I fenomeni di "shadow IT" e "shadow AI" non sono più sufficienti a descrivere la complessità crescente del rischio digitale nella transizione aziendale. Oggi emerge lo "shadow operation", cioè l’utilizzo non autorizzato di agenti autonomi — spesso dotati di AI — in processi operativi critici, in assenza di controlli formali. Si tratta di un fenomeno più profondo e più difficile da monitorare rispetto agli altri due, ed è ormai una variabile strategica che sfida governance, sicurezza e cultura organizzativa.
La terza fase dell’autodeterminazione digitale
Dal "shadow IT", con l’uso di software non autorizzati da parte dei dipendenti, al "shadow AI", dove vengono utilizzati strumenti di intelligenza artificiale generativa senza supervisione strutturata, ci si avvia oggi verso l'"shadow operation". Quest’ultima si distingue per il fatto che non si limita all’uso di strumenti, ma riguarda l’applicazione diretta di agenti autonomi in flussi aziendali integrati e operativi. Questi agenti possono accedere a credenziali, API, interagire con sistemi sensibili, e operare con un livello di autonomia che spesso bypassa i controlli esistenti.
Il rischio non è nuovo, ma è radicalmente diverso: non coinvolge solo l’utilizzo illegale di tecnologie, ma la modifica diretta di processi operativi, la gestione di dati critici e la potenziale ridefinizione della governance digitale da parte di strumenti autonomi non tracciati.
Rischi multipli: dati, credenziali e responsabilità
Una volta che un agente AI entra nel perimetro operativo di un’azienda — attraverso un codice non verificato, una dipendenza non tracciabile o un sistema di sviluppo non governato — comincia ad agire. Può modificare configurazioni cloud, interagire con i repository, avviare pipeline di dati, inviare richieste a sistemi esterni, e addirittura rispondere autonomamente in tempo reale a eventi complessi. Questo avviene in modo non deterministico, e spesso senza essere registrato dal sistema di controllo. Il risultato? Un ambiente aziendale dove i processi non sono più governati solo da umani, ma anche da agenti autonomi non identificati e mal integrati.
- Il primo rischio riguarda la gestione delle credenziali e delle identità: gli agenti possono operare come entità "non umane", con identità non umane, non verificate e spesso non inventariate.
- Il secondo riguarda la protezione dei dati: i dati sensibili, quando trasferiti a modelli o agenti non controllati, possono essere utilizzati per addestrare sistemi esterni — con rischi per la competitività e la proprietà intellettuale.
- Il terzo, più sottile ma profondo, è culturale. L’uso incontrollato di strumenti autonomi, se non gestito, diventa parte della routine. In assenza di governance chiara, si radica una pratica di automazione che non è supportata da una corrispondente responsabilità strutturata.
L’Italia nell’era dell’AI non governata
Nel contesto italiano, la complessità è ulteriormente amplificata da una cultura di compliance spesso reattiva. Il dato del Politecnico di Milano è indicativo: il 84% delle grandi aziende italiane ha licenze di AI generativa, ma solo il 9% ha una governance strutturata per essa. Parallelamente, l’80% dei lavoratori italiani dichiara di utilizzare strumenti AI non aziendali per il proprio lavoro. Questi numeri non sono solo simboli di una crescente diffusione dell’AI, ma di una sua applicazione estesa e quasi invisibile.
Un fenomeno in crescita esponenziale
Secondo il rapporto “The NHI & Secrets Risk” di Entro Labs, nel 2022-2025 le entità non umane (come workload automatizzati e agenti AI) superano in numero quelle umane. Per ogni persona in azienda, ci sono 144 identità non umane, con un aumento del 44% in un solo anno. Nelle grandi aziende distribuite su più business unit, i responsabili non sono in grado di mappare completamente dove si trovano gli agenti, a quali sistemi accedono, o con quali permessi operano.
Gli strumenti esistono, ma non sono sufficienti
Non mancano, tuttavia, soluzioni tecnologiche disponibili per mitigare questi rischi. Ci sono:
- Piattaforme di rilevamento e gestione delle identità non umane.
- Sistemi di accesso just-in-time e creazione di credenziali effimere.
- Strumenti di verifica delle azioni di agenti AI, come analisi in tempo reale dei dialoghi prompt-risposta.
- Nuove architetture di identità per workload con monitoraggio continuo.
Tuttavia, il gap sta nel loro utilizzo. Molti di questi strumenti non vengono applicati sistematicamente agli agenti AI. Inoltre, manca una vista integrata di tutto il "stack" delle entità autonomi che operano all’interno di un’azienda.
Tre gap critici che ostacolano una governance efficace
Il problema non è tanto l’assenza di tecnologia, quanto la difficoltà a gestire il cambiamento strutturale che ne consegue. I tre principali gap sono:
- L'adozione: le soluzioni non sono integrate in modo sistematico, e spesso vengono utilizzate con la stessa attenzione di un’applicazione tradizionale.
- La frammentazione: nessuna piattaforma abbraccia tutta la catena degli agenti, delle dipendenze e degli orchestratori.
- La velocità: la natura dinamica degli agenti e l’evoluzione rapida dei modelli AI anticipano le policy che dovrebbero governarli, aprendo nuove superfici d’attacco.
Dal codice alle dipendenze, il monitoraggio deve essere proattivo
Il rischio principale inizia quando l’agente entra nel codice: non in runtime, ma in fase di modifica, attraverso una pull request, una dipendenza o una configurazione di sistema non verificata. È in quel momento che uno sviluppatore potrebbe attribuire all’agente privilegi eccessivi, credenziali statiche o scope troppo ampi. Se i controlli non vengono fatti a livello di codice, l’azienda finisce per reagire a problemi che ormai sono parte integrante dell’infrastructure.
Gli agenti non operano in isolamento
Un singolo agente difficilmente lavora in silos. Spesso è parte di una rete intricata di dipendenze interne ed esterne. Eppure, molte aziende non hanno una mappatura completa di queste relazioni. Senza questo "inventario" del contesto operativo, è impossibile tracciare responsabilità o analizzare rischi. Si aggiunge anche la complessità di ridefinire i test funzionali di queste architetture. La natura non deterministica degli agenti introduce una variabilità che rende difficile anticipare comportamenti e progettare test affidabili.
Come rispondere a questi nuovi rischi
La soluzione non sta nel bloccare l’uso degli agenti o nel rimandare ad un futuro ipotetico dove strumenti maturi potranno governarli. Sta invece nel ridefinire l