Agenti autonomi e modelli iterativi: come la sicurezza porta l'AI dal laboratorio al campo

Palo Alto Networks ha comprato Console per 500 milioni di dollari tra contanti e azioni. Integrerà gli agenti di Console in Cortex per indagare e risolvere alert in linguaggio naturale. La tesi: l’AI “agentica” e il ragionamento iterativo entrano nelle operazioni concrete di sicurezza e, insieme a nuove capacità, portano costi più alti, più complessità e nuovi punti di rischio da governare [S1].

1) Operazioni: agenti che fanno realmente lavoro di sicurezza

Console sviluppa agenti che automatizzano attività di help desk IT e gestiscono richieste di routine. È nata nel 2024 e ha raccolto 29 milioni di dollari: seed da 6,2 milioni guidato da Thrive Capital e Serie A da 23 milioni co‑guidata da DST Global e Thrive. PitchBook indicava 157 milioni di valutazione pre‑acquisizione [S1].

Palo Alto Networks vuole questi agenti dentro Cortex, la piattaforma che usa AI per rilevare e neutralizzare minacce. L’azienda dice che le capacità agentiche di Console permetteranno di investigare e risolvere alert in linguaggio naturale. Nikesh Arora ha descritto l’effetto come dare a Cortex “braccia e gambe per offrire risultati di sicurezza” [S1].

Il messaggio è operativo. Si parla di azioni sugli alert all’interno di una piattaforma di sicurezza. L’acquisizione collega l’automazione nata su compiti IT a indagini e risposta in ambito sicurezza. E segnala l’interesse a innestare agenti che eseguono azioni, non solo che suggeriscono azioni [S1].

2) Modelli più “profondi”: ragionamento iterativo e implicazioni economiche

Google ha lanciato Gemini 3.8 Flash e afferma che il modello esegue più passaggi di ragionamento nei compiti complessi e “chiama strumenti in modo iterativo” rispetto a 3.7 Flash [S3]. È un cambiamento nel modo di lavorare del modello, non nel listino.

Il prezzo per milione di token resta a 0,75 dollari in input e 3,75 dollari in output. Ma Google avverte che 3.8 Flash “potrebbe usare più token per massimizzare le prestazioni, specialmente a livelli di sforzo più alti” [S3]. Con tariffe invariate, il consumo effettivo può crescere.

Artificial Analysis stima un aumento del costo per attività di circa il 40% rispetto a 3.7 Flash. Indica due driver: circa il 30% di token di output in più per attività e più turni nelle valutazioni “agentiche” [S3]. Il risultato è un costo per task più alto quando il modello allunga output e sequenze di chiamata.

Per chi costruisce workflow con agenti e strumenti, i token diventano una metrica di progetto oltre che di fatturazione. La scelta tra 3.8 Flash e 3.7 Flash diventa anche una scelta di controllo sul consumo: Google stessa suggerisce di restare su 3.7 Flash se si vuole contenere i token [S3].

3) Difesa proattiva e harness di orchestrazione: limite tra automazione e controllo

Google ha presentato Fairwind in accesso limitato. Un gruppo fidato di clienti Google Cloud, agenzie governative e partner di cybersecurity lo proverà per primo. Il programma dà accesso a Gemini 3.8 Flash Cyber e a CodeMender, un harness che orchestra l’individuazione, la verifica e la correzione di vulnerabilità in autonomia. Il target prioritario: infrastrutture critiche, servizi pubblici e sicurezza nazionale [S4].

Il cuore tecnico è l’accoppiata tra modello “cyber” e orchestrazione. Google descrive operazioni “su scala agentica” su codebase enterprise. I passaggi includono il controllo dei risultati prima dell’applicazione delle patch [S4]. L’inserimento di un controllo esplicito prima della modifica segnala una gestione dell’automazione con freni interni.

Fairwind nasce per sciogliere un nodo operativo dei team di sicurezza. Da un lato, modelli “frontier” molto grandi: costosi da distribuire e difficili da governare su basi di codice estese. Dall’altro, l’esigenza di remediation automatizzata praticabile e verificabile. L’approccio proposto è usare un modello cyber e un harness mirato per portare la correzione automatizzata in contesti sensibili con verifiche integrate [S4].

4) Dal digitale al fisico: agenti e AI nel mondo reale aumentano la superficie di rischio

TechCrunch Disrupt 2026 introduce il Real World AI Stage accanto all’AI Stage. Il focus è il punto d’incontro tra digitale e fisico: robotica, biologia, applicazioni che entrano in spazi pubblici, teatri di guerra e case. Nel perimetro rientrano anche temi biologici, come l’idea di aiutare specie estinte a rientrare sulla Terra. Annunciati primi interventi da Shield AI, Colossal Biosciences, FieldAI e Foxglove. Il programma cita riferimenti anche a Nvidia [S2].

Questo amplia il discorso sull’AI verso sistemi con effetti materiali. L’autonomia robotica e gli interventi biologici richiedono standard di verifica diversi dal software puro. Quando agenti e orchestrazioni incontrano ambienti fisici, ogni errore pesa di più. La catena “modello → strumento → azione” va testata con criteri che includono effetti nel mondo [S2].

La spinta verso un palco dedicato al “mondo reale” suggerisce un confine più sottile tra sicurezza informatica e sicurezza operativa. I team devono valutare comportamenti agentici in contesti ibridi, dove il fallimento può avere conseguenze su persone, dispositivi e servizi [S2].

5) Cosa devono mettere in campo team di sicurezza, sviluppo e QA

I fatti sopra delineano una traiettoria comune: più agenti, più iterazioni, più azioni automatizzate. Servono pratiche coerenti con questo salto.

• Governance. Definire cosa si può automatizzare, quando serve approvazione umana, come assegnare responsabilità per azioni agentiche. Integrare le policy nei processi di rilascio e change management.
• Verifica e test. Estendere il QA a test di integrazione agentica. Simulare turni iterativi, chiamate a strumenti e variazioni di prompt. Validare i controlli ex‑ante sulle modifiche, come indicato dall’approccio con controllo dei risultati in Fairwind [S4].
• Osservabilità e audit. Tracciare decisioni agentiche, loggare chiamate a strumenti e output intermedi. Creare metriche per rilevare comportamenti anomali o drift nelle sequenze di azioni.
• Contenimento dei costi. Misurare il costo per attività e token per turno. Progettare prompt e architetture che limitano output ridondanti. Valutare quando restare su Gemini 3.7 Flash per contenere i token, come suggerito da Google [S3].
• Piani di rollback e fail‑safe. Ogni patch o azione automatizzata deve avere rollback, quarantena e analisi post‑azione. L’uso di harness con verifica prima dell’applicazione è un riferimento pratico [S4].

L’asse comune tra l’acquisizione di Console, Gemini 3.8 Flash e Fairwind è l’operazionalizzazione dell’AI. I protagonisti non vendono più solo modelli o API; combinano agenti, orchestrazione, verifiche e controlli, e li posizionano su processi critici [S1][S3][S4]. È lo stesso spostamento che porta Disrupt a dedicare un palco al mondo reale: quando gli agenti agiscono, i dettagli di governance e costo fanno la differenza tra una demo e un sistema affidabile [S2].

Se la prossima ondata di adozione passa da “braccia e gambe” che eseguono azioni, la competenza chiave non sarà solo scegliere il modello, ma progettare il circuito di verifica che decide quando quelle braccia si muovono e quando devono fermarsi.