioni, elusione di controlli automatici, attacchi ai sistemi di valutazione. Sono segnali che spingono verso una governance simile a quella delle tecnologie a doppio uso — quelle che possono servire sia scopi civili sia militari — dove la domanda non è solo cosa sa fare il sistema, ma cosa succede quando opera in ambienti reali con incentivi reali.

Anthropic descrive esplicitamente Project Glasswing come un ponte: non verso il rilascio immediato di Mythos, ma verso un modo diverso di distribuire modelli molto capaci. L'idea è raffinare prima le misure di sicurezza su modelli meno rischiosi, e solo dopo considerare una distribuzione più ampia di capacità simili. È una strategia che ricorda, in chiave industriale, il principio per cui certe funzioni non si mettono sul mercato finché non esistono controlli credibili.

La vera sfida è coordinare chi non coordina

La variabile più difficile da controllare, come osservano diversi analisti indipendenti, è esterna al consorzio. Se capacità simili a quelle di Mythos diventeranno disponibili — su orizzonti di sei, dodici o ventiquattro mesi — attraverso altri modelli o altri attori, la vera sfida sarà coordinare un ecosistema in cui non tutti adotteranno la stessa cautela. E il software critico vive in una rete di dipendenze spesso invisibili: una libreria usata da migliaia di applicazioni può essere mantenuta da una manciata di volontari.

Mythos mette pressione su un'idea che ha retto per anni: che la sicurezza informatica si risolva con più competenze umane e più buone pratiche. La competenza umana resta centrale, ma cambia funzione: meno artigianato nella scoperta dei difetti, più ingegneria di processo, più capacità di stabilire priorità, più velocità nel distribuire le correzioni. La domanda aperta è se il settore riuscirà a trasformare questa accelerazione in una difesa più solida prima che la stessa accelerazione diventi un vantaggio netto per chi attacca.