top of page

Il sondaggio SOC di Dropzone AI mostra un’adozione più rapida della fiducia

29 minuti fa
Tempo di lettura: 13 min
Illustrative photograph. Photo: Sora Shimazaki / Pexels.

Dropzone AI promuove le indagini autonome nonostante persistano dubbi sulla fiducia, con il 38% degli intervistati nel suo sondaggio sponsorizzato che dichiara di utilizzare l’AI pienamente in produzione. Il sondaggio SOC di Dropzone AI pone i security operations center, i team che monitorano e indagano sulle minacce, al centro di una difficile decisione d’acquisto. I responsabili vogliono una copertura investigativa più ampia senza rinunciare al controllo su informazioni sensibili o decisioni rilevanti.

La notizia immediata è un’intervista dell’11 novembre di ITPro con Brett Candon, vicepresidente internazionale di Dropzone AI. La ricerca sottostante risale a giugno 2026. La distinzione è importante: si tratta di una discussione attuale sull’adozione e sui limiti operativi, non di una nuova valutazione di novembre sulle prestazioni di sicurezza appena completata.

Il confronto centrale è tra l’espansione della capacità investigativa e la conservazione di un giudizio responsabile. Gli agenti di sicurezza di Microsoft offrono un utile termine di paragone perché si rivolgono anch’essi a lavori che assorbono l’attenzione degli analisti. Per gli acquirenti aziendali, la domanda è se l’indagine delegata produca prove di cui possano fidarsi senza creare un’altra impegnativa coda di revisione.

Cosa misura realmente il sondaggio SOC di Dropzone AI

La ricerca misura pratiche e aspettative dichiarate, anziché risultati di sicurezza verificati in modo indipendente.

Dropzone AI ha incaricato Opinion Matters di intervistare 750 responsabili delle decisioni sulla sicurezza presso aziende con almeno 1.000 dipendenti. Il campione comprendeva 250 rispondenti ciascuno nel Regno Unito, in Francia e in Germania, secondo la sua ricerca sui SOC europei. Il lavoro sul campo si è svolto nel giugno 2026.

Gli intervistati hanno stimato che i loro team indagassero completamente, in media, il 55% degli alert. Le medie nazionali erano del 52% nel Regno Unito, del 56% in Francia e del 58% in Germania. Questi dati descrivono le valutazioni degli intervistati sulle proprie operazioni. Non stabiliscono quanti attacchi abbiano avuto successo, quanti alert meritassero un’indagine o se l’AI abbia causato differenze tra Paesi.

Rimane quindi una distinzione importante tra l’argomentazione commerciale e le prove che la sostengono. Una carenza nelle indagini crea un mercato plausibile per l’automazione. Non dimostra che un prodotto specifico colmi tale carenza in modo sicuro, né che ogni alert non esaminato rappresenti un pericolo irrisolto.

Gli alert di sicurezza sono segnali di attività potenzialmente sospette, non attacchi confermati. Alcuni si sovrappongono, altri riflettono comportamenti innocui e altri ancora meritano attenzione urgente. Contare le indagini completate senza esaminare quali alert siano entrati nella coda può quindi offrire un quadro incompleto della protezione.

Un’organizzazione potrebbe migliorare la copertura eliminando gli alert duplicati prima dell’indagine. Un’altra potrebbe aumentare le indagini completate automatizzando i casi più semplici. Una terza potrebbe deliberatamente dedicare più tempo agli incidenti difficili. Lo stesso indicatore principale di copertura faticherebbe a distinguere queste scelte operative.

Per questo la portata del sondaggio merita attenzione prima che le sue percentuali diventino argomenti d’acquisto. Le grandi aziende di questi mercati europei offrono una prospettiva specifica. Le loro risposte non possono descrivere automaticamente le piccole imprese, le organizzazioni nordamericane o i team di sicurezza soggetti a vincoli diversi.

Lo sponsor ha inoltre un interesse commerciale diretto nella soluzione proposta. Incaricare una società di ricerca indipendente aiuta a distinguere il processo di ricerca da un sondaggio informale tra clienti. Non trasforma però i risultati ottenuti in una valutazione indipendente del software dello sponsor.

