Liat Hayun, SVP Product Management & Research at Tenable – Intervista

Liat Hayun è il VP di Product e Research di Tenable Cloud Security. Prima di unirsi a Tenable, Liat ha co-fondato e ricoperto il ruolo di CEO di Eureka Security, una società di sicurezza dei dati acquisita da Tenable. Prima di co-fondare Eureka Security, Liat ha trascorso oltre un decennio guidando gli sforzi di sicurezza informatica presso il Comando cibernetico israeliano e presso Palo Alto Networks (PANW ). Come VP di Product Management di Palo Alto Networks, Liat ha guidato lo sviluppo di Cortex XDR e del servizio di caccia alle minacce gestito della società.

Tenable è una società di sicurezza informatica statunitense che si concentra sull’aiutare le organizzazioni a identificare, comprendere, classificare e porre rimedio alle vulnerabilità di sicurezza in tutta la loro superficie di attacco digitale. È nota per la sua piattaforma di gestione dell’esposizione e strumenti come il vulnerabilità scanner Nessus, che consente alle aziende di acquisire visibilità sulle minacce che interessano l’infrastruttura IT, cloud, OT/IoT e sistemi di identità e di intraprendere azioni decisive per ridurre il rischio che impatta sull’attività.

Cosa rende fondamentalmente gli agenti AI autonomi più pericolosi dei modelli di intelligenza artificiale tradizionali che rispondono solo ai prompt dell’utente e non agiscono in modo indipendente?

Gli agenti AI autonomi cambiano la natura del rischio perché possono avviare attività, accedere ai sistemi, prendere decisioni e interagire con altri servizi senza la supervisione umana.

Quell’indipendenza aumenta sia la velocità che la portata del potenziale impatto, aumentando la probabilità di esposizione dei dati, interruzione operativa e perdita finanziaria. Un agente AI può interrogare archivi di dati, attivare flussi di lavoro, chiamare API o modificare l’infrastruttura in tempo reale. Se non configurato correttamente o compromesso, può spostarsi lateralmente attraverso i sistemi utilizzando le autorizzazioni concesse, spesso più velocemente di quanto un umano possa rilevare o intervenire.

Secondo il Rapporto sui rischi di sicurezza cloud e AI di Tenable 2026, il 52% delle organizzazioni ha ora identità non umane con autorizzazioni eccessive e quasi la metà di queste sono inattive, creando un accesso non gestito diffuso attraverso gli ambienti di produzione. Ciò significa che molti processi guidati dall’AI hanno già accesso che non utilizzano attivamente, ma che gli aggressori possono sfruttare.

Gli aggressori sfruttano sempre più il problema del vice confuso. Non devono compromettere l’agente stesso. Invece, ingannano un agente autorizzato per eseguire azioni in loro nome, spesso attraverso iniezione di prompt indiretta o input manipolati. L’agente esegue la richiesta utilizzando le autorizzazioni legittime, eseguendo di fatto il lavoro dell’aggressore. Quando i sistemi autonomi ereditano autorizzazioni ampie o assumono ruoli sovrapprivilegiati, il tempo tra la configurazione errata e lo sfruttamento si riduce effettivamente, creando un divario di esposizione AI a margine zero.

Molte aziende stanno sperimentando agenti AI in modo informale. Quali sono i primi passi concreti che i team di sicurezza dovrebbero fare per valutare se l’AI agente sta già operando all’interno del loro ambiente?

La chiusura del divario di esposizione AI inizia con la scoperta che va oltre gli inventari di asset tradizionali. La fase di sperimentazione è spesso la più pericolosa perché le organizzazioni non conoscono completamente quale AI viene utilizzato, come è configurato o quali autorizzazioni gli sono state concesse.

Gli agenti AI raramente vivono in un unico sistema chiaramente etichettato. Molti operano al di fuori della governance formale. Appaiono in strumenti per sviluppatori, integrazioni SaaS, flussi di lavoro di automazione, estensioni del browser e servizi cloud, creando una distribuzione distribuita che aumenta i punti ciechi e limita il controllo centralizzato. Ciò è già diffuso, poiché più del 70% delle organizzazioni ha integrato almeno un pacchetto di terze parti relativo all’AI o ai modelli, spesso incorporando l’AI profondamente nelle applicazioni e nell’infrastruttura con un limitato controllo centralizzato.

Recenti ricerche su Clawdbot mostra che i dispiegamenti sperimentali di agenti possono presentare gravi rischi quando le capacità vengono dispiegate prima che i controlli di sicurezza o gli standard di configurazione siano completamente compresi. Anche dopo la fine della sperimentazione e la decisione di adottare applicazioni AI, le organizzazioni hanno ancora bisogno di una forte governance su come quei sistemi vengono utilizzati, quali autorizzazioni detengono e come interagiscono con asset critici.

