Per anni, la cybersicurezza ha seguito un ciclo ben noto.
Gli aggressori sviluppano nuovi malware o tecniche, i difensori analizzano l'attività, la logica di rilevamento migliora e gli strumenti di sicurezza imparano a riconoscere la variante successiva. I modelli di sicurezza tradizionali sono dipesi in larga misura dal fatto che gli aggressori si comportassero in modi sufficientemente prevedibili da consentire ai sistemi di rilevamento di raggiungerli prima o poi.
Gli attacchi basati sull'IA stanno cambiando completamente questo scenario.
I ricercatori di sicurezza utilizzano sempre più spesso espressioni come “vibe hacking” per descrivere attacchi potenziati dai modelli linguistici di grandi dimensioni (LLMs), in cui gli aggressori forniscono l'intento mentre l'IA gestisce gran parte dell'esecuzione tecnica. Invece di scrivere manualmente i payload o modificare costantemente gli script, oggi gli aggressori possono automatizzare questi processi su una scala enorme.
Il risultato sono attacchi più rapidi e adattivi, che espongono i limiti sempre più evidenti delle strategie di sicurezza incentrate innanzitutto sul rilevamento.
Gli attacchi generati dall'IA stanno diventando molto più difficili da prevedere
Le famiglie di malware tradizionali lasciano spesso schemi riconoscibili.
Gli attacchi generati dall'IA non devono necessariamente farlo.
Se un payload attiva il rilevamento, gli aggressori possono semplicemente istruire il modello a riscriverlo utilizzando metodi di esecuzione, API, approcci di scripting o strutture di comando differenti. Ogni variante può comportarsi in modo sufficientemente diverso da eludere la logica di rilevamento precedente.
Ciò che rende tutto questo particolarmente pericoloso è la velocità.
Gli aggressori non devono più trascorrere giorni o settimane a ricostruire manualmente gli strumenti. L'IA accelera enormemente il processo di adattamento del malware, la generazione di campagne di phishing, l'automazione della ricognizione e la modifica delle tecniche di attacco.
Stiamo già osservando esempi concreti di questo cambiamento.
I ricercatori hanno dimostrato che gli aggressori utilizzano assistenti IA per automatizzare la ricognizione, generare payload personalizzati, comprimere i dati sottratti e persino creare richieste di riscatto personalizzate. In altri casi, secondo quanto riportato, il malware ha integrato funzionalità LLM attive direttamente nella catena d'attacco, richiedendo dinamicamente nuove istruzioni in base all'ambiente incontrato.
Invece di basarsi su codice statico, gli attacchi possono ora evolversi in tempo reale.
I modelli di rilevamento tradizionali faticano a tenere il passo
La maggior parte delle piattaforme di rilevamento e risposta degli endpoint (EDR) dipende fortemente dalla ripetibilità.
Cercano binari sospetti, schemi comportamentali, indicatori noti o attività associate ad attacchi precedenti.
Il problema è che gli attacchi generati dall'IA indeboliscono significativamente questo modello.
Se viene rilevato un percorso di esecuzione, gli aggressori ne generano un altro. Se i difensori identificano una variante di script, l'IA la riscrive in modo diverso. I sistemi di rilevamento sono costretti a seguire un ciclo costantemente reattivo, mentre gli aggressori continuano ad adattarsi.
I sistemi di IA tendono inoltre naturalmente a utilizzare strumenti di amministrazione legittimi già presenti negli ambienti aziendali, tra cui PowerShell, WMI, Python, API cloud e utilità di gestione remota.
Questi strumenti esistono già nella maggior parte delle organizzazioni e spesso si integrano direttamente nelle normali operazioni.
Questo rende gli attacchi basati sull'IA significativamente più difficili da distinguere dalle attività legittime.
Questa sfida è uno dei motivi per cui le organizzazioni adottano sempre più piattaforme orientate innanzitutto alla prevenzione, come ThreatLocker®. Anziché cercare di stabilire se ogni azione sia dannosa, ThreatLocker applica controlli Zero Trust che limitano fin dall'inizio le applicazioni, gli script e le comunicazioni autorizzati a essere eseguiti.