L’intervista di novembre conferisce nuova rilevanza ai risultati perché si concentra sul passaggio dall’assistenza al lavoro delegato. L’adozione solleva una serie diversa di domande quando il software inizia a indagare senza sollecitazioni continue. Gli acquirenti hanno quindi bisogno di prove su affidabilità, accesso e sforzo di revisione, oltre alle prove della domanda.

La lettura difendibile del sondaggio SOC di Dropzone AI è quindi più circoscritta di un verdetto sulla sicurezza autonoma. Identifica una pressione dichiarata sulla capacità e l’interesse per l’AI. Stabilire se l’implementazione migliori la protezione richiede un confronto separato dei risultati operativi.

I responsabili della sicurezza affrontano un problema di capacità che la sola adozione non può risolvere

Acquistare AI e rimuovere lavoro dalla coda di un analista sono risultati operativi diversi.

La copertura sulle indagini autonome di ITPro descrive il 39% degli intervistati che utilizza l’AI per indagini autonome. Riferisce inoltre che solo il 2% ha dichiarato di indagare ogni alert. Queste risposte suggeriscono che adozione e copertura incompleta possano coesistere.

Candon sostiene che gli assistenti restino limitati quando le persone devono dirigere continuamente il loro lavoro. Presenta gli agenti, software in grado di eseguire una sequenza di attività senza istruzioni continue, come un modo per espandere la capacità. La sua argomentazione è commercialmente rilevante, ma il sondaggio non dimostra in modo indipendente che gli agenti superino gli assistenti.

La pressione ricade più direttamente sui responsabili della sicurezza, che devono spiegare cosa cambi concretamente con la tecnologia aggiuntiva. Un acquisto approvato è facile da documentare. Dimostrare che gli investigatori abbiano recuperato tempo, risolto incertezze o individuato minacce trascurate richiede misurazioni più ravvicinate.

Si consideri la differenza tra redigere un riepilogo di indagine e costruire il caso sottostante. Un riepilogo può ridurre il tempo di lettura lasciando intatta la raccolta delle prove. Un’indagine automatizzata promette di eseguire una parte maggiore di tale raccolta, ma il suo output necessita comunque di un responsabile.

Questo crea un potenziale trasferimento di lavoro. Gli analisti potrebbero dedicare meno tempo alla ricerca nei registri e più tempo alla verifica delle conclusioni della macchina. Lo scambio può essere prezioso, soprattutto quando le conclusioni sono ben supportate. Diventa meno attraente quando i revisori devono ricostruire l’indagine per capire se sia solida.

La misura di capacità rilevante è di conseguenza il lavoro che resta dopo l’automazione. Un sistema può elaborare una coda estesa lasciando agli analisti rapporti lunghi, raccomandazioni ambigue e richieste ripetute di chiarimenti. La generazione rapida da sola non risolve questo onere.

Anche le implicazioni per il personale richiedono prudenza. Il riepilogo della ricerca dello sponsor afferma che la maggior parte degli intervistati prevede un aumento sia dell’uso dell’AI sia dell’organico nelle operazioni di sicurezza. Tale aspettativa supporta una narrativa di potenziamento, pur restando una previsione. Non fornisce alcuna base per affermare riduzioni dimostrate del personale.

Per gli analisti in prima linea, la posta pratica riguarda dove vada la loro attenzione. La raccolta di routine può essere una candidata ragionevole alla delega. Prove ambigue, priorità aziendali concorrenti e decisioni con conseguenze operative continuano a richiedere giudizio esperto.

Per i dirigenti, la posta in gioco riguarda la responsabilità. Una revisione di un incidente chiederà perché una minaccia sia stata mancata o una risposta sia stata ritardata. Una dashboard che mostra ampia attività dell’AI offrirà una rassicurazione limitata se tali attività non sono collegate a decisioni difendibili.

Per gli sviluppatori e i team infrastrutturali, la pressione emerge attraverso richieste di accesso e integrazioni. Un agente di sicurezza necessita di registri utilizzabili per indagare efficacemente. Concedere tale accesso crea lavoro di ingegneria e obblighi che devono rientrare in qualsiasi valutazione dei benefici dell’implementazione.

