Nel giro di due settimane, alcuni dei servizi più visibili dell’economia digitale statunitense hanno smesso di funzionare o hanno operato con forti limitazioni. Apple Pay ha registrato un’interruzione, la rete interna di comunicazione della NASA è risultata indisponibile, la Federal Aviation Administration ha fermato i voli per ore e un guasto di Microsoft ha colpito Outlook, Teams e Copilot per quasi due giorni. Episodi diversi per soggetti coinvolti e conseguenze, ma abbastanza ravvicinati da alimentare una domanda inevitabile: si tratta soltanto di coincidenze?

Al momento non emergono elementi per descrivere la sequenza come una campagna coordinata. Le aziende interessate hanno indicato problemi tecnici e non attacchi informatici; anche l’intelligence statunitense non ha rilevato segnali di terrorismo sponsorizzato da uno Stato. Donald Trump ha parlato di eventi individuali. È una distinzione cruciale: l’accumulo di outage non costituisce, da solo, prova di un’intrusione o di un’operazione ostile.

Ciò non rende la vicenda meno rilevante sul piano della cybersecurity. Secondo esperti interpellati da TechCrunch, la chiave potrebbe stare nel modo in cui l’intelligenza artificiale e gli strumenti di automazione stanno cambiando la scoperta delle vulnerabilità, i cicli di aggiornamento e il collegamento tra software recente e infrastrutture costruite decenni fa. Non sarebbe quindi l’immagine più immediata dell’AI — un agente autonomo che sabota servizi essenziali — ma un effetto sistemico della sua adozione accelerata.

La superficie di rischio cresce insieme alla capacità di individuarla

Dave DeWalt, investitore con una lunga esperienza nel settore della sicurezza, già alla guida di McAfee e vicepresidente del CISA Advisory Council, interpreta questi segnali come difficoltà di assestamento di difese che stanno evolvendo. Gli strumenti basati sull’AI possono analizzare configurazioni, codice e dipendenze a velocità e scala molto superiori rispetto ai processi tradizionali. In questo modo portano alla luce difetti che esistevano già, ma che erano rimasti sommersi, non documentati o considerati poco urgenti.

La conseguenza pratica può essere paradossale. Quando un’organizzazione scopre in poco tempo molte esposizioni, tende a intervenire rapidamente: applica patch, modifica configurazioni, sostituisce componenti, introduce controlli aggiuntivi. Ogni correzione può ridurre un rischio futuro, ma rappresenta anche un cambiamento in produzione. Se l’ambiente è vasto, poco segmentato e dipendente da applicazioni vecchie, l’urgenza di chiudere una falla può aumentare il rischio operativo nel breve periodo.

Questa dinamica non dimostra che gli outage citati derivino da patch o dall’uso dell’AI: le cause specifiche restano separate e, in alcuni casi, oggetto di verifiche. Offre però una cornice utile per leggere la concentrazione di incidenti. Le imprese non affrontano più solo il problema di difendersi da attori esterni; devono anche governare un volume crescente di modifiche interne, generate da processi di sviluppo, sicurezza e migrazione sempre più rapidi.

Il precedente più vicino è il cosiddetto Black October della cybersecurity: il 21 ottobre una serie di incidenti distinti aveva coinvolto progetti e componenti come PHP, Node.js e LiteLLM. Anche allora non c’era una prova di un’unica regia. Il filo comune era piuttosto la dipendenza diffusa da infrastrutture software condivise, spesso invisibili agli utenti finali, in cui una vulnerabilità o un errore di manutenzione possono propagare effetti molto lontano dal punto d’origine.

Quando il software nuovo incontra hardware e procedure del passato

Anusha Iyer, ingegnera del software e fondatrice della startup di sicurezza Corsha, invita a non attribuire all’AI responsabilità che appartengono soprattutto alla modernizzazione incompleta. Molti sistemi industriali e critici non erano stati progettati per essere connessi come lo sono oggi, né per dialogare in modo continuo e sicuro con piattaforme cloud, applicazioni moderne e sistemi automatizzati. Collegarli dopo anni richiede più di una nuova interfaccia: serve capire i limiti fisici, logici e organizzativi dell’infrastruttura esistente.

