Briefing quotidiano
15 novembre 2026 · 5 storie
🔥 In primo piano
1Un assistente che vive sul tuo computer e fa il lavoro al posto tuo
n8n pubblica Nod, un assistente personale che installi sul tuo Mac, sul tuo PC o sul tuo server. Non si limita a consegnarti una lista di cose da fare: le esegue, anche su siti senza alcuna integrazione. Prima di inviare una mail, pagare o cancellare qualcosa, un secondo modello, diverso da quello che agisce, confronta l'azione con la tua richiesta e ti chiede se l'istruzione non basta. Le tue password e le tue carte restano cifrate sulla macchina, in moduli che il modello non può leggere. Il codice è libero, e il modello lo scegli tu, anche uno che gira sul tuo computer. L'editore dichiara il 98 per cento di successo su 678 esecuzioni e nessuna azione non autorizzata su 216 attacchi via posta. Fonte: https://blog.n8n.io/meet-nod
2Amazon pubblica una copia del suo cloud, scritta interamente da agenti
Amazon ha appena pubblicato un emulatore gratuito dei propri servizi che si installa sulla tua macchina e risponde alle stesse chiamate del cloud vero. Il tuo codice non cambia, ma non paghi nulla e non serve un account. Il dato sorprendente: ogni riga di codice è stata scritta da agenti autonomi, senza revisione umana, partendo dalla sola descrizione pubblica delle interfacce. Tre squadre di agenti lo mantengono: una scrive i test, un'altra li riapplica e apre un ticket per ogni scostamento, la terza corregge. Amazon si scarica la responsabilità: l'emulatore non verifica i tuoi diritti di accesso, quindi una richiesta che il cloud vero rifiuterebbe qui può passare. Il codice è di pubblico dominio. Fonte: https://www.aboutamazon.com/news/aws/how-autonomous-ai-agents-built-aws-emulator
3Pulire i dati di addestramento può armare la trappola invece di disarmarla
Un team di Anthropic mostra che filtrare i dati di addestramento non basta a proteggere un modello. Quando un insieme di dati manomessi abbina sempre un compito a una parola precisa, nulla dice quale dei due comandi il comportamento. Se aggiungi esempi corretti dello stesso compito senza quella parola, il modello finisce per obbedire solo alla parola. Su un piccolo modello aperto, la quota di violazioni sale dal 7 al 16 per cento mescolando un 20 per cento di dati manomessi a dati puliti. Una rete che riconosce solo cifre passa dal 10 al 60 per cento di errori dopo 9 000 esempi puliti. Gli autori sono chiari: non studiano nessuna catena di addestramento in produzione. La lezione è semplice: tratta un modello scaricato come codice firmato da uno sconosciuto. Fonte: https://alignment.anthropic.com/2026/homeopathic-learning
4Perplexity apre i pesi di un piccolo modello che permette o rifiuta
Perplexity pubblica una nuova versione dei suoi modelli di decisione, quelli che non rispondono ma restituiscono una probabilità. Gli date un testo e una domanda, e decidono. Un agente li usa come sentinella: questa richiesta è consentita, questo risultato vale la pena tenerlo, conviene chiedere a un modello più grande o più piccolo. La versione 1.3 aggiunge una funzione che restituisce il brano esatto del testo corrispondente alla domanda, con la sua posizione. I pesi sono liberi con licenza Apache 2.0, e l'editore dichiara un 93,98 per cento di accordo con giudici di modelli di punta su un milione di richieste reali. Due limiti: la funzione non legge le immagini e il numero di domande si ferma a 128 per richiesta. Fonte: https://www.perplexity.ai/hub/blog/perplexity-decider
5Il fornitore di dati di mercato vale 1,1 miliardi, con meno di 40 persone
