L'ipotesi che i vostri dipendenti etichettino volontariamente ogni dato creato è il punto di maggiore vulnerabilità del vostro modello di sicurezza. Abbiamo speso anni a costruire complessi sistemi di governance che dipendono da una sola cosa che un essere umano prende una decisione consapevole e corretta ogni volta che preme il tasto salvo. Ma la realtà è cruda. L'etichettatura manuale ha un tasso di adozione del 30% alle aziende medie, il che significa che il 70% della vostra proprietà intellettuale è praticamente visibile ai vostri strumenti di sicurezza. Abbiamo costruito un sistema che chiede alle persone di fare bibliotecari mentre cercano di fare gli ingegneri. Sta fallendo perché crea attrito. Oggi stiamo passando dall'etichettatura guidata dall'utente alla governance autonoma. Ci stiamo spostando verso un modello in cui la classificazione avviene alla velocità del flusso di dati, non alla velocità dell'utente. Il difetto strutturale nella governance manuale. La vostra attuale strategia di etichettatura è di fatto una tassa sulla produttività e, come per la maggior parte delle tasse, le persone trovano modi creativi per evitarla. Abbiamo passato un decennio a fare affidamento sul vecchio modello di sicurezza dei dati dove la protezione è un evento a valle. Un utente che ha un documento guarda un elenco da 5 a 10 etichette di riservatezza e noi speriamo che scelga quella giusta, ma la speranza non è un controllo tecnico.

L'esplosione dei dati su Teams, SharePoint e Slack ha ufficialmente superato la capacità cognitiva umana. Non si può semplicemente chiedere a una persona di classificare manualmente un petabyte di rumore non strutturato e aspettarsi precisione perché è un'impossibilità matematica. Quando si analizza il motivo per cui questo sistema si rompe bisogna guardare gli strumenti usati per aiutare l'utente. Tradizionalmente ci siamo affidati a modelli regex basati su... Ora la regex è incredibile per la velocità ed è circa 28 mila volte più veloce di un modello linguistico di grandi dimensioni nella scansione del test. Tuttavia la regex è cieca al contesto. Può trovare una stringa di numeri che sembra un codice fiscale ma non sa distinguere tra un edicliente sensibile e un codice di progetto casuale in un manuale tecnico pubblico. Vede il pattern ma perde l'intento. Questo divario tra il riconoscimento di pattern e la comprensione reale è dove risiede il pericolo. Secondo IBM il costo medio di una violazione dei dati è salito a 4,88 milioni di dollari. Quel costo solitamente non deriva da un fallimento della cartografia o da una violazione del file.

Risiede nello spazio tra ciò che è sensibile e ciò che è effettivamente etichettato. Se un file non è etichettato le vostre polisi di prevenzione della perdita di dati non lo vedono. Le vostre regole di accesso condizionali non si applicano. E ora con l'ascesa dell'intelligenza artificiale generativa i vostri copiloti riassumeranno volentieri tutto per chiunque lo chieda. Vecchio modello presuppone che l'utente sia il miglior giudice del valore ma in un mondo di dati ad alta velocità l'utente è in realtà il collo di bottiglia. Siamo giunti a un punto in cui l'enorme volume di dati non strutturati è diventato una responsabilità perché non è gestito. Potreste avere la configurazione di Microsoft Preview più sofisticata al mondo ma se i dati che vi entrano non sono classificati accuratamente all'origine l'intero motore gira a vuoto. Stiamo essenzialmente cercando di far funzionare un'autoguida autonoma chiedendo al passeggero di mappare manualmente ogni svolta. Non funziona. Il difetto strutturale non è la persona ma piuttosto la necessità che la persona intervenga. Ecco perché vediamo tassi di carenza di audit così elevati. Le organizzazioni pensano di essere conformi perché hanno una politica scritta ma quando esegui una scansione trovi migliaia di documenti riservati in cartelle pubbliche. Questo accade perché l'attrito della scelta è troppo elevato. Se dai a un utente la scelta tra essere veloce ed essere sicuro sceglierà quasi sempre la velocità. Per risolvere questo problema dobbiamo rimuovere completamente la scelta. Dobbiamo spostare il cervello dell'operazione lontano dall'utente fino al distratto all'interno