Netskope Manufacturing AI Report: la cifra dell'83% misura le violazioni delle policy
Netskope ha pubblicato il suo report sull'AI nel settore manifatturiero il 10 novembre, rilevando che le violazioni delle policy sui dati a monte rappresentavano l'83% delle violazioni osservate legate all'AI. Il dato riguarda le informazioni che entrano nei sistemi AI, non un conteggio verificato di incidenti di sicurezza o violazioni riuscite. Il report Netskope sull'AI nel settore manifatturiero solleva una domanda più circoscritta e utile: approvare un'applicazione AI controlla davvero le informazioni che i dipendenti vi inviano?
La distinzione cambia la risposta gestionale. Un avviso di policy richiede un'indagine su dati, autorizzazioni e applicazione delle regole. Una violazione confermata richiede prove di divulgazione o accesso non autorizzati. Trattare queste categorie come intercambiabili può distorcere sia la valutazione della minaccia sia l'apparente efficacia delle difese esistenti.
La tensione centrale è tra applicazioni approvate e flussi di dati approvati. Le linee guida sulla sicurezza di Microsoft offrono un riferimento utile: proteggere un workflow AI richiede controlli sulle informazioni e sulle azioni, oltre alla selezione di un'applicazione affidabile. Per gli acquirenti del settore manifatturiero, la domanda è se un assistente approvato operi entro confini coerenti con l'attività da svolgere.
Cosa misura realmente il Netskope Manufacturing AI Report
Il dato dell'83% descrive la composizione delle violazioni osservate, non la percentuale di produttori che subiscono violazioni AI.
Le sottostanti rilevazioni sull'AI nel settore manifatturiero provengono dalla telemetria anonimizzata della piattaforma Netskope, relativa a un sottoinsieme di clienti manifatturieri. Il periodo di osservazione è andato dal 1° giugno 2025 al 31 agosto 2026. La metodologia pubblica non comunica un numero esatto di clienti.
Si tratta quindi di un dataset osservazionale di un fornitore, non di un censimento di settore né di un sondaggio tra dipendenti. Il suo valore consiste nel mostrare attività visibili attraverso i controlli implementati. Non può stabilire la prevalenza di ogni rischio AI presso tutti i produttori.
Una violazione a monte riguarda dati che entrano in un workflow AI. Una violazione a valle riguarda informazioni che escono da quel workflow attraverso materiale generato o utilizzi successivi. Nessuna delle due etichette, da sola, stabilisce se qualcuno abbia effettivamente sottratto informazioni.
Si consideri un dipendente, a titolo illustrativo, che tenta di caricare un documento riservato di un fornitore. Un controllo di sicurezza rileva il documento e blocca il trasferimento. L'avviso risultante prova che qualcuno ha tentato un'azione vietata, indicando al contempo che il controllo è intervenuto.
Si confronti questo caso con un caricamento che procede e riceve in seguito un avviso. Gli investigatori devono determinare cosa abbia oltrepassato il confine, quale account lo abbia ricevuto e cosa abbia conservato la destinazione. Etichette di policy simili possono celare esiti sostanzialmente diversi.
Questa distinzione conta quando i dirigenti chiedono se l'aumento degli avvisi indichi un peggioramento della sicurezza. Più avvisi possono riflettere attività più rischiose, monitoraggio più ampio, regole più severe o rilevamenti migliori. Un totale di avvisi non può risolvere queste possibilità senza evidenze operative di supporto.
La stessa cautela vale per un conteggio in calo. Meno avvisi potrebbero indicare comportamenti più sicuri. Potrebbero anche derivare da ispezioni meno efficaci, regole disabilitate o uno spostamento verso canali che il monitoraggio non copre.
Per un responsabile della sicurezza nel settore manifatturiero, il seguito utile è quindi operativo. Quali trasferimenti sono stati prevenuti, quali sono stati consentiti e quali rimangono irrisolti? Queste categorie rivelano più sulla protezione di una percentuale da titolo a effetto.
