AI nel Penetration Testing

AI nel Penetration Testing

Come LLM, agenti autonomi e strumenti AI stanno ridefinendo la sicurezza offensiva nel 2026

Indice – AI nel Penetration Testing

1. Introduzione: il penetration testing nell’era dell’AI
2. Come LLM, AI e agenti stanno cambiando il pen testing
3. Vantaggi dell’AI nel penetration testing
4. Le principali piattaforme AI per il pen testing (e i costi in euro)
5. Claude Code per il penetration testing: guida pratica
6. Best practice del penetration testing con AI: pro e contro
7. Conclusioni: formazione continua come vantaggio competitivo

1. Introduzione: il penetration testing nell’era dell’AI

Il penetration testing (pen testing) è la pratica di simulare attacchi informatici autorizzati su sistemi, reti o applicazioni per individuare vulnerabilità prima che lo facciano gli attaccanti reali. Se lavori già come sviluppatore o ingegnere con esperienza in sicurezza offensiva, sai bene quanto sia laborioso: ricognizione manuale, analisi dei risultati degli scanner, concatenazione degli exploit, stesura dei report. Tutto richiede ore, spesso giorni.

Nel 2026, questa realtà sta cambiando rapidamente. Grandi modelli linguistici (LLM), agenti autonomi e piattaforme AI specializzate stanno comprimendo settimane di lavoro manuale in poche ore. Secondo un’analisi di Hadrian (2026), il costo medio di un pen test manuale oscilla tra 15.000 e 50.000 dollari per ingaggio, mentre le soluzioni AI autonome possono scendere a costi enormemente inferiori, con benchmark Carnegie Mellon che mostrano riduzioni di oltre 150 volte.

Questa mini-guida ti spiega concretamente come sfruttare questa trasformazione, quali strumenti usare, quanto costano e come configurare Claude Code come copilota per il tuo workflow di sicurezza offensiva.

2. Come LLM, AI e agenti stanno cambiando il pen testing

Il loop ReAct: dal copilota all’agente autonomo

La differenza fondamentale è tra un copilota (che suggerisce) e un agente (che agisce). Gli strumenti AI moderni operano in un loop ReAct (Reasoning-Acting): osservano lo stato del sistema, scelgono un’azione, la eseguono, analizzano l’output e decidono cosa provare dopo. Non seguono una checklist fissa come Nessus o Nuclei: formulano ipotesi, le testano, le raffinano.

Come nota appsecsanta.com nella sua analisi del 2026, esistono ormai almeno 39 progetti open source classificabili come agenti di pen testing AI, che spaziano da wrapper leggeri attorno a una singola chiamata LLM a veri e propri swarm multi-agente con vector database integrati.

Le nuove superfici d’attacco

Nel 2026 le applicazioni AI sono esse stesse una superficie d’attacco. Come descrive la metodologia AxVeil, le tecniche mature includono prompt injection (diretta e indiretta), jailbreaking, poisoning del corpus RAG, tool abuse, model inversion e attacchi alla supply-chain dei pesi del modello. Il catalogo MITRE ATLAS conta ormai oltre 50 tecniche di machine learning avversariale, e l’OWASP LLM Top 10 ha rilasciato la versione v1.1 con la prompt injection al primo posto.

Multi-agente e parallelismo

Le architetture più avanzate (XBOW, NodeZero, SelfHack AI) deployano migliaia di agenti specializzati in parallelo, ognuno con obiettivi ristretti e contesto fresco. Questo approccio separa l’esplorazione AI dalla verifica deterministica degli exploit, ottenendo tassi di falsi positivi estremamente bassi e una copertura impossibile da raggiungere manualmente.

3. Vantaggi dell’AI nel penetration testing

• Velocità: un pen test che richiedeva settimane viene completato in ore. XBOW dichiara di replicare 40 ore di test manuale su web app in 28 minuti.
• Continuità: le piattaforme AI possono girare in loop continuo su ogni deploy CI/CD, non solo una o due volte l’anno.
• Scalabilità: migliaia di agenti in parallelo coprono superfici d’attacco che un team umano non potrebbe raggiungere.
• Riduzione del costo: dai 15.000-50.000 euro di un ingaggio manuale tradizionale a soluzioni molto più economiche per molti scenari.
• Concatenazione automatica degli exploit: l’AI costruisce catene di attacco multi-step attraverso credenziali deboli, misconfigurazioni e CVE, dimostrando impatto reale e non solo teorico.
• Report strutturati e compliance-ready: generazione automatica di documentazione mappata su framework come SOC 2, ISO 27001, PCI-DSS.
• Supporto ai tester umani: l’AI gestisce volume e ripetizione, i professionisti si concentrano su creatività, logica di business e threat modeling avanzato.

4. Le principali piattaforme AI per il pen testing

Ecco una panoramica delle soluzioni più rilevanti nel 2026, con i costi indicativi in euro (dove disponibili pubblicamente).

Piattaforme enterprise autonome

Pentera

Piattaforma matura per la validazione della sicurezza su reti interne, superfici esterne, cloud e sistemi identity. Emula TTP reali di gruppi ransomware (Cl0p, LockBit, BlackCat), genera payload context-aware e si adatta all’ambiente. Ha superato 100 milioni di dollari di ARR nel gennaio 2026 e serve oltre 1.200 clienti enterprise. Costo indicativo: circa 46.000 euro/anno (fonte: selfhack.ai). Deployment on-premise obbligatorio.

NodeZero (Horizon3.ai)

Prima AI ad aver completato il benchmark Game of Active Directory (GOAD) in 14 minuti, sfida che aveva bloccato GPT-4o, Gemini 2.5 Pro e Claude Sonnet 3.7. Ha eseguito oltre 235.000 pen test in produzione con zero downtime. Si deploya come singolo container Docker, senza agenti persistenti. Copre reti interne, superfici esterne, cloud ibrido (AWS, Azure) e Active Directory. Costo indicativo: circa 35.000 euro/anno (fonte: ijonis.com). Pricing su quote personalizzata.

XBOW

Piattaforma unicorno (valutazione $1B+) specializzata in web application e API. Deploya migliaia di agenti paralleli a vita breve, ognuno con obiettivo ristretto. Separa esplorazione AI da verifica deterministica degli exploit. Ottima per bug bounty e test su webapp. Costo indicativo: 4.000-8.000 euro per assessment (fonte: ijonis.com). Limitata a web e API, non copre reti e infrastruttura.

Piattaforme mid-market e developer-first

Penligent

Agente AI che orchestra oltre 200 tool standard del settore (Nmap, Metasploit, Burp Suite) in un workflow automatizzato dalla ricognizione al report. Supporta linguaggio naturale per le istruzioni. Piani Pro a partire da circa 45 euro/mese (49,90 $/mese). Ottimo per team che vogliono un agente autonomo sulla propria toolchain esistente.

Aikido Security

Piattaforma unificata (SAST, SCA, DAST, AI pen testing) pensata per startup e team veloci. Piano gratuito disponibile. Costo indicativo per singolo test: circa 3.000 euro. Ideale come punto d’ingresso per chi vuole iniziare senza investimento iniziale.

Mindgard

Specializzata in red teaming continuo di applicazioni LLM e AI. Essenziale per chi sviluppa features con modelli linguistici. I report di HackerOne mostrano un aumento del 540% di segnalazioni valide di prompt injection anno su anno nel 2025. Prezzi su richiesta (enterprise).

Strumenti open source

Garak (NVIDIA)

Scanner open source per vulnerabilità LLM: jailbreak, data leakage, toxic output. Installazione in un comando pip. Copre 7 dei 10 punti OWASP LLM Top 10. Gratuito (Apache 2.0). Il punto di partenza per chi vuole testare modelli AI senza costi.

Esempio di installazione e avvio rapido:

pip install garak

python -m garak –model_type openai –model_name gpt-4o –probes all

PentestGPT

Agente open source (MIT) per pen testing guidato da LLM con metodologia validata a USENIX. Richiede chiavi API proprie del modello e autorizzazione del target. Ideale per CTF, bug bounty e formazione pratica.

PyRIT (Microsoft)

Framework di orchestrazione per red teaming avversariale di sistemi AI con strategie di attacco multi-turn. Usato nelle fasi di probing di sistema-prompt, context manipulation e tool abuse. Gratuito (open source).

5. Claude Code per il penetration testing: guida pratica

Che cos’è Claude Code Security

Il 20 febbraio 2026, Anthropic ha rilasciato Claude Code Security, una funzionalità integrata in Claude Code che analizza codebase per vulnerabilità e propone patch mirate, con una fase di verifica multi-step che filtra i falsi positivi prima che un analista li veda. Lo strumento è disponibile come research preview per clienti Enterprise e Team, con accesso anticipato per i maintainer di progetti open source.

A differenza degli scanner tradizionali basati su regole (SAST classico), Claude Code opera con ragionamento semantico: capisce il flusso dei dati attraverso il codice, le trust boundary tra componenti e le catene di vulnerabilità che uno scanner basato su pattern non rileva.

Configurazione base per il pen testing

Per configurare Claude Code come copilota di sicurezza nel tuo progetto, crea un file CLAUDE.md nella root con istruzioni specifiche per il contesto di sicurezza:

# CLAUDE.md – Security Audit Configuration

## Ruolo

Sei un penetration tester esperto. Analizza il codice

con mentalita’ offensiva seguendo OWASP Top 10 e MITRE ATT&CK.

## Scope

– Analisi SAST su tutto il codice TypeScript/Python

– Identificazione di: SQLi, XSS, IDOR, SSRF, RCE, LFI

– Mappatura delle trust boundary tra componenti

– Report con CVSS score per ogni finding

## Vincoli etici

– Operare SOLO su ambienti autorizzati

– Non eseguire comandi distruttivi in produzione

– Documentare ogni azione nel log di audit

Installa le skill di sicurezza di Trail of Bits, che al febbraio 2026 rappresentano il gold standard per audit con Claude Code:

git clone https://github.com/trailofbits/skills ~/.claude/skills/trailofbits

Le skill includono: static-analysis (analisi statica), insecure-defaults (rilevamento di configurazioni insicure), variant-analysis (ricerca di varianti della stessa vulnerabilita’), differential-review (confronto tra versioni) e sharp-edges (pattern pericolosi specifici per linguaggio).

Workflow pratico: audit di una web app

Esempio di sessione Claude Code per un audit su un’applicazione Node.js/Express:

# Avvia Claude Code nella directory del progetto

cd /path/to/target-app

claude

# Prompt iniziale

> Esegui un audit di sicurezza completo su questa applicazione.

> Parti dalla mappatura delle route Express, identifica

> tutti i punti di input utente non sanitizzati, controlla

> le query al database per SQL injection, e verifica

> l’autenticazione JWT. Produci un report con CVSS score.

Claude Code analizzerà il file system, leggerà i file sorgente, identificherà i pattern vulnerabili e proporrà patch concrete. Per vulnerabilità critiche, il workflow multi-step verifica che la patch non introduca regressioni prima di presentarla all’analista.

Integrazione con MCP per tool esterni

Claude Code supporta MCP (Model Context Protocol) per connettersi a tool di sicurezza esterni. Esempio di configurazione per integrare Burp Suite nel workflow:

// .claude/settings.json

{

  “mcpServers”: {

    “burp”: {

      “command”: “burp-mcp-server”,

      “args”: [“–port”, “8080”]

    }

  }

}

Con questa configurazione puoi istruire Claude Code a orchestrare Burp Suite, leggere i risultati delle scansioni attive e costruire una catena di exploit partendo dai finding del proxy.

Limiti da tenere a mente

Come evidenziato dalla ricerca di Penligent (2026), Anthropic stessa ammette che il modello e’ molto piu’ capace nel trovare bug che nell’exploitarli. I pochi exploit riusciti in test pubblici (ad es. CVE-2026-2796 su Firefox) si sono verificati dopo centinaia di run in ambienti con alcune protezioni disabilitate. Per attivita’ di red teaming avanzato, Claude Code va usato in combinazione con tool dedicati, non come sostituto.

Attenzione anche a un aspetto di sicurezza dello strumento stesso: una ricerca di Check Point (febbraio 2026) ha dimostrato che configurazioni di progetto malevole possono sfruttare hooks, integrazioni MCP e variabili d’ambiente per ottenere RCE e furto di credenziali API quando si apre un repository non fidato. I problemi sono stati patchati (CVE-2025-59536, CVE-2026-21852), ma la lezione architettonica rimane: usare sempre ambienti isolati per analizzare codice sorgente di terze parti.

