Minacce Cyber Potenziate dall’AI

Minacce Cyber Potenziate dall’AI

Minacce Cyber Potenziate dall’AI

Indice dei contenuti Minacce Cyber Potenziate dall’AI

  1. Il Global Threat Report 2025 di Elastic in sintesi
  2. Windows: l’esecuzione supera l’evasione
  3. Malware e infostealer: cosa circola davvero
  4. Linux e macOS: persistenza, miner e rootkit
  5. Cloud e identità: il nuovo perimetro
  6. Le campagne dell’anno: ClickFix, rootkit e C2 su SaaS
  7. L’AI nel report: i segnali di Elastic
  8. L’AI oltre il report: cosa dicono le fonti recenti
  9. Checklist operativa per i team di sicurezza
  10. Checklist per sviluppatori e AI engineer
  11. Conclusioni e formazione professionale

1. Il Global Threat Report 2025 di Elastic in sintesi

Parliamo delle Minacce Cyber Potenziate dall’AI con l’ultimo report presente di Elastic.

Il Global Threat Report di Elastic Security Labs è arrivato alla quarta edizione. L’edizione 2025, pubblicata a ottobre 2025, analizza la telemetria raccolta da giugno 2024 a luglio 2025 dai prodotti Elastic. Il documento dichiara i propri limiti: la visibilità riflette la base clienti, dove pesano soprattutto consulenza tecnologica (27,3%), servizi alle imprese (12,5%) e agenzie civili (10,4%). Per questo, per la prima volta, affianca ai dati di campo un confronto con “fonti ibride”: i framework interni di detonazione, che coprono oltre 150.000 campioni di malware.

Il filo conduttore è la velocità. Secondo Elastic, l’era dell’intrusione lenta e metodica ha lasciato spazio ad attacchi in cui il ciclo di vita si misura in minuti e non in mesi, costruiti sugli strumenti di cui ogni azienda si fida: account cloud, piattaforme per sviluppatori e browser.

Le tendenze principali sono cinque: l’Execution diventa la prima tattica su Windows con il 32,05% dei comportamenti malevoli; oltre il 60% degli eventi cloud si concentra su tre obiettivi (Initial Access, Persistence, Credential Access); le minacce “Generic” crescono del 15,5%, probabilmente grazie agli LLM; più di un malware su otto, tra i 150.000 analizzati, è progettato per rubare dati dal browser; infine, un singolo commit sbagliato su GitHub può creare un’esposizione quasi impossibile da cancellare del tutto.

Una nota di metodo: gli alert cloud sono, per ammissione di Elastic, “segnali” a fedeltà inferiore rispetto agli EDR e non prove confermate. Leggete le percentuali come tendenze.

2. Windows: l’esecuzione supera l’evasione – Minacce Cyber Potenziate dall’AI

Immaginate un ladro che, invece di perdere tempo a nascondersi nel quartiere, entra dalla porta principale e comincia subito a lavorare. È l’immagine che emerge dal dato più discusso del report. Su Windows la tattica Execution vale il 32,05% dei comportamenti osservati, davanti a Defense Evasion (23,08%) e Initial Access (19,23%): insieme sfiorano il 75% dell’attività. Nell’edizione precedente il quadro era rovesciato, con Defense Evasion intorno al 38% ed Execution intorno al 16%.

Qui serve lucidità analitica. L’executive summary legge il dato come una svolta strategica degli attaccanti verso il payload immediato. Nel capitolo di dettaglio, però, Elastic attribuisce la variazione agli investimenti in Elastic Defend e nella detection engineering, e non a un cambiamento nelle preferenze delle minacce. Per un AI engineer che costruisce modelli di detection è un promemoria classico: la distribuzione dei dati dipende da come li raccogliete.

Sul fronte delle tecniche, il Command and Scripting Interpreter domina con il 21,62%, con PowerShell, Windows Command Shell, JavaScript e Visual Basic come sotto-tecniche più comuni. Seguono User Execution (12,61%), Phishing (11,71%), System Binary Proxy Execution (10,81%) e Process Injection (6,31%). Nel campione ibrido il quadro si sposta sulla memoria: “Suspicious Remote Memory Allocation” è la regola più frequente (10.854 campioni) e la Process Injection supera i 35.000. Il messaggio pratico: il codice malevolo gira in memoria e passa spesso da binari firmati, quindi contano sensori che guardano allocazioni e iniezioni.