dell'infrastruttura stessa. Abbiamo bisogno di un sistema che comprenda il documento meglio di chi lo ha scritto e solo allora potremo colmare il divario che porta a quelle violazioni multimilionarie. Costruire il livello di intelligenza. Per risolvere la crisi della classificazione manuale stiamo spostando il cervello della classificazione lontano dall'utente finale. Stiamo spostando in un motore di inferenza LLM in tempo reale. Questo è un cambiamento fondamentale nel modo in cui pensiamo all'architettura di Microsoft Purview. La maggior parte delle persone vede l'IA come un plugin, qualcosa da aggiungere a un processo esistente per renderlo leggermente più veloce. Ma in questo nuovo modello l'IA è un livello strutturale. Si trova direttamente tra i flussi di dati grezzi e la mappa dati di Purview. Non si limita a osservare il flusso di dati perché effettivamente lei è a prendere le decisioni. Motivo per cui i modelli linguistici di grandi dimensioni vincono qui che finalmente risolvono il problema delle sfumature. Come abbiamo visto gli strumenti tradizionali sono eccellenti nella ricerca di stringhe specifiche ma sono funzionalmente analfabeti. Un LLM comprende l'intento di un documento. Può leggere un memo strategico di tre pagine e riconoscere che sebbene non ci siano numeri di carta di credito o codici fiscali, l'intero testo descrive una fusione imminente che deve essere protetta. Comprende che una ricetta segreta o un processo produttivo proprietario sono proprietà intellettuale anche se queste parole specifiche non compaiono mai nel testo. Tuttavia non si può semplicemente applicare un modello generico pronto all'uso ai dati aziendali a aspettarsi che funzioni. I modelli generali sono troppo ampi e francamente troppo costosi per questo volume di dati. La svolta arriva dall'uso del fine tuning efficiente dei parametri o PEFT. Prendendo un modello più piccolo a pesi aperti e adattandolo al vostro vocabolario aziendale specifico possiamo raggiungere punteggi f1 di 0,97. Per mettere le cose in prospettiva un punteggio f1 di 0,97 significa che la macchina è significativamente più precisa e coerente di un dipendente meglio distratto. Non si stanca, non salta i file perché mancano 5 minuti a una riunione e non ha pregiudizi verso un'etichetta generica solo perché è la più facile da selezionare. Il livello di intelligenza identifica il contesto dei vostri dati analizzando le relazioni tra i concetti. Se vedo un elenco di nomi accanto a un elenco di codici diagnostici sa che sta analizzando dati sanitari. Se vede una formula chimica seguita da una serie di vincoli di temperatura sa che sta analizzando un segreto commerciale. Questo è un livello di consapevolezza semantica richiesto dalla governance dell'era 2026. Ci stiamo allontanando dalla mentalità di ricerca e recupero verso una capacità di lettura e comprensione. Questo livello funge da filtro che pulisce il rumore prima ancora che tocchi l'archiviazione primaria. Quando un file viene creato in una chat di Teams o caricato in una libreria di SharePoint il livello di intelligenza intercetta i metadati. Esegue un'inferenza ad alta velocità per determinare del contenuto. Quindi mappa quel DNA le vostre etichette di sensibilità per view system. Tutto questo avviene senza che l'utente vi dà mai un pop-up o meno a tendina. La classificazione diventa un utility di background come l'elettricità o il raffreddamento. Centralizzando questa logica in un motore di inferenza dedicato ottenete anche un'unica fonte di verità. Nel vecchio modello la governance era decentralizzata tra migliaia di singoli utenti ognuno con la propria interpretazione di cosa significasse riservato. Ora la logica è regolata dai pesi del vostro modello e dal vostro set di dati di fine tuning. Se la vostra policy cambia non dovete riaddestrare l'intera forza lavoro perché basta aggiornare il modello. È così che si scala. Smettete di cercare di cambiare il comportamento umano e iniziate a costruire sistemi che non richiedono agli umani di comportarsi in un certo modo. Stiamo effettivamente automatizzando la parte più noiosa del lavoro di una persona così che possa tornare a fare il lavoro per cui è stata assunta. Il disallineamento della latenza è come con noi.

