Il rischio della Shadow AI è concentrato tra gli utenti esperti nelle aziende

Google News ha portato alla luce un netto avvertimento di Akamai: il 5% degli utenti aziendali genera 12 volte più conversazioni con l'AI rispetto alla metà inferiore dei dipendenti. Questi lavoratori non si limitano a porre domande occasionali. Integrano l'AI in flussi di lavoro ricorrenti, condividono il contesto professionale, caricano file e talvolta distribuiscono agenti con accesso ai sistemi aziendali.

La scoperta mette in discussione la risposta standard alla shadow AI, ovvero l'uso dell'AI sul posto di lavoro al di fuori dei controlli approvati dal datore di lavoro. Molte aziende continuano a pubblicare un'unica policy per tutti, bloccano alcuni siti web facilmente riconoscibili e conteggiano le licenze delle piattaforme autorizzate. Questo approccio tratta l'esposizione come se fosse distribuita uniformemente, mentre la telemetria di Akamai indica che è fortemente concentrata.

Questo non è un argomento per ignorare l'uso occasionale. Quasi la metà delle conversazioni AI aziendali osservate ha utilizzato identità personali anziché account gestiti dall'azienda. Tuttavia, la combinazione di accesso personale, prompting intensivo e agenti connessi crea un rischio molto più rilevante rispetto a una richiesta isolata.

Il conflitto principale non è quindi tra dipendenti e team di sicurezza. È tra una governance ampia, a livello di applicazione, e controlli consapevoli dell'identità concentrati sul comportamento effettivo. Il primo approccio chiede se un servizio AI sia consentito. Il secondo chiede chi lo sta usando, con quale identità, con quali dati e con accesso a quali sistemi.

Questa distinzione conta perché i dipendenti che producono il maggior valore con l'AI possono anche creare la maggiore esposizione non gestita. Rallentarli indiscriminatamente sprecherebbe competenze e incoraggerebbe ulteriori aggiramenti. Lasciare invisibile la loro attività consentirebbe a flussi di lavoro sensibili di crescere oltre i normali confini di sicurezza.

Google News rivela un problema di Shadow AI più circoscritto

I dati di Akamai spostano il dibattito sulla shadow AI dall'adozione complessiva alla concentrazione di attività e accessi.

I risultati alla base provengono dall'Enterprise AI Usage Risk Report 2026 di Akamai, pubblicato il 5 agosto. Akamai ha basato il report sui dati di utilizzo di LayerX, l'azienda di sicurezza per browser aziendali acquisita. La ricerca esamina account personali, applicazioni AI, estensioni del browser, prompt sensibili e agenti autonomi.

Secondo il report sull'AI aziendale, l'utente aziendale medio ha generato più di 36 conversazioni AI. Questa media nasconde una distribuzione molto sbilanciata. La metà degli utenti ha registrato 12 conversazioni o meno, mentre il 5% superiore ne ha generate almeno 144.

Il divario non si limita al numero di conversazioni. Secondo Akamai, una tipica conversazione AI comprende circa cinque prompt. Le conversazioni degli utenti più intensivi arrivano ad almeno 18 prompt, mostrando una collaborazione continuativa anziché un singolo scambio simile a una ricerca.

Le conversazioni più lunghe creano maggiori opportunità affinché informazioni aziendali entrino in un sistema esterno. Un utente potrebbe iniziare con una richiesta innocua di una scaletta. I prompt successivi possono aggiungere dettagli sui clienti, vincoli interni, estratti di documenti, codice sorgente, ipotesi finanziarie o istruzioni copiate da comunicazioni private.

Quel contesto accumulato conta più di qualsiasi frase isolata. Il lavoro moderno con l'AI si sviluppa spesso attraverso frammenti. Un lavoratore aggiunge fatti in più prompt, carica file di supporto e chiede ripetutamente al modello di rivedere l'output. Ogni singola divulgazione può apparire modesta, mentre la conversazione completa ricostruisce un processo aziendale sensibile.

Akamai riferisce inoltre che il 47,11% delle conversazioni AI aziendali avviene tramite identità personali. Queste sessioni restano al di fuori dei controlli aziendali sull'identità, delle impostazioni di conservazione, dei sistemi di audit e delle protezioni sui dati negoziate. I team di sicurezza possono vedere che un browser ha raggiunto un servizio AI senza sapere se il dipendente abbia utilizzato un account gestito.

