Con l’Agentic AI la data security non può più limitarsi a governare chi accede ai dati: deve proteggere il dato e controllare cosa le identità autonome possono farne.

Dall’utente all’agente: cosa cambia

Per vent’anni abbiamo costruito la data security attorno all’utente: un’identità con un ruolo, credenziali e privilegi definiti. Anche davanti a un insider malevolo o a un account compromesso, il paradigma restava sostanzialmente invariato: un’identità accedeva a un sistema e compiva un’azione.

L’Agentic AI cambia le regole. Un agente AI non si limita a generare una risposta. Agisce, mantiene un contesto e decide come raggiungere un obiettivo. Può leggere e‑mail, interrogare CRM, consultare documenti, utilizzare API, aggiornare database e interagire con altri sistemi, il tutto con credenziali legittime.

Il rischio: azioni lecite, effetti non previsti

Qui nasce il nuovo rischio: ogni singola azione può essere autorizzata, mentre la combinazione di quelle azioni potrebbe non essere mai stata prevista. A questo si aggiunge la prompt injection indiretta: un’e‑mail, un documento o una pagina web possono contenere istruzioni capaci di influenzare il comportamento dell’agente. L’attaccante non deve violare direttamente il perimetro, ma manipolare le informazioni usate da un agente già interno.

Oltre IAM e DLP: una data security centrata sul dato

I controlli tradizionali restano essenziali, ma non sono più sufficienti. IAM, PAM e RBAC governano identità e privilegi; DLP e network security controllano dati, canali e perimetri. L’Agentic AI introduce una domanda ulteriore: cosa può fare un’identità autonoma con l’insieme delle informazioni e degli strumenti a cui è legittimamente autorizzata? La risposta richiede un modello realmente data‑centric.

Scoprire e classificare i dati

Il primo pilastro è la continuous data discovery: conoscere e classificare i dati sensibili ovunque si trovino, includendo knowledge base, ambienti RAG, log, cache e repository utilizzati dagli agenti. Non possiamo proteggere ciò che non sappiamo di avere.

Proteggere il dato in modo persistente

Il secondo è la protezione persistente del dato. Tokenizzazione, pseudonimizzazione e cifratura, applicate dove appropriate, riducono le informazioni sensibili in chiaro a disposizione dell’agente. Per molte attività di analisi e correlazione, l’agente non ha bisogno di conoscere il nome reale del cliente, il suo IBAN o altri identificativi.

Il ritorno al dato in chiaro può così diventare un evento governato, autorizzato e tracciabile. La tokenizzazione non impedisce una prompt injection e non sostituisce i controlli di sicurezza, ma riduce il valore dell’informazione raggiungibile da un agente compromesso, limitando il raggio d’impatto potenziale (blast radius).

Trattare l’agente come un’identità aziendale

Infine dobbiamo iniziare a trattare l’agente come una vera identità aziendale: responsabile (owner) identificato, privilegio minimo (least privilege), credenziali temporanee, delega tracciabile, controllo degli strumenti utilizzabili e supervisione umana delle operazioni più critiche.

Il nuovo modello in sintesi

    • Identity: limita ciò che l’agente può fare.
    • Data Security: limita ciò che può vedere.
    • Runtime Governance: controlla ciò che sta facendo.

Questa tripla salvaguardia consente di gestire l’autonomia degli agenti AI senza sacrificare la protezione dei dati sensibili.

Fonti: OWASP Gen AI Security Project, LLM01: Prompt Injection; NIST, Adversarial Machine Learning: A Taxonomy and Terminology of Attacks and Mitigations (NIST AI 100‑2e2025), sezione 3.4 sull’indirect prompt injection; CERT‑AgID, «Prompt injection a effetto differito: il caso degli Explosive Prompts», ottobre 2026.