Anthropic, OpenAI, Cloudflare e Google hanno ciascuno sviluppato un agente AI in grado di individuare bug di sicurezza nel codice sorgente. Abbiamo analizzato i repository, la documentazione e i dettagli tecnici di ciascuno strumento.

La scoperta principale è che tutti e quattro gli strumenti convergono su un design comune. Un agente trova un bug, un agente separato cerca di confutarlo e solo i bug sopravvissuti vengono corretti. Le differenze riguardano dove vengono eseguiti, chi può usarli e quanto proof richiedono.

Punti chiave

Ecco i punti chiave emersi dall'analisi:

4 laboratori, 1 pattern: trovare, confutare indipendentemente e poi correggere.
Claude Security funziona all'interno di Claude Code; non è necessario un API key aggiuntivo.
Codex Security ha un CLI in licenza Apache-2.0, ma la scansione richiede ancora l'accesso a OpenAI.
La skill di Cloudflare è in licenza MIT, è agnostica al modello e la più stellata con 47.5K.
Google Mantis riproduce i bug in una sandbox; Google consiglia di isolarlo.

Perché 4 laboratori hanno spedito la stessa cosa nel 2026

Il problema che ciascuno di questi strumenti risolve è il rumore. Il team di sicurezza di Google scrive che la scansione del codice AI approssimativa produce bug immaginari e tassi di veri positivi inferiori al 7%. Uno scanner che sbaglia il 93% delle volte costa più di quanto risparmia ai revisori.

La soluzione condivisa è la separazione dei compiti. L'agente che segnala un problema non può confermarlo. Cloudflare afferma la regola direttamente nel suo README: il verificatore non è mai l'agente che ha trovato il bug. Anthropic, OpenAI e Google descrivono ciascuno un passaggio di validazione simile prima che qualsiasi cosa raggiunga un rapporto.

Il secondo driver è l'offesa. Il team di Anthropic afferma di aver costruito il suo scanner anche perché gli attaccanti stavano già utilizzando modelli AI per trovare difetti sfruttabili, come riportato da The Hacker News. Google apre il suo post su Mantis notando che i modelli possono ora scoprire e sfruttare bug con poco aiuto umano.

1. Claude Security di Anthropic

Cos'è: Un scanner di vulnerabilità multi-agente che funziona all'interno di una sessione Claude Code. È la versione locale del prodotto Claude Security ospitato di Anthropic, come indicato nel README del plugin.

Come funziona: Gli agenti mappano l'architettura, costruiscono un modello di minaccia, cercano in ogni componente e verificano ciascuna scoperta in modo indipendente. Il plugin offre 3 lavori da un menu: scansionare il codice sorgente, scansionare le modifiche o suggerire patch, come indicato nella documentazione di Claude Code.

Output: Un rapporto in Markdown insieme a un file SARIF 2.1.0 per la scansione del codice GitHub. Ogni scoperta include gravità, una categoria CWE, impatto e passaggi di riproduzione. Le patch vengono redatte in una copia di prova e vengono salvate come file F.patch. Il plugin non commette, non invia o non apre una pull request da solo.

Costo e accesso: Non effettua chiamate di modello proprie, quindi non è necessario un API key separato. Le scansioni contano contro i limiti di utilizzo del tuo piano Claude.

Per installare e utilizzare:

/plugin install claude-security@claude-plugins-official

/claude-security

Timeline: Anthropic ha aperto una preview limitata chiamata Claude Code Security a febbraio 2026. Il prodotto ospitato ha raggiunto la beta pubblica per i clienti Enterprise con Claude Opus 4.7. Il plugin Claude Code è entrato in beta il 22 luglio 2026, come riportato da Cybersecurity News. Ad agosto, lo scanner ospitato è passato a Claude Mythos 5, come riportato da Dataconomy.

Dove si inserisce: Anthropic lo posiziona come uno strato. Il plugin di guida alla sicurezza controlla il codice mentre Claude lo scrive, e /security-review fa un passaggio singolo su un branch. Claude Security è la scansione profonda su richiesta.

