Gli agenti AI creano nuove vie d'attacco alla cybersicurezza

Il cambiamento nella copertura di Engadget sulla cybersicurezza riflette un conflitto diventato più difficile da ignorare nel 2026. I sistemi AI ora aiutano a individuare vulnerabilità, assemblare attacchi e utilizzare strumenti con minore supervisione umana.

Il pericolo immediato non è un hacker automatico onnisciente. È un agente capace di ispezionare ripetutamente il software, testare possibili debolezze e adattare l'azione successiva. Questa combinazione comprime un lavoro che un tempo richiedeva tempi significativi e manodopera specializzata.

Questo cambiamento mette sotto pressione entrambi i fronti della cybersicurezza. Gli attaccanti possono automatizzare una parte maggiore del processo di intrusione, mentre i difensori ottengono strumenti più rapidi per revisionare il codice e trovare difetti. La competizione ora ruota attorno a quale parte riesce a convalidare i risultati e agire per prima.

Engadget sposta l'attenzione dall'assistenza AI all'azione AI

Il cambiamento importante è che l'AI è passata dal consigliare gli operatori di sicurezza all'eseguire parti interconnesse del loro lavoro.

I team di sicurezza utilizzano il machine learning da anni. I sistemi precedenti classificavano di norma il malware, assegnavano punteggi agli avvisi o rilevavano attività di rete insolite. Il loro output passava comunque attraverso un flusso di lavoro controllato da esseri umani.

L'AI generativa ha ampliato quel ruolo. Un modello poteva spiegare codice sospetto, redigere un messaggio di phishing o suggerire comandi per testare un server. Tuttavia, normalmente una persona doveva copiare l'output, eseguire il comando, ispezionare il risultato e scegliere il passaggio successivo.

Gli agenti AI riducono queste pause. Un agente è un modello collegato a strumenti e autorizzato a selezionare azioni in più fasi. Può leggere un risultato, aggiornare il proprio piano e chiamare un altro strumento senza attendere un nuovo prompt umano.

Questa distinzione conferisce urgenza all'avvertimento sulla cybersicurezza alla base dell'articolo di Engadget. Il rischio deriva dall'azione ripetuta, non semplicemente da risposte migliori in una finestra di chat.

Un agente capace può analizzare un bersaglio, interpretare un errore, rivedere un payload e documentare ciò che ha funzionato. Nessuna di queste azioni è del tutto nuova. Automatizzarne il coordinamento cambia però la velocità e il costo dell'intero processo.

Anthropic ha descritto questa transizione dopo aver indagato su una campagna di cyberspionaggio rilevata nel settembre 2025. Secondo l'azienda, un attore malevolo ha utilizzato Claude Code con strumenti di sicurezza esterni per automatizzare porzioni sostanziali della propria operazione.

L'azienda ha definito l'incidente come la prima campagna di cyberspionaggio segnalata e orchestrata in larga parte tramite AI. Questa descrizione resta una valutazione aziendale, non una classificazione universale accettata da tutti i ricercatori di sicurezza.

Anthropic ha inoltre riconosciuto un'importante limitazione. Il modello talvolta inventava credenziali o affermava di aver trovato informazioni che erano pubblicamente disponibili. Gli operatori umani dovevano comunque verificare i risultati e reindirizzare il sistema.

Questa limitazione conta perché separa il pericolo attuale dalla speculazione. Gli agenti odierni possono compiere errori costosi, perdere il contesto e interpretare male gli output. Eppure un agente inaffidabile può comunque moltiplicare i tentativi di un attaccante.

Lo stesso principio già modella la ricerca di sicurezza legittima. Un modello non deve avere un giudizio perfetto per diventare utile. Deve solo ridurre una quantità sufficiente di lavoro ripetitivo affinché un operatore qualificato possa indagare su più bersagli.

Il risultato è un diverso ritmo operativo. I team di sicurezza devono presumere che ricognizione, test delle vulnerabilità e adattamento degli exploit possano avvenire più ravvicinati. Una finestra di divulgazione che un tempo offriva margine di manovra può ridursi drasticamente.

Questo è il primo vero significato del cambiamento nella conversazione da parte di Engadget. L'AI non si limita più a produrre testo malevolo. Sta iniziando a collegare decisioni, strumenti e azioni in un flusso di lavoro d'attacco.