Databento, che vende ai trader ordini e transazioni datati al microsecondo, raccoglie 100 milioni di dollari con una valutazione di 1,1 miliardi. L'azienda ha meno di 40 persone. I soldi servono a finire nove centri dati in quattro mesi, in sette città da Singapore a New York. Il punto che ci interessa: l'azienda dice di aver firmato contratti aziendali con cinque dei sei maggiori laboratori di IA di frontiera, senza nominarne nessuno. Quei laboratori devono sapere minuto per minuto che cosa succede sui mercati, il giorno in cui gli agenti cominceranno a operare lì. L'azienda dice di non aver cercato i fondi, e che i ricavi sono più che raddoppiati da luglio, senza pubblicare la cifra. Si dice redditizia. Fonte: https://databento.com/blog/series-c
📡 Da tenere d'occhio
Vercel spezza le schermate in pezzi perché un agente le costruisca da solo
Vercel pubblica una libreria libera che spezza il funzionamento di un'interfaccia in una cinquantina di pezzi riutilizzabili: aprire una finestra, scegliere da un elenco, muoversi con la tastiera, riordinare una tabella. Un agente di programmazione li monta da sé per costruire la schermata voluta, anche una che non esiste ancora, e poi diventa utente di ciò che ha costruito. L'editore misura che un agente che guida la pagina direttamente, senza schermate, fa 5 chiamate invece di 16, in 16 secondi invece di 41. La libreria copre cinque librerie web. Fonte: https://ui-sdk.dev/
openEuler rifà il suo sistema operativo per gli agenti
La comunità openEuler, che porta il sistema operativo cinese sponsorizzato da Huawei, ha rifatto tutto il suo sistema per gli agenti. Nella nuova versione l'agente non gira più dentro una macchina virtuale: gira dentro uno spazio protetto che si crea in meno di 50 millisecondi. Diecimila di questi spazi partono in dieci secondi, secondo le misure dell'editore. La memoria degli agenti è gestita a strati, e la quota di rischi bloccati sale dal 50 al 95 per cento. La versione è prevista per dicembre. Fonte: https://www.openeuler.org/en/interaction/summit-list/summit2026
Tre agenti che lavorano insieme invece che uno dopo l'altro
MuleSoft, la controllata di Salesforce che collega i software aziendali, permette ora di provare una squadra di agenti sul tuo computer prima ancora di metterla online. E quando un passo deve chiamare tre agenti insieme, partono insieme: non si aspetta la fine, si aspetta il più lento. Nell'esempio dell'editore, una fattura di 4 secondi, una chiamata di assistenza di 3 e una scheda cliente di 5 si risolvono in 5 secondi invece di 12. L'ordine viene rispettato quando conta. Fonte: https://blogs.mulesoft.com/automation/build-test-and-run-trusted-agent-orchestrations-faster-whats-new-with-agent-broker/
DeepSeek apre al pubblico gli strumenti della sua app
DeepSeek apre agli sviluppatori le funzioni che la sua app pubblica usava già: cercare sul web, leggere un link, ingoiare un documento, leggere il testo in un'immagine, trascrivere una voce. L'editore vende anche questi pezzi singolarmente, con un prezzo che si somma a quello dei token. Il modello coinvolto è V4.1-Flash, ed è pubblicata una demo libera per provare l'insieme. Da notare: non è una novità, gli strumenti di ricerca e di lettura delle pagine esistono dal 19 ottobre. Fonte: https://api-docs.deepseek.com/news/news261113/
📊 Tendenza
Oggi gli agenti escono dalla finestra della conversazione ed entrano nell'officina. Amazon li fa scrivere il codice e lo fa testare gratis sulla tua macchina; n8n installa il tuo a casa, con un secondo modello che dice no quando la tua istruzione non basta; MuleSoft mette tre agenti al lavoro insieme invece di farli mettere in fila. Dall'altra parte la guardia si indurisce: Anthropic mostra che pulire i dati di addestramento può armare la trappola invece di disarmarla, e Perplexity apre i pesi di una guardia capace di dire no per qualche centesimo. E lo strato dei dati comincia ad avere un prezzo: Databento arriva a 1,1 miliardi di dollari con meno di 40 persone. Non conta quanto siano potenti gli agenti, ma quanti permessi si dà loro.