Per anni l’intelligenza artificiale applicata alla cybersecurity è stata usata soprattutto per classificare alert, riconoscere anomalie e aiutare gli analisti a ordinare grandi quantità di segnali. Google sta provando a spostare il confine molto più avanti: usare un modello capace di cercare autonomamente vulnerabilità dentro codice reale e proporre interventi prima che quelle falle vengano sfruttate.
Il 2 settembre Google DeepMind ha presentato Gemini 3.8 Flash e una variante specializzata, Gemini 3.8 Flash Cyber. Quest’ultima non viene distribuita liberamente: è disponibile attraverso il Fairwind Program a una platea limitata di governi, aziende e partner considerati affidabili.
Un modello costruito per la difesa
Google descrive Flash Cyber come un sistema progettato per attività come vulnerability discovery, analisi di codebase complesse e remediation. Nel benchmark CyberGym, secondo i dati pubblicati da DeepMind, il modello raggiunge un risultato dell’86,2% Pass@1. In una valutazione interna più ampia, che comprende vulnerabilità distribuite su codebase in 20 linguaggi di programmazione, Google dichiara un tasso di successo superiore al 70%.
I benchmark non sono il mondo reale e vanno letti con cautela. Ma il segnale è chiaro: i modelli stanno diventando abbastanza capaci da non limitarsi a spiegare una vulnerabilità già nota. Possono esplorare codice, formulare ipotesi, provare percorsi diversi e individuare problemi che un team umano potrebbe impiegare molto più tempo a trovare.
Perché Google limita l’accesso
La stessa capacità che rende un modello utile alla difesa può renderlo utile a un attaccante. Un sistema capace di scoprire autonomamente vulnerabilità può essere utilizzato per correggerle oppure per cercare bersagli vulnerabili su larga scala. È il classico problema dual-use dell’AI applicata alla sicurezza informatica.
Per questo Google ha scelto un modello di distribuzione controllato. Fairwind non è un normale prodotto disponibile a chiunque inserisca una carta di credito: il programma è destinato a organizzazioni selezionate, con controlli e vincoli più stringenti.
La scelta anticipa probabilmente un problema che interesserà tutta l’industria. I modelli generalisti stanno acquisendo competenze cyber sempre più avanzate e la differenza tra un assistente per sviluppatori e uno strumento offensivo può dipendere più dall’uso che dalla tecnologia di base.
La velocità conta più dell’intelligenza assoluta
Il nome Flash è significativo. Nel lavoro di sicurezza non basta avere un modello estremamente capace se ogni analisi costa troppo o impiega troppo tempo. Un’organizzazione può avere milioni di righe di codice, migliaia di dipendenze e patch continue. La difesa deve poter essere ripetuta su larga scala.
Google presenta Gemini 3.8 Flash come un modello pensato per mantenere un rapporto competitivo tra qualità, costo e latenza. La versione generalista viene proposta allo stesso prezzo introduttivo del predecessore: 0,75 dollari per milione di token in input e 3,75 dollari per milione in output. La società avverte tuttavia che il modello può usare più token quando aumenta lo sforzo di ragionamento, quindi il costo reale di un task può crescere.
Dal penetration test continuo al software che si ripara
La prospettiva più interessante non è semplicemente automatizzare il penetration testing. È rendere la ricerca delle vulnerabilità una funzione continua del ciclo di sviluppo. Un agente potrebbe controllare una modifica mentre viene scritta, esplorare le possibili conseguenze, aprire una segnalazione e preparare una patch.
Google sta già lavorando su sistemi come CodeMender, pensati per aiutare nella correzione di vulnerabilità. Se discovery e remediation vengono unite, la sicurezza smette di essere soltanto una verifica periodica e diventa un processo che accompagna costantemente il software.
Ma l’attaccante avrà gli stessi strumenti
Il problema è che la democratizzazione di queste capacità non favorirà soltanto i difensori. I gruppi criminali potranno usare agenti per cercare configurazioni deboli, automatizzare parti della ricognizione e adattare più rapidamente gli attacchi. Il vantaggio competitivo potrebbe spostarsi verso chi possiede più dati, migliori autorizzazioni e accesso continuo all’infrastruttura.
Le aziende dovranno quindi pensare agli agenti AI come a nuove identità operative. Se un agente può leggere repository, modificare codice, aprire ticket o accedere a sistemi interni, deve essere sottoposto a controlli simili a quelli di un dipendente o di un account privilegiato: permessi minimi, tracciamento, revoca e audit.
La cybersecurity è il laboratorio dell’AI agentica
Molte promesse sull’AI agentica sono ancora difficili da misurare. Nella cybersecurity, invece, il valore può essere quantificato: quante vulnerabilità vengono trovate, quanto tempo serve, quanti falsi positivi vengono prodotti e quante patch funzionano davvero.
È per questo che la sicurezza informatica potrebbe diventare uno dei primi settori in cui gli agenti mostrano un vantaggio economico chiaro. E proprio perché le conseguenze di un errore possono essere enormi, sarà anche uno dei primi mercati in cui capiremo quanto siamo davvero pronti ad affidare autonomia operativa ai modelli.