L'impatto dell'AI sulla cybersicurezza colpisce più duramente i difensori lenti

L'AI aumenta la pressione sulle organizzazioni i cui processi di sicurezza si muovono più lentamente del loro software e dei loro attaccanti.

Le organizzazioni più esposte non sono necessariamente quelle che utilizzano i sistemi AI più avanzati. Spesso sono organizzazioni con applicazioni datate, inventari incompleti, patch ritardate o team di sicurezza sotto organico.

Un attaccante ha sempre avuto bisogno di una sola via praticabile. Un difensore deve chiudere ogni via significativa mantenendo al contempo disponibili i sistemi aziendali. L'automazione intensifica questa asimmetria consentendo agli attaccanti di testare più possibilità contemporaneamente.

I ricercatori del Georgia Tech sostengono che l'AI abbia attualmente il suo maggiore effetto nelle prime fasi di un attacco. Queste fasi includono l'individuazione delle debolezze, la ricerca sui bersagli e lo sviluppo di possibili vie di accesso a un sistema.

Questa valutazione mette in discussione l'interpretazione più drammatica dell'hacking tramite AI. La minaccia a breve termine non è necessariamente una macchina che inventa una categoria di attacco del tutto sconosciuta. È l'esplorazione rapida di debolezze trascurate dai difensori.

L'AI può leggere documentazione, confrontare versioni software, generare script e interpretare le risposte degli strumenti di scansione. Può inoltre combinare dettagli che sembrano innocui quando i team di sicurezza li esaminano separatamente.

Un server di test dimenticato diventa più pericoloso quando un agente lo collega a una credenziale esposta. Una libreria obsoleta diventa più rilevante quando l'agente scopre un servizio raggiungibile che utilizza proprio quella versione.

Questo crea un problema di prioritizzazione. I programmi tradizionali di gestione delle vulnerabilità spesso iniziano con valutazioni di gravità associate a singoli difetti software. Gli attaccanti sono più interessati a capire se diverse debolezze modeste formano un percorso utilizzabile.

Un agente può cercare continuamente queste combinazioni. Non si stanca mentre confronta configurazioni, credenziali, accessi di rete e vulnerabilità pubblicate. Questa persistenza può esporre percorsi d'attacco che le normali code di ticket nascondono.

La risposta imposta è tanto organizzativa quanto tecnica. I team di sicurezza devono comprendere quali risorse contano, chi può raggiungerle e come interagiscono debolezze separate. Acquistare un altro prodotto di allerta non risolve l'assenza di responsabilità chiare.

La pressione si estende anche ai manutentori del software. I ricercatori assistiti dall'AI possono generare più segnalazioni di vulnerabilità di quante i piccoli progetti riescano a convalidare. Le segnalazioni false continuano a consumare tempo, anche quando il modello sottostante ha agito in buona fede.

Nature ha riferito che Mozilla ha utilizzato un modello frontier per contribuire a scoprire e correggere 271 vulnerabilità in una release di Firefox. Il lavoro di sicurezza su Firefox illustra il potenziale difensivo dell'AI e la sua capacità di aumentare il volume delle revisioni.

Un risultato verificato può migliorare il software prima che gli attaccanti lo raggiungano. Un'ondata di risultati incerti può invece sopraffare i manutentori e ritardare le correzioni più importanti. In entrambi i casi, la convalida umana rimane la risorsa scarsa.

Questo collo di bottiglia spiega perché il cambio di enfasi di Engadget conta oltre le storie spettacolari di hacking. L'AI modifica il numero di risultati plausibili che le organizzazioni devono valutare, non solo la sofisticazione di un singolo attacco.

Le aziende con inventari delle risorse maturi e processi di patching rapidi ottengono un vantaggio difensivo. Le organizzazioni che non riescono a identificare i proprietari dei sistemi faticheranno, anche se i loro strumenti di rilevamento usano modelli capaci.

Si tratta principalmente di una pressione a lungo termine con conseguenze immediate. Le debolezze sottostanti erano spesso già presenti. L'AI accorcia il periodo in cui le organizzazioni possono lasciarle irrisolte senza attirare attenzione.

Il vero conflitto è automazione contro verifica

L'AI può accelerare attacchi e difese, ma solo la verifica trasforma l'attività generata in un lavoro di sicurezza affidabile.

