Nel 2026, i tre maggiori attori dell'IA hanno scommesso sulla cybersecurity, ognuno scegliendo una strategia fondamentalmente diversa. OpenAI ha costruito un modello specializzato "permissivo" con accesso verificato. Anthropic ha diviso il mercato in Opus pubblico e Mythos chiuso con diversi livelli di autorizzazione. Google ha rinunciato del tutto a un modello cyber specializzato, puntando su un ecosistema di agenti con Gemini, Mandiant e Wiz. Quale strategia sia corretta dipende da chi sei e da cosa hai bisogno.
📌 Serie "AI nella Cybersecurity 2026"
- Parte 1. Architettura di GPT-5.5-Cyber, Daybreak e Patch the Planet — leggi l'articolo.
- Parte 2. Come GPT-5.5-Cyber aiuta a trovare vulnerabilità e analizzare codice — leggi l'articolo.
- Parte 3. Stai leggendo questo articolo.
⚡ In breve
- 🔴 GPT-5.5-Cyber (OpenAI): non un nuovo modello — GPT-5.5 meno limitato per difensori verificati. CyberGym 85.6%, ExploitGym 39.5%. Forte per red team autorizzati e workflow di exploit completi. Chiuso alla maggior parte.
- 🟣 Claude Opus 4.8 (Anthropic): accessibile pubblicamente, il più basso tasso di allucinazione tra i modelli testati (~4 volte inferiore a Opus 4.7). Forte nell'analisi statica del codice, triage delle vulnerabilità, threat modeling. Non esegue exploit in runtime. Il più onesto riguardo ai propri limiti.
- 🔵 Gemini + Google AI Threat Defense: non un modello cyber specializzato, ma una piattaforma di agenti — Gemini 3.1 Pro + Mandiant (threat intel) + Wiz (cloud exposure) + CodeMender (AI patching). Il più forte per SOC aziendali e organizzazioni cloud-native con grandi volumi di dati.
- ⚠️ Frontiera chiusa: Claude Mythos (Project Glasswing) e GPT-5.5-Cyber — le più potenti capacità cyber — non sono disponibili pubblicamente. Per il resto, ci sono alternative reali e utili.
- 🎯 Otterrai: un confronto onesto di tre strategie con benchmark reali, scenari di scelta per diversi ruoli e limitazioni pratiche di ogni approccio
📚 Indice dell'articolo
- Perché l'IA per la cybersecurity è speciale
- Tre approcci di OpenAI, Anthropic e Google
- GPT-5.5-Cyber
- Claude Opus 4.8
- Gemini per la cybersecurity
- Confronto dei modelli
- Quale modello scegliere
- Conclusioni
- FAQ
🔐 Perché la cybersecurity richiede un approccio speciale dall'IA
I compiti di cybersecurity sono fondamentalmente diversi dalla maggior parte degli altri scenari di utilizzo dell'IA. Non si tratta di un problema di qualità della generazione di testo o di accuratezza della risposta a una domanda accademica. Ci sono diversi requisiti specifici che spiegano perché i modelli universali senza impostazioni aggiuntive sono spesso scomodi per il lavoro di sicurezza.
Dual-use per natura
Ogni compito di cybersecurity ha un lato speculare. La ricerca di vulnerabilità è utile contemporaneamente per il difensore e per l'attaccante. L'analisi di malware aiuta i sistemi IDS e gli autori di software dannoso. Il reverse engineering è necessario per i ricercatori di sicurezza e gli sviluppatori di bypass di protezione. Pertanto, i modelli universali hanno classificatori integrati che rifiutano queste richieste indipendentemente dall'intento, e questo limita significativamente la loro utilità per i difensori legittimi.
