Più gli agenti AI promettono di agire da soli, più cresce la domanda di trasparenza, responsabilità e verificabilità. Bisogna partire da questa considerazione per circoscrivere il contesto nel quale si muove l’attuale dibattito sull’AI agentica. Non stiamo parlando più di semplici chatbot, copiloti o assistenti per così dire “intelligenti”, ma di sistemi capaci di osservare l’ambiente, interpretarlo e decidere quale azione intraprendere. Secondo tutti i grandi player AI, ci troviamo all’inizio della nuova frontiera dell’automazione.

In occasione della tappa di Milano dell’annuale SAS Innovate Tour, Bryan Harris, chief technology officer di SAS, affronta il tema, esprimendo una posizione quasi eretica che prende le distanze dall’attuale clima generalizzato e acritico di entusiasmo: «Gli agenti AI sono promettenti, ma non ancora abbastanza affidabili da sostituire i sistemi decisionali che governano banche, assicurazioni, pubbliche amministrazioni e ospedali». Un monito che merita attenzione perché arriva da una società che da esattamente cinquant’anni opera nel cuore dei sistemi di analisi, rischio e decision intelligence, utilizzati da alcune delle più grandi organizzazioni del mondo.

Il problema non è l’AI. Sono i dati

I principali ostacoli che impediscono alle aziende di portare l’AI generativa in produzione sono la qualità dei dati e la capacità di costruire il contesto corretto perché gli agenti AI operino in modo coerente con il livello di rischio delle decisioni. «Se un’azienda ha trascurato i propri dati per anni, l’AI non risolve nessun problema, al contrario, finisce per amplificarli» – spiega Harris. «La questione non è la tecnologia in sé, ma il contesto in cui viene applicata. Governance, qualità delle informazioni e controllo dei rischi sono prerequisiti essenziali per costruire sistemi affidabili». Una constatazione controcorrente rispetto a quelle strategie aziendali dalle quali troppi progetti AI emanano, ancora concepiti come “scorciatoie” tecnologiche capaci di compensare debolezze organizzative accumulate nel tempo.

Il grande equivoco dell’AI agentica

A riprova di ciò – sottolinea Harris – c’è la confusione tra automazione e agentic AI. «Molti vendor usano l’etichetta “AI agentica” per descrivere attività che non richiedono affatto agenti intelligenti, ma semplicemente una buona automazione tradizionale. Se un processo segue regole chiare e ripetitive, non serve un agente AI autonomo. Bastano software gestionali e strumenti di orchestrazione che esistono da anni». Un passaggio ancora da completare per molte organizzazioni, convinte di poterlo eludere, saltando direttamente sul carro dell’AI agentica. E naturalmente, sull’onda della tendenza ad etichettare come “agentici” sistemi che in realtà sono semplici workflow automatizzati, accompagnati da una nuova narrativa di marketing. Alimentando il rischio di creare aspettative che la tecnologia non è ancora in grado di mantenere. 

Dove SAS si scontra con la narrativa mainstream

Da un lato ci sono aziende che condividono il presupposto secondo cui l’autonomia degli agenti AI crescerà progressivamente. Dall’altro lato c’è SAS, che parte invece da una prospettiva differente. SAS non si accontenta di chiedere fino a che punto un agente AI possa spingersi nell’automazione, ma valuta in che misura sia tollerabile l’errore. «È evidente che non si può utilizzare in produzione un agente con un tasso di errore che oscilla tra il 10% e il 30% per gestire processi critici.

Un chatbot può sbagliare una risposta. Ma un sistema di credito che fallisce anche solo il 10% delle decisioni può produrre danni economici, normativi e reputazionali significativi».

Nel settore bancario – continua Harris – le decisioni impattano la concessione del credito, la determinazione dei tassi, la gestione delle esposizioni, la prevenzione delle frodi, la valutazione del rischio e la conformità normativa. «Le decisioni di concedere a un cliente un fido o una carta di credito devono essere prese in meno di 30 millisecondi. Non puoi farlo con un agente basato su un Large Language Model» – afferma il CTO di SAS. «Quando è necessaria la ripetibilità, non permettiamo agli LLM di prendere una decisione.

La loro potenza è data dalla capacità di generare nuove combinazioni di informazioni. Ma proprio questa capacità introduce variabilità. Nei contesti regolamentati, invece, il requisito fondamentale è la prevedibilità. L’obiettivo è replicare correttamente una decisione migliaia o milioni di volte». E oggi, gli agenti AI attualmente disponibili possono presentare tassi di errore incompatibili con i requisiti di precisione richiesti dai processi di concessione del credito. Sebbene non esistano benchmark pubblici specifici sul credit scoring agentico, la letteratura sugli agenti LLM evidenzia ancora significativi problemi di affidabilità e robustezza in workflow complessi e multi-step. L’AI generativa si basa su modelli probabilistici capaci di creare nuovi contenuti sulla base delle informazioni apprese. I sistemi di machine learning tradizionali e i modelli statistici, soprattutto nei contesti decisionali, sono invece progettati per garantire maggiore controllo, ripetibilità e prevedibilità dell’output. La combinazione di questi approcci consente di integrare capacità generative e affidabilità operativa. Per questo SAS punta su architetture ibride che uniscono machine learning discriminativo, modelli statistici inferenziali e modelli generativi autoregressivi. 

La trasparenza non è un optional

Altro elemento centrale della filosofia SAS, applicata a quello che chiamiamo comunemente AI, è il rapporto tra performance e trasparenza delle decisioni prese dalle piattaforme. «Nei contesti decisionali ad alto rischio non siamo disposti a sacrificare spiegabilità e trasparenza in ragione della mera performance» – afferma senza esitazioni Harris. «Una posizione in linea con la direzione espressa dall’Europa con l’AI Act, che impone requisiti stringenti di spiegabilità, supervisione umana e governance per i sistemi classificati come ad alto rischio». Su questo punto, il problema principale – come osserva Reggie Townsend, vice president AI Ethics, Governance & Social Impact di SAS – non è costruire regole dopo aver sviluppato i sistemi, ma di incorporarle fin dalla fase di progettazione. «I principi di Responsible AI devono essere embedded nei flussi di lavoro delle persone, non aggiunti successivamente. Gran parte dei fallimenti deriva proprio dal fatto che la governance viene trattata come un’attività separata. Se invece la integriamo by design, diventa semplicemente parte del modo in cui lavoriamo».

In questa prospettiva – etica, trasparenza e accountability non sono considerati vincoli di compliance, ma componenti strutturali del processo di sviluppo.

Townsend riconosce apertamente che l’UE assume una posizione proattiva rispetto agli USA. «Sosteniamo l’approccio europeo, ma la vera sfida è l’applicazione delle norme e la capacità di anticipare ciò che ancora non esiste. L’innovazione tecnologica – l’AI in particolare – si muove a una velocità superiore a quella con cui i governi sono in grado di legiferare». Sia la fiducia cieca nell’autoregolamentazione sia l’idea che ogni rischio possa essere risolto da nuove leggi possono essere fuorvianti.

«Abbiamo la responsabilità di garantire che ciò che vendiamo non danneggi le persone. Al tempo stesso – completa il ragionamento – dobbiamo inevitabilmente autoregolarci in una certa misura. Ma, almeno negli USA, questa non è certo una novità».

L’elemento umano resta decisivo

Nel dibattito dominato dalla sostituzione del lavoro umano per effetto dell’AI, Harris propone una visione sorprendentemente diversa. «Sarebbe del tutto auspicabile che le aziende smettessero di licenziare, abbagliate dalle possibilità dell’AI. Dobbiamo valorizzare le persone perché sono loro che sanno come funzionano questi sistemi e a quali risultati possono condurci». Il vero vantaggio competitivo nasce dalla collaborazione tra esperti, sviluppatori, data scientist e analisti di business.

«L’AI non elimina la necessità di competenze. Al contrario, le rende ancora più necessarie» – aggiunge Townsend. «Si moltiplicano le dichiarazioni di manager che collegano direttamente l’acquisizione di licenze Anthropic al licenziamento di migliaia di dipendenti. Le aziende che utilizzano l’AI solo per tagliare i costi adottano una visione miope. Lavoro con queste tecnologie ogni giorno e non vedo ancora alcun sistema AI capace di sostituire quaranta ore di lavoro umano. Il vero potenziale dell’AI consiste nell’espandere le capacità delle persone, non nel sostituirle indiscriminatamente».

L'articolo SAS, l’AI agentica non è ancora matura per governare le decisioni critiche proviene da Data Manager Online.

È da questa posizione, espressa da Ursula von der Leyen nel presentare il Technological Sovereignty Package (TSP), che prende forma il nuovo piano con cui la Commissione europea punta a rafforzare l’autonomia dell’UE nei settori strategici dei semiconduttori, dell’intelligenza artificiale, del cloud e dell’open source.

Il TSP non è un’iniziativa isolata, ma rappresenta il punto di convergenza di un percorso avviato da tempo che mette insieme diverse iniziative, dalla “Bussola per la competitività”, pensata per rendere l’economia europea più competitiva rispetto a Stati Uniti e Cina, alla Strategia per la sicurezza economica, che mira a ridurre le dipendenze strategiche dell’Europa in alcuni settori critici – tecnologie avanzate, materie prime, infrastrutture digitali e supply chain – allineandole a precisi obiettivi economici e geopolitici.

Tra gli obiettivi più ambiziosi del pacchetto figura il raddoppio di scala delle infrastrutture di calcolo europee. Bruxelles punta a triplicare la capacità dei data center entro i prossimi cinque-sette anni. L’obiettivo è colmare il deficit di potenza computazionale provocato dall’esplosione dell’intelligenza artificiale, accelerando la costruzione di nuovi impianti attraverso procedure autorizzative più snelle e facilitando l’accesso a suolo, acqua, energia e capitali. Oltre che industriale, la sfida è energetica. Per questo il piano prevede una roadmap dedicata alla digitalizzazione del sistema elettrico e all’impiego dell’AI nel settore, con l’obiettivo di integrare i data center in modo sostenibile e di aumentarne l’efficienza. Un tassello inserito in un piano strategico più ampio che prevede la realizzazione di diciannove “Fabbriche di AI” e nuove Gigafactory di supercalcolo, destinate all’addestramento dei modelli europei di intelligenza artificiale.

La novità del pacchetto risiede tanto nell’ampiezza delle misure quanto nel cambio di paradigma che introduce. Per la prima volta Bruxelles affronta semiconduttori, cloud, intelligenza artificiale e open source come anelli della stessa catena del valore, superando la logica degli interventi settoriali e ponendo le basi di una politica industriale fondata sulla sovranità tecnologica. Soprattutto, non si limita più a sostenere l’offerta come aveva fatto con il primo Chips Act, ma prova a orientare anche la domanda, utilizzando il potere degli acquisti pubblici per favorire tecnologie considerate strategiche per l’autonomia europea.

