Il mascheramento dei dati sta diventando sempre più rilevante man mano che i sistemi di intelligenza artificiale ottengono un accesso più ampio alle informazioni aziendali. Questa tecnica non cancella i dati sensibili; ne nasconde invece l’identità originale, preservando al contempo una quantità sufficiente della loro utilità per le attività aziendali legittime.
Gli sviluppatori possono aver bisogno di dati rappresentativi dei clienti per testare le applicazioni, mentre gli analisti devono preservare relazioni e schemi per individuare le tendenze. In entrambi i casi, l’accesso a identità reali, numeri di conto o altri valori sensibili potrebbe non essere necessario. Il mascheramento sostituisce tali valori con alternative realistiche ma inutilizzabili, consentendo alle organizzazioni di lavorare con i dati senza esporne il contenuto originale.
Le organizzazioni possono utilizzare anche la tokenizzazione e la crittografia, a seconda di come devono essere usate le informazioni. Il principio di fondo consiste nell’applicare la protezione in base all’attività, invece di rendere automaticamente disponibili dati sensibili grezzi.
Tuttavia, le aziende devono prima sapere dove sono conservate le loro informazioni sensibili. Il 2026 Thales Data Threat Report ha rilevato che il 34% delle organizzazioni intervistate conosceva completamente la posizione dei propri dati, mentre il 39% ha dichiarato di essere in grado di classificarli tutti. Gli intervistati hanno inoltre riferito di utilizzare in media sette strumenti per la protezione e il monitoraggio dei dati.
Gli ambienti cloud aumentano la difficoltà, perché le informazioni possono essere duplicate tra data lake, piattaforme software-as-a-service, ambienti di sviluppo e backup. I dettagli sensibili possono inoltre rimanere nascosti in documenti non strutturati o diventare accessibili ad applicazioni create molto tempo dopo la raccolta dei dati.
La gestione del livello di sicurezza dei dati affronta questo problema concentrandosi sui dati stessi. Comprende l’individuazione e la classificazione delle informazioni sensibili, l’identificazione del luogo in cui risiedono, la comprensione di chi o che cosa possa accedervi e la valutazione dell’adeguatezza delle misure di sicurezza attuali. Una volta individuata un’esposizione non necessaria, le organizzazioni possono rimuovere o limitare l’accesso oppure applicare misure come il mascheramento, la tokenizzazione e la crittografia.
La questione sta diventando più importante man mano che le aziende passano dalla sperimentazione con l’IA generativa al suo utilizzo nelle operazioni quotidiane. Le applicazioni di IA hanno bisogno di informazioni per produrre risultati, mentre gli agenti possono richiedere un accesso più ampio per recuperare dati, prendere decisioni e agire su più sistemi.
Secondo la stessa ricerca, il 61% delle organizzazioni ha dichiarato che le proprie applicazioni di IA erano prese di mira dagli aggressori, con i dati sensibili identificati come obiettivo principale. Il rapido cambiamento nell’ecosistema dell’IA è stato il rischio per la sicurezza dell’IA citato più frequentemente.
L’applicazione dei principi del privilegio minimo all’IA può limitare questi rischi. L’accesso a un database non dovrebbe fornire automaticamente a un sistema di IA ogni valore sensibile grezzo in esso contenuto. A seconda delle circostanze, le organizzazioni possono mascherare le informazioni personali prima che raggiungano gli ambienti di sviluppo o test, tokenizzare i valori particolarmente sensibili, crittografare i dati e controllarne rigorosamente la decrittografia, oppure impedire del tutto a un sistema di IA di accedere a un dataset.
L’approccio si basa in larga misura su pratiche consolidate di sicurezza dei dati: identificare dove risiedono le informazioni sensibili, comprenderne il contesto, ridurre al minimo gli accessi non necessari e proteggere i dati in base al loro utilizzo. Con l’evoluzione delle applicazioni e dei sistemi di IA, anche queste decisioni devono essere rivalutate.
Fonti: TechRadar.