Differenza tra analisi statica e dinamica
Leggere il codice e trovare potenziali vulnerabilità è un compito. Eseguire un exploit contro un sistema attivo e confermare che la vulnerabilità è realmente sfruttabile è un compito fondamentalmente diverso. La maggior parte dei modelli IA, incluso Claude Opus 4.8, si ferma al primo livello. GPT-5.5-Cyber, per gli attori verificati, passa al secondo. Questa è una differenza importante per la scelta dello strumento.
Il costo di un errore — allucinazione nel contesto della sicurezza
Se un modello IA allucina in una risposta su una ricetta, ottieni un piatto cattivo. Se allucina nella valutazione delle vulnerabilità, sprechi risorse per un falso positivo o (peggio) perdi una vulnerabilità reale, ottenendo un falso negativo con una risposta sicura del modello. È per questo che il basso tasso di allucinazione in Claude Opus 4.8 (system card Anthropic, maggio 2026) è una caratteristica praticamente importante, non solo un benchmark accademico.
🗺️ Tre strategie: OpenAI, Anthropic e Google hanno scelto percorsi diversi
L'intuizione più importante del confronto del 2026 è che non si tratta di una competizione su "chi modello conosce meglio le CVE". I tre maggiori attori dell'IA hanno posto diagnosi fondamentalmente diverse al problema e hanno offerto rimedi fondamentalmente diversi. Per scegliere lo strumento giusto, bisogna prima capire quale problema ogni azienda sta realmente risolvendo.
🔴 OpenAI: il problema sono i classificatori, la soluzione è l'accesso verificato
OpenAI parte da una diagnosi specifica: i modelli IA di frontiera sono già abbastanza potenti per il lavoro di sicurezza, ma i classificatori di sicurezza eccessivamente cauti bloccano i difensori legittimi insieme agli aggressori. La soluzione: non costruire un nuovo modello, ma aprire in modo controllato quello esistente per gli attori verificati.
Questo è incarnato in un'architettura di accesso a tre livelli, dove ogni livello è lo stesso "cervello" di GPT-5.5, ma con un diverso strato di permessi:
- GPT-5.5 (standard) — per tutti; i classificatori rifiutano richieste di exploit, workflow di penetration testing, PoC di malware
- GPT-5.5 con Trusted Access for Cyber (TAC) — per difensori verificati dopo la verifica dell'identità o l'attestazione aziendale; i classificatori consentono PoC, ricerca di vulnerabilità, analisi di malware
- GPT-5.5-Cyber — per un numero limitato di partner Daybreak; workflow di exploit completo su obiettivi autorizzati
OpenAI stessa ha definito la sua scommessa nel blog ufficiale: "Scale the number of trusted defenders who have access to the most capable AI, while continuing to restrict access for malicious actors" (OpenAI, 7 maggio 2026). Cioè, scalare la fiducia, non una svolta tecnica.
Il punto di forza dell'approccio: semplicità per chi è già dentro — nessun nuovo modello, solo un cambio di permessi. Il punto debole: la verifica è un collo di bottiglia. TAC richiede una verifica individuale o un'attestazione aziendale; GPT-5.5-Cyber è del tutto inaccessibile senza una partnership Daybreak. La maggior parte dei difensori del mondo sono al di fuori di questo circolo.
🟣 Anthropic: il problema è la sicurezza vs capacità, la soluzione è un confine rigido a due livelli
Anthropic ha scelto un approccio strategicamente diverso: invece di "aprire un modello per i verificati", hanno costruito due prodotti paralleli con profili di sicurezza fondamentalmente diversi, con un confine rigido e pubblicamente dichiarato tra di loro.
Claude Opus 4.8 — un modello pubblico per tutti i difensori — è intenzionalmente limitato nelle capacità offensive cyber. Anthropic indica esplicitamente nella system card che durante l'addestramento hanno "sperimentato sforzi per ridurre differenzialmente le capacità cyber del modello" e hanno implementato salvaguardie runtime per bloccare l'uso proibito della cybersecurity (Opus 4.8 System Card). Questo non è un difetto, è una decisione consapevole.