Al di là dell’iter legislativo e delle inevitabili mediazioni, il successo del TSP dipenderà dalla capacità degli Stati membri di trovare un equilibrio su una questione destinata a segnare il futuro dell’industria europea: che cosa significa, oggi, tecnologia europea? Attorno a questa domanda si confrontano due visioni contrapposte. Da una parte ci sono quelli che ritengono necessario rafforzare l’autonomia strategica dell’Unione, limitando il ricorso a fornitori extraeuropei nei servizi più sensibili e utilizzando gli appalti pubblici come leva per sostenere l’industria continentale. Dall’altra ci sono coloro che temono che un eccesso di protezionismo possa rallentare la trasformazione digitale e preferiscono continuare ad affidarsi alle tecnologie, spesso più mature, offerte dai grandi operatori internazionali.

Un dilemma tutt’altro che teorico. Oggi, nei servizi digitali più critici, l’Europa dipende in larga misura da aziende straniere. Una vulnerabilità che, in uno scenario di crescente competizione geopolitica, può scivolare in restrizioni unilaterali, interruzioni dei servizi o nuove forme di pressione politica ed economica. Bruxelles non può permettersi di “dichiarare guerra” ai colossi americani del cloud e dell’AI. Ma sicuramente può creare regole che riducano il rischio di dipendenza senza rompere l’alleanza tecnologica con Washington. La Commissione europea insiste molto sul fatto che il mercato resterà aperto ai partner affidabili (“like-minded partners”), introducendo però criteri più stringenti per i casi sensibili.

Nel trade-off tra autonomia strategica e apertura dei mercati, l’Europa deve rafforzare la resilienza europea senza rinunciare ai benefici dell’integrazione internazionale. «Se non sei al tavolo delle trattative, sei nel menu». Le parole del Primo Ministro canadese Mark Carney, pronunciate al World Economic Forum di Davos, sono la sintesi brutale ma plastica del nostro tempo. «Le grandi potenze possono permettersi di fare da sole. Le potenze medie no. Ma quando negoziamo solo bilateralmente con una potenza dominante, negoziamo da una posizione di debolezza. Accettiamo ciò che ci viene offerto. Competiamo tra noi per essere i più accomodanti. Questa non è sovranità. È a messa in scena della sovranità che accetta la subordinazione. In un mondo di rivalità tra grandi potenze, i paesi che si trovano nel mezzo hanno una scelta: competere tra loro per ottenere favori o unirsi per creare una terza via che abbia un impatto».

L'articolo Chi compra comanda proviene da Data Manager Online.

L’intelligenza artificiale agentica viene raccontata come la prossima grande leva di efficienza. Sistemi capaci di decidere, agire e adattarsi autonomamente, destinati a rivoluzionare tutto, dalla produttività aziendale alla cybersecurity. Ma come spesso accade con le tecnologie che promettono di moltiplicare le capacità umane, la vera domanda non è che cosa possano fare quando funzionano, ma che cosa accade se sbagliano, o peggio, quando vengono manipolate. Gli incidenti cyber raccontano la stessa storia: il rischio non è più teorico. I primi exploit documentati basati su prompt injection dimostrano come sia possibile alterare configurazioni locali o abilitare l’esecuzione automatica di comandi. Gli incidenti in cui agenti autonomi operano con privilegi eccessivi o istruzioni mal interpretate possono tradursi in danni operativi e reputazionali rilevanti. Nei contesti enterprise più critici, le conseguenze si traducono in ore di fermo operativo, costi elevati di remediation e interruzioni dei servizi essenziali. Di fronte al moltiplicarsi dei segnali d’allarme, il pericolo vero è l’illusione di controllo su tecnologie adottate più rapidamente di quanto si stia imparando a governarle.

«Negli ultimi due anni l’intelligenza artificiale ha impresso un’accelerazione evidente al fronte offensivo» –mette in guardia Fabio Naccazzani, co-founder & CEO Akito. «Anzitutto perché ha reso più semplice automatizzare attività che richiedevano tempi lunghi e competenze specialistiche, dalla raccolta di informazioni preliminari alla costruzione di campagne di attacco. In questo scenario, continuare a presidiare il rischio con strumenti e modelli pensati per minacce e schemi di attacco superati, significa esporsi a un divario destinato ad ampliarsi».

La cybersecurity diventa adattiva

Il cybercrime evolve verso una dimensione sempre più agentica, fondata su sistemi capaci di agire in background, adattarsi dinamicamente al contesto, apprendere dalle interazioni con il bersaglio e rimodulare le proprie azioni quasi in tempo reale. «Non siamo di fronte a un semplice miglioramento incrementale delle capacità offensive. Stiamo assistendo a una mutazione qualitativa» – sottolinea Alessio Aceti, CEO di HWG Sababa. Una trasformazione che cambia radicalmente la postura richiesta alla difesa. La mancata adozione dell’AI peggiora il livello di asimmetria tra difensori e attaccanti. «Naturalmente non basta introdurre un agente AI di difesa per diventare automaticamente più sicuri. Significa però riconoscere che se l’attaccante ha già incorporato modelli non deterministici nei propri schemi operativi, continuare a difendersi con workflow rigidi equivale a giocare una partita con regole che l’avversario ha già superato». La cybersecurity non può più essere pensata come una sequenza di risposte predefinite a minacce note. Deve diventare capacità adattiva. «Non si tratta di aggiungere nuovi controlli a problemi già noti, ma di affrontare vulnerabilità che nascono dalla logica stessa dei sistemi intelligenti» – chiosa Naccazzani.

SOC, nuovo modello operativo

Il valore della tecnologia AI trova forse la sua espressione più evidente proprio dentro i Security Operation Center. La quantità di alert, segnali deboli, anomalie e tentativi di compromissione che attraversano le infrastrutture digitali è cresciuta a un ritmo tale da rendere insostenibile un modello interamente manuale. «Nessuna organizzazione può pensare di scalare la propria capacità difensiva moltiplicando all’infinito il numero degli analisti» – sottolinea Aceti. «Perciò il SOC non può più limitarsi a essere un presidio umano assistito dalla tecnologia. Deve diventare un ecosistema in cui agenti AI specializzati operano come layer operativo distribuito».

Il passaggio in corso è quello da un SOC in cui le attività principali sono affidate a un analista, a forme ibride di SOC assistito o semi-automatico, dove agenti specializzati eseguono una serie di task specifici. «Parliamo di agenti progettati per compiti molto concreti: interfacciarsi con lo stack tecnologico del cliente, accedere a basi dati interne, arricchire automaticamente i segnali raccolti, investigare alert non critici, ottimizzare le regole di detection e, in alcuni casi, attivare azioni di contenimento entro perimetri rigorosamente definiti» – spiega Naccazzani. «Oggi il valore reale di questi modelli risiede nella capacità di automatizzare gran parte degli alert, comprimere i tempi di detection e risposta, restituendo agli analisti il tempo necessario per concentrarsi su attività ad alto valore come threat hunting, intelligence e advisory strategico» – commenta Aceti. Un passaggio decisivo anche sul piano culturale. Sebbene sia legittimo temere che l’automazione nel SOC implichi una progressiva marginalizzazione delle competenze umane, in realtà, se progettata correttamente, restituisce centralità all’analista, sottraendolo alla fatica meccanica del triage continuo e riportandolo nel luogo – la comprensione profonda della minaccia – dove crea valore.

E il vero valore nasce dalla capacità di governare l’AI e integrarla nei processi operativi. «Abbiamo assunto il primo data scientist per occuparsi di AI a settembre 2022. Non si improvvisa. Ogni nuova versione di un agente viene preventivamente validata in ambiente sandbox, così da valutarne in modo rigoroso rischi operativi, comportamento e impatti potenziali. Le pipeline di sviluppo devono essere robuste e gli eventi di sistema devono essere immutabili. Introdurre agenti AI senza un processo rigoroso di validazione significa esporre i clienti a errori difficilmente controllabili» – spiega Aceti.

La sinergia tra HWG Sababa e Akito

La gestione della transizione dipende dalla maturità organizzativa sviluppata nel tempo. Una riflessione che si sposta inevitabilmente dal piano tecnico a quello organizzativo. «Senza governance, qualsiasi tecnologia si voglia adottare non potrà mai essere efficace» – continua Aceti. «Per questo non mi stancherò mai di ripetere che la risposta strutturale deve prevedere una governance esplicita e responsabilità definite».

Non un dettaglio metodologico, perché è lungo questa linea di faglia che si comprende il senso della sinergia tra HWG Sababa e Akito. Un’integrazione che non viene raccontata come la semplice sommatoria di capacità operative – da una parte l’expertise di Akito nella progettazione e integrazione di architetture di sicurezza, dall’altra la capacità di HWG Sababa di industrializzare servizi gestiti, automazione e monitoraggio evoluto – ma il superamento della logica delle identità separate per costruire una piattaforma comune. La sicurezza efficace non nasce dalla tecnologia in sé, ma dalla connessione tra assessment, governance, integrazione e operation. «Una visione premiata da risultati positivi sul fronte del fatturato, dell’ampliamento della base clienti e della marginalità» – afferma Aceti.

Fatti che assumono un significato particolare in un mercato come quello della cybersecurity, dove l’espansione quantitativa non coincide automaticamente con il rafforzamento strutturale. E dove molte realtà, soprattutto nel segmento dei servizi, faticano a coniugare crescita e sostenibilità economica. Nel caso di HWG Sababa e Akito, invece, la crescita economica è l’effetto misurabile di una sinergia che produce impatti tangibili sul mercato sia in termini di posizionamento sia di capacità di intercettare la domanda sempre più orientata verso modelli di cybersecurity integrata. «Pensare a HWG Sababa e Akito come due realtà separate non descrive più ciò che siamo oggi» – conclude Aceti. «Abbiamo costruito un ecosistema che integra tecnologie e competenze specialistiche. Il valore che portiamo ai clienti nasce dalla convergenza tra governance e capacità operative».

L'articolo Cybersecurity agentica, HWG Sababa e Akito in prima linea proviene da Data Manager Online.

All’inizio sembra semplicemente una chat più intelligente delle altre, una finestra di dialogo, una richiesta, una risposta automatica. Poi però accade qualcosa di diverso. Non risponde subito. “Pensa”. Anzi, agisce. Gli chiedi di organizzare un viaggio, analizzare un contratto, verificare una vulnerabilità informatica o prenotare una riunione. E l’agente AI non si limita a produrre parole. Apre strumenti, consulta database, naviga siti web, confronta informazioni, scrive codice, corregge errori, riprova da solo. Lo vedi muoversi come una specie di impiegato invisibile dentro il computer. Solo infinitamente più veloce.

La sensazione più straniante è che sembra avere un’intenzione. Non nel senso umano del termine, naturalmente. Ma osservandolo dall’esterno, si ha l’impressione di assistere a qualcosa che persegue un obiettivo. Divide il problema in sotto-problemi. Decide una sequenza di azioni. Valuta i risultati intermedi. Cambia strategia se qualcosa fallisce. Talvolta si autocorregge.

Un chatbot tradizionale è una macchina che risponde. Un agente AI è una macchina che opera. E mentre lo osservi lavorare, emerge una seconda sensazione, ancora più destabilizzante: non stai più interagendo con un singolo software, ma con un sistema capace di usare altri software. L’agente AI diventa una sorta di “direttore d’orchestra” digitale: apre applicazioni, interroga API, richiama modelli specializzati, coordina strumenti differenti come farebbe un analista umano davanti a più schermi. Non serve nemmeno impartire istruzioni dettagliate. Basta indicare l’obiettivo finale. Il resto viene delegato alla macchina.

Dal punto di vista tecnico, l’AI agentica identifica un’evoluzione architetturale dell’intelligenza artificiale in cui il modello non si limita a produrre output reattivi in risposta a un prompt, ma viene inserito in un ciclo decisionale chiuso capace di perseguire autonomamente un obiettivo attraverso pianificazione, esecuzione, osservazione dei risultati e adattamento iterativo. Non si tratta semplicemente di un modello linguistico più sofisticato, ma di una nuova architettura computazionale, capace non soltanto di generare linguaggio, ma di trasformarlo in azione organizzata. I tradizionali sistemi conversazionali basati su Large Language Models (LLM) ricevono un input, generano una risposta probabilisticamente plausibile e terminano il processo.

I sistemi agentici, invece, hanno la capacità di scomporre un obiettivo astratto in sotto-task, selezionare strumenti esterni, eseguire azioni su ambienti reali e correggere il proprio comportamento sulla base del feedback ottenuto. La novità non risiede soltanto nella qualità del modello linguistico ma nell’integrazione tra capacità cognitive differenti: reasoning, memoria persistente, pianificazione multi-step, accesso a tool esterni, retrieval dinamico di informazioni e cicli continui di feedback.

Quando l’agente apre un browser, scrive codice, consulta documenti, esegue verifiche, modifica il proprio piano dopo un errore o coordina altri agenti specializzati: non sta “imitando” un essere umano, sta implementando un processo di ottimizzazione orientato al raggiungimento di un obiettivo operativo all’interno di un ambiente digitale. Fino a ieri, il linguaggio era considerato principalmente uno strumento per rappresentare il mondo. Oggi, in rapporto all’AI, diventa l’interfaccia operativa universale. Una frase in linguaggio naturale può orchestrare catene di azioni software estremamente complesse. In questo modo, l’AI smette di essere un semplice strumento passivo di supporto cognitivo e inizia a comportarsi come un sistema semi-autonomo capace di intervenire direttamente in qualunque processo.

TRADE-OFF CYBER

Per estensione con il concetto di AI agentica applicata alla cybersecurity, non ci si riferisce a un semplice software di supporto analitico, ma a sistemi capaci di esercitare una forma di autonomia operativa all’interno dell’infrastruttura digitale. Il National Institute of Standards and Technology (NIST) statunitense descrive sostanzialmente gli agenti AI come sistemi in grado di pianificare e intraprendere azioni autonome che impattano sistemi o ambienti reali. In ambito cyber, questo significa superare il paradigma tradizionale del rilevamento passivo – basato su SIEM, motori di correlazione e analisi umana degli alert – per approdare a modelli di difesa adattiva nei quali l’intelligenza artificiale osserva, interpreta, decide e interviene.

Dal punto di vista tecnico, un agente combina capacità di reasoning basate su LLM, memoria contestuale, orchestrazione di workflow, accesso a strumenti esterni e meccanismi iterativi di feedback. In pratica raccoglie telemetria da endpoint, log e feed di threat intelligence; correla eventi apparentemente scollegati; formula ipotesi di compromissione; seleziona una risposta e può eseguirla direttamente, per esempio, isolando una macchina, revocando credenziali o generando nuove regole di detection.

La capacità di “agency” – intesa non come coscienza o intenzionalità ma come iniziativa operativa entro vincoli assegnati – si traduce nella possibilità di automatizzare intere pipeline decisionali. Un agente inserito in un Security Operations Center (SOC) può monitorare milioni di eventi, distinguere falsi positivi da anomalie rilevanti, correlare indicatori di compromissione distribuiti, isolare endpoint sospetti, aprire ticket e suggerire remediation in tempi incomparabilmente più brevi rispetto alla latenza cognitiva umana.

Operativamente, un agente AI “comprende” un obiettivo non come semplice comando sintattico, ma come stato da raggiungere. L’istruzione “riduci il rischio di phishing in azienda” non implica un’azione univoca: il sistema deve inferire una strategia, scomporla in sotto-problemi, identificare metriche di successo e costruire una sequenza di interventi. Una volta pianificata la strategia, l’agente interagisce con strumenti esterni – API, database, SIEM, piattaforme cloud, orchestratori SOAR – attraverso meccanismi di function calling o tool invocation. La promessa è quella tipica delle grandi svolte tecnologiche: moltiplicare le capacità senza moltiplicare le persone. L’AI agentica sposta gli analisti junior da un mondo di help desk e ticket ripetitivi a un ambiente dove la macchina assorbe la parte più meccanica del lavoro.

Dal punto di vista operativo, l’agente AI agisce come un moltiplicatore delle capacità dell’analista SOC. Non è poco. Ma nemmeno neutro. Perché ogni volta che una tecnologia “colma un gap”, ridefinisce anche cosa significa essere competenti. Intanto per le aziende tutto questo rappresenta una risposta concreta alla carenza strutturale di competenze nel campo della cybersecurity. L’agente AI non sostituisce integralmente le competenze umane, ma interviene sul deficit operativo. Da tutto questo si capisce bene il potenziale enorme (la promessa industriale) dell’AI agentica che ha tutte le carte in regola per imporsi come una delle evoluzioni più radicali della sicurezza informatica contemporanea.

Ovviamente, anche i cattivi impiegano l’AI agentica. Non solo come strumento di generazione automatica di contenuti malevoli, ma come infrastruttura semi-autonoma capace di pianificare, orchestrare ed eseguire attacchi multi-step. A differenza della Generative AI impiegata per creare phishing, codice o social engineering, gli AI agenti possono interagire con API, browser, shell e ambienti cloud, per cercare vulnerabilità, automatizzare tentativi di intrusione, e in futuro muoversi lateralmente nelle reti aziendali.

Le ricerche più recenti evidenziano la crescita di attacchi basati su prompt injection, tool hijacking, memory poisoning e agentic command-and-control, tecniche in grado di alterare il comportamento operativo degli agenti AI, esfiltrare dati sensibili o attivare azioni non autorizzate. Alcuni lavori accademici parlano esplicitamente di “promptware”, cioè malware multi-stage costruiti attorno a workflow agentici e capacità di reasoning autonome. Esistono dimostrazioni sperimentali e proof-of-concept di prototipi di malware AI-powered capaci di generare codice dinamico per eludere rilevazioni euristiche, oltre a casi parzialmente documentati di utilizzo di agenti LLM per attività offensive automatizzate in ambienti reali. Il rischio strategico risiede nel livellamento verso il basso delle barriere d’ingresso.

In questo modo l’equilibrio, se mai è esistito, rischia di rompersi. Anzi, per qualcuno si è già rotto e la difesa è costretta a inseguire. Una tesi mainstream ampiamente diffusa, pur con una sfumatura importante: si tratta di un vantaggio solo attuale, legato alla velocità di adozione, all’asimmetria economica e ai vincoli difensivi. Nessuno dubita più che l’AI venga usata per attaccare. La domanda, semmai, è quanto velocemente possa essere usata per difendere. Perché la cybersecurity ha una caratteristica che la distingue: non può permettersi di arrivare seconda, senza aspettare standard maturi. Questo spiega la corsa all’adozione di questi sistemi: fattori strutturali, volumi informativi ingestibili per l’analisi umana, velocità crescente degli attacchi, scarsità cronica di competenze specialistiche. È questo il cuore del trade-off. Senza AI agentica, non si regge la scala operativa della minaccia contemporanea. Al tempo stesso, con l’AI agentica si accetta una riduzione inevitabile della trasparenza e della prevedibilità. La cybersecurity entra così in una nuova fase nella quale si sacrifica il controllo completo dei sistemi, per avventurarsi nel ginepraio della governance di agenti parzialmente autonomi, dove resilienza, auditabilità e limitazione dei privilegi diventano più importanti della pretesa – oggi irrealistica – di comprensione totale del loro funzionamento.

«Dobbiamo stare molto attenti a non fare automazione troppo spinta se non abbiamo la certezza di poterne controllare le conseguenze operative, soprattutto se queste possono comportare effetti irreversibili sul mondo reale» – mette in guardia Corrado Giustozzi, che fa parte del Consiglio direttivo di CLUSIT. «L’AI agentica è una grande opportunità, ma può rivelarsi anche un rischio laddove non si introducano adeguate salvaguardie in grado di prevenire derive pericolose, subordinandola a rigorosi processi di controllo per indirizzarne l’uso sicuro. Credo che sia opportuno impiegarla con un minimo di prudenza, almeno fino a che non avremo maturato più esperienza sul campo».

SICUREZZA AGENTICA

L’introduzione dell’AI agentica modifica in profondità il perimetro della sicurezza informatica, perché amplia l’area da proteggere ben oltre i tradizionali asset aziendali – infrastrutture, endpoint, reti e dati – fino a ricomprendere i modelli stessi, le pipeline di addestramento, i sistemi di orchestrazione degli agenti e, soprattutto, i processi decisionali automatizzati che questi sistemi governano.

Gli agenti autonomi scardinano un presupposto vecchio quanto la cybersecurity, ovvero la netta separazione tra componente decisionale ed esecutiva. Se nei sistemi tradizionali, l’analista umano validava il passaggio dall’alert all’azione, negli ambienti agentici questo filtro può essere automatizzato, aprendo la strada a nuovi vettori di attacco. Cresce inoltre il consenso sulla necessità di un auditing continuo, in grado di stabilire quali dati possano essere considerati affidabili, quali strumenti gli agenti AI siano autorizzati a utilizzare, entro quali limiti possano operare autonomamente e come prevenire manipolazioni attraverso input malevoli. Centrale anche il tema del controllo granulare delle autorizzazioni.

Sul piano tecnico significa confrontarsi con una nuova classe di vulnerabilità. «Gli attacchi non sono solo quelli cibernetici rivolti verso i server che ospitano i sistemi di AI, ma sono specialmente attacchi semantici che utilizzano come vettori di attacco gli stessi dati forniti come input ai sistemi, opportunamente modificati» – conferma Giustozzi di CLUSIT. «Per esempio è possibile alterare ad arte un segnale stradale per far sì che un’automobile a guida autonoma non lo riconosca o lo interpreti in modo errato; oppure, mediante ripetuti input anomali, è possibile “inquinare” più o meno permanentemente il database della conoscenza di un sistema di AI per far sì che fornisca risposte sistematicamente errate».

L’emergere dell’AI agentica in ambito cybersecurity segna il trasferimento di parte del processo decisionale da sistemi deterministici a sistemi probabilistici, adattivi e parzialmente autonomi. Nei software tradizionali, il comportamento è definito ex ante attraverso regole esplicite, workflow verificabili e logiche tracciabili. L’errore, quando si verifica, può essere ricondotto a una specifica istruzione o condizione. Gli agenti AI, al contrario, operano attraverso modelli statistici che inferiscono azioni a partire dal contesto, selezionando dinamicamente tra molteplici opzioni operative sulla base di pattern appresi, segnali ambientali e obiettivi assegnati. Questa differenza espone il sistema a classi di vulnerabilità che non sfruttano necessariamente difetti implementativi, bensì debolezze interpretative.

L’architettura stessa degli agenti AI spiega tanto la loro potenza quanto il loro rischio. Maggiore è il livello di autonomia concesso, maggiore è la possibilità che errori inferenziali, ambiguità contestuali o interazioni inattese producano effetti sistemici. Detto altrimenti, se l’errore in un chatbot resta confinato al dominio informativo, quello in un agente con privilegi operativi può cancellare dati, alterare configurazioni o amplificare decisioni errate su larga scala. La ricerca insiste sul concetto di “governable autonomy”, nella capacità di costruire sistemi, in cui autonomia, auditabilità e revocabilità restino rigorosamente bilanciate.

In questo senso, l’AI agentica rappresenta davvero un passaggio epocale. La trasformazione dell’AI da strumento consultivo a soggetto operativo è una transizione che modifica radicalmente il rapporto tra esseri umani, software e potere decisionale, imponendo una ridefinizione dei modelli di controllo che governano l’automazione. Secondo il NIST, opacità e difficoltà di spiegabilità rappresentano rischi strutturali dei sistemi AI avanzati, soprattutto se inseriti in contesti ad alta criticità operativa come sicurezza e difesa. Analoga preoccupazione emerge dall’analisi dell’European Union Agency for Cybersecurity, che segnala come l’autonomia decisionale degli agenti aumenti la superficie di rischio introducendo scenari in cui il controllo umano diventa prevalentemente ex post, ossia limitato alla revisione delle decisioni dopo la loro esecuzione.

«Nei modelli LLM è possibile formulare prompt che sfruttano vulnerabilità o ambiguità nei meccanismi di allineamento e sicurezza, tali da aggirare le salvaguardie implementate, inducendo il modello a generare comportamenti o risposte difformi rispetto alle intenzioni progettuali o ai vincoli di utilizzo previsti» – spiega Giustozzi di CLUSIT. «La situazione è inoltre aggravata dal fatto che l’opacità intrinseca dei modelli e la limitata interpretabilità dei loro processi inferenziali rendono difficile rilevare tempestivamente eventuali comportamenti anomali del sistema AI, nonché distinguere se tali deviazioni siano imputabili a errori non intenzionali, a limiti del modello o a possibili manipolazioni avverse».

OPACITÀ DELL’AUTONOMIA

Il problema, in realtà, si sviluppa su più piani e non riguarda solo la potenza degli agenti AI, quanto il rapporto sempre più fragile tra automazione, controllo umano e prevedibilità del sistema. Il primo nodo è quello dell’opacità decisionale. I modelli attuali sono in grado di correlare enormi quantità di segnali e produrre decisioni spesso corrette sul piano statistico, ma non necessariamente spiegabili in termini causali comprensibili agli operatori umani. Un aspetto particolarmente delicato quando si parla di cybersecurity. Perché se un sistema rileva una minaccia ma non è in grado di spiegare con chiarezza perché l’abbia classificata come tale, risulta difficile identificare le condizioni in cui il processo decisionale può degradare, generando falsi positivi o comportamenti inattesi.

A questo si aggiunge il tema dell’autonomia operativa. Gli agenti AI integrati nelle piattaforme XDR, NDR e SOAR non si limitano più a supportare attività di analisi. Possono intervenire direttamente sui sistemi, isolando endpoint, modificando policy di accesso, revocando credenziali o bloccando flussi di rete in tempo reale. In tal senso, è già disponibile documentazione tecnica che descrive una nuova generazione di agenti specializzati in threat hunting e investigation capaci di processare milioni di alert e comprimere sensibilmente i tempi di analisi. Il punto critico è che, man mano che aumenta la velocità di risposta, il controllo umano tende a spostarsi da preventivo a correttivo: l’operatore non decide più ogni singola azione prima dell’esecuzione, ma interviene successivamente per validare, correggere o limitare ciò che il sistema ha già fatto autonomamente.

Infine, emergono gli effetti sistemici più difficili da prevedere. Quando più agenti interagiscono all’interno di ecosistemi distribuiti – per esempio in architetture multi-agent dedicate a detection, correlazione, risposta e remediation – possono manifestarsi comportamenti con conseguenze impreviste su larga scala. Sono in corso ricerche per documentare proprio questo rischio, mostrando come interazioni tra memoria persistente, tool invocation, pianificazione autonoma e feedback loop possano generare dinamiche difficili da controllare o persino da ricostruire ex post.

Dire che questi sistemi sfuggono alla piena comprensione operativa significa riconoscere che non è più possibile modellare con precisione tutte le traiettorie decisionali né testare ogni combinazione di stato. A queste condizioni, però la sicurezza smette di essere garanzia di controllo totale e diventa gestione probabilistica del comportamento autonomo. Sul tema della accountability dell’AI, il rischio più insidioso, come evidenzia il recente framework dell’OCSE, è il consolidamento di una fiducia implicita. Poiché l’agente produce risultati rapidi e accurati, l’organizzazione tende progressivamente a delegare e a ridurre la supervisione, creando una sorta di accondiscendenza automatizzata.

Proteggere l’AI agentica significa garantire la capacità di limitare o interrompere l’azione dell’agente, l’auditabilità ovvero la ricostruzione verificabile delle decisioni prese dal sistema agentico e la possibilità di sospendere privilegi e autonomia in tempo reale. Regole che in estrema sintesi servono a stabilire che l’AI agentica può essere autonoma solo entro confini rigidamente governati. In questo senso, la sfida della cybersecurity consiste nel progettare architetture in cui l’autonomia sia tecnicamente subordinata a meccanismi di supervisione, segmentazione dei privilegi e fail-safe decisionali.

Nel momento in cui l’AI smette di suggerire e comincia a eseguire, la sicurezza non riguarda più soltanto ciò che il sistema osserva, ma ciò che può legittimamente decidere di fare. Da qui, l’adozione crescente di contromisure specifiche nei progetti di agentic security engineering: minimizzazione rigorosa dei privilegi; test preventivi in sandbox, ambienti isolati nei quali l’AI agentica può operare senza avere accesso libero a tutto il sistema; distinzione chiara tra informazioni da leggere e comandi da eseguire; registrazione in dettaglio di tutto ciò che fa l’agente; verifica continua di ogni azione importante svolta dall’agente AI.

Le evidenze documentate mostrano che compromissioni, hijacking e disruption operativa riconducibili ad agenti AI non sono più scenari ipotetici, ma rischi concreti. Non si tratta ancora di malware agentico diffuso, né di capacità offensive mature. Il fenomeno rimane in una fase embrionale e non rappresenta ancora una minaccia sistemica industrializzata. Tuttavia i pattern osservati indicano chiaramente la direzione evolutiva. Questi episodi sono interpretati come segnali di “early warning”. «In questa fase occorre porsi qualche domanda e darsi qualche regola, prima che si finisca per fare danni concreti» – auspica Giustozzi di CLUSIT. «L’adozione di un sistema di gestione dell’AI conforme alla ISO/IEC 42001, per garantirne un uso trasparente, etico e responsabile, non costituisce la soluzione esaustiva, ma rappresenta il prerequisito minimo per un approccio credibile al problema».

NUOVO EQUILIBRIO

Per decenni la cybersecurity ha ragionato come un buon amministratore di condominio che controlla gli accessi, cambia le serrature, verifica chi entra e chi esce. L’AI agentica cambia completamente il paesaggio. Non si tratta più di distribuire chiavi a nuovi utenti. In futuro lavoreremo sempre di più fianco a fianco con collaboratori digitali – gli agenti AI – affidando loro compiti delicati e, in molti casi, consegnando badge che aprono porte molto sensibili. Per la prima volta, non siamo chiamati soltanto a difendere infrastrutture, ma a governare comportamenti autonomi. Non più soltanto macchine da proteggere, ma entità software che osservano, decidono, agiscono.

Così dopo anni passati a preoccuparci che le macchine diventassero troppo “intelligenti”, rischiamo di scoprire che il problema è la nostra eccessiva disinvoltura nel metterle al nostro servizio. Sistemi capaci di difenderci da minacce sempre più veloci e sofisticate, ma al tempo stesso sufficientemente autonomi da trasformarsi – se compromessi – in moltiplicatori di rischio. «Forse stiamo minimizzando il rischio di comportamenti erratici o non consoni, dando troppa fiducia e troppa autonomia operativa a questi sistemi, nella troppo ottimistica convinzione che non possano sbagliare o che comunque non siano in grado di provocare danni troppo gravi». La raccomandazione di Giustozzi di CLUSIT è un invito alla prudenza, specie in ambienti cyber-fisici.

È in questa cesura che la tecnologia deborda su un altro terreno. Non più soltanto la sicurezza, ma la governance di macchine e sistemi. Dobbiamo imparare a proteggere questi agenti con lo stesso rigore con cui proteggiamo utenti privilegiati, infrastrutture critiche e processi strategici. Forse la cybersecurity del futuro assomiglierà meno agli attuali conflitti sotterranei di rete e molto di più a una specie di “pedagogia” digitale, capace di insegnare alle macchine, soprattutto, cosa non devono fare. A condizione che la loro idea di efficienza non coincida con la nostra idea di disastro.

Inciampiamo, inevitabilmente, in una delle consuete torsioni dell’evoluzione tecnologica: ricorrere ad altre soluzioni più avanzate per gestire la complessità che essa stessa genera. È il paradosso perfetto del nostro tempo. Costruire macchine per difenderci da macchine, affidare agli algoritmi il compito di sorvegliare altri algoritmi, scommettendo nel frattempo sulle nostre capacità di scrivere abbastanza bene le regole del gioco.

Clearskies – Agentic AI, la nuova superficie d’attacco è la fiducia

AI agentica: proteggere il futuro digitale secondo Cisco

Gruppo E – AI e cyber resilience

Kaspersky – Agentic AI: ripensare la sicurezza

L'articolo Agent security, licenza di agire proviene da Data Manager Online.

C’è un momento, prima di ogni vera trasformazione, in cui bisogna scegliere se inseguire le parole d’ordine – AI, Industry 5.0, data-driven – oppure chiedersi, con onestà, quanto la propria organizzazione sia pronta a sostenerle. Una scelta che separa chi accumula tecnologie da chi costruisce capacità. I primi si muovono in fretta, i secondi accettano di misurarsi, di mettere sotto esame anche ciò che sembra funzionare. Perché è proprio lì, nelle pieghe dell’efficienza apparente, che si nasconde lo spazio più concreto per cambiare davvero.

Questa è la direzione intrapresa da Diasorin, gruppo leader mondiale nella diagnostica di laboratorio, che nel sito produttivo di Saluggia (Vc), uno dei nodi strategici della sua rete industriale, decide di avviare una valutazione strutturata della propria maturità digitale insieme a Deda Bit. In un settore complesso e regolamentato come le biotecnologie, l’innovazione non può essere improvvisata.

Vittorio Gariboldi, Global Industrial Engineering senior manager di Diasorin lo spiega come un esercizio di responsabilità: «Prima di investire serviva capire, con dati oggettivi, quanto il sito fosse davvero pronto a sostenere l’evoluzione digitale». L’assessment, in questo senso, diventa uno strumento per riallineare, prima ancora che per innovare. «Il Digital Maturity Assessment ci permette di costruire un punto di partenza davvero condiviso, grazie al coinvolgimento trasversale di tutte le funzioni aziendali» – spiega Gariboldi. Una base comune su cui costruire le decisioni, che ribalta la narrazione diffusa secondo cui la trasformazione digitale coincide con l’adozione rapida di nuove tecnologie.

