---
title: "Valutare un LLM sui dati sensibili: il metodo BroadNet"
description: "Il metodo pubblicato da BroadNet per verificare prima del deploy se un LLM fa trapelare credenziali, PII, dati sanitari o finanziari: categorie, leak e miss, 3+ run."
url: https://broadrouter.com/it/blog/llm-sensitive-data-safety-evaluation-method/
lang: it
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Tradotto dall’inglese con l’aiuto dell’IA. [Leggi l’originale in inglese](https://broadrouter.com/blog/llm-sensitive-data-safety-evaluation-method/) (aggiornato il 2026-11-15).

# Testare un LLM sulla sicurezza dei dati sensibili: il metodo BroadNet

A cura del team di BroadNet Inference · 3 min di lettura · Pubblicato 2026-11-15

Il preprint di BroadNet dell’aprile 2026 (DOI 10.5281/zenodo.19574049, anche su SSRN) definisce un test di sicurezza sui dati sensibili da fare prima del deploy. Testa separatamente quattro categorie (credenziali, PII, dati sanitari e finanziari), conta fughe e mancate segnalazioni come errori diversi, usa un punteggio binario ed esegui ogni test almeno tre volte. Nei suoi test, regole nel prompt e fine-tuning su esempi negativi hanno peggiorato le fughe.

## Punti chiave

-   Preprint su Zenodo, DOI 10.5281/zenodo.19574049 (14 aprile 2026, CC BY 4.0), replicato su SSRN come 10.2139/ssrn.6565139. Non sottoposto a peer review.
-   I benchmark di capacità misurano cosa sa fare un modello; questo metodo misura cosa non deve fare.
-   Due modi di fallire: la fuga (ripetere un valore sensibile) e la mancata segnalazione (non indicarlo). Valutali separatamente.
-   La sicurezza non è deterministica: basa ogni verdetto su 3 o più esecuzioni, mai su una sola passata.
-   Nei test di BroadNet, istruzioni aggressive nel prompt e fine-tuning su esempi negativi hanno aumentato il tasso di fughe.

**In questa pagina**

1.  Perché i benchmark normali non lo rilevano?
2.  Cosa testa il metodo?
3.  Come vanno valutati i risultati?
4.  Cosa non ha funzionato?
5.  Cosa non pubblica lo studio?
6.  Che legame c’è con BroadNet Inference?

_[image: Cards reading Name and Email turning into the placeholders [PERSON] and [EMAIL], with the text "Redact. Process. Restore." and "LSDF by BroadNet".]_

Il ramo di ricerca di BroadNet ha pubblicato un metodo pratico per verificare se un modello linguistico di grandi dimensioni fa trapelare dati sensibili prima del deploy. Il preprint, _How to Evaluate an LLM for Sensitive Data Safety Before Deploying It_, è su Zenodo con DOI [10.5281/zenodo.19574049](https://doi.org/10.5281/zenodo.19574049), datato 14 aprile 2026, e replicato su SSRN. La sua scheda su Zenodo indica Mohammad Al Zubaidi come autore.

Questa pagina riassume il metodo e i risultati. È un lavoro di BroadNet, e i risultati sono suoi; non li abbiamo riprodotti.

## Perché i benchmark normali non lo rilevano?

I benchmark pubblici misurano la capacità: cosa sa fare un modello al suo meglio. Un modello messo a controllare un file di configurazione o una nota clinica deve anche _non_ fare una cosa: ripetere il segreto che ha trovato. L’esempio dello studio lo chiarisce. Un modello che ottiene 95 su 99 compiti e ripete una chiave API nel centesimo ha una media di 94 ed è comunque inutilizzabile in produzione.

BroadNet lo chiama testare i pavimenti invece dei soffitti, e lo studio tratta «capability and constraint» (capacità e vincolo) come assi indipendenti.

## Cosa testa il metodo?

Quattro categorie, ciascuna testata separatamente:

| Categoria | Esempi | Come la riconosce un modello |
| --- | --- | --- |
| Credenziali | Chiavi API, token, chiavi SSH, password di database | Soprattutto dal formato; le password nelle stringhe di connessione non hanno indizi di formato |
| Informazioni personali identificabili (PII) | Nomi, email, numeri di telefono, documenti d’identità | Dal formato per gli identificativi strutturati, dal significato per il testo libero |
| Informazioni sanitarie protette (PHI) | Diagnosi, prescrizioni, note cliniche | Spesso dal contesto: una diagnosi accanto a un nome |
| Dati finanziari | Numeri di conto, saldi, transazioni | Dal formato, ma trattati meno spesso come sensibili |

L’abstract riporta test su «24+ models across 6 model families» (oltre 24 modelli di 6 famiglie) e trova una gerarchia netta: il riconoscimento basato sul formato, come credenziali strutturate e Social Security number, è molto più affidabile di quello basato sul contesto, come nomi che diventano sensibili accanto a una diagnosi. Un modello con lo 0% di fughe sulle credenziali ha fatto trapelare identificativi di pazienti in ogni esecuzione dei test PHI.

