La spesa per la sicurezza AI di Kaspersky aumenta mentre la Shadow AI spezza il modello di controllo

Kaspersky afferma che l'adozione dell'AI ha spinto il 41% delle imprese ad aumentare gli investimenti nella sicurezza delle informazioni, mentre i dipendenti continuano a introdurre sul lavoro strumenti AI esterni. I dati di Kaspersky sulla spesa per la sicurezza AI rivelano un conflitto che i team di sicurezza non possono risolvere acquistando un altro prodotto isolato. Le aziende desiderano adottare l'AI più rapidamente, ma i controlli esistenti spesso non riescono a rilevare dove l'AI sia già in funzione.

I risultati provengono da un sondaggio globale condotto su 1.800 responsabili decisionali e specialisti IT e di cybersecurity in 18 Paesi. Gli intervistati rappresentavano settori quali tecnologia, manifattura, finanza, vendita al dettaglio e commercio all'ingrosso. Kaspersky ha pubblicato i risultati globali il 29 luglio 2026, prima che i rapporti regionali riportassero l'attenzione sui dati a settembre.

Non si tratta semplicemente dell'ennesima storia sui budget per la sicurezza. Il problema più difficile è il divario sempre più ampio tra l'AI aziendale autorizzata e la shadow AI, ovvero strumenti AI utilizzati senza approvazione formale o supervisione. Le organizzazioni finanziano contemporaneamente adozione e protezione, mentre i dipendenti possono ancora trasferire informazioni aziendali tramite account personali, estensioni del browser, assistenti specializzati e funzionalità AI integrate.

La sfida centrale è quindi tra l'adozione controllata dell'AI e l'adozione guidata dai dipendenti. Bloccare gli strumenti esterni può spingere le attività ancora più lontano dalla vista. Consentire tutto può esporre dati sensibili, credenziali, documenti interni e processi aziendali a sistemi che i team di sicurezza non hanno valutato.

Cosa dicono realmente i dati di Kaspersky sulla spesa per la sicurezza AI

Il dato principale conta perché l'adozione dell'AI è diventata un fattore diretto per i budget di sicurezza, non soltanto un'altra voce nell'elenco delle minacce.

Secondo il sondaggio globale di Kaspersky, il 41% delle imprese ha aumentato gli investimenti nella sicurezza delle informazioni a causa dell'adozione dell'AI. Tra gli altri fattori segnalati figuravano l'aumento dei costi delle violazioni, la migrazione al cloud e recenti incidenti di sicurezza.

Questo risultato non significa che il 41% abbia ampliato i budget esclusivamente a causa della shadow AI. Né rivela l'entità di ciascun aumento. I risultati pubblicati stabiliscono una relazione tra adozione e decisioni di spesa, ma non forniscono totali in dollari né una distribuzione della crescita dei budget.

Le risposte più ampie aiutano a spiegare perché i budget si stanno muovendo. Il diciannove percento degli intervistati ha classificato le vulnerabilità AI tra le minacce attuali più pericolose. Il phishing si è classificato più in alto, al 22%, seguito dagli attacchi malware di massa al 20%.

Questi numeri collocano il rischio AI accanto a minacce aziendali consolidate, senza sostituirle. I responsabili della sicurezza devono proteggere i sistemi convenzionali aggiungendo ai propri compiti accesso ai modelli, prompt, plugin, agenti, dati di addestramento e codice generato dall'AI.

Secondo Kaspersky, la pressione è particolarmente rilevante nei settori finanziario, pubblico e tecnologico. Questi comparti gestiscono dati di valore e operano sistemi che offrono agli aggressori forti incentivi per essere presi di mira. Devono inoltre affrontare una pressione significativa per automatizzare il lavoro basato sulla conoscenza e i processi rivolti ai clienti.

L'adozione non aspetta che i programmi di sicurezza recuperino terreno. Kaspersky ha riferito che l'81% delle aziende intervistate stava esplorando o distribuendo strumenti interni basati su modelli linguistici di grandi dimensioni. Il diciotto percento aveva integrato queste tecnologie nei flussi di lavoro.

Le aziende dotate di sistemi AI interni hanno citato tre motivazioni ugualmente comuni. Maggiore efficienza dei processi, riduzione degli errori umani e migliori risultati per i clienti sono stati selezionati ciascuno dal 59% di tali organizzazioni.

Un comunicato correlato di Kaspersky ha rilevato che i dipendenti stavano già utilizzando l'AI in diverse categorie di lavoro. L'analisi e la visualizzazione dei dati erano in testa con il 54%, seguite dalla gestione dei progetti al 49% e dalla ricerca di informazioni al 47%. Il lavoro specifico per reparto ha raggiunto il 46%, mentre la generazione e l'editing di testi il 41%.

Questi casi d'uso coinvolgono molti tipi di dati. Un assistente per i progetti potrebbe ricevere requisiti dei clienti, scadenze e assegnazioni dei dipendenti. Uno strumento di analisi potrebbe elaborare registri finanziari, metriche operative o contenuti esportati da database.

Il perimetro di sicurezza cambia ogni volta che tali informazioni raggiungono un modello, un plugin o un servizio abilitato all'AI. I team devono sapere chi ha fornito i dati, quale account li ha elaborati, per quanto tempo rimangono disponibili e quali sistemi connessi lo strumento può raggiungere.

Ecco perché il cambiamento nella spesa va oltre la protezione dei modelli dagli attacchi tecnici. Comprende anche identità, classificazione dei dati, valutazione dei fornitori, visibilità di rete, sviluppo software, risposta agli incidenti e formazione dei dipendenti.

Kaspersky ha un evidente interesse commerciale nell'enfatizzare queste esigenze. L'azienda vende prodotti di sicurezza e raccomanda i propri servizi insieme alla ricerca. I lettori dovrebbero considerare le percentuali come evidenze di un sondaggio sponsorizzato da un fornitore, non come una misurazione indipendente dell'intero mercato.

Tuttavia, il campione ha incluso 1.800 professionisti focalizzati sulla sicurezza in 18 Paesi. I risultati catturano una chiara preoccupazione organizzativa: i progetti AI stanno generando costi al di fuori del budget originario per licenze software o infrastruttura.

Ogni assistente aggiuntivo può creare un ulteriore percorso di identità, flusso di dati e dipendenza da fornitori. Ogni modello interno può aggiungere requisiti di infrastruttura, monitoraggio, accesso e test. La spesa per la sicurezza sta diventando parte del costo operativo dell'AI aziendale.

Questo è il primo cambiamento importante. La sicurezza AI non inizia più dopo che un'azienda distribuisce un modello importante. Inizia quando i lavoratori cercano modi più rapidi per completare compiti ordinari.

L'adozione dell'AI sta ampliando la superficie di attacco

Le imprese non si stanno solo difendendo da aggressori assistiti dall'AI; stanno aggiungendo sistemi AI che creano nuovi punti per errori e sfruttamento.

Una superficie di attacco comprende i sistemi, le identità, le interfacce e i percorsi dei dati che un aggressore può potenzialmente raggiungere. L'adozione dell'AI la amplia attraverso endpoint dei modelli, sistemi di retrieval, plugin, input dei prompt, azioni autonome e integrazioni di terze parti.

Questi componenti introducono rischi software familiari in combinazioni non familiari. Un controllo degli accessi debole resta un controllo degli accessi debole, ma un agente AI può esercitare tale accesso attraverso diversi strumenti. Una credenziale esposta resta pericolosa, ma un assistente connesso può utilizzarla alla velocità di una macchina.

Kaspersky ha segnalato un netto aumento delle vulnerabilità registrate che interessano servizi AI e modelli linguistici di grandi dimensioni. La sua analisi delle vulnerabilità ha contato 935 vulnerabilità nel secondo trimestre del 2026.

Secondo i dati dell'azienda sulla gestione delle vulnerabilità, questa cifra era dieci volte il livello registrato nel quarto trimestre del 2025. Kaspersky ha classificato 119 delle vulnerabilità del secondo trimestre come critiche, quasi cinque volte il livello di fine 2025.

Le categorie più comuni includevano controlli di accesso deboli, autenticazione o autorizzazione difettose e vulnerabilità di injection. L'injection si verifica quando un input manipolato modifica il modo in cui un sistema interpreta istruzioni o esegue azioni connesse.

L'aumento richiede un'interpretazione prudente. Un maggior numero di vulnerabilità registrate può riflettere una diffusione più ampia, una maggiore attenzione dei ricercatori, una migliore divulgazione o un reale calo della qualità del software. I totali pubblicati non separano questi effetti.

Ciononostante, le categorie indicano problemi ingegneristici concreti. Le imprese devono proteggere il software che circonda i modelli, non solo esaminare i modelli stessi. Autenticazione, confini delle autorizzazioni, gestione degli input, logging e gestione delle dipendenze rimangono essenziali.

Gli agenti AI alzano la posta perché possono intraprendere azioni invece di limitarsi a produrre testo. Un assistente connesso a email, archiviazione cloud, repository di codice e calendari ha un potenziale impatto maggiore di un chatbot autonomo.

L'agente complica inoltre l'attribuzione. Un dipendente legittimo potrebbe autorizzare un'azione, mentre un contesto manipolato modifica ciò che il sistema finisce effettivamente per fare. I log di sicurezza devono conservare la richiesta dell'utente, la decisione del modello, la chiamata allo strumento, la risorsa di destinazione e la modifica risultante.

Le linee guida sulla sicurezza agentica della OWASP Foundation affrontano questo più ampio problema di governance. Il suo lavoro del 2026 si concentra sulla protezione dei sistemi autonomi attraverso controlli che coprono sviluppo, distribuzione, identità e supervisione.

Questo approccio è importante perché la protezione tradizionale degli endpoint vede solo una parte del flusso di lavoro. Una sessione del browser può sembrare legittima anche quando un dipendente incolla materiale riservato in un sito web approvato. Un token agente valido può comunque autorizzare un'azione non sicura.

I team di sicurezza necessitano quindi di diversi livelli di evidenza. Hanno bisogno di un inventario dei servizi AI, visibilità sul movimento dei dati, controlli per le identità connesse e un processo di revisione per le azioni ad alto impatto.

Lo stesso principio vale per il codice generato dall'AI. Uno sviluppatore può accettare una dipendenza o una configurazione suggerita senza comprenderne le proprietà di sicurezza. Il risultato entra quindi nella normale catena di fornitura del software e può arrivare in produzione.

Kaspersky ha inoltre dichiarato che i suoi sistemi hanno rilevato oltre 33.300 attacchi contro piccole e medie imprese nei primi quattro mesi del 2026. Tali attacchi camuffavano software per PC dannoso o indesiderato da popolari servizi AI.

Secondo l'azienda, il totale era quasi cinque volte superiore al periodo comparabile del 2025. Il risultato mostra come gli aggressori possano sfruttare la domanda di AI senza compromettere un modello reale. Il noto social engineering può cavalcare il branding dell'AI.

La lezione pratica va oltre l'acquisto di rilevamento specifico per l'AI. Le aziende devono collegare la governance dell'AI alle discipline di sicurezza esistenti. Gestione degli asset, controlli delle identità, sviluppo sicuro, valutazione dei fornitori e risposta agli incidenti devono condividere la stessa visione della distribuzione.

Questo crea pressione sui responsabili della sicurezza informatica, ma coinvolge anche i leader tecnologici e aziendali. Un reparto che acquista un servizio AI ha preso una decisione di sicurezza, anche quando l'acquisto non passa mai dal budget per la sicurezza.

Un team che sviluppa un assistente interno prende un'altra decisione quando sceglie fonti di dati e autorizzazioni. Il rischio cambia nuovamente quando tale assistente acquisisce la capacità di inviare messaggi, modificare record o avviare transazioni.

La superficie di attacco è quindi modellata dalla progettazione aziendale. I team di sicurezza non possono ridurla senza comprendere quali funzioni AI generano valore e quali connessioni sono superflue. Ciò richiede collaborazione prima della distribuzione, non una riunione di approvazione dopo il lancio.

La Shadow AI trasforma la produttività in debito di governance

La shadow AI cresce quando gli strumenti approvati non riescono a eguagliare la velocità, le capacità o la comodità che i dipendenti possono ottenere autonomamente.

Kaspersky ha rilevato che il 31% degli intervistati a livello globale considerava l'uso incontrollato da parte dei dipendenti di strumenti AI di terze parti un fattore di rischio comune. L'azienda ha citato specificamente servizi quali ChatGPT e DeepSeek.

Il rischio non si limita ai lavoratori che infrangono deliberatamente le regole. Le funzionalità AI ora compaiono negli strumenti di scrittura, nei prodotti di ricerca, negli assistenti per riunioni, negli ambienti di programmazione, nelle piattaforme di analisi e nelle estensioni del browser. I dipendenti potrebbero non riconoscere ogni funzione abilitata all'AI come un elaboratore di dati separato.

Kaspersky ha riferito che il 59% delle organizzazioni consentiva l'uso di AI di terze parti con restrizioni. Tali restrizioni includevano il divieto di caricare nomi di aziende o documenti interni. Un altro 23% permetteva un accesso senza restrizioni, fornendo al contempo linee guida e formazione.

Nel complesso, queste cifre mostrano che la maggior parte delle organizzazioni intervistate non stava cercando di imporre un divieto totale. Cercava di preservare un accesso utile limitando al contempo i comportamenti dannosi.

Questo compromesso è difficile da applicare. Una regola che vieta di caricare documenti interni sembra chiara finché i dipendenti non lavorano con frammenti. Un prompt può rivelare informazioni sensibili senza contenere un intero file.

Un addetto alle vendite potrebbe incollare in un assistente le obiezioni dei clienti. Un ingegnere potrebbe inviare un blocco di codice contenente endpoint interni. Un recruiter potrebbe chiedere a uno strumento di riassumere note sui candidati o discussioni sulle retribuzioni.

Ogni azione può sembrare meno significativa del caricamento di un documento riservato. Nel loro insieme, questi prompt possono esporre relazioni organizzative, piani di prodotto, informazioni sui clienti e architettura tecnica.

La Shadow AI comprende anche gli account personali utilizzati per il lavoro aziendale. Un servizio approvato per l'uso enterprise può comunque creare rischi quando i dipendenti scelgono account consumer. I team di sicurezza possono perdere controlli amministrativi, impostazioni di conservazione, registri di audit e la rimozione centralizzata degli accessi.

Questo rivela la principale debolezza delle risposte basate esclusivamente sulle policy. Una regola scritta descrive il comportamento atteso, ma non può scoprire automaticamente gli strumenti, classificare i prompt o revocare integrazioni sconosciute. La formazione aiuta le persone a riconoscere il rischio, ma la memoria non è un controllo tecnico.

Un divieto totale crea una debolezza diversa. I dipendenti continuano ad avere scadenze e aspettative di performance. Se un assistente esterno riduce di ore il lavoro necessario, alcuni utenti cercheranno dispositivi personali, account alternativi o servizi meno visibili.

L'azienda perde così la limitata visibilità disponibile attraverso i sistemi gestiti. Il blocco può ridurre l'uso occasionale, ma può anche rendere più difficile misurare l'attività residua.

Il confronto migliore non è quindi tra accesso permissivo e sicurezza rigorosa. È tra accesso visibile e governato e accesso invisibile e improvvisato. La sicurezza migliora quando il percorso approvato è abbastanza utile da favorire un'adozione volontaria.

Quel percorso richiede più di un abbonamento aziendale. I dipendenti hanno bisogno di indicazioni chiare sui dati accettabili, sulle attività supportate e sui percorsi di escalation. Hanno inoltre bisogno di alternative approvate adatte a ruoli diversi.

Uno sviluppatore può avere bisogno di assistenza consapevole del codice e del contesto del repository. Un ricercatore può avere bisogno di analisi dei documenti con fonti tracciabili. Un project manager può avere bisogno di riepiloghi che coprano riunioni, attività e decisioni.

Per i flussi di lavoro ad alta intensità di conoscenza, i team dovrebbero comprendere la differenza tra un repository enterprise condiviso e un sistema personale prima di concedere l'accesso all'AI. Una pratica guida alla knowledge base può aiutare a definire le decisioni relative a proprietà, ambito e recupero delle informazioni.

Il debito di governance si accumula quando le aziende implementano funzionalità prima di definire tali confini. Come il debito tecnico, rimane nascosto finché i sistemi sembrano funzionare. Il costo diventa visibile durante un audit, un incidente, l'uscita di un dipendente o un cambio di fornitore.

L'AI può accelerare questo accumulo perché l'adozione è spesso decentralizzata. Un team di marketing può attivare un assistente senza attendere un'implementazione centrale. Uno sviluppatore può collegare un modello tramite un'interfaccia di programmazione delle applicazioni nel giro di poche ore.

L'AI integrata crea un altro punto cieco. Un'azienda potrebbe approvare una piattaforma software prima che quel fornitore aggiunga un assistente o un agente automatizzato. La valutazione precedente dell'organizzazione potrebbe non coprire il nuovo percorso dei dati o il fornitore del modello.

La revisione dei fornitori deve quindi diventare abbastanza continua da intercettare cambiamenti rilevanti delle funzionalità. I contratti dovrebbero disciplinare l'uso dei dati, la conservazione, i subfornitori, la notifica degli incidenti e i controlli amministrativi. I team tecnici devono verificare che il comportamento configurato corrisponda a tali termini.

L'inventario è il punto di partenza, ma da solo non è governance. I team di sicurezza devono distinguere la sperimentazione dalla produzione, la redazione a basso rischio dall'analisi sensibile e gli assistenti in sola lettura dagli agenti che possono modificare sistemi.

Questa classificazione determina i controlli. Uno strumento di brainstorming pubblico non dovrebbe ricevere i dati dei clienti. Un assistente interno per il recupero delle informazioni necessita di autorizzazioni che rispecchino le fonti sottostanti. Un agente che esegue azioni necessita di autorità più limitate e di controlli di approvazione più rigorosi.

Il compromesso centrale rimane inevitabile. Ogni protezione aggiunge attrito, mentre ogni controllo rimosso aumenta l'esposizione. Il modello vincente non eliminerà questa tensione, ma potrà collocare l'attrito dove le conseguenze sono maggiori.

Le aziende dovrebbero riservare i controlli più rigorosi alle informazioni sensibili e alle azioni con conseguenze rilevanti. Le attività a basso rischio possono usare controlli più semplici. Questo modello basato sul rischio offre ai dipendenti un percorso credibile senza trattare ogni prompt come ugualmente pericoloso.

Il sondaggio mostra pressione, non prove

I risultati di Kaspersky mostrano che i responsabili della sicurezza percepiscono pressione, ma non dimostrano che una spesa più elevata abbia prodotto un'adozione dell'AI più sicura.

Il dato del 41% misura le organizzazioni che hanno aumentato gli investimenti a causa dell'adozione dell'AI. Non misura se tali organizzazioni abbiano ridotto gli incidenti, individuato Shadow AI o prevenuto l'esposizione dei dati.

Il sondaggio riunisce inoltre decisori e specialisti di più settori e Paesi. Questa ampiezza rende il modello rilevante, ma può nascondere differenze significative nelle dimensioni delle organizzazioni, nella regolamentazione, nella maturità e nell'esposizione alle minacce.

La pubblicazione di Kaspersky non fornisce un questionario completo, la distribuzione delle risposte, la procedura di campionamento o il margine di errore. Non suddivide nemmeno il dato del 41% in categorie di investimento. Gli acquirenti potrebbero finanziare prodotti, personale, consulenza, formazione o infrastrutture.

Queste limitazioni non invalidano i risultati. Restringono ciò che i lettori dovrebbero concludere. La ricerca sostiene un'affermazione sul comportamento di spesa dichiarato, non un giudizio sull'efficacia della sicurezza.

La sponsorizzazione del fornitore costituisce un altro motivo di cautela. Kaspersky raccomanda il proprio portafoglio di sicurezza nella stessa pubblicazione. La sua posizione commerciale non rende falso il sondaggio, ma una validazione indipendente rafforzerebbe le affermazioni più ampie sul mercato.

Anche le metriche di rischio dipendono dalla percezione degli intervistati. Il diciannove per cento ha definito le vulnerabilità dell'AI un pericolo principale, mentre il 31% ha indicato la Shadow AI come un fattore comune. Queste risposte descrivono consapevolezza ed esperienza, non conteggi di incidenti verificati in modo indipendente.

Un altro comunicato di Kaspersky ha affermato che l'82% delle organizzazioni ha espresso preoccupazione per il rischio AI. Tra l'87% che ha subito un incidente informatico nell'anno precedente, il 13% ha segnalato minacce derivanti specificamente da vulnerabilità legate all'AI.

Anche in questo caso, l'attribuzione è difficile. Un incidente che coinvolge malware con marchio AI è diverso da un servizio di modelli sfruttato. La fuga di dati tramite un prompt di un dipendente è diversa da un agente che agisce su istruzioni dannose.

Raggruppare ogni caso sotto il termine “rischio AI” può portare a spese vaghe. Le aziende potrebbero acquistare prodotti di monitoraggio sovrapposti senza definire le esposizioni che devono ridurre. Potrebbero anche trattare la governance come una responsabilità esclusiva del team di sicurezza.

Il National Institute of Standards and Technology offre un punto di partenza più strutturato. Il suo profilo sull'AI generativa adatta l'AI Risk Management Framework ai rischi lungo lo sviluppo, l'implementazione e l'uso dell'AI generativa.

Il framework organizza il lavoro attorno alla governance, alla mappatura, alla misurazione e alla gestione del rischio. Questa sequenza incoraggia le organizzazioni a definire il contesto prima di selezionare i controlli. Tratta inoltre la gestione del rischio come un processo che copre l'intero ciclo di vita.

Per un'impresa, “governare” include proprietà, responsabilità e policy. “Mappare” significa comprendere sistemi, utenti, dati e conseguenze. “Misurare” comprende test, monitoraggio ed evidenze. “Gestire” trasforma tali evidenze in azioni prioritarie.

Questa struttura mette in luce una debolezza delle risposte guidate dalla spesa. Un'azienda può acquistare strumenti prima di mappare dove compare l'AI. Può raccogliere avvisi prima di decidere quali comportamenti contano. Può formare i dipendenti senza misurare se le pratiche rischiose cambiano.

Una spesa efficace dovrebbe produrre risultati osservabili. L'organizzazione dovrebbe sapere quali servizi AI sono attivi, quali categorie di dati li raggiungono e quali identità possono autorizzare azioni esterne.

Dovrebbe inoltre sapere se i dipendenti preferiscono gli strumenti approvati. Una bassa adozione dei servizi approvati può segnalare funzionalità mancanti, attrito eccessivo, comunicazione debole o sfiducia. Si tratta di una misurazione della governance, non semplicemente di una metrica software.

I team di sicurezza dovrebbero monitorare i tempi di revisione dei nuovi strumenti. Cicli di approvazione lunghi possono incoraggiare alternative non autorizzate. Revisioni più rapide non richiedono standard inferiori se le organizzazioni utilizzano categorie di rischio ripetibili e configurazioni preapprovate.

Le esercitazioni sugli incidenti offrono un altro test. Le aziende possono simulare una credenziale AI compromessa, un plugin dannoso, un prompt sensibile o un agente che esegue una modifica non autorizzata. La risposta mette in evidenza lacune che i totali di budget non possono rivelare.

Gli acquisti dovrebbero misurare le dipendenze dai fornitori e le opzioni di uscita. Un'organizzazione deve sapere se può esportare i log, rimuovere i dati, revocare le integrazioni e migrare i flussi di lavoro. Queste capacità diventano importanti quando i prodotti modificano termini o postura di sicurezza.

Nulla di tutto questo garantisce la sicurezza. I sistemi AI stanno cambiando rapidamente e le organizzazioni dovranno operare con informazioni imperfette. L'obiettivo ragionevole è un apprendimento controllato basato su evidenze, non la promessa che ogni rischio sia stato eliminato.

La tendenza della spesa per la sicurezza AI rilevata da Kaspersky diventa significativa solo quando l'investimento migliora la visibilità e limita le conseguenze. Altrimenti, budget in crescita possono coesistere con una Shadow AI in espansione e una debole responsabilità.

Tre segnali che metteranno alla prova il cambiamento nella spesa

Il prossimo test è verificare se budget più elevati producano un controllo misurabile senza spingere i dipendenti verso strumenti ancora meno visibili.

Il primo segnale è la scoperta. Nei prossimi mesi, le imprese dovrebbero comunicare se riescono a identificare servizi AI, account personali, funzionalità integrate e integrazioni di agenti nei propri ambienti.

La scoperta è importante perché le policy non possono governare attività sconosciute. Un inventario utile dovrebbe collegare ogni servizio a un responsabile, a uno scopo aziendale, a una classificazione dei dati, a un metodo di identità e a un insieme di connessioni esterne.

Se le organizzazioni pubblicheranno metriche di visibilità più solide, la tesi sulla spesa acquisterà sostegno. Dimostrerebbe che gli investimenti nella sicurezza stanno trasformando attività sconosciute in attività gestite. Una visibilità invariata suggerirebbe che la spesa resta scollegata dall'adozione.

Il secondo segnale è il tasso di adozione degli strumenti approvati. Le aziende dovrebbero confrontare l'uso approvato con i tentativi bloccati, le richieste di eccezione e la domanda dei dipendenti di sistemi alternativi.

Un'elevata adozione degli strumenti approvati indicherebbe che governance e produttività possono coesistere. Ridurrebbe inoltre l'incentivo a usare account personali per il lavoro ordinario. Soluzioni alternative persistenti indebolirebbero l'affermazione secondo cui i programmi esistenti affrontano la Shadow AI.

La qualità degli strumenti approvati conta più del numero di licenze acquistate. Un assistente autorizzato che non può accedere alle informazioni necessarie o supportare attività specializzate non sostituirà opzioni esterne migliori.

Le organizzazioni dovrebbero analizzare quali gruppi evitano il percorso approvato. Ingegneri, ricercatori, team di vendita e analisti hanno requisiti diversi. Un unico assistente generico potrebbe non soddisfare ogni flusso di lavoro.

Il terzo segnale è rappresentato dalle evidenze degli incidenti. Le aziende necessitano di definizioni coerenti per gli eventi legati all’AI, comprese vulnerabilità dei modelli, credenziali esposte, codice generato non sicuro, prompt sensibili, plugin dannosi e azioni non autorizzate degli agenti.

Categorie chiare migliorerebbero i confronti tra periodi e organizzazioni. Rivelerebbero inoltre se l’esposizione principale deriva da aggressori, difetti software, comportamenti dei dipendenti o autorizzazioni eccessive.

Una riduzione degli incidenti ricorrenti rafforzerebbe la giustificazione degli investimenti attuali. L’aumento delle rilevazioni richiederebbe maggiore contesto. Potrebbe riflettere un peggioramento dell’esposizione oppure indicare che un monitoraggio migliore sta finalmente individuando attività nascoste.

I responsabili della sicurezza dovrebbero quindi affiancare ai totali degli incidenti il tempo di rilevamento, il tempo di contenimento, i dati interessati e l’impatto sul business. Dovrebbero inoltre documentare quale controllo ha fallito e quale modifica ne è seguita.

Il mercato tecnologico offrirà un ulteriore livello di evidenza. Nuovi standard per la sicurezza degli agenti, linee guida aggiornate sulle vulnerabilità e un supporto più ampio agli audit mostreranno se i fornitori sono in grado di offrire controlli interoperabili.

L’interoperabilità è importante perché i flussi di lavoro AI attraversano molti sistemi. Un fornitore di modelli, una piattaforma di identità, una fonte dati, un browser, un endpoint e un servizio di sicurezza possono tutti osservare parti diverse della stessa transazione.

Le organizzazioni necessitano di registrazioni collegabili tra questi livelli. Senza tale collegamento, un’indagine diventa una ricostruzione manuale di log parziali. Le azioni autonome rendono questo ritardo più costoso.

Gli investimenti in sicurezza dovrebbero includere anche persone che comprendano sia i flussi di lavoro sia i controlli. Una piattaforma di monitoraggio non può decidere se un’attività sia appropriata per un reparto. Tale valutazione richiede responsabili aziendali, team legali, specialisti della sicurezza e utenti.

La formazione dei dipendenti resta necessaria, ma le aziende dovrebbero evitare di presentare i lavoratori come l’unico problema. Il personale adotta spesso strumenti esterni perché i processi ufficiali non soddisfano le esigenze operative.

La risposta duratura consiste nel rendere più semplice il comportamento sicuro. Ciò significa strumenti approvati e utili, confini chiari per i dati, canali di revisione rapidi, autorizzazioni strettamente limitate e responsabilità visibile per le azioni ad alto impatto.

La ricerca di Kaspersky coglie una reale transizione nei budget. L’AI non viene più finanziata soltanto attraverso programmi di sperimentazione, infrastruttura o produttività. La sicurezza è diventata parte del costo dell’adozione.

La questione irrisolta è se le imprese stiano acquistando controllo o semplicemente rassicurazione. La sola crescita dei budget non può rispondere. Possono farlo la copertura dell’inventario, l’utilizzo autorizzato e gli esiti degli incidenti.

Per gli acquirenti aziendali, l’azione immediata è semplice: chiedere quali nuove evidenze produrrà ciascun investimento in sicurezza. Se un prodotto non può migliorare la visibilità, limitare l’accesso o ridurre i tempi di risposta, il suo legame con il rischio AI resta incerto.

Gli sviluppatori dovrebbero chiedersi di quali autorizzazioni abbia realmente bisogno un assistente. I knowledge worker dovrebbero verificare quali dati sia sicuro inviare e quale account governi l’interazione. I leader dovrebbero confrontare le policy con il comportamento effettivo dei dipendenti.

La spesa di Kaspersky per la sicurezza AI resterà un utile segnale di mercato, ma la shadow AI è il test operativo più difficile. Nel prossimo trimestre, osservate se le aziende riusciranno a portare il lavoro reale in sistemi governati senza eliminare il valore che ne ha guidato l’adozione.