Quando a difenderti è un' AI
l SOC agentico tra promessa e nuova superficie d'attacco
Luciano Cipriano
7/23/20265 min read
Ciao a tutti,
Ben arrivati su WikiLuc.
C'è una frase che ho sentito ripetere in troppe presentazioni sulla sicurezza negli ultimi mesi: "l'AI automatizza il 90% del lavoro del tuo analista". Ogni volta penso la stessa cosa, e la penso da chi quei sistemi se li trova a valutare prima di proporli a un cliente: la stessa tecnologia che promette di alleggerire il mio team di sicurezza è anche ciò che allarga la superficie che quel team deve difendere. Non è una contraddizione da scettici. È il nodo concreto del 2026, e vale la pena scioglierlo senza né entusiasmo né allarmismo.
Di cosa parliamo oggi:
Cos'è un "SOC agentico" e in cosa differisce dall'automazione di prima
I numeri della difesa AI: cosa migliora davvero, e di quanto
La nuova superficie d'attacco che gli stessi agenti introducono
Il gap tra la demo che vedi al keynote e ciò che regge in produzione
Le domande da fare prima di mettere un agente a guardia della tua rete
Partiamo dal problema.
Cosa intendiamo per "SOC agentico"
Il SOC — Security Operations Center — è il cuore difensivo di un'organizzazione: il luogo (fisico o logico) dove si monitorano gli alert, si indaga sulle anomalie e si risponde agli incidenti. Per anni l'automazione qui ha significato regole e playbook: se succede X, fai Y. Utile, ma rigido.
Il SOC agentico è un'altra cosa. È un sistema di agenti task-based orchestrati verso un obiettivo comune: un ciclo semi-autonomo che parte da un alert, con funzioni AI per rilevamento e analisi e — questo è il punto cruciale — punti di supervisione umana strutturati lungo il percorso. Non è il robot che sostituisce l'analista. È un'orchestra di agenti che fa il lavoro ripetitivo di triage e correlazione, lasciando all'umano i punti di decisione che contano. La differenza con il vecchio playbook è che l'agente non esegue solo una regola: interpreta il contesto, decide quali passi fare, e si ferma dove gli hai detto di fermarsi.
A maggio 2026, Microsoft ha annunciato un sistema di sicurezza agentico multi-modello che ha superato il principale benchmark di settore — un segnale che questa architettura sta uscendo dalla fase sperimentale e entrando nei prodotti.
I numeri della difesa: cosa migliora, e di quanto
Qui i dati ci sono, e sono buoni. I SOC potenziati dall'AI rilevano le minacce circa il 50% più velocemente e riducono il carico di lavoro degli analisti fino al 60%, spostando i team da una gestione reattiva degli alert a un'attività più strategica di threat hunting. Sul fronte vendor, piattaforme come Torq dichiarano il 90% di automazione dei task di un analista di Tier-1 e tempi di risposta fino a 10 volte più rapidi.
Il dato che però inquadra la traiettoria di fondo è un altro: Gartner prevede che entro il 2027 oltre il 40% dell'intera spesa in cybersecurity sarà direttamente legata a capacità AI, contro appena l'8% del 2023. In quattro anni, una voce marginale diventa la metà del budget. Non è marketing: è la misura di quanto velocemente l'industria sta riallocando le risorse.
Letti così, questi numeri raccontano un caso solido. Il triage di Tier-1 — l'attività più ripetitiva, quella che brucia gli analisti e li fa scappare — è esattamente il tipo di lavoro dove un agente rende molto. Ridurre del 60% il carico significa trattenere le persone e dirottarle su ciò che una macchina ancora non sa fare. Fin qui, la promessa regge.
La nuova superficie d'attacco
E qui arriva la parte che i keynote tendono a saltare. Introdurre AI nella difesa non sposta solo il lavoro: sposta anche il rischio. L'infrastruttura AI — modelli, dati e agenti — espande la superficie d'attacco dell'organizzazione. Ogni agente che ha accesso a un sistema per difenderlo è anche un nuovo bersaglio: se viene manipolato, compromesso o ingannato (si pensi a prompt injection sui dati che analizza), diventa una via d'ingresso invece che un guardiano.
