Dalla fine del 2025 una nuova generazione di frontier model, Claude Mythos, GPT Cyber e simili, ha portato la ricerca di vulnerabilità guidata dall'intelligenza artificiale in cima all'agenda di ogni CISO.
La domanda che si sono fatti tutti è la stessa: l'AI renderà inutili gli ethical hacker e i programmi di bug bounty?
Abbiamo visto molte affermazioni, per quanto ne so ancora non verificate da ricercatori indipendenti, secondo cui questi modelli sarebbero in grado di trovare un gran numero di vulnerabilità zero-day in una code base consolidata. Ed è vero. Ed è proprio qui che l’AI è molto capace: analizzare grandi quantità di codice.
Tra l’altro, gli stessi modelli che ti aiutano a trovare i difetti latenti prima del rilascio finiranno, inevitabilmente, nelle mani di chi prova a entrare. Sta arrivando un’intera categoria di attacchi nativi AI, che lascia i CISO con due domande pratiche:
• Come facciamo, concretamente, a ottenere il beneficio di tutto questo?
• E qual è il modo più efficiente di farlo in termini di denaro, tempo e rischio?
Abbiamo chiesto ai ricercatori della community UNGUESS Security come usano l’AI nel lavoro di tutti i giorni. Questo ci ha aiutato a fotografare la situazione reale (in fondo, replicano quello che farebbe un criminale).
Abbiamo chiesto alla community di ethical hacker come usano l’AI nel lavoro quotidiano. Non sorprende che il 90% dei ricercatori usi l'AI in modo regolare e intenso. Il dato interessante è un altro: tra le otto famiglie di attività che abbiamo mappato, la generazione di ipotesi di vulnerabilità è quella dove l'AI viene usata meno di tutte.
Tra queste famiglie di attività:
Reconnaissance & asset discovery, comprensione di codice o tecnologie sconosciute, generazione di ipotesi di vulnerabilità, generazione di payload/exploit, scrittura o rifinitura di PoC, scrittura dei report, apprendimento/upskilling e automazione di attività ripetitive.
Usano l’AI soprattutto per comprendere codice o tecnologie sconosciute, per scrivere o rifinire PoC e per la scrittura dei report, molto meno per reconnaissance & asset discovery e in particolare pochissimi usano l’AI per la generazione di ipotesi di vulnerabilità. Perché è lì che contano la creatività e la capacità di collegare i puntini.
I problemi dell’AI riguardano di solito la mancanza di contesto sulla logica di business e le vulnerabilità allucinate / false.
Gli hacker dicono soprattutto che l’AI alzerà l’asticella: i bug facili spariscono, pagano solo quelli difficili. Pensano che l’AI ridurrà le opportunità di guadagno per gli hunter, ma anche che gli agenti autonomi non competeranno direttamente con gli hunter umani.
Controintuitivamente, sono neutrali su questa domanda “Un tooling forte e nativo AI ti renderebbe più propenso a fare hunting su una piattaforma?”
Partiamo dall’effetto ovvio: l’AI abbassa il costo dei finding. I frontier model leggono codebase enormi, aiutano a capire come costruire un payload, aiutano a concatenare le cose e producono sempre più spesso exploit funzionanti.
Man mano che questa capacità si diffonde, al tuo team, ai vendor, agli attaccanti, il volume di vulnerabilità segnalate cresce nettamente, anche per prodotti sottoposti a pentest da anni. Il numero di CVE aumenta ogni giorno di più.
Sembra un progresso, e in parte lo è. Ma la maggior parte dei team di sicurezza ha superato da tempo il limite del sistemiamo tutto quello che troviamo. Una lista più lunga aiuta solo se ogni voce arriva con un contesto affidabile: è reale, è raggiungibile, conta davvero qui? Senza questo, hai semplicemente allungato il backlog.
Il tooling offensivo puramente AI fatica su quest’ultimo miglio:
• Validazione e contesto. I modelli sono molto bravi a segnalare cose che assomigliano a vulnerabilità. Sono molto meno affidabili nel confermare che un difetto sia davvero sfruttabile nel tuo ambiente specifico. Il che, oggi, significa moltissimi falsi positivi. E i falsi positivi bruciano silenziosamente la risorsa più costosa che hai: il tempo degli analisti e dei tecnici.
• Costi imprevedibili. Il pricing basato sui token scala con quanto gira il sistema, non con quello che trova. Punta un modello su una codebase grande per testarla e il conto cresce, che torni indietro qualcosa di utile o meno. Il pentest tradizionale ha lo stesso difetto, ma l’AI on demand rende gli sforamenti più facili da innescare e più difficili da tenere sotto controllo.
• Spiegabilità e controllo. La maggior parte degli agenti di scansione non riesce ancora a rendere conto in modo chiaro e verificabile di cosa ha toccato e cosa no, quindi la copertura è difficile da garantire. Peggio, alcuni tool agentici compiono sui sistemi a cui sono puntati azioni che non avevi previsto e che non avresti autorizzato.