Il caso FAA è emblematico perché riguarda un apparato dove disponibilità e affidabilità non sono metriche commerciali astratte. Le indicazioni preliminari richiamate da Iyer suggeriscono che l’interruzione possa essere maturata durante il rinnovamento dell’infrastruttura di telecomunicazione: la transizione avrebbe sovraccaricato parti dell’hardware legacy. In questa lettura, tecnologie capaci di lavorare secondo standard e capacità contemporanei finiscono per sollecitare sistemi più vecchi oltre la soglia per cui erano stati progettati.

Non è una criticità esclusiva dell’aviazione. Banche, sanità, pubblica amministrazione, logistica e industria mantengono ambienti ibridi: processi core costruiti su piattaforme difficili da sostituire convivono con API, servizi cloud, strumenti di analisi e applicazioni basate su modelli generativi. L’eredità tecnologica non è un difetto in sé. Spesso è il risultato di sistemi che hanno funzionato per anni e che custodiscono dati, procedure e integrazioni essenziali. Diventa un rischio quando l’interdipendenza non è mappata con precisione e il cambiamento arriva prima della capacità di controllarne gli effetti.

Il senatore Mark Warner, vicepresidente della commissione Intelligence del Senato degli Stati Uniti, ha definito queste interruzioni un campanello d’allarme sul divario tra la velocità dell’AI e la capacità di gestirne le conseguenze. È un richiamo che riguarda tanto la resilienza quanto la sicurezza. Un servizio può non essere vittima di un attacco e risultare comunque vulnerabile: basta un aggiornamento mal calibrato, una dipendenza inattesa o un canale di comunicazione non adeguatamente isolato per interrompere un’attività critica.

La resilienza richiede controlli prima, non dopo il rilascio

La risposta non consiste nel bloccare l’adozione dell’AI o nel trattare ogni sistema legacy come un ostacolo da eliminare. Serve una disciplina operativa più rigorosa. DeWalt indica la necessità di test più approfonditi e di una migliore priorità negli interventi; Iyer pone l’accento sulla segmentazione e sul controllo degli accessi. In concreto, significa evitare che una componente moderna possa trasmettere senza barriere errori, picchi di carico o comportamenti inattesi a una parte più fragile dell’architettura.

  • Separare i sistemi critici dalle integrazioni non indispensabili, limitando percorsi e privilegi di accesso.
  • Testare gli aggiornamenti in ambienti rappresentativi, inclusi i componenti legacy e le dipendenze esterne.
  • Introdurre rilasci graduali, piani di rollback verificati e soglie chiare per fermare una modifica.
  • Trattare inventario, osservabilità e gestione delle configurazioni come controlli di sicurezza, non soltanto come attività IT.

Il limite è che queste misure richiedono tempo, competenze e investimenti proprio mentre le organizzazioni vengono spinte a integrare nuove capacità AI per ragioni di produttività e competitività. L’automazione può aiutare a individuare anomalie e a gestire configurazioni complesse, ma non sostituisce la conoscenza del contesto. Un modello può segnalare una vulnerabilità; non può decidere in autonomia, senza adeguate garanzie, quale sistema di controllo del traffico, pagamento o comunicazione sia sicuro aggiornare e in quali condizioni.

Le indagini sui singoli disservizi stabiliranno se esistano collegamenti tecnici concreti o se la loro vicinanza temporale sia casuale. Intanto, la lezione è già chiara: nel passaggio a infrastrutture più intelligenti, la sicurezza non coincide soltanto con il rilevamento delle minacce. Coincide con la capacità di introdurre cambiamenti senza spezzare i servizi da cui dipendono cittadini, imprese e istituzioni.

Fonti