OWASP Top 10 per le applicazioni LLM 2026
L'elenco definitivo dei rischi critici per la sicurezza nelle applicazioni LLM, che riflette la versione OWASP 2026 e revisionato nell'ottobre 2026
Consapevolezza del rischio critico
Il Prompt Injection rimane la vulnerabilità n. 1. Consulta la nostra guida completa al prompt injection →
OWASP LLM Top 10 2026: cosa è cambiato
La versione 2026 è lo standard attivo. Rispetto all'elenco del 2025 riordina i primi cinque e aggiunge copertura per agenti e sistemi di recupero:
- Spostato in alto: Divulgazione di informazioni sensibili — Ora LLM02, che riflette le perdite di credenziali e tempestive come percorso di perdita di alto livello
- Spostato in alto: vulnerabilità della catena di fornitura — Ora LLM03, che copre plug-in, hub di modelli e marketplace di strumenti per agenti
- Rinominato: Data and Model Poisoning — Assorbe il vecchio Training Data Poisoning presso LLM04, ora include corpora RAG e memoria dell'agente
- Rinominato: Gestione errata dell'output — Precedentemente Gestione non sicura dell'output, ora LLM05 con una guida più chiara al sink a valle
- NOVITÀ: perdita di prompt del sistema — LLM07, estrazione rapida come rischio distinto una volta che gli agenti espongono il loro contesto
- NOVITÀ: debolezze di vettori e incorporamenti — LLM08, avvelenamento da recupero e incorporamento del controllo di accesso al negozio
- NOVITÀ: disinformazione — LLM09, output del modello fabbricato o non verificabile che raggiunge utenti e sistemi
- Ampliato: agenzia eccessiva — LLM06, ampliato per coprire l'abuso dello strumento MCP e gli ambiti OAuth delegati
Prompt Injection
Manipolazione del comportamento LLM attraverso input predisposti che sovrascrivono le istruzioni originali. Include l'inserimento diretto (input dell'utente) e indiretto (dati esterni).
Tipi di attacchi
- Iniezione diretta: richieste di utenti malintenzionati che sovrascrivono le istruzioni del sistema
- Iniezione indiretta: istruzioni nascoste in documenti esterni, contenuti Web o risposte API
- Manipolazione del contesto: sfruttare il contesto della conversazione per alterare il comportamento
- Attacchi jailbreak: bypassare i filtri di sicurezza tramite suggerimenti creativi
Esempi di attacco
Ignore previous instructions and...Testo incorporato in caratteri Unicode invisibiliInserimento rapido tramite XSS archiviato nel contenuto webDAN (Do Anything Now) style jailbreaks
Strategie di mitigazione
- Implementa una rigorosa convalida e sanificazione dell'input
- Utilizzare la separazione dei privilegi tra gli input dell'utente e il sistema suggerimenti
- Applica il filtraggio dell'output prima di visualizzare i risultati
- Monitoraggio dei modelli di iniezione nei log
- Implementa una difesa approfondita con più livelli di sicurezza
Divulgazione di informazioni sensibili
LLM che rivelano inavvertitamente informazioni private, riservate o proprietarie attraverso gli output del modello.
Tipi di attacchi
- Estrazione dei dati di addestramento: recupero di dati sensibili dalla memoria del modello
- Perdita di PII: esposizione di informazioni di identificazione personale
- Esposizione chiave API/credenziali: rivelare segreti nelle risposte
- Divulgazione della logica aziendale: esposizione di algoritmi o processi proprietari
Esempi di attacco
Estrazione di indirizzi email tramite prompt specificiRivelazione delle credenziali SQL nei messaggi di erroreDivulgazione delle informazioni personali del cliente dai dati di addestramentoEsporre i prompt del sistema interno
Strategie di mitigazione
- Implementa filtri di input/output robusti
- Applica pipeline di sanificazione dei dati
- Applicare policy di disattivazione dell'utente per l'utilizzo dei dati
- Utilizzare tecniche di privacy differenziali
- Limitare l'accesso e la visibilità dei prompt del sistema
Vulnerabilità della catena di fornitura
Componenti compromessi o vulnerabili nella catena di fornitura LLM inclusi modelli, API, plug-in e servizi di terze parti.
Tipi di attacchi
- Tampering dei modelli: modelli preaddestrati compromessi
- Vulnerabilità delle dipendenze PyPI/npm: librerie non sicure
- Dati di ottimizzazione dannosi: set di dati di addestramento avvelenati
- Fornitori API compromessi: servizi LLM non attendibili
Esempi di attacco
Pesi dei modelli backdoor da fonti non attendibiliSfruttamento delle librerie di trasformatori vulnerabiliDati di addestramento avvelenati con trigger nascostiArchivio documenti RAG compromesso
Strategie di mitigazione
- Verificare l'integrità del modello tramite checksum e firme
- Mantieni SBOM (distinta materiali software)
- Utilizza hub di modelli attendibili e verifica la provenienza
- Scansiona le dipendenze per individuare vulnerabilità note
- Implementare la gestione del ciclo di vita del modello
Data and Model Poisoning
Introdurre dati dannosi o distorti nelle pipeline di formazione, nel perfezionamento dei dati o nelle knowledge base RAG per compromettere l'integrità del modello.
