Quando l'AI impara a fare reverse engineering

---

Il vero trend non sono i videogiochi, ma quanto l'AI sta imparando a capire il software

I recenti video in cui l'AI sembra fondere videogiochi completamente diversi sono interessanti soprattutto perché mostrano un'evoluzione più ampia: i modelli stanno diventando sempre più capaci di analizzare, modificare e ricostruire software complesso.

Tra la fine di settembre e i primi giorni di ottobre 2026 è esploso sui social un trend di video che mostra giochi apparentemente "fusi" tra loro: Minecraft dentro Elden Ring, Call of Duty combinato con Minecraft, Skyrim trasformato con meccaniche di altri titoli e altri mashup dello stesso tipo.

A prima vista sembra semplicemente l'ennesima moda generata dall'AI.

Dal punto di vista della cybersecurity, però, c'è una domanda molto più interessante:

quanto è diventata brava l'intelligenza artificiale a capire software che non è stato scritto da lei?

Ed è qui che il fenomeno diventa importante.

Un AI Game Mashup non significa necessariamente che l'AI abbia "fuso due giochi"

La maggior parte dei video virali non dimostra che un'intelligenza artificiale abbia preso due videogiochi e ne abbia realmente unito integralmente il codice.

Questo è il primo punto da chiarire, perché alcuni contenuti virali sono stati presentati in maniera molto più spettacolare di quanto la dimostrazione tecnica permetta di concludere.

In alcuni casi il risultato può dipendere da mod, sistemi di integrazione, codice ricreato separatamente o più programmi che interagiscono tra loro. In altri casi i video sono semplicemente dimostrazioni visive o contenuti generati dall'AI, senza dimostrare l'esistenza di un vero gioco ibrido funzionante.

La differenza è fondamentale.

Un esempio recente lo rende particolarmente evidente: mentre circolavano video che mostravano presunti crossover generati dall'AI, un modder di Skyrim ha mostrato un approccio completamente diverso, ricreando realmente il sistema di movimento e combattimento di Elden Ring in Rust per poterlo integrare nel gioco. Non era quindi una "magia dell'AI", ma normale lavoro di sviluppo software.

Questo non rende il trend meno interessante.

Al contrario, rende più interessante la domanda su quale parte del lavoro tecnico l'AI sia effettivamente in grado di automatizzare.

Il reverse engineering è il vero punto della storia

Il reverse engineering consiste nel ricostruire il comportamento e la struttura di un software partendo dal programma già compilato, invece che dal suo codice sorgente originale.

Quando un programmatore scrive un'applicazione, normalmente lavora con qualcosa di comprensibile:

if (player.health <= 0) {
  gameOver();
}

Il computer, però, non esegue direttamente quel codice sorgente.

Il software viene trasformato in istruzioni che il processore può eseguire. Quando analizziamo un programma senza avere il sorgente, quindi, dobbiamo risalire dal comportamento osservabile e dal codice compilato verso una rappresentazione comprensibile.

È qui che entrano strumenti di reverse engineering come disassembler e decompiler.

Ed è qui che gli LLM possono diventare interessanti.

Un modello può aiutare un ricercatore a dare un significato a grandi quantità di codice, riconoscere pattern, collegare funzioni, spiegare strutture e formulare ipotesi sul comportamento di una componente.

La ricerca recente sugli LLM applicati alla sicurezza del software descrive proprio questo utilizzo: analisi del codice, malware analysis e reverse engineering sono diventati aree attive di ricerca.

Il salto importante, quindi, non è:

"l'AI sa programmare un videogioco".

Questo lo sappiamo già.

Il salto è:

"l'AI riesce sempre meglio a lavorare anche quando il codice non l'ha scritto lei".

Perché questo interessa direttamente la cybersecurity

In cybersecurity il reverse engineering è una delle attività fondamentali per capire software sconosciuto, malware, firmware e applicazioni proprietarie.

Un analista può ricevere un eseguibile senza codice sorgente e dover capire cosa faccia.

Tradizionalmente questo richiede una combinazione di competenze molto specifiche: architettura dei computer, assembly, sistemi operativi, debugging, analisi statica e dinamica e una grande quantità di esperienza.

Gli agenti AI stanno iniziando a comprimere parte di questo lavoro.

