全プラン7日間無料トライアル · 会社のメールアドレスが必要 · 7日間は課金なしトライアルを開始 →
すべての記事
AIエージェントセキュリティ2025年7月15日 6 分で読めます

Quando l'IA non era l'anello debole: l'esposizione dei dati dei candidati McHire

I ricercatori hanno provato a iniettare prompt nel chatbot di assunzione AI di McDonald's e hanno fallito. Poi si sono loggati con la password 123456 e hanno ottenuto circa 64 milioni di record di candidati. La lezione è l'opposto di ciò che l'URL implica.

共有XLinkedIn
Quando l'IA non era l'anello debole: l'esposizione dei dati dei candidati McHire

Cosa è successo

Nel giugno 2025, i ricercatori di sicurezza Ian Carroll e Sam Curry hanno rivelato una catena di vulnerabilità in McHire, la piattaforma di assunzione di McDonald's costruita da Paradox.ai e utilizzata dalla stragrande maggioranza dei franchising McDonald's. I rapporti pubblici di Wired e BleepingComputer stimano che il set di dati esposto sia di circa 64 milioni di candidati, con nomi, indirizzi email, numeri di telefono e trascrizioni di chat accessibili a chiunque abbia seguito lo stesso percorso dei ricercatori.

Il titolo che si è diffuso più velocemente ha inquadrato questo come un attacco di prompt injection al chatbot "Olivia". Questa inquadratura è sbagliata. I ricercatori affermano di aver provato prima il prompt injection, e ha fallito: il bot era strettamente limitato a risposte predefinite e non aveva mai dati di backend che potessero essere indotti a divulgare. Il compromesso non aveva nulla a che fare con il modello linguistico.

Il punto di ingresso effettivo era una pagina di login amministrativa di Paradox.ai su McHire, raggiungibile da internet pubblico. I ricercatori hanno provato le credenziali "123456" / "123456" su un account di test che, secondo i rapporti pubblici, era rimasto attivo dal 2019. Sono entrati.

Una volta dentro, un classico Insecure Direct Object Reference (IDOR) sull'API dei candidati ha permesso loro di incrementare un ID numerico e recuperare il record di qualsiasi candidato. Nessuna sfruttamento del modello, nessuna tecnica nuova, nessun zero-day. Credenziali predefinite più un riferimento a oggetti non autenticato.

Perché questo schema continua a ripetersi

Il fallimento interessante qui non è tecnico, è organizzativo. Il chatbot era il componente visibile, "AI", quindi ha assorbito l'attenzione sulla sicurezza. La noiosa amministrazione web dietro di esso era il raggio d'azione effettivo, e quasi nessuno la vedeva in quel modo.

Questo accade ogni volta che un acquirente tratta un fornitore di AI come un prodotto AI piuttosto che come un'applicazione SaaS che per caso contiene un modello. Il modello riceve una revisione red-team. La console di amministrazione, l'API dei candidati, il bucket di archiviazione, la registrazione degli audit, la politica di rotazione delle credenziali — le cose che hanno decenni di modalità di fallimento note — vengono trattate come semplici tubature.

La struttura degli incentivi dei fornitori lo rafforza. I fornitori di AI spediscono velocemente, spesso prima di avere un programma di sicurezza maturo, e i team di acquisto dei loro clienti chiedono informazioni sul comportamento del modello piuttosto che sull'applicazione circostante. Un account di test del 2019 con la password "123456" sopravvive a questa lacuna per anni perché nessuno ha limitato la revisione per trovarlo.

Le violazioni AI più costose dei prossimi due anni non saranno exploit di modelli. Saranno vulnerabilità web dell'era degli anni '90 nell'applicazione che avvolge il modello.

Il playbook dell'attaccante passo dopo passo

La sequenza divulgata era breve, e questa è la parte scomoda. Un attaccante esperto non aveva bisogno di una catena di primitive nuove.

Passo 1: enumerare la superficie del fornitore AI

Identificare il fornitore di terze parti dietro il chatbot visibile. In questo caso il bot si è identificato come costruito da Paradox.ai, il che ha indicato una superficie amministrativa separata — una pagina di login sullo stesso dominio McHire.

