Il caso emerso attorno all’utilizzo di Anthropic per l’analisi della codebase di Mozilla Firefox rappresenta uno dei primi esempi concreti di applicazione dei Large Language Model (LLM) alla vulnerability research su scala reale, con effetti misurabili sulla fase di discovery.

Nel corso della collaborazione con Mozilla Foundation, Claude Opus 4.6 ha contribuito a individuare 112 bug, tra cui 22 vulnerabilità di sicurezza confermate, di cui 14 classificate ad alta gravità.

Il dato numerico è rilevante, ma il punto più interessante non è il numero di anomalie emerse. Bisogna leggerlo soprattutto in chiave qualitativa.

L’elemento che merita attenzione è che esiste ormai una dimostrazione concreta.

Un modello linguistico è in grado di accelerare in modo significativo l’individuazione di vulnerabilità in una codebase complessa, già ampiamente analizzata, riducendo il tempo necessario per arrivare a un finding utile.

Questo sposta il ruolo dell’intelligenza artificiale dalla semplice assistenza allo sviluppo verso una dimensione diversa.

Diventa supporto diretto al ciclo della sicurezza applicativa e, più in generale, alla postura complessiva di sicurezza del software.

AI-armed LLM e le 4 V operative

Quando l’AI viene applicata direttamente all’analisi della codebase non è più un semplice supporto, ma una vera e propria attività operativa.

In questo contesto si può parlare di AI-armed LLM, cioè modelli integrati nei processi con un ruolo attivo nella sicurezza del codice.

Questa capacità si basa su quattro caratteristiche chiave:

• velocità, nella capacità di analizzare rapidamente grandi quantità di codice;
• volume, nella possibilità di lavorare su più componenti in parallelo;
• veridicità, nella produzione di risultati coerenti e contestualizzati;
• volizione, nella capacità crescente di operare in modo autonomo e orientato a un obiettivo, pur restando entro vincoli e supervisioni definiti.

Queste dimensioni si traducono in un effetto concreto. L’AI riduce la soglia tecnica, comprime i tempi e aumenta la scala operativa.

In altre parole, trasforma attività complesse in attività molto più accessibili.

L’AI entra nel ciclo DevSecOps

In questo scenario, l’intelligenza artificiale diventa parte integrante del DevSecOps.

Non è più solo uno strumento a supporto dello sviluppo, ma un nuovo punto all’interno del ciclo di vita, in grado di potenziare e migliorare le singole fasi.

Gli LLM introducono la capacità di leggere il codice in modo più ampio, correlare funzioni, individuare relazioni logiche e ipotizzare condizioni di errore distribuite nella codebase.

Questo consente di inserire l’AI come ulteriore layer del processo:

• analisi preventiva prima del rilascio;
• supporto alla code review;
• individuazione anticipata delle vulnerabilità;
• assistenza alla remediation.

In prospettiva, far transitare il codice attraverso modelli locali o ambienti controllati può diventare una best practice strutturata del ciclo di sviluppo sicuro, soprattutto nei contesti più sensibili o regolati.

Il punto chiave è semplice: questa integrazione non è più teorica, è già tecnicamente possibile.

Il rovescio della medaglia, l’uso offensivo è già realtà

Questo elemento di AI come difesa ha inevitabilmente un corrispettivo offensivo e va considerato con realismo.

La stessa capacità di analisi del codice e individuazione delle vulnerabilità è già utilizzata anche sul lato attacco.

Negli ultimi mesi sono emersi diversi casi concreti:

• utilizzo di modelli generativi per sviluppare e adattare malware o script malevoli;
• campagne di phishing sempre più credibili grazie alla generazione automatica di contenuti;
• supporto nell’analisi del codice e nell’individuazione di superfici di attacco.

In più occasioni, report di settore hanno evidenziato come anche attori con competenze limitate siano riusciti a costruire attacchi efficaci sfruttando modelli AI.

Il punto non è che l’AI generi autonomamente attacchi complessi. Il punto è che riduce drasticamente il tempo e lo sforzo necessari per costruirli. L’AI abbassa il costo cognitivo dell’attacco.

Torna centrale la vulnerabilità tecnica

Negli ultimi anni molti attacchi si sono concentrati su identità digitali, credenziali e supply chain. La capacità degli LLM di analizzare codice riporta però al centro anche la vulnerabilità tecnica.

Non perché il modello generi automaticamente exploit completi, ma perché accelera la fase più complessa. Individuare e comprendere il punto debole, separando più rapidamente il rumore dai segnali davvero rilevanti.

Questo significa maggiore rapidità nella discovery e riduzione del tempo necessario per arrivare a un finding utilizzabile.

In altre parole, la vulnerabilità torna a essere più accessibile anche a soggetti con competenze meno avanzate.

Il cambiamento è strategico

Il caso Firefox non va letto come un episodio isolato, ma come un indicatore di traiettoria.

La capacità di analizzare codice e individuare vulnerabilità sta diventando più veloce, più accessibile e meno costosa.

Per anni la pressione offensiva si è concentrata su identità e accessi. Con LLM più avanzati, anche la vulnerabilità tecnica può tornare ad assumere un ruolo crescente.

Il punto non è che l’AI sostituirà il ricercatore. Il punto è la riduzione drastica del tempo necessario per trasformare una vulnerabilità potenziale in conoscenza utilizzabile, con impatti diretti sia sui tempi di difesa sia su quelli di attacco.

L’AI e la governance

Per una funzione di sicurezza aziendale, questo passaggio non è solo tecnologico.
Se l’AI entra nel ciclo DevSecOps, diventa necessario governarla.

Le domande operative sono immediate:

• quali porzioni di codice possono essere analizzate;
• in quali ambienti;
• con quali garanzie di riservatezza;
• con quale validazione umana.

Parallelamente emerge un secondo tema, il volume.

Se la discovery accelera, il rischio è spostare il problema sul triage e sulla gestione dei finding, cioè sulla capacità organizzativa di assorbirli, classificarli e gestirli.

Il punto non è quindi adottare l’AI, ma inserirla in un processo controllato.

Il caso Firefox mostra che l’AI sta comprimendo il tempo necessario per trasformare una vulnerabilità in conoscenza utilizzabile.

Per chi governa la sicurezza, questo significa che il tema non è più osservare il fenomeno, ma decidere come integrarlo e come contenerlo, prima che diventi una componente stabile del ciclo operativo, con regole chiare, perimetri definiti e responsabilità esplicite.