Questa è la sfida aziendale immediata dietro le cifre sull’adozione. I responsabili della sicurezza devono dimostrare che l’automazione cambi la distribuzione del lavoro utile. Altrimenti, l’organizzazione ha aggiunto un altro sistema senza stabilire se gli investigatori abbiano acquisito capacità significativa.

L’indagine autonoma necessita ancora di un confine decisionale responsabile

Il confine cruciale separa la raccolta delle prove dall’esercizio dell’autorità sull’ambiente.

Candon descrive l’approccio di Dropzone AI come in sola lettura e limitato alle indagini, con le persone che mantengono il controllo sulle azioni. Questa è la descrizione dell’azienda del proprio modello operativo, non una conclusione indipendente sulla sicurezza. Ciononostante, individua un confine concreto che gli acquirenti possono esaminare.

Per le indagini autonome di Dropzone AI, tale confine dovrebbe plasmare la discussione sull’implementazione. L’autorizzazione a leggere registri pertinenti differisce dall’autorizzazione a disabilitare un account, modificare una configurazione o rimuovere un file. La categoria di prodotto diventa più chiara quando queste capacità vengono discusse separatamente.

Altrimenti, l’autonomia è un’etichetta imprecisa. Il software può raccogliere informazioni in modo indipendente richiedendo al contempo l’approvazione per ogni modifica operativa. Può anche raccomandare un’azione eseguita da un sistema separato. Un acquirente deve comprendere l’intera catena, compreso ciò che accade dopo la comparsa del rapporto di indagine.

L’accesso in sola lettura affronta una parte del rischio operativo. Limita la capacità diretta dell’agente di modificare i sistemi. Non stabilisce che l’agente interpreterà correttamente le prove, preserverà la riservatezza o presenterà l’incertezza in modo utile.

Un’indagine errata può influenzare una decisione umana anche quando il software non può agire direttamente. Un revisore potrebbe accettare una conclusione rassicurante o escalare un’attività innocua. Il confine dell’autorità deve quindi coprire il modo in cui gli output entrano nel processo decisionale, insieme alle autorizzazioni concesse al software.

Microsoft fornisce un confronto basato su un flusso di lavoro di sicurezza reale. La sua documentazione sul triage del phishing descrive un agente che classifica le email sospette segnalate dagli utenti. Per phishing si intendono messaggi ingannevoli volti a indurre azioni dannose, come la divulgazione delle credenziali.

Microsoft afferma che il suo agente fornisce una motivazione e prove di supporto per le classificazioni e consente agli analisti di fornire feedback. Si tratta di un’attività operativa più circoscritta rispetto alla pretesa di automatizzare ogni indagine. Illustra perché i confronti tra prodotti debbano iniziare dal lavoro che viene delegato.

Un flusso di lavoro per la classificazione delle email e un’indagine che attraversa diversi sistemi aziendali potrebbero implicare prove, autorizzazioni e conseguenze di errore differenti. Confrontarli sotto un’unica etichetta di autonomia oscura queste differenze. Nessuno dei due flussi di lavoro stabilisce un parametro di riferimento universale per l’altro.

Per le operazioni di sicurezza di Dropzone AI, l’implicazione competitiva è chiara: spiegazioni e autorizzazioni appartengono alla valutazione del prodotto stessa. Gli acquirenti possono confrontare quanto facilmente gli analisti ispezionino le prove, contestino una conclusione e identifichino una fonte mancante. Questi attributi influenzano la quantità di lavoro che l’automazione rimuove realmente.

Questo cambia anche ciò che dovrebbe rivelare una dimostrazione utile. Un rapporto rifinito mostra la qualità della presentazione. Un caso contestato mostra se il sistema distingue i fatti osservati dalle ipotesi e rende gestibile il disaccordo.

La stessa distinzione vale per la memoria organizzativa. Una base di conoscenza ricercabile affronta il recupero dei documenti; non stabilisce la validità di un verdetto di sicurezza. Trovare materiale pertinente e determinare cosa dimostri restano responsabilità separate.

Il caso più solido a favore dell'indagine delegata si fonda quindi su una chiara divisione del lavoro. Il software raccoglie e organizza le prove entro limiti di accesso definiti. Le persone nominate mantengono la responsabilità di interpretare l'incertezza e autorizzare risposte con conseguenze rilevanti.