Tipi di attacchi
- Training Data Poisoning: danneggiamento dei dati di training del modello
- Perfezionamento dell'avvelenamento: inserimento di backdoor tramite perfezionamento
- RAG Poisoning: contaminazione delle basi di conoscenza di recupero
- Manipolazione di incorporamento: danneggiamento dei database vettoriali
Esempi di attacco
Inserimento di esempi distorti per alterare il comportamento del modelloCreazione di trigger backdoor nei dati di trainingAvvelenamento di set di dati pubblici utilizzati per la formazioneIniezione di informazioni false nei documenti RAG
Strategie di mitigazione
- Verificare la provenienza dei dati e l'integrità della catena di fornitura
- Implementa la convalida dei dati e il rilevamento delle anomalie
- Utilizza pipeline di sanificazione dei dati
- Applicare robuste misure di protezione ottimizzate
- Monitorare la deviazione del comportamento del modello
Gestione impropria dell'output
Impossibile convalidare, disinfettare o gestire correttamente gli output LLM prima di trasmetterli ai sistemi o agli utenti a valle.
Tipi di attacchi
- XSS tramite LLM Output: scripting cross-site dalle risposte del modello
- SQL Injection: query dannose generate da LLM
- Iniezione di comandi: LLM che genera comandi di sistema non sicuri
- Path Traversal: LLM rivela o accesso a percorsi non autorizzati
Esempi di attacco
LLM che genera JavaScript che viene eseguito nel browserModello che genera query SQL dannoseGenerazione di codice comprese chiamate di sistema non sicureDivulgazione del percorso del file nelle risposte
Strategie di mitigazione
- Implementa la convalida e la sanificazione dell'output
- Utilizza il filtro dei contenuti sensibile al contesto
- Applica gli stessi controlli di sicurezza degli input dell'utente
- Output LLM sandbox prima dell'uso a valle
- Abilita modalità di codifica sicure nella generazione del codice
Agenzia eccessiva
Concedere ai sistemi LLM troppe funzionalità, autonomia, autorizzazioni o consentire azioni non autorizzate o dannose.
Tipi di attacchi
- Accesso illimitato alle funzioni: autorizzazioni API eccessive
- Azione autonoma: esecuzione di azioni senza l'approvazione umana
- Abuso di strumenti: sfruttamento di strumenti esterni integrati
- Manipolazione della catena di pensiero: alterazione dei processi di ragionamento
Esempi di attacco
LLM con accesso API amministratore che esegue modifiche non autorizzateTransazioni finanziarie con esecuzione automaticaEliminazione di risorse senza confermaManipolazione dei dati utente senza consenso
Strategie di mitigazione
- Implementare controlli di accesso con privilegi minimi
- Richiedere l'intervento umano per azioni critiche
- Applica la limitazione della velocità a operazioni sensibili
- Registra e monitora tutte le azioni autonome
- Utilizza limitazioni di ambito per l'accesso allo strumento
Perdite di prompt del sistema
Esporre suggerimenti, istruzioni o logica interna del sistema riservato attraverso la manipolazione o protezioni inadeguate.
Tipi di attacchi
- Estrazione diretta dei prompt: ingegneria sociale per rivelare i prompt
- Overflow del contesto: tecniche di overflow per esporre i messaggi di sistema
- Sfruttamento del gioco di ruolo: ingannare LLM per rivelare istruzioni
- Perdite di log: esposizione di prompt in log o errori
Esempi di attacco
Chiedere a LLM di ripetere il "testo precedente" per estrarre il prompt del sistemaUtilizzo dell'overflow della finestra di contesto per ignorare l'analisi delle istruzioniInserimento rapido per sovrascrivere il ruolo di sistemaTrovare richieste nei registri dell'applicazione
Strategie di mitigazione
- Offuscare i prompt di sistema ove possibile
- Implementare tecniche di isolamento tempestivo
- Utilizzare un'elaborazione separata per istruzioni sensibili
- Monitora i tentativi di estrazione dei prompt
- Applica un rigoroso filtraggio dei log
Debolezze di vettori e incorporamento
Vulnerabilità della sicurezza nei sistemi RAG (Retrieval-Augmented Generation), database vettoriali e pipeline di incorporamento.
