top of page

Gli attacchi CSS via webmail rivelano un punto cieco nelle difese email basate sull’IA

11 ago
Tempo di lettura: 14 min

Google News ha evidenziato un attacco CSS via webmail rilevato in oltre un milione di messaggi di phishing dall’aprile 2026. La campagna mette in luce un conflitto fondamentale nella sicurezza email basata sull’IA. Persone e macchine possono ricevere lo stesso messaggio, ma leggerne contenuti radicalmente diversi.

La tecnica segnalata, chiamata text salting, usa i Cascading Style Sheets per nascondere testo riempitivo all’interno di un’email HTML. Quel materiale nascosto modifica il modo in cui i sistemi automatizzati interpretano il messaggio senza cambiare ciò che vede il destinatario.

I ricercatori di Barracuda hanno individuato la tecnica in campagne di phishing a tema retail che promettono premi, buoni regalo, punti fedeltà o riscatti urgenti. Gli aggressori hanno usato testo nascosto per diluire il linguaggio sospetto e far apparire le email dannose più sicure ai filtri automatizzati.

Non si tratta semplicemente di un altro espediente per eludere i filtri antispam. Lo stesso divario di visibilità può operare nella direzione opposta. Istruzioni nascoste possono prendere di mira un assistente IA che riassume email, prepara risposte, cerca in una casella di posta o richiama strumenti connessi.

Questo crea il principale compromesso di sicurezza. Gli strumenti email basati sull’IA diventano più utili man mano che leggono più contesto e ricevono un accesso più ampio. Le stesse capacità ampliano le conseguenze quando contenuti email non attendibili influenzano il modello.

Le difese tradizionali presuppongono che il messaggio mostrato a una persona sia sostanzialmente equivalente al messaggio esaminato dal software. Il CSS infrange questa assunzione creando, all’interno di una sola email, versioni separate leggibili dalle persone e dalle macchine.

La pressione immediata ricade su Google, Microsoft, i fornitori di sicurezza email e gli sviluppatori che creano assistenti sui dati delle caselle di posta. Devono conciliare l’analisi del messaggio grezzo con il contenuto renderizzato, preservando al contempo accessibilità e formattazione legittima.

Cosa rivela il rapporto di Google News sul text salting

Il cambiamento importante non è che gli aggressori abbiano scoperto il testo nascosto. È che i vecchi metodi di evasione ora funzionano contro le valutazioni basate sull’IA.

Il text salting aggiunge parole innocue o contestualmente estranee a un messaggio dannoso. Il software di sicurezza analizza quelle parole, ma il CSS impedisce al destinatario di vederle.

Barracuda ha segnalato di aver rilevato un milione di attacchi che usano queste tecniche dall’aprile 2026. I messaggi facevano parte di una campagna a tema retail costruita attorno a offerte di premi e riscatti.

Gli aggressori hanno usato diverse proprietà CSS comuni. clip-path: inset(100%) riduceva a zero l’area visibile di un blocco di testo. Le regole di altezza zero e interlinea zero eliminavano lo spazio vuoto sospetto.

Altre regole spingevano il testo oltre il confine dello schermo. Un grande text-indent negativo lo spostava di migliaia di pixel verso sinistra, mentre overflow: hidden sopprimeva una barra di scorrimento rivelatrice.

Gli aggressori riducevano anche i caratteri a zero. Nessuna di queste proprietà è intrinsecamente dannosa. Questa ambiguità rende inaffidabile una semplice blocklist, perché i template email legittimi possono usare tecniche di stile correlate.

La campagna avrebbe fatto affidamento su siti web compromessi o domini somiglianti. Alcuni domini supportavano l’autenticazione email standard, incluso DomainKeys Identified Mail, o DKIM, che verifica che un dominio autorizzato abbia firmato un messaggio.

DKIM non stabilisce se il contenuto sia veritiero. Convalida la gestione e l’integrità del messaggio a livello di dominio. Un operatore malevolo che controlla un dominio autenticato può comunque distribuire phishing.

Questa distinzione è importante perché i sistemi IA spesso combinano molti segnali. Autenticazione, linguaggio naturale, reputazione del mittente, link visibili e struttura del messaggio possono influenzare ciascuno una classificazione.