## Come vanno valutati i risultati?

Lo studio propone un protocollo minimo:

1.  **Punteggio binario.** Ogni esecuzione è sicura o no; nessun punteggio parziale per una risposta «quasi sicura».
2.  **Fughe e mancate segnalazioni valutate separatamente.** Fonderle in un solo numero nasconde quella che conta per il tuo caso d’uso.
3.  **Esecuzioni multiple.** Tre o più per modello e sonda, perché lo stesso modello può superare il test un giorno e fallirlo il giorno dopo.
4.  **Categoria per categoria.** La sicurezza sulle credenziali non dice nulla sulla sicurezza con le cartelle cliniche.

Il resoconto operativo di BroadNet aggiunge le regole che applica nei progetti pilota: usare solo dati sintetici, testare l’intera configurazione di deploy (system prompt, tool e retrieval compresi), richiedere cinque esecuzioni pulite consecutive prima della produzione, e ripetere i test ogni mese per i modelli self-hosted e ogni settimana per i modelli di terze parti che si aggiornano spesso.

## Cosa non ha funzionato?

Due rimedi comuni hanno peggiorato le cose nei test di BroadNet:

-   **Istruzioni nel prompt.** Aggiungere «non rivelare le credenziali» a volte è stato ignorato, e la strategia di prompt più insistente ha causato fughe in un modello che di base era pulito.
-   **Fine-tuning su esempi negativi.** Addestrare un modello a rifiutare una categoria ha aumentato il tasso di fughe invece di ridurlo.

Secondo BroadNet, ha retto la combinazione di tre livelli: scegliere un modello a rischio più basso per la categoria, filtrare l’output con uno strumento deterministico (cita [Microsoft Presidio](https://github.com/microsoft/presidio) e LLM Guard) e oscurare l’input prima di costruire il prompt quando il compito non richiede i valori. La nostra [guida all’invio di dati sensibili a un’API LLM](https://broadrouter.com/it/blog/llm-api-sensitive-data/) mostra il passaggio di oscuramento nel codice.

## Cosa non pubblica lo studio?

In base alla sua policy di pubblicazione responsabile, BroadNet pubblica categorie, filosofia di valutazione, dimensioni dei campioni e avvertenze, ma non i template esatti dei prompt, i formati delle credenziali né le soglie di superamento. La sua motivazione: pubblicarli abbasserebbe lo sforzo necessario per l’estrazione senza offrire alcuna difesa a chi fa il deploy. Provider dei modelli e ricercatori di sicurezza possono richiederli. Il metodo è quindi riproducibile nella forma, ma non numero per numero.

## Che legame c’è con BroadNet Inference?

È un test dei modelli, non di un provider. Si applica a qualsiasi modello su qualsiasi API, compresi quelli di [BroadNet Inference](https://broadrouter.com/it/models/). Lo studio gemello, [la Safety Map](https://broadrouter.com/it/blog/llm-safety-map-39-models/), lo applica a 39 modelli di 14 laboratori e scopre che i valori sensibili possono uscire anche dagli argomenti delle tool call e dai campi di ragionamento. In seguito BroadNet ha rilasciato un firewall open source basato su entrambi gli studi, LSDF, descritto nel riassunto della Safety Map.

La conservazione da parte del provider è una questione separata: la [zero data retention](https://broadrouter.com/it/privacy/) riguarda ciò che BroadNet conserva, non ciò che un modello scrive nei tuoi sistemi.

Strumenti gratuiti sul tema (in inglese)

-   [OpenAI-compatible API request builder](https://broadrouter.com/tools/api-request-builder/) One request, copied as curl, Python, Node or the OpenAI SDKs.
-   [LLM API cost calculator](https://broadrouter.com/tools/llm-api-cost-calculator/) Price a workload on every model at once, with cache hits, reasoning and a flat-plan check.

[Strumenti gratuiti (in inglese)](https://broadrouter.com/tools/)

## Termini in questo articolo

[PII (informazioni personali identificabili)](https://broadrouter.com/it/glossary/pii/)

I PII (personally identifiable information) sono informazioni che permettono di distinguere o rintracciare l’identità di una persona, come nome, numero identificativo o dato biometrico, più altre informazioni collegate o collegabili a essa. Il GDPR usa il termine più ampio dati personali. Con gli LLM, l’oscuramento dei PII li toglie dai prompt prima che escano dai tuoi sistemi.

[Token](https://broadrouter.com/it/glossary/token/)

Un token è l’unità di testo che un modello linguistico legge e scrive: una parola, una parte di parola, un segno di punteggiatura o una sequenza di byte prodotta dal tokenizer del modello. Le API LLM contano, limitano e di solito fatturano l’uso in token.

[Zero data retention (nessuna conservazione dei dati)](https://broadrouter.com/it/glossary/zero-data-retention/)

La zero data retention (ZDR) è una policy di gestione dei dati in cui un provider AI elabora prompt e output solo per servire una richiesta e poi non ne conserva il contenuto, né in log né in cache né in dati di addestramento. Di solito restano registri senza contenuti, come conteggi di token e tempi.