La divisione per identità varia nettamente a seconda della piattaforma. La telemetria di Akamai ha rilevato che Gemini Enterprise manteneva il 98,15% delle interazioni all'interno dei sistemi di identità aziendali. Microsoft Copilot for Microsoft 365 ne manteneva il 90,55% all'interno di tali sistemi.

L'accesso orientato ai consumatori ha mostrato lo schema opposto. Il report ha associato il 61,36% delle interazioni con ChatGPT, il 61,09% delle interazioni con Claude e il 63,92% delle interazioni con Microsoft Copilot Standard a identità personali. DeepSeek ha raggiunto il 99,8%.

Questi dati non dimostrano che ogni sessione personale abbia fatto trapelare dati riservati. Stabiliscono un divario di visibilità. Un datore di lavoro non può applicare con coerenza le regole aziendali su conservazione, accesso e trattamento dei dati quando il lavoro passa attraverso un'identità che non gestisce.

L'articolo apparso tramite Google News sottolinea anche una correlazione cruciale. Gli stessi utenti esperti che conducono conversazioni più approfondite hanno maggiori probabilità di caricare file, condividere informazioni aziendali e collegare l'AI a compiti operativi. Il rischio segue l'attività perché ogni interazione aggiuntiva crea un'altra possibilità di esposizione inappropriata.

Questa è una prospettiva più utile rispetto a considerare ogni dipendente come una fonte di pericolo equivalente. Un lavoratore che pone una domanda generica sulla scrittura non crea lo stesso rischio di un ingegnere che collega un agente a un repository di codice. Entrambi usano l'AI, ma accesso, dati e impatto potenziale differiscono drasticamente.

Il numero principale, il 5%, non dovrebbe diventare una soglia permanente. Ogni organizzazione avrà una distribuzione diversa. Il cambiamento importante è metodologico: i team di sicurezza devono misurare la concentrazione prima di decidere dove collocare controlli più rigorosi.

Gli utenti più rischiosi sono spesso i più produttivi

I dipendenti più inclini ad aggirare una policy AI generalizzata sono spesso le persone che hanno già trasformato l'AI in infrastruttura di lavoro.

Gli utenti esperti emergono di solito perché scoprono valore ripetibile prima che l'approvvigionamento formale riesca a tenere il passo. Possono usare l'AI per riassumere ricerche sui clienti, eseguire il debug del codice, redigere contratti, confrontare documenti tecnici, analizzare chiamate di vendita o preparare scenari finanziari. Il successo ripetuto incoraggia un'integrazione più profonda.

Questa progressione inizia spesso in modo innocuo. Un dipendente prova un chatbot pubblico con materiale non riservato. Poi crea prompt riutilizzabili, aggiunge file di riferimento, installa un'estensione del browser o collega il modello a un'altra applicazione. Un esperimento personale diventa gradualmente un flusso di lavoro di produzione non documentato.

Microsoft ha osservato questa pressione all'adozione anni prima del report Akamai. Il suo studio sull'AI sul posto di lavoro del 2024 ha rilevato che il 75% dei knowledge worker intervistati utilizzava l'AI al lavoro. Tra tali utenti, il 78% ha introdotto i propri strumenti AI anziché attendere un'opzione fornita dal datore di lavoro.

Quel precedente sondaggio misurava comportamenti auto-riferiti, mentre Akamai presenta telemetria di utilizzo osservata. Le fonti usano metodi e periodi diversi, quindi le loro cifre non dovrebbero essere combinate in un'unica affermazione statistica. Descrivono comunque la stessa tensione organizzativa: i lavoratori adottano strumenti pratici più velocemente di quanto le aziende possano valutarli e governarli.

I divieti generalizzati spesso non colgono questa motivazione. Una policy può dire ai dipendenti di non inserire informazioni sensibili in un modello non approvato. Non può rendere utile un'alternativa approvata, ridurre una lunga richiesta di accesso o spiegare quali informazioni siano sicure in uno specifico flusso di lavoro.

Quando lo strumento autorizzato non dispone delle funzionalità necessarie, un utente intensivo affronta un attrito immediato. Può interrompere il lavoro produttivo, inviare una richiesta di approvvigionamento o continuare tramite un account personale. Se l'approvazione richiede settimane, l'account personale diventa il percorso di minore resistenza.

Questo non giustifica un trattamento non autorizzato dei dati. Spiega perché la formazione generica produce risultati disomogenei. Una presentazione annuale sulla conformità compete con scadenze quotidiane, interfacce consumer familiari e il valore immediato di una catena di prompt funzionante.

I risultati di Akamai sulla shadow AI suggeriscono che la formazione dovrebbe seguire il comportamento osservato. Gli utenti occasionali hanno bisogno di confini chiari e opzioni approvate. Gli utenti esperti necessitano di indicazioni più dettagliate su classificazione dei dati, identità, estensioni, connettori, autorizzazioni degli agenti e segnalazione degli incidenti.

Hanno anche bisogno di un percorso più sicuro per la sperimentazione. Un'azienda può creare ambienti controllati in cui gli utenti avanzati testano nuovi modelli senza esporre dati di produzione. I team di sicurezza possono quindi osservare requisiti reali prima di scegliere quali servizi, integrazioni e flussi di lavoro approvare.

Questo approccio tratta gli utenti esperti della shadow AI come partner senza presumere che la competenza equivalga alla consapevolezza della sicurezza. Qualcuno può comprendere il comportamento dei modelli e tuttavia sottovalutare i rischi di conservazione, autorizzazione o trattamento da parte di terzi. La fiducia tecnica talvolta fa sembrare un flusso di lavoro non ufficiale più sicuro di quanto sia.

L'utente produttivo può anche diventare un proprietario nascosto del sistema. Se un team dipende da prompt archiviati in un account personale, l'azienda non ha una registrazione affidabile di tali istruzioni. Se il dipendente se ne va, cambia strumento o perde l'accesso, il flusso di lavoro può scomparire con lui.

Lo stesso vale per la conoscenza. I lavoratori forniscono spesso all'AI note, documenti, contesto delle riunioni e decisioni sparsi in spazi personali. Un sistema di conoscenza personale governato può ridurre questa frammentazione, ma solo quando le sue pratiche di accesso e gestione dei dati corrispondono ai requisiti dell'organizzazione.

I team di sicurezza affrontano quindi un compito delicato. Devono preservare l'esperienza che rende utile l'AI, spostando al contempo il flusso di lavoro circostante verso identità gestite, percorsi dati approvati e sistemi verificabili.

Punire gli utenti più attivi può spingerli ulteriormente nell'ombra. Ignorarli può trasformare la sperimentazione privata in infrastruttura non tracciata. La risposta migliore inizia individuandoli, comprendendo ciò che hanno costruito e separando le pratiche preziose dalle scelte di implementazione non sicure.

Le policy generiche vedono le applicazioni, non l'esposizione

Un elenco di applicazioni non può mostrare se un utente ha posto una domanda generica o ha dato a un agente autonomo accesso a un repository critico.

I programmi tradizionali di shadow IT di solito inventariano i servizi, classificano i fornitori e bloccano i domini vietati. Questo modello presuppone che ogni applicazione rappresenti un'unità di rischio relativamente stabile. L'AI generativa complica questa ipotesi perché la stessa interfaccia può supportare comportamenti radicalmente diversi.

Un dipendente potrebbe usare ChatGPT per riscrivere una descrizione di lavoro pubblica. Un altro potrebbe incollare specifiche di prodotto non ancora rilasciate nello stesso servizio. Un terzo potrebbe installare un'estensione di coding con accesso a file locali e credenziali di sviluppo.

Il dominio è identico, ma l'esposizione cambia in base a identità, contenuto, autorizzazioni e durata. Una semplice decisione di autorizzazione o blocco non può esprimere queste differenze.

L'analisi sulla sicurezza di Akamai identifica cinque aree connesse: espansione dell'uso dell'AI, account personali, esposizione dei dati, estensioni del browser o di sviluppo e agenti autonomi. La combinazione conta più di qualsiasi singola categoria.

Le estensioni del browser meritano un'attenzione particolare perché operano vicino all'attività dell'utente. A seconda delle loro autorizzazioni, le estensioni possono leggere il contenuto delle pagine, osservare l'input, interagire con applicazioni cloud o inviare informazioni a servizi esterni. I dipendenti possono installarle senza considerare l'azione come una distribuzione di software.

Le estensioni degli ambienti di sviluppo integrati presentano un problema simile per gli ingegneri. Un assistente di programmazione basato sull’AI potrebbe vedere file sorgente, materiale di configurazione, registri degli errori o segreti nelle vicinanze. Anche quando il servizio principale è approvato, una particolare estensione, tipologia di account o configurazione può rientrare al di fuori dei controlli aziendali.

Gli agenti alzano ulteriormente la posta in gioco. Un agente AI è un software che utilizza un modello per perseguire un obiettivo tramite strumenti con un intervento umano limitato. Può cercare file, chiamare API, modificare record o attivare altre applicazioni, a seconda delle autorizzazioni ricevute.

Un chatbot normalmente restituisce testo che una persona può valutare. Un agente può agire. Questo cambiamento trasforma output imprecisi, istruzioni manipolate o autorizzazioni eccessive in conseguenze operative.

Un dipendente che sperimenta con un agente potrebbe collegare un token personale, concedere un ampio accesso al repository o eseguire il sistema da un dispositivo non gestito. I team di sicurezza potrebbero non sapere che l’agente esiste, perché appare come una normale attività del browser, delle API o dello sviluppo locale.

Il rischio persiste anche oltre la conversazione originale. Un prompt può sparire dall’attenzione dopo la chiusura di una scheda del browser. Un agente può rimanere pianificato, conservare credenziali o continuare a operare tramite integrazioni.

Netskope ha identificato questa superficie in espansione nella sua ricerca sullo shadow AI del 2025. Ha rilevato che il 60% degli utenti aziendali osservati accedeva ancora ad applicazioni personali di AI generativa nel maggio 2025. L’azienda ha inoltre monitorato agenti personalizzati, piattaforme AI cloud e strumenti on-premises come forme emergenti di shadow AI.

Netskope ha riferito che l’organizzazione media nel suo dataset utilizzava sette applicazioni software-as-a-service di AI generativa, rispetto alle 5,6 di tre mesi prima. Stava inoltre monitorando oltre 1.550 applicazioni di AI generativa distinte. Questi numeri illustrano perché mantenere una blocklist completa diventa difficile.

Tuttavia, sostituire una blocklist con la sorveglianza di ogni prompt creerebbe problemi propri. La privacy dei dipendenti, le norme sul lavoro, la minimizzazione dei dati e la fiducia restano rilevanti. Una maggiore visibilità non equivale automaticamente a una governance migliore se la raccolta non ha una finalità chiara o garanzie adeguate.

L’obiettivo dovrebbe essere un controllo proporzionato. Le organizzazioni possono iniziare con metadati quali tipo di identità, categoria di applicazione, eventi di caricamento, autorizzazioni delle estensioni, connessioni agli strumenti e livelli di attività insoliti. Possono applicare un’ispezione più approfondita solo dove legge, policy e rischio lo giustificano.

Questo modello ricorda i principi consolidati dello zero trust. L’accesso dipende da identità, dispositivo, risorsa e contesto, anziché dalla sola posizione. La governance dell’AI dovrebbe valutare ogni interazione utilizzando una combinazione simile di segnali.

Un servizio AI gestito non rende ogni azione sicura. Un servizio non approvato non rende ogni azione ugualmente pericolosa. La domanda significativa è ciò a cui utente, modello e strumenti collegati possono accedere insieme.

Ecco perché una policy ampia manca il problema centrale della concentrazione. Governa il nome sull’applicazione, mentre l’esposizione effettiva si accumula attorno a identità e flussi di lavoro specifici.

Il controllo concentrato crea rischi propri

La governance mirata è più precisa della restrizione generalizzata, ma le organizzazioni non dovrebbero scambiare il volume di utilizzo per una prova di cattiva condotta.

Le conclusioni di Akamai sostengono una maggiore attenzione agli utenti avanzati. Non dimostrano che il 5% superiore abbia causato la maggior parte degli incidenti confermati, divulgato i record più sensibili o agito in modo irresponsabile. Un’attività elevata è un indicatore di rischio, non un verdetto sull’incidente.

Questa limitazione è importante. La telemetria descrive conversazioni, identità e modelli di utilizzo. Non può rivelare l’intera finalità aziendale dietro ogni interazione. Un analista della sicurezza che testa i controlli AI può assomigliare a un utente non sicuro quando viene misurato solo in base al volume di conversazioni.

Le organizzazioni dovrebbero quindi evitare di trasformare la cifra del 5% in una categoria di applicazione automatica. L’attività intensa dovrebbe attivare una revisione contestuale. Non dovrebbe giustificare la sospensione immediata dell’account, il monitoraggio invasivo o azioni disciplinari senza ulteriori prove.

Il dataset riflette inoltre la visibilità di Akamai e LayerX. Non dovrebbe essere trattato come un censimento universale di ogni settore, area geografica, dispositivo e implementazione AI. Le aziende hanno bisogno della propria baseline prima di assegnare soglie o stimare l’esposizione.