6. Best practice del penetration testing con AI: pro e contro

Pro

• Copertura massiva e continua: testa ogni build, non solo una volta l’anno.
• Exploit chain automatiche: l’AI collega vulnerabilita’ che un analista stanco potrebbe non correlare.
• Riduzione del time-to-fix: i report con patch proposte accelerano la remediation.
• Democratizzazione: team senza specialisti di sicurezza dedicati accedono a capacita’ offensive di alto livello.
• Integrazione CI/CD: gate automatici bloccano deploy con vulnerabilita’ critiche non risolte.
• Testing di sistemi AI: strumenti come Garak e Mindgard coprono superfici d’attacco (prompt injection, jailbreak) che i tool tradizionali ignorano completamente.

Contro e limiti

• Falsi positivi: i sistemi meno maturi producono ancora troppo rumore. Verifica sempre i finding critici con un analista umano.
• Business logic: la logica di business complessa e i flussi multi-step contestuali richiedono ancora giudizio umano. Stanford (dicembre 2025) ha rilevato che il miglior agente autonomo ha mancato un RCE critico che l’80% dei tester umani avrebbe trovato.
• Scope limitato di alcuni tool: XBOW copre solo web e API; per reti e infrastruttura servono Pentera o NodeZero.
• Costi enterprise elevati: le piattaforme piu’ complete (Pentera ~46.000 euro/anno, NodeZero ~35.000 euro/anno) sono fuori portata per PMI e startup.
• Rischio di false certezze: un’assenza di finding AI non e’ una garanzia di sicurezza. L’AI trova pattern noti; le vulnerabilita’ zero-day piu’ sofisticate richiedono ricercatori umani.
• Sicurezza dello strumento stesso: configurare male l’ambiente di test (MCP mal configurati, repository non fidati) puo’ esporre la macchina dell’analista.

Best practice operative

9. Autorizzazione scritta prima di ogni test, sempre. L’AI non cambia le responsabilita’ legali.
10. Usare ambienti isolati (sandbox, container Docker, VM) per analizzare codice di terze parti con Claude Code.
11. Combinare approcci: AI per breadth e velocita’, tester umani per depth e giudizio critico.
12. Verificare ogni finding critico con proof-of-exploit prima di alzare la priorita’.
13. Tenere aggiornate le skill e le configurazioni MCP (il panorama evolve ogni settimana).
14. Integrare la fase di remediation nel workflow: non fermarsi al report, verificare il fix in staging prima di chiudere il finding.

7. Conclusioni: formazione continua come vantaggio competitivo

Il mercato della cybersecurity e del pen testing AI e’ in uno stato di evoluzione tumultuosa. Nel solo 2026 abbiamo visto: il rilascio di Claude Code Security che ha scosso i mercati azionari dei vendor di sicurezza tradizionali, XBOW raggiungere la valutazione unicorno con 272 milioni di dollari di finanziamenti, NodeZero diventare la prima AI a risolvere il benchmark GOAD in 14 minuti, e oltre 39 agenti open source di pen testing censiti in un singolo report di aprile.

Per i team di sviluppo e i professionisti di sicurezza, questo significa una sola cosa: le competenze di oggi hanno una data di scadenza molto piu’ vicina di quanto si pensi. Chi padroneggia questi strumenti ora ottiene un vantaggio competitivo concreto. Chi rimane ancorato solo alle metodologie tradizionali rischia di essere sopravanzato da team molto piu’ piccoli ma meglio attrezzati.

L’unico modo per mantenere il team allineato a questo ritmo di cambiamento e’ la formazione continua e strutturata: non workshop occasionali, ma percorsi sistematici che combinano teoria aggiornata, laboratori pratici e applicazione immediata su casi reali.

Formazione finanziata con Fondimpresa

Se la tua azienda ha dipendenti iscritti al fondo interprofessionale Fondimpresa, puoi accedere a finanziamenti per la formazione professionale dei tuoi collaboratori senza costi aggiuntivi a carico dell’azienda. Corsi su AI generativa, pen testing con AI, Claude Code e sicurezza offensiva possono rientrare nei piani formativi finanziati.

Innovaformazione.net eroga corsi di formazione professionale in AI generativa, sicurezza informatica e sviluppo software, progettati per sviluppatori e ingegneri con esperienza media che vogliono aggiornarsi rapidamente sulle tecnologie piu’ rilevanti del momento.

Richiedi informazioni e un preventivo personalizzato:

• Email: info@innovaformazione.net
• Telefono: 347 101 2275 – Dario Carrassi
• Sito: www.innovaformazione.net

(fonte) (fonte) (fonte)