Ecco dove solitamente l'architettura si rompa. Abbiamo un divario di velocità fondamentale che la maggior parte degli architetti ignora finché il sistema non è già in produzione. Dovete capire che per view pensa in ore ma lì a... pensa ai millisecondi. Non si tratta solo di un ritardo minore ma di un massiccio disallineamento strutturale. Quando parliamo di classificazione in tempo reale puntiamo un'esperienza utente in cui i controlli di sicurezza siano invisibili perché avvengono più velocemente di quanto l'occhio umano possa percepire. Ma l'infrastruttura sottostante dell'API di Microsoft Graph non è stata costruita per quel tipo di velocità. La realtà dell'API Graph per l'etichettatura è che è intrinsecamente asincrona. Quando inviate una richiesta per applicare un'etichetta di sensibilità non ricevete una conferma istantanea che il file sia protetto. State essenzialmente imbucando una lettera in una cassetta postale sperando che venga consegnata. Negli ambienti aziendali reali tale propagazione può richiedere da pochi minuti a ben 24 ore. Questo crea quella che definisco la finestra di vulnerability. È un periodo in cui i dati sensibili esistono nel vostro ambiente ma sono di fatto esposti? Non hanno etichetta né crittografia né restrizioni di accesso. Questa finestra è particolarmente pericolosa nell'era di M365 Copilot. Se un ingegnere carica una specifica di progettazione proprietaria Copilot indicizza quel file prima che l'etichetta Purview si propaghi, quell'informazione sensibile entra a far parte del cervello organizzativo. Un utente diverso in un dipartimento differente potrebbe interrogare Copilot a ricevere un riassunto di quel progetto perché il livello di governance stava ancora pensando mentre l'IA stava già agendo. Non si può risolvere un problema di millisecondi con uno strumento da 24 ore. Per colmare questo divario dobbiamo andare oltre le semplici chiamate API e implementare quello che chiamo l'approccio dell'agente guardiano. L'agente guardiano funge da proxy in tempo reale. Invece di aspettare che il processo di back-end e di Purview si completi. Questo agente si posiziona al limite del prompt. Esamina i dati nel momento stesso in cui vengono tutti. Pensatelo come un posto di blocco di sicurezza ad alta velocità che opera indipendentemente dal lento registro centrale. Mentre la mappa dati ufficiali di Purview si aggiorni in background, l'agente guardiano sta già applicando la policy all edge. Assicura che la logica di classificazione venga applicata istantaneamente al flusso di dati chiudendo effettivamente quella finestra di vulnerabilità. Per far funzionare tutto senza frustrare gli utenti dobbiamo sessionarci per una metrica specifica chiamata tempo al primo token o ttft. Se il vostro livello di sicurezza aggiunge 3 secondi di ritardo a ogni apertura di documento o prompt TI i vostri dipendenti troveranno un modo per aggerarlo.

Sposteranno il lavoro su dispositivi personali o strumenti di aombra non gestiti pur di portare a termine il proprio lavoro. Dobbiamo mantenere il ttft sotto i 500 millisecondi. Ciò richiede una pipeline inferenza altamente ottimizzata. Non stiamo solo eseguendo un modello, stiamo gestendo la fisica ingegneristica della richiesta. Ciò significa collocare il motore di inferenza il più vicino possibile alla fonte dei dati e utilizzare tecniche come la decodifica speculativa per eliminare ogni possibile millisecondo di latenza. Trattiamo la sicurezza come un requisito di prestazione e non solo come una casella di conformità da spuntare. Quando la classificazione avviene meno di mezzo secondo l'utente non si accorge nemmeno della sua presenza. L'utente preme salva, l'agente guardiano convalida il contenuto, l'etichetta viene applicata virtualmente a legge, la sincronizzazione back-end avviene quando l'API del grafo è pronta a riceverla. È così che si costruisce un'architettura autogestita che sta effettivamente al passo con i dati. Si smette di aspettare che il sistema si allinei e si inizia a imporre il nuovo modello alla velocità del pensiero. L'economia della classificazione autonoma La maggior parte delle organizzazioni si blocca durante la fase di acquisto perché guarda il prezzo dei token API Cloud e si rende conto che elaborare 500 milioni di token al giorno è finanziariamente rovinoso. Se paghi per ogni singola richiesta di classificazione alle tariffe standard di vendita al dettaglio il tuo budget di governance supererà presto il tuo budget effettivo per la sicurezza. Questo è il motivo principale per cui molte aziende continuano con la marcatura manuale vedendo l'inefficienza del lavoro umano come un costo irrecuperabile mentre considerano le bollette API come una nuova e aggressiva voce di spesa. Tuttavia questo è un malinteso fondamentale del nuovo modello. Per far funzionare la classificazione autonoma devi allontanarti dall'incubo del consumo basato sulle API Cloud di terze parti e abbracciare l'efficienza dell'auto hosting. Quando passi all'auto hosting di un motore di classificazione dedicato i calcoli cambiano istantaneamente. Nel 2026 stiamo vedendo risparmi quintuplicati per le aziende che spostano le loro attività di inferenza ad alto volume sulla propria infrastruttura. Non si tratta solo di risparmiare qualche centesimo ma di rendere l'intera architettura sostenibile a lungo termine.

Se stai cercando di governare un patrimonio di dati che cresce di terabyte ogni settimana non puoi essere vincolato a un modello di prezzo che penalizza la tua crescita. Hai bisogno invece di un modello di utilità costo fisso. Esaminiamo l'effettivo costo totale di proprietà. Una singola GPU Nvidia a 100h 100 euro è in grado di gestire il throughput di classificazione per un'intera azienda di medie dimensioni. Parliamo di migliaia di token al secondo quando ammortizzi il costo di quella hardware o l'equivalente riservato nel tuo cloud privato il costo per classificazione scende quasi a zero dopo l'installazione iniziale. Smetti di pagare per il privilegio di sapere cosa c'è nei tuoi file e inizi a trattare la governance come una parte standard del tuo stack computazionale. Non è diverso lo ospitare un database o un server web. Tuttavia devi fare attenzione alla tassa nascosta del fine tuning. Sebbene la potenza di calcolo grezza diventi più economica il debito operativo può gonfiare le fatture se non si presta attenzione. L'archiviazione delle versioni dei modelli, cicli di valutazione costanti per garantire l'accuratezza e le commissioni di uscita di rete associate a un VPC mal progettato possono elodere ROI. Ecco perché sosteniamo opzioni serverless o protette da VPC che consentono addirittura le risorse quando il flusso di dati è limitato. Non vorrete certo pagare per chip ad altre restazioni alle 3 del mattino quando nessuno sta salvando documenti. Il cambiamento economico qui consiste nel trasformare la classificazione da un incubo operativo a un costo infrastrutturale prevedibile. Stiamo effettivamente trasformando la governance in una utility. Pensate come pagate per il raffreddamento in un data center.