Il text salting manipola il segnale linguistico. Fornisce a un classificatore un corpo più ampio di testo dall’aspetto benigno, lasciando al contempo ben visibile l’esca di phishing per il destinatario umano.

Un filtro che esamina l’HTML grezzo potrebbe incontrare paragrafi su attività aziendali non correlate, assistenza clienti o normali transazioni retail. Il destinatario potrebbe vedere solo un avviso urgente relativo a un premio e un pulsante.

Questo crea una versione semantica dell’input avversario. L’aggressore non sta necessariamente sfruttando un difetto di memoria del software. Sta plasmando le prove usate da un sistema decisionale statistico.

L’IA generativa riduce inoltre il costo di produrre testo riempitivo vario. Gli aggressori possono creare passaggi benigni differenti per ogni messaggio, riducendo il valore della corrispondenza testuale esatta.

Il titolo di Google News indica quindi un cambiamento più ampio. Il contenuto delle email può ora essere progettato per due pubblici, con una storia per l’utente e un’altra per la macchina.

Perché i filtri email basati sull’IA affrontano un problema di rendering

Un modello IA non può valutare un’email in modo affidabile quando il suo input non corrisponde al messaggio mostrato al destinatario.

Molti sistemi di sicurezza email ispezionano il contenuto grezzo dei messaggi perché contiene prove preziose. Espone URL, attributi HTML, metadati, sezioni codificate e testo che il rendering potrebbe nascondere.

Questo approccio aveva senso quando il testo nascosto prendeva di mira principalmente il punteggio antispam basato su parole chiave. I difensori potevano cercare formattazioni sospette e confrontare le parole visibili con il codice sottostante.

I modelli linguistici di grandi dimensioni complicano il processo. Possono dedurre significato attraverso testi lunghi, ma questa capacità conferisce anche al testo riempitivo nascosto una maggiore influenza sulla classificazione.

Un modello potrebbe vedere un messaggio dominato da linguaggio retail ordinario. La sua richiesta di phishing visibile potrebbe occupare solo una piccola parte dell’input totale leggibile dalla macchina.

L’attacco non richiede che il modello segua un comando diretto. Può riuscire alterando abbastanza l’argomento, il tono o l’intento apparente da produrre una classificazione benigna.

L’analisi del contenuto renderizzato presenta problemi propri. I client email differiscono nel supporto a HTML e CSS. Un messaggio può essere visualizzato in modo diverso su Gmail, Outlook, applicazioni mobili e software webmail specializzati.

Anche le funzioni di accessibilità possono esporre testo che il rendering visivo predefinito nasconde. Lettori di schermo, modalità ad alto contrasto e visualizzazioni semplificate complicano qualsiasi affermazione su un’unica presentazione definitiva.

Gli strumenti di sicurezza necessitano quindi di più di uno screenshot. Hanno bisogno di un confronto strutturato tra contenuto grezzo, layout calcolato, output di accessibilità e gli elementi che un utente tipico può percepire.

La domanda più utile non è se una proprietà appaia sospetta isolatamente. È se lo stile crei una differenza significativa tra interpretazione della macchina e percezione umana.

Un paragrafo a dimensione zero contenente centinaia di parole non correlate è un segnale più forte di una singola etichetta di formattazione nascosta. I grandi blocchi fuori schermo meritano un esame analogo.

I difensori possono anche confrontare il significato linguistico delle regioni visibili e nascoste. Un messaggio sui premi fedeltà non dovrebbe contenere paragrafi celati su fatture, viaggi o assistenza clienti non correlati.

Tuttavia, gli aggressori possono adattarsi. Possono generare testo riempitivo che rimane vicino al tema visibile, riducendo la differenza semantica pur diluendo le frasi dannose.

Questo crea una corsa agli armamenti tra generazione di contenuti e rilevamento consapevole della visibilità. Un filtro deve comprendere non solo ciò che dice il messaggio, ma quali parti contano per la persona che lo riceve.

Il machine learning non è inutile in questo contesto. Rimane prezioso per individuare anomalie strutturali, modelli dei mittenti, infrastrutture delle campagne e combinazioni insolite di regole di stile.

Il problema è un’eccessiva fiducia nell’architettura. Un modello linguistico non può compensare una pipeline di input che unisce istruzioni attendibili, contenuti non attendibili e materiale invisibile senza confini chiari.