Anche la data di pubblicazione del report differisce dalla sua finestra di misurazione. I lettori di novembre stanno vedendo un'analisi di attività conclusasi ad agosto. Questo tempismo conta quando si confrontano i risultati con l'implementazione attuale di un'azienda o con controlli introdotti di recente.
L'interpretazione appropriata è quella di un segnale di esposizione. Il dataset richiama l'attenzione sul punto di ingresso in cui le informazioni aziendali incontrano l'elaborazione AI. Non offre una scorciatoia per stimare perdite confermate, stabilimenti compromessi o la probabilità di interruzioni della produzione.
L'AI approvata lascia ai team di sicurezza una decisione sui dati
L'approvazione dell'applicazione stabilisce chi fornisce lo strumento; non stabilisce quali record aziendali debbano rientrare in ciascuna attività.
Netskope riporta che l'uso di AI gestito dall'organizzazione è salito dal 35% al 70%, mentre l'uso di account personali è sceso dal 75% al 55%. Queste cifre descrivono modelli d'uso sovrapposti, non gruppi mutuamente esclusivi. Suggeriscono una migrazione verso una supervisione organizzativa, senza dimostrare che l'uso personale sia scomparso.
Per la governance dell'AI manifatturiera, questo crea un problema pratico di responsabilità. Il procurement può approvare un fornitore. I team tecnologici possono implementare un'applicazione. Qualcuno deve comunque avere l'autorità di decidere quali documenti, identificatori e processi aziendali debbano essere inclusi nell'implementazione.
Un assistente per il procurement, a titolo illustrativo, mostra il divario. Riassumere una brochure pubblica di un fornitore comporta una decisione informativa diversa dal riassumere una cronologia riservata di negoziazioni. Entrambe le richieste possono avvenire nella stessa interfaccia approvata.
Una allowlist ampia di applicazioni tratta queste richieste in modo simile, salvo che un altro controllo non ne distingua i contenuti. Un'implementazione difendibile richiede regole che colleghino destinazione, account, categoria di informazioni e finalità. L'approvazione deve reggere al contatto con il lavoro reale.
Questo esercita pressione contemporaneamente su più gruppi. I team di sicurezza necessitano di confini applicabili. I responsabili aziendali necessitano di workflow utilizzabili. I team legali e privacy necessitano di termini di trattamento che corrispondano alle informazioni effettivamente inviate dai dipendenti.
La sfida immediata è il coordinamento, più che scegliere quale gruppo debba possedere ogni decisione. Il proprietario di un documento comprende la sensibilità aziendale. Un amministratore dell'applicazione comprende la configurazione. Il personale di sicurezza comprende rilevamento e risposta. Decisioni efficaci richiedono che queste prospettive si incontrino.
Un account approvato necessita inoltre di un chiaro confine d'identità. I dipendenti dovrebbero capire se stanno operando in uno spazio di lavoro organizzativo o in una sessione personale. Un logo di prodotto riconoscibile non risponde a questa domanda.
La questione operativa va oltre i caricamenti intenzionali. Un workflow potrebbe raccogliere informazioni attraverso un documento allegato, un repository connesso o materiale assemblato automaticamente per una richiesta. Ogni percorso merita una decisione esplicita su accesso e destinazione.
Per questo la formazione che dice “usa l'AI approvata” può lasciare i dipendenti incerti. L'istruzione identifica un'applicazione ma lascia irrisolto il giudizio sulle informazioni. I lavoratori hanno comunque bisogno di indicazioni concrete legate alle loro responsabilità.
Per esempio, un'azienda potrebbe distinguere la documentazione pubblica approvata dalla corrispondenza riservata con i clienti. Le categorie esatte dipendono dall'azienda. Il principio guida è che i dipendenti non dovrebbero dover interpretare una policy di sicurezza astratta durante ogni attività di routine.
Il report Netskope sull'AI nel settore manifatturiero esercita quindi pressione sulla definizione di successo dell'implementazione. Assegnare account è una pietra miliare dell'adozione. Dimostrare che tali account gestiscono solo informazioni appropriate è una pietra miliare separata della sicurezza.
Per gli acquirenti enterprise, l'implicazione commerciale ne deriva direttamente. Una proposta di implementazione dovrebbe spiegare chi possiede le decisioni sui dati, come funzionano le eccezioni e quali evidenze gli amministratori possono ispezionare. Un elenco di funzionalità non può rispondere a queste domande.
Il confine attraversa documenti, autorizzazioni e output
Il punto di controllo più importante è il confine informativo all'interno del workflow, ovunque tale confine si trovi.
Le rilevazioni di Netskope sulla sicurezza dei dati AI invitano a cambiare i criteri di valutazione. Invece di chiedersi soltanto se un assistente sia approvato, gli acquirenti dovrebbero esaminare l'intero percorso di un'attività rappresentativa. Tale percorso inizia prima che il modello generi una risposta.
Un analista della qualità, a titolo illustrativo, potrebbe chiedere a un assistente di riassumere un reclamo di un fornitore. Il pacchetto sorgente potrebbe contenere nomi di clienti, dettagli contrattuali, commenti interni e specifiche tecniche. Solo una parte di tali informazioni potrebbe essere necessaria per il riepilogo.
La decisione di sicurezza riguarda la necessità oltre che la sensibilità. Se l'attività richiede una descrizione del difetto, non necessita automaticamente dell'intera cronologia della corrispondenza con il cliente. Ridurre il contesto non necessario può ridurre l'esposizione senza impedire il lavoro sottostante.
Le linee guida OWASP sulla divulgazione di informazioni sensibili identificano tra i rischi rilevanti le informazioni aziendali riservate e le credenziali. Sottolineano le restrizioni di accesso e avvertono che le restrizioni basate sui prompt possono essere aggirate.
Queste linee guida forniscono un test utile per le dichiarazioni commerciali. Un fornitore che afferma che il proprio assistente segue le istruzioni sta descrivendo il comportamento del modello. Un sistema che impedisce l'accesso a un documento non autorizzato applica un confine separato.
Questi meccanismi dovrebbero completarsi a vicenda. Le istruzioni possono modellare una risposta, mentre i controlli di accesso determinano quale materiale diventa disponibile. Non si dovrebbe presumere che nessuna delle due funzioni sostituisca l'altra.
Microsoft offre un confronto attraverso la sua discussione della prompt injection indiretta. Questo attacco inserisce istruzioni dannose nel contenuto elaborato da un assistente, come un documento o una pagina web.
Microsoft descrive difese a più livelli, tra cui la separazione dei contenuti non attendibili dalle istruzioni e il rilevamento di input sospetti. Il suo approccio illustra un argomento di sicurezza più ampio: un assistente capace necessita comunque di protezione dal materiale che legge.
Ciò non dimostra che Microsoft, Netskope o un altro fornitore abbia risolto ogni problema pertinente. Mostra diversi livelli di controllo che affrontano diverse modalità di fallimento. L'ispezione dei dati e il rilevamento di istruzioni dannose rispondono a domande correlate, con requisiti di evidenza distinti.
La distinzione diventa concreta quando un assistente legge un documento esterno di un fornitore. L'organizzazione deve decidere se il documento contenga informazioni che l'assistente può elaborare. Deve inoltre impedire che il testo incorporato diventi un'autorità per eseguire azioni non correlate.
L'output crea un altro confine. Un riepilogo potrebbe contenere informazioni appropriate per un'indagine interna ma inappropriate per una risposta a un fornitore esterno. Il fatto che l'assistente abbia letto legittimamente un documento non autorizza ogni divulgazione successiva.
La governance dell'AI manifatturiera necessita quindi di una visione delle autorizzazioni a livello di attività. Leggere, riassumere, condividere e agire rappresentano decisioni diverse. Un'implementazione diventa più facile da valutare quando l'organizzazione può spiegare ciascuna decisione in modo indipendente.
Per i knowledge worker, la stessa distinzione si applica a una base di conoscenza AI. Rendere le informazioni ricercabili e decidere chi possa utilizzarle sono questioni di progettazione collegate. Un recupero migliore non elimina la necessità di definire un pubblico.
Le connessioni degli agent rendono il confine più difficile da vedere
Un assistente in grado di recuperare informazioni e invocare strumenti richiede controlli oltre la finestra di conversazione.
Netskope segnala una crescita del 490% nelle entità non umane che si collegano a server MCP remoti, insieme a una crescita del 600% negli eventi correlati. Si tratta di misure di utilizzo, non di crescita degli attacchi. Non dimostrano che le connessioni aggiuntive fossero dannose.
Model Context Protocol, o MCP, è uno standard per collegare applicazioni di AI a strumenti e fonti di dati. La sua rilevanza in questo caso riguarda il percorso tra una richiesta e i sistemi impiegati per soddisfarla.
In una semplice interazione in chat, un dipendente seleziona il materiale e lo invia. In un flusso di lavoro connesso, un assistente può recuperare ulteriore contesto tramite strumenti configurati. La richiesta visibile del dipendente può descrivere solo una parte del flusso informativo finale.
Si consideri un assistente per la manutenzione, a titolo illustrativo, a cui viene chiesto di spiegare un guasto ricorrente di un'apparecchiatura. Potrebbe recuperare manuali approvati e precedenti registri di assistenza. Un'implementazione più ampiamente connessa potrebbe accedere anche ai registri degli acquisti o a servizi di assistenza esterni.
Il valore aziendale dipende da queste connessioni. Lo stesso vale per il problema delle autorizzazioni. Un assistente non dovrebbe ricevere un accesso esteso solo perché una richiesta futura potrebbe trarre vantaggio da un contesto aggiuntivo.
Le pratiche di sicurezza MCP del protocollo affrontano rischi di implementazione, inclusi errori di autorizzazione, dirottamento delle sessioni e gestione non sicura dei token di accesso. I token sono credenziali che consentono al software di accedere a servizi protetti.
Questi aspetti di implementazione differiscono dall'accuratezza di una risposta generata. Una risposta può essere tecnicamente corretta pur basandosi su autorizzazioni eccessive. Un assistente utile può comunque esporre un'organizzazione tramite una connessione controllata in modo inadeguato.
Per gli acquirenti, questo cambia il significato di una dimostrazione di integrazione. Mostrare che un assistente può recuperare un record dimostra la connettività. Non dimostra che l'accesso resti appropriato per utenti, attività e categorie di documenti differenti.
Una dimostrazione più informativa mostrerebbe il successo di una richiesta legittima e il fallimento di una richiesta non autorizzata. Identificherebbe inoltre l'account utilizzato, le autorizzazioni applicate e le evidenze lasciate per la revisione.
La titolarità del servizio conta altrettanto. Un connettore privo di un responsabile designato può rimanere attivo dopo che il suo scopo aziendale originario è cambiato. L'organizzazione ha bisogno di comprendere perché l'accesso esiste e chi può revocarlo.
La revoca è particolarmente rilevante quando termina un rapporto con un fornitore o un dipendente cambia responsabilità. Un modello di autorizzazioni dovrebbe consentire di rimuovere l'accesso senza dipendere dalla capacità dell'assistente di ricordare un'istruzione scritta.
La più ampia questione di governance dell'AI nel settore manifatturiero riguarda la visibilità sul lavoro delegato. Quando il software agisce per conto di una persona, la responsabilità non può fermarsi al prompt iniziale della persona. Deve estendersi ai sistemi che eseguono la richiesta.
Le cifre di crescita giustificano l'attenzione verso questa categoria, pur lasciando incerta la sua scala assoluta. Sostengono la necessità di porre domande migliori sui flussi di lavoro connessi. Non giustificano la dichiarazione di un equivalente aumento degli attacchi riusciti.
Cosa il dataset non può stabilire
Un utile segnale di rischio diventa fuorviante quando i lettori trasformano gli avvisi osservati in affermazioni su danni confermati.
