Articoli e white paper Pubblicazioni

Agenti AI9 voci

Un agente AI riceve un obiettivo, lo scompone in passi e li esegue con strumenti esterni, spesso per conto di un utente. Per farlo usa credenziali e permessi che gli sono stati delegati, ed è questo a renderlo un bersaglio interessante.

di · Aggiornato il

Il tema

Dietro un agente ci sono un modello linguistico, una memoria, un pianificatore e l’accesso a strumenti esterni, con cui legge documenti e repository, chiama API ed esegue codice. Nei sistemi multi-agente più agenti specializzati si dividono il lavoro, e protocolli come il Model Context Protocol (MCP) standardizzano il collegamento tra modelli, dati e servizi.

Un’istruzione nascosta in un contenuto letto dall’agente (indirect prompt injection) può diventare un’azione reale. Permessi troppo ampi (excessive agency) e credenziali condivise moltiplicano i danni, e gli agenti adottati senza autorizzazione alimentano la Shadow AI. Conviene trattare gli agenti come identità a cui assegnare privilegi minimi, da verificare di continuo, con un registro delle azioni e un essere umano che approva i passaggi critici.

Gli argomenti

Che cos’è l’IA agentica. Intelligenza Artificiale Agentica ne dà una definizione e ne descrive principi, architettura, applicazioni e problemi aperti. Con esempi di agenti già usati nella difesa, Agenti AI nella Cybersecurity: la nuova frontiera della Difesa Digitale mette a fuoco la differenza tra agentic AI e generative AI.

Un quadro unico per la sicurezza. Seguendo la definizione di Chan, l’agency si riconosce da quattro proprietà, tra cui il perseguimento di obiettivi non completamente specificati e l’azione diretta senza mediazione umana. Su questa base Sicurezza degli agenti LLM: serve un framework unificato propone un’architettura di riferimento per progettare e impiegare gli agenti.

Prompt injection e MCP. GitLost ha mostrato che a un agente dei GitHub Agent Workflows basta leggere un contenuto ostile per esfiltrare repository privati. Una ricerca del CERT-AgID sul Model Context Protocol ricostruisce passo per passo come emerge una vulnerabilità di Server-Side Request Forgery e indica come sviluppare integrazioni più sicure.

Identità. Le Non-Human Identities superano quelle umane di due ordini di grandezza, e gli agenti sono la categoria più difficile da governare perché autonomi e delegati da un utente. In Non-Human Identities e agenti di intelligenza artificiale esamino rischi, quadro regolatorio (AI Act e linee guida AgID) e un caso d’uso in un ente locale. Per lo stesso motivo ho riletto i principi Zero Trust pensando a un software che agisce (Zero Trust alla prova degli AI agent).

Agenti in azienda. Una survey tra professionisti IT ha messo in luce quattro problemi, cioè agenti già molto diffusi, agenti non autorizzati (Shadow AI), frequenti violazioni del perimetro o dello scope e conformità usata al posto di una strategia di governance dedicata. I risultati, con alcune indicazioni pratiche, sono riportati in AI Agent nelle organizzazioni: le 4 aree critiche.

Costi. Con gli agenti il costo di un’indagine dipende dai token consumati. Senza capacity planning e controllo dei consumi, un budget esaurito può interrompere un’analisi nel momento peggiore (Cyber security e agentic AI).

Prime letture

Standard e riferimenti

  • OWASP Agentic AI: Threats and Mitigations
  • OWASP Top 10 for LLM Applications, tra cui Excessive Agency
  • Model Context Protocol specifica ufficiale del protocollo
  • OWASP Non-Human Identities Top 10

Chi scrive

Questa pagina raccoglie 9 miei articoli pubblicati tra il 2025 e il 2026. Di questi, 7 sono usciti anche su Cybersecurity360 e ICT Security Magazine. Il mio percorso professionale è descritto nel curriculum.

Articoli9 voci