Intelligenza Artificiale

L'IA raddoppia la scoperta di vulnerabilità: il report GTIG sui trend 2026

Il Google Threat Intelligence Group pubblica un'analisi dettagliata su come l'intelligenza artificiale sta trasformando il panorama delle vulnerabilità: disclosure raddoppiate, sfruttamento quasi raddoppiato e agenti IA che trovano falle più critiche. Cosa devono fare PMI e MSP per difendersi.

Grafico astratto che mostra l'aumento esponenziale delle vulnerabilità scoperte dall'IA con colori tecnologici blu e arancione

Il Google Threat Intelligence Group (GTIG) ha pubblicato un'analisi approfondita che quantifica l'impatto dell'intelligenza artificiale sul panorama delle vulnerabilità. I dati, coperti da gennaio 2025 ad agosto 2026, mostrano una trasformazione rapida e misurabile: non solo la velocità di scoperta e sfruttamento aumenta, ma cambia anche la tipologia e il profilo di rischio delle falle individuate.

I numeri chiave del periodo gennaio-agosto 2026

  • Disclosure raddoppiate: le vulnerabilità segnalate al mese sono passate da 5.045 (gennaio) a 10.740 (agosto).
  • Sfruttamento quasi raddoppiato: la media mensile di vulnerabilità sfruttate in-the-wild è salita da 10,5 (2025) a 18 (2026).
  • Zero-day in lieve crescita: da 8 a 11 al mese in media, con un picco di 22 ad agosto.
  • Falle ad alto rischio in forte aumento: le vulnerabilità classificate "High-Risk" da GTIG sono cresciute del 167% (da 131 a 350 al mese).

L'IA come cacciatrice: scoperta automatizzata più mirata

Secondo GTIG, gli agenti IA scoprono proporzionalmente meno vulnerabilità a basso rischio (39% contro 69% delle scoperte convenzionali) e più vulnerabilità a rischio medio/alto (58% medio, 4% alto). La metà delle falle scoperte dall'IA porta a esecuzione di codice remoto (RCE), contro il 26% dell'ecosistema CVE generale.

Questo riflette il modo in cui i programmi di ricerca addestrano gli agenti: non scansioni massive per difetti cosmetici, ma audit mirati su infrastrutture critiche e confini di privilegio sensibili. Un caso emblematico è CVE-2026-1731 (command injection in BeyondTrust), scoperta autonomamente da un agente di ricerca (Hacktron AI) e armata da almeno sei cluster di minaccia entro una settimana dalla disclosure.

L'IA come preda: vulnerabilità nello stack IA/LLM

GTIG ha tracciato 2.076 CVE legate all'IA (gennaio 2025 - agosto 2026), con oltre 1.500 solo nel 2026, distribuite su otto layer architetturali:

  • Orchestrazione e framework agentici (Flowise, Langflow, LangChain, AutoGen, MCP, ecc.): 782 CVE, +347% nel 2026. Vettori principali: esecuzione codice arbitraria e command injection via serializzazione workflow non trusted, tool calling Python insicuro, SSTI.
  • App e portal IA web (Open-WebUI, AnythingLLM, Gradio, Streamlit, ecc.): 230 CVE. SSRF via proxy chat, XSS stored nel rendering markdown, LFI via upload documenti.
  • Infrastruttura inference e serving (vLLM, Ollama, Triton, TGI, SGLang, ecc.): 212 CVE. API admin non autenticate, deserializzazione checkpoint, memory corruption nei backend tensor, resource exhaustion multi-tenant.
  • Modelli frontier (Anthropic, Gemini, OpenAI): 97 CVE. RCE via interpolazione shell CLI non validata, sandbox escape, data exfiltration covert via prompt injection indiretto.

Tre sono i campi di battaglia emergenti:

  1. Orchestrazione agentica come collo di bottiglia primario: il 50% dei difetti IA. I builder visuali (Flowise, Langflow) eseguono nodi di codice dinamico; gli attaccanti li dirottano via prompt injection o JSON workflow malevoli trasformando prompt in RCE non autenticato.
  2. Gateway IA centralizzati e movimento laterale cloud: un gateway compromesso espone chiavi API terze e prompt stream con PII/codice proprietario; a livello infrastrutturale diventa testa di ponte per credenziali DB e pivot nel cloud interno.
  3. Gateway inference come nuovo perimetro: quasi un quarto dei 212 difetti nel serving backend deriva da endpoint API non autenticati o SSRF, dando accesso diretto a GPU costose e checkpoint proprietari.

Sfruttamento attivo del middleware IA

Non si sono ancora visti zero-day sull'infrastruttura IA, ma gli attori armano rapidamente le vulnerabilità appena divulgate. Esempi confermati "High Threat Risk" con RCE non autenticato:

  • CVE-2026-42271 (BerriAI LiteLLM): command injection in endpoint preview MCP (POST /mcp-rest/test/connection), presa dell'host e furto credenziali API.
  • CVE-2026-5027 (Langflow): path traversal file write in POST /api/v2/files, permette di droppare cron job o chiavi SSH.
  • CVE-2025-3248 (Langflow): iniezione Python non autenticata via exec() in /api/v1/validate/code, RCE immediato.

Implicazioni operative per PMI e MSP

GTIG prevede che i tassi di scoperta e sfruttamento continueranno a salire nel breve-medio termine. Due fronti d'azione immediati:

  1. Modernizzare triage e remediation: passare dal patching di massa non prioritario a un modello threat-intelligence-driven, combinando difesa perimetrale mirata e remediation automatica agentica. Mandiant ha pubblicato un blueprint per AI-Assisted Vulnerability Management.
  2. Code review IA pre-release: chi fornisce software/servizi deve integrare revisione del codice potenziata da IA (es. CodeMender in Google AI Threat Defense) nei workflow sviluppatori per trovare e fixare i difetti prima che diventino CVE sfruttabili.

"La finestra per rafforzare le difese su due fronti è ora. Se la code review IA pre-release diventa best practice standard, la crescita delle disclosure pubbliche potrebbe eventualmente rallentare." — GTIG

Cosa fare domani

  • Inventariare tutti i componenti dello stack IA in uso (orchestratori, gateway, serving, vector DB, MLOps).
  • Applicare patch prioritarie sui CVE "High-Risk" dello stack IA, specialmente orchestrazione e inference gateway.
  • Attivare monitoraggio su endpoint API non autenticati, SSRF e anomalie di egress dai workload IA.
  • Valutare soluzioni di vulnerability management guidate da threat intelligence e tool di code review IA per la pipeline CI/CD.

Il report completo con grafici, metodologia e tabelle di dettaglio è disponibile sul blog Google Cloud.

#AI

Articoli correlati

Diagramma astratto di un'architettura a due livelli per memoria AI: cache veloce in primo piano e database relazionale sullo sfondo, colori blu e verde tecnologia
Intelligenza Artificiale

Memoria a lungo termine per agenti AI: architettura a due livelli con AlloyDB e Memorystore per Valkey

Google Cloud presenta un'architettura a due livelli per la memoria persistente degli agenti AI: Memorystore per Valkey come buffer di sessione a breve termine e AlloyDB AI per la memoria a lungo termine. L'approccio riduce i costi dei token fino al 70% e accelera i tempi di risposta dell'80%, mantenendo regole e vincoli aziendali intatti nel tempo.