Il report di Netskope sull'AI nel settore manifatturiero fornisce evidenze sull'attività nel proprio ambiente osservato. Non stabilisce un nesso causale tra ciascun evento di policy e un'eventuale perdita di sicurezza. Questa lacuna dovrebbe restare visibile in ogni interpretazione.
L'assenza di un numero dichiarato di clienti limita i giudizi sulla rappresentatività. Dai soli dati principali, i lettori non possono ricostruire la distribuzione del campione per dimensione dell'organizzazione, area geografica o maturità della sicurezza.
Un dataset basato su una piattaforma riflette anche la visibilità della piattaforma stessa. L'attività al di fuori dei percorsi monitorati può ricevere un trattamento diverso o rimanere invisibile. Si tratta di un limite dell'approccio di misurazione, non della prova che una categoria non osservata sia necessariamente più ampia.
Le policy introducono un'ulteriore fonte di variazione. Un'azienda con regole rigorose potrebbe generare avvisi per trasferimenti che un'altra azienda consente. Confrontare i loro totali senza confrontare le rispettive regole rischia di confondere le scelte di applicazione con l'esposizione sottostante.
Anche la gravità degli avvisi è importante. Un trasferimento vietato che coinvolge un record cliente soggetto a restrizioni richiede un'indagine diversa da una corrispondenza di classificazione a bassa confidenza. Una percentuale di categoria non può sostituire l'esame di tali casi.
Anche il successo della prevenzione complica l'interpretazione. Se un sistema blocca un caricamento inappropriato, l'evento risultante può indicare sia un comportamento rischioso sia una protezione funzionante. Definire ogni evento di questo tipo una violazione elimina questa distinzione.
L'errore opposto sarebbe liquidare tutti gli avvisi come innocui perché alcuni sono stati bloccati. Tentativi ripetuti possono rivelare una policy poco chiara, un flusso di lavoro progettato male o una pressione persistente a utilizzare una destinazione inadeguata. La prevenzione non elimina il problema aziendale sottostante.
Netskope vende anche prodotti di sicurezza pertinenti ai rischi che descrive. Questo contesto commerciale non invalida le sue osservazioni. Significa però che gli acquirenti dovrebbero separare le evidenze su un problema dalle affermazioni su un rimedio specifico.
Le linee guida indipendenti aiutano a mantenere questa separazione. Il profilo per l'AI generativa del NIST colloca le considerazioni sul rischio nella progettazione, nello sviluppo, nell'uso e nella valutazione dei sistemi di AI. Questo quadro va oltre l'acquisto di un singolo prodotto.
La risposta appropriata consiste nel testare i controlli rispetto alle attività e alle informazioni della singola azienda. Una valutazione pertinente dovrebbe includere attività consentite, attività vietate, contenuti ambigui ed eccezioni operative. Altrimenti, una dimostrazione ben rifinita può celare confini irrisolti.
Nessuna conclusione sui fermi di produzione deriva automaticamente dalla percentuale a monte. Per stabilire conseguenze operative servirebbero evidenze che colleghino un evento specifico ai sistemi interessati e all'impatto aziendale. La statistica centrale del report non fornisce questa catena.
L'interpretazione più solida resta circoscritta: i dati che entrano nei flussi di lavoro AI meritano attenzione. Quella più debole trasforma un dataset di osservazioni sulle policy in un conteggio di incidenti esteso all'intero settore. Gli acquirenti traggono maggior beneficio dal preservare l'affermazione più circoscritta.
Cosa gli acquirenti dovrebbero osservare fino all'inizio del 2027
Le prossime evidenze utili mostreranno se le organizzazioni possono ampliare l'uso dell'AI rendendo al tempo stesso più responsabile l'accesso ai dati.
Il primo segnale è una migliore rendicontazione degli esiti dell'applicazione delle policy. Gli acquirenti dovrebbero cercare distinzioni tra trasferimenti bloccati, trasferimenti consentiti, casi investigati e divulgazioni confermate. Queste categorie collegano l'attività di monitoraggio a decisioni e conseguenze.
