01 / AI — DIGITAL INFRASTRUCTURE

GESTIONE
PERMESSI
AI

Ogni utente accede solo a ciò per cui è autorizzato. Ogni documento sensibile è protetto da policy che si aggiornano automaticamente con i cambiamenti organizzativi. Zero accessi non autorizzati — by design, non per caso.

IL RISCHIO
DEI PERMESSI
MAL GESTITI

Un sistema AI senza controllo granulare degli accessi è una superficie di attacco aperta. Un dipendente curioso, un account compromesso o un'integrazione mal configurata possono esporre dati sensibili all'intero sistema.

01

Data leakage orizzontale

Un sistema RAG senza row-level security restituisce qualsiasi documento all'utente che fa la query giusta. Stipendi, strategie commerciali riservate, dati personali: tutto accessibile a chi non dovrebbe vederlo.

02

Permessi statici obsoleti

Permessi configurati manualmente al momento del deploy non si aggiornano quando i dipendenti cambiano ruolo, vengono trasferiti o lasciano l'azienda. Il rischio cresce in modo silenzioso nel tempo.

03

Minimo privilegio violato

Dare a tutti gli utenti accesso completo per semplicità operativa è la scelta più comune e più pericolosa. Il principio del minimo privilegio — ogni utente accede solo a ciò che gli serve — va progettato, non sperare che accada da solo.

MODELLI DI
CONTROLLO
ACCESSI

Implementiamo il modello di autorizzazione più adatto alla struttura organizzativa e alla complessità dei dati, dal RBAC classico al ABAC contestuale fino all'approccio Zero Trust completo.

RBAC — Role-Based Access Control

I permessi vengono assegnati a ruoli aziendali (commerciale, tecnico, manager, admin) e gli utenti ereditano i permessi del loro ruolo. Semplice da gestire, scalabile e ben supportato dall'integrazione con Active Directory e Azure AD.

ABAC — Attribute-Based Access Control

I permessi vengono calcolati dinamicamente in base agli attributi dell'utente (reparto, sede, clearance level), del documento (classificazione, owner, data creazione) e del contesto (ora, device). Più flessibile del RBAC per organizzazioni complesse.

Zero Trust per AI

Nessuna richiesta al sistema AI viene considerata sicura per default, indipendentemente dalla provenienza. Ogni query viene autenticata, autorizzata e validata. Il principio "never trust, always verify" applicato all'AI enterprise.

Row-Level Security su RAG

Nel sistema RAG, ogni documento viene etichettato con metadati di permesso. Il retrieval applica un filtro basato sull'identità dell'utente: solo i documenti autorizzati per il suo ruolo vengono recuperati e usati come contesto per la risposta del modello.

Policy Engine

Motore di policy centralizzato (Open Policy Agent, Cedar) che definisce regole di autorizzazione come codice, versionabile e testabile. Le policy vengono applicate uniformemente a tutti i componenti del sistema AI, indipendentemente dal linguaggio di implementazione.

IAM e provisioning automatico

Sistema IAM integrato con HR che proviziona automaticamente i permessi AI corretti quando un dipendente viene assunto, cambia ruolo o lascia l'azienda. Zero configurazione manuale, zero account dimenticati.

COME PROGETTIAMO
IL CONTROLLO
ACCESSI

Ogni sistema AI ha una struttura dati e organizzativa diversa. Progettiamo il controllo accessi a partire dall'analisi di chi deve vedere cosa, poi lo implementiamo in modo che si mantenga corretto nel tempo.

01

Mappatura dati e ruoli

Identifichiamo tutti i tipi di dato presenti nel sistema AI (documenti, KB, output), classifichiamo la loro sensibilità, mappiamo i ruoli organizzativi e definiamo la matrice accessi. Coinvolgiamo IT, HR, DPO e responsabili di funzione.

02

Implementazione e integrazione

Implementiamo il modello di autorizzazione scelto (RBAC/ABAC), integriamo con l'identity provider aziendale, configuriamo il row-level security nel vector store e implementiamo il policy engine con le regole definite.

