---
id: CP-290
slug: model-extraction-furto-modello-ia
lang: it
title: Furto di un modello IA tramite richieste all'API
description: Come un concorrente copia un modello IA interrogandolo tramite la sua API e cosa ne ricava un dipendente di un'azienda che lo espone.
canonical_url: https://startbrain.io/cyberpedia/it/articles/model-extraction-furto-modello-ia/
markdown_url: https://startbrain.io/cyberpedia/it/articles/model-extraction-furto-modello-ia.md
publisher: Brain (https://startbrain.io)
license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/)
cite_as: Brain, «Furto di un modello IA tramite richieste all'API», Cyberpedia, 2026. https://startbrain.io/cyberpedia/it/articles/model-extraction-furto-modello-ia/ (CC BY 4.0)
wing: 4
theme: use_responsibly
reflex: air-040
schema: G1
updated: "2026-11-14"
translations:
  it: https://startbrain.io/cyberpedia/it/articles/model-extraction-furto-modello-ia/
  fr: https://startbrain.io/cyberpedia/fr/articles/model-extraction-vol-modele-ia/
  en: https://startbrain.io/cyberpedia/en/articles/model-extraction-ai-model-theft/
  de: https://startbrain.io/cyberpedia/de/articles/model-extraction-diebstahl-ki-modell/
  es: https://startbrain.io/cyberpedia/es/articles/model-extraction-robo-modelo-ia/
  nl: https://startbrain.io/cyberpedia/nl/articles/diefstal-ai-model-via-api-verzoeken/
  pl: https://startbrain.io/cyberpedia/pl/articles/model-extraction-kradziez-modelu-ai/
  pt: https://startbrain.io/cyberpedia/pt/articles/model-extraction-roubo-modelo-ia/
  ja: https://startbrain.io/cyberpedia/ja/articles/model-extraction-ai-model-theft/
sources:
  - "n": 1
    title: "GTIG AI Threat Tracker: Distillation, Experimentation, and (Continued) Integration of AI for Adversarial Use"
    publisher: Google
    url: https://cloud.google.com/blog/topics/threat-intelligence/distillation-experimentation-integration-ai-adversarial-use
    published: "2026-02-12"
    accessed: "2026-11-14"
  - "n": 2
    title: Our new report details the latest ways threat actors are misusing AI.
    publisher: Google
    url: https://blog.google/innovation-and-ai/infrastructure-and-cloud/google-cloud/gtig-report-ai-cyber-attacks-feb-2026/
    published: "2026-02-12"
    accessed: "2026-11-14"
  - "n": 3
    title: "Cloud CISO Perspectives: New AI threats report: Distillation, experimentation, and integration"
    publisher: Google
    url: https://cloud.google.com/blog/products/identity-security/cloud-ciso-perspectives-new-ai-threats-report-distillation-experimentation-integration
    published: "2026-02-19"
    accessed: "2026-11-14"
  - "n": 4
    title: LLM10:2025 Unbounded Consumption
    publisher: OWASP
    url: https://genai.owasp.org/llmrisk/llm102025-unbounded-consumption/
    published: "2024-04-10"
    accessed: "2026-11-14"
  - "n": 5
    title: LLM02:2025 Sensitive Information Disclosure
    publisher: OWASP
    url: https://genai.owasp.org/llmrisk/llm022025-sensitive-information-disclosure/
    published: "2024-04-10"
    accessed: "2026-11-14"
---

# Furto di un modello IA tramite richieste all'API

Un modello di IA offerto come servizio può essere copiato senza che alcun server venga violato. Secondo il Google Threat Intelligence Group (GTIG), degli attori usano un accesso legittimo all'API per tentare di clonare alcune capacità di un modello, mentre un tempo serviva un'intrusione informatica classica per rubare segreti industriali [1]. Il principio si svolge in due tempi: interrogare il modello in modo metodico, poi addestrare un altro modello sulle sue risposte [1].

Questo articolo si rivolge innanzitutto ai fornitori di modelli. Google scrive che altre aziende dotate di modelli di IA probabilmente vi si troveranno di fronte in un futuro prossimo [2], e prevede di vedere questi attacchi comparire altrove man mano che altre organizzazioni espongono i propri modelli ai clienti e al pubblico [3]. Un dipendente di un'azienda che offre un modello ai propri clienti è quindi coinvolto nella sorveglianza dell'API e nella protezione degli accessi.