3. Malware e infostealer: cosa circola davvero

Continuiamo a parlare delle Minacce Cyber Potenziate dall’AI. Le firme YARA di Elastic classificano il malware in categorie soggettive ma utili. I Trojan pesano il 64,49%, i “Generic” (piccoli strumenti non classificabili altrove) il 23,53%, i rootkit il 5,01%, i cryptominer il 2,77% e gli strumenti di gestione remota (RMM) abusati l’1,91%. Su Windows il report non trova famiglie davvero dominanti, ma individua tre fenomeni: l’esplosione degli infostealer, le famiglie “off-the-shelf” e il malware open source.

Gli infostealer sono il motore dell’economia degli access broker, cioè dei “rivenditori” di accessi. GhostPulse rappresenta circa il 12,2% degli eventi di firma e usa interfacce di scripting di Windows e process injection per consegnare stealer come Lumma e RedLine (entrambi al 6,67%). Le credenziali rubate vengono vendute: l’accesso iniziale diventa una merce e l’attribuzione si complica. Nei campioni ibridi, oltre 19.000 su più di 150.000 prendono di mira le credenziali dei browser, e molti stealer si sono adattati alla protezione “application-bound” dei browser Chromium.

Poi ci sono i prodotti maturi. Remcos (9,33%) e Cobalt Strike (circa 2%) restano tra i framework commerciali più osservati, mentre AsyncRAT, Havoc e njRat, tutti disponibili su GitHub, valgono insieme circa il 13%. Il codice pubblico abbassa la barriera d’ingresso, ma aiuta anche i difensori a costruire contromisure. Infine, gli strumenti RMM legittimi diventano veicoli di attacco: il report documenta Remcos lanciato da un client ScreenConnect e NetSupport Manager abusato per caricare una DLL malevola in side-loading.

4. Linux e macOS: persistenza, miner e rootkit – Minacce Cyber Potenziate dall’AI

Su Linux, che pesa il 9% delle osservazioni e risulta in calo, il quadro è stabile: malware commoditizzato, cryptominer e framework C2 leggeri come Sliver (12,43%), Mythic (circa 12%) e Metasploit (9,33%), spesso usati direttamente da shell dopo un accesso via servizi remoti o applicazioni esposte. Il calo percentuale non significa minor rischio: Linux ospita server e applicazioni, e le intrusioni più avanzate usano rootkit personalizzati, difficili da intercettare con YARA ma visibili con analisi comportamentale e machine learning.

Lo schema ricorrente è accesso iniziale, persistenza rapida e infine mining. Cron e systemd sono i meccanismi più abusati, seguiti da modifiche ai profili di shell, voci XDG autostart e regole udev. Gli attaccanti usano strumenti già presenti (bash, socat, netcat, curl, wget), mascherano i processi con nomi come kworker o sshd, e adottano sempre più Telegram come canale di comando e controllo. I rootkit rilevati sono di due tipi: librerie condivise caricate tramite LD_PRELOAD e moduli kernel caricabili. I segnali tipici sono il caricamento di moduli non firmati e la cancellazione del buffer dei messaggi del kernel.

Su macOS, appena l’1,03% dei dati, il campione è piccolo e quindi distorto. Detto questo, la famiglia più diffusa è Metasploit (25,66%), i cryptominer pesano circa il 22% e gli infostealer come MdQueryTCC (13,27%) e Wallets (7,08%) circa il 20%. Una piattaforma meno colpita non è una piattaforma più sicura: lo stealer BANSHEE, scritto in Rust, raccoglie dati di browser, wallet e oltre 100 estensioni.

5. Cloud e identità: il nuovo perimetro

Se l’endpoint è la porta di casa, l’identità cloud è il mazzo di chiavi che apre tutte le stanze. Nel campione di Elastic, Azure genera il 54,06% dei segnali anomali, AWS il 36,83% (in forte crescita dal 26,33% dell’anno prima) e GCP il 9,11% (da 10,13%). Il primato di Azure va letto con cautela: include phishing e furto di credenziali. A livello di tattiche, Initial Access (24,81%), Persistence (23,99%) e Credential Access (12,13%) coprono insieme circa il 61% dei segnali: sono tutte tattiche legate all’identità.

