YuSMP Group logo
YuSMP Group Editorial Team Redazione, YuSMP Group
Illustrazione isometrica di tre agenti di sicurezza IA luminosi, rosso, blu e verde, collegati da fasci di luce attorno a una codebase protetta da un lucchetto, su sfondo blu notte

In breve

Il 27 luglio 2026 Microsoft ha presentato MAI-Cyber-1-Flash – il suo primo modello di IA specializzato in sicurezza – e Perception, una piattaforma di sicurezza agentica che individua, prioritizza e corregge le vulnerabilità del software tramite agenti IA coordinati. Secondo Microsoft il modello ottiene il 96% su CyberGym, un benchmark che misura la capacità di trovare vulnerabilità reali in grandi codebase, superando i modelli di frontiera di Google, OpenAI e Anthropic con un costo pari a circa la metà dell’attuale configurazione di produzione.

Il rilevamento era già la parte facile. La novità è che Microsoft, dopo Anthropic e OpenAI all’inizio del 2026, spinge l’IA oltre l’individuazione delle falle, verso la loro correzione, senza che sia un essere umano a scrivere la patch. È un vero salto di efficienza, e un problema di governance da risolvere prima di attivarlo.

Che cosa ha annunciato Microsoft?

Durante un evento a San Francisco lunedì, Microsoft ha presentato due novità. La prima è MAI-Cyber-1-Flash, un modello ottimizzato specificamente per il lavoro di sicurezza: ragiona su codebase grandi e disordinate per far emergere vulnerabilità che i modelli generalisti non vedono ed è integrato nella piattaforma di Microsoft per l’identificazione delle vulnerabilità. La seconda è Perception, una piattaforma costruita attorno ad agenti IA specializzati che condividono informazioni di sicurezza e, nella visione di Microsoft, replicano i ruoli di un team di sicurezza umano.

Il messaggio è dichiaratamente competitivo. Il CEO di Microsoft AI, Mustafa Suleyman, ha definito il modello «significativamente più potente (e più conveniente)» dei sistemi rivali, e il lancio prende di mira direttamente Anthropic, Google e OpenAI, che hanno tutti rilasciato IA orientate alla sicurezza all’inizio del 2026. È la stessa mossa che Microsoft ha fatto con i propri modelli linguistici MAI: costruire un modello specializzato sotto il proprio controllo invece di noleggiare quello di un concorrente. Per i team che sviluppano strumenti di sicurezza sopra i modelli di base è un promemoria: mantenete lo stack indipendente dal modello. Il modello più veloce ed economico per un compito di sicurezza continuerà a cambiare, e sostituirlo dovrebbe essere una semplice modifica di configurazione. È proprio la flessibilità che un’architettura di agenti IA ben progettata deve preservare.

Quanto è davvero efficace?

Il dato principale è il 96% su CyberGym, un benchmark che misura quanto bene un sistema di IA ragiona su grandi codebase per trovare vulnerabilità reali e sfruttabili. Secondo Microsoft, il risultato supera Gemini di Google, le configurazioni di sicurezza di GPT di OpenAI e Mythos di Anthropic, dimezzando all’incirca il costo rispetto alla propria configurazione di produzione. Entrambe le affermazioni contano: la capacità pura determina se lo strumento trova bug che un revisore umano non vedrebbe, e il costo determina se potete farlo girare in modo continuo su ogni repository invece che una volta a trimestre.

Due avvertenze vanno dette chiaramente. Primo, si tratta di risultati dichiarati dal fornitore su un unico benchmark, non di test indipendenti, e la leadership nei benchmark di IA cambia ogni pochi mesi: «il migliore della categoria» è un’istantanea, non un vantaggio duraturo. Secondo, un modello che trova vulnerabilità è utile solo quanto il processo che lo circonda: una valanga di segnalazioni generate dall’IA senza triage né responsabili è rumore, non sicurezza. Il valore emerge quando la ricerca si accompagna al giudizio umano su ciò che conta davvero; per questo penetration test e audit restano una disciplina guidata da persone, anche quando la scansione si automatizza. Se volete una valutazione rigorosa della vostra esposizione reale anziché un benchmark, servono proprio penetration test e audit di sicurezza.

Cosa fanno gli agenti Red, Blue e Green

Il design di Perception è la metà più interessante dell’annuncio, perché il lavoro è affidato a un team di agenti anziché a un singolo modello. Microsoft ha presentato tre primi team di agenti, riprendendo il linguaggio dei colori tipico del settore della sicurezza:

  • Gli agenti Red simulano attacchi contro un sistema, generando contesto sugli attaccanti affinché gli altri agenti sappiano cosa tenterebbe un vero avversario.
  • Gli agenti Blue rilevano e classificano i bug esistenti, decidendo quali falle presentano il rischio maggiore invece di produrre un elenco indistinto.
  • Gli agenti Green intervengono con azioni correttive: scrivono e distribuiscono patch per chiudere le vulnerabilità individuate dagli altri.