Nel 2026 è stato presentato SRE-Bench, un benchmark costruito proprio per misurare quanto gli agenti siano realmente capaci di fare reverse engineering su programmi binari che non hanno già incontrato durante l'addestramento. Il benchmark comprende programmi creati appositamente e protetti con tecniche anti-analisi, proprio per evitare che il modello possa semplicemente riconoscere il codice.

Il risultato è particolarmente interessante perché ridimensiona due conclusioni opposte.

La prima è:

"L'AI ormai può fare reverse engineering di qualsiasi software."

No.

Il reverse engineering di binari realistici rimane un problema difficile. Anche i modelli più avanzati non risolvono automaticamente la maggioranza dei casi complessi.

La seconda conclusione sbagliata è:

"L'AI non è capace di fare reverse engineering."

Anche questo non è più vero.

Il punto reale è nel mezzo: l'AI sta diventando un moltiplicatore di produttività per chi sa già lavorare con il software e con la sicurezza.

Il rischio non è che l'AI diventi un hacker autonomo da un giorno all'altro

Il rischio più concreto è che una singola persona possa fare molto più lavoro tecnico in molto meno tempo.

Questa distinzione, secondo me, è fondamentale.

Immaginiamo un ricercatore che deve analizzare un programma sconosciuto.

Prima deve identificare migliaia di funzioni, capire quali siano rilevanti, seguire le relazioni tra componenti, interpretare codice decompilato e costruire una teoria sul comportamento dell'applicazione.

Un agente AI può assistere in molte di queste attività.

Non significa che sostituisca automaticamente il ricercatore.

Significa che il ricercatore può delegare una parte crescente del lavoro ripetitivo al modello e concentrarsi sulle decisioni più importanti.

È lo stesso principio che abbiamo già visto nel coding assistito, ma applicato alla sicurezza.

E quando questa capacità viene combinata con agenti capaci di usare terminale, filesystem, debugger e altri strumenti, il modello non si limita più a spiegare il codice.

Può diventare parte del processo operativo di analisi.

Questa è una differenza enorme.

Il 2026 sta mostrando anche il lato offensivo di questa evoluzione

Il passaggio da "AI che assiste un hacker" a "AI che partecipa attivamente a una campagna" non è più soltanto teorico.

Proprio l'8 ottobre 2026, Reuters ha riportato un'indagine di CrowdStrike secondo cui un attore sospettato di aver preso di mira almeno nove banche sudcoreane avrebbe utilizzato un agente AI insieme a strumenti come Claude durante le proprie attività. Il caso è ancora oggetto di indagine, quindi non va interpretato come prova che un'AI abbia autonomamente "hackerato una banca"; è però un esempio concreto di come gli agenti possano essere inseriti nelle operazioni offensive.

Parallelamente, Anthropic ha annunciato l'espansione del proprio Cyber Verification Program, dando a team di sicurezza verificati accesso a modelli più avanzati per attività come incident response, malware analysis e penetration testing autorizzato.

Il messaggio è quindi abbastanza chiaro:

la stessa capacità AI che può aiutare a trovare vulnerabilità può essere utilizzata per cercarle con finalità offensive.

È una corsa tra attacco e difesa.

E qui arrivano le banche: il problema non è "il cloud"

Dire che un'AI non può analizzare un'app bancaria perché "i dati sono nel cloud" sarebbe tecnicamente sbagliato.

Un'app bancaria contiene comunque codice sul dispositivo dell'utente e quel codice può essere sottoposto a reverse engineering.

Il punto è un altro: il client non coincide con l'intero sistema.

Un'applicazione finanziaria normalmente è composta da molti livelli: applicazione mobile, API, sistemi di autenticazione, servizi backend, database, sistemi antifrode, infrastruttura e controlli di autorizzazione.

Analizzare l'app installata sul telefono può rivelare informazioni importanti, ma non significa automaticamente ottenere il controllo dei sistemi che stanno dietro all'applicazione.

Questa distinzione vale per moltissimi software moderni.

Un videogioco può contenere localmente una quantità enorme di asset, codice e logica necessaria alla sua esecuzione.

Un servizio bancario, invece, può delegare una parte fondamentale delle decisioni a sistemi remoti che il client deve semplicemente interrogare.

Per questo la domanda corretta non è:

"L'AI può decompilare l'app?"

La risposta può essere sì.

La domanda corretta è:

"Cosa può ottenere un attaccante dopo aver capito come funziona l'app?"

Ed è una domanda di cybersecurity molto più seria.