In Azure e Microsoft 365 il copione è ricorrente. Valid Accounts è la tecnica dominante per l’accesso, i log di audit di Entra ID generano il 54% dei segnali anomali (quasi il 90% considerando tutta la telemetria Entra ID) e Exchange Online pesa per quasi la metà dei segnali M365. Gli avversari preferiscono sfruttare i flussi di autenticazione standard per ottenere token di valore, piuttosto che attaccare l’infrastruttura: consent phishing con app OAuth multi-tenant, phishing del device code (in crescita) e phishing dell’authorization code (meno frequente ma molto efficace).

Su AWS la sequenza ricorrente è: credenziali compromesse, manipolazione di identità e policy, abuso di ruoli e token. Le azioni AssumeRole rappresentano il 42,82% dei segnali IAM/STS, mentre SendCommand di Systems Manager e modifiche ai security group coprono il 63% dei segnali EC2/SSM. Da rivedere subito anche le modifiche a CloudTrail e le operazioni sugli snapshot RDS. Un capitolo a parte riguarda l’AI generativa: il report invita a preparare per tempo la visibilità su Amazon Bedrock, attivando i data event di CloudTrail e il Model Invocation Logging, perché diversi rapporti 2024-2025 descrivono l’uso opportunistico di modelli ospitati con credenziali AWS rubate.

6. Le campagne dell’anno: ClickFix, rootkit e C2 su SaaS

ClickFix è la tecnica sociale dell’anno. Un finto CAPTCHA convince l’utente a copiare e incollare un comando PowerShell: nessun exploit, nessuna macro, nessun drive-by. È la porta d’ingresso di EDDIESTEALER, uno stealer in Rust compatto e compilato staticamente che sottrae dati da browser Chromium, wallet, app di messaggistica e password manager e li invia via HTTP POST, e di ARECHCLIENT2, consegnato tramite il loader GHOSTPULSE. Per contrastarli serve osservare gli eventi di incolla dei comandi e i comportamenti post-esecuzione, non soltanto i file.

FINALDRAFT, parte della campagna di spionaggio REF7707, ha colpito un ministero degli esteri sudamericano e infrastrutture nel Sud-Est asiatico. Usa l’API Microsoft Graph come canale di comando e controllo, sfruttando bozze e cartelle di Outlook come “cassetta delle lettere” condivisa con gli operatori: traffico che si confonde con quello aziendale. Nonostante la maturità degli strumenti, gli errori di sicurezza operativa degli attaccanti (riuso di domini, artefatti di debug) hanno permesso a Elastic di correlare le attività.

PUMAKIT, infine, è un rootkit Linux modulare e multi-stadio, con eseguibili residenti in memoria e un modulo kernel che si attiva solo quando certe condizioni sono soddisfatte, per esempio controlli sul secure boot o la disponibilità di simboli del kernel.

7. L’AI nel report: i segnali di Elastic – Minacce Cyber Potenziate dall’AI

Il report parla di AI con prudenza, ed è giusto riportarlo con la stessa cautela. Il dato centrale è l’aumento del 15,5% della categoria Generic, che raccoglie piccoli strumenti non classificabili altrove e pesa il 23,53% del totale. Elastic ipotizza che la crescita derivi dalla facilità di creare questi strumenti: gli LLM permettono anche ad avversari poco esperti di generare rapidamente loader semplici e affidabili. Cita anche l’incertezza economica come fattore. È quindi una correlazione plausibile, non una prova di causalità.

Leggendo il documento con un occhio all’AI emergono almeno quattro effetti. Il primo è l’abbassamento della barriera d’ingresso: ciò che prima richiedeva competenze di sviluppo oggi si ottiene con un prompt. Il secondo è la crescita di volume e varietà: più malware nuovi significa meno efficacia per le firme statiche, e Elastic indica di puntare su analisi comportamentale e rilevazione basata su AI. Il terzo è la velocità: un ciclo di attacco “in minuti” rende insufficiente la risposta puramente manuale. Il quarto è la qualità dell’inganno: phishing e User Execution restano tra le tecniche più osservate e l’AI generativa è un acceleratore naturale di pretesti credibili, anche se il report non attribuisce esplicitamente questi numeri all’AI.