La fase di scoperta dovrebbe iniziare stabilendo un inventario unificato di dove esiste l’AI attraverso endpoint, infrastruttura cloud e superfici di attacco esterne. Ciò include l’identificazione di librerie AI, agenti, API, servizi di modelli e integrazioni di terze parti, non solo sistemi distribuiti internamente, ma anche tutto ciò che è raggiungibile esternamente.

Successivamente, i team devono mappare come quegli agenti sono connessi e quali dati accedono, quali identità utilizzano, quali autorizzazioni detengono e quali sistemi possono raggiungere. La visibilità richiede contesto poiché il rischio emerge dalle relazioni.

Infine, dopo la sperimentazione, le organizzazioni dovrebbero identificare quali di quelle connessioni creano percorsi raggiungibili per asset critici e chiudere il divario di esposizione AI.

Quali sono i rischi come superfici di controllo esposte o “abilità” di terze parti non verificate in confronto a minacce più familiari come gli attacchi alla catena di approvvigionamento o l’escalation di privilegi?

Le abilità di agenti di terze parti non verificate e le superfici di controllo esposte estendono rischi simili a quelli della compromissione della catena di approvvigionamento e dell’escalation di privilegi, ma con velocità, portata e connettività amplificate.

Le abilità degli agenti di terze parti funzionano molto come le dipendenze della catena di approvvigionamento del software, e la superficie di esposizione già rappresenta un peso significativo. L’86% delle organizzazioni ospita pacchetti di codice di terze parti con vulnerabilità di gravità critica. Quando questi componenti operano all’interno di agenti AI autonomi, l’esecuzione diventa continua e automatizzata, eliminando il tempo tra la compromissione e l’impatto.

Le superfici di controllo esposte ampliano lo strato di rischio dell’identità e dell’accesso creando nuove interfacce operative che portano autorizzazioni elevate. Il 18% delle organizzazioni consente già ai servizi AI di assumere ruoli sovrapprivilegiati, concedendo ai sistemi automatizzati un’ampia portata attraverso gli ambienti. L’AI agente collega queste esposizioni in una catena operativa unica. Una dipendenza vulnerabile, autorizzazioni eccessive e interfacce esposte si combinano in un percorso di attacco raggiungibile. Le organizzazioni operano in un ambiente a margine zero per l’errore, in cui l’esposizione e lo sfruttamento si allineano quasi istantaneamente.

Da un punto di vista difensivo, cosa significa “buona igiene” per le organizzazioni che distribuiscono agenti AI con accesso ai sistemi interni o ai dati sensibili?

La buona igiene inizia con il trattare gli agenti AI come attori digitali privilegiati con autorità reale attraverso i sistemi e i dati. Le organizzazioni necessitano di visibilità continua in ogni agente, cosa fa e cosa può raggiungere. I team dovrebbero applicare il principio del minimo privilegio per le identità di macchina e servizio, rimuovere l’accesso inattivo e limitare strettamente le autorizzazioni. Ogni agente dovrebbe essere dedicato a un tipo specifico di attività, con autorizzazioni e accesso limitati strettamente a quella funzione.

Ciò è importante perché l’accesso non utilizzato è diffuso. Quasi la metà delle identità con autorizzazioni eccessive critiche sono inattive e più del 70% dei ruoli di esecuzione AI predefiniti rimangono inutilizzati. Queste condizioni creano percorsi di escalation pronti all’uso che rappresentano un rischio senza fornire valore.

I team di sicurezza devono anche comprendere le relazioni attraverso l’infrastruttura, gli archivi di dati, le API e le applicazioni. La mappatura di queste connessioni rivela combinazioni di esposizione tossiche, come carichi di lavoro vulnerabili raggiungibili attraverso agenti sovrapprivilegiati con accesso a dati sensibili.

Una forte igiene richiede anche una governance continua. Le organizzazioni devono monitorare il comportamento degli agenti, controllare le integrazioni, applicare guardrail per i dati e convalidare regolarmente le autorizzazioni. Queste pratiche chiudono il divario di esposizione AI e rimuovono i percorsi di attacco raggiungibili.

Cosa consiglieresti alle organizzazioni di fare per proteggere le superfici di attacco AI in modo rapido senza rallentare l’innovazione?

Le organizzazioni possono proteggere le superfici di attacco AI riducendo l’esposizione con velocità e precisione.

Per farlo, la prima priorità è identificare quali sistemi AI creano percorsi raggiungibili per asset critici. Più dell’80% delle organizzazioni esegue carichi di lavoro con vulnerabilità già sfruttate nel mondo reale. Il rischio esiste già all’interno della maggior parte degli ambienti. I team di sicurezza devono concentrarsi sulle connessioni che creano un impatto reale.

Quindi, si renda conto che l’automazione consente la scalabilità. La scoperta continua, la priorità contestuale e la correzione guidata consentono ai team di ridurre il rischio mantenendo la velocità di sviluppo.