Tipi di attacchi
- RAG Injection: contenuti dannosi nei documenti recuperati
- Compromesso DB vettoriale: attacco allo storage vettoriale
- Estrazione dell'incorporamento: furto di rappresentazioni di incorporamento
- Manipolazione del contesto: risultati di recupero danneggiati
Esempi di attacco
Documenti avvelenati recuperati come risultati principaliAccesso non autorizzato al database vettorialeEstrazione dei dati di addestramento dagli incorporamentiManipolazione del recupero tramite attacchi di incorporamento
Strategie di mitigazione
- Convalida e disinfetta tutti i documenti di input RAG
- Implementare controlli di accesso al database vettoriale
- Utilizza la crittografia incorporata ove disponibile
- Applica riclassificazione con filtri di sicurezza
- Monitora il recupero per anomalie
Disinformazione
LLM che generano contenuti falsi, fuorvianti o distorti che appaiono credibili, portando a decisioni informate basate su informazioni errate.
Tipi di attacchi
- Allucinazioni: Risultati certi ma falsi
- Errori reali: informazioni errate presentate come fatti
- Amplificazione dei bias: rafforzamento dei bias esistenti
- Manipolazione: output deliberatamente fuorvianti
Esempi di attacco
Citazione di documenti di ricerca inesistentiFornire consulenza medica errataGenerazione di raccomandazioni di assunzione distorteCreazione di notizie o recensioni false
Strategie di mitigazione
- Implementare pipeline di verifica dei fatti
- Utilizza punteggio di confidenza e stima dell'incertezza
- Applica la verifica della fonte per output critici
- Aggiungi provenienza e attribuzione dei contenuti
- Etichetta chiaramente i contenuti generati dall'intelligenza artificiale
Consumo illimitato
Consentire un utilizzo eccessivo o incontrollato delle risorse da parte delle applicazioni LLM, con conseguente negazione del servizio, sfruttamento finanziario o degrado del servizio.
Tipi di attacchi
- Abuso del tasso API: chiamate API eccessive che esauriscono le quote
- Esaurimento delle risorse: massimizzare le risorse di elaborazione
- Sfruttamento dei costi: abuso del pagamento per token che comporta addebiti
- Attacchi di inferenza: estrazione del modello tramite query eccessive
Esempi di attacco
Attacchi automatizzati che consumano l'intera quota APISpam di prompt di lunghezza massima che causa l'esaurimento del calcoloEstrazione del modello tramite milioni di queryI prompt ricorsivi eseguono loop che consumano risorse
Strategie di mitigazione
- Implementazione di limiti e quote rigorosi
- Aggiungi limiti token di input/output
- Monitora i modelli di utilizzo per individuare anomalie
- Utilizzare controlli sui costi e avvisi di budget
- Applica controlli di timeout su operazioni di lunga durata
OWASP Testing Framework
Segui questo approccio strutturato per testare ciascuna vulnerabilità:
1. Ricognizione
- Mappatura dell'architettura del sistema e del flusso di dati
- Identificazione dei punti di input e delle interfacce API
- Strumenti e plugin integrati nei documenti
- Esamina i prompt e la configurazione del sistema
2. Mappatura delle vulnerabilità
- Testare ogni categoria OWASP sistematicamente
- Superficie di attacco dei documenti e punti di ingresso
- Identificare i meccanismi di difesa in atto
- Mappa dipendenze e servizi di terze parti
3. Sfruttamento
- Condurre attacchi proof-of-concept
- Sfruttabilità e impatto dei documenti
- Concatenamento multiplo di test vulnerabilità
- Valutare la fattibilità di un attacco nel mondo reale
4. Segnalazione
- Dare priorità ai risultati in base al livello di rischio
- Fornire consigli di risoluzione
- Includi codice proof-of-concept
- Suggerisci miglioramenti difensivi
Risorse ufficiali
- Pagina ufficiale OWASP LLM Top 10 2025
- Scarica il PDF OWASP LLM Top 10 2025
- OWASP LLM Security Project
- OWASP Agentic AI Security
Sorgenti e statistiche
- OWASP State of AI Security Report 2025 - Il 73% delle organizzazioni presenta vulnerabilità IA critiche
- Cybersecurity Svizzera - Statistica sulla sicurezza AI 2026 - Oltre 40 statistiche curate
- CrowdStrike Global Threat Report 2026 - Attacchi basati sull'intelligenza artificiale in aumento dell'89%
- Darktrace State of AI Cybersecurity 2026 - Sondaggio condotto su oltre 1.500 leader della sicurezza
- IBM X-Force Threat Intelligence Index 2026 - Attacchi accelerati dall'intelligenza artificiale
Articoli correlati
- La violazione di Vercel: come uno strumento di intelligenza artificiale compromesso ha portato a una vendita di dati da 2 milioni di dollari
- Google avverte: gli attacchi Prompt Injection stanno aumentando sul Web pubblico
- OWASP LLMTop 10 2026
- Spiegazione del Sockpuppeting
- I 10 migliori strumenti di AI Red Teaming 2026