Questo è il compromesso centrale. Gli agenti producono azioni alla velocità delle macchine, mentre decisioni di sicurezza affidabili richiedono ancora prove. Questo divario determina sia il successo offensivo sia il sovraccarico difensivo.

Gli attaccanti non hanno bisogno che ogni exploit generato funzioni. Possono scartare i tentativi falliti e continuare a testare. I difensori non possono trattare ogni avviso generato come un incidente confermato senza interrompere le normali operazioni.

Questa differenza premia la sperimentazione offensiva. Un criminale può chiedere a un modello di riscrivere uno script dopo ogni fallimento. Il costo di un altro tentativo è spesso inferiore al costo per il difensore di investigare su un altro avviso.

Tuttavia, l'automazione non elimina l'esperienza necessaria per intrusioni serie. I modelli possono fraintendere un bersaglio, inventare dettagli tecnici o compromettere un accesso che un operatore esperto avrebbe preservato.

Il resoconto di Anthropic sulla campagna di spionaggio del 2025 coglie entrambi gli aspetti. La sua indagine sulla campagna afferma che l'attore ha usato Claude come operatore nella ricognizione, nello sfruttamento, nella raccolta di credenziali e nell'analisi dei dati.

Il rapporto afferma inoltre che gli esseri umani hanno selezionato i bersagli e sono intervenuti nei punti critici. Anthropic ha concluso che le allucinazioni del sistema restavano un ostacolo agli attacchi pienamente autonomi.

Queste precisazioni non dovrebbero trasformarsi in scuse per l'autocompiacimento. Un agente imperfetto può comunque svolgere centinaia di attività a basso costo prima che un essere umano esamini i risultati più promettenti.

Il confronto migliore non è tra AI e un hacker d'élite. È tra un operatore che usa strumenti convenzionali e un operatore che supervisiona diversi flussi di lavoro parzialmente autonomi.

Il secondo operatore può indagare su più bersagli, ripetere più test e conservare più appunti. L'agente può inoltre tradurre materiale tecnico o adattare una tecnica nota a un ambiente software non familiare.

In teoria, i difensori ricevono vantaggi equivalenti. Possono distribuire agenti per esaminare codice, riprodurre bug segnalati, revisionare configurazioni o cercare nei log dopo un incidente.

Nella pratica, l'uso difensivo affronta vincoli più severi. Un team di sicurezza deve proteggere la disponibilità dell'ambiente di produzione, i dati dei clienti e l'integrità delle prove. Non può eseguire liberamente ogni comando generato dal modello contro un ambiente operativo.

Questo rende essenziale il sandboxing. Una sandbox è un ambiente isolato che limita ciò che il codice o un agente può raggiungere. Tuttavia, l'isolamento fallisce quando autorizzazioni degli strumenti, credenziali o percorsi di rete restano troppo ampi.

Il modello di sicurezza deve quindi coprire l'intero ambiente operativo dell'agente. Proteggere solo il modello linguistico lascia esposti il browser, la shell dei comandi, i connettori, le credenziali archiviate e i documenti recuperati.

La revisione di NIST sulle risposte di sicurezza degli agenti ha rilevato un ampio consenso sul fatto che i principi consolidati della cybersicurezza restino importanti. La sua analisi sulla sicurezza degli agenti ha inoltre concluso che tali principi necessitano di adattamenti per i sistemi autonomi.

Il principio del privilegio minimo rimane utile, ma le autorizzazioni di un agente possono cambiare tra strumenti collegati. Il logging rimane utile, ma un agente ad alta velocità può creare più eventi di quanti i team riescano a esaminare manualmente.

L'approvazione umana rimane utile, ma le richieste di conferma prive di significato diventano un'altra fonte di errore. Se una persona approva decine di azioni opache, il controllo esiste solo sulla carta.

La competizione pratica è quindi tra automazione e verifica. Gli attaccanti traggono vantaggio quando una sperimentazione economica produce un risultato riuscito. I difensori traggono vantaggio quando la scoperta automatizzata conduce a una patch convalidata prima che inizi lo sfruttamento.

Nessuno dei due esiti è garantito dal solo modello. Le scelte di implementazione determinano se un agente AI diventa un analista utile, un generatore di rumore inaffidabile o un operatore incontrollato.

I nuovi percorsi d'attacco AI prendono di mira l'agente stesso

Gli agenti AI introducono vulnerabilità che le applicazioni convenzionali non esponevano, perché in precedenza il software trattava la maggior parte del testo recuperato solo come dati.

