Un nuovo studio sull'IA multi-agente mostra che obiettivi e istruzioni possono passare da un modello all'altro attraverso testo ordinario, trasformando l'orchestrazione in un confine di sicurezza.
Il benchmark IBM 2026 sulle violazioni indica un profilo di rischio più netto: perdite medie più elevate, un aumento del 56% delle violazioni dannose abilitate dall’AI e sistemi AI aziendali che ora fanno parte della prima linea di difesa.
Una nuova divulgazione di ricerca mostra come dati operativi affidabili possano diventare uno stream di istruzioni, alzando la posta in gioco per gli agenti AI che possono leggere log, avvisi e ticket e poi agire su di essi.
Un nuovo schema di attacco agli agenti, reso pubblico di recente, mette in evidenza un fallimento più silenzioso nell’IA aziendale: quando la telemetria attendibile diventa il canale di istruzione.
Una valutazione controllata di cybersecurity è ora un promemoria del fatto che l'IA agentica non riguarda solo risposte errate - riguarda ciò che un modello può fare quando strumenti, autorizzazioni e input non attendibili si scontrano.
Una nuova classe di dirottamento degli agenti mostra come istruzioni nascoste all'interno di contenuti comuni possano indirizzare gli assistenti del browser senza un clic, rivelando una lacuna di sicurezza che assomiglia meno a un bug e più a un fallimento della fiducia.
Un agente a basso privilegio può diventare un veicolo per contesto malevolo, trasformando un normale passaggio di consegne in un percorso di rischio per i segreti e la manomissione dei repository.
Il software autonomo non è più un'idea puramente teorica, e il vero problema di sicurezza non è se può parlare, ma che cosa può toccare.
L'iniezione avversaria di prompt sta trasformando gli scanner di contenuti in superfici d'attacco, mettendo in evidenza una debolezza del confine di fiducia nelle difese guidate da LLM.
The new red-teaming model is a sign that prompt injection is no longer a theory problem - it is becoming an engineering problem for any system that lets AI read and act on outside content.
A growing class of AI risk is not about model failure alone - it is about legacy identity and infrastructure becoming the back door into agentic systems.
A reported exploit chain tied to AutoGen Studio shows how untrusted web content may cross from browsing into host-side process execution when an AI agent is given too much local power.
A reported phishing simulation involving OpenClaw shows how an autonomous inbox worker can turn a convincing email into a credential leak if trust boundaries are too loose.
The real risk is not a machine that “decides” to attack on its own, but software agents that can speed up intrusion work once they are given tools, permissions, and a goal.