Il sondaggio KPMG sulla cybersicurezza AI rileva che la maturità rende le aziende più caute, non meno

KPMG ha rilevato un divario di 50 punti nella difesa informatica attiva tra le prime aziende che sperimentano con l'AI e le organizzazioni che già dichiarano di ottenerne risultati. Il sondaggio KPMG sulla cybersicurezza AI mostra che la fiducia non elimina le preoccupazioni. Offre alle aziende sufficiente esperienza operativa per individuare più rischi, finanziare controlli più solidi e affidare all'AI attività di sicurezza più rilevanti.

Solo l'8% delle organizzazioni nella fase di sperimentazione ha dichiarato di aver implementato una difesa informatica assistita dall'AI. La quota è salita al 58% tra le organizzazioni con risultati consolidati. I primi adottanti erano inoltre più propensi a limitarsi al monitoraggio, senza modificare le operazioni di sicurezza.

Non è una semplice storia di aziende che acquisiscono familiarità con l'AI. È una storia di come questa familiarità cambi ciò che le aziende si aspettano che l'AI faccia. Gli adottanti maturi vanno oltre l'osservazione delle minacce, accettando al contempo che un'automazione più profonda comporti maggiore esposizione e responsabilità.

I risultati provengono dallo studio trimestrale Global AI Pulse di KPMG, che ha intervistato 2.131 dirigenti senior in 20 Paesi. Il conseguente divario di maturità è rilevante per i fornitori di sicurezza, gli acquirenti aziendali, i consigli di amministrazione e i dipendenti i cui flussi di lavoro dipendono sempre più dagli agenti AI.

Il sondaggio KPMG sulla cybersicurezza AI rivela una divisione operativa

Il divario decisivo non riguarda il fatto che le aziende riconoscano il rischio dell'AI, ma se tale preoccupazione abbia modificato le operazioni quotidiane di sicurezza.

KPMG ha intervistato dirigenti responsabili della strategia e delle operazioni organizzative tra il 23 luglio e il 26 agosto 2026. Le organizzazioni idonee dichiaravano generalmente almeno 50 milioni di dollari di ricavi annuali. In diversi grandi mercati si applicavano soglie più elevate.

I ricercatori hanno confrontato 268 organizzazioni nella fase di sperimentazione con 208 organizzazioni che riportavano risultati consolidati. Questo confronto ha prodotto il riscontro più chiaro sulla cybersicurezza nel Global AI Pulse.

Tra gli sperimentatori, il 26% monitorava le minacce legate all'AI senza apportare cambiamenti operativi. Questa percentuale è scesa al 4% tra gli adottanti consolidati. Nel frattempo, la difesa attiva assistita dall'AI è passata dall'8% al 58%.

Il contrasto suggerisce che i programmi in fase iniziale trattino spesso la sicurezza come un compito di osservazione. I team raccolgono avvisi, aggiornano le policy e studiano possibili abusi. Esitano a lasciare che l'AI influisca direttamente su rilevamento, indagine o risposta.

Gli adottanti consolidati hanno superato quel confine. I loro programmi AI hanno prodotto prove, infrastrutture e fiducia interna sufficienti a sostenere ruoli di sicurezza più attivi. Ciò non significa che un modello autonomo controlli l'intero processo di risposta.

La difesa informatica assistita dall'AI può comprendere diverse funzioni più circoscritte. Un sistema potrebbe assegnare priorità agli avvisi, collegare eventi correlati, riassumere le indagini, identificare attività insolite o raccomandare misure di contenimento. L'approvazione umana può rimanere obbligatoria per le azioni ad alto impatto.

Le percentuali non indicano quali funzioni ciascun intervistato abbia automatizzato. Mostrano comunque un sostanziale passaggio dall'osservazione all'intervento. Questo cambiamento modifica le conseguenze degli errori.

Un sistema di monitoraggio può sommergere gli analisti di falsi positivi. Un sistema operativo potrebbe bloccare un account, isolare un dispositivo, modificare gli accessi o reindirizzare un'indagine. Ogni azione richiede autorizzazioni, test e revisioni più chiari.

