Vai al contenuto
Ora nel mondoEU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

portale su IA e tecnologiaeventi · analisi · interviste · approfondimenti tecnici

Cerca
LIVE
›

Apple limita l'accesso al disco su macOS con l'avanzare degli agenti AI

Apple ha annunciato il 2 ottobre di introdurre controlli più severi per l'accesso completo al disco su macOS. L'azienda collega la mossa ai rischi crescenti degli agenti AI autonomi che accedono ai dati degli utenti.

IA e modelliAnalisiChiara RomanoPubblicato: 4 ottobre 20265 min di letturaFonti 11
Apple limita l'accesso al disco su macOS con l'avanzare degli agenti AI

Il 2 ottobre Apple ha pubblicato una dichiarazione sul sito per sviluppatori. La modifica cambia il modo in cui le app richiedono l'accesso completo al disco su macOS. L'azienda ha scritto che "alcuni sviluppatori" usano questo permesso in "modi che potrebbero mettere a rischio gli utenti". È un cambio strutturale nel modo in cui i sistemi operativi gestiscono i permessi per i software che agiscono per conto delle persone.

La minaccia concreta

Apple spiega che oggi l'accesso completo al disco serve a far funzionare le applicazioni di backup. Il permesso però "aggira in gran parte" i controlli standard sulla privacy. Secondo il post di Apple, un uso improprio può esporre "tutto ciò che c'è sui loro sistemi, inclusi file, mail, messaggi e persino la cronologia di navigazione" senza che l'utente se ne renda pienamente conto. Per le app di messaggistica il problema si estende alla privacy delle persone con cui l'utente sta parlando. L'azienda osserva che, man mano che gli agenti AI diventano "sempre più capaci e autonomi", i rischi legati a questo livello di accesso "cresceranno in modo sostanziale".

Il momento conta. L'annuncio arriva mentre strumenti come Meta Muse e Dots di OpenAI guadagnano popolarità. Sono agenti sempre attivi che chiedono un accesso ampio ai dati personali. 9to5Mac ha riportato che su Meta Muse circolano già "storie dell'orrore". Il rischio teorico, in altre parole, sta diventando un problema pratico. Apple dice che introdurrà controlli perché gli utenti concedano questo accesso "straordinario" solo con un'"azione molto esplicita". Al momento del report l'azienda non ha dato altri dettagli sull'implementazione tecnica.

Identità e controllo degli accessi

Mentre Apple interviene sul permesso a livello di sistema operativo, nel mondo degli strumenti per agenti corre in parallelo un'altra tendenza, quella dell'identità. Dare a un agente le tue credenziali personali crea un problema di sicurezza. L'app non riesce a distinguere le tue azioni da quelle dell'agente. Se l'agente si comporta male, l'unico modo per fermarlo è cambiare la tua password. Così facendo però resti fuori dal tuo account. AgentMail, che fornisce soluzioni di identità per gli agenti, sostiene un modello diverso. Propone di dare agli agenti un'identità propria, con una casella di posta e una chiave di accesso dedicate. In questo modello l'agente è un soggetto distinto. Se una credenziale finisce nelle mani sbagliate, riguarda solo l'accesso di quell'agente, non l'intero account del proprietario. Il proprietario resta registrato come la persona responsabile, ma il raggio del danno resta contenuto.

La distinzione tra delega e identità separata sta diventando una scelta architetturale standard. Per gli agenti che agiscono dentro gli account che già hai, prendere in prestito l'autorità funziona. Per gli agenti che si iscrivono a servizi, ricevono mail e mantengono account nel tempo, un'identità separata è più sicura. Poter revocare l'accesso di un agente senza toccare il proprietario umano è una funzione di sicurezza essenziale. Un login preso in prestito non la offre.

Verifica e deriva

I permessi sono solo una parte del problema. L'altra è assicurarsi che l'agente faccia ciò che dichiara di fare. Microsoft e Hugging Face il 3 ottobre hanno pubblicato un benchmark chiamato ThinkingBox. Valuta gli agenti AI sui dati che lasciano in un database, non sulle frasi che generano. Il benchmark mette gli agenti di fronte a 507 flussi di lavoro aziendali con stato, ognuno ripetuto 20 volte. I risultati sono netti. In un test su 121.680 prove valide con 12 modelli LLM, 79.853 tentativi non hanno superato i controlli eseguibili. Di questi fallimenti, il 67,24% degli agenti si è chiuso senza errori e non ha segnalato nulla. Eppure il database mostrava valori sbagliati nei campi nel 77,61% di quei casi. Effetti collaterali non voluti sono comparsi nel 43,30% dei fallimenti. Il problema di fondo è questo: un agente può sembrare corretto e lasciare il sistema nello stato sbagliato.

A complicare tutto c'è la "deriva degli agenti". Il concetto, descritto in dettaglio in una recente analisi di Sdarchitect, si verifica quando il comportamento di un agente cambia senza che sia stato distribuito nuovo codice. Gli agenti operano in un sistema di modelli, strumenti e dati. Qualsiasi cambiamento in questi elementi può alterarne il comportamento. Un fornitore che aggiorna la versione di un modello o cambia i controlli di sicurezza può far agire l'agente in modo diverso. I sistemi tradizionali di controllo delle modifiche, che seguono i rilasci di codice, non se ne accorgono. La conseguenza è che la valutazione deve essere continua, non un controllo di progettazione fatto una volta sola. Se l'ambiente cambia, cambia anche il comportamento dell'agente, indipendentemente dal suo codice.

Infrastruttura e supervisione

Con l'aumentare dell'autonomia degli agenti, l'infrastruttura intorno a loro si evolve per gestire il rischio. Spawned ha lanciato una piattaforma cloud pensata sia per le persone sia per gli agenti. Permette di distribuire infrastruttura reale su AWS, GCP o Azure. Usa un framework dichiarativo per evitare che gli agenti creino configurazioni errate o componenti inventati. Kimchi punta su altro, cioè su costi e governance dei dati. Impone tetti di spesa rigidi e garantisce che i dati dei modelli non escano dall'ambiente aziendale. È un requisito essenziale per i settori con molti obblighi di conformità.

Le barriere tecniche però non bastano se la supervisione umana è difettosa. Un articolo intitolato "Oversight Has a Capacity", pubblicato su arXiv a giugno 2026, sostiene che i cancelli di approvazione con l'uomo nel ciclo si basano su presupposti sbagliati. Lo studio rileva che i revisori concordano solo in misura moderata su cosa sia un'azione rischiosa, con un kappa di Fleiss di 0,52. Soprattutto, l'attenzione umana è finita. Se la si modella come una risorsa che si consuma, la sicurezza effettiva segue una curva a U rovesciata. Troppe escalation possono rendere un sistema meno sicuro, perché il revisore si stanca. La strategia ottimale è escalare meno del 100% delle volte, riservando il giudizio umano alle decisioni più critiche. La supervisione così non è solo un problema di classificazione, ma di allocazione delle risorse.

L'intreccio di questi sviluppi segna una nuova fase nel deployment degli agenti AI. Non basta più costruire un modello intelligente. L'attenzione si sposta sull'intero sistema. Riguarda come l'agente si identifica, come viene verificato rispetto allo stato reale, come viene gestito il suo ambiente e come la supervisione umana viene calibrata per evitare la stanchezza. La mossa di Apple sui permessi di macOS è un segnale che i produttori di sistemi operativi prendono la cosa sul serio. L'epoca in cui gli agenti erano semplici script sta finendo. La prossima generazione di strumenti darà per scontato che gli agenti siano attori autonomi. Avranno identità proprie, budget propri e una propria capacità di sbagliare che solo una verifica rigorosa, basata sullo stato, può intercettare.

Commenti 0

Fonti

11
  1. 01Apple says it's tightening macOS privacy controls amid the rise of AI agentsEN
  2. 02Give Your AI Agent Its Own IdentityEN
  3. 03The Agent Said It Was Done. The Database DisagreedEN
  4. 04AI Risk – A user's guide (Part IV): Understanding Agent DriftEN
  5. 05Spawned: AIO cloud platform for humans and agentsEN
  6. 06Pi-based coding agent with hard budget capsEN
  7. 07Oversight Has a Capacity: Calibrating Agent Guards to a Subjective, Fatiguing HumanEN
  8. 08Against Personal Agents Theory of Everything Why the Future of Work Is a FactoryEN
  9. 09I stopped reviewing my agents' code. Here's what I do insteadEN
  10. 10Design Systems for AI AgentsEN
  11. 11Writing Evals for Agentic Systems as a 4 Step LoopEN

Tutti i numeri e le citazioni di questo testo provengono dalle fonti elencate sotto.

I contenuti sono stati preparati dalla redazione con il supporto dell'IA.

Chiara Romano

Chiara Romano

IA, modelli e tecnologie

Chiara Romano scrive di tecnologia, IA e modelli, media e internet per FLASH24, partendo da documentazione tecnica, repository e specifiche invece che da comunicati stampa. Per ogni modello o piattaforma che segue controlla versioni, licenze, parametri e benchmark, e verifica i numeri confrontandoli con i dati originali o con test indipendenti. Confronta le schede tecniche tra fornitori, parla con sviluppatori e amministratori di sistema, e tiene d'occhio le finestre di rilascio e le modifiche ai termini d'uso. Fuori dalla redazione gestisce self-hosting e reti domestiche, esperienza che le serve per capire come funzionano davvero i servizi che racconta. Non pubblica una notizia se la fonte primaria non è verificabile.

Redazione →

Commenti

0
  1. Nessun commento — sii il primo.

Scrivi un commento

I commenti sono pubblici. Non pubblichiamo insulti, spam né pubblicità.