Il costo dell'intelligenza agentiva si misura in aria e codice

L'infrastruttura che rende possibili gli agenti autonomi ha iniