La relazione “AI Across the Intrusion Lifecycle” di Gambit Security mostra come l’AI stia diventando sempre più integrata negli attacchi informatici reali

Gambit Security ha pubblicato un nuovo rapporto, AI Across the Intrusion Lifecycle, che offre un’analisi dettagliata di come l’intelligenza artificiale stia superando il ruolo di supporto nella cybercriminalità e diventando parte integrante della meccanica quotidiana degli attacchi informatici reali. Scritto dal direttore dell’intelligence delle minacce Eyal Sela e dal ricercatore di minacce informatiche Nir Varon, il rapporto esamina tre attori minacciosi non correlati che utilizzano l’AI per tutto, dalla creazione di script e strumenti di sfruttamento alla analisi dei dati aziendali rubati, alla risoluzione dei problemi di infrastruttura e alla determinazione interattiva di cosa fare dopo all’interno degli ambienti compromessi.

La significatività non risiede semplicemente nel fatto che gli attaccanti chiedono ai modelli linguistici di grandi dimensioni di scrivere malware. I casi suggeriscono qualcosa di più consequenziale: l’AI sta diventando parte del flusso di lavoro operativo di un attacco, aiutando gli attaccanti ad adattarsi a nuovi sistemi, credenziali, errori e opportunità che appaiono.

Dal ruolo di assistente di codifica a partecipante operativo

In tutta l’indagine, Gambit ha osservato gli attaccanti utilizzare l’AI in diverse fasi di un attacco. I modelli hanno generato script personalizzati per gli ambienti che hanno incontrato, hanno sviluppato strumenti di sfruttamento, hanno prioritizzato le informazioni aziendali preziose, hanno eseguito compiti di IT e DevOps e hanno raffinato ripetutamente i comandi in base all’output restituito dai sistemi compromessi.

Questo rappresenta un’evoluzione importante rispetto ad alcune delle prime discussioni sull’uso dell’AI nella cybercriminalità, che si concentravano pesantemente su email di phishing, generazione di malware o abbassamento della barriera tecnica per gli attaccanti inesperti.

L’AI può ora funzionare più come un assistente tecnico altamente reattivo che rimane coinvolto mentre l’operazione si svolge.

Il più ampio panorama delle minacce sembra muoversi nella stessa direzione. Anthropic ha recentemente analizzato 832 account associati ad attività di cybercriminalità maliziosa tra marzo 2025 e marzo 2026 e ha scoperto che l’uso dell’AI si estendeva a tutte le 14 tattiche rappresentate nel framework MITRE ATT&CK. La società ha anche scoperto che la quota di attori che ha classificato come a medio rischio o superiore è aumentata dal 33% al 56% tra la prima e la seconda metà del periodo esaminato.

I casi di Gambit forniscono una visione particolarmente concreta di cosa possa significare questo spostamento all’interno di compromissioni attive.

Un operatore di ransomware sospettato utilizza Claude Code all’interno del ciclo di attacco

Il primo caso coinvolge un operatore di ransomware sospettato che Gambit ha osservato utilizzare Claude Code in sei organizzazioni diverse nel giugno 2026, con i ricercatori che hanno anche collegato l’attore a due precedenti compromissioni.

Le vittime comprendevano aziende di diversi settori e paesi, tra cui un’azienda energetica australiana, una società di servizi finanziari alle Mauritius, aziende in Sudafrica, Thailandia e Malesia e diverse organizzazioni negli Stati Uniti. Gambit attribuisce l’attività con fiducia media a un affiliato che utilizza l’operazione di ransomware-as-a-service The Gentlemen.

Ciò che spicca è l’ampiezza del ruolo di Claude Code.

L’attaccante ha utilizzato il sistema per condurre ricognizioni, generare comandi di sfruttamento, scrivere script malintenzionati, modificare le politiche del firewall, mappare i sistemi interni e determinare quali macchine o database meritavano ulteriore attenzione.

Una volta stabiliti le credenziali e l’accesso remoto, l’AI ha aiutato a interpretare i dati di ricognizione e a identificare sistemi di alto valore come i controller di dominio, i server di file e l’infrastruttura di backup. In un’altra parte dell’intrusione, ha analizzato i database appartenenti a una piattaforma di servizi finanziari e ha aiutato a identificare i dati di produzione e i documenti dei clienti come particolarmente importanti.