Claude Mythos Preview (Project Glasswing) — una frontiera chiusa con capacità qualitativamente diverse: la prima IA che ha completato la simulazione di attacco alla rete aziendale in 32 passaggi AISI, ha trovato un bug di 27 anni in OpenBSD, ha scoperto una vulnerabilità RCE di 17 anni in FreeBSD. Non è disponibile pubblicamente. Viene utilizzata da un numero limitato di organizzazioni fidate — principalmente strutture governative e di difesa.
La logica strategica di Anthropic: non una singola scala di permessi, ma due prodotti separati. Opus 4.8 è massimamente utile per la sicurezza difensiva e non eseguirà mai un workflow di exploitation completo. Mythos — per capacità di frontiera dove il rischio è accettabile solo in un ambiente strettamente controllato. Nessuna verifica ti sposta da uno all'altro — sono modelli diversi, non diversi livelli di accesso allo stesso.
Implicazione pratica: Anthropic vince dove sono importanti l'affidabilità e il minimo di falsi positivi. Opus 4.8 commette errori confidenziali nella valutazione delle vulnerabilità circa 4 volte meno spesso di Opus 4.7 (MindFort AI). Per un analista SOC, che non può permettersi un flusso infinito di avvisi irrilevanti, questo è più importante delle percentuali di benchmark.
🔵 Google: il problema sono i dati, la soluzione è un ecosistema, non un modello
Google ha posto una diagnosi fondamentalmente diversa: il problema della cybersecurity non è che i modelli non siano abbastanza "intelligenti" o siano eccessivamente limitati. Il problema è che anche il modello più intelligente non sa cosa sta succedendo nella tua rete in questo momento. La threat intelligence diventa obsoleta in poche ore. La configurazione del cloud cambia ogni minuto. Nessuna LLM senza dati reali può fornire una risposta contestualizzata.
La soluzione: non costruire un modello cyber speciale, ma collegare il ragionamento IA agli asset che portano dati reali. Google AI Threat Defense unisce quattro componenti:
- Gemini 3.1 Pro — ragionamento e generazione di codice; modello universale, non specifico per cyber
- Mandiant (acquisita nel 2022, $5.4 miliardi) — threat intelligence di prima linea da migliaia di indagini di incident response; TTP reali, IOC, attribuzioni degli aggressori
- Wiz (acquisita nel marzo 2026, $32 miliardi) — mappatura dell'esposizione cloud; comprende l'infrastruttura cloud, i permessi IAM, le misconfigurazioni in tempo reale
- CodeMender (Google DeepMind, ottobre 2025) — agente IA per il patching; non solo trova una vulnerabilità, ma genera immediatamente una patch come PR nel tuo IDE
Google ha formulato esplicitamente il contrasto con i concorrenti: "Unlike other model providers that simply hand security teams a massive, unprioritized list of AI-generated alerts, we deliver prioritized fixes to accelerate remediation" (Google Cloud Blog, 27 maggio 2026). E ha rafforzato la scelta della strategia al Google Cloud Next '26: "Instead of a dedicated cyber-model, an army of agents on top of universal Gemini and Mandiant telemetry" (riepilogo Google Cloud Next '26).
Punto di forza: l'analisi contestualizzata da Mandiant — qualcosa che GPT-5.5-Cyber e Claude Opus 4.8 non possono fisicamente replicare senza dati di threat intelligence reali. Sec-Gemini v1 supera i concorrenti su CTI-MCQ dell'11% e su CTI-Root Cause Mapping del 10.5% (Google Blog) — ma non è un "modello migliore", è "modello migliore più dati migliori". Punto debole: è una piattaforma enterprise con un livello di complessità e prezzo corrispondente. Per un ricercatore individuale o un piccolo team, è praticamente inaccessibile.