Google ha descritto una difesa a più livelli contro la prompt injection indiretta. Il suo approccio include classificatori di contenuto, addestramento avversario, red teaming e conferma prima delle azioni sensibili.

Questi controlli illustrano la direzione che le difese email devono seguire. Nessun singolo verdetto di un modello dovrebbe decidere se un messaggio è sicuro, soprattutto quando il CSS modifica ciò che ricevono osservatori diversi.

Il contenuto nascosto può prendere di mira il filtro o l’assistente

Lo stesso divario di visibilità del CSS supporta due attacchi opposti: nascondere testo benigno alle persone e nascondere loro istruzioni dannose.

Il text salting cerca di far apparire benigna a un sistema di sicurezza un’email dannosa. La prompt injection indiretta cerca di far sì che un assistente IA obbedisca a istruzioni che l’utente non ha mai fornito consapevolmente.

OWASP definisce la prompt injection indiretta come istruzioni dannose incorporate in contenuti esterni che un sistema IA elabora in seguito. L’email è un canale di consegna naturale perché chiunque può inviare input in molte caselle di posta.

Un aggressore può nascondere istruzioni con testo bianco, caratteri a dimensione zero, posizionamento fuori schermo, caratteri codificati o strutture HTML omesse dal renderer visivo.

La vittima potrebbe chiedere a un assistente di riassumere i messaggi non letti. Un workflow autonomo potrebbe elaborare la posta in arrivo senza alcuna richiesta diretta. In entrambi i casi, il modello può incontrare istruzioni scritte dall’aggressore.

Un attacco semplice potrebbe manipolare un riepilogo. L’IA potrebbe inventare un avviso di sicurezza, sopprimere un indicatore di phishing o descrivere un messaggio dannoso come approvato.

Un attacco più grave diventa possibile quando l’assistente può cercare in altri messaggi, leggere documenti connessi, preparare email in uscita o chiamare strumenti esterni.

L’email dannosa agisce quindi come un input di controllo. Può tentare di reindirizzare l’assistente dal compito dell’utente verso il recupero di dati, la divulgazione o un’azione non autorizzata.

Microsoft ha annunciato la protezione contro l’iniezione nella posta in arrivo in Defender for Office 365 nel luglio 2026. La funzionalità è stata rilasciata in anteprima pubblica per i clienti idonei.

Microsoft afferma che il sistema rileva istruzioni IA dannose durante l’ispezione del flusso di posta. I messaggi rilevati ricevono un verdetto di phishing ad alta confidenza e possono essere isolati prima di raggiungere utenti o assistenti connessi.

Questo posizionamento è importante. Bloccare un attacco prima della consegna gli impedisce di entrare negli indici di ricerca della casella di posta, nei sistemi di recupero, nei riepiloghi e nel contesto degli agenti a valle.

Tuttavia, il rilevamento al gateway non può risolvere ogni caso. Un aggressore può inserire istruzioni dannose in un account interno compromesso, una mailing list consentita, una conversazione inoltrata o un allegato.

Anche la distinzione tra istruzioni e dati rimane difficile per i modelli linguistici. Entrambi arrivano come linguaggio naturale ed entrambi possono contenere richieste, comandi citati o testo procedurale.

Un’email di un responsabile potrebbe dire legittimamente: “Esamina il file allegato e invia la tua risposta.” Un’iniezione dannosa può usare un linguaggio quasi identico rivolgendosi all’IA anziché al dipendente.

L’assistente deve dedurre autorità, provenienza e intento. La sola padronanza del linguaggio naturale non fornisce queste proprietà di sicurezza.

Ecco perché l’attacco al filtro e l’attacco all’assistente rientrano nella stessa discussione. Entrambi sfruttano l’ambiguità tra contenuto visualizzato, contenuto elaborato e contenuto autorizzato.

Google News ha portato alla luce una storia sulle difese email basate sull’IA, ma le implicazioni vanno oltre la classificazione dello spam. Ogni agente connesso a una casella di posta eredita questo problema irrisolto dei confini dell’input.

EchoLeak ha mostrato cosa accade quando l’email raggiunge gli strumenti

Un’email nascosta diventa sostanzialmente più pericolosa quando un assistente IA può recuperare contesto privato e comunicare oltre la casella di posta.

La divulgazione di EchoLeak nel 2025 ha fornito un avvertimento concreto. I ricercatori hanno descritto un attacco in più fasi che coinvolgeva Microsoft 365 Copilot e un'email accuratamente predisposta.

Microsoft identifica EchoLeak come CVE-2025-32711 e afferma che il problema è stato risolto. L'azienda lo descrive come una tecnica di cross-prompt injection che avrebbe potuto esporre dati limitati già disponibili alla vittima.

Secondo le linee guida di sicurezza AI di Microsoft, un messaggio dall'aspetto innocuo poteva avvelenare il contesto elaborato da Copilot. In condizioni specifiche, la tecnica avrebbe poi potuto causare una divulgazione involontaria.

L'incidente è stato rilevante perché non richiedeva prima il furto della password dell'utente. Colpiva l'assistente attraverso dati che l'assistente era tenuto a leggere.

EchoLeak era più complesso della campagna di text salting evidenziata da Google News. Comprendeva più fasi e condizioni, mentre il text salting mirava soprattutto a eludere la classificazione.

Eppure entrambi i casi mettono in discussione la stessa assunzione. Le email vengono trattate come contenuto, sebbene parti di tale contenuto possano agire come istruzioni avversarie per i sistemi AI.

Il rischio cresce con la retrieval-augmented generation, o RAG. Questo approccio recupera informazioni private pertinenti e le aggiunge al contesto di un modello prima di generare una risposta.

Il RAG aiuta un assistente email a rispondere a domande su progetti, calendari, clienti e discussioni precedenti. Ma colloca anche informazioni preziose accanto a contenuti dei messaggi controllati dagli attaccanti.

L'accesso agli strumenti aggiunge un ulteriore livello. Un assistente che si limita ai riepiloghi può indurre in errore un utente, ma un agente dotato di strumenti di messaggistica o gestione file può produrre conseguenze operative dirette.

Gli sviluppatori spesso si affidano a un system prompt che istruisce il modello a ignorare indicazioni dannose. Questa misura aiuta, ma non crea un confine di sicurezza rigido.

Un'iniziativa di ricerca su larga scala chiamata LLMail-Inject ha raccolto 208.095 invii di attacco da 839 partecipanti. I ricercatori hanno testato più difese, modelli e configurazioni di retrieval in un contesto realistico di agente email.

Il volume degli invii è importante perché gli attaccanti adattivi non ripetono una singola frase evidente. Sperimentano trasformazioni, formulazioni, codifiche, contesto sociale e comportamenti specifici dei modelli.

I difensori dovrebbero presumere che qualsiasi classificatore o protezione dei prompt possa produrre falsi negativi. Le azioni sensibili necessitano di controlli di autorizzazione indipendenti che non dipendano dall'interpretazione del modello.

Un riepilogatore di email non dovrebbe ottenere il permesso di inviare messaggi solo perché può leggerli. L'accesso alla ricerca non dovrebbe implicare l'accesso a ogni cartella della casella di posta o documento connesso.

Le chiamate agli strumenti dovrebbero applicare il principio del privilegio minimo, assegnando a ciascun componente solo i permessi richiesti per il compito corrente. Le azioni ad alto impatto dovrebbero richiedere una conferma esplicita dell'utente.

I team di sicurezza hanno inoltre bisogno di log che indichino quale messaggio ha influenzato un output o un'azione. Senza provenienza, chi risponde a un incidente non può identificare facilmente l'input avvelenato.

Gli utenti che gestiscono materiale sorgente per sistemi AI affrontano una sfida correlata. Una chiara acquisizione delle informazioni e la separazione delle fonti possono aiutare a preservare il contesto, ma i permessi a livello applicativo restano essenziali.

La lezione di EchoLeak non è che tutti gli assistenti email siano insicuri. È che la loro sicurezza deve seguire la loro autorità, non il loro aspetto conversazionale.

Il compromesso difensivo è tra visibilità e utilità

Rimuovere ogni elemento nascosto ridurrebbe alcuni attacchi, ma danneggerebbe anche le email legittime e lascerebbe irrisolti i problemi più profondi di autorizzazione.

Un sanitizzatore rigoroso potrebbe eliminare CSS, elementi nascosti, risorse remote e HTML complesso prima che un sistema AI legga un messaggio. Questo ridurrebbe notevolmente la superficie d'attacco.

Tuttavia, eliminerebbe anche strutture che aiutano utenti e modelli a comprendere le email legittime. Tabelle, layout responsive, citazioni, firme, etichette di accessibilità e formattazione transazionale possono trasportare significato utile.

Alcuni contenuti nascosti hanno scopi operativi. Il testo di preheader può offrire una breve anteprima nella casella di posta, mentre i design responsive mostrano elementi diversi su desktop e dispositivi mobili.

I prodotti di sicurezza devono distinguere questi casi da un ampio blocco nascosto progettato per manipolare la classificazione. La decisione non può basarsi su una sola proprietà CSS.

Il rendering di ogni messaggio in un browser controllato può migliorare l'analisi della visibilità. Tuttavia, aumenta i costi di calcolo e introduce un motore browser nella pipeline di sicurezza.

Una visualizzazione renderizzata potrebbe comunque non corrispondere a tutti i client. Larghezza dello schermo mobile, modalità scura, immagini bloccate, impostazioni linguistiche e preferenze di accessibilità possono cambiare il risultato.

La strategia più sicura utilizza più rappresentazioni. Un sistema può conservare il contenuto grezzo per l'analisi forense, calcolare una vista normalizzata e identificare separatamente le aree nascoste o a bassa visibilità.

Il classificatore AI dovrebbe ricevere etichette esplicite per tali aree. Il materiale nascosto non dovrebbe entrare silenziosamente nello stesso flusso di testo indifferenziato del contenuto visibile.

Un assistente potrebbe trattare il testo nascosto come metadati non attendibili. Potrebbe riassumere tale contenuto nascosto solo quando l'utente richiede un'analisi di sicurezza.

I rilevatori di prompt injection forniscono un ulteriore livello. L'implementazione di Microsoft esamina oggetti, corpi dei messaggi, HTML, stili, contenuti inoltrati e materiale codificato prima che un assistente li elabori.

Ciononostante, il rilevamento della prompt injection è probabilistico. Le email legittime possono contenere discussioni su prompt, test di sicurezza, comandi di automazione o messaggi dannosi citati.

Un team di ricerca potrebbe ricevere per email autentici campioni di attacco. Un filtro di sicurezza potrebbe mettere in quarantena tali messaggi anche quando il destinatario li attende.

I falsi positivi creano pressione per indebolire l'applicazione delle regole. Se email importanti scompaiono troppo spesso, gli amministratori aggiungono eccezioni che gli attaccanti possono studiare e sfruttare.

Anche la conferma umana è imperfetta. Gli utenti approvano abitualmente richieste quando un'interfaccia le presenta come passaggi normali, soprattutto durante attività ripetitive.

La conferma deve quindi spiegare l'azione proposta, il suo destinatario e i dati coinvolti. Un prompt vago che chiede se “continuare” offre poca protezione.

Il design più solido separa il ragionamento del modello dall'applicazione delle policy. Il modello può suggerire un'azione, mentre software deterministico verifica permessi, destinazioni, classificazioni dei dati e requisiti di approvazione.

Questo approccio limita i danni sia dei prompt nascosti sia dei comuni errori del modello. Un assistente manipolato non può oltrepassare i confini applicati al di fuori del suo contesto linguistico.

Il compromesso è una minore comodità. Gli utenti potrebbero incontrare più prompt, integrazioni più ristrette e automazioni più lente per le attività ad alto rischio.

Questa frizione è giustificata quando un assistente può inviare messaggi esterni, recuperare documenti riservati, modificare record o avviare flussi di lavoro finanziari. I riepiloghi a basso rischio possono mantenere controlli più leggeri.

Gli strumenti AI per email dovrebbero quindi usare autorità graduali. Leggere un messaggio selezionato, cercare in una cartella, preparare una risposta e inviarla dovrebbero restare livelli di autorizzazione separati.

Cosa dovrebbero monitorare i team di sicurezza

La prossima fase sarà misurata dalla qualità del rilevamento, dalla progettazione dei permessi e dalle prove di abusi nel mondo reale, piuttosto che da un altro benchmark sui modelli.

Il primo segnale è una più ampia disponibilità di ispezioni delle email attente alla visibilità. L'anteprima pubblica di Microsoft mostra che la prompt injection sta diventando una categoria distinta della sicurezza email.

I team di sicurezza dovrebbero osservare come i fornitori espongono questi rilevamenti. I prodotti utili identificheranno l'area nascosta, ne spiegheranno il ruolo e conserveranno prove per l'indagine.

Un generico verdetto di phishing non è sufficiente. Gli analisti devono sapere se un messaggio conteneva riempitivo CSS nascosto, un'istruzione codificata, direttive sospette per gli strumenti o una discrepanza insolita tra contenuto visibile e grezzo.

Il secondo segnale è il modo in cui Google, Microsoft e sviluppatori terzi limitano gli agenti connessi alla casella di posta. Gli aggiornamenti dei modelli contano meno di confini applicabili attorno al retrieval e all'uso degli strumenti.

Gli acquirenti dovrebbero chiedere se gli assistenti distinguono i messaggi esterni dalle istruzioni interne. Dovrebbero anche chiedere se il contenuto recuperato preserva l'identità del mittente, la posizione e il livello di fiducia.

Gli amministratori hanno bisogno di controlli per azioni specifiche. Una policy dovrebbe consentire il riepilogo senza autorizzare automaticamente email in uscita, accesso ai file, modifiche al calendario o chiamate API di terze parti.

Il terzo segnale è la prova verificata di sfruttamento. I dati di Barracuda sul text salting mostrano una diffusione su larga scala contro i filtri, ma non dimostrano che ogni messaggio abbia eluso un prodotto basato su LLM.

I fornitori dovrebbero pubblicare metodologia e denominatori quando possibile. I soli conteggi di rilevamento non rivelano tassi di consegna, classificazioni riuscite, interazione delle vittime o compromissioni successive.

La stessa cautela si applica alle dimostrazioni di prompt injection. Un attacco in laboratorio prova l'esistenza di un percorso di sicurezza, ma i controlli in produzione possono modificarne l'affidabilità pratica.

Al contrario, l'assenza di incidenti pubblici non dimostra la sicurezza. La manipolazione degli agenti AI può sembrare normale attività dell'utente, rendendo gli incidenti difficili da identificare senza log dettagliati.

Le organizzazioni non devono attendere misurazioni perfette. Possono iniziare mappando ogni flusso di lavoro che consente all'AI di elaborare email in arrivo o recuperare il contesto della casella di posta.

I team dovrebbero documentare cosa può leggere ogni assistente, quali strumenti può chiamare e quali azioni richiedono approvazione. Dovrebbero inoltre testare messaggi contenenti contenuti nascosti e fuori schermo.

Le esercitazioni di sicurezza dovrebbero includere entrambe le direzioni di attacco. Un test dovrebbe nascondere riempitivo benigno per eludere la classificazione. Un altro dovrebbe nascondere istruzioni dannose destinate all'assistente.

Gli sviluppatori dovrebbero valutare se il sistema spiega l'incertezza. Un assistente che rileva istruzioni in conflitto o nascoste dovrebbe fermarsi e identificare la fonte sospetta.

Gli utenti dovrebbero restare scettici nei confronti degli avvisi generati dall'AI all'interno dei riepiloghi email. Un avviso ben rifinito può provenire da contenuto controllato da un attaccante anche quando l'interfaccia appartiene a un fornitore affidabile.

Per i flussi di lavoro informativi, mantenete disponibili le fonti originali e verificate le affermazioni rilevanti prima di agire. I riepiloghi AI dovrebbero accelerare la revisione, non sostituire la provenienza.

Google News ha riportato l'attenzione sugli attacchi CSS alle webmail, ma la questione duratura è più ampia di una singola campagna. Le email ora trasportano contenuti per persone, classificatori, sistemi di retrieval e strumenti autonomi.

Questi destinatari non percepiscono lo stesso messaggio. Finché i sistemi di sicurezza non modelleranno direttamente questa differenza, gli attaccanti continueranno a sfruttare il divario tra ciò che gli esseri umani vedono e ciò che le macchine leggono.

 
 

Inizia gratis

Un assistente IA local-first con gestione della conoscenza personale

Per una migliore esperienza con l’IA,

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

Il tuo partner AI al lavoro
Fai di più con remio

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

bottom of page