Lo studio ha inoltre rilevato che l'86% degli intervistati stava adattando i propri modelli operativi di cybersicurezza alle minacce accelerate dall'AI. Secondo il rapporto, la maggior parte ha riferito modifiche alla governance cyber o al rilevamento delle minacce.

Questa risposta diffusa sostiene l'originale analisi giornalistica, ma il confronto sulla maturità fornisce il segnale più importante. Quasi ogni azienda può affermare di stare rispondendo. Molte meno possono dimostrare che la risposta sia arrivata alle operazioni.

Un modello operativo definisce chi prende le decisioni, quali sistemi le eseguono e come l'organizzazione valuta i risultati. Modificare quel modello richiede più che acquistare una funzionalità AI da un fornitore di sicurezza.

I team hanno bisogno di dati utilizzabili, percorsi di escalation definiti, criteri di valutazione e registrazioni che spieghino le decisioni automatizzate. Hanno inoltre bisogno di un modo per annullare azioni dannose senza perdere le prove.

Questi requisiti spiegano perché l'adozione operativa sia indietro rispetto all'interesse generale. Le aziende possono testare l'AI rapidamente. Non possono delegare in sicurezza decisioni di sicurezza alla stessa velocità.

La maturità nella cybersicurezza AI aumenta insieme spesa e preoccupazione

Gli utenti AI maturi spendono di più per la sicurezza perché l'esperienza espone dipendenze che la sperimentazione può mantenere nascoste.

Il settantuno per cento degli adottanti consolidati includeva la sicurezza cyber e dei dati tra le priorità di budget per l'AI. Solo il 36% degli sperimentatori ha affermato lo stesso.

Il gruppo più maturo ha anche espresso maggiore preoccupazione. La metà ha descritto la cybersicurezza come un ostacolo alla propria strategia AI, rispetto al 34% degli sperimentatori. Un utilizzo maggiore era quindi correlato sia a più investimenti sia a una maggiore frizione percepita.

A prima vista, questi risultati sembrano contraddittori. Le organizzazioni implementano una maggiore difesa assistita dall'AI, eppure diventano più propense a definire la cybersicurezza un ostacolo.

La contraddizione si attenua quando l'AI entra nei flussi di lavoro reali. Un progetto pilota può operare con dati limitati e autorizzazioni ristrette. Un sistema in produzione si connette spesso a piattaforme di identità, archivi di documenti, servizi cloud, registri dei clienti e applicazioni interne.

Ogni connessione aggiunta amplia ciò che un errore o un attaccante può raggiungere. Un modello non necessita di un controllo amministrativo completo per causare danni. L'accesso a contesto sensibile, strumenti eseguibili o comunicazioni affidabili può essere sufficiente.

Questo crea un compromesso tra capacità ed esposizione. Un'AI utile necessita di informazioni e autorità. I team di sicurezza devono limitare entrambe senza rendere inefficace il sistema.

Gli adottanti consolidati incontrano ripetutamente questa tensione. Imparano quali autorizzazioni richiedono i modelli, in che modo gli output influenzano i dipendenti e dove emergono le dipendenze dai fornitori. Gli sperimentatori possono rimandare molte di queste domande perché le loro implementazioni restano circoscritte.

Il risultato mette inoltre in discussione una diffusa narrativa sull'adozione. La familiarità organizzativa non fa scomparire le preoccupazioni di sicurezza. Sposta tali preoccupazioni dai registri dei rischi ipotetici a budget, architettura e decisioni dei dirigenti.

Questa distinzione è importante per gli acquirenti aziendali. Un'azienda che valuta prodotti di sicurezza AI non dovrebbe interpretare un lungo elenco di controlli come prova di resistenza organizzativa. I controlli possono indicare che l'azienda è arrivata a utilizzi più rilevanti.

Vale anche il contrario. Un'organizzazione che segnala pochi ostacoli potrebbe avere un'implementazione semplice e isolata. Una bassa preoccupazione non indica automaticamente una sicurezza più solida.