Non sorprende, allora, che secondo Darktrace il 92% dei professionisti della sicurezza sia preoccupato per l'impatto degli agenti AI. Non è tecnofobia: è la consapevolezza che stai aggiungendo componenti potenti e poco trasparenti a un perimetro che il tuo mestiere ti impone di tenere sotto controllo. Un agente che decide in autonomia è, per definizione, una cosa in più da monitorare — e va monitorata con lo stesso rigore con cui monitori tutto il resto.
È il motivo per cui i punti di supervisione umana, di cui parlavo prima, non sono un dettaglio di design: sono il meccanismo che evita che l'orchestra di agenti suoni da sola in una stanza dove nessuno controlla. Togli l'human in the loop nei punti sbagliati e hai automatizzato non solo la difesa, ma anche la possibilità di un errore che si propaga senza freni.
Il gap demo vs produzione
Mettiamo insieme i due lati. Da una parte numeri di efficienza reali e documentati; dall'altra il 92% di addetti preoccupati. Non si contraddicono: descrivono la distanza tra la demo e la produzione.
In demo, l'agente difensivo gestisce un alert pulito in un ambiente controllato e chiude l'incidente in pochi secondi. In produzione, lo stesso agente vive in una rete rumorosa, con dati incompleti, integrazioni fragili e avversari che cercano attivamente di ingannarlo. Il 90% di automazione del Tier-1 è raggiungibile — ma solo dopo aver costruito il monitoraggio degli agenti stessi, definito gli oversight point e accettato che una parte del budget vada a difendere il difensore.
Le domande che userei prima di adottare un SOC agentico
Quali sono i punti esatti di supervisione umana, e cosa succede se l'agente sbaglia tra l'uno e l'altro? Se la risposta è vaga, non hai un SOC agentico: hai un automatismo senza freni.
Come monitoro l'agente stesso? Un componente che ha accesso privilegiato per difendere è anche il bersaglio più appetibile: va trattato come tale.
Quanta parte del valore promesso è misurata in produzione e quanta in demo? La differenza tra le due è il lavoro vero che ti aspetta.
Notizie da tenere d'occhio
Microsoft in testa a un benchmark di settore
A maggio 2026 Microsoft ha presentato un sistema di sicurezza agentico multi-modello che ha superato il principale benchmark di riferimento.
Perché importa: segnala che le capacità agentiche difensive escono dai laboratori ed entrano nei prodotti enterprise mainstream.Gartner: la spesa cyber diventa spesa AI
Entro il 2027 oltre il 40% della spesa in cybersecurity sarà legata all'AI, dall'8% del 2023.
Perché importa: chi pianifica budget di sicurezza deve già oggi riservare voci per modelli, agenti e — soprattutto — per la loro messa in sicurezza.Darktrace: il 92% degli addetti è preoccupato
La survey fotografa una diffidenza diffusa verso gli agenti AI in sicurezza.
Perché importa: è un segnale che l'adozione corre più veloce della fiducia, e che la governance degli agenti è il vero collo di bottiglia.
Una cosa da approfondire
🔧 Il report di Microsoft Security sul sistema agentico multi-modello (maggio 2026) — Vale la lettura non per i risultati di benchmark in sé, ma per come descrive l'architettura: quali task delega agli agenti, dove inserisce gli oversight umani, come gestisce l'orchestrazione. È il miglior esempio pubblico, oggi, di che forma prende un SOC agentico fatto sul serio.
Il SOC agentico non è una promessa vuota: i numeri sul triage di Tier-1 sono reali e cambiano il lavoro degli analisti. Ma la stessa autonomia che riduce il carico introduce componenti da difendere — e la serietà con cui un'organizzazione monitora i propri agenti e presidia i punti di supervisione umana è ciò che decide se l'AI in sicurezza diventa una difesa più forte o semplicemente una porta in più lasciata aperta.
Grazie per aver letto questo articolo fammi sapere cosa ne pensi!
Ci vediamo presto qui su WikiLuc!