--- title: "Mythos Preview: Come l'AI di Anthropic sta cambiando la Cybersecurity" date: "2026-05-30" category: "Sicurezza Informatica" tags: ["anthropic", "cybersecurity", "intelligenza artificiale", "mythos preview", "vulnerabilità"] author: "Giuseppe Carruezzo" description: "Scopri come Mythos Preview di Anthropic identifica vulnerabilità e genera exploit, rivoluzionando la difesa digitale e la gestione del codice sicuro." source: "https://ainsights.it/blog/mythos-preview-ai-cybersecurity-vulnerabilita" --- # Mythos Preview: Come l'AI di Anthropic sta cambiando la Cybersecurity ![Mythos Preview: Come l'AI di Anthropic sta cambiando la Cybersecurity](/blogai/backend/uploads/6a1b2dd8c8792.webp) Negli ultimi mesi abbiamo testato diversi LLM (Large Language Models, modelli linguistici di grandi dimensioni) focalizzati sulla sicurezza direttamente sulla nostra infrastruttura. Questi strumenti aiutano a identificare vulnerabilità nei sistemi aziendali prima che possano essere sfruttate, offrendo al contempo un’anteprima delle capacità a disposizione dei futuri attaccanti. Tra i vari modelli, Mythos Preview di Anthropic ha mostrato risultati senza precedenti durante la nostra partecipazione al Project Glasswing. - **50+** — Repository analizzati (Progetti software interni sottoposti a scansione intensiva con Mythos Preview.) ## Cosa cambia con Mythos Preview Mythos Preview rappresenta un salto generazionale rispetto ai modelli generalisti. Non si tratta di un semplice affinamento, ma di un cambio di paradigma nel modo in cui l'intelligenza artificiale analizza il codice. Due funzionalità specifiche ne definiscono l'efficacia: - **Costruzione di catene di exploit:** un attacco reale raramente sfrutta un singolo bug. Spesso concatena diverse falle minori (primitive di attacco) per ottenere il controllo del sistema. Ad esempio, può trasformare un errore di gestione della memoria (use-after-free) in una capacità di lettura e scrittura arbitraria, per poi dirottare il flusso di controllo. Mythos Preview ragiona come un ricercatore senior, combinando queste falle in un attacco coerente. - **Generazione di prove (Proof of Concept - PoC):** identificare un bug è diverso dal dimostrare che sia effettivamente pericoloso. Il modello scrive codice per attivare il bug, lo compila in un ambiente isolato e lo esegue. Se l'esecuzione fallisce, analizza l'errore, corregge l'ipotesi e riprova fino a ottenere una prova concreta. Mentre i modelli precedenti si fermavano alla descrizione teorica di un bug, Mythos Preview è in grado di "chiudere il cerchio", fornendo il codice funzionante necessario per replicare l'attacco. ## Il problema dei rifiuti nella ricerca legittima A differenza dei modelli commerciali standard (come Opus 4.7 o GPT-5.5), la versione di Mythos Preview utilizzata nel Project Glasswing non presentava le restrizioni di sicurezza tipiche dei prodotti consumer. Tuttavia, abbiamo osservato "rifiuti organici": il modello talvolta si opponeva a richieste di ricerca legittime a causa di barriere etiche emergenti. Questi rifiuti non sono costanti. Spesso, modificando leggermente il contesto o l'ambiente del progetto, il modello accettava di eseguire lo stesso compito precedentemente rifiutato. Questa incosistenza dimostra che le protezioni native dei modelli, sebbene presenti, non sono ancora sufficienti a garantire una sicurezza totale senza l'aggiunta di filtri esterni specifici. ## Il problema del rapporto segnale-rumore La gestione delle vulnerabilità soffre da sempre di un eccesso di segnalazioni irrilevanti (rumore). Con l'avvento dell'AI, questo problema si è intensificato. Abbiamo identificato due fattori critici:

Fattore

Impatto sulla precisione

Linguaggio di programmazione

C e C++ generano molti più falsi positivi a causa della gestione manuale della memoria, a differenza di Rust che elimina molte classi di bug alla radice.

Bias del modello

Gli LLM tendono a compiacere l'utente: se chiedi di trovare bug, li troveranno anche dove non esistono, usando terminologia dubitativa ("potenzialmente", "in teoria").

### Pro - Capacità di concatenare bug minori in exploit critici - Generazione autonoma di codice Proof of Concept - Riduzione dei tempi di analisi per i ricercatori umani ### Contro - Elevato tasso di falsi positivi in linguaggi non sicuri (C/C++) - Tendenza a sovrastimare la gravità di falle puramente teoriche ## Perché gli agenti di codifica generici falliscono Puntare un semplice agente AI verso una cartella di codice (repository) e chiedere di trovare bug non produce risultati utili su larga scala. Il limite principale è il **contesto**: gli agenti sono progettati per flussi di lavoro lineari (creare una funzione, correggere un errore specifico). La ricerca di vulnerabilità è invece un processo parallelo e granulare. Un ricercatore umano analizza migliaia di percorsi diversi, uno alla volta, focalizzandosi su specifici punti di ingresso. Un singolo agente AI satura rapidamente la sua "finestra di contesto" (la memoria a breve termine del modello), iniziando a dimenticare dettagli cruciali o a scartare scoperte precedenti. ```mermaid flowchart TD A[Repository Sorgente] --> B[Agente Recon: Mappatura Architettura] B --> C{Generazione Task} C --> D[Hunter 1: Iniezione Comandi] C --> E[Hunter 2: Buffer Overflow] C --> F[Hunter n: Logic Bugs] D & E & F --> G[Validazione Adversarial] G --> H[Report Strutturato] ``` ## L'infrastruttura di scoperta: il "Harness" Per massimizzare l'efficacia di Mythos Preview, abbiamo costruito un sistema di gestione (harness) che suddivide il lavoro in fasi specializzate. Dividere i compiti tra due agenti in "disaccordo deliberato" (uno trova, l'altro critica) è molto più efficace che chiedere a un singolo agente di essere meticoloso. ## Implicazioni per i team di sicurezza Molti esperti vedono nell'AI uno strumento per accelerare le patch (correzioni software). Tuttavia, la velocità non può prescindere dalla qualità. Se un modello scrive una patch in pochi minuti ma si salta il test di regressione (la verifica che la modifica non rompa altre funzioni), il rischio per la produzione aumenta. La vera sfida non è solo correggere più velocemente, ma costruire architetture "sicure per progettazione". Questo significa implementare difese che blocchino l'accesso alle vulnerabilità anche quando queste esistono, rendendo il tempo necessario per il patching meno critico. ### Verdetto ## Fonti e riferimenti 1. [Project Glasswing - Anthropic](https://www.anthropic.com/glasswing) --- *Fonte: [https://ainsights.it/blog/mythos-preview-ai-cybersecurity-vulnerabilita](https://ainsights.it/blog/mythos-preview-ai-cybersecurity-vulnerabilita)*