• Sovranità. Dare a un’AI di terze parti un accesso profondo al codice sorgente e ai sistemi sensibili non è sempre accettabile sul piano legale o politico; soprattutto per i settori regolamentati e per le organizzazioni europee che operano sotto regole più severe in materia di protezione dei dati e supply chain.
Niente di tutto questo significa che i vantaggi siano finti. Significa che la posta in gioco operativa è reale e che ottenere valore dall’offensiva AI richiede un modello di delivery che separi il segnale dal rumore invece di amplificare entrambi.
Mettiamo da parte i tool per un attimo. Quando un security leader dice voglio usare l’AI per la scoperta delle vulnerabilità, quello che intende quasi sempre è: più copertura, più velocemente, con un costo per finding reale più basso e più prevedibile, e maggiore confidenza su ognuno di essi.
Questo è un risultato. Il frontier model è solo uno dei mezzi possibili per arrivarci, e non necessariamente quello che dovresti comprare direttamente.
La distinzione conta perché accende i riflettori sulla struttura dei costi. Le API dei frontier model e le piattaforme offensive native AI hanno lo stesso modello di prezzo del pentest tradizionale: paghi il processo, non il risultato. Paghi la scansione, i token, l’engagement, inclusi ogni falso positivo e ogni minuto di attività andata a vuoto quando la configurazione è leggermente sbagliata.
Il bug bounty ribalta tutto questo.
In un programma di bug bounty paghi quando un ricercatore consegna una vulnerabilità validata e sfruttabile, e solo allora. Nessun finding, nessuna fattura. Il costo per finding non oscilla in modo imprevedibile, perché non c’è alcun costo quando non c’è niente da segnalare.
E puoi insegnare agli hunter cosa è importante nel tuo contesto. Così ogni vulnerabilità è una vera catena di attacco complessa, davvero sfruttabile e qualcosa da mettere in cima alle priorità.
È la differenza che il bug bounty ha rispetto al pentest tradizionale da anni. Il confronto nuovo e interessante è con il tooling offensivo AI, e l’economia è la stessa.
Ecco la parte che la narrativa dell’“AI sostituisce il bug bounty” manca completamente: i ricercatori bug bounty sono tra gli adopter più rapidi e spietati di nuove tecnologie in tutta la sicurezza. I frontier model fanno già parte dell’equipaggiamento standard del loro toolkit: usati ogni giorno per accelerare la reconnaissance, automatizzare il lavoro ripetitivo, lanciare scansioni su larga scala e sondare target black box. Ogni ricercatore ci mette accanto la propria metodologia, l’intuito, il prompting e spesso tool costruiti su misura.
Quindi la scelta non è mai stata AI o bug bounty. È “sì, e”.
Attivare un programma dà accesso a pentester agentici indipendenti, ognuno con uno stack AI diverso puntato sul tuo scope, da un’angolazione diversa, con competenze diverse. Ottieni tutta la portata dei frontier model e dei tool AI, con due cose che nessun modello grezzo ti dà:
• Ogni finding è validato da una persona. Il ricercatore che lo invia ci mette la propria reputazione, e un team di triage esperto conferma in modo indipendente la sfruttabilità e valuta il rischio reale prima che qualcosa arrivi al tuo team.
• Paghi solo i risultati. Nessun finding, nessun compenso. Risultati, non attività.
È anche qui che si gestisce il lato meno lusinghiero del boom dell’AI. Gli stessi strumenti che aiutano i ricercatori esperti inondano anche le piattaforme di submission di bassa qualità generate dalle macchine. AI slop che sembra plausibile e fa perdere tempo a tutti. Il volume cresce; e cresce anche la quota di rumore. In quel contesto, il triage umano e una community di ricercatori selezionati sono ciò che sta tra te e un backlog di spazzatura dal tono convincente.
Per le organizzazioni europee il calcolo è ancora più netto. NIS2, DORA e il Cyber Resilience Act stanno trasformando la “buona igiene di sicurezza” in obbligo di legge e il CRA in particolare impone ai produttori di gestire una divulgazione coordinata delle vulnerabilità e di trattare le segnalazioni entro tempi definiti.
Un modello di delivery che produce finding validati, mantiene una traccia di audit chiara e non richiede di consegnare il tuo codice sorgente a un servizio AI straniero e opaco è sempre più l’unico modello compatibile con i vincoli normativi e di sovranità di cui i board europei rispondono oggi.
I frontier model cambiano il volume e la sofisticazione di quello che si può trovare. Non cambiano il lavoro vero che un team di sicurezza ha davanti: separare il segnale dal rumore, dimostrare la sfruttabilità, dare priorità ai fix che contano e non affogare nel processo.
Un programma di bug bounty significa che paghi solo per le vulnerabilità validate mentre i ricercatori puntano i loro arsenali AI sul tuo scope, catturando il valore dei modelli e degli strumenti più recenti senza doverne gestire, governare o pagare nemmeno uno.
Volevi i risultati promessi dall’AI. Il bug bounty li ha sempre consegnati. L’AI lo ha solo reso più bravo a farlo.
Vuoi vedere quello che vede un hacker? Prova la nostra nuova app, costruita a partire dall’esperienza degli hacker: https://security.unguess.io/app