Gli agenti AI possono violare in autonomia le reti aziendali di test
Vals AI ha scoperto che gli agenti autonomi riescono a muoversi all'interno di reti aziendali simulate e a ottenere accessi di livello amministratore senza alcun aiuto umano.
Illustration made on Lumeta with GPT Image 2.5Make one like it
Il 7 novembre 2026 Vals AI ha comunicato che nei suoi test CyberOffense i modelli open-weight si sono avvicinati molto ai sistemi frontier ad accesso limitato: Deepseek V4.1 Flash 1017 ha raggiunto il 72.8 percento degli obiettivi Nova contro l'80.8 percento di GPT-6 Sol Daybreak, con un costo di circa $3 per esecuzione invece di circa $22. È un dato rilevante perché le stesse capacità agentiche che possono automatizzare le intrusioni possono essere usate fin da ora anche dai difensori per testare e rafforzare le proprie reti.
Cosa ha scoperto Vals
Vals ha creato un benchmark chiamato CyberOffense che simula reti aziendali realistiche. Ogni agente parte da una macchina Kali Linux isolata, con a disposizione solo un indirizzo web pubblico e nessun aiuto umano, e deve passare da un'applicazione web ai sistemi Windows fino ad accessi con privilegi più elevati. Nello scenario Nova, GPT-6 Sol Daybreak è risultato il migliore in assoluto, mentre Deepseek è rimasto vicino a costi molto inferiori. Nel più difficile scenario Lighthouse, la tabella mostra Meta Wonder a 28 obiettivi su 31, GPT-6 Sol Daybreak a 27 e Deepseek V4.1 Flash 1017 a 21.

Illustration made on Lumeta with GPT Image 2.5Make one like it
Perché è importante
Secondo Vals, le esecuzioni più lunghe sono fondamentali per capire cosa questi sistemi sappiano fare davvero. Deepseek avrebbe ottenuto zero punti nei primi 25 milioni di token, realizzando gran parte dei progressi solo dopo i 100 milioni: i test brevi rischiano quindi di sottostimare le capacità dei modelli aperti. Il dato è coerente con ricerche precedenti. A luglio l'AI Security Institute britannico aveva affermato che il divario tra modelli frontier aperti e chiusi nelle attività di cybersicurezza si era ridotto a quattro-sette mesi, contro i sei-dieci mesi registrati per gran parte del 2025. Lo stesso studio aveva rilevato anche forti differenze di prezzo, con un'esecuzione su cyber range di Deepseek V4-Pro a $1.19 contro gli $85 di Anthropic Opus 4.5. Anthropic ha inoltre riferito, separatamente, che GLM-5-3 era in grado di sviluppare exploit quasi allo stesso livello del suo modello interno di punta, Mythos.
Cosa possono fare subito i team di sicurezza
- Ritestare le app esposte su internet, i sistemi di identità e i percorsi di escalation dei privilegi con esercitazioni di red team in stile agentico, non solo con controlli puntuali e circoscritti.
- Prevedere un budget per valutazioni più lunghe. Le esecuzioni brevi potrebbero non cogliere ciò che un modello riesce a fare dopo decine o centinaia di milioni di token.
- Dare per scontato che i modelli open-weight verranno usati a scopo offensivo una volta pubblicati i pesi, perché i controlli di accesso del fornitore non valgono più.
- Usare la stessa categoria di modelli in difesa per individuare i punti deboli prima degli attaccanti, soprattutto per quanto riguarda i punti di accesso web, gli host Windows e i diritti di amministratore.
Che cos'è il benchmark CyberOffense di Vals?
È un ambiente di test che simula reti aziendali realistiche. Un agente AI parte da una macchina d'attacco isolata con a disposizione solo un indirizzo web pubblico, e deve individuare ed eseguire i passaggi necessari per addentrarsi nella rete e raggiungere obiettivi con privilegi più elevati.
Quale modello ha ottenuto i risultati migliori secondo Vals?
GPT-6 Sol Daybreak ha registrato il miglior risultato su Nova, con l'80.8 percento degli obiettivi. Nella tabella Lighthouse, Meta Wonder ha raggiunto 28 obiettivi su 31, seguito a breve distanza da GPT-6 Sol Daybreak con 27.
Significa che i modelli aperti sono già migliori di quelli chiusi?
Non su tutta la linea. I modelli chiusi sono ancora in testa in alcune misurazioni, ma il divario è più ridotto rispetto al passato e alcuni modelli aperti costano molto meno: per questo la tendenza generale conta più di qualsiasi singola posizione in classifica.
Perché le esecuzioni più lunghe contano così tanto?
Perché alcuni modelli all'inizio fanno pochi progressi visibili, per poi migliorare nettamente con budget di token molto più ampi. Secondo Vals, Deepseek ha compiuto la maggior parte dei progressi solo dopo i 100 milioni di token, quindi i test brevi possono non coglierne il vero potenziale massimo.