C’è poi il versante opposto: l’AI come bersaglio. L’abuso di modelli ospitati con credenziali rubate, le fughe di segreti nei repository e la necessità di proteggere strumenti di sviluppo e supply chain sono temi del report che toccano direttamente chi costruisce applicazioni con LLM. E c’è il lato difensivo: Elastic descrive modelli di machine learning riaddestrati circa ogni mese, con un tasso di veri positivi sopra il 98% e di falsi positivi sotto lo 0,5% su oltre 150 milioni di file PE. L’AI amplia le minacce, ma amplia anche le possibilità di risposta.

8. L’AI oltre il report: cosa dicono le fonti recenti

Il report Elastic fotografa il periodo fino a luglio 2025. Da allora diverse fonti hanno documentato un salto di qualità nell’uso dell’AI da parte degli attaccanti. Ne riportiamo le principali, ricordando che si tratta di ricostruzioni dei rispettivi vendor.

A novembre 2025 il Google Threat Intelligence Group (GTIG) ha individuato per la prima volta famiglie di malware, come PROMPTFLUX e PROMPTSTEAL, che usano LLM durante l’esecuzione per generare script malevoli e offuscare il proprio codice, invece di averli incorporati. Google le considera ancora in fase iniziale, ma un passo verso malware più autonomo. Il tracker successivo, di febbraio 2026 e relativo al quarto trimestre 2025, descrive attori legati a Corea del Nord, Iran, Cina e Russia che usano l’AI per accelerare ricognizione, ingegneria sociale e sviluppo di malware, oltre a famiglie come HONESTCUE, che sfruttano le API di Gemini per generare il codice di un secondo stadio. Google osservava interesse per i sistemi agentici, ma nessun impiego operativo capace di sostituire la supervisione umana.

L’11 maggio 2026 lo stesso GTIG ha riferito di quello che considera il primo exploit zero-day sviluppato con l’aiuto di un LLM: un bypass dell’autenticazione a due fattori in un diffuso strumento open source di amministrazione web, preparato da un gruppo criminale per una campagna di sfruttamento di massa e neutralizzato grazie alla divulgazione responsabile al vendor. Gli indizi erano stilistici: commenti didattici, un punteggio CVSS inventato e codice Python da manuale. Il rapporto descrive anche PROMPTSPY, una backdoor Android che usa le API di Gemini per interpretare lo stato del dispositivo e generare azioni in modo autonomo.

Anche Anthropic ha pubblicato a novembre 2025 il caso GTG-1002: un gruppo, attribuito con alta confidenza a uno Stato cinese, che a metà settembre 2025 ha manipolato Claude Code, collegato a strumenti basati sul Model Context Protocol, perché agisse come agente autonomo di intrusione. Secondo l’azienda e le ricostruzioni pubblicate, l’AI ha svolto l’80-90% del lavoro tattico, mentre gli operatori umani si sono concentrati su avvio e autorizzazioni. Il limite principale è stato proprio l’AI: le allucinazioni hanno reso meno affidabile la campagna.

Il filo comune è chiaro: l’AI non ha inventato nuove categorie di attacco, ma accorcia i tempi di ogni fase (ricognizione, sviluppo di exploit, offuscamento, esecuzione) e sposta il lavoro dall’esperto al modello. Il rischio per le aziende non è soltanto il super-hacker, ma l’aumento di volume e rapidità degli attaccanti medi.

Fonti consultate: Elastic Security Labs, Global Threat Report 2025; Google Threat Intelligence Group, AI Threat Tracker (novembre 2025, febbraio 2026, maggio 2026); Anthropic, “Disrupting the first reported AI-orchestrated cyber espionage campaign” (novembre 2025).

9. Checklist operativa per i team di sicurezza

Le raccomandazioni di Elastic (automazione con supervisione umana, difese del browser, validazione dell’identità, protezione della memoria, sicurezza della supply chain) si traducono in questa lista di controlli per SOC e responsabili della sicurezza.

