Approfondimento
AI ai margini: come pendenti, satelliti e agenti cambiano rischi e responsabilità
Testo scritto con l’intelligenza artificiale a partire da 4 fonti citate, senza revisione umana prima della pubblicazione.
L'inferenza e i controlli si spostano fuori dai data center verso dispositivi economici, orbite e agenti su desktop: aumenta la capacità operativa ma a sua volta la superficie d'attacco, richiedendo protezioni combinate per chi progetta, sviluppa e testa.
Un pendente Waveshare ESP32-S3 1.75C da 50 dollari collegato a Muse di Meta ha fatto da “AI Tamagotchi”, con risposte lente e un solo avatar chiamato Jolly. Dall’altra parte dell’atmosfera, il satellite Suncatcher di Google ha generato un haiku con Gemma 4 mentre sorvolava le Svalbard. In mezzo, una CLI di Vercel fa guidare app native agli agenti leggendo l’albero di accessibilità1,2,4.
1) Dispositivi economici connessi al cloud: opportunità e limiti dell’AI embedded
Un hobbista ha comprato un pendente Waveshare ESP32-S3 1.75C, touchscreen da 1,75 pollici, dalla Cina, con push-to-talk. Lo ha collegato al PC, ha seguito il GitHub di Meta con l’aiuto di Claude, poi lo ha associato all’app Muse sul telefono. Il risultato: un “Muse Gadget” che usa codice open source e token di Meta per connettersi al cloud di Muse1.
Caricava le chiavi di Meta. Muse scambiava comandi per clip audio da trascrivere. Le risposte arrivavano lente, in silenzio. Sullo schermo comparivano poche parole alla volta. Per leggere un messaggio intero bisognava aprire l’app sul telefono1.
La build era minimale. Un solo avatar, Jolly, per lo più fermo. Nessun rilevamento automatico degli smart home device, a differenza di Amazon Echo o Google Home. C’era un’app di esempio scritta dagli ingegneri Anant Narayanan e Jeremy Payne per trasmettere in streaming il video della fotocamera del telefono. Senza un pulsante di scatto remoto serviva poco per fare foto1.
L’hobbista ha ricollegato il pendente al PC e ha chiesto a Claude Code di riprogrammare ciò che mancava. È comparsa una pagina di cronologia. Con uno swipe si rileggono le risposte di Muse1.
2) Inferenza in ambienti non convenzionali: costi, vincoli e implicazioni operative
Suncatcher ha inviato a Terra un haiku generato in orbita con Gemma 4. Il prompt è partito dalla stazione a terra. La risposta, circa 20 token, è scesa sul downlink mentre il satellite passava sopra la Norvegia. Travis Beals, senior director del team di ricerca Paradigms of Intelligence, ha detto che host e tray TPU erano accesi e che i test di machine learning sono stati completati a bordo2.
Il costo marginale dell’haiku via API sarebbe stato circa 0,000012 dollari, calcolati sui listini di Gemma 4 26B, 0,15 dollari per milione di token in input e 0,60 per milione in output, esclusi i costi di input. Il lancio mette però la cifra in prospettiva: con un’ipotesi di 500 chilogrammi, come un satellite Starlink, e 7.000 dollari al chilogrammo, l’haiku diventa “molto costoso”2.
Google ha pubblicato un modello economico. Se il costo di lancio scendesse a 200 dollari al chilogrammo, il costo di lancio ammortizzato su un anno di vita utile del satellite, circa 810-7.500 dollari per kW all’anno, potrebbe avvicinarsi a soglie più interessanti2.
3) Agenti che comandano app native: potenza operativa e superficie di privilegio
Vercel Labs ha rilasciato agent-desktop 1.0.2 il 30 ottobre 2026. È una CLI open source che consente agli agenti di pilotare app desktop leggendo l’albero di accessibilità. Non usa screenshot. Non integra LLM. Non ha GUI. Ogni invocazione esegue un comando, stampa un unico JSON, poi esce4.
CLI in Rust e libreria in C. Sessanta comandi elencati, di cui 56 operativi. Licenza Apache-2.0. Supporto a macOS 13 o superiore, Windows 10 1809 o Server 2019 o superiore e Ubuntu 24.04 o superiore, su x64 e ARM64. Richiede solo CPU, nessuna GPU4.
Il funzionamento passa dall’albero di accessibilità esposto dal sistema operativo. L’agente riceve uno snapshot JSON con riferimenti stabili su cui agire invece di coordinate sullo schermo. Le azioni sono descritte come deterministiche e sicure al retry. Qualsiasi agente capace di usare la shell può così guidare app native senza un modello di visione4.
4) Minacce che integrano LLM: automazione del triage e accelerazione dello sfruttamento
Cisco Talos descrive Volta-Autodoxer come un infostealer che integra modelli linguistici commerciali per profilare automaticamente le vittime. La novità non è la raccolta, ma il triage automatizzato: subito dopo l’esfiltrazione, il malware convoglia i dati in un modello linguistico. L’LLM scandaglia i record, li classifica e porta in cima i profili e le informazioni che promettono un ritorno più rapido. L’uso di LLM commerciali estende capacità già note, accorcia i tempi tra infezione e sfruttamento e alleggerisce passaggi prima manuali. La scoperta è stata condivisa con Kernel Panic, la newsletter di Wired curata da Lily Hay Newman e Matt Burgess3.
Gli infostealer si nascondono spesso in software contraffatto. Una volta in esecuzione, prendono username, password, token di autenticazione, cookie, dati di carte di credito e altro ancora. Il bottino serve per accedere ad account e servizi, muoversi all’interno di reti o alimentare il mercato delle credenziali. Volta-Autodoxer aggiunge un passaggio di analisi che porta in cima credenziali con privilegi, token validi e altre informazioni di maggiore valore operativo3.
Fonti
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici
Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate qui sopra. Prima di uscire, ogni testo passa questi controlli:
- Rilettura. Un passaggio toglie i tic della prosa generata da un modello, come i contrasti costruiti e le frasi che annunciano invece di informare, senza toccare fatti e fonti.
- Fedeltà alle fonti. Un passaggio dedicato toglie ogni affermazione che le fonti non sostengono. Valutazione su questo pezzo: 9/10.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale: superato.
- Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica. Questo articolo ha preso 8,0/10.
I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.
Per vedere Millebit nelle notizie principali di Google, aggiungilo alle tue fonti preferite. Oppure segui l’edizione di oggi, il feed RSS o La Sintesi.