Le categorie di maturità di KPMG descrivono un percorso AI, non una certificazione di sicurezza. Risultati consolidati significa che gli intervistati hanno riportato esiti significativi e opportunità di crescita. L'etichetta non dimostra che le loro difese superino benchmark indipendenti.

Tuttavia, l'associazione è utile. Le aziende che riportavano risultati avevano molte più probabilità di finanziare controlli cyber, diversificare i fornitori, formalizzare la responsabilità e implementare difese attive.

Il modello è anche coerente con il contesto più ampio delle minacce. Il World Economic Forum ha riferito che l'87% dei leader intervistati aveva osservato un aumento delle vulnerabilità legate all'AI nel corso dell'anno precedente. Il suo AI cyber outlook ha inoltre rilevato un accesso disomogeneo a competenze e tecnologie difensive.

Più della metà di quegli intervistati ha citato competenze e conoscenze limitate come ostacolo alla cybersicurezza guidata dall'AI. Le organizzazioni più piccole avevano maggiori probabilità di segnalare una resilienza insufficiente rispetto a quelle più grandi.

Questo contesto aggiunge un'importante precisazione. Gli intervistati di KPMG provenivano da organizzazioni di dimensioni rilevanti, molte delle quali disponevano delle risorse per creare livelli formali di gestione. Il loro percorso non può essere presunto per ogni azienda.

Una multinazionale matura può distribuire i costi tra team di sicurezza, legale, dati e ingegneria. Un'azienda più piccola potrebbe ricevere capacità AI attraverso un fornitore esistente senza disporre di risorse di valutazione comparabili.

Il divario nell'adozione potrebbe quindi trasformarsi in un divario di resilienza. Le aziende ben finanziate possono usare l'AI per accelerare la difesa sviluppando al contempo controlli intorno a essa. Altre potrebbero acquisire le stesse funzionalità automatizzate senza pari visibilità sul loro comportamento.

La difesa attiva trasforma il rischio AI in un compromesso di capacità

La domanda centrale non è più se l'AI abbia un posto nella cybersicurezza, ma quanta autorità i difensori possano concedere senza creare un ulteriore percorso di attacco.

I team di sicurezza affrontano una difficile asimmetria. Gli attaccanti possono utilizzare l'automazione senza seguire regole di approvvigionamento, requisiti di audit o controlli sulle modifiche. I difensori devono agire rapidamente proteggendo al contempo i sistemi di produzione e le prove.

L'AI può aiutare gli analisti a elaborare elevati volumi di avvisi e a collegare segnali deboli tra i sistemi. Può anche generare conclusioni incoerenti, ereditare contesto avvelenato o compiere un'azione non sicura tramite uno strumento integrato.

Il rischio aumenta con l'AI agentica, ovvero sistemi che pianificano ed eseguono attività in più passaggi con autonomia parziale. Questi sistemi possono cercare, ragionare, chiamare strumenti software e adattare il proprio approccio in base ai risultati.

KPMG ha rilevato che il 38% degli intervistati stava sviluppando o implementando sistemi multiagente. L'adozione significativa di agenti AI da parte dei dipendenti ha raggiunto il 34%, rispetto al 25% del primo trimestre.

Questa crescita esercita maggiore pressione sulla gestione delle identità e degli accessi. Un agente deve operare con un'identità definita, con autorizzazioni appropriate al suo compito. Credenziali condivise e token estesi indeboliscono la responsabilità.

I team di sicurezza devono anche distinguere tra proteggere l'AI e usare l'AI per la protezione. Questi obiettivi si sovrappongono, ma non sono identici.

Usare l'AI per la cybersicurezza significa applicare modelli al rilevamento delle minacce, all'analisi delle vulnerabilità, al triage degli avvisi o alla risposta. La cybersicurezza per l'AI significa proteggere modelli, dati, applicazioni, interfacce e strumenti degli agenti da manipolazioni o furti.

Una terza categoria riguarda l'uso malevolo dell'AI. Gli attaccanti possono applicare modelli alla ricognizione, all'impersonificazione, al supporto allo sfruttamento o all'ingegneria sociale. Le organizzazioni devono prepararsi per tutte e tre le categorie senza trattarle come un unico problema.