L’ASSESSMENT COME SPECCHIO

Condotto insieme a Deda Bit, l’assessment dà all’azienda l’opportunità di guardarsi allo specchio. Senza sconti, ma anche senza forzature. Interviste ai responsabili di funzione, workshop trasversali, osservazione diretta dei processi produttivi, raccolta sistematica dei dati. Il lavoro incrocia prospettive diverse, restituendo una visione integrata. Un ascolto esteso, insieme a un lavoro trasversale, capace di far emergere i veri “pain point” dell’organizzazione. A tutto questo si aggiunge un benchmark con i principali player e competitor internazionali del pharma e della diagnostica. E al tempo stesso un contributo che «solo un’azienda di consulenza con un network di clienti importanti può fornire con dati altrimenti inaccessibili» – sottolinea Enrico Bellinzona, general manager Large Corporate di Deda Bit. Da questa analisi emerge una consapevolezza importante, che Gariboldi sintetizza con pragmatismo: «Alcune aree funzionano, ma esprimono solo una parte del loro potenziale».

DAL DATO ALLA PIATTAFORMA

La tracciabilità, già conforme agli standard richiesti, viene rafforzata lungo tutte le fasi produttive fino a diventare non solo un requisito normativo, ma uno strumento di governo. Lo stesso accade con l’integrazione delle piattaforme informative. Perché quando le architetture non dialogano, le informazioni si frammentano e il paradigma data-driven resta incompleto. Tradurre questa consapevolezza in azione è il passaggio più delicato. Ed è qui che si innesta il contributo di Deda Bit. Bellinzona descrive una metodologia finalizzata a garantire una lettura integrata di persone, processi e tecnologie. Da questa lettura prende forma un piano che individua nella centralizzazione del dato uno dei passaggi decisivi.

Al centro del percorso c’è un’idea semplice: costruire una base informativa unica e affidabile. È da qui che prende forma la roadmap di Diasorin, tra centralizzazione delle informazioni, digitalizzazione della schedulazione, evoluzione dell’ambiente SAP e rafforzamento dell’automazione industriale. «L’obiettivo è creare un data hub capace di raccogliere informazioni processate e certificate provenienti da contesti diversi» – spiega Gariboldi. Un progetto ambizioso, che si intreccia con un altro tema cruciale, la connettività delle macchine. Portare i dati dal livello produttivo fino a un layer centrale significa ripensare anche l’infrastruttura industriale.

«Attrezzare le macchine e renderle connesse in alcuni casi costa molto; a volte è più facile sostituirle» – osserva Bellinzona. Ma è proprio su questo terreno che si misura la profondità del cambiamento. «Perché – riprende Gariboldi – si tratta di costruire un sistema in cui alcuni dati vengono analizzati a livello di shop floor, in tempo reale, mentre altri alimentano analisi più avanzate a livello centrale». Bellinzona sintetizza così il senso di questa cesura: «Il data hub è un concentratore di flussi informativi che rende i dati utilizzabili e li mette al servizio delle applicazioni, comprese quelle di AI. Senza questo strato, ogni progetto rischia di restare isolato o legato a una singola fonte dati, senza scalabilità».

KPI, AI E RITORNO ECONOMICO

Uno degli aspetti più interessanti del progetto è il modo in cui la roadmap viene costruita. Bellinzona racconta di un lavoro articolato, basato su matrici multidimensionali che incrociano temi, tempi, priorità e valore economico. Un approccio che consente di valutare non solo cosa fare, ma quando e con quale ritorno. «A ogni linea progettuale associamo KPI strategici, definendo anche un range di investimento, ritorno e payback» – interviene Gariboldi. È qui che la trasformazione diventa misurabile. E, quindi, governabile. Non sorprende, allora, che i benefici attesi vengano descritti con altrettanta concretezza: «Nel breve periodo, si prevedono processi più fluidi e meno attività manuali. Mentre nel medio periodo, dati affidabili e un contesto pronto per applicazioni più evolute, incluse quelle legate all’AI».

Un tema che emerge con un tono diverso rispetto alla narrazione dominante. «Nel breve periodo, i benefici si concentrano sull’efficienza operativa: più efficienza e riduzione delle attività manuali. Ma è nel medio periodo che si gioca la partita vera. Una base informativa affidabile e piattaforme integrate. È qui che l’Industrial AI smette di essere sperimentazione e diventa scalabile, senza cadere nella trappola delle soluzioni isolate» – spiega Bellinzona.

«L’AI in questa fase – chiosa Gariboldi – ha senso solo quando si individuano casi d’uso verticali, misurabili con KPI chiari». Anche per questo si insiste su un approccio prudente, ma non conservativo: «Oggi manteniamo un approccio human in the loop, in un contesto normativo e di governance che sta evolvendo». Una posizione che riflette la realtà del settore. «Se l’AI non incide sulle modalità operative non ha grande efficacia. Non basta aggiungere un agente sopra un sistema esistente. Il tema vero è che i processi vanno ridisegnati con l’utilizzo dell’AI» – completa il ragionamento Bellinzona.

METODO REPLICABILE

Letto dall’esterno, il progetto di Diasorin assume un significato che va oltre il caso specifico. Non perché offre una formula pronta da copiare, ma perché indica un metodo trasferibile. La vera replicabilità – spiegano i protagonisti – non risiede nelle soluzioni adottate, bensì nel percorso. Partire da una comprensione profonda delle proprie caratteristiche, costruire una roadmap credibile e monitorare nel tempo gli avanzamenti con criteri chiari. Un approccio che richiede risorse, coinvolgimento diffuso, rigore esecutivo e anche una certa disponibilità a rivedere convinzioni radicate. Deda Bit rivendica proprio questo equilibrio tra metodo e concretezza. Una struttura di analisi solida, capace di adattarsi alla maturità reale di ogni azienda, ai suoi processi, alle sue specificità.

L'articolo Diasorin supera la logica AI-first. L’assessment rende misurabile la trasformazione proviene da Data Manager Online.

La prima illusione che accompagna l’adozione dell’AI agentica è che il controllo coincida con il deployment. In realtà, installare un agente non significa comprenderne i comportamenti emergenti. La discussione attuale si concentra sulle opportunità di efficienza, trascurando la questione più delicata: chi governa gli agenti una volta messi in produzione? «Il mercato si sta affrettando a implementare l’AI agentica come soluzione per la produttività, ma il vero rischio è il debito di governance» – spiega Eleftherios Antoniades, founder e CTO di ClearSkies.

Il problema reale non è tanto controllare gli agenti AI quanto comprendere cosa si sta delegando. «Ogni agente non documentato e ogni decisione non tracciabile diventano una responsabilità che prima o poi emerge sotto forma di incidenti di sicurezza privi di una spiegazione verificabile». Allargando lo sguardo, l’architettura degli agenti può produrre una catena causale difficile da ricostruire ex post. Se un agente blocca un account, modifica una configurazione di sicurezza o altera una policy di accesso, diventa problematico stabilire chi ne deve rispondere. Soprattutto quando il processo decisionale di un agente AI è opaco per definizione.

IL RISCHIO DELL’AI OPACA

«L’EU AI Act, NIS2, DORA e vari framework specifici di settore puntano tutti nella stessa direzione: l’onere della prova si sta spostando sull’operatore» – afferma Antoniades. «È stato deciso dal modello, non è più una giustificazione valida». Perché il vettore d’attacco più insidioso è quello che erode la fiducia negli output dell’AI. «Prompt injection indirette, avvelenamento dei dati di addestramento e manipolazione delle fonti di retrieval non compromettono solo la singola decisione, ma la legittimità di tutte quelle che il sistema prenderà in seguito». Una volta persa la fiducia nei risultati dell’AI, il concetto stesso di ritorno sull’investimento crolla.

«La priorità quindi non è solo quella di proteggere il modello ma l’integrità dei dati e della catena decisionale» – mette in guardia Antoniades. La vera discriminante non è la velocità di adozione della tecnologia ma la capacità di governance come risorsa strategica. «La piattaforma ClearSkies Centric AI TDIR nasce proprio con questo obiettivo: rendere l’autonomia dell’AI tracciabile e difendibile anche davanti a regulator, clienti e board aziendali». Strategicamente il mercato premia l’AI trasparente, tracciabile e governata da policy fin dalla progettazione. «L’AI opaca diventerà presto non assicurabile, non accessibile e, alla fine, inutilizzabile nei settori regolamentati» – prevede Antoniades. «La responsabilità non è più solo una questione etica. Al contrario è un requisito per l’accesso al mercato. Le aziende che considerano la comprensione come una risorsa anziché come un ostacolo saranno quelle che continueranno a operare senza difficoltà nei prossimi anni».

ZERO TRUST E AGENTI AUTONOMI

C’è poi un nodo architetturale: come conciliare il paradigma Zero Trust con agenti che, per funzionare, richiedono privilegi elevati e accesso a risorse critiche. La risposta secondo Antoniades passa dal ripensamento del concetto stesso di identità digitale. «L’identità è il nuovo perimetro. E presto le identità non-umane supereranno quelle umane di un ordine di grandezza». Un passaggio che modifica in profondità la governance delle identità, degli strumenti SOC e della gestione del rischio. «La contraddizione tra autonomia e controllo è un problema solo apparente. Una volta che gli agenti AI sono sottoposti a una verifica comportamentale continua, dotati di privilegi limitati e ai quali è concessa una fiducia revocabile, il problema diventa del tutto gestibile» – spiega Antoniades.

Guardando ai prossimi due o tre anni, il maggior rischio legato all’AI agentica, che il mercato attualmente sottovaluta è l’asimmetria del conflitto. «Chi si difende, implementa l’AI per gestire i volumi di alert e log, mentre chi attacca se ne serve per scalare in precisione, personalizzazione e tempistiche. Finché la difesa non sarà automatizzata allo stesso livello, il vantaggio economico resterà agli attaccanti. Il modello human in the loop, a cui i CdA si aggrappano ancora come a un’ancora di salvezza, sta diventando un collo di bottiglia che chi attacca continuerà a sfruttare». Secondo il fondatore e CTO di ClearSkies, il vero punto della questione è una governance ancora troppo lenta rispetto alla velocità delle minacce. «Chi aspetta – conclude Antoniades – ha già perso».

L'articolo Agentic AI, la nuova superficie d’attacco è la fiducia proviene da Data Manager Online.

La cybersecurity come sfida globale e architettura viva della resilienza digitale. È in questo solco che s’inserisce la traiettoria di ESET vendor e partner europeo globale strategico capace di adattare sicurezza e risposta operativa al contesto specifico di ciascuna organizzazione. Dalle istituzioni finanziarie alle infrastrutture energetiche, il modello che emerge è quello di una cybersecurity profondamente integrata alle esigenze operative e regolatorie.

In questo scenario, ESET indirizza la propria strategia enterprise con il portfolio ESET PRIVATE, la soluzione di cybersecurity su misura e scalabile, che supporta la conformità normativa ed è progettata per ambienti complessi unendo consulenza specialistica, protezione avanzata dalle minacce e servizi personalizzati per salvaguardare gli asset critici.