L'IA sta accelerando il passaggio al modello Zero Trust
È proprio per questo che gli attacchi basati sull'IA rafforzano la necessità di modelli di sicurezza Zero Trust.
Zero Trust presuppone che nessuna applicazione, utente, dispositivo o comunicazione debba essere considerata automaticamente affidabile, anche se è già presente nell'ambiente.
Anziché affidarsi interamente all'identificazione dei comportamenti dannosi a posteriori, Zero Trust si concentra sul controllo di ciò che i sistemi possono fare fin dall'inizio.
Questo approccio diventa incredibilmente prezioso quando gli attacchi sono progettati per mutare continuamente.
Se le applicazioni non approvate non possono essere eseguite, non importa quante volte l'IA riscriva il payload.
Se l'accesso a PowerShell è strettamente controllato tramite l'inserimento delle applicazioni consentite e il Ringfencing™ di ThreatLocker, gli aggressori perdono uno dei loro strumenti più efficaci per la ricognizione, l'escalation dei privilegi e il movimento laterale. Se le comunicazioni in uscita sono limitate, i dati sottratti diventano molto più difficili da esfiltrare.
Anziché tentare di prevedere ogni nuova variante di attacco, le organizzazioni riducono l'esposizione eliminando la fiducia non necessaria, limitando le autorizzazioni e restringendo del tutto i percorsi di esecuzione.
La restrizione sta diventando più efficace del riconoscimento
Le strategie di sicurezza informatica tradizionali si sono concentrate soprattutto sul riconoscimento delle attività dannose dopo la loro comparsa.
Gli attacchi generati dall'intelligenza artificiale stanno rendendo tutto ciò sempre più difficile.
Le organizzazioni stanno ora passando a modelli di sicurezza che danno priorità alla restrizione rispetto al riconoscimento. Anziché tentare di identificare ogni possibile minaccia, i difensori definiscono ciò che è esplicitamente consentito e bloccano tutto il resto per impostazione predefinita.
Ciò significa controllare l'esecuzione delle applicazioni, limitare gli strumenti amministrativi, restringere le comunicazioni, applicare il principio del privilegio minimo e ridurre le opportunità di movimento laterale.
In ThreatLocker crediamo fermamente che la prevenzione debba venire prima.
Una risposta rapida non è abbastanza rapida quando l'intelligenza artificiale può adattare velocemente gli attacchi, più rapidamente di quanto i difensori riescano a creare rilevamenti.
Le soluzioni ThreatLocker® aiutano le organizzazioni a rendere operativo questo approccio attraverso l'inserimento delle applicazioni consentite, i controlli con blocco predefinito, le restrizioni delle comunicazioni e il controllo granulare delle attività degli endpoint.
L'era dell'intelligenza artificiale richiede una mentalità di sicurezza diversa
L'intelligenza artificiale sta cambiando radicalmente la velocità, la portata e l'adattabilità degli attacchi informatici, mettendo al contempo in luce i limiti dei modelli di sicurezza reattivi tradizionali.
Le organizzazioni non possono più presumere che il malware rimanga statico abbastanza a lungo da consentire alle firme o all'analisi comportamentale di rilevarlo in modo affidabile.
Gli attacchi generati dall'intelligenza artificiale sono progettati per evolversi continuamente.
Per questo il modello Zero Trust sta diventando sempre più importante.
Applicando rigidi limiti operativi e convalidando continuamente ciò che applicazioni, sistemi, utenti e dispositivi sono autorizzati a fare, le organizzazioni possono ridurre significativamente le opportunità per gli attacchi basati sull'intelligenza artificiale di essere eseguiti, diffondersi o comunicare con successo.
Perché quando gli attacchi possono cambiare istantaneamente, controllare l'ambiente diventa molto più efficace che tentare di riconoscere ogni variazione a posteriori.
Scopri la rivista Cyber Hero di ThreatLocker per ulteriori suggerimenti e informazioni utili sul modello Zero Trust
E consulta gli articoli qui sotto per maggiori dettagli sull'utilizzo delle soluzioni Zero Trust per difendere il tuo ambiente dall'intelligenza artificiale:



