“Cybersecurity dell’IA” non è un singolo titolo professionale nell’organigramma di alcun datore di lavoro. Indica un insieme di ruoli comparsi negli ultimi anni all’interno di team di sicurezza esistenti, ciascuno dei quali attinge a una parte diversa della disciplina tradizionale: testare i sistemi di IA come un penetration tester sonda un’applicazione, mettere in sicurezza il software e le pipeline che circondano un modello in produzione, applicare strumenti di IA al lavoro di rilevamento e risposta, e governare il modo in cui un’organizzazione adotta la tecnologia. Nessuno degli enti di normazione o degli studi sulla forza lavoro citati di seguito li tratta come un unico ruolo, e nemmeno questo articolo.
Contesto
Il punto di riferimento che la maggior parte dei datori di lavoro e degli enti di formazione statunitensi usa per descrivere i lavori di cybersecurity in generale è il NICE Workforce Framework for Cybersecurity, mantenuto dal NIST e ospitato dalla CISA. Organizza la professione in categorie di ruoli di lavoro (Oversight and Governance, Design and Development, Implementation and Operation, Protection and Defense e Investigation), ciascuna suddivisa in enunciati di compiti, conoscenze e competenze anziché in titoli professionali fissi [1]. Al momento della stesura, il framework pubblicato non ha una propria categoria di ruoli specifica per l’IA; i ruoli descritti in questo articolo rientrano nelle categorie esistenti, prendendo in prestito il lessico da materiali di riferimento più recenti e specifici per l’IA laddove il framework tace.
Questi materiali più recenti provengono principalmente da tre fonti: il Gen AI Security Project di OWASP, che pubblica la Top 10 for LLM Applications, un elenco di categorie di rischio come prompt injection, divulgazione di informazioni sensibili, rischio della catena di fornitura e agency eccessiva [2]; MITRE ATLAS, una base di conoscenza pubblica di tattiche e tecniche avversarie rivolte ai sistemi di IA, costruita come complemento del framework ATT&CK di MITRE [3]; e il NIST AI Risk Management Framework, che struttura il lavoro sul rischio dell’IA in quattro funzioni: Govern, Map, Measure e Manage [4]. Da chi opera in uno qualsiasi dei quattro ruoli descritti di seguito ci si aspetta, in pratica, la conoscenza di almeno uno di questi tre documenti.
Sul versante del mercato del lavoro, CyberSeek, un progetto congiunto di NICE, CompTIA e della società di analisi del lavoro Lightcast, ha censito 514,359 annunci di lavoro per posizioni di cybersecurity sul mercato statunitense tra maggio 2024 e aprile 2025, a fronte di una forza lavoro globale della cybersecurity stimata in circa 4,970,000 persone. Di quegli annunci, CyberSeek ha rilevato che il 10 percento richiedeva esplicitamente competenze di IA [5]. Si tratta di una minoranza degli annunci, e questo conta per la lettura del resto dell’articolo: il lavoro sulla sicurezza dell’IA è attualmente un’aggiunta a una carriera nella cybersecurity, costruita su una base, e non ancora un mercato del lavoro a sé.
Evidenze
Il red teaming dell’IA è il più documentato pubblicamente dei quattro. L’AI Red Team di Microsoft, costituito nel 2018, descrive il proprio compito come la verifica dei sistemi di IA sia rispetto all’uso malevolo sia rispetto ai guasti ordinari, e il suo resoconto del lavoro evidenzia due differenze rispetto al test del software convenzionale: i sistemi generativi sono probabilistici, quindi “the same input twice may provide different outputs”, il che impone tentativi ripetuti anziché un singolo test deterministico; e le applicazioni costruite su questi modelli “change at a faster rate” rispetto al software tradizionale, quindi una valutazione eseguita una volta invecchia prima [6]. Chi svolge questo ruolo usa MITRE ATLAS come riferimento di lavoro per catalogare le tecniche di attacco contro i sistemi di machine learning, così come un red teamer convenzionale farebbe riferimento ad ATT&CK [3].
La sicurezza di modelli e agenti è un ruolo più ristretto e più orientato all’ingegneria: mettere in sicurezza lo strato applicativo attorno a un modello in produzione, anziché i pesi o i dati di addestramento del modello stesso. La Top 10 for LLM Applications di OWASP è quanto di più vicino esista a un programma condiviso per questo sotto-campo, e le sue categorie fungono anche da descrizione approssimativa del lavoro: prompt injection, gestione insicura dell’output, avvelenamento di dati e modelli, agency eccessiva concessa a un agente autonomo e rischio della catena di fornitura nelle librerie e nei modelli di terze parti da cui dipende un’applicazione [2]. Chi fa questo lavoro tende a provenire dalla sicurezza applicativa più che dalla data science, perché la competenza di fondo è verificare come un input non fidato attraversa un sistema, applicata a un tipo di sistema più recente.
La detection engineering che usa l’IA rientra nella categoria Protection and Defense di NICE e si sovrappone ampiamente al lavoro esistente delle operazioni di sicurezza: costruire le regole, i modelli e le pipeline che trasformano la telemetria grezza in avvisi su cui una persona può agire, includendo ora tra gli input segnali generati o assistiti dall’IA [1]. MITRE D3FEND, un grafo di conoscenza delle contromisure difensive costruito congiuntamente da MITRE e dal Cybersecurity Directorate della NSA, è il riferimento pubblicato più vicino per questo versante del lavoro: organizza le difese in sei tattiche (Model, Harden, Detect, Isolate, Deceive e Restore) e associa contromisure specifiche alle tecniche offensive che contrastano, offrendo ai detection engineer un lessico condiviso per descrivere che cosa fa effettivamente un dato controllo [7]. D3FEND non ha nulla di specifico per l’IA; il ruolo consiste nell’applicarlo a pipeline che ora includono segnali derivati dall’IA.
La governance dell’IA è l’area più recente e, in base alle evidenze disponibili, attualmente la più grande per preoccupazione dichiarata da datori di lavoro e professionisti. Il framework stesso del NIST tratta la governance come una delle sue quattro funzioni fondamentali, che comprende supervisione organizzativa, strutture di responsabilità e politiche prima che venga applicato qualsiasi controllo tecnico [4]. Nel settembre 2026 ISC2 ha condotto su LinkedIn un sondaggio tra più di 500 professionisti della cybersecurity, chiedendo che cosa vada definito con più urgenza mentre l’IA trasforma la professione; il 68 percento ha scelto “AI governance and compliance”, davanti ai framework di threat modelling per l’IA (16 percento), alla sicurezza delle pipeline di dati dell’IA (11 percento) e alle difese contro gli attacchi avversariali (5 percento) [8]. Un sondaggio di queste dimensioni e di questo formato non è un campione scientifico dell’intera professione, punto su cui l’articolo torna nella sezione Limiti, ma la direzione del risultato, con il lavoro di governance davanti a tutte le categorie tecniche messe insieme, è difficile da leggere in altro modo.
| Ruolo | Che cosa fa | Da dove proviene | Materiale di riferimento |
|---|---|---|---|
| Red teaming dell’IA | Sonda ripetutamente i sistemi di IA in produzione alla ricerca di guasti e usi impropri, dati gli output probabilistici | Penetration testing, ricerca sul ML avversariale | MITRE ATLAS [3] |
| Sicurezza di modelli / agenti | Mette in sicurezza lo strato applicativo e la catena di fornitura attorno a un modello o agente in produzione | Sicurezza applicativa | OWASP LLM Top 10 [2] |
| Detection engineering | Costruisce e regola le pipeline che trasformano la telemetria, compresi i segnali derivati dall’IA, in avvisi | Operazioni di sicurezza, analisi SOC | MITRE D3FEND [7] |
| Governance dell’IA | Definisce politiche, responsabilità e controlli del rischio per l’adozione dell’IA in un’organizzazione | Gestione del rischio, compliance | NIST AI RMF [4] |
Analisi
Due aspetti emergono quando i ruoli vengono messi uno accanto all’altro. Primo, nessuno di essi rappresenta una rottura netta con il lavoro di cybersecurity esistente: ciascuno è una disciplina tradizionale (red teaming, sicurezza applicativa, operazioni di sicurezza, governance) applicata a un tipo di obiettivo più recente. Ciò corrisponde a quanto implicano i dati di CyberSeek: con solo il 10 percento degli annunci che cita specificamente competenze di IA, la maggior parte dei datori di lavoro non sta ancora assumendo per un ruolo distinto di “sicurezza dell’IA”, quanto piuttosto chiedendo ai ruoli esistenti di coprire più terreno [5]. Secondo, la via d’accesso a ciascuno dei quattro passa ancora prima di tutto dalle basi generali della cybersecurity. Gli enunciati di compiti, conoscenze e competenze del NICE Framework per le sue categorie esistenti, e non un percorso separato sull’IA, restano la base descritta da datori di lavoro ed enti di formazione [1], e la credenziale d’ingresso di ISC2, Certified in Cybersecurity (CC), che non presuppone esperienza lavorativa precedente, copre ancora principi generali di sicurezza, governance, gestione di identità e accessi, reti e operazioni di sicurezza prima di qualsiasi argomento specifico sull’IA [9].
Si entra in questi ruoli attraverso un piccolo numero di percorsi consolidati anziché un’unica filiera: una base di cybersecurity (da autodidatta, con un bootcamp o con una laurea) seguita da una specializzazione una volta entrati in un team; una formazione nel software o nella data science che si sposta verso la sicurezza quando un team ha bisogno di qualcuno che metta in sicurezza ciò che ha costruito; e la pratica diretta attraverso esercitazioni capture-the-flag, che ora includono moduli sulla sicurezza dell’IA. La CyLab Security Academy della Carnegie Mellon University gestisce picoCTF, una piattaforma gratuita che si è estesa “from basic security fundamentals to advanced areas such as AI security”, e considera la partecipazione continuativa, non un singolo certificato, come la prova di competenza da seguire nel tempo [10]. Ciò che i datori di lavoro chiedono, leggendo le fonti sopra citate nel loro insieme, tende a essere una conoscenza operativa di uno o più tra NICE, la LLM Top 10 di OWASP, MITRE ATLAS o D3FEND e il NIST AI RMF, insieme alle basi generali di sicurezza su cui poggia ciascuno dei quattro ruoli.
- Prima le basi della cybersecurity: la triade CIA, la distinzione tra minacce, vulnerabilità e rischio, e l’ingegneria sociale, cioè il lessico che ciascuno dei quattro ruoli presuppone. Il corso Foundations of cybersecurity di FireAI University copre questo terreno.
- Poi il threat modelling: imparare a ragionare su chi prenderebbe di mira un sistema e perché, prima di specializzarsi in una tecnica. Vedi Threat modelling and risk.
- Infine un percorso: il lavoro offensivo verso il red teaming dell’IA tramite Offensive security: how the red team thinks e Adversarial AI and threat hunting; il lavoro difensivo verso la detection engineering tramite Defensive operations: how the blue team works e, per il versante del problema basato sull’host, AI-driven desktop defense.
Raccomandazioni
- Costruire la base generale prima della specializzazione: sono ancora le categorie esistenti del NICE Framework, non un percorso dedicato solo all’IA, a cui attinge la maggior parte delle descrizioni dei posti di lavoro [1].
- Leggere la Top 10 for LLM Applications di OWASP e almeno scorrere i casi di studio di MITRE ATLAS; entrambi sono gratuiti, pubblici e sono i documenti che chi ricopre questi ruoli dovrebbe già conoscere [2] [3].
- Esercitarsi su una piattaforma CTF che includa sfide sulla sicurezza dell’IA, come picoCTF, anziché considerare sufficiente la sola teoria [10].
- Se interessa la governance, studiare direttamente le quattro funzioni del NIST AI RMF; il sondaggio di ISC2 indica che i datori di lavoro valutano attualmente quest’area al di sopra di qualsiasi singola specializzazione tecnica [4] [8].
- Seguire come evolvono effettivamente le minacce e gli strumenti di fondo, anziché affidarsi a un’unica fonte statica, tramite un registro di ricerca aggiornato come il FireAI Radar.
Limiti
Il NICE Framework, nella versione pubblicata, non definisce ancora ruoli di lavoro specifici per l’IA; i quattro raggruppamenti di questo articolo sono una sintesi di standard affini elaborata da questa pubblicazione, non una tassonomia ufficiale, e i titoli professionali per lo stesso lavoro variano molto tra datori di lavoro [1]. Il sondaggio di ISC2 sulla governance ha raccolto più di 500 risposte da un unico pubblico LinkedIn che ha scelto spontaneamente di rispondere; è un segnale reale dell’orientamento dei professionisti, non un campione probabilistico della professione, e il suo margine di errore non è dichiarato [8]. Il dato del 10 percento di CyberSeek conta qualsiasi annuncio che menzioni competenze di IA, il che può includere un’alfabetizzazione generale sull’IA anziché lavoro specifico sulla sicurezza dell’IA, e riguarda solo il mercato statunitense [5]. Sulle retribuzioni: l’unica fonte consultata con cifre salariali concrete, i dati globali sulle certificazioni ISC2 del 2024, non è specifica dei ruoli di sicurezza dell’IA; riportava retribuzioni medie globali da $94,948 per la credenziale SSCP, vicina al livello d’ingresso, a $119,577 per la CISSP a maggio 2024, e nessuna fonte consultata per questo articolo fornisce un dato separato e affidabile per gli specialisti della sicurezza dell’IA [11].
Il ruolo di FireAI e di HisnLabs
Nessuno dei quattro ruoli descritti in questo articolo è svolto da un firewall; FireAI è uno strumento più circoscritto, su dispositivo, e il legame onesto con una carriera in questo campo passa per la pratica e il materiale di riferimento, non per il prodotto.
FireAI è il prodotto di HisnLabs: un firewall con IA che funziona direttamente sul Mac. Mostra in linguaggio chiaro ogni connessione che le tue app effettuano e ti lascia decidere cosa esce dal tuo Mac — la sua IA lavora in locale, quindi il tuo traffico non viene mai inviato a noi né a nessun altro. Il team di ricerca sulla sicurezza di HisnLabs è quello che mantiene affidabili queste decisioni: cataloga quali domini sono semplice telemetria e quali un servizio reale, traccia il Paese e la rete dietro una connessione e addestra il modello locale (la funzione FireAI Pilot) su schemi di traffico reali, senza che nulla lasci il tuo Mac.
Puoi leggere le scelte tecniche che ci stanno dietro, oppure provare FireAI per 17 giorni, su FireAI, di HisnLabs.