## In 30 secondi

- Dove succede: sull'API di un modello offerto come servizio. Gli attacchi descritti da Google riguardavano i suoi modelli Gemini [1].
- Cosa vuole l'attaccante: accelerare lo sviluppo del proprio modello, rapidamente e a un costo nettamente inferiore, riprendendo ciò che un modello maturo ha imparato [1].
- Chi è colpito: i fornitori di modelli e i fornitori di servizi di IA. L'utente comune in generale non è esposto a un rischio [1].
- Il riflesso: se la Sua azienda fornisce un modello di IA come servizio, sorvegliare l'accesso all'API per individuare schemi di estrazione o di distillazione [1] e limitare il numero di richieste che una stessa fonte può inviare [4].

## Domande dirette

### Che cos'è un attacco di estrazione di modello?

Avviene quando un avversario usa un accesso legittimo per sondare in modo metodico un modello di apprendimento automatico maturo, allo scopo di ricavarne informazioni che servono ad addestrare un nuovo modello [1]. L'attaccante ricorre a questo scopo alla distillazione di conoscenze, da cui il nome di « attacchi per distillazione » [1].

### La distillazione è sempre un attacco?

No. È una tecnica diffusa per addestrare un modello « allievo » a partire da un modello « insegnante » esistente [1]. Consiste spesso nell'interrogare l'insegnante su problemi di un dominio preciso, poi nel perfezionare il modello allievo con le risposte (fine-tuning supervisionato) [1]. Esistono usi legittimi, e Google Cloud propone offerte di distillazione [1]. Per contro, distillare i modelli Gemini senza autorizzazione viola le condizioni d'uso di Google [1].

### Un utente comune è minacciato?

Google indica che questi attacchi in generale non rappresentano un rischio per gli utenti comuni, perché non minacciano né la riservatezza, né la disponibilità, né l'integrità dei servizi di IA [1]. Il rischio si concentra presso gli sviluppatori di modelli e i fornitori di servizi [1].

### Chi conduce questi attacchi?

Google dice di aver osservato e attenuato frequenti attacchi di estrazione provenienti da entità del settore privato in tutto il mondo e da ricercatori che volevano clonare una logica proprietaria [1]. Nel 2025 il gruppo non ha osservato alcun attacco diretto contro modelli di frontiera da parte degli attori statali o delle operazioni di influenza che segue [1].

### Che cosa deve fare un'azienda che espone un modello ai propri clienti?

Google raccomanda alle organizzazioni che forniscono modelli di IA come servizio di sorvegliare l'accesso all'API per individuarvi schemi di estrazione o di distillazione [1]. L'OWASP aggiunge altre misure: limitare la frequenza e fissare quote per fonte, registrare l'uso e rilevare le anomalie, controllare rigorosamente gli accessi [4]. Sono dettagliate più avanti.

## Nei panni dell'attaccante

L'attaccante cerca di guadagnare tempo e denaro. L'estrazione seguita da una distillazione gli permette di accelerare lo sviluppo di un modello rapidamente e a un costo nettamente inferiore, cosa che Google qualifica come furto di proprietà intellettuale [1].

Il suo obiettivo è la logica proprietaria e la formazione specializzata di un modello [1]. Google fa due esempi: un modello personalizzato per l'analisi di dati finanziari, preso di mira da un concorrente commerciale che vuole creare un prodotto derivato, e un modello di programmazione, preso di mira da un avversario che vuole riprodurne le capacità in un ambiente privo di protezioni [1].

Gli attaccanti cercano anche di ottenere la capacità di ragionamento di Gemini, un obiettivo frequente [1]. L'OWASP descrive una variante, la replicazione funzionale: l'attaccante usa il modello preso di mira per produrre dati di addestramento sintetici, poi perfeziona un altro modello per ottenere un equivalente funzionale [4].

## Cosa si vede sullo schermo

Per un utente comune, questi attacchi in generale non toccano né la riservatezza, né la disponibilità, né l'integrità del servizio [1]. L'attaccante passa da un accesso legittimo all'API [1]. Per questo Google raccomanda ai fornitori di sorvegliare questo accesso per individuarvi schemi di estrazione [1], e l'OWASP raccomanda di monitorare in modo continuo l'uso delle risorse e di registrare per rilevare gli schemi insoliti [4].

## Sotto il cofano

Il meccanismo segue quello della distillazione legittima. L'attaccante invia al modello insegnante domande su un dominio, raccoglie le risposte, poi le usa per addestrare il proprio modello allievo [1].

Le tracce di ragionamento interne di Gemini sono normalmente riassunte prima di essere consegnate all'utente. Degli attaccanti hanno tentato di costringere il modello a produrre i processi di ragionamento completi [1].

L'OWASP classifica l'estrazione di modello tramite l'API tra le forme di consumo illimitato: l'attaccante interroga l'API con input concepiti con cura e tecniche di iniezione di prompt, per raccogliere abbastanza risposte da riprodurre un modello parziale o creare un modello ombra (« shadow model ») [4]. Oltre alla copia, l'OWASP osserva che l'estrazione compromette l'integrità del modello originale [4].

Le misure di difesa indicate dall'OWASP per questo rischio sono le seguenti [4]:

- limitare la dimensione degli input;
- restringere o mascherare i parametri `logit_bias` e `logprobs` nelle risposte dell'API;
- applicare una limitazione della frequenza e quote di utilizzo per fonte;
- registrare e sorvegliare per rilevare i consumi insoliti;
- integrare una filigrana negli output del modello per rilevarne l'uso non autorizzato;
- addestrare i modelli a rilevare le richieste avversarie e i tentativi di estrazione;
- mettere in atto controlli di accesso forti (RBAC, principio del privilegio minimo) per limitare l'accesso non autorizzato ai repository di modelli e agli ambienti di addestramento.

Da parte sua, Google indica di ricorrere a difese proattive in tempo reale, che possono degradare le prestazioni del modello allievo, e ricorda che questi attacchi possono dare luogo a revoche e ad azioni legali [1].

Gli accessi stessi sono un obiettivo. Per abusare di servizi di IA su larga scala, degli attori malevoli hanno bisogno di chiavi API, il che crea un rischio di dirottamento per le organizzazioni che dispongono di molte risorse cloud e di IA [1]. Strumenti di IA open source vulnerabili sono comunemente sfruttati per rubare chiavi API, il che alimenta un mercato nero di rivendita di accessi e fa ricadere dei costi sugli utenti colpiti [1]. L'OWASP segnala che i metodi di addestramento e il codice sorgente dei modelli proprietari possono essere considerati sensibili [5]. Inoltre, output di modello configurati male possono rivelare algoritmi o dati proprietari [5]. L'attacco « Proof Pudding » (CVE-2019-20634) ne è un esempio: dati di addestramento divulgati hanno facilitato l'estrazione e l'inversione di un modello, e permesso di aggirare dei filtri di posta elettronica [5].

## Autopsie

### 12 febbraio 2026: una campagna di oltre 100.000 richieste contro Gemini

Il 12 febbraio 2026 il GTIG pubblica un rapporto che descrive attacchi di estrazione contro i modelli Gemini, identificati e interrotti da Google DeepMind e dal GTIG [1]. Provenivano da ricercatori e da aziende private in tutto il mondo [1].

Un caso dettagliato riguardava il ragionamento di Gemini. Gli attaccanti chiedevano al modello di produrre il proprio ragionamento completo, esigendo che la lingua del contenuto di riflessione restasse coerente con la lingua principale dell'input [1]. L'analisi ha registrato più di 100.000 richieste (prompts) [1]. Secondo il GTIG, l'ampiezza delle domande suggerisce un tentativo di riprodurre la capacità di ragionamento di Gemini in lingue diverse dall'inglese, su un'ampia varietà di compiti [1].

I sistemi di Google hanno riconosciuto l'attacco in tempo reale e ne hanno ridotto il rischio, il che ha protetto le tracce di ragionamento interne [1].

## Fonti

1. Google, «GTIG AI Threat Tracker: Distillation, Experimentation, and (Continued) Integration of AI for Adversarial Use», 12 febbraio 2026. https://cloud.google.com/blog/topics/threat-intelligence/distillation-experimentation-integration-ai-adversarial-use (consultato il 14 novembre 2026)
2. Google, «Our new report details the latest ways threat actors are misusing AI.», 12 febbraio 2026. https://blog.google/innovation-and-ai/infrastructure-and-cloud/google-cloud/gtig-report-ai-cyber-attacks-feb-2026/ (consultato il 14 novembre 2026)
3. Google, «Cloud CISO Perspectives: New AI threats report: Distillation, experimentation, and integration», 19 febbraio 2026. https://cloud.google.com/blog/products/identity-security/cloud-ciso-perspectives-new-ai-threats-report-distillation-experimentation-integration (consultato il 14 novembre 2026)
4. OWASP, «LLM10:2025 Unbounded Consumption», 10 aprile 2024. https://genai.owasp.org/llmrisk/llm102025-unbounded-consumption/ (consultato il 14 novembre 2026)
5. OWASP, «LLM02:2025 Sensitive Information Disclosure», 10 aprile 2024. https://genai.owasp.org/llmrisk/llm022025-sensitive-information-disclosure/ (consultato il 14 novembre 2026)

---

Fonte originale: Cyberpedia, l'enciclopedia pubblica di cybersicurezza e IA pubblicata da Brain. Versione canonica: https://startbrain.io/cyberpedia/it/articles/model-extraction-furto-modello-ia/
Puoi riutilizzare liberamente questo testo con licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), a condizione di citare «Brain, Cyberpedia» con un link all'indirizzo qui sopra.