L'AI introduce anche un nuovo problema: gli agenti possono essere ingannati

Più affidiamo a un agente AI il compito di analizzare software, più dobbiamo considerare la possibilità che anche l'agente stesso venga manipolato.

Questa è una delle parti meno intuitive del nuovo scenario.

Un programma sottoposto ad analisi può contenere stringhe, commenti, file o altri contenuti progettati per influenzare il modello che li sta analizzando.

La ricerca recente ha già studiato proprio questo problema: sistemi AI utilizzati per il reverse engineering possono essere indotti a interpretare erroneamente un eseguibile attraverso contenuti costruiti per manipolare il modello durante l'analisi.

In altre parole, abbiamo un nuovo livello di attacco:

non solo attaccare il software, ma cercare di ingannare l'AI che sta analizzando il software.

Questo principio è particolarmente importante con gli agenti AI perché questi sistemi possono avere accesso a strumenti reali.

Un modello che produce una spiegazione sbagliata è un problema.

Un agente che, sulla base di quella spiegazione, modifica file, esegue comandi o prende decisioni operative può trasformare quell'errore in un incidente.

La vera rivoluzione sarà la riduzione del costo del reverse engineering

Il cambiamento più importante dell'AI nella cybersecurity potrebbe non essere la capacità di fare cose completamente nuove, ma la riduzione del costo necessario per farle.

Il reverse engineering continuerà a richiedere competenze.

La comprensione di un binario complesso non diventerà magicamente banale.

Ma se un agente riesce a svolgere in pochi minuti una parte del lavoro che prima richiedeva ore di analisi manuale, cambia l'economia dell'attività.

E questo vale sia per il difensore sia per l'attaccante.

Per un team di sicurezza significa poter analizzare più software, malware e vulnerabilità.

Per un criminale significa potenzialmente poter tentare di analizzare più obiettivi con lo stesso numero di persone.

È lo stesso effetto che abbiamo già visto nel software development: quando il costo marginale di un'attività tecnica scende, aumenta il numero di attività che diventa economicamente conveniente tentare.

Cosa dovrebbero fare aziende e sviluppatori

La risposta non è impedire l'utilizzo dell'AI, ma progettare software e processi assumendo che il client possa essere analizzato.

Il primo principio è semplice: non mettere la sicurezza di una funzione critica esclusivamente nel client.

Il secondo è verificare sempre lato server le operazioni sensibili, invece di affidarsi a controlli che possono essere modificati nell'applicazione locale.

Il terzo è proteggere adeguatamente segreti, credenziali e chiavi: se un'informazione non deve essere ottenuta dall'utente, non dovrebbe essere incorporata nel client.

Il quarto è introdurre controlli di autenticazione e autorizzazione robusti sui backend e sulle API.

Il quinto è considerare il reverse engineering come parte del modello di minaccia, soprattutto per applicazioni che gestiscono denaro, identità, proprietà intellettuale o dati sensibili.

Infine, quando si utilizzano agenti AI per attività di sviluppo o sicurezza, bisogna applicare lo stesso principio: un agente non dovrebbe avere automaticamente più privilegi di quelli necessari per il compito che sta svolgendo.

Dai videogiochi alla cybersecurity: il segnale da osservare è un altro

Gli AI Game Mashup sono divertenti perché rendono visibile qualcosa che normalmente è invisibile: un modello AI sempre più capace di lavorare con software complesso.

Ma il vero trend non è vedere Minecraft dentro Elden Ring.

È vedere quanto rapidamente stia cambiando il confine tra scrivere software, capire software e modificare software.

Il reverse engineering è un ottimo esempio di questo cambiamento.

Per decenni è stata un'attività altamente specializzata, basata su strumenti complessi e sull'esperienza di pochi professionisti.

Ora gli agenti AI stanno iniziando a diventare un nuovo livello di interfaccia tra l'essere umano e quegli strumenti.

Non siamo ancora al punto in cui "l'AI può hackerare qualsiasi cosa".

Ma siamo già in un punto in cui ignorare la capacità dell'AI di accelerare l'analisi del software sarebbe un errore.

E la prossima volta che vedrete un video in cui un'AI sembra mettere Elden Ring dentro Minecraft, la domanda interessante non sarà più "come ha fatto?".

Sarà:

"Quanto di quel processo può essere automatizzato, quanto è affidabile e cosa succede quando la stessa tecnologia viene applicata alla cybersecurity?"