03

Test, audit e manutenzione

Testiamo tutti i boundary di accesso con utenti di test di ciascun ruolo, configuriamo l'audit logging su ogni accesso ai dati, e definiamo il processo di manutenzione per aggiornare le policy quando l'organizzazione cambia.

FRAMEWORK E
STRUMENTI

Utilizziamo standard aperti e strumenti battle-tested per implementare il controllo accessi AI in modo robusto, manutenibile e auditabile.

RBAC ABAC IAM Zero Trust Policy Engine Audit Open Policy Agent Cedar
TERRITORIO

PERMESSI AI
IN LOMBARDIA

Enplin progetta sistemi di gestione permessi AI per aziende a Meda, Monza, Milano e in tutta la Lombardia. Lavoriamo con aziende manifatturiere, commerciali e di servizi che devono garantire la segregazione dei dati tra reparti, filiali e ruoli organizzativi in ambienti AI enterprise.

Meda Monza Milano Lombardia Italia

Nelle aziende lombarde con strutture multi-sede, reti di vendita estese e supply chain complesse, la gestione dei permessi AI non è un dettaglio tecnico ma un requisito di business: un agente di zona non deve vedere i margini delle altre zone, un fornitore non deve accedere ai dati dei clienti, un dipendente temporaneo non deve avere gli stessi accessi di un dirigente. Lo progettiamo insieme, fin dall'inizio.

FAQ

DOMANDE
FREQUENTI

Come si gestiscono i permessi in un sistema AI aziendale?
La gestione dei permessi in un sistema AI avviene su più livelli. Autenticazione: l'utente si autentica tramite SSO con le credenziali aziendali. Autorizzazione: i ruoli dell'utente (propagati dall'identity provider) determinano quali funzionalità AI può usare e a quali dati può accedere. Dati: nel sistema RAG, il retrieval filtra automaticamente i documenti in base ai permessi dell'utente. Policy: le acceptable use policy definiscono cosa si può chiedere al sistema AI in base al ruolo. Ogni livello è indipendente e collabora con gli altri per una copertura completa.
Cos'è il RBAC applicato all'AI?
RBAC (Role-Based Access Control) applicato all'AI è un modello di controllo accessi in cui i permessi vengono assegnati a ruoli predefiniti, e gli utenti ereditano i permessi del loro ruolo. In un sistema AI, i ruoli tipici includono: utente base (accesso al chatbot con dati generali), specialista (accesso a dati di dominio specifico), manager (visibilità cross-funzionale), amministratore (accesso completo e log). Il RBAC semplifica la gestione: per aggiornare i permessi di una categoria di utenti si modifica il ruolo, non i singoli utenti. I ruoli vengono sincronizzati dai gruppi di Active Directory o Azure AD.
Utenti diversi possono avere accesso a dati AI diversi?
Sì, ed è uno dei requisiti più comuni nei sistemi AI enterprise. In un sistema RAG con accesso controllato, ogni query viene eseguita solo sul sottoinsieme di documenti per cui quell'utente ha i permessi: i documenti vengono etichettati con metadati di permesso al momento dell'indicizzazione, e il retrieval applica un filtro basato sull'identità. Questo garantisce che un agente commerciale non possa leggere dati HR, che un dipendente di filiale non acceda ai dati delle altre sedi, e che i contratti riservati siano visibili solo ai destinatari autorizzati. L'architettura si chiama Row-Level Security applicata al vector retrieval.
Come si previene l'accesso non autorizzato a sistemi AI?
La prevenzione dell'accesso non autorizzato si basa su difese a strati: autenticazione forte (SSO con MFA obbligatorio); autorizzazione granulare (RBAC o ABAC con principio del minimo privilegio); network isolation (sistemi AI interni accessibili solo da VPN o rete aziendale); rate limiting (prevenzione di uso eccessivo o automatizzato non autorizzato); monitoring continuo (alert su accessi anomali e query insolite); audit trail completo (ogni accesso registrato con chi, quando, cosa); session management (timeout automatico, revoca sessioni su cambio credenziali). L'approccio Zero Trust — non fidarsi mai, verificare sempre — si applica anche ai sistemi AI interni.
INIZIA ORA

CHI PUO' VEDERE
COSA NEL TUO
SISTEMA AI?

PARLA CON NOI ↗