La prompt injection è l’esempio più chiaro. Un attacco di prompt injection inserisce istruzioni nel contenuto letto da un modello, sperando che il modello le tratti come comandi.

Un normale browser visualizza una frase dannosa. Un agente AI potrebbe interpretare la stessa frase, accedere a un altro strumento e agire di conseguenza. La vulnerabilità nasce dalla combinazione di contenuti non attendibili e autorità decisionale.

La prompt injection indiretta nasconde tali istruzioni in materiale esterno. Il contenuto può apparire all’interno di una pagina web, un documento, un’email, un ticket di supporto, un commento nel codice, una voce di calendario o un risultato di ricerca.

Un dipendente umano potrebbe non accorgersi mai dell’istruzione nascosta. Un agente che elabora il materiale può incorporarla nel proprio contesto operativo e seguirla al posto della richiesta dell’utente.

I ricercatori di sicurezza di Google hanno identificato la prompt injection indiretta come una delle principali preoccupazioni di attacco per gli agenti. Il loro studio sulla web injection ha esaminato pagine pubbliche alla ricerca di schemi progettati per influenzare i lettori AI.

Il pericolo aumenta quando un agente può inviare messaggi, recuperare file privati, aggiornare record o eseguire codice. Un’iniezione riuscita può trasformare un accesso autorizzato in un’azione controllata da un attaccante.

Non è identico a una classica falla di injection software. Un database può separare comandi e valori tramite sintassi rigorosa e parametrizzazione. I modelli di linguaggio naturale operano invece tra istruzioni e contenuti ambigui.

I filtri possono intercettare frasi note, ma gli attaccanti possono parafrasare le istruzioni o distribuirle su più fonti. Un sistema rischia inoltre di bloccare contenuti legittimi quando tratta il testo insolito come intrinsecamente dannoso.

I confini delle autorizzazioni offrono una difesa più solida. Un sistema di riepilogo delle email di norma non necessita dell’autorità per eseguire comandi shell. Un assistente di programmazione non dovrebbe caricare automaticamente segreti solo perché lo richiede un file del repository.

Gli sviluppatori devono anche tracciare l’origine delle informazioni che entrano nel contesto di un agente. I contenuti recuperati dal web pubblico non dovrebbero ricevere lo stesso livello di fiducia di un’istruzione diretta proveniente da un utente autenticato.

Gli agenti possono affrontare altri nuovi percorsi di attacco. Le descrizioni degli strumenti possono essere manipolate, la memoria può conservare istruzioni ostili e connettori compromessi possono restituire risultati fuorvianti.

Un attaccante può anche avvelenare i dati che un agente usa per prendere decisioni. L’obiettivo non è sempre l’esecuzione immediata di codice. Può bastare alterare un rapporto, sopprimere un avviso o reindirizzare un flusso di pagamento.

La revisione 2026 di OWASP descrive la prompt injection e le dipendenze AI di terze parti come rischi concreti per le imprese. La sua rassegna sugli exploit degli agenti collega incidenti documentati a categorie di sicurezza emergenti.

Tuttavia, i team di sicurezza dovrebbero evitare di considerare ogni risposta insolita di un modello come un cyberattacco riuscito. I modelli possono fallire per prompt ambigui, contesto limitato o normali bug software.

Un incidente credibile richiede prove su ciò a cui il sistema ha avuto accesso, sull’azione che ha tentato e sul fatto che un attaccante abbia influenzato tale azione. Le dimostrazioni sensazionalistiche spesso omettono uno di questi elementi.

La domanda più utile non è se un modello abbia detto qualcosa di allarmante. È se un input non attendibile abbia attraversato un confine di fiducia e causato un’azione con conseguenze.

Questo criterio offre alle organizzazioni uno standard praticabile. Rivela inoltre perché le nuove vulnerabilità AI meritino attenzione mirata senza sostituire i fondamenti consolidati della cybersecurity.

La scoperta di vulnerabilità AI aiuta sia gli attaccanti sia i responsabili della manutenzione

La stessa capacità che consente all’AI di trovare falle trascurate può rafforzare le difese, a condizione che i responsabili della manutenzione ricevano risultati convalidati e patch utilizzabili.

La scoperta di vulnerabilità assistita dall’AI opera su un ampio spazio di ricerca. Un modello può ispezionare il codice sorgente, ragionare sul comportamento di un programma e scegliere strumenti quali debugger o fuzzer.