Le prove dei guadagni di produttività devono corrispondere all'affermazione

Un miglioramento misurato in un'attività delimitata supporta quell'attività, non ogni promessa associata alla sicurezza autonoma.

Esistono ricerche che vanno oltre i sondaggi sull'adozione. Un preprint del novembre 2025 riferisce di uno studio controllato randomizzato, un esperimento che assegna i partecipanti a condizioni diverse, relativo al Phishing Triage Agent di Microsoft. Il trial sul triage del phishing esamina la produttività degli analisti e l'accuratezza della classificazione.

L'articolo riporta che gli analisti assistiti dall'agente hanno identificato correttamente fino a 6,5 volte più email dannose per minuto di lavoro dell'analista. Riferisce inoltre un miglioramento del 77% nell'accuratezza dei verdetti rispetto al gruppo di controllo. Si tratta di risultati riportati dallo studio, legati alle sue condizioni sperimentali.

Queste prove rispondono a una domanda diversa rispetto al sondaggio europeo. Il sondaggio descrive ciò che gli intervistati dichiarano di implementare e sperimentare. Il trial valuta le prestazioni in un flusso di lavoro definito. Nessuno dei due stabilisce un confronto diretto delle prestazioni tra Microsoft e Dropzone AI.

La distinzione è importante perché gli argomenti per l'acquisto di soluzioni di sicurezza spesso passano da un livello di prova all'altro. L'interesse diventa adozione, l'adozione diventa produttività e la produttività diventa protezione migliorata. Ogni passaggio richiede informazioni che la misura precedente non fornisce necessariamente.

Un processo di classificazione più rapido può essere prezioso senza dimostrare una riduzione delle intrusioni riuscite. Una classificazione corretta può comunque arrivare troppo tardi per influire su un incidente. Un'indagine utile può non produrre azioni se la titolarità o le procedure di escalation restano poco chiare.

Viceversa, l'assenza di uno studio ampio sulla riduzione delle violazioni non rende privo di significato un risultato più circoscritto sulla produttività. Ne stabilisce l'ambito. Gli acquirenti possono riconoscere un beneficio misurato senza estrapolarlo oltre l'attività e le condizioni esaminate.

Ciò è particolarmente rilevante per le indagini autonome di Dropzone AI, perché flussi di lavoro più ampi introducono maggiori opportunità di contesto mancante. Un agente potrebbe aver bisogno di prove provenienti da diversi sistemi, ciascuno con periodi di conservazione e regole di accesso differenti. Le prestazioni su un caso completo non rivelano le prestazioni quando una fonte importante non è disponibile.

Una valutazione credibile dovrebbe rendere visibili questi casi incompleti. Se i record mancanti portano a un'incertezza esplicita, il revisore ottiene informazioni utili. Se le stesse lacune scompaiono in una narrazione sicura di sé, l'efficienza apparente può nascondere lavoro irrisolto.

Anche l'accuratezza aggregata richiede interpretazione. Un sistema valutato principalmente su casi di routine potrebbe apparire efficace pur faticando con incidenti rari ma rilevanti. Gli acquirenti devono sapere quali errori si verificano e come tali errori influenzano le persone che esaminano i risultati.

Anche la questione economica è specifica. Il tempo risparmiato durante la raccolta dovrebbe essere considerato insieme alla revisione, alla manutenzione delle integrazioni, alla gestione delle eccezioni e alle correzioni. Queste attività determinano se l'organizzazione ottiene una capacità investigativa effettivamente utilizzabile.

Il confronto appropriato è con il flusso di lavoro esistente in condizioni comparabili. Cambiamenti nella composizione degli alert, nel personale o nei dati disponibili possono altrimenti rendere difficile attribuire un miglioramento. Una valutazione utile spiega tali condizioni anziché presentare un dato di successo isolato.

Per i lettori che valutano affermazioni concorrenti, la scala delle prove offre una disciplina pratica. L'adozione riportata dimostra interesse e utilizzo. La valutazione controllata di un'attività supporta un'affermazione di prestazione delimitata. I risultati in produzione richiedono prove proprie, con i limiti di ciascun livello chiaramente indicati.