2. Codex Security di OpenAI

Cos'è: Un CLI e un SDK TypeScript, pubblicato come @openai/codex-security, per trovare, validare e correggere vulnerabilità.

Come funziona: Scansiona un intero repository, percorsi selezionati o una diff Git. Una flag –mode deep esegue lavoratori di scoperta paralleli. Valida i candidati, genera patch e può verificare le correzioni esistenti. Un comando cs policy redige un SECURITY.md che dice alle future scansioni cosa conta come vulnerabilità nel tuo progetto.

Output: Modelli di minaccia, SARIF, esportazioni JSON o CSV, oltre alla pubblicazione su Linear. Può importare avvisi di scansione del codice GitHub e suggerire proprietari dalla storia Git. Un'azione GitHub esegue scansioni programmate o di pull request; i risultati sono solo per la segnalazione di default.

Per installare e utilizzare:

npm install --global @openai/codex-security

cs login

cs scan

Costo e accesso: Il client è in licenza Apache-2.0, ma lo scanner dietro di esso non lo è. DevOps.com nota che il CLI e l'SDK rimangono in beta limitata per clienti approvati. Il README elenca OpenAI, Amazon Bedrock, OpenRouter e Fireworks AI come fornitori. Richiede Node.js 22.13+ e Python 3.10+.

3. Skill di Audit di Sicurezza di Cloudflare

Cos'è: Una skill in licenza MIT che trasforma qualsiasi agente di codifica capace in un revisore di sicurezza.

Come funziona: Un audit in 6 fasi:

Ricognizione: mappa l'architettura, i confini di fiducia e le superfici di input in architecture.md e un registro di copertura.
Caccia guidata dalla copertura: cacciatori isolati prendono ciascuno unità del registro; critici di copertura cercano lacune.
Validazione dei candidati: un verificatore fresco cerca di confutare ogni candidato unico.
Output strutturato: record confermati, needs_validation e respinti vanno a findings.json, controllati contro uno schema.
Verifica indipendente del record: nuovi agenti rivalidano ogni affermazione finale della fonte.
Reportistica neutrale: REPORT.md e file dettagliati sono derivati dai record verificati.

Requisiti: Un agente di codifica che supporta l'uso di strumenti e sub-agent paralleli, oltre a Node.js per i validatori. Vuole anche una sandbox con isolamento forzato dal sistema operativo e senza rete esterna. Senza di essa, i lead rimangono needs_validation invece di essere eseguiti.

Per aggiungere la skill:

npx skills add https://github.com/cloudflare/security-audit-skill –skill security-audit

Poi chiedi all'agente: “security audit this codebase.” L'output predefinito è ~/security-audit-skill//run-, fuori dal tuo repository.

I dati dietro di esso: Cloudflare ha pubblicato la skill l'18 giugno 2026 con il post Build your own vulnerability harness. La skill di circa 450 righe ha seminato un harness interno che ora scansiona 128 repository. Cloudflare riporta questi numeri di vita:

20.799 candidati grezzi dalla scoperta, circa 12.057 dei quali sono sopravvissuti alla validazione.
13.841 risultati nel pool di triage condiviso tra 145 repository, inclusa l'output di un altro harness.
5.442 accantonati come duplicati e 1.154 indirizzati come errore-repository o basso rischio.
7.245 risultati azionabili inviati ai team di ingegneria.

Una migliore contesto di ricognizione ha ridotto il tasso di rifiuto al primo passaggio dal 40% all'11%. Cloudflare utilizza anche un modello per la scoperta e un modello diverso per il triage, quindi i modelli si controllano a vicenda.

4. Mantis di Google

Cos'è: Un set di skill di revisione della sicurezza in licenza Apache-2.0 più un harness di riferimento ADK per agenti di codifica AI. Il team di Google afferma che fa parte del modo in cui trova e corregge bug internamente.

Come funziona: Mantis legge la storia del repository per imparare da correzioni di sicurezza passate. Costruisce un albero di riepilogo gerarchico, condensando i file in riepiloghi di directory e radice. Il team di Google afferma che questo ha ridotto il sovraccarico di token di oltre l'85%. Genera quindi un modello di minaccia e ipotesi, cerca, deduplica e critica.