Il lead engineer di Microsoft Dave Weston ha descritto il vantaggio come una compressione dei tempi: un lavoro che prima richiedeva ore (ricerca, prioritizzazione, rilevamento, correzione della postura di sicurezza e del codice) ora avviene in pochi minuti. La preview di Perception è prevista per il 3 novembre 2026. Il salto concettuale è l’agente Green. Rilevamento e triage sono in sola lettura; un agente che scrive e distribuisce patch è un attore privilegiato con accesso in scrittura al vostro codice e alla vostra infrastruttura. È una classe di rischio radicalmente diversa, ed è lì che si concentra gran parte del lavoro di ingegneria, e della governance.

Cosa significa per i team software negli USA e nell’UE

Al netto del marketing, restano tre implicazioni pratiche. La prima: la ricerca autonoma delle vulnerabilità è già utile. Far girare in modo continuo un modello di sicurezza sui vostri repository per far emergere le vulnerabilità comporta pochi rischi e molto valore; non tocca la produzione e intercetta ciò che la revisione umana si lascia sfuggire. Se oggi il vostro ritmo è un penetration test trimestrale e uno scanner notturno, aggiungere un passaggio di analisi con l’IA è un netto miglioramento.

La seconda: la correzione autonoma è una decisione di governance, non di strumenti. Un agente che scrive e unisce le proprie patch ha bisogno degli stessi controlli che pretendereste da qualsiasi persona con accesso alla produzione: un’approvazione umana prima che il codice arrivi al ramo principale, un’identità con permessi minimi necessari perché l’agente tocchi solo ciò che deve, un audit trail firmato e verificabile di ogni modifica proposta e rilasciata, e un rollback pulito. Nei settori regolamentati non è facoltativo. Ai sensi dell’AI Act europeo e del GDPR, un sistema autonomo che modifica codice o tratta dati deve essere governato, registrato e spiegabile: «l’ha corretto l’IA» non è una risposta accettabile per un auditor. Per una FinTech o un operatore sanitario, il livello di tracciabilità attorno all’agente conta quanto l’agente stesso.

La terza riguarda assunzioni e competenze. Man mano che l’IA comprime le parti meccaniche del lavoro di sicurezza (scansione, primo triage, patch standard), la competenza umana scarsa si sposta verso il giudizio: decidere quali segnalazioni sono reali, quali correzioni si possono automatizzare in sicurezza e come progettare le protezioni che permettono agli agenti di operare senza diventare a loro volta una nuova superficie d’attacco. A vincere non saranno i team che comprano il modello con il punteggio più alto, ma quelli che costruiscono una pipeline disciplinata in cui l’IA gestisce il volume e le persone restano titolari delle decisioni sul rischio.

Cosa cambia per il mercato italiano?

In Italia questi strumenti arrivano in un tessuto fatto soprattutto di PMI e software house, dove raramente esiste un team di sicurezza dedicato e la verifica del codice ricade sugli stessi sviluppatori. Un passaggio di analisi con l’IA sui repository può dare a queste realtà una capacità di ricerca delle vulnerabilità prima fuori portata, a patto di non scambiarlo per un audit: l’IA smaltisce il volume, ma la valutazione del rischio resta umana. Va inoltre chiarito in anticipo dove viene elaborato il codice sorgente e con quali garanzie contrattuali, soprattutto per i clienti della pubblica amministrazione e del settore finanziario.

Sul piano normativo, oltre al GDPR, vigilato dal Garante per la protezione dei dati personali, e all’AI Act, contano due regole europee. La direttiva NIS2 chiede ai soggetti coinvolti una gestione strutturata dei rischi e delle vulnerabilità, con l’Agenzia per la Cybersicurezza Nazionale (ACN) come autorità di riferimento, mentre il Cyber Resilience Act impone ai produttori di prodotti con elementi digitali una gestione ordinata delle vulnerabilità. Un agente Green che distribuisce patch deve inserirsi in questi obblighi di prova: approvazione documentata, registrazione completa e un responsabile chiaramente individuato.

Cosa fare in questo trimestre

Considerate questo lancio, e l’ondata di modelli di sicurezza concorrenti che lo accompagna, come la conferma che l’AppSec assistita dall’IA è ormai uno standard, e muovetevi con metodo.