Privacy ed errori espressi con sicurezza restano barriere di fiducia distinte

La fiducia richiede sia una gestione accettabile dei dati sia conclusioni che resistano all'esame.

L'intervista riferisce che il 25% degli intervistati ha citato preoccupazioni relative alla sicurezza e alla privacy dei dati. Un altro 25% temeva indagini o azioni AI errate che potessero influire sui risultati di sicurezza. Queste preoccupazioni si sovrappongono sul piano operativo, ma risolverne una non risolve automaticamente l'altra.

La residenza dei dati, ossia il luogo in cui le informazioni vengono elaborate o archiviate, può determinare se un'implementazione sia accettabile per un'organizzazione. L'accuratezza riguarda l'affidabilità dell'indagine risultante. Un errore elaborato localmente resta un errore, mentre un risultato accurato può comunque comportare una gestione dei dati inaccettabile.

Il riepilogo del sondaggio identifica inoltre differenze nelle preferenze di implementazione tra Paesi. Tale risultato supporta il trattamento dei requisiti di localizzazione e controllo come vincoli d'acquisto. Non stabilisce che ogni organizzazione all'interno di un Paese condivida gli stessi requisiti.

Per gli acquirenti, una promessa generica sull'hosting regionale lascia aperte diverse questioni pratiche. I dati delle indagini possono includere i record originali, i report generati, le conversazioni conservate e le informazioni di supporto operativo. Una valutazione deve stabilire quali impegni si applichino a ciascuna categoria.

Si tratta di domande sull'implementazione proposta, non di accuse rivolte a un fornitore specifico. Sono rilevanti perché un'indagine di sicurezza può riunire in un singolo report informazioni provenienti da più sistemi. La combinazione delle prove modifica ciò che un lettore o un servizio può dedurre da esse.

Il problema dell'accuratezza ha un meccanismo diverso. L'AI generativa, software che produce nuovi contenuti a partire da modelli appresi, può presentare affermazioni plausibili ma errate. NIST identifica questo rischio come confabulazione nel suo profilo sull'AI generativa.

NIST affronta anche il bias di automazione, la tendenza a fare eccessivo affidamento sugli output automatizzati. Applicati alle indagini di sicurezza, questi rischi suggeriscono che spiegazioni fluide e un'approvazione umana solo nominale non siano, da sole, salvaguardie sufficienti. Questa è un'implicazione analitica, non una valutazione di NIST su Dropzone AI.

Un revisore ha bisogno di un modo pratico per ispezionare le prove alla base di una conclusione. Se il report fa riferimento a un accesso sospetto, il record sottostante dovrebbe essere accessibile a un investigatore autorizzato. Se il contesto è assente, il report dovrebbe preservare tale limitazione.

La progettazione del processo di approvazione conta quanto la presenza di un pulsante di approvazione. Una persona con tempo o contesto insufficienti potrebbe accettare un output senza un esame significativo. Mantenere la responsabilità umana funziona solo quando il flusso di lavoro sostiene una revisione responsabile.

Ciò crea un potenziale conflitto con l'argomento della capacità. L'espansione delle indagini automatizzate può aumentare il volume di materiale in attesa di attenzione umana. A meno che l'output non aiuti i revisori a stabilire priorità e verificare in modo efficiente, il collo di bottiglia può spostarsi anziché ridursi.

Per le operazioni di sicurezza di Dropzone AI, la fiducia dovrebbe quindi essere valutata attraverso comportamenti osservabili. L'indagine espone prove contrastanti? L'analista può correggere un presupposto errato? Il sistema distingue un controllo completato da uno che non ha potuto eseguire?

Queste domande pongono la discussione su basi più solide rispetto a un dibattito generale sul fatto che i leader si fidino dell'AI. Un'organizzazione può accettare un'implementazione limitata, trattenendo un'autorità più ampia. La fiducia può svilupparsi attività dopo attività, sostenuta dalle prove della revisione effettiva.

Tre segnali mostreranno se l'adozione si trasforma in capacità affidabile

Le prossime prove utili riguardano i risultati in produzione, il controllo applicabile e il lavoro che resta alle persone.