Passo 2: provare le credenziali ovvie

Le credenziali predefinite e deboli rimangono l'attacco più redditizio contro i pannelli di amministrazione dei fornitori. I rapporti indicano che un singolo account di test con "123456" / "123456" è stato sufficiente.

Passo 3: passare dall'amministratore ai dati

Il ruolo di amministratore ha esposto un'API interna per i candidati. L'API utilizzava un identificatore numerico sequenziale e non controllava che l'account chiamante fosse autorizzato a leggere ogni specifico candidato. L'iterazione dell'ID restituiva record arbitrari.

Passo 4: confermare l'ambito e divulgare

I ricercatori si sono fermati alla prova d'impatto, hanno convalidato la dimensione del set di dati e hanno segnalato a Paradox.ai e McDonald's. Paradox.ai ha disabilitato l'account di test e, secondo quanto riferito, ha risolto l'IDOR entro poche ore dalla divulgazione.

Cosa hanno perso i difensori

Tre cose, in ordine di gravità decrescente.

Primo, nessuna igiene delle credenziali sulla superficie amministrativa del fornitore. Un account di test che precedeva la distribuzione in produzione, con una password numerica di sei caratteri, era raggiungibile da internet pubblico cinque anni dopo la sua creazione. Qualsiasi audit periodico delle credenziali lo avrebbe trovato.

Secondo, nessun controllo di autorizzazione sull'API dei candidati. IDOR è una delle vulnerabilità web più antiche e ben documentate nel catalogo OWASP. Il fatto che una chiamata amministrativa autenticata restituisse record di candidati arbitrari significa che l'API applicava l'autenticazione ma non l'autorizzazione.

Terzo, nessuna revisione di sicurezza della superficie "noiosa". Il chatbot ha ricevuto attenzione perché era l'AI. Il login amministrativo, il gateway API e l'archiviazione di 64 milioni di record PII non hanno ricevuto lo stesso controllo — presso McDonald's, presso Paradox.ai o presso i franchising che hanno implementato McHire.

Una checklist difensiva pratica

Le soluzioni sono poco affascinanti. Sono anche ciò che avrebbe prevenuto questo incidente.

  • Inventariare ogni superficie di autenticazione esposta da qualsiasi fornitore di AI che utilizzi, inclusi pannelli di amministrazione, ambienti di test e strumenti di supporto clienti. Trattali come applicazioni web gioiello, non come semplici tubature per il modello.
  • Richiedere ai fornitori di attestare, per iscritto, che non esistono credenziali predefinite o condivise in produzione e che gli account di test creati durante l'onboarding vengano eliminati al momento del go-live.
  • Eseguire test IDOR/BOLA autenticati contro ogni API esposta dal fornitore, specialmente le API che restituiscono record per utente. L'OWASP API Security Top 10 classifica questo al primo posto per una buona ragione.
  • Forzare l'SSO con il tuo provider di identità per ogni superficie amministrativa del fornitore, in modo che le credenziali non possano divergere indipendentemente e i vecchi account muoiano quando i dipendenti se ne vanno.
  • Limitare i privilegi delle sessioni amministrative in modo che un singolo account amministrativo compromesso non possa enumerare l'intero set di dati dei candidati o dei clienti.
  • Richiedere al fornitore di registrare e avvisare su schemi di lettura massiva contro API sensibili. Il recupero di decine di milioni di record di candidati non dovrebbe apparire come un giorno normale.

Come i moderni test offensivi avrebbero colto questo

Un'attività offensiva mirata e autorizzata contro la superficie del fornitore McHire — non contro il chatbot — avrebbe trovato questo nel primo pomeriggio. I controlli pertinenti sono ben noti: credential-spray contro il login amministrativo, controllo di accesso orizzontale autenticato su ogni API parametrizzata e revisione degli account di test e dei flussi di lavoro di reset.