Tre domande diverse — tre risposte diverse
Se si riassumono le strategie in una frase ciascuna:
| Azienda | La domanda che risolvono | La risposta | Per chi è corretto |
|---|---|---|---|
| OpenAI | "Come dare ai difensori verificati di più rispetto all'utente generale?" | Lo stesso modello, classificatori diversi per livello di verifica | Red team verificati e organizzazioni di pentesting |
| Anthropic | "Come aiutare al massimo i difensori senza rischiare di aiutare gli aggressori?" | Due modelli con un confine rigido: pubblico limitato offensivamente + frontiera chiusa | AppSec, analisti SOC, ricercatori di sicurezza che apprezzano l'affidabilità |
| "Come rendere l'analisi IA contestualizzata, non isolata dall'ambiente reale?" | Piattaforma di agenti: Gemini + Mandiant + Wiz + CodeMender | SOC enterprise, organizzazioni cloud-native con stack di sicurezza esteso |
La comprensione di queste differenze è un prerequisito per la scelta corretta dello strumento. Le sezioni successive analizzano in dettaglio i punti di forza e di debolezza di ogni approccio in compiti specifici.
🔴 GPT-5.5-Cyber: punti di forza e dove vince davvero
GPT-5.5-Cyber è la scelta giusta in scenari molto specifici. La scelta sbagliata è pensare che sia "il modello migliore in generale per la cybersecurity".
Dove GPT-5.5-Cyber vince davvero
Red teaming autorizzato e penetration testing. Se hai bisogno di un workflow di exploit completo su un obiettivo autorizzato — dal fingerprinting al post-exploitation — GPT-5.5-Cyber è l'unica delle tre che lo eseguirà senza fermarsi a una risposta "difensiva". È proprio questa differenza che ha mostrato l'esempio con CVE-2025-55182 nel primo articolo della serie.
Ricerca automatizzata di vulnerabilità in grandi codebase. GPT-5.5 (e GPT-5.5-Cyber) ottiene l'88.1% nel benchmark interno CTF di OpenAI e l'81.8% su CyberGym (rilascio ufficiale di GPT-5.5). Per contesto, Claude Opus 4.7 sullo stesso CyberGym: 73.1%. Questa è una differenza significativa.
Ragionamento e pianificazione per attacchi complessi multi-step. GPT-5.5 su Terminal-Bench 2.0 (workflow complessi da riga di comando con pianificazione e coordinamento) — 82.7% contro 69.4% di Claude Opus 4.7 e 68.5% di Gemini 3.1 Pro. Cioè, per compiti che richiedono pianificazione a lungo termine ed esecuzione di passaggi — GPT-5.5 è leader.
Contesto lungo. GPT-5.5 con una finestra di 1 milione di token e forti risultati nei benchmark a contesto lungo (Graphwalks BFS 1M: 45.4%) consente di analizzare grandi codebase senza chunking. Per l'analisi di grandi progetti — un vantaggio pratico.
Dove GPT-5.5-Cyber non è la scelta giusta
Per la maggior parte dei difensori, è semplicemente inaccessibile. GPT-5.5-Cyber è solo per un numero limitato di partner verificati di Daybreak. GPT-5.5 con Trusted Access for Cyber (TAC) è un livello di accesso più ampio, ma richiede comunque la verifica. Se non hai una partnership con Daybreak e non hai superato la verifica TAC — semplicemente non avrai accesso ad essa. Il confronto "quale modello è migliore" non ha senso se non puoi usare uno di quelli confrontati.
Per la revisione statica del codice e il triage delle vulnerabilità. Qui GPT-5.5-Cyber non ha un vantaggio pratico su Claude Opus 4.8 — e può essere peggiore a causa di un più alto tasso di allucinazione in assenza di contesto esterno (senza browsing, GPT-5.5 mostra un tasso di allucinazione dell'86% su AA-Omniscience).
Prezzo API: $5/1M input, $30/1M output (prezzi OpenAI).