Nei prossimi mesi, il primo segnale da osservare è una valutazione dettagliata in produzione. Gli acquirenti dovrebbero cercare risultati pubblicati dai clienti che descrivano il flusso di lavoro iniziale, i casi indagati, l'impegno di revisione e gli errori. Un titolo sull'adozione o sul numero di implementazioni non risponderebbe alle stesse domande.

Tali prove rafforzerebbero il caso per l'indagine autonoma se mostrassero più casi utili completati senza un lavoro di verifica sproporzionato. Risultati dominati da casi di routine, o privi di informazioni sugli errori, lascerebbero irrisolta la valutazione centrale.

Le comunicazioni più solide identificherebbero anche i punti in cui le prestazioni sono insufficienti. Un resoconto delle fonti di dati non supportate o dei fallimenti ricorrenti nelle indagini aiuta gli acquirenti a comprendere l'applicabilità. Un caso di studio che esclude tali dettagli offre meno aiuto nella valutazione di un ambiente esigente.

Il secondo segnale è un progresso concreto nei requisiti di controllo e implementazione. Modifiche rilevanti del prodotto includerebbero autorizzazioni più chiare, record delle indagini accessibili e disposizioni verificabili per i dati sensibili. Questi sviluppi affronterebbero ostacoli specifici all'adozione anziché limitarsi ad ampliare l'etichetta di autonomia.

Una release utile spiegherebbe quale autorità riceve l'agente e come un'organizzazione possa limitarla o revocarla. Per un cliente soggetto a requisiti di localizzazione, la documentazione dovrebbe stabilire cosa rimane nell'ambiente approvato. Sono capacità che gli acquirenti possono esaminare.

Se i fornitori ampliano le azioni automatizzate senza confini di controllo altrettanto chiari, la tensione relativa alla fiducia si intensificherebbe. Se i clienti possono concedere un'autorità più ristretta mantenendo una copertura investigativa utile, il caso per un'adozione graduale diventerebbe più forte.

Il terzo segnale è la distribuzione del lavoro umano dopo l'implementazione. Le prove dei clienti dovrebbero mostrare se gli analisti trascorrono meno tempo a raccogliere record e più tempo a risolvere minacce sostanziali. Dovrebbero inoltre rivelare se la verifica delle conclusioni automatizzate crea una coda crescente a sé stante.

Questo segnale metterebbe alla prova la premessa economica più direttamente dei totali di attività. Un sistema che genera più report ha aumentato l'output. Un flusso di lavoro che aiuta gli investigatori a raggiungere decisioni difendibili con meno sforzo ripetitivo ha prodotto un cambiamento operativo più significativo.

Per ora, il sondaggio SOC di Dropzone AI stabilisce un divario investigativo riportato e interesse per l'automazione. Non risolve quanta autorità i team di sicurezza dovrebbero delegare. Le prossime decisioni d'acquisto dipenderanno da prove che colleghino tali ambizioni a un lavoro affidabile.

Leggete i dati sull'adozione insieme alla metodologia, quindi chiedetevi quali prove cambierebbero la decisione della vostra organizzazione. Per un team che già utilizza assistenti, esaminate se l'indagine delegata elimina il lavoro di raccolta o aggiunge semplicemente report da revisionare. Per un team che sta considerando gli agenti, identificate l'autorità concessa e le prove necessarie prima di ampliarla. Mantenete il flusso di lavoro esistente disponibile come confronto e conservate esempi in cui l'indagine automatizzata era incompleta o errata. Questi casi rivelano se i revisori possono riconoscere le limitazioni prima che influenzino una decisione. Quando arriverà il prossimo studio sui clienti o annuncio di prodotto, ponete una domanda concreta: mostra che le persone hanno raggiunto decisioni meglio supportate con meno lavoro ripetitivo?

 
 

Inizia gratis

Un assistente IA local-first con gestione della conoscenza personale

Per una migliore esperienza con l’IA,

al momento remio supporta solo Windows 10+ (x64) e M-Chip Macs.

Il tuo partner AI al lavoro
Fai di più con remio

Pianifica. Crea. Consegna.
Tutto in un unico posto.

bottom of page