I worm intelligenti non aspettano più i criminali: la ricerca che mostra l’arrivo del malware autonomo

La storia della cybersicurezza è sempre stata una corsa tra automazione e difesa. Ogni generazione di malware ha cercato di ridurre il ruolo dell’operatore umano, trasformando attacchi complessi in processi automatici capaci di diffondersi a velocità superiori rispetto alla capacità di risposta delle organizzazioni. Oggi una nuova ricerca firmata da studiosi della University of Toronto, del Vector Institute, della University of Cambridge e di ServiceNow suggerisce che questa traiettoria potrebbe entrare in una fase radicalmente diversa: quella dei worm adattivi basati su intelligenza artificiale.

La differenza rispetto ai malware tradizionali non è soltanto tecnologica. È concettuale. I worm storici, da ILOVEYOU worm outbreak a WannaCry ransomware attack, si basavano su vulnerabilità specifiche. Individuato il difetto, sviluppato l’exploit e lanciata la propagazione, il ciclo operativo era relativamente prevedibile. Correggere la vulnerabilità significava interrompere la catena di infezione. Il nuovo paradigma descritto dai ricercatori introduce invece un agente capace di ragionare, osservare, apprendere e modificare la propria strategia in funzione dell’ambiente incontrato.

La ricerca presenta un proof of concept che sembra uscito più da un laboratorio di sistemi autonomi che da un tradizionale centro di analisi malware. Il worm utilizza un modello linguistico per identificare vulnerabilità, elaborare percorsi di compromissione, adattare gli attacchi ai sistemi bersaglio e replicarsi autonomamente nella rete. Non esiste una lista rigida di exploit predefiniti. Esiste una capacità generativa che costruisce l’attacco in tempo reale.

Questo dettaglio cambia completamente il quadro della difesa. La sicurezza informatica moderna si è evoluta attorno all’idea di riconoscere schemi conosciuti. Gli antivirus cercano firme. Gli strumenti EDR cercano comportamenti già osservati. Le piattaforme SIEM correlano eventi secondo modelli storici. Un worm che genera dinamicamente il proprio comportamento rende meno efficace gran parte dell’architettura difensiva costruita negli ultimi vent’anni.

I numeri emersi dagli esperimenti meritano attenzione. In una rete virtuale isolata composta da 33 sistemi Linux, Windows e dispositivi IoT contenenti vulnerabilità comuni, il sistema ha identificato mediamente oltre 31 vulnerabilità, compromesso più di 23 host e raggiunto circa 20 macchine nel corso di sette giorni di attività autonoma. In alcuni scenari è arrivato a sette generazioni successive di auto-replicazione. Non si tratta ancora di un’arma operativa distribuita in ambiente reale, ma è sufficiente per dimostrare che il concetto funziona.

L’aspetto probabilmente più rilevante non riguarda nemmeno la propagazione. Riguarda l’infrastruttura computazionale. Molti osservatori tendono a immaginare che sistemi AI avanzati richiedano inevitabilmente grandi data center cloud gestiti da colossi come Amazon Web Services, Microsoft Azure o Google Cloud. Il prototipo studiato dai ricercatori segue invece una logica differente: i modelli vengono eseguiti direttamente sulle macchine compromesse. Ogni host infettato diventa simultaneamente vittima e nodo computazionale del sistema.

Dal punto di vista strategico questa caratteristica elimina uno dei punti deboli più evidenti delle offensive AI-driven. Se il malware dipendesse da un servizio cloud centrale, la sua infrastruttura potrebbe essere individuata e disattivata. Se invece l’intelligenza è distribuita attraverso la rete stessa delle macchine compromesse, il problema assume una natura molto più simile a quella delle reti peer-to-peer o delle botnet decentralizzate.

Un altro elemento inquietante emerge dalla capacità del sistema di incorporare informazioni successive al cutoff di addestramento del modello. Uno dei limiti frequentemente citati per i grandi modelli linguistici riguarda infatti la conoscenza statica. In questo caso il worm può acquisire nuove advisory di sicurezza pubblicate online e utilizzarle per aggiornare la propria comprensione delle vulnerabilità. In altre parole, non deve necessariamente conoscere un exploit durante l’addestramento iniziale; può apprendere nuovi vettori di attacco durante l’operazione.

La conseguenza economica e geopolitica di questa evoluzione potrebbe essere significativa. L’industria della cybersecurity è cresciuta attorno al concetto che l’attaccante umano rappresenti il collo di bottiglia principale delle operazioni offensive. Il talento degli hacker è raro, costoso e difficile da scalare. Un agente autonomo capace di sostituire parte di quel lavoro modifica le economie dell’attacco. La produttività offensiva potrebbe aumentare molto più rapidamente della capacità difensiva delle organizzazioni.

Non significa che stiamo assistendo alla nascita di una superintelligenza criminale. Molte dimostrazioni accademiche tendono a funzionare meglio nei laboratori che nel mondo reale. Le reti aziendali presentano complessità, segmentazioni, sistemi legacy, controlli umani e anomalie operative che spesso mettono in difficoltà anche gli strumenti più sofisticati. Tuttavia sarebbe un errore liquidare questa ricerca come un semplice esercizio teorico.

La vera novità è che il malware inizia ad assomigliare sempre meno a un software e sempre più a un agente. La differenza non è semantica. Un software tradizionale esegue istruzioni. Un agente osserva l’ambiente, formula ipotesi, valuta opzioni e modifica il proprio comportamento. Quando queste capacità vengono combinate con la propagazione automatica tipica dei worm, emerge una categoria di minaccia che non si inserisce facilmente nei modelli classici di governance cyber.

Per questo motivo gli autori parlano apertamente della necessità di prepararsi a “avversari generativi autonomi”. La sfida non riguarda soltanto nuove tecnologie difensive. Richiede nuovi sistemi di valutazione delle capacità degli agenti, strumenti di rilevazione focalizzati sui pattern comportamentali piuttosto che sulle firme statiche e probabilmente anche nuove forme di regolamentazione per i modelli open-weight eseguibili localmente.

Molti dibattiti pubblici sull’intelligenza artificiale continuano a concentrarsi su chatbot, produttività e assistenti virtuali. Nel frattempo, nei laboratori di ricerca, sta emergendo una questione più profonda: cosa accade quando la stessa capacità di ragionamento che utilizziamo per automatizzare il lavoro cognitivo viene incorporata in sistemi progettati per attaccare infrastrutture digitali? La ricerca offre una risposta preliminare. Non stiamo più parlando di malware che segue istruzioni. Stiamo iniziando a osservare malware che costruisce autonomamente le proprie istruzioni mentre si diffonde. È una distinzione sottile sulla carta, ma potenzialmente enorme nella pratica.