Una seconda preoccupazione riguarda la falsa fiducia negli account aziendali. L’identità gestita migliora audit, controllo degli accessi e protezione contrattuale. Non impedisce a un dipendente di inserire informazioni riservate, accettare una risposta allucinata o concedere autorizzazioni eccessive a un’applicazione collegata.

Le versioni aziendali di Gemini, Copilot, ChatGPT o Claude possono ridurre alcuni rischi tramite controlli amministrativi. Non possono sostituire la classificazione dei dati, la progettazione delle autorizzazioni, la revisione dei flussi di lavoro o il giudizio umano.

Una terza preoccupazione è la fiducia organizzativa. I dipendenti che ritengono che ogni interazione con l’AI verrà letta dalla direzione potrebbero nascondere l’utilizzo, passare a dispositivi personali o evitare gli strumenti approvati. Questa risposta riduce la visibilità che un programma mirato dovrebbe creare.

Le aziende hanno bisogno di regole di monitoraggio trasparenti. Gli utenti dovrebbero comprendere quali segnali vengono raccolti, perché sono importanti, chi può esaminarli e per quanto tempo rimangono disponibili. I team di sicurezza dovrebbero separare, ove possibile, il rilevamento dei rischi dal monitoraggio delle prestazioni.

Il profilo AI del NIST offre un utile contrappeso a un’applicazione restrittiva. Organizza il lavoro sul rischio tra governance, mappatura, misurazione e gestione. Questo approccio basato sul ciclo di vita tratta i controlli come un sistema continuo, anziché come una singola policy per i dipendenti.

La governance definisce proprietà, utilizzo accettabile, percorsi di segnalazione e responsabilità. La mappatura identifica il contesto aziendale, le persone coinvolte, i dati e le dipendenze. La misurazione verifica se rischi e controlli possono essere osservati. La gestione assegna priorità alle risposte in base all’impatto e alla tolleranza.

Applicata agli utenti avanzati dello shadow AI, questa sequenza evita un passaggio prematuro dal rilevamento alla punizione. Un’azienda prima identifica i flussi di lavoro intensivi, ne mappa lo scopo aziendale e l’accesso ai dati, misura l’esposizione concreta e poi sceglie un controllo proporzionato.

La risposta potrebbe prevedere la migrazione di un account personale a uno gestito. Potrebbe rimuovere un’autorizzazione eccessiva di un’estensione, sostituire una chiave API personale, limitare gli strumenti di un agente o approvare un migliore servizio aziendale.

Alcuni flussi di lavoro dovrebbero interrompersi completamente. Un agente non revisionato che modifica record finanziari o elabora dati sanitari regolamentati presenta un livello di esposizione diverso rispetto a un assistente di redazione che utilizza materiale pubblico. L’analisi della concentrazione aiuta a individuare questa differenza, ma la revisione umana ne determina comunque il significato.

La governance mirata deve anche tenere conto degli utenti privilegiati. Ingegneri, amministratori, ricercatori, dirigenti, team legali e personale finanziario gestiscono spesso informazioni più rilevanti rispetto ai loro colleghi. Il volume delle conversazioni e la sensibilità degli accessi dovrebbero essere valutati insieme.

Un utente con 150 conversazioni a basso rischio sul linguaggio di marketing pubblico potrebbe presentare un’esposizione minore rispetto a qualcuno che ha caricato un unico documento riservato su un’acquisizione. Il volume è utile perché identifica comportamenti radicati. Il contesto dei contenuti e delle autorizzazioni determina l’impatto potenziale.

La conclusione scettica è semplice: la telemetria sullo shadow AI di Akamai migliora la definizione delle priorità, ma non fornisce un punteggio di rischio completo. Le organizzazioni hanno ancora bisogno di prove locali, regole trasparenti e una revisione attenta.

Cosa dovrebbero monitorare i team di sicurezza

La prossima fase della governance dello shadow AI sarà misurata dall’adozione di identità gestite, dalle autorizzazioni degli agenti e da riduzioni convalidate dell’esposizione a dati sensibili.

Il primo segnale è la quota di attività AI legate al lavoro che passa da identità personali ad account gestiti dall’azienda. Questo è più significativo che contare le licenze acquistate. Un’azienda può possedere migliaia di postazioni enterprise mentre i dipendenti continuano a utilizzare account personali familiari.

I responsabili della sicurezza dovrebbero misurare la migrazione degli account per team e livello di attività. I progressi tra gli utenti occasionali sono utili, ma conta soprattutto il movimento tra gli utenti più intensivi. Una quota in calo di account personali all’interno di quel gruppo sosterrebbe la tesi di concentrazione di Akamai e mostrerebbe che l’intervento mirato funziona.

La metrica richiede un’interpretazione attenta. Un accesso gestito non dimostra un comportamento sicuro. Fornisce però una base più solida per il controllo degli accessi, le impostazioni di conservazione, l’auditabilità e la risposta agli incidenti.

Il secondo segnale è la crescita di agenti ed estensioni con accesso ai sistemi aziendali. Le organizzazioni dovrebbero inventariare ciò che questi strumenti possono leggere, modificare e trasmettere. Dovrebbero inoltre identificare quali identità hanno fornito le credenziali.

Le autorizzazioni contano più del numero di agenti. Dieci agenti limitati a informazioni pubbliche possono creare un’esposizione inferiore rispetto a un sistema con accesso in scrittura ai dati di produzione. Le revisioni dovrebbero dare priorità alle risorse sensibili, alle credenziali persistenti, al trasferimento esterno di dati e alle azioni prive di conferma umana.

Qualsiasi riduzione delle autorizzazioni eccessive rafforzerebbe l’argomento a favore di una governance focalizzata. Una rapida crescita di agenti non rilevati indebolirebbe le affermazioni secondo cui le policy AI attuali forniscono una copertura significativa.

Il terzo segnale è se le organizzazioni riescono a dimostrare una diminuzione degli eventi relativi a dati sensibili senza sopprimere un’adozione utile. Questa è la misura più difficile perché richiede ai team di sicurezza e produttività di valutare insieme i risultati.

Un programma di successo dovrebbe ridurre caricamenti di dati riservati, credenziali non gestite e integrazioni non approvate. Dovrebbe inoltre mantenere l’utilizzo approvato sufficientemente accessibile da impedire ai dipendenti di spostarsi verso canali invisibili.

Le metriche basate solo sulle richieste bloccate incentivano comportamenti errati. Più blocchi possono indicare un’applicazione più forte, una domanda non sicura in crescita o alternative approvate inadeguate. I team devono confrontare gli eventi di prevenzione con la migrazione degli account, l’adozione di flussi di lavoro approvati, il feedback degli utenti e gli incidenti confermati.

L’inquadramento di Google News rimarrà utile solo se le organizzazioni lo testeranno nei propri ambienti. La soglia precisa del 5% può cambiare, ma la concentrazione dovrebbe emergere nella telemetria interna se il modello sottostante è valido.

I team di sicurezza possono iniziare con diverse domande pratiche. Quali dipendenti utilizzano l’AI più spesso? Quali di loro si affidano a identità personali? Chi carica file, installa estensioni o collega agenti a sistemi interni? Quali strumenti approvati non soddisfano le loro esigenze?

Queste domande creano un punto di partenza migliore rispetto a chiedersi se tutta l’AI debba essere consentita o proibita. Collegano la governance al lavoro effettivo e rivelano dove la comodità sta aggirando il controllo.

Le aziende dovrebbero inoltre stabilire un percorso di escalation che non inizi con misure disciplinari. Quando la sicurezza individua un flusso di lavoro non ufficiale avanzato, la prima revisione dovrebbe identificarne il valore aziendale, gli input di dati, le autorizzazioni e le alternative. Questo crea l’opportunità di preservare pratiche utili eliminando al contempo l’esposizione non necessaria.

Dove il rischio è immediato, come nel caso di un agente con ampio accesso alla produzione, il contenimento dovrebbe venire prima. Dove l’esposizione è minore, la migrazione e il supporto formativo possono offrire una conformità a lungo termine migliore di un divieto generalizzato.

Prima di dichiarare il problema sotto controllo, i leader dovrebbero porsi un’ultima domanda: l’organizzazione è in grado di descrivere i propri flussi di lavoro AI a più alta intensità senza basarsi su un sondaggio? Se la risposta è no, la policy sta operando prima delle prove.

Google News ha richiamato l’attenzione su un’importante inversione. Lo shadow AI è diffuso, ma la sua esposizione più grave non è necessariamente distribuita in modo uniforme. Le persone che utilizzano l’AI più intensamente sono il punto in cui convergono produttività, dati, identità e accesso autonomo.

Questo chiarisce la prossima azione. Individuate i flussi di lavoro più concentrati, spostateli sotto un’identità gestita, riesaminate le relative autorizzazioni e misurate se l’esposizione dei dati sensibili diminuisce. Regole ampie possono definire i confini, ma solo le evidenze derivanti dall’uso reale mostrano dove debba essere applicata la protezione.