  1. Aggiungete prima un passaggio di analisi IA alla ricerca. Puntate un modello o un agente di sicurezza sulla vostra codebase in sola lettura e misurate il rapporto segnale/rumore di ciò che trova prima di automatizzare qualsiasi cosa a valle.
  2. Non collegate ancora la correzione alla produzione. Lasciate che l’IA proponga patch in un branch e in una pull request; mantenete un’approvazione umana sul merge finché non vi fidate delle sue modalità di errore.
  3. Date a ogni agente di sicurezza un’identità con permessi limitati. Permessi minimi necessari, nessuna credenziale condivisa e un responsabile umano con nome e cognome per ciò che fa.
  4. Registrate tutto, con firma. Ogni segnalazione, modifica proposta e correzione rilasciata deve finire in un audit trail verificabile e a prova di manomissione: le evidenze che GDPR e AI Act si aspettano dai sistemi autonomi.
  5. Mantenete lo stack indipendente dal modello. Incapsulate il modello che usate dietro un’interfaccia, così che sostituire MAI-Cyber-1 con un concorrente più economico o migliore sia una modifica di configurazione, non una riscrittura.
  6. Lasciate il giudizio alle persone. Investite nella capacità di revisione per decidere quali segnalazioni dell’IA sono reali e quali correzioni sono sicure: è lì che si trova il vero rischio.

Nulla di tutto ciò costituisce consulenza legale o di sicurezza, e i vostri obblighi concreti dipendono dai vostri dati, dal settore e dalla giurisdizione. Ma la direzione è inequivocabile: il settore dell’IA sta spostando la sicurezza dal rilevamento alla correzione, e il vantaggio va ai team che lasciano all’IA il volume mantenendo il controllo delle decisioni sul rischio, delle identità e della traccia di audit.

Domande frequenti

Che cos’è MAI-Cyber-1-Flash?

È il primo modello di IA di Microsoft specializzato in sicurezza, annunciato il 27 luglio 2026. È progettato per ragionare su codebase grandi e complesse e trovare vulnerabilità difficili da individuare, e alimenta la piattaforma di Microsoft per l’identificazione delle vulnerabilità. Secondo Microsoft ha ottenuto il 96% su CyberGym, un benchmark per la ricerca di vulnerabilità reali nel codice, davanti ai modelli di frontiera di Google, OpenAI e Anthropic, a circa metà del costo dell’attuale configurazione di produzione di Microsoft.

Che cos’è Microsoft Perception e cosa fanno gli agenti Red, Blue e Green?

Perception è la piattaforma di sicurezza agentica di Microsoft, costruita attorno ad agenti IA specializzati che condividono informazioni e replicano i ruoli di un team di sicurezza umano. Sono stati presentati tre primi team di agenti: gli agenti Red simulano attacchi contro un sistema, gli agenti Blue rilevano e classificano i bug esistenti e gli agenti Green scrivono e distribuiscono patch per correggerli. Secondo Microsoft, un lavoro che richiedeva ore ora può richiedere minuti. Perception è stata annunciata il 27 luglio 2026, con una preview prevista per il 3 novembre 2026.

Come si confronta con i modelli di sicurezza di Anthropic e OpenAI?

Il lancio di Microsoft segue mosse analoghe dei concorrenti: Anthropic ha presentato il suo modello di sicurezza Mythos all’inizio del 2026 e OpenAI ha lanciato un’offerta di sicurezza a metà 2026. Microsoft sostiene che MAI-Cyber-1-Flash superi questi sistemi e Gemini di Google sul benchmark CyberGym con costi di esercizio inferiori. La leadership nei benchmark cambia rapidamente; il segnale duraturo è la direzione di marcia: tutti i grandi fornitori di IA corrono per automatizzare ricerca e correzione delle vulnerabilità, più che per una specifica posizione in classifica.

I team dovrebbero lasciare che un agente IA distribuisca automaticamente le patch di sicurezza?

Non senza controlli. Ricerca e triage autonomi sono meno rischiosi e possono girare in modo continuo, ma un agente che scrive e distribuisce modifiche al codice ha bisogno delle stesse protezioni di qualsiasi attore privilegiato: un’approvazione umana per i merge in produzione, un’identità con permessi minimi necessari, un audit trail firmato e verificabile di ogni modifica e un rollback. Ai sensi dell’AI Act e del GDPR, un sistema autonomo che modifica codice o dati deve essere governato e registrato: costruite quindi il livello di approvazione e tracciabilità prima di lasciare libera la correzione.

Fonti

TechCrunch — Microsoft launches its first cybersecurity model, plus a new agentic cybersecurity system
Axios — Microsoft unveils new cyber model and agentic security tools
VentureBeat — Microsoft launches AI cybersecurity model and agentic defense platform
Seeking Alpha — Microsoft unveils its 1st cybersecurity AI model, agentic security system