Questa impostazione più ampia compare da diversi anni nelle linee guida pubbliche. Il framework sul rischio AI del NIST chiede alle organizzazioni di governare, mappare, misurare e gestire il rischio AI lungo l'intero ciclo di vita del sistema.

Il NIST ha inoltre sviluppato un preliminare Cyber AI Profile che collega gli esiti di cybersicurezza alle opportunità e ai rischi specifici dell'AI. Questo lavoro riflette la stessa convergenza visibile nel sondaggio di KPMG.

La sfida pratica è l'autorizzazione. Un sistema AI che riassume un avviso comporta un livello di rischio. Un sistema che disabilita un utente o modifica regole firewall ne comporta un altro.

Le aziende hanno bisogno di limiti espliciti per ciascun passaggio. Devono definire quali decisioni restano consultive, quali richiedono approvazione e quali possono essere eseguite automaticamente in condizioni ristrette.

Hanno inoltre bisogno di dati di valutazione che riflettano le operazioni reali. Un modello testato su esempi storici puliti potrebbe fallire durante un incidente caotico. Gli attaccanti potrebbero intenzionalmente creare input che sfruttano le sue ipotesi.

La revisione umana resta importante, ma non può ridursi a una casella da spuntare senza valore. I revisori hanno bisogno di contesto, tempo e autorità sufficienti per mettere in discussione la raccomandazione. In caso contrario, il bias dell’automazione trasforma una supervisione nominale in un’approvazione di routine.

Il modello di adozione più maturo suggerisce che le aziende stiano costruendo questa fiducia in modo incrementale. Il monitoraggio viene prima perché offre informazioni senza interventi diretti. La difesa attiva segue quando le organizzazioni si fidano dei propri dati, controlli e processi di risposta.

Tuttavia, la familiarità può introdurre compiacenza. Un modello che ha funzionato bene durante incidenti precedenti potrebbe comportarsi diversamente dopo un aggiornamento. Un fornitore può modificare il comportamento del sistema senza alterare il flusso di lavoro del cliente.

Ecco perché l’IA operativa richiede test continui. I team dovrebbero monitorare falsi positivi, azioni annullate, minacce non rilevate, frequenza delle escalation e disaccordi tra analisti. Le prestazioni devono essere misurate dopo la distribuzione, non soltanto prima dell’approvazione.

Le stesse evidenze dovrebbero orientare le decisioni di acquisto. Gli acquirenti devono sapere se l’IA di un fornitore produce raccomandazioni, esegue azioni o delega attività ad altri agenti. Queste distinzioni incidono sul rischio più di un’etichetta “AI-powered”.

I livelli di orchestrazione avvicinano la governance al modello

Gli adottanti più avanzati secondo KPMG stanno costruendo sistemi di controllo attorno all’IA, ma il sondaggio mostra che molte organizzazioni non dispongono ancora di una copertura completa.

Il cinquantacinque percento degli intervistati utilizzava un livello formale di orchestrazione dell’IA. KPMG lo definisce come l’insieme di controlli e strumenti tra i modelli di IA e i casi d’uso aziendali.

Il livello può governare ciò a cui i modelli accedono, le azioni che eseguono e il modo in cui gli output raggiungono dipendenti o sistemi. Può inoltre fornire monitoraggio, valutazione, tracce di audit e monitoraggio dei costi.

Tra le organizzazioni che hanno dichiarato ritorni consolidati, l’86% disponeva di un livello formale interfunzionale o esteso all’intera impresa. Tra gli sperimentatori, la percentuale era del 31%.

I controlli di sicurezza e identità comparivano nei livelli del 43% degli intervistati. Anche i controlli di accesso ai dati raggiungevano il 43%, mentre il 41% monitorava gli output dell’IA.

Questi dati significano che la maggior parte degli intervistati non ha segnalato ciascuna capacità individuale. Un’azienda può disporre di un livello formale di gestione pur non avendo al suo interno funzioni importanti.