Il framework presentato in anteprima a ESET World 2026 risponde a un modello in grado di adattarsi non solo alle differenze settoriali, ma anche a vincoli stringenti di compliance e data residency. «La vera discontinuità è culturale prima ancora che tecnologica» – sottolinea Richard Marko, CEO di ESET. «Le aziende cercano partner capaci di governare resilienza e continuità operativa in ambienti digitali sempre più complessi».

AI-NATIVE SECURITY

A supportare questa strategia l’annuncio da parte del vendor slovacco – il principale player europeo di soluzioni di endpoint security, secondo Frost & Sullivan – dell’apertura di nuovi uffici in Francia, Paesi Bassi e India. «La Francia – spiega Marko – rappresenta il secondo mercato digitale dell’UE dopo la Germania ed è uno dei paesi che più stanno investendo nella strategia di autonomia digitale».

L’India, uno dei più grandi hub mondiali di competenze IT, rappresenta un caso ancora più interessante. Non solo perché vive una crescita preoccupante di attacchi – il subcontinente è oggi uno dei bersagli principali di ransomware, supply chain attack e campagne APT rivolte contro infrastrutture governative e industriali – ma perché parallelamente, Nuova Delhi sta investendo in AI e cyber capability nazionali per ridurre la dipendenza tecnologica da fornitori extra-asiatici.

Il secondo tassello della strategia espansiva di ESET riguarda l’annuncio di un investimento da 40 milioni di euro per sviluppare modelli AI “security-first”, un’architettura AI multilivello e una nuova generazione di tecnologie AI per i Security Operations Center. L’annuncio si inserisce in un percorso di trasformazione delle soluzioni di sicurezza verso un paradigma AI-native, in cui i sistemi di difesa devono evolvere alla stessa velocità delle vulnerabilità generate dall’AI agentica.

SOC DI NUOVA GENERAZIONE

La risposta di ESET a questa sfida si fonda sullo sviluppo di modelli “security-first” addestrati su telemetria proprietaria e threat intelligence storica, la realizzazione di uno stack di sicurezza AI a più livelli e l’evoluzione del SOC verso una logica AI, in cui automazione e supervisione umana accelerano detection e response. «Governi, infrastrutture critiche e grandi aziende chiedono sempre più spesso non soltanto prodotti completi e efficaci, ma filiere affidabili, supporto locale, compliance regionale e governance europea dei dati» – conferma Andy Garth, Government Affairs Lead di ESET.

«Non basta più essere un vendor globale. Occorre trasformarsi in attori radicati, capaci di riconoscere alla cybersecurity un ruolo che va oltre il comparto tecnologico per diventare definitivamente un’infrastruttura strategica. Una conferma arriva anche dall’ESET SMB Cyber Readiness Index 2026, la ricerca internazionale dedicata alla resilienza cyber delle piccole e medie imprese, dalla quale emergono con forza tre tendenze significative – rivela Michal Jankech, VP Enterprise SMB & MSP di ESET: «La crescente centralità dell’AI, vista sia come acceleratore difensivo che come nuova superficie di rischio; il consolidamento dei servizi MDR e dei modelli di sicurezza gestita, essenziali per compensare carenze di competenze interne e complessità operative e la dimensione geopolitica della fiducia, esemplificata dalla crescente attenzione all’origine geografica dei fornitori di sicurezza cyber».

L'articolo ESET, la cybersecurity come infrastruttura strategica proviene da Data Manager Online.

La pressione normativa, rafforzata dalla NIS2, e l’accelerazione tecnologica, con l’impatto dirompente dell’intelligenza artificiale, impongono un salto di maturità nel modo di intendere la sicurezza cyber, che da compliance e centro di costo si trasforma in fattore abilitante per garantire resilienza, continuità operativa e competitività. La cybersecurity in Europa accelera sotto la spinta combinata di NIS2, AI e cloud. Secondo Gartner, la spesa globale raggiunge 213 miliardi di dollari nel 2025, con crescita a doppia cifra nel 2026. Anche IDC evidenzia un rafforzamento degli investimenti, con un progressivo spostamento dai modelli reattivi a quelli data-driven e integrati nei processi IT.

In Italia, l’Osservatorio Cybersecurity & Data Protection del Politecnico di Milano stima il mercato a 2,78 miliardi di euro nel 2025, in crescita del 12%. Un cambio di passo che emerge con chiarezza dal dialogo tra Filippo Romeo, head of Cybersecurity & GRC Advisory di Deda Tech e Andrea Corraro, direttore Sistemi Informativi di Conserve Italia, una delle maggiori aziende del settore agroindustriale in Europa. Strategia e capacità esecutiva del partner sono fattori determinanti. Quando convergono, la collaborazione supera la logica progettuale e abilita un cambiamento strutturale e duraturo.

LA NIS2 COME ACCELERATORE

Il settore agroalimentare, riconosciuto come critico per la continuità economica e sociale, rientra nel perimetro della NIS2. In questo quadro, realtà come Conserve Italia (www.conserveitalia.it), sono classificate come attori rilevanti da presidiare in modo prioritario, sia per dimensioni e ruolo nella filiera – 35 cooperative di primo grado e 14mila produttori agricoli associati – che per l’impatto sulla disponibilità dei prodotti. Ciò significa avere obblighi precisi che vanno dalla gestione strutturata del rischio all’adozione di misure di sicurezza adeguate e responsabilità precise del management.

La NIS2 non si limita a individuare comparti sensibili, ma considera anche il posizionamento di aziende e organizzazioni nella catena del valore. Nel caso di Conserve Italia, parliamo della gestione di una filiera complessa, che parte dai produttori agricoli e arriva alla trasformazione industriale e alla distribuzione. Dove un incidente informatico può propagarsi lungo tutta la supply chain, con effetti sulla produzione, sulla logistica e sulla disponibilità dei beni. Per questo si parla di sicurezza sistemica, perché non protegge solo l’azienda, ma la stabilità dell’intero sistema che le ruota attorno.

«Il posizionamento di Conserve Italia richiede una risposta articolata per rispondere ai requisiti della NIS2» – conferma Corraro. «A questo si aggiunge la dimensione internazionale del gruppo, che rafforza la rilevanza in un’ottica europea di armonizzazione della resilienza. Per tutte queste ragioni, ci siamo subito mossi per disegnare un percorso adeguato alla complessità della sfida, con una roadmap precisa delle attività da svolgere». Un percorso che, fin dalle fasi iniziali, i vertici di Conserve Italia hanno scelto di condividere con Dedagroup.

Il punto di partenza – spiega Romeo – è il superamento di un approccio standardizzato. «Ogni azienda ha caratteristiche uniche. La sicurezza deve essere progettata in funzione del contesto operativo e del profilo di rischio specifico dell’organizzazione. Non esistono modelli preconfezionati applicabili indistintamente». Questa visione si innesta su un approccio costruito su misura, orientato al business, in cui la cybersecurity non è solo protezione ma diventa un fattore differenziante nei confronti della concorrenza, capace di generare valore attraverso una maggiore affidabilità e solidità operativa.

Il progetto sviluppato per Conserve Italia si è articolato in più fasi. Dopo l’attività di analisi e perimetrazione, fondamentale per mappare in modo indipendente il perimetro aziendale e identificare gli asset critici all’interno della filiera del gruppo, si è poi entrati nella fase di implementazione.
«Abbiamo condotto l’analisi approfondita dei rischi e la gap analysis, confrontando lo stato reale della sicurezza con i requisiti normativi e le principali best practice di settore. Questo lavoro – spiega Romeo – ci permette di misurare in modo oggettivo la maturità della nostra postura di sicurezza e, soprattutto, di strutturare un programma di cybersecurity organico, che va oltre la semplice checklist di controlli».

Il risultato è una roadmap pluriennale, orientata al rischio, che stabilisce le priorità di intervento in funzione delle reali esposizioni. In questo modo, Conserve Italia può indirizzare gli investimenti in maniera efficace e trasformare un obbligo normativo in un percorso strutturato di rafforzamento.

LA GOVERNANCE DEL RISCHIO

La cybersecurity non può essere trattata come un dominio tecnico separato, ma deve essere integrata nei processi aziendali e nella governance. L’obiettivo è trasformare la compliance in leva di cambiamento organizzativo. «Il progetto non resta confinato all’IT, ma si traduce in una responsabilità a livello enterprise. Il coinvolgimento precoce del management e del board introduce una chiara accountability sui temi di rischio e cybersecurity governance» – spiega Andrea Corraro di Conserve Italia. Questa impostazione pragmatica si dimostra decisiva. In un contesto segnato dalla NIS2, da stabilimenti distribuiti e da sistemi eterogenei, l’azienda va oltre la semplice fornitura di servizi. Un approccio teorico non è sufficiente a gestire una complessità operativa di questo livello.

Di fronte a queste sfide, il modello del semplice fornitore non è più sufficiente: serve un partner strategico. «La scelta di Deda Tech – continua Corraro – nasce proprio da questa esigenza. Una relazione basata su fiducia, continuità e condivisione di valori, capace di tradurre i requisiti normativi in un programma concreto, integrato nei processi aziendali. Il risultato è un percorso strutturato e aderente alla nostra realtà operativa, con esiti tangibili come il progetto di adeguamento alla NIS2 e il rafforzamento delle capacità di disaster recovery». Su questo scenario evolutivo si innesta il tema dell’adozione dell’intelligenza artificiale, lo step successivo del progetto. Una tecnologia – spiega Romeo di Deda Tech – che introduce opportunità significative, ma anche nuove complessità, che devono essere governate affinché si traducano in un reale vantaggio operativo. Sul fronte della cybersecurity, in un contesto caratterizzato da estrema dinamicità delle minacce, questo significa adattamento continuo delle misure di sicurezza al variare della capacità dell’attaccante».

Un ulteriore elemento distintivo della metodologia Deda Tech è la composizione del team. «L’approccio multidisciplinare consente di affrontare la cybersecurity in modo integrato» – continua Romeo. Non solo ingegneri ma anche legali, esperti di relazioni internazionali ed economisti. «Questa sinergia di competenze permette di rispondere in modo più completo e strutturato alle esigenze del mercato e delle organizzazioni». Perché la tecnologia da sola non è sufficiente. «Servono metodo, competenze e un modello di collaborazione efficace. Per noi, il valore nasce prima di tutto dalla qualità delle relazioni e del lavoro tra le persone».

In questo senso, la fiducia non è un elemento accessorio ma una condizione operativa: «Senza, il progetto non regge» – avverte Romeo. «Per questo ci piace dire che non vendiamo soluzioni tecniche ma fiducia». Un elemento tutt’altro che statico, da costruire e mantenere nel tempo. Che richiede trasparenza, continuità e capacità di adattamento reciproco.

L'articolo Dalla compliance al valore, la cybersecurity diventa strategica proviene da Data Manager Online.

Le catene di approvvigionamento sono l’infrastruttura invisibile su cui si regge il funzionamento di imprese e organizzazioni. Un sistema complesso fatto di fornitori, partner tecnologici, produttori di componenti e di tutti quegli attori che, spesso lontani dai riflettori, rendono possibile la produzione di beni e l’erogazione di servizi. Le supply chain moderne – come ricorda Deloitte – non sono più semplici catene lineari, ma ecosistemi dinamici e interconnessi. Ridurre il rischio di interruzioni significa rendere questa infrastruttura meno esposta a shock di varia natura. Attacchi cyber, fallimenti di fornitori, crisi geopolitiche, eventi climatici estremi, blackout energetici e molto altro.

Scenari che negli ultimi anni non sono rimasti ipotesi teoriche, ma si sono manifestati con forza, talvolta persino intrecciandosi tra loro. Dipendere da pochi produttori per beni essenziali, i farmaci per esempio, può trasformarsi rapidamente in una vulnerabilità sistemica, come ha mostrato con evidenza brutale la pandemia. Oggi, le tensioni geopolitiche e i conflitti in corso, con le conseguenti interruzioni nei flussi di gas e petrolio, ci ricordano drammaticamente quanto la logistica globale, da cui dipende l’approvvigionamento energetico, sia vulnerabile. Quando si parla di ridurre il rischio di interruzioni nella supply chain, ci si riferisce, perciò molto concretamente, alla necessità di scongiurare che l’operatività di un’azienda si arresti.

Ma da dove partire? Come sottolinea un recente studio McKinsey, il primo passo è acquisire piena consapevolezza delle proprie dipendenze. Può sembrare scontato, ma nella pratica non lo è affatto. Le grandi organizzazioni conoscono bene i partner diretti, ma perdono visibilità man mano che si risale la catena. Ed è proprio lì che si annidano interdipendenze capaci di trasformarsi in punti di fragilità. Per raggiungere una visione completa della propria supply chain, è necessario perciò spingersi oltre il perimetro dei fornitori diretti e sviluppare una mappatura dettagliata anche di quelli di secondo e terzo livello che spesso restano fuori dal radar aziendale. Uno sforzo che richiede un coinvolgimento trasversale delle varie funzioni. Non basta il coinvolgimento del solo procurement. Servono anche le funzioni operative e i team di produzione per individuare l’origine degli input più critici, valutarne l’esposizione a rischi geografici o sistemici e, se necessario, individuare fornitori alternativi o di backup. L’obiettivo finale è arrivare a una mappatura il più possibile completa della rete di approvvigionamento e, su quella base, costruire piani di continuità più adatti a reggere agli urti. Un altro elemento importante da considerare è la diversificazione dei fornitori.

Quando un servizio essenziale dipende da un unico attore – come nel caso di un cloud provider o di un MSSP che presidia la sicurezza – l’eventuale interruzione può scatenare effetti a catena, arrivando a paralizzare più organizzazioni contemporaneamente. Le banche centrali europee, per esempio, parlano apertamente di rischio di concentrazione ICT quando analizzano la dipendenza di infrastrutture critiche da pochi grandi provider tecnologici. Per questo è fondamentale interrogarsi sul livello di concentrazione del rischio e valutare quanto il modello di approvvigionamento sia davvero resiliente o, al contrario, esposto a point of failure unici. La resilienza della supply chain non riguarda la singola impresa, ma l’intero ecosistema. La resilienza non dipende solo da quanto è solida la propria azienda, ma da quanto lo sono tutti gli attori con cui si lavora. Un’impresa anche ben organizzata, resta vulnerabile se fornitori, partner logistici o distributori non sono affidabili. Nelle supply chain – per definizione reti interconnesse – l’anello più debole mette in difficoltà l’intero sistema.

Per questo bisogna essere preparati a testare gli scenari di crisi. Cosa succede se il mio principale cloud provider fallisce? Quanto tempo posso operare, facendo a meno di un certo servizio? Dispongo di contratti che garantiscono continuità? Ridurre il rischio di interruzioni significa trasformare la catena di fornitura da elemento periferico a oggetto di governo strategico. Un fattore importante di continuità aziendale. L’interruzione di un servizio, una linea di produzione o di fornitura, non è mai solo un problema di ordine tecnico. L’impatto, al contrario, è prima di tutto economico. Perdita di ricavi, danno reputazionale ed erosione di fiducia, pesanti sanzioni. In alcuni settori critici come energia, sanità, telecomunicazioni, l’interruzione di servizi essenziali può provocare conseguenze gravi anche a livello sistemico. Il blackout elettrico che ha lasciato Portogallo e mezza Spagna al buio per diverse ore l’aprile dello scorso anno è uno degli esempi più istruttivi in questo senso. Nessuna azienda è un’isola.

Al contrario, la sua resilienza dipende, sempre più, dalla resilienza dell’intero ecosistema. In questo nuovo scenario, se la tecnologia può svolgere un ruolo decisivo, la consapevolezza dei limiti di questi strumenti gioca un ruolo altrettanto importante. La lezione di Nassim Nicholas Taleb resta sempre attuale: per quanto sofisticati siano i modelli di analisi del rischio esisteranno sempre eventi non prevedibili né misurabili, destinati a cambiare le regole del gioco.

SUPPLY CHAIN RESILIENTI

Gestire una supply chain non significa solo far arrivare materiali e prodotti da un punto all’altro. Significa soprattutto prevedere ciò che potrebbe interrompere quel flusso e prepararsi prima che accada. La gestione del rischio nelle catene di fornitura (Supply Chain Risk Management – SCRM) comprende un’ampia varietà di strategie e strumenti per identificare, valutare e mitigare eventi o condizioni inattese che potrebbero avere un impatto negativo su un punto qualsiasi della catena di fornitura. Queste strategie dipendono spesso da un processo decisionale rapido e adattivo basato sui dati provenienti da fonti interne, fornitori, indicatori economici. L’AI è lo strumento capace di analizzare questa enorme quantità di informazioni, trovare correlazioni, individuare pattern e segnalare rischi che altrimenti resterebbero invisibili. Conducendo un’indagine sui rischi della supply chain e sui parametri correlati è possibile ottenere una mappatura esaustiva per categoria, oltre a intercettare eventuali aspetti o informazioni mancanti o identificare nuove aree di rischio e, conseguentemente, mettere a punto soluzioni più puntuali. Grazie all’analisi dei dati, la tecnologia permette di costruire una sorta di cartografia delle vulnerabilità. Punti critici, categorie di rischio (finanziario, logistico, geopolitico, climatico, cyber) carenze informative, dipendenze non considerate. Trasformando l’incertezza diffusa in un quadro più strutturato e leggibile.

Le catene di fornitura sono sistemi complessi, che comprendono varie organizzazioni, operazioni, processi, risorse, persone e stakeholder strategici. Il flusso di informazioni lungo tutta la catena di connessioni aumenta le possibilità che vengano prese le decisioni più appropriate per garantire continuità e un funzionamento più efficiente, anche a fronte di minacce ed eventi inattesi. I sistemi software basati su dati e AI, possono essere sfruttati anche per migliorare il processo decisionale all’interno della supply chain, offrendo una maggiore visibilità end-to-end per sviluppare una strategia di mitigazione del rischio, e piani business continuity per fronteggiare crisi, incidenti e interruzioni senza farsi trovare impreparati. Per anni le supply chain sono state progettate con una logica quasi esclusivamente orientata all’efficienza. Produrre al costo più basso possibile, con scorte minime e tempi molto compressi.

Oggi però le aziende sono sempre più consapevoli che le stesse catene di approvvigionamento costruite per essere veloci ed economiche sono anche molto fragili. Per questo stanno cercando di aggiungere maggiore flessibilità. Anche se questa scelta può comportare una rinuncia a una parte dell’efficienza economica. Se la supply chain tradizionale si è rivelata vulnerabile agli shock, aggiungere fonti alternative per distribuire il rischio geografico, è una risposta razionale all’incertezza sistemica. Al tempo stesso, riconoscere che la gestione del rischio diventa prioritaria significa accettare che se la complessità non si elimina si deve provare a governare. Un cambio di mentalità importante. Non più solo di efficienza operativa, ma capacità di assorbire urti senza collassare. La ricerca di un nuovo equilibrio tra flessibilità ed efficienza non è un compromesso al ribasso, ma una diversa funzione di ottimizzazione.

In contesti regolati – pensiamo a settori critici o alla crescente attenzione normativa sulla resilienza operativa – questo approccio riflette meglio le aspettative dei legislatori e degli investitori. Detto questo, rendere la catena di fornitura più resiliente agli shock significa introdurre maggiore complessità. Diversificare i fornitori, allargare la geografia degli approvvigionamenti, introdurre ridondanze, significa abbandonare la strategia di ottimizzare solo per il costo minimo. Ogni nuova relazione, ogni nodo aggiunto alla rete, aumenta inevitabilmente le variabili da governare. La ridondanza inoltre ha un costo. Ampliare le fonti di approvvigionamento può ridurre la dipendenza da un singolo fornitore, ma al tempo stesso erodere il potere negoziale di un’azienda, facendo lievitare i costi di coordinamento e sviluppo di capacità più sofisticate di analisi e gestione del rischio. Non è più sufficiente controllare i fornitori diretti, ma occorre estendere il monitoraggio anche ai livelli più interni della catena di fornitura per individuare tempestivamente le possibili fonti di vulnerabilità. Governare una supply chain più complessa richiede dunque competenze nuove. Se l’organizzazione non evolve in parallelo, la complessità può superare la capacità di controllo. Strutturarsi per far fronte alla maggiore complessità non è alla portata di tutte le aziende. La logica della ridondanza comporta impegni finanziari non trascurabili.

In altre parole, non tutte le aziende possono permettersi lo stesso livello di resilienza, e non tutti i settori hanno la stessa tolleranza ai costi aggiuntivi. Più complessità infine non significa automaticamente più resilienza. Una rete molto ampia ma poco trasparente può diventare opaca, difficile da monitorare, esposta a rischi nascosti. Per esempio se l’azienda non riesce a sviluppare una visibilità adeguata sui livelli di esposizione cyber, la complessità può trasformarsi immediatamente in una nuova fragilità. Spostare il focus tutto sulla gestione del rischio come funzione separata, quasi difensiva è la seconda trappola da evitare. Se la risk management capability cresce, ma resta confinata a un dipartimento, senza integrazione nei processi decisionali strategici, la complessità non viene affatto governata.

IL RUOLO DELL’IT

Dalla progettazione del prodotto alla scelta dei fornitori, dalla produzione alla gestione dei magazzini, dal trasporto alla distribuzione e infine alla consegna al cliente, la necessità di ridurre i tempi del time to market per restare competitivi, continua a produrre una pressione enorme sulle aziende. Il cliente, anche quello business, pretende prezzi bassi, perché la competizione globale e la maggiore trasparenza dei prezzi hanno reso più semplice e immediato confrontare le offerte. La crescita degli standard medi nella qualità dei prodotti ha favorito la crescita delle aspettative. Sempre di meno poi si è disposti ad aspettare per ricevere un ordine. L’esperienza dell’e-commerce – pensiamo al modello logistico dei maggiori store globali – ha consolidato l’idea che ciò che si compra debba arrivare quasi subito.

Anche a fronte di queste sollecitazioni del mercato, le tecnologie avanzate hanno elevato i livelli di digitalizzazione della supply chain. Sistemi di pianificazione avanzata, analisi dei dati, piattaforme di collaborazione tra fornitori e produttori, automazione della logistica e integrazione tra aziende diverse hanno reso possibile questa accelerazione. Dati e AI se integrati in un disegno strategico chiaro possono offrire visibilità in tempo reale, prevedere ritardi logistici, intervenire su margini, livelli di servizio e gestione del rischio, consentendo alle organizzazioni di reagire alle sfide con strumenti più affilati.

Senza un processo decisionale rapido e una governance definita, tuttavia, la previsione resta solo un dato di background, non una leva d’azione. Per sfruttare davvero la tecnologia bisogna governarla, inserirla in una strategia chiara e coerente. Perciò prima ancora di adottarla, è necessario interrogarsi sull’esistenza di una visione strutturata della supply chain. Da sola la tecnologia, non genera visione. Al massimo riesce ad amplificare quella esistente. E se questa è confusa, frammentata o puramente reattiva, a essere potenziata sarà proprio quella confusione. Arrivati a questo punto bisogna farsi qualche domanda. Quale modello di resilienza vogliamo costruire? Vogliamo limitarci a reagire meglio alle crisi o vogliamo trasformare l’incertezza in una leva competitiva strategica? La differenza sta nella capacità di integrare persone, processi e tecnologie in un ecosistema che condivida informazioni in modo fluido e affidabile.

L’intelligenza artificiale si presenta, almeno in teoria, come l’acceleratore ideale della competitività. Capace non solo di automatizzare processi, ma anche di supportare e in alcuni casi guidare le decisioni. Ma in che misura questa promessa si sta davvero concretizzando? E quali ostacoli restano ancora da superare? In diversi ambiti, i risultati sono già tangibili. Nella previsione della domanda, per esempio, i modelli avanzati hanno migliorato sensibilmente l’accuratezza rispetto agli approcci tradizionali, contribuendo a ridurre sia le situazioni in cui un prodotto non è disponibile quando serve, sia gli eccessi di produzione. Nella pianificazione logistica, l’utilizzo di algoritmi evoluti consente instradamenti più efficienti e adattivi. Nella manutenzione predittiva, l’analisi dei dati permette di anticipare guasti e ridurre i fermi macchina non pianificati. Anche la capacità di simulare scenari “what-if” – ovvero le capacità di immaginare e testare scenari alternativi prima che si verifichino – è cresciuta in modo significativo. Per esempio, è possibile valutare rapidamente l’impatto di un ritardo di consegne in un porto oppure di un aumento dei costi delle materie prime.

Se tutto questo non elimina l’incertezza, permette però di reagire con maggiore tempestività ed efficacia. Ma l’idea che l’AI abbia già trasformato in modo diffuso e sistemico la supply chain è eccessivamente ottimistica. Il primo ostacolo resta la qualità e l’integrazione dei dati. Molte organizzazioni operano ancora con sistemi frammentati e/o non pienamente integrati, dati non standardizzati tra funzioni e partner esterni. L’AI non crea insight dal nulla. Se i dati sono incompleti o incoerenti, l’accelerazione rischia di produrre decisioni più rapide ma non necessariamente migliori. L’adozione di strumenti avanzati non coincide automaticamente con un cambiamento nei processi decisionali. In molte aziende ancora troppo centralizzati e gerarchici.

C’è poi un tema di competenze. Sfruttare davvero l’AI richiede profili capaci di interpretare modelli, comprendere limiti e bias, tradurre output analitici in scelte operative. Limitarsi a comprare una soluzione resta sempre solo una scorciatoia. Serve una maturità analitica diffusa, che non tutte le organizzazioni hanno sviluppato. Molti manager infine sono ancora riluttanti a delegare decisioni critiche a sistemi automatizzati, soprattutto in contesti ad alta incertezza. Inoltre, la compressione estrema dei tempi, se non accompagnata da adeguate contromisure, può amplificare gli effetti di decisioni sbagliate. La velocità è un vantaggio competitivo solo se resta governabile. In contesti avanzati e ben orchestrati, molte delle promesse sono state in buona misura rispettate. In altre realtà, i risultati concreti hanno deluso più di quanto la narrativa mainstream suggerisca. L’AI ha dimostrato di poter comprimere i tempi e migliorare le decisioni, ma solo dove esiste una strategia chiara, dati solidi, governance coerente e competenze adeguate. Gli ostacoli da rimuovere oltre che tecnologici sono culturali, organizzativi e strategici. Senza questa evoluzione complessiva, si rischia di investire molto per ottenere un’accelerazione solo marginale.

LA NUOVA GEOGRAFIA

Lo shock pandemico ha aperto una fase, mai realmente conclusasi, di instabilità permanente. I due conflitti in corso, più di altri eventi recenti, hanno reso evidente quanto le interdipendenze globali – per anni considerate un fattore di efficienza – possano trasformarsi in vulnerabilità strategiche: materie prime critiche concentrate in poche aree del mondo, prodotte in Paesi soggetti a sanzioni, rotte marittime esposte a rischi militari. Ciò che era invisibile nella normalità è diventato improvvisamente evidente nella crisi.

Oggi, aziende e organizzazioni si muovono dentro uno scenario segnato da tensioni geopolitiche crescenti, che stanno ridisegnando flussi commerciali, disponibilità di risorse ed equilibri energetici. La resilienza delle supply chain non è più una variabile accessoria, ma una priorità strutturale. Non si tratta più di ricomporre catene interrotte, ma di ripensarle completamente. Come ha osservato l’ex Segretario generale della NATO Jens Stoltenberg, viviamo in un’epoca di competizione strategica e rischi globali interconnessi. Una definizione che fotografa la natura sistemica dell’attuale instabilità. In questo quadro, ciò che un tempo erano buone pratiche – la mappatura delle dipendenze, l’analisi delle vulnerabilità e dei rischi – diventano condizioni essenziali di sopravvivenza.

Senza una visione estesa e multilivello della propria rete di fornitura, il rischio concreto è quello di navigare alla cieca. Non basta più sapere da dove arrivano componenti o materie prime. Occorre comprendere in quale ecosistema politico, normativo ed energetico sono inseriti. Il rischio è sistemico. Per questo diversificare, predisporre alternative, costruire piani di continuità diventa una necessità. Allo stesso modo, ridurre il rischio di interruzioni non può più essere considerato un esercizio interno alla singola impresa. Ma un processo che richiede cooperazione lungo l’intero ecosistema. Fornitori, partner logistici, clienti e attori tecnologici devono essere messi in condizione di condividere informazioni, coordinare decisioni e costruire risposte comuni agli shock. Solo così la catena di fornitura può evolvere in una rete resiliente, capace non solo di reagire alle crisi, ma di assorbirne gli effetti.

La tecnologia a fronte di questo sforzo può offrire un contributo decisivo, soprattutto in termini di visibilità e capacità predittiva. Ma la loro efficacia resta legata alla qualità delle decisioni che le accompagnano. Il dibattito su automazione e intelligenza artificiale, come prevedibile, è oggi meno ingenuo rispetto anche a pochi mesi fa. L’AI può aiutare a simulare scenari, ottimizzare scorte in condizioni di incertezza, ridurre attività ripetitive e liberare tempo per l’analisi strategica. Ma l’idea che possa prevedere tutto si è incrinata di fronte a eventi come crisi militari, shock energetici, decisioni politiche improvvise, che sfuggono anche ai modelli più avanzati di analisi. L’incertezza radicale resta una variabile strutturale. L’AI amplifica le capacità analitiche, ma non sostituisce il giudizio strategico. Per chi pianifica e governa la supply chain, la sfida non è solo ottimizzare costi e tempi, ma costruire sistemi produttivi e logistici capaci di adattarsi ai nuovi scenari di instabilità diffusa. La resilienza, intesa come la capacità di resistere agli shock ed evolvere anche quando il contesto cambia improvvisamente, consolida la sua centralità come paradigma della nuova competitività.

Brother – Data Product Management: soluzioni di stampa ed etichettatura per tutte le esigenze di tracciabilità

L'articolo Supply chain resiliente, il nuovo imperativo dell’IT proviene da Data Manager Online.

L’UE può vantare un impianto normativo che, per la tutela della libertà e della privacy dei cittadini, costituisce un unicum di civiltà e un patrimonio di cui forse saremmo in grado di misurare il valore solo nel momento in cui ci venisse sottratto. Dobbiamo andare oltre. Il cuore dell’economia digitale europea pulsa altrove. Per questo l’Europa – come spiega il Rapporto Draghi – deve riguadagnare maggiore forza produttiva.

La geografia della dipendenza IT varia parecchio all’interno della UE. Per paesi come Lussemburgo o Malta l’obiettivo non può certo essere una versione fuori tempo massimo di autarchia. Altri, più influenti ed economicamente importanti, si muovono su piani differenti. I francesi in particolare – ma lo fanno da tempo sottotraccia anche i tedeschi – ci hanno abituato a ragionare in termini di autonomia strategica. Spingendo su cloud sovrano, difesa, consolidamento di grandi gruppi nazionali.

Il “tutti contro tutti” non può che danneggiare le poche tecnologie europee che competono a livello globale. Dove vince chi ha più scala e accede in maniera più efficiente al capitale e alle catene di fornitura. Un sistema che premia chi cresce più velocemente, facendosi largo tra una concorrenza dura, e qualche volta sleale, che tende a creare pochi e voraci giganti.

In Europa faticano a crescere campioni industriali. Anche quando l’Unione prova a intervenire direttamente, finisce per scontrarsi con i vincoli che essa stessa si è imposta: regole sulla concorrenza, frammentazione dei mercati, limiti agli aiuti di Stato. Il Chips Act è emblematico. Concepito per rafforzare l’autonomia europea nel campo dei semiconduttori e ridurre la dipendenza dalle supply chain globali, mostra quanto sia difficile costruire una vera politica industriale, senza mettere in discussione l’architettura normativa che la dovrebbe sostenere. Lo stesso progetto di cloud europeo somiglia più a un patchwork che a un’infrastruttura digitale. Un mosaico di iniziative nazionali e consorzi che raramente riescono a saldarsi in un sistema integrato su scala continentale.

Costruire un’alternativa credibile richiederebbe investimenti enormi che rendono la competizione con gli hyperscaler a stelle e strisce strutturalmente impari. Così, molte delle iniziative di cloud sovrano finiscono per appoggiarsi proprio a queste piattaforme, trasformandosi in operazioni di “sovereignty washing”: una sovranità di facciata, difficilmente sostenibile nei fatti, soprattutto alla luce dell’extraterritorialità normativa imposta da strumenti come il Cloud Act statunitense.

Eppure c’è più margine di manovra di quanto molti vorrebbero farci credere. Per esempio, in alcune tecnologie chiave – quantum computing, cybersecurity, AI applicata – l’Europa può ancora giocare la sua partita. Alla causa servono però scelte politiche coraggiose: accettare una maggiore concentrazione industriale, investire capitali pubblici a livello di USA e Cina, proteggere – almeno temporaneamente –filiere strategiche ed eccellenze, orchestrando le politiche industriali nazionali.

La sovranità digitale europea non può che essere un processo graduale, fatto di investimenti e trasformazioni strutturali. L’Europa può diventare più autonoma solo con continuità e scelte coerenti. Un percorso necessario, ma fragile. Smettiamola di confondere la strategia con il lamento, se non vogliamo restare quello che siamo ora: un grande mercato per le tecnologie di altri.

L'articolo Sovranità, industria cercasi proviene da Data Manager Online.