Il modello stesso non ha bisogno di un red team in questa storia. Il modello si è comportato correttamente. Le protezioni del chatbot hanno retto. La lezione è che una revisione approfondita della sicurezza dell'applicazione del prodotto circostante avrebbe segnalato ogni passo della kill chain prima che fosse mai attivo.

Cosa guardare dopo

Aspettatevi di più. I fornitori di AI stanno assorbendo flussi di lavoro più sensibili — assunzioni, reclami, servizio clienti, pianificazione — e le console amministrative di backend attorno a questi flussi di lavoro ora contengono concentrazioni di dati personali regolamentati che in precedenza si trovavano in sistemi meno raggiungibili.

Due cose da osservare nel tuo programma: quali fornitori di AI detengono la più alta concentrazione di dati personali regolamentati per tuo conto, e come appare il tuo diritto contrattuale di testare la loro superficie amministrativa. Se non puoi eseguire una revisione della sicurezza dell'applicazione autenticata contro il pannello del fornitore, ti fidi che il prossimo account di test sia stato eliminato, la prossima API applichi l'autorizzazione e la prossima password predefinita sia stata ruotata. La divulgazione di McHire mostra cosa succede quando questa fiducia è malriposta.

How Global Rail Suite catches this

The McHire breach was two boring failures, not a clever AI attack. Each one maps to a specific Global Rail Suite surface.

  • An admin account (123456 / 123456) was left in production from 2019.

    The Default Credential Probe tries a curated list of vendor defaults against any login surface you authorize, stops at first hit, and never stores the password.

    Active probes → Default credential probe
  • The applicant API let any authenticated session read records by id (IDOR / BOLA).

    The API Authorization Probe substitutes neighbour ids with your own session and flags responses you should not be able to read. Stores only sanitized metadata — never response bodies.

    Active probes → API authorization probe
  • The chatbot was a third-party vendor (Paradox.ai) that was never audited.

    AI Systems inventory tracks every AI vendor with role, data flows, and outstanding obligations — vendors without a signed DPA or risk assessment surface as findings.

    Audit → AI systems
  • No alert fired when ~64M records were enumerated.

    The SOC bulk-read rule (MITRE T1530) raises a high-severity incident when a single actor pulls >1000 records from one endpoint within 10 minutes.

    Live SOC → dashboard

Do this today

  • Run the default-credential probe against any admin/console URL you own.
  • Pick one user-id-keyed API endpoint and run the IDOR probe with your own token.
  • Confirm every AI vendor is in your AI Systems inventory with a signed DPA.
  • Set the bulk-read SOC rule threshold for your highest-value data API.
共有XLinkedIn

関連記事

AIエージェントセキュリティ

Il Mal di Testa dell'Allucinazione AI: Quando i Chatbot Creano Disinformazione sulle Politiche e le Aziende Ne Pagano il Prezzo

I chatbot AI stanno generando informazioni errate sulle politiche e sconti, causando perdite finanziarie e sfide legali per le aziende. Questa analisi approfondita per i responsabili della sicurezza esplora il modello degli incidenti, le sue cause profonde e le cruciali strategie difensive.

2026年7月20日7 分で読めます
AIエージェントセキュリティ

Jailbreaking l'AI aziendale: come le vulnerabilità agentiche espongono i dati interni

L'ascesa degli assistenti AI aziendali porta un'efficienza senza precedenti, ma anche una nuova superficie di attacco. Incidenti recenti rivelano uno schema critico: sofisticati jailbreak stanno esponendo dati interni sensibili, non solo attraverso un comportamento errato del modello, ma manipolando la capacità degli agenti AI di interagire con i sistemi aziendali integrati. Questa analisi approfondisce i meccanismi di questi attacchi e delinea cruciali strategie difensive per CISO e ingegneri della sicurezza.

2026年7月19日6 分で読めます
AIエージェントセキュリティ

Il Salasso Silenzioso: Come gli Agenti LLM Incontrollati Bruciano i Budget Inosservati

Un'analisi approfondita del modello di incidente degli agenti LLM incontrollati che causano un significativo salasso finanziario attraverso un consumo eccessivo di token, esaminando le vulnerabilità tecniche e le strategie difensive.

2026年7月17日6 分で読めます