Mentre le barriere di policy salvaguardano l’adozione, l’accesso just-in-time, i flussi di dati monitorati e le integrazioni controllate aiutano le organizzazioni a gestire l’attività AI mantenendo l’innovazione.

Insieme, questi passi riducono il divario di esposizione AI rimuovendo l’accesso ad alto rischio e le connessioni non sicure. La rapida riduzione dell’esposizione protegge i sistemi consentendo l’adozione di AI di procedere.

Come dovrebbero pensare i CISO all’identità, alle autorizzazioni e all’ambito quando concedono agli agenti AI l’accesso ai sistemi di produzione?

I CISO dovrebbero trattare gli agenti AI come identità non umane ad alta velocità con autorità operativa attraverso i sistemi e i dati.

Le decisioni di accesso dovrebbero concentrarsi sulla precisione. Le autorizzazioni dovrebbero allinearsi con attività specifiche, rimanere limitate nel tempo e subire una revisione continua. L’eccesso di privilegio amplia la portata e aumenta l’impatto quando i sistemi interagiscono alla velocità della macchina.

I leader della sicurezza hanno anche bisogno di una chiara comprensione della portata effettiva. Le autorizzazioni, combinate con percorsi di rete, accesso ai dati e integrazioni di servizi, definiscono cosa può fare effettivamente un agente. La comprensione di queste relazioni rivela l’esposizione potenziale prima che diventi un impatto.

L’identità collega l’infrastruttura, i dati e le applicazioni attraverso il divario di esposizione AI. La progettazione delle autorizzazioni strette limita il raggio d’azione e mantiene il controllo. Quando il tempo tra la scoperta dell’esposizione e lo sfruttamento è quasi zero, la governance dell’identità determina quanto sicuramente l’AI operi in produzione.

Ci si aspetta che l’AI agente costringa a rivedere i framework di sicurezza esistenti o possono essere adattati per gestire questi nuovi rischi?

I principi di sicurezza rimangono coerenti, ma i modelli operativi stanno evolvendo. L’AI agente collega i sistemi, le identità e i dati in ambienti dinamici che cambiano continuamente e operano alla velocità della macchina. A differenza degli operatori umani, gli agenti non applicano il giudizio alle loro azioni o distinguono tra richieste appropriate e inopportune. Eseguono in base alle istruzioni e alle autorizzazioni, il che aumenta l’importanza di un controllo e una governance rigorosi.

Il rischio emerge dalle relazioni attraverso l’infrastruttura, le catene di approvvigionamento del software e gli strati di identità. Le organizzazioni ereditano l’esposizione più velocemente di quanto i cicli di correzione possano stare al passo. La distribuzione automatizzata e lo sfruttamento automatizzato comprimono il tempo di risposta e aumentano la pressione operativa.

I framework di sicurezza devono concentrarsi sulla visibilità e sulla riduzione dell’esposizione. I team richiedono una comprensione continua di cosa esiste, come i sistemi si connettono e quali percorsi portano agli asset critici.

La sfida definitiva è gestire il rischio interconnesso attraverso il divario di esposizione AI. I programmi di sicurezza hanno successo continuando a ridurre l’esposizione raggiungibile e mantenendo il controllo attraverso ambienti complessi.

Guardando avanti, quali aree di ricerca sulla sicurezza dell’AI agente meritano più attenzione mentre questi strumenti si spostano dall’esperimento alla missione critica?

Diverse aree di ricerca daranno forma al futuro della sicurezza dell’AI agente.

Innanzitutto, la crescita degli ecosistemi di identità non umane richiede un’analisi più approfondita. Le organizzazioni stanno rapidamente espandendo le identità di macchina che operano attraverso l’infrastruttura, i dati e i servizi. La comprensione dei modelli di privilegio, del comportamento e della gestione del ciclo di vita sarà essenziale.

In secondo luogo, la ricerca deve avanzare nella modellazione dei percorsi di attacco a più passaggi. I sistemi AI collegano le catene di approvvigionamento del software, l’infrastruttura cloud e gli strati di identità. La mappatura di come questi elementi interagiscono migliorerà la previsione e la priorità del rischio.

In terzo luogo, la governance della presa di decisione autonoma richiede una maggiore attenzione. I team di sicurezza necessitano di visibilità su come gli agenti accedono, elaborano e trasferiscono dati sensibili nel tempo.

Infine, la velocità di sfruttamento continua ad accelerare. Lo studio di come gli aggressori e i difensori operano alla velocità della macchina darà forma alle strategie di risposta.

La sicurezza futura dipende dalla comprensione e dalla riduzione del divario di esposizione AI. La ricerca deve concentrarsi sul controllo dell’esposizione interconnessa in tutta la superficie di attacco.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Tenable.