Un fuzzer invia input insoliti al software per provocare crash o comportamenti inattesi. Il fuzzing tradizionale spesso dipende da harness di test progettati da esseri umani e da tempi di calcolo considerevoli.

Un modello può aiutare a interpretare i crash e a ricondurli al codice pertinente. Può anche suggerire nuovi test in base a ciò che i tentativi precedenti hanno rivelato.

Anthropic ha riferito che Claude Opus 4.6 ha individuato vulnerabilità in software open source ampiamente utilizzato durante ricerche controllate. L’azienda afferma di aver convalidato ogni problema segnalato per evitare di gravare i responsabili della manutenzione con bug allucinati.

La sua ricerca sugli zero-day illustra sia la promessa difensiva sia la sfida della divulgazione. Uno zero-day è una vulnerabilità sconosciuta al responsabile della manutenzione quando qualcuno la scopre o la sfrutta.

Queste scoperte sono preziose quando i ricercatori coordinano la divulgazione e danno ai responsabili della manutenzione il tempo di applicare le patch. Diventano pericolose quando i dettagli dell’exploit raggiungono gli attaccanti prima che gli utenti possano aggiornare i sistemi interessati.

L’AI comprime entrambe le tempistiche. Può aiutare un responsabile della manutenzione a comprendere più rapidamente una segnalazione, ma può anche aiutare un attaccante ad analizzare una patch pubblica e ricostruire la debolezza originaria.

Questo processo, spesso chiamato patch diffing, confronta versioni software per individuare il codice corretto. Un agente può quindi verificare se le versioni precedenti, esposte, restano vulnerabili.

Le organizzazioni devono quindi ridurre la distanza tra la ricezione di una vulnerabilità e la correzione. Una segnalazione non assegnata in una coda diventa più pericolosa quando gli attaccanti possono automatizzare l’analisi delle patch.

La risposta non è nascondere ogni aggiornamento di sicurezza. Gli utenti hanno bisogno di informazioni sufficienti per valutare l’esposizione e applicare le correzioni. Anche i ricercatori hanno bisogno di incentivi e canali sicuri per segnalare i problemi.

Il miglioramento più realistico è l’automazione coordinata. Gli agenti possono riprodurre i risultati in ambienti isolati, identificare gli asset interessati, proporre patch e preparare test. Gli esseri umani possono poi approvare le modifiche con prove migliori.

I responsabili della manutenzione dovrebbero respingere l’idea che ogni segnalazione generata dall’AI meriti la stessa urgenza. Le segnalazioni richiedono passaggi riproducibili, versioni interessate, impatto tecnico e prove che il comportamento attraversi un confine di sicurezza.

I team di sicurezza hanno inoltre bisogno della deduplicazione. Diversi agenti possono segnalare in modo indipendente la stessa causa principale usando linguaggi diversi. Senza raggruppamento, l’automazione può far apparire una falla come decine di emergenze separate.

Questo livello di verifica è il punto in cui i difensori possono recuperare vantaggio. Gli attaccanti tollerano il rumore perché cercano una sola apertura. I difensori possono usare prove strutturate per trasformare la scoperta ad alto volume in correzioni prioritarie.

I benefici si estendono oltre le grandi aziende tecnologiche. I team più piccoli possono usare l’AI per esaminare codice non familiare o redigere test, pur continuando a necessitare di configurazioni sicure e revisione qualificata.

Le organizzazioni dovrebbero anche preservare la conoscenza istituzionale relativa a incidenti e patch. Una base di conoscenza ingegneristica ricercabile può aiutare i team a collegare nuove scoperte a decisioni precedenti e sistemi interessati.

Questa connessione è importante sul piano operativo. Un agente può proporre rapidamente una correzione, ma i team devono comunque sapere perché il codice esiste, quali clienti dipendono da esso e quali modifiche precedenti hanno causato problemi.

La scoperta di vulnerabilità AI non favorisce quindi automaticamente l’offensiva. Premia la parte che combina automazione con accesso, convalida ed esecuzione più rapida.

Cosa dovranno dimostrare i prossimi test di cybersecurity

La prossima fase sarà misurata attraverso incidenti verificati, fallimenti nelle autorizzazioni degli agenti e la capacità dei difensori di applicare patch a velocità comparabile.