  • Memoria al centro: attivate sensori e regole su allocazione remota di memoria, process injection, shellcode e moduli caricati da memoria non associata a file.
  • Script e interpreti: monitorate PowerShell, wscript e cscript, comprese le esecuzioni da WebDAV, e limitate gli interpreti agli usi realmente necessari.
  • ClickFix: tracciate i comandi incollati da finestre di esecuzione e terminali e formate gli utenti a riconoscere i finti CAPTCHA.
  • Browser: gestite le estensioni e controllate gli accessi agli archivi di credenziali da processi insoliti.
  • Identità: adottate MFA resistente al phishing, limitate il flusso device code e il consenso utente alle app, e rivedete periodicamente consent grant, service principal e ruoli amministrativi.
  • AWS: preferite credenziali temporanee alle chiavi a lungo termine, applicate il minimo privilegio e allertate su AssumeRole anomali, SendCommand, modifiche a CloudTrail e snapshot RDS pubblici o cross-region.
  • Linux: sorvegliate cron, systemd, LD_PRELOAD e caricamento di moduli kernel non firmati.
  • Dalle firme al comportamento: affiancate alle firme statiche analisi comportamentale e modelli di machine learning, con approvazione umana nei punti decisionali critici.
  • Tempi di risposta: misurate rilevamento e contenimento in minuti, non in giorni.

10. Checklist per sviluppatori e AI engineer

Chi sviluppa software o costruisce applicazioni con LLM si trova sia tra i bersagli sia tra i possibili vettori di rischio. Ecco le pratiche più utili emerse dal report e dalle fonti recenti.

  • Segreti fuori dal codice: usate secret scanning e push protection, ruotate subito ogni credenziale esposta e ricordate che la cronologia Git è persistente, come mostra il caso del passaporto finito per errore in un fork.
  • Commit firmati e branch protetti: verificate la configurazione dell’email Git, perché un’identità errata può simulare una compromissione (caso “mistaken identity” di Elastic).
  • Supply chain: bloccate le versioni delle dipendenze, revisionate pacchetti ed estensioni degli IDE e isolate gli ambienti di build.
  • Chiavi per le API dei modelli: usatene una per progetto, impostate quote e limiti di spesa e allertate su picchi di invocazioni, nuovi modelli, nuove regioni e prime invocazioni da un principal.
  • Agenti e MCP: assegnate privilegi minimi ai tool, richiedete conferma umana per le azioni sensibili, usate sandbox e allowlist di strumenti e conservate log completi delle azioni.
  • Codice generato: trattate l’output dell’AI come input non fidato, con code review, test di sicurezza e verifica rispetto alle linee guida OWASP.
  • Patch rapide: accelerate gli aggiornamenti e riesaminate la logica di autenticazione, perché gli exploit si sviluppano più in fretta.
  • Red teaming dei sistemi LLM: testate prompt injection, esfiltrazione di dati e abuso dei connettori prima che lo facciano altri.

11. Conclusioni e formazione professionale

Il Global Threat Report 2025 racconta un settore in cui la velocità fa la differenza, e le fonti più recenti indicano nell’AI il principale acceleratore. L’AI sta stravolgendo l’IT in entrambe le direzioni.

I vantaggi. L’AI aumenta la produttività di sviluppatori e analisti, accelera triage e correlazione degli alert, permette di analizzare enormi quantità di log e di valutare scenari di attacco in tempi impensabili fino a pochi anni fa. Gli stessi investigatori che hanno smontato campagne assistite dall’AI hanno usato modelli per analizzare i dati dell’indagine.

I rischi. L’AI riduce la competenza necessaria per attaccare, moltiplica volume e varietà del malware, accorcia il tempo tra la scoperta di una vulnerabilità e il suo sfruttamento, apre superfici nuove (agenti, connettori, chiavi API dei modelli) e porta con sé problemi propri, come le allucinazioni e la fiducia eccessiva nel codice generato. Il risultato è che le minacce evolvono più in fretta delle competenze: la formazione in cyber security non può essere un evento isolato, ma un aggiornamento continuo.

Per questo Innovaformazione propone Corsi IT per aziende dedicati alla cyber security, pensati per team di sviluppo, DevOps e sicurezza:

I corsi sono attivati su richiesta, in modalità online in classe virtuale, con calendario da concordare. La formazione può essere finanziata tramite Fondimpresa o altri fondi interprofessionali, con assistenza lungo tutto il piano formativo finanziato.

Richiedete subito preventivi e informazioni. Vi aiuteremo a costruire il percorso più adatto al vostro team.

Dario Carrassi – Innovaformazione

Email: info@innovaformazione.net

Tel.: 3471012275

(fonte)

Ti potrebbe interessare

Articoli correlati