Capacità cyber: i modelli aperti riducono il divario con quelli chiusi
- Governance e compliance

Un nuovo benchmark di Vals AI segnala che il vantaggio dei modelli chiusi più avanzati nelle capacità cyber offensive resta reale, ma si sta assottigliando. Il test, chiamato CyberOffense, simula reti aziendali realistiche e misura quanto un agente AI riesca ad avanzare partendo da un semplice indirizzo web pubblico, senza aiuto umano. Nel risultato riportato da The Decoder, GPT-6 Sol Daybreak ottiene la prestazione migliore, ma un modello open-weight come DeepSeek V4.1 Flash si avvicina molto, con un costo per esecuzione nettamente inferiore.
L’aspetto più rilevante non è solo il confronto tra punteggi, ma il tipo di scenario provato. Gli agenti operano da una macchina Kali Linux isolata, inviano comandi alla rete simulata, attraversano applicazioni web e sistemi Windows e puntano a privilegi amministrativi. Nel test più complesso, il modello di OpenAI completa 27 obiettivi su 31 in meno di tre ore; DeepSeek ne completa 21, con una spesa indicata come circa un decimo. Vals osserva inoltre che le prove brevi possono sottostimare il potenziale dei modelli aperti, perché alcune capacità emergono solo con esecuzioni molto lunghe e con un elevato consumo di token.
Per chi governa sicurezza, rischio e conformità, il punto centrale è che la barriera d’accesso a capacità offensive sofisticate si abbassa. Se modelli open-weight relativamente economici raggiungono risultati vicini a quelli dei sistemi chiusi, diventa più difficile contare su limiti di accesso, controlli del fornitore o costi elevati come fattori di contenimento. La fonte richiama anche analisi precedenti dell’AI Security Institute britannico e di Anthropic, che vanno nella stessa direzione: il distacco temporale tra frontiera chiusa e modelli aperti si riduce, mentre le misure di sicurezza incorporate nei modelli aperti risultano poco efficaci una volta rese pubbliche le weights.
Questo cambia il calendario delle difese. Per imprese e amministrazioni non è più sufficiente monitorare solo i grandi fornitori o le release più note: occorre assumere che capacità prima ristrette possano diffondersi rapidamente in ambienti più difficili da controllare. La stessa dinamica, osserva Vals, può però essere sfruttata anche in senso difensivo, usando questi modelli per individuare e correggere vulnerabilità prima degli attaccanti. Per il pubblico di veriax.ai, la notizia rafforza l’esigenza di una governance operativa dei modelli, con valutazioni continue del rischio, controlli d’uso e ambienti di test separati, soprattutto nei contesti regolati dove tempi di reazione e tracciabilità sono già vincoli essenziali.
Fonte: The Decoder, 7 novembre 2026