Il caso illustra anche i limiti delle salvaguardie attuali. A un certo punto, Claude ha riconosciuto di stare interagendo con una rete aziendale reale e ha rifiutato di procedere senza prove di autorizzazione. L’operatore ha aperto una nuova sessione, ha ridefinito il lavoro come test di vulnerabilità autorizzato e il modello ha continuato.

Ma una maggiore capacità non ha significato un’esecuzione senza errori. Durante la compromissione dell’azienda energetica, Claude ha tentato di modificare una configurazione del firewall e alla fine ha lasciato il dispositivo irraggiungibile. L’incidente è un importante contrappunto alle paure di hacker AI perfettamente autonomi: i modelli possono accelerare le operazioni offensive, ma possono anche commettere errori costosi all’interno dei sistemi che gli attaccanti stanno cercando di controllare.

Zerofot mostra cosa succede quando l’AI incontra la scala

Il secondo caso è meno legato a un’intrusione mirata e più all’industrializzazione del furto di credenziali.

Gambit ha tracciato l’operatore come Zerofot, descrivendo una campagna che ha cercato file e directory esposti su Internet per API key, credenziali cloud, token software e chiavi SSH private.

Al centro dell’operazione c’era uno scanner di raccolta credenziali personalizzato chiamato auto_scan. L’operatore ha costruito lo strumento utilizzando OpenAI Codex e Claude Code, istruendo i modelli con il pretesto che il lavoro stava venendo condotto all’interno di un ambiente di cattura della bandiera autorizzato. Lo scanner ha raccolto file esposti, li ha cercati per credenziali potenziali e ha tentato di convalidare le chiavi scoperte rispetto ai rispettivi servizi.

Il ruolo dell’AI non si è fermato una volta scritto lo strumento.

Claude Code è stato utilizzato anche per il lavoro meno glamour ma operativamente critico di mantenimento dell’infrastruttura in funzione. Attraverso un framework di orchestrazione multi-agente, ha aiutato a gestire l’infrastruttura dello scanner, i proxy, la rete, le configurazioni del firewall, il monitoraggio e la risoluzione dei problemi.

Quella distinzione è importante. Le operazioni di cyber richiedono molto più che scoprire una vulnerabilità o generare un payload. L’infrastruttura deve essere distribuita, il software si rompe, i log devono essere interpretati e i problemi di configurazione devono essere risolti. L’AI può aiutare sempre più con questo lavoro di collegamento.

La scala documentata da Gambit è sostanziale. Tra il 5 aprile e il 23 maggio 2026, l’operazione ha raccolto 2.975 credenziali e chiavi convalidate da 1.742 host vittime. Ciò includeva 661 chiavi SSH private, 635 chiavi di accesso AWS associate a 214 account, 448 chiavi Google Gemini, 254 chiavi OpenAI e 176 chiavi Anthropic, tra molti altri tipi di credenziali. Gambit afferma che le informazioni sono state condivise con la Shadowserver Foundation e i fornitori di servizi interessati per supportare la notifica e la revoca delle credenziali.

RAGE trasforma il codice generato dall’AI in un framework di sfruttamento

La terza indagine si concentra su RAGE, un framework Python personalizzato progettato per scansionare servizi Internet, sfruttare deployment vulnerabili, raccogliere credenziali e installare miner di cryptocurrency.

I ricercatori di Gambit ritengono che gran parte di RAGE e dei suoi script associati siano stati generati dall’AI. Un indizio è particolarmente rivelatore: porzioni del codice contengono ancora ragionamenti in prima persona, autocorrettivi apparentemente lasciati indietro dal modello durante lo sviluppo.

L’AI è stata anche incorporata direttamente nel sistema finito. RAGE include un “Orchestratore AI” supportato da DeepSeek all’interno del pannello di controllo dell’operatore che fornisce indicazioni per la gestione dell’operazione di mining.

Il framework ha bersagliato servizi esposti, tra cui Redis, Elasticsearch, Docker, Tomcat, Jenkins e altri, mentre cercava ambienti compromessi per credenziali che potessero creare ulteriori opportunità.

