Una risposta specializzata al blocco delle analisi di sicurezza

Le grandi piattaforme di IA generativa, sebbene potenti, stanno diventando sempre più inibite dai filtri di protezione che impediscono l’analisi di dati sensibili. Questo limita fortemente i team di sicurezza, poiché le stesse capacità che offrono ai difensori possono essere sfruttate dagli aggressori. Artemis Security ha creato Orion-1 per colmare questa lacuna, fornendo un modello addestrato esclusivamente per la rilevazione e la risposta a minacce informatiche nei contesti aziendali.

Come funziona Orion-1

Il modello aggrega e interpreta dati di log provenienti da diversi punti della rete:

Servizi di autenticazione (login aziendali)
Ambienti cloud (IAM, bucket storage, funzioni serverless)
Computer desktop e laptop dei dipendenti
Software SaaS e applicazioni web interne
Infrastruttura di rete (firewall, IDS/IPS, switch)

Una volta raccolte le tracce, Orion-1 le collega per individuare sequenze coerenti con le attività di un singolo attore maligno. Il modello assegna un confidence score al risultato e può sia raccomandare, sia avviare direttamente le contromisure, sempre con la possibilità di impostare una approvazione umana per azioni critiche.

Il benchmark proprietario “Decision‑Grade Readiness” (DGR)

Per valutare le capacità dei modelli, Artemis ha sviluppato il benchmark DGR, che si differenzia dai test tradizionali in due modi fondamentali:

Ogni modello riceve la stessa segnalazione iniziale, gli stessi log e gli stessi tool a disposizione di un team di sicurezza reale.
Le prove includono sia scenari di attacco reale, sia casi benigni che sembrano sospetti, per misurare la capacità di distinguere falsi positivi.

Le prestazioni vengono valutate sulla base del risultato finale e della qualità delle prove fornite dal modello.

Risultati dei test: Orion-1 vs. i modelli generici

Artemis ha pubblicato i punteggi di cinque compiti del DGR per Orion-1 e per quattro modelli concorrenti:

Claude Opus 5.5
GPT‑6 Sol
Grok 4.7
Kimi K3

Orion-1 ha superato la soglia auto‑impostata di 80 punti in tutti i compiti, con il risultato più significativo nella “ricostruzione di attacchi”: 80,8 punti contro 58,3 punti del miglior modello generico (GPT‑6 Sol). Nei restanti quattro esercizi, Orion-1 si è mantenuto al di sopra della linea di confine, dimostrando coerenza e affidabilità dove gli altri modelli hanno spesso fallito o hanno prodotto falsi allarmi.

Perché i modelli generici perdono il filo

Secondo Artemis, i problemi principali dei modelli “frontier” (Claude, GPT, ecc.) sono:

Filtri di sicurezza sempre più restrittivi che bloccano l’accesso a dati di log sensibili.
La tendenza a interpretare attività insolite ma legittime come minacce, generando alti tassi di falsi positivi.
Un addestramento generico che non include scenari operativi specifici del settore cyber‑security.

Questi fattori portano a una perdita di “contesto” quando il modello deve analizzare miliardi di eventi, con il rischio di dimenticare la sequenza logica degli attacchi.

Il processo di “after‑training” di Orion-1

Per superare queste limitazioni, Artemis ha effettuato un addestramento supplementare (after‑training) basato su dati provenienti dal proprio SOC (Security Operations Center). Le attività di questo addestramento includono:

Identificazione di eventi sospetti nei log.
Ricerca mirata di pattern di attacco conosciuti.
Generazione automatica di regole di rilevamento nuove.
Contenimento di attacchi in corso attraverso azioni correttive.

Artemis afferma che i dati dei clienti non sono stati incorporati nel training, preservando la riservatezza delle informazioni aziendali.

La natura “Frontier Foundation Model” di Orion-1

Nel blog ufficiale, Artemis descrive Orion-1 come un “Frontier Foundation Model”, ma ammette che il termine si riferisce solo al processo di after‑training. Non è chiaro se il modello di partenza sia stato sviluppato internamente o se sia stato derivato da una piattaforma di terze parti, poiché Artemis non ha rivelato il modello di base utilizzato.

Confronto con le soluzioni specializzate di altri provider

Altri attori del mercato stanno adottando strategie analoghe, offrendo modelli meno generici e più controllati:

OpenAI ha rilasciato GPT‑5.5‑Cyber, disponibile solo per difensori verificati.
Anthropic propone Claude Mythos 5, integrato con il “Claude Security Scanner” e prodotti partner per la difesa.
Modelli come GLM 5.2 (open‑weight) sono stati usati da Hugging Face in ambienti on‑premise quando i guardrails dei modelli commerciali hanno bloccato l’analisi di attacchi simulati.

Nonostante questi sforzi, le performance dichiarate di Orion-1, in particolare nella ricostruzione degli attacchi, superano di gran lunga quelle di Claude Mythos 5 e GPT‑5.5‑Cyber nei test di Artemis.

Implementazione e governance

Orion-1 è attualmente disponibile in una fase di anteprima privata per clienti selezionati della piattaforma Artemis. Le impostazioni di sicurezza consentono al cliente di definire, per ciascun tipo di azione, il livello di autonomia del modello. Le operazioni con potenziali impatti critici richiedono una revisione e approvazione umana di default, garantendo un controllo rigoroso su interventi automatici.

Finanziamenti e roadmap

Artemis Security è uscita dal stealth ad aprile 2026, annunciando un round di finanziamento seed e Series A da 70 milioni di dollari, circa sei mesi dopo la sua fondazione. La roadmap prevede di ampliare l’accesso a Orion-1 a più clienti entro il 2027, con integrazioni approfondite nei principali SIEM e piattaforme di orchestrazione della sicurezza.

Prospettive future per i modelli IA nella cybersecurity

L’esperienza di Orion-1 suggerisce che la specializzazione tematica possa essere la chiave per superare le limitazioni imposte ai modelli generici. La capacità di mantenere coerenza su enormi volumi di dati, combinata con un addestramento su casi d’uso reali, offre un vantaggio competitivo per le imprese che necessitano di difese proattive e affidabili. Tuttavia, la dipendenza da modelli proprietari solleva interrogativi sulla trasparenza, sulla portabilità dei dati e sulla dipendenza da fornitori specifici.

Conclusioni

Orion-1 rappresenta un passo significativo verso l’adozione di IA specializzate per la cyber‑defense. Con risultati superiori nei benchmark DGR, una governance flessibile e un approccio di after‑training mirato, il modello dimostra che i problemi di “perdere il filo” nei grandi volumi di eventi possono essere risolti con un addestramento focalizzato. Resta da vedere se altri fornitori seguiranno la stessa strada o se il mercato continuerà a dipendere da soluzioni generiche con filtri sempre più restrittivi.