Evidenze di trasferimenti prevenuti, accompagnate da una risoluzione documentata, rafforzerebbero l'argomentazione a favore di controlli efficaci. Un dashboard di avvisi più ampio senza informazioni sugli esiti lascerebbe la questione irrisolta. Lo sviluppo utile è una rendicontazione più chiara, non una direzione preferita per il conteggio grezzo.
Le organizzazioni possono richiedere una chiarezza analoga nei report interni. Un riepilogo per i dirigenti dovrebbe identificare ciò che il sistema di monitoraggio ha osservato e ciò che gli investigatori hanno successivamente accertato. Combinare queste fasi in un unico numero di incidenti rende l'organizzazione più difficile da valutare.
Il secondo segnale riguarda la capacità delle implementazioni gestite di ridurre il movimento inappropriato tra tipi di account. Gli acquirenti dovrebbero cercare evidenze che i flussi di lavoro approvati soddisfino le esigenze dei dipendenti mantenendo al contempo i confini richiesti.
Questo non significa che ogni interazione con un account personale rappresenti una violazione. La domanda importante è se informazioni aziendali soggette a restrizioni raggiungano una destinazione inappropriata. Il contesto dell'account conta perché la stessa applicazione può supportare accordi contrattuali e amministrativi diversi.
Un'implementazione che offre un percorso utilizzabile e autorizzato rafforzerebbe l'argomentazione secondo cui la governance può sostenere l'adozione. Soluzioni alternative persistenti indebolirebbero l'affermazione che l'assegnazione di account aziendali abbia risolto il problema.
Il terzo segnale è una maggiore responsabilità per agenti e strumenti connessi. Gli acquirenti dovrebbero cercare responsabili designati, autorizzazioni limitate, attività verificabili e revoca pratica. Gli annunci di prodotto diventano più significativi quando queste capacità compaiono in implementazioni operative.
Un inventario dei connettori, da solo, fornirebbe una risposta incompleta. L'organizzazione deve anche sapere quali attività giustificano l'accesso e se le autorizzazioni restano appropriate. Evidenze che l'accesso cambi insieme alle responsabilità rafforzerebbero il caso a favore della governance.
Al contrario, autorizzazioni estese e permanenti lascerebbero intatto il problema centrale. Un assistente potrebbe diventare più utile mentre l'organizzazione perde chiarezza sulla propria portata. L'adozione e il controllo dovrebbero pertanto apparire come misure separate nelle revisioni delle implementazioni.
Per gli sviluppatori, questi segnali rendono l'autorizzazione e i registri degli eventi parte della qualità del prodotto. Per i leader aziendali, rendono la progettazione dei flussi di lavoro parte della supervisione della sicurezza. Per i dipendenti, dovrebbero tradursi in decisioni più chiare sull'uso quotidiano delle informazioni.
Le osservazioni di Netskope sulla sicurezza dei dati AI sono più utili quando portano a tali risultati verificabili. Sono meno utili come titolo che comprime tentativi, avvisi, prevenzione e danni confermati in un'unica categoria allarmante.
Prima di ampliare l'accesso di un assistente, portate un'attività aziendale rappresentativa alla revisione dell'implementazione. Identificate le informazioni di cui ha bisogno, la destinazione che utilizza e l'azione che dovrebbe eseguire. Chiedete al responsabile del sistema di dimostrare il percorso consentito e di spiegare dove si interrompe una richiesta inappropriata. Quindi esaminate i registri che supportano tale spiegazione. Il report di Netskope sull'AI nel settore manifatturiero offre agli acquirenti un motivo per richiedere queste evidenze, anziché considerare l'approvazione dell'applicazione come la fine della governance. La decisione rilevante è se un'organizzazione possa spiegare e controllare il movimento delle proprie informazioni. Usate questo standard nella valutazione della prossima implementazione di AI.



