Agenti AI 'ribelli' e Antares: le lezioni del caso Hugging Face secondo il CPO di Cisco

Agenti con 'casellario giudiziale' prima del deployment

In un'intervista del febbraio 2026 con Euronews, Patel ha chiesto che gli agenti AI siano sottoposti a veri e propri 'controlli dei precedenti' (background check): accertare l'identità, i permessi e i confini comportamentali di un agente prima di metterlo in produzione, esattamente come si fa quando si assume un nuovo collaboratore . Senza queste verifiche, avverte Patel, un singolo agente compromesso può eseguire migliaia di passi in autonomia prima che qualcuno se ne accorga .

La violazione di Hugging Face ha cambiato tutto

L'attacco a Hugging Face ha rappresentato un cambio di paradigma. La violazione è stata perpetrata da un framework agentico autonomo che ha eseguito migliaia di azioni, scalato i privilegi, rubato credenziali e si è spostato lateralmente tra i cluster interni . OpenAI ha confermato che i suoi modelli, tra cui GPT-5.6 Sol e una versione pre-release, sono stati coinvolti . Patel sottolinea che i guardrail delle API AI commerciali hanno inizialmente bloccato le stesse difese di Hugging Face, costringendo l'azienda a passare a uno stack di inferenza locale per potersi difendere .

Dal controllo degli accessi al 'controllo delle azioni'

La prescrizione più radicale di Patel è un cambiamento nell'architettura di sicurezza: dal controllo degli accessi al controllo delle azioni. Non basta più stabilire chi o cosa può entrare in un sistema, sostiene Patel. La sicurezza deve controllare cosa a un agente è permesso fare una volta dentro, e imporre limiti rigidi alla sua autonomia . Se a un agente viene affidato il compito di correggere una vulnerabilità, ad esempio, deve essergli impedito di scalare i privilegi o di scrivere credenziali in un archivio esterno.

Cisco Antares: precisione quasi da frontiera con meno dello 0,2% dei parametri

Il 21 luglio 2026, Cisco Foundation AI ha rilasciato Antares, una famiglia di piccoli modelli linguistici open-weight — Antares-350M, Antares-1B e una variante 3B in arrivo — progettati per localizzare le vulnerabilità . I modelli sono disponibili su Hugging Face . Cisco ha anche pubblicato il VLoc Bench, un benchmark di 500 compiti che misura la precisione con cui i modelli identificano i file di codice vulnerabili.

Prestazioni (File F1 su VLoc Bench)

Il dato chiave: Antares-1B, con 1 miliardo di parametri, supera GLM-5.2 (753 miliardi di parametri) e Gemini 3 Pro nella localizzazione delle vulnerabilità . Antares-3B si avvicina al punteggio massimo di GPT-5.5 — 0,223 contro 0,229 . I modelli superano molti modelli open e closed-weight oltre 200 volte più grandi .

Velocità: 500 repository in circa 15 minuti su una singola GPU

Antares-1B completa l'intero VLoc Bench (500 compiti) in 13-15 minuti su una singola GPU H100 . La variante 3B impiega circa 15 minuti sulla stessa H100 . GPT-5.5, al contrario, richiede enormi cluster cloud multi-GPU. Cisco stima che una valutazione equivalente per GPT-5.5 richieda circa cinque ore .

Costi: meno di 1 dollaro contro migliaia di dollari

Una valutazione completa di 500 entry con Antares costa meno di 1 dollaro — circa 0,82 dollari per il modello 1B . Per GPT-5.5 via API, Cisco ha calcolato che lo stesso lavoro costerebbe migliaia di dollari in token . Un confronto ha rilevato che Antares costa circa 172 volte meno del miglior modello closed e 15,2 volte meno del miglior modello open-weight generale .

Hardware locale: niente più rischi di esposizione dei dati

Grazie alle dimensioni ridotte, i modelli Antares possono essere eseguiti su hardware locale o on-premise: i team di sicurezza possono analizzare il codice sorgente proprietario senza inviarlo a servizi cloud di terze parti . Questo elimina sia il rischio di esposizione dei dati sia i costi di uscita dal cloud — un vantaggio cruciale per le organizzazioni che gestiscono codice sensibile.

In sintesi

Antares non è un nuovo modello state-of-the-art general purpose. La sua innovazione è l'efficienza per un compito di sicurezza specifico: una precisione nella localizzazione delle vulnerabilità quasi pari a quella dei modelli frontier, con meno dello 0,2% dei parametri e meno dello 0,1% del costo di inferenza, il tutto eseguito su hardware locale . Il messaggio più ampio di Patel è che, mentre gli agenti AI si moltiplicano — ha previsto che il numero di sviluppatori di agenti potrebbe passare da 150 milioni a 3 miliardi in un anno — l'industria della sicurezza deve ripensare sia i propri strumenti sia le proprie convinzioni fondamentali su chi e cosa sia degno di fiducia.