The Agent Watch
Briefing · Articoli · Strumenti · Chi siamo EN FR DE ES 中文 IT PT SV FI DA

Briefing quotidiano

9 novembre 2026 · 5 storie

🔥 In primo piano

1

Google affida la revisione a un agente che del progetto non sa nulla

Google pubblica in codice aperto un metodo di revisione che si riassume in un'immagine: un «elefante» redige la specifica con tutto il contesto, un «pesce rosso» la rilegge senza alcuna traccia della conversazione di stesura. Il revisore non ha nulla da difendere, perché non ha scritto nulla, quindi va a caccia delle presupposizioni non dette, delle richieste vaghe e dei rischi che l'autore ha saltato. Il repository è libero, conta più di 15.000 stelle e si installa su Codex CLI, Claude Code e Antigravity. Tre ruoli si dividono il lavoro: l'autore, il revisore appena arrivato e una persona che decide i punti sollevati. In concreto, è il metodo che si applica consegnando un documento a un collega che non era in riunione: farà la domanda a cui l'autore non aveva mai pensato. Fonte : https://github.com/google/elephant-goldfish-model

2

Anthropic spiega la memoria dei suoi agenti: quattro livelli e un turno di notte

Anthropic pubblica il dettaglio del meccanismo di memoria dei suoi agenti. Quattro livelli, dal basso verso l'alto: il registro grezzo delle sessioni, le note che Claude scrive da sé, schede enciclopediche collegate tra loro e infine un breve elenco reiniettato all'inizio di ogni sessione. In mezzo c'è un lavoro di fondo che l'azienda chiama il «sogno»: fuori conversazione, il sistema rilegge i registri, corregge le note false, crea ciò che manca e pota ciò che è invecchiato. I numeri sono pubblicati: sulla base di apprendimento continuo, Opus 5.5 passa da 0,655 a 0,838 con la memoria, Sonnet 5.5 da 0,644 a 0,833, e Opus 5 è quello che guadagna di più, da 0,564 a 0,828. Una lezione è semplice: l'elenco reiniettato deve restare breve. Ogni riga di contesto consegnata occupa spazio e può ridurre l'obbedienza. Fonte : https://www.anthropic.com/research/components-of-agent-memory

3

Un modello scaricabile da tutti si avvicina a quello riservato

Vals AI ha lasciato che gli agenti attaccassero da soli due reti aziendali finte, Nova e Lighthouse, e ha contato gli obiettivi raggiunti. Sulla rete più difficile, Lighthouse, il modello di OpenAI riservato ai partner di cybersicurezza raggiunge 27 obiettivi su 31; DeepSeek, che chiunque può scaricare, ne raggiunge 21. Sulla rete più semplice i due sono pari: 16,3 obiettivi su 21 per DeepSeek contro 15,7. Il divario di prezzo è netto: un tentativo costa meno di 3 dollari con DeepSeek e circa 22 con il modello di OpenAI, dieci volte meno. Un dettaglio cambia la lettura: DeepSeek non ha ottenuto nulla durante i suoi primi 25 milioni di parole di lavoro ed è avanzato davvero solo dopo 100 milioni. Un test breve sottovaluta i modelli economici. Per i nostri server la domanda non è più «un agente può entrare? » ma «con quale modello, a quale prezzo, in quanto tempo? ». Fonte : https://www.vals.ai/benchmarks/cyber_offense

4

Un laboratorio raccoglie 120 milioni di dollari per mandare agenti a soccorrere i nostri guasti

Traversal chiude un round di serie B da 120 milioni di dollari e ora vale un miliardo. L'azienda manda agenti a indagare sui guasti senza aspettare che un ingegnere apra un ticket. Il contesto è misurato: il 42 % degli sviluppatori scrive ormai gran parte del proprio codice con l'aiuto di un'intelligenza artificiale, contro il 12 % un anno fa, ma il 52 % impiega più tempo a correggere i problemi quando il codice è in produzione. Le indagini mensili di Traversal sono passate da 513 a quasi 73.000 in un anno. Il limite lo assume il suo responsabile delle operazioni in Anthropic: ai grandi modelli non si può affidare la gestione degli incidenti, perché confondono facilmente ciò che accade insieme con ciò che lo causa. Fonte : https://www.traversal.com/blog/traversal-series-b-120-million-ai-sre

5

Il modello si scarica senza problemi, ma la sua licenza vieta di venderlo

L'editore webAI pubblica i pesi di TwIL-8B, un modello di ragionamento da 8,8 miliardi di parametri derivato da Granite 4.2 di IBM. Sta in 5 gigabyte e gira su un computer da scrivania: i sei file di pesi sono davvero scaricabili. Ma il file di licenza letto nel repository si chiama «webAI Non-Commercial License ver. 1.0» e stabilisce che il modello e i suoi derivati possono servire solo per ricerca e didattica, mai commercialmente. Il modello di base, invece, è sotto Apache 2.0, senza soglia di fatturato né paese escluso. È la trappola da evitare: un peso scaricabile non è un peso utilizzabile in un'attività che produce reddito. La lezione vale per ogni modello che ospitiamo per i clienti. Fonte : https://huggingface.co/webAI-Official/TwIL-8B

📡 Da tenere d'occhio

Un buco SSH vecchio di dieci anni, trovato da uno sciame di agenti e sfruttato in poche ore

Un ricercatore ha montato uno sciame di agenti che ha eseguito circa 17.600 tentativi di autenticazione su dodici configurazioni di OpenSSH, e ha trovato un buco che permette di entrare senza password su sistemi Linux basati su musl, come Alpine. È stato corretto il 5 novembre in OpenSSH 10.6p2 ed è stato sfruttato in campo nelle ore successive alla pubblicazione. Il manutentore del progetto considera ormai pericolose le lunghe embargo, perché gli agenti ritrovano a volte lo stesso buco in poche ore. Fonte : https://www.bleepingcomputer.com/news/security/openssh-flaw-lets-attackers-log-into-password-disabled-linux-accounts

Adobe porta il suo agente per la relazione con i clienti dentro ChatGPT, Claude, Gemini e Copilot

L'agente di Adobe per la gestione dei clienti, finora usato solo negli strumenti di Adobe, diventa disponibile nelle piattaforme che le aziende usano già: ChatGPT, Claude, Gemini for Business, Copilot, e presto Amazon, IBM e Snowflake. Adobe aggiunge connettori pronti all'uso per una decina di strumenti di marketing, costruiti su standard aperti. L'idea: una sola richiesta basta per estrarre i dati, agire nei sistemi e migliorare il percorso del cliente, senza che l'azienda debba scrivere i collegamenti. Più di 20.000 marchi usano già queste tecnologie. Fonte : https://news.adobe.com/news/2026/11/adobe-integrates-agentic-cx-enterprise-coworker-into-ai-platforms

Google porta fuori dalla fase sperimentale la comunicazione tra agenti

La versione 2.14 del kit di strumenti per agenti di Google, pubblicata il 7 novembre, porta fuori dalla fase sperimentale diversi pezzi: il protocollo con cui gli agenti si parlano, gli ambienti di esecuzione isolati, gli strumenti di valutazione e il motore di base. Aggiunge un collegamento diretto alle conversazioni di Teams e una modalità di valutazione che ripete ogni caso più volte per misurare una percentuale di successo invece di una singola esecuzione. Google segnala inoltre attività lunghe più veloci. Fonte : https://github.com/google/adk-python/releases/tag/v2.14.0

Una posta in arrivo per gli agenti che lavorano per ore

Plannotator lancia una posta in arrivo pensata per gli agenti che girano a lungo: l'agente ci lascia le sue domande, i suoi blocchi, i suoi piani e i suoi prototipi, e continua a lavorare. La persona apre la cassetta quando ha tempo, risponde o annota, e quella risposta diventa il turno successivo della sessione. Tutto resta sulla macchina e le conversazioni sono raggruppate per filo. Il repository è libero e il progetto ha pubblicato diverse versioni l'8 novembre. Fonte : https://plannotator.ai/inbox/

📊 Tendenza

Stamattina nessuna nuova stella: si vedono i pezzi invisibili. La memoria che un agente conserva tra due sessioni, la revisione affidata a uno sconosciuto, il prezzo di un'intrusione condotta da un modello che chiunque può scaricare, l'agente che parte a indagare su un guasto senza che nessuno lo abbia chiamato, la cassetta che gli riporta le domande e la licenza che decide se ciò che hai scaricato si può vendere. La domanda del giorno non è più quale modello è il migliore, ma a quali condizioni un agente può lavorare dentro un'azienda: con una memoria limitata, uno sguardo nuovo sul proprio lavoro, un perimetro scritto e il diritto di guadagnare sul risultato.