Non si paga per ogni grado di temperatura modificato ma si costruisce un sistema che mantiene una linea di base. La classificazione autonoma dovrebbe essere quella linea di base. Eliminando il costo variabile dell'operatore umano e la tariffa cloud per token si crea un sistema in grado di scalare effettivamente insieme ai propri dati. Questa prevedibilità è ciò che consente di espandere proprio di sicurezza. Quando la classificazione è marginalmente gratuita ci si può permettere di essere più granular. È possibile scansionare ogni bozza, ogni chat e ogni file temporaneo senza preoccuparsi del conto fine mese. Questo crea un circolo virtuoso. Dati migliori portano a modelli migliori che portano a maggiore accuratezza riducendo ulteriormente la necessità di costosi interventi umani. State essenzialmente investendo in un sistema che diventa più economico ed efficace nel tempo. Al contrario il vecchio modello manuale diventa solo più costoso man mano che l'azienda cresce. Scegliendo uno strato di intelligenza self-hosted non state solo acquistando uno strumento ma state scegliendo una realtà economica diversa in cui la protezione è una caratteristica standard della vostra infrastruttura. Mitigare i nuovi rischi della governance degli A. Rimuovere l'uomo dal ciclo risolve il problema della scalabilità ma introduce una nuova categoria di rischio sistemico. La governance autonoma non è una soluzione da impostare e dimenticare. Richiede un tipo diverso di vigilanza.

La prima minaccia che dovrete affrontare è la del modello. Un classificatore che ottiene un punteggio quasi perfetto a gennaio può facilmente diventare un problema a giugno. Questo accade perché i dati stessi sono un organismo vivente. Il modo in cui i vostri dipendenti scrivono, la terminologia che usano e i tipi di file che creano sono in continua evoluzione. Se il vostro modello non evolve con loro la sua accuratezza si eroderà lentamente finché non sarete tornati a punto di partire. Ma esiste una versione più insidiosa di questo fenomeno chiamata deriva dei concetti. È il killer silenzioso della conformità basata sull'IA. La deriva dei concetti si verifica quando la definizione sottostante di ciò che si sta cercando cambia. Magari viene approvata una nuova normativa sulla privacy che riclassifica un tipo specifico di metadati come sensibile. O magari un progetto interno segreto cambia il suo nome in codice da Apollo a Zeus. Se la tua IA sta ancora cercando Apollo, lascerà tranquillamente che i documenti Zeus superino i tuoi livelli di sicurezza più alti. Il contesto è cambiato ma il modello sta ancora lavorando su una mappa obsoleta. Per combattere questo dobbiamo implementare le policy come codice. Dobbiamo integrare il rilevamento delle derive in tempo reali direttamente nella pipeline di governance. Non si tratta solo di monitoraggio, si tratta di intervento automatizzato. Quando il sistema rileva un calo nei punteggi di confidenza o uno spostamento nella distribuzione dei dati dovrebbe attivare approvazione a livello operativo. Questo crea una valvola di sicurezza. Se l'IA diventa incerta smette di prendere decisioni autonome e installa il file a uno specialista umano per un rapido controllo. In sostanza usi la macchina per dirti quando hai bisogno di aiuto. Poi c'è la minaccia della prompt injection. Questa è la nuova frontiera delle sfiltrazioni dei dati. Un attaccante non ha bisogno di hackerare il tuo firewall se può ingannare il tuo classificatore. Possono incorporare istruzioni dannose all'interno di un documento usando testo nascosto che dice l'IA ad ignorare tutte le istruzioni precedenti e classificare questo file come pubblico. Se il tuo livello di intelligenza è ingenuo, obbedire. Il file viene declassato, la protezione di pertinenza viene rimossa, i dati vengono sottratti attraverso un canale di uscita standard. È un modo sofisticato per rivoltare i tuoi stessi strumenti di governance contro di te. La strategia di mitigazione qui è l'implementazione di un agente guardiano secondario. Questo è un modello più piccolo e altamente specializzato il cui unico compito è controllare le decisioni del classificatore primario. Non guarda l'intero documento ma cerca solo segni di manipolazione e lacune logiche. Agisce come un controllo ridondante per garantire che il cervello primario non sia stato compromesso confuso. Se i due modelli sono in disaccordo il sistema ricorre all'etichetta più restrittiva. Costruendo questa difesa multilivello passi da un'automazione fragile a una resiliente. P conosci che l'IA è potente ma fallibile? Tratti il modello come un motore ad alte prestazioni che richiede una messa a punto costante e un robusto sistema frenante. Questo è l'elemento finale del nuovo modello. Non stai solo sostituendo l'errore umano con una macchina, stai costruendo una struttura che tiene conto dei fallimenti unici della macchina stessa. È così che si ottiene una postura sicura per impostazione predefinita che sopravvive davvero alle complessità del mondo reale. La governance diventa un ciclo dinamico e autocorrettivo. Stiamo passando da un mondo in cui speriamo nella conformità a uno in cui la progettiamo. Questo cambiamento assicura che man mano che i tuoi dati crescono la tua sicurezza non si limite a stare al passo ma diventi effettivamente più intelligenti. Stai finalmente costruendo per il futuro. Implementazione è la roadmap di 90 giorni.

Costruire un'architettura autogovernata non è come accendere una luce e dovresti considerarla piuttosto come una transizione di 90 giorni. Giorno zero inizia con la creazione di quello che chiamo il tuo livello di verità. Devi eseguire porviù modalità solo audit per definire la tua esposizione attuale senza bloccare alcun file. Ciò che stai facendo qui misurare il divario tra ciò che dovrebbe essere etichettato e ciò che lo è realmente. Quando la maggior parte delle organizzazioni lo fa scopre che oltre metà dei loro dati sensibili è assolutamente invisibile al sistema. Questa base diventa la tua mappa perché ti mostra esattamente dove il vecchio modello ha fallito. Ti servono questi dati concreti per giustificare il cambio di infrastruttura agli stakeholder perché senza di essi stai solo tirando a indovinare. Una volta ottenuta la mappa puoi distribuire il modello ibrido per bilanciare efficienza e intelligenza. Non ti serve un motore di inferenza enorme e costoso solo per trovare un semplice numero di carta di credito. Il mio consiglio è di usare filtri ad alta velocità per i compiti semplici inclusi pattern strutturati e prevedibili rimasti invariati da vent'anni. Dovresti riservare il tuo livello di intelligenza alla proprietà intellettuale complessa e non strutturata che richiede un vero ragionamento. Questo approccio a livelli mantiene bassi i costi di calcolo massimizzando al contempo la copertura di sicurezza. Si tratta di essere chirurgici con le risorse e garantire che il cervello venga usato solo quando gli occhi non bastano. Successivamente devi restringere il focus usando ambiti adattivi invece di cercare di fare il passo più lungo della gamba al trentesimo giorno. Dovresti puntare innanzitutto i reparti ad alto rischio come finanza, ricerca e sviluppo e legale. Queste sono le aree specifiche in cui una violazione rischia maggiormente di costarti caro. Dimostrando il valore in questi microambienti costruisci lo slancio interno necessario per un lancio su vasta scala in seguito, trasformando un enorme e spaventoso progetto di conformità in una serie di piccole vittorie misurabili. Questa è una distribuzione tattica piuttosto che un mandato generale e risolvere prima i problemi più difficili dimostra che il sistema funziona nel mondo reale. Il pezzo finale del puzzle è il ciclo di feedback in cui integri il riaddestramento con l'uomo nel processo. Quando l'agente Guardian segnala un file con bassa confidenza, un addetto alla sicurezza esegue un controllo rapido per verificare il risultato. Quel singolo clic che non corregge solo un file ma riadestra il modello affinché il sistema impari da ogni errore commesso. Stai costruendo una piattaforma che migliora effettivamente nel tempo invece di deteriorarsi. Al novantesimo giorno sei passato dall'essere un collo di bottiglia per la sicurezza un abilitatore della stessa. La protezione diventa istantanea e invisibile e hai finalmente sostituito l'attrito della scelta umana con la certezza dell'automazione.