Il primo segnale da osservare è la documentazione indipendente di intrusioni orchestrate dall’AI. I rapporti aziendali sulle minacce forniscono prove preziose, ma i fornitori hanno anche incentivi a sottolineare l’importanza dei propri modelli.

Una conferma più solida includerebbe indicatori condivisi, settori interessati, tempistiche degli attacchi e risultati di più team di risposta agli incidenti. I dettagli sensibili possono restare protetti, mentre gli investigatori stabiliscono comunque il ruolo dell’AI.

Se rapporti indipendenti mostrano agenti che completano catene di attacco più lunghe con meno correzioni umane, l’argomento dell’automazione diventa più forte. Se le prove continuano a mostrare un intervento costante dell’operatore, le affermazioni sull’autonomia richiedono cautela.

Il secondo segnale è il trattamento della prompt injection indiretta negli agenti distribuiti. Le dimostrazioni di ricerca mostrano già un meccanismo credibile. La questione aperta è con quale frequenza produca azioni con conseguenze nei normali sistemi aziendali.

Occorre monitorare gli incidenti che coinvolgono agenti email, assistenti di programmazione, agenti browser e strumenti di produttività connessi. I rapporti dovrebbero spiegare le autorizzazioni coinvolte e se il sistema abbia attraversato un confine di fiducia definito.

Un aumento dei casi verificati dimostrerebbe che l’AI ha creato una superficie di attacco operativa distinta. L’assenza di danni documentati non eliminerebbe il rischio, ma indebolirebbe le affermazioni secondo cui uno sfruttamento diffuso sia già in corso.

Il terzo segnale è la velocità di correzione. La scoperta assistita dall’AI conta soprattutto quando cambia la corsa tra l’individuazione di una falla e la protezione dei sistemi esposti.

Le prove utili includeranno tempi di convalida più brevi, distribuzione più rapida delle patch e meno vulnerabilità non assegnate. I conteggi grezzi dei bug scoperti dall’AI riveleranno poco se i responsabili della manutenzione non riescono a elaborarli.

I difensori dovrebbero iniziare a prepararsi senza attendere metriche perfette. Possono inventariare le autorizzazioni degli agenti, separare le istruzioni attendibili dai contenuti recuperati e richiedere approvazione per azioni irreversibili.

Dovrebbero registrare le chiamate agli strumenti con dettagli sufficienti per ricostruire le decisioni. I log devono annotare la fonte dell’input, l’azione richiesta, le autorizzazioni disponibili e il risultato effettivo.

I test di sicurezza devono includere anche contenuti ostili all’interno dei normali flussi di lavoro. Valutare un modello solo con prompt diretti di jailbreak non coglie gli attacchi nascosti in file, siti web e messaggi.

Le organizzazioni dovrebbero imporre limiti alla movimentazione dei dati. Un agente che legge documenti riservati non dovrebbe ottenere comunicazione in uscita senza restrizioni solo perché entrambe le capacità sembrano utili separatamente.

I controlli tradizionali continuano a sostenere la maggior parte del carico difensivo. Autenticazione a più fattori, patch rapide, reti segmentate, credenziali protette e piani di ripristino testati restano essenziali.

L’AI non rende obsolete queste pratiche. Penalizza le organizzazioni che le hanno implementate in modo incoerente, perché gli attaccanti automatizzati possono cercare le eccezioni più rapidamente.

Il cambiamento della conversazione sulla cybersecurity da parte di Engadget riguarda quindi meno le macchine che sostituiscono gli hacker che le macchine che modificano l’economia dell’hacking. Più tentativi possono avvenire prima, con meno pause tra la scoperta e l’azione.

L’opportunità difensiva segue la stessa logica. I team di sicurezza possono usare agenti per investigare il codice, convalidare le segnalazioni e preparare correzioni prima che un attaccante trasformi una debolezza in un’intrusione.

La domanda decisiva è se le organizzazioni conferiranno agli agenti ampia autorità prima di stabilire una verifica efficace. I lettori dovrebbero chiedersi a cosa ciascun agente possa accedere, cosa possa modificare e chi esamini le sue azioni.

Questa verifica dovrebbe avvenire ora, non dopo che la prima chiamata a uno strumento inspiegabile compare in un rapporto sugli incidenti. L’AI sta accelerando la cybersecurity, ma la velocità senza confini favorisce la parte disposta ad accettare più rischi.