La revisione umana compariva nel 34% dei livelli. Valutazione e test raggiungevano il 33%, l’applicazione delle policy il 30% e le tracce di audit comparivano nel 28%.

L’instradamento dei modelli era il meno comune, al 23%. L’instradamento seleziona quale modello gestisce un’attività e può aiutare le organizzazioni a gestire sensibilità, prestazioni, disponibilità e costi.

KPMG ha sintetizzato lo squilibrio affermando che le aziende stanno costruendo un cancello prima di un centralino. Molte organizzazioni possono limitare l’accesso, ma meno sono in grado di indirizzare dinamicamente il lavoro tra modelli e fornitori.

Questa debolezza è rilevante per la resilienza. Un’azienda potrebbe avere solidi controlli di accesso attorno a un fornitore, ma non disporre di un’alternativa testata. Se quel fornitore modifica termini, disponibilità, comportamento o copertura geografica, le operazioni possono bloccarsi.

Gli adottanti consolidati sembravano più preparati a questo problema. Solo il 6% dipendeva principalmente da un unico fornitore globale di modelli, rispetto al 19% degli sperimentatori.

Un ulteriore 8% degli adottanti consolidati dipendeva da un numero ridotto di fornitori, contro il 29% degli sperimentatori. Il gruppo più maturo era anche più propenso a valorizzare il passaggio tra modelli.

La diversità dei fornitori non riduce automaticamente il rischio. Integrazioni multiple ampliano i sistemi che i team devono valutare e monitorare. Modelli diversi possono produrre output incoerenti o richiedere controlli differenti.

Il vantaggio deriva dalla riduzione della dipendenza concentrata. Un’alternativa testata offre alle organizzazioni opzioni durante un’interruzione del servizio, un cambiamento di policy, un conflitto normativo o un grave malfunzionamento del modello.

È qui che cybersecurity, sovranità e continuità si incontrano. La sovranità dei modelli riguarda chi controlla i modelli critici, dove operano e se si può fare affidamento sull’accesso.

Il settantadue percento degli intervistati applicava criteri formali di sovranità ad almeno alcune decisioni o manteneva una strategia estesa all’intera impresa. Solo l’8% ha dichiarato che le preoccupazioni relative alla sovranità rallentavano la distribuzione.

Questo risultato suggerisce che la maggior parte delle aziende consideri la sovranità un vincolo progettuale, non un motivo per smettere di usare l’IA. Sta cercando di preservare opzioni di passaggio e di controllare la collocazione dei dati, continuando al tempo stesso l’adozione.

La responsabilità è l’altra componente del livello di gestione. KPMG ha rilevato che il 53% assegnava la responsabilità delle decisioni informate dall’IA al livello C-suite o superiore.

Un dirigente nominato deteneva la responsabilità nel 35% delle organizzazioni. Un altro 18% l’assegnava al CEO o al comitato esecutivo.

La titolarità a livello dirigenziale può risolvere conflitti tra velocità, costo e rischio. Può anche rendere più semplici le indagini sui fallimenti, perché qualcuno ha autorità sull’intero modello operativo.

Tuttavia, un titolo dirigenziale non garantisce un controllo efficace. La responsabilità richiede registri delle decisioni, telemetria affidabile, diritti di escalation e personale tecnico in grado di spiegare il comportamento del sistema.

KPMG ha espresso il concetto con chiarezza: “La responsabilità è ciò che trasforma i controlli in decisioni che qualcuno può essere chiamato a spiegare.” Questo è particolarmente rilevante quando gli agenti operano oltre i confini tra reparti.

Un team di sicurezza non può governare ciò che non riesce a identificare. Le organizzazioni hanno bisogno di inventari di modelli, agenti, integrazioni, fonti di dati, proprietari e autorizzazioni. Questi registri devono rimanere aggiornati man mano che i dipendenti aggiungono strumenti.

L’onere documentale è considerevole. I team spesso archiviano policy, valutazioni, note sugli incidenti e decisioni architetturali in sistemi separati. Una base di conoscenza ricercabile può aiutare i revisori a collegare questi materiali durante una valutazione.