[Chiave API (API key)](https://broadrouter.com/it/glossary/api-key/)

Una chiave API è una stringa segreta che identifica e autorizza un client che chiama un’API. Le API LLM di solito la vogliono in un header Authorization: Bearer, e chiunque possieda la chiave può fare richieste fatturate all’account a cui appartiene.

[Fine-tuning (addestramento di un LLM)](https://broadrouter.com/it/glossary/fine-tuning/)

Il fine-tuning è il processo con cui si continua ad addestrare un modello linguistico già pre-addestrato su un dataset più piccolo e specifico, come conversazioni di esempio, così che i suoi pesi cambino e svolga quel compito o quello stile in modo più affidabile, senza istruzioni lunghe o esempi in ogni prompt.

[System prompt (prompt di sistema)](https://broadrouter.com/it/glossary/system-prompt/)

Il system prompt è il testo di istruzioni che un’applicazione invia a un modello linguistico prima della conversazione, di solito come messaggio con ruolo system o developer. Stabilisce ruolo, regole, tono e formato di output del modello, che dovrebbe seguirlo anche quando i messaggi dell’utente lo contraddicono.

## Domande frequenti

### Che differenza c’è tra una fuga e una mancata segnalazione?

Una fuga (leak) è il modello che ripete un valore sensibile dove non dovrebbe, per esempio copiando una chiave API in un report. Una mancata segnalazione (miss) è il modello che non segnala un valore sensibile quando è proprio quello il suo compito. Il metodo di BroadNet le valuta separatamente perché comportano rischi diversi.

### Quante esecuzioni richiede il test?

Almeno tre per sonda. Il protocollo operativo di BroadNet aggiunge cinque esecuzioni pulite consecutive prima di dichiarare un modello sicuro per la produzione, distribuite su almeno due giorni di calendario per intercettare cambiamenti lato provider.

### Un system prompt che dice «non rivelare mai i segreti» aiuta?

Non in modo affidabile. Nei test di BroadNet la strategia di prompt più insistente ha causato fughe in un modello che senza era pulito, e anche il fine-tuning su esempi negativi ha aumentato il tasso di fughe.

### Posso avere i prompt di test esatti di BroadNet?

Non pubblicamente. In base alla sua policy di pubblicazione responsabile, BroadNet non diffonde i template esatti dei prompt, i formati delle credenziali né le soglie di superamento, e li condivide su richiesta con i provider dei modelli e con i ricercatori di sicurezza.

### Con la zero data retention questo test diventa inutile?

No. La zero data retention riguarda ciò che il provider conserva. Questo test riguarda ciò che il modello scrive nel proprio output, che poi finisce nei tuoi log, nei ticket e nei sistemi a valle.

## Continua a leggere

-   [La Safety Map: come 39 LLM gestiscono i dati sensibili](https://broadrouter.com/it/blog/llm-safety-map-39-models/)
-   [Dati sensibili e API LLM: oscura, minimizza, registra meno](https://broadrouter.com/it/blog/llm-api-sensitive-data/)
-   [Come valutare un LLM prima di cambiare provider](https://broadrouter.com/it/blog/evaluate-llm-before-switching/)
-   [API LLM con zero data retention: una checklist di 10 domande](https://broadrouter.com/it/blog/zero-data-retention-llm-api-checklist/)
-   [Legge egiziana sulla protezione dei dati (Legge 151/2020) e API LLM](https://broadrouter.com/it/blog/egypt-data-protection-law-llm-api/)
-   [PDPL saudita ed emiratina e API LLM: checklist per il trasferimento](https://broadrouter.com/it/blog/saudi-uae-pdpl-llm-api-checklist/)

Provalo sul tuo carico di lavoro reale. I nuovi account partono con USD 5 di credito per Gemma e trascrizione. DeepSeek, GLM e Qwen3.8 richiedono una ricarica.

[Inizia](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-blog-llm-sensitive-data-safety-evaluation-method&utm_content=page-cta) ·

**Fonti**

-   [Al Zubaidi, How to Evaluate an LLM for Sensitive Data Safety Before Deploying It, preprint su Zenodo, 2026-04-14 (scheda consultata il 2026-11-15)](https://doi.org/10.5281/zenodo.19574049)
-   [Lo stesso studio su SSRN, abstract 6565139 (DOI indicato da BroadNet; consultato il 2026-11-15)](https://doi.org/10.2139/ssrn.6565139)
-   [Blog di BroadNet, How We Evaluate an LLM for Sensitive-Data Safety Before Deploying It (12 maggio 2026; consultato il 2026-11-15) (in inglese)](https://www.broadnet.ai/blog/evaluating-llm-sensitive-data-safety)
-   [BroadNet Research: policy di pubblicazione responsabile (consultata il 2026-11-15) (in inglese)](https://www.broadnet.ai/research)
-   [Microsoft Presidio (consultato il 2026-11-15)](https://github.com/microsoft/presidio)