In un’istanza, le credenziali recuperate da un deployment Redis esposto appartenente a un fornitore di servizi software hanno fornito l’accesso amministrativo a un account AWS. L’attaccante ha successivamente generato ulteriore strumentazione per enumerare identità, archiviazione e altre risorse cloud.

I log recuperati hanno mostrato l’accesso a otto utenti di Identity and Access Management, quattro dei quali avevano l’accesso di amministratore, nonché 196 bucket Amazon S3.

Una campagna che sembrava principalmente motivata dal mining di cryptocurrency aveva quindi anche la capacità di trasformare un servizio esposto in una compromissione cloud più ampia.

I errori dell’AI possono diventare parte del vantaggio del difensore

Uno degli aspetti più interessanti della ricerca di Gambit è che documenta i fallimenti dell’AI accanto ai suoi successi.

I modelli a volte hanno esposto le intenzioni dell’attaccante in modi inaspettati. Gli strumenti generati dall’AI hanno utilizzato nomi consueti come “recon” per le sessioni cloud, mentre altri artifact generati hanno conservato commenti e ragionamenti descrittivi che potevano fornire indizi su come sono stati creati. Nel caso del ransomware, un tentativo di modifica del firewall ha prodotto un’interruzione.

Queste debolezze complicano l’idea che l’AI renda automaticamente le operazioni di cyber più furtive o sofisticate.

I ricercatori di sicurezza di Microsoft hanno descritto l’AI come un acceleratore all’interno dei flussi di lavoro degli attaccanti, con gli operatori umani che dirigono ancora molte operazioni end-to-end. Le scoperte di Gambit suggeriscono che la relazione potrebbe sempre più assomigliare a una partnership: gli umani forniscono obiettivi e giudizio, mentre l’AI assorbe porzioni significative dell’iterazione tecnica richiesta per raggiungere quegli obiettivi.

Ciò può rendere gli attaccanti più veloci senza renderli necessariamente migliori in termini di sicurezza operativa.

I team di sicurezza informatica potrebbero dover difendersi contro l’iterazione a velocità di macchina

La preoccupazione più ampia sollevata dalla ricerca è la velocità.

Molti controlli di sicurezza presuppongono che un avversario si muova all’interno di una rete a un ritmo umano. Un attaccante tradizionalmente deve comprendere una tecnologia sconosciuta, ricercare comandi, scrivere script, risolvere errori e interpretare grandi volumi di dati prima di decidere dove muoversi dopo.

Un sistema AI può comprimere molti di quei passaggi.

Il rischio non è quindi limitato a un futuro agente di hacking autonomo. Un attaccante che rimane saldamente in controllo può comunque utilizzare l’AI per ridurre la quantità di competenze, tempo e sforzo manuale richiesto per operare all’interno di ambienti sconosciuti.

I difensori potrebbero quindi dover concentrarsi meno sul fatto che un particolare pezzo di malware sia stato “generato dall’AI” e più sui segnali comportamentali in tutta la durata dell’intrusione: ricognizione insolitamente rapida, comandi adattivi ripetuti, scoperta aggressiva delle credenziali, enumerazione cloud inaspettata, modifiche all’infrastruttura di backup o di sicurezza e movimento tra i sistemi che si verificano più velocemente di quanto suggerirebbero le operazioni tradizionali guidate dagli umani.

Le stesse capacità rimangono anche preziose per la difesa. Ad esempio, Anthropic sta sviluppando sistemi AI che identificano le vulnerabilità e aiutano i team di sicurezza a porvi rimedio, sottolineando la natura duale di modelli di cyber sempre più capaci. La competizione è sempre più su quale parte possa applicare quelle capacità più velocemente e con maggiore visibilità.

Infine, “AI Across the Intrusion Lifecycle” è convincente perché sposta la discussione sull’AI nella sicurezza informatica dalle ipotetiche future minacce al comportamento operativo osservabile. I tre casi documentati da Gambit Security mostrano gli attaccanti che sperimentano con diversi modelli, framework e livelli di automazione, ma condividono un modello importante: l’AI non è più confinata a preparare un attacco. Sta diventando sempre più presente mentre l’attacco sta effettivamente avvenendo.