Il nuovo paradigma dei costi nella cybersecurity

Con gli agenti AI, il costo della cybersecurity dipende sempre più dai token consumati durante analisi e investigazioni. Un budget esaurito può interrompere un’indagine proprio quando serve. Per questo capacity planning, controllo dei consumi e misurazione dei risultati diventano nuovi strumenti di governance dei SOC.

Da licenze fisse al consumo di token

L’integrazione di Large Language Model (LLM) e di sistemi di agentic AI nelle piattaforme di sicurezza sposta il modello di costo dal licensing prevedibile al consumo variabile, misurato in base al numero di token utilizzati. Per oltre due decenni la spesa per la sicurezza informatica ha seguito schemi di pricing sostanzialmente deterministici: licenze per endpoint, subscription per utente e canoni proporzionali al volume di dati elaborati. Questi schemi rendevano il budget una grandezza pianificabile su base annuale.

Il token come unità di misura della sicurezza assistita

L’adozione di LLM e, più di recente, di architetture basate su agentic AI introduce una logica differente. Il costo marginale di ciascuna operazione dipende dal numero di token elaborati in fase di inference e, quindi, dalla complessità del singolo compito, e non dall’area coperta. Il token, unità minima di elaborazione testuale dei modelli, diventa di fatto l’unità di misura della sicurezza assistita dall’AI. La spesa si trasforma in una voce operativa variabile, priva di un tetto naturale [11].

Andamento dei prezzi dell’inference

Questo fenomeno convive con un apparente paradosso: i prezzi unitari dell’inference sono in rapida discesa. Secondo l’AI Index 2025 della Stanford University, il costo per interrogare un modello con prestazioni equivalenti a GPT‑3.5 sul benchmark MMLU è passato da 20 dollari per milione di token (novembre 2022) a 0,07 dollari (ottobre 2024), con una riduzione superiore a 280 volte in circa diciotto mesi [1]. Le analisi di Epoch AI stimano cali compresi tra 9 e 900 volte l’anno, a seconda del task considerato [2]. Inoltre, l’analisi storica a lungo termine indica una riduzione dai 60 dollari per milione di token dell’API di GPT‑3 nel 2020 ai circa 0,10 dollari dei tier economici all’inizio del 2026 [3].

Stratificazione del mercato e impatto sui costi aggregati

La diminuzione dei prezzi a parità di prestazioni non implica una riduzione della spesa. Il mercato dell’inference si è stratificato su fasce di prezzo che coprono quattro ordini di grandezza [3]. I modelli frontier destinati ai compiti più complessi mantengono listini elevati: Claude MythosPreview, riservato ai partner di Project Glasswing per attività di vulnerability research, è disponibile a 25 dollari per milione di token in input e 125 dollari in output [9]. Quando la domanda si sposta verso modelli più potenti e verso workload che moltiplicano il numero di token consumati per singolo compito, la spesa aggregata può aumentare, anche se il prezzo unitario diminuisce.

Le tre caratteristiche tipiche delle security operations

    • Volume: gli ambienti cloud generano quotidianamente milioni di eventi di telemetria, dei quali gli analisti riescono a indagare a fondo solo una minima parte [7].
    • Continuità operativa: il processo di difesa non prevede finestre di inattività in cui sospendere i consumi.
    • Profondità delle indagini: un’investigazione è un processo multi‑hop che attraversa sorgenti eterogenee accumulando contesto a ogni passaggio, come illustrato da ExCyTIn‑Bench, il benchmark pubblicato da Microsoft che modella il compito su 57 tabelle di log di Microsoft Sentinel e servizi collegati [4].

Consumo medio di token per attività di sicurezza

Stime di settore collocano il triage di un singolo alert nell’ordine di un migliaio di token. Un’indagine guidata può richiederne tra i 20 000 e i 50 000 per incidente [11]. Il costo della funzione varia, quindi, in base alla profondità dell’analisi e non al numero di postazioni.

Rendimento degli agenti AI nelle operazioni di sicurezza

Nella configurazione base di ExCyTIn‑Bench, i modelli valutati ottengono un reward medio di 0,249, con un massimo di 0,368 [4]. Su SEC‑bench, che misura task reali di security engineering, i migliori agenti non superano il 18 % di successo nella generazione di proof‑of‑concept e il 34 % nel patching delle vulnerabilità [5]. Pertanto, il rapporto tra costi e benefici dovrebbe essere misurato in base all’esito conseguito e non al numero di token consumati.

Asimmetria tra offesa e difesa

La letteratura sulla calibrazione degli agenti di incident response riporta casi di agenti frontier in grado di produrre oltre quaranta exploit funzionanti in sei scenari. La spesa di calcolo è compresa tra 30 e 50 dollari; il fattore limitante è ormai il token throughput e non la competenza dell’operatore [6]. L’attaccante sostiene un costo episodico e mirato, mentre chi difende ha un costo continuo, proporzionale alla superficie monitorata.

Il caso Project Glasswing

Project Glasswing rappresenta la prima prova concreta del problema su larga scala. Palo Alto Networks ha impiegato Claude Mythos e altri modelli frontier per analizzare oltre 130 prodotti del proprio portafoglio, pubblicando in un solo giorno 26 advisory relative a 75 vulnerabilità. Nessuna di esse è classificata come critica [10]. La stampa di settore stima che la spesa in token per l’esercizio superi il milione di dollari [11]. Lo stesso ordine di grandezza emerge anche dal lato dell’offerta: Anthropic ha stanziato 100 milioni di dollari in crediti d’uso per i partecipanti al programma [9], evidenziando i consumi attesi quando modelli frontier vengono applicati sistematicamente a basi di codice estese.

Implicazioni per la governance dei budget di sicurezza

Per chi amministra i budget di sicurezza, la conseguenza più immediata riguarda la prevedibilità. Il passaggio da costi fissi a OpEx variabile espone l’organizzazione a fenomeni di throttling. Un’indagine interrotta per esaurimento del plafond dei token non costituisce una copertura adeguata, ma un rischio operativo da trattare come un inconveniente commerciale.

Contratti e SLA: nuove clausole necessarie

Ne consegue un tema contrattuale. I modelli a consumo dei vendor, i meccanismi di credito e le politiche di degradazione del servizio devono essere esplicitati in fase negoziale con la stessa attenzione riservata agli SLA. Dal punto di vista architetturale, le strategie di model routing a cascata—che riservano i modelli economici al triage e i frontier model alle sole escalation—insieme a tecniche di caching e a una delimitazione del retrieval incidono sul consumo più di qualunque rinegoziazione tariffaria.

Misurazione e FinOps per l’AI

Resta infine il nodo della misurazione. La letteratura sulla valutazione degli agenti considera il costo come una dimensione primaria, accanto alla qualità e alla latenza [8]. I programmi di adozione dovrebbero fare altrettanto, dotandosi di sistemi di telemetria dei consumi e di pratiche FinOps estese all’AI. Sarebbe un errore considerare il vincolo economico come un elemento critico transitorio, destinato a dissolversi con la prossima revisione dei listini. Si tratta, infatti, di una proprietà strutturale dei sistemi agentici, il cui consumo cresce con il grado di autonomia concesso al modello.

Capacity planning dei token: la risposta operativa

La risposta più concreta consiste nel trattare i token come una risorsa di capacità ed estendere a essi la disciplina che i SOC applicano da anni a banda, storage e volumi di ingestione. Un capacity planning dei token consente di dimensionare il budget in base al fabbisogno ordinario, misurato per caso d’uso, e di affiancare una riserva per i picchi di incidente, analoga ai retainer di incident response. Tale riserva è governata da politiche di degradazione controllata che riducono la profondità dell’analisi prima di sospendere la copertura.

Conclusioni

Il cambio di paradigma introdotto dagli LLM e dagli agenti AI rende il costo della cybersecurity un fattore operativo critico. Solo attraverso una governance che integri capacity planning dei token, metriche di risultato e contratti trasparenti è possibile trasformare il rischio di esaurimento del budget in una variabile gestibile, preservando la continuità delle indagini e l’efficacia della difesa.