L’obiettivo non è la documentazione fine a sé stessa. I team hanno bisogno di evidenze che consentano loro di rispondere a chi ha approvato un sistema, cosa è cambiato e perché si è verificata un’azione automatizzata.

Il sondaggio mostra una correlazione, non la prova di un’IA più sicura

Gli adottanti maturi segnalano più controlli e difese attive, ma la maturità auto-riferita non può dimostrare che tali organizzazioni subiscano meno incidenti.

Il KPMG AI cybersecurity survey offre una visione dettagliata delle pratiche di gestione. Non fornisce risultati di sicurezza testati in modo indipendente.

Gli intervistati hanno classificato il percorso di IA delle proprie organizzazioni e descritto i propri controlli, investimenti e priorità. Lo studio non ha pubblicato tassi di violazione per ciascun gruppo di maturità.

Non ha inoltre confrontato tassi di falsi positivi, velocità di contenimento, perdite finanziarie o tempi di ripristino. Queste misure aiuterebbero a determinare se la difesa assistita dall’IA migliori la resilienza.

La relazione con la maturità può sostenere diverse spiegazioni. L’esperienza può portare le aziende a costruire controlli migliori. Le organizzazioni più solide possono anche adottare l’IA più rapidamente perché dispongono già di budget più elevati e team di sicurezza migliori.

Un terzo fattore può influenzare entrambi gli aspetti. Le aziende con dati di valore, operazioni regolamentate o infrastrutture complesse possono investire pesantemente in IA e cybersecurity nello stesso momento.

Ciò significa che i lettori dovrebbero evitare di trattare il dato del 58% sull’adozione come prova che la difesa attiva basata sull’IA abbia prodotto ritorni consolidati. Il sondaggio identifica un’associazione, non un risultato causale.

Anche il campione limita la generalizzazione. Le organizzazioni partecipanti soddisfacevano soglie di fatturato significative e il campione di monitoraggio statunitense si concentrava su aziende con almeno 1 miliardo di dollari di ricavi.

Le imprese più piccole dipendono spesso maggiormente da software preconfezionato e fornitori gestiti. Potrebbero avere minore influenza sulla selezione dei modelli, sui metodi di valutazione o sulla telemetria degli incidenti.

Anche le categorie del rapporto sono ampie. “Difesa informatica assistita dall’IA” può descrivere sistemi con autonomia, accuratezza e impatto operativo molto diversi.

Un intervistato potrebbe usare un modello per riassumere i casi. Un altro potrebbe consentire il contenimento automatizzato. Inserire entrambi nella stessa categoria può nascondere differenze significative.

Il rapporto afferma inoltre che l’89% delle organizzazioni rileva un valore misurabile dall’IA, mentre solo il 12% confronta con coerenza tale valore con il costo nell’intera impresa. Questo divario dovrebbe moderare affermazioni sicure sui ritorni.

Il valore dichiarato può includere produttività, risparmi sui costi, crescita dei ricavi o decisioni migliori. Non significa necessariamente che un programma abbia prodotto un ritorno finanziario completo.

La stessa cautela si applica ai risultati di cybersecurity. Un’analisi più rapida degli avvisi può far risparmiare tempo agli analisti senza ridurre l’impatto di un incidente. Un’azione automatizzata può abbreviare il contenimento aumentando al contempo le interruzioni altrove.

I consigli di amministrazione dovrebbero quindi richiedere misure di risultato legate a casi d’uso specifici. Indicatori utili includono tempo di indagine, qualità delle rilevazioni confermate, annullamenti delle azioni, incidenti mancati e ripristino del servizio.

Dovrebbero inoltre esaminare se le prestazioni differiscano tra team e ambienti. Un modello che riesce in un carico di lavoro cloud ben strumentato potrebbe incontrare difficoltà con infrastrutture legacy.

Il comportamento dei dipendenti è un’altra incertezza. KPMG ha rilevato un’adozione significativa di agenti nel 34% delle organizzazioni. L’adozione non rivela se i dipendenti abbiano usato agenti approvati, seguito le regole sui dati o compreso gli output automatizzati.

