Le patch AI sembrano giusti, ma lasciano varchi aperti
Il problema non è che l’AI scriva patch brutte. Il problema è che può produrre una correzione credibile abbastanza da superare una verifica rapida, pur lasciando aperto il percorso d’attacco o spostando il bug altrove. In pratica il diff convince, ma la base di codice non è davvero messa in sicurezza.
La ricerca di 1Password ha testato ChatGPT 5.5 e Claude Opus 4.8 su sei CVE ad alto impatto e ha trovato un tasso di successo pieno del 47%. Più della metà delle patch generate era rotta o introduceva nuove vulnerabilità; spesso i modelli coprivano solo una parte del codice vulnerabile, oppure aggiungevano guardrail fragili che facevano passare i test senza correggere la causa radice.
Per i team che usano LLM per generare o rivedere codice, la verifica umana non scende di peso: si sposta solo più a valle. Un fix scritto da un modello può sembrare sufficiente e restare invece una correzione parziale, quindi non è prudente fidarsi di una revisione a colpo d’occhio quando la patch arriva da un altro modello.