Una panoramica del 2026 sui fornitori di penetration testing autonomo indica un rapido spostamento dai servizi di sicurezza manuali verso software che cercano di emulare il comportamento di un attaccante sotto stretta autorizzazione.
Una discussione di ricerca di TryHackMe mette a fuoco un'idea semplice ma scomoda: l'automazione può ampliare la copertura, ma anche i tester esperti continuano a perdere vulnerabilità nascoste.
I test offensivi più incisivi non sono quelli alimentati dal modello più rumoroso, ma quelli guidati da un tester che sa trasformare l’automazione in evidenza, perimetro e rischio.
Burp AT porta l'automazione agentica in un flusso di lavoro maturo per il testing web, promettendo velocità senza cedere il controllo dell'operatore su ambito, approvazioni e giudizio finale.
Il nuovo slancio di CyCognito verso il continuous AI pentesting mostra come la gestione dell'esposizione stia passando da controlli periodici alla validazione sempre attiva di asset esposti su Internet, strumenti AI e livelli di retrieval.
Un demone Python open-source chiamato PENTDEM è progettato per concatenare ricognizione, validazione e fingerprinting dei WAF in un unico flusso di lavoro guidato da LLM, alzando l'asticella per i test autorizzati e per le difese che devono resistervi.
Un progetto open-source emerso di recente ha riportato al centro dell'attenzione un noto paradosso della sicurezza: quando un LLM inizia a orchestrare strumenti reali di penetration testing, l'automazione può diventare sia una scorciatoia per i difensori sia un problema di governance.
A new penetration-testing framework for AI systems spotlights a growing truth: models, retrieval layers, and tool calls create attack paths that classic security checks can miss.