L’IA ombra può espandersi anche mentre la governance formale migliora. I dipendenti potrebbero usare strumenti esterni perché i sistemi approvati sono lenti, limitati o difficili da accedere.

La cadenza trimestrale del sondaggio offre un orientamento piuttosto che la prova di un cambiamento improvviso. KPMG avverte esplicitamente che i movimenti da un trimestre all’altro dovrebbero essere interpretati come tendenze, non come passaggi drastici.

Questo rende il rapporto prezioso come segnale di gestione. Mostra dove le organizzazioni più esperte stanno concentrando l’attenzione. Non dovrebbe essere presentato come un benchmark di efficacia della sicurezza.

Tre segnali mostreranno se la difesa attiva basata sull’IA produce risultati

Il prossimo banco di prova sarà verificare se le aziende riescono a trasformare la fiducia dichiarata in risultati di sicurezza misurabili, senza nascondere nuovi fallimenti dietro l’automazione.

Il primo segnale è l’evidenza operativa. Le imprese dovrebbero iniziare a comunicare se l’IA modifica la qualità del rilevamento, la velocità di indagine, il tempo di contenimento o l’impatto degli incidenti.

Queste misure rafforzeranno l’argomentazione di KPMG sulla maturità se gli utenti attivi mostreranno risultati migliori dopo aver considerato dimensioni aziendali e spesa per la sicurezza. Annullamenti frequenti o incidenti mancati la indebolirebbero.

Il secondo segnale è una più ampia implementazione di livelli di gestione completi. I controlli di sicurezza e identità guidano oggi, mentre test, auditabilità, revisione umana e instradamento restano meno comuni.

Il progresso richiede più dell’aumento del tasso complessivo di adozione del 55%. Le organizzazioni necessitano di controlli complementari che coprano selezione dei modelli, autorizzazioni, output, azioni e ripristino.

Il terzo segnale è la responsabilità sotto pressione. Un dirigente nominato conta soprattutto quando un modello si comporta in modo errato, un fornitore cambia o un agente espone dati sensibili.

I rapporti sugli incidenti dovrebbero mostrare se le organizzazioni possono ricostruire il percorso decisionale. Dovrebbero identificare il modello, il contesto, le autorizzazioni, le approvazioni e i controlli coinvolti.

Le linee guida normative e gli standard di settore modelleranno queste divulgazioni. Anche i fornitori subiranno pressioni per spiegare come i loro agenti utilizzano l’identità, conservano i log e supportano i test dei clienti.

Per gli acquirenti aziendali, il compito immediato è separare le dichiarazioni sulle capacità dalle evidenze operative. Chiedete dove l’IA può agire, quali decisioni richiedono approvazione e con quale rapidità un’azione può essere annullata.

I responsabili della sicurezza dovrebbero inoltre confrontare le distribuzioni di solo monitoraggio con le difese attive. L’obiettivo non è la massima autonomia. È il giusto livello di autorità per ciascuna attività, supportato da test e da una chiara titolarità.

I knowledge worker hanno un ruolo in questo processo. Dovrebbero comprendere quali agenti possono accedere ai loro documenti, messaggi e applicazioni. Dovrebbero sapere come contestare una raccomandazione non sicura.

Il sondaggio KPMG sulla cybersecurity dell'AI suggerisce che l’esperienza cambia il modo di parlare di sicurezza. Gli utilizzatori più maturi non considerano il rischio un motivo per ritirarsi. Lo considerano un motivo per costruire sistemi operativi più solidi.

Questa conclusione resta provvisoria finché non saranno disponibili dati migliori sui risultati. Nei prossimi trimestri, occorrerà osservare miglioramenti nel rilevamento misurati in modo indipendente, livelli di controllo più completi e revisioni trasparenti degli incidenti.

Le organizzazioni dovrebbero iniziare da una domanda concreta: quale sistema di AI può compiere un’azione oggi, e l’azienda è in grado di spiegare tale azione in seguito? Se la risposta non è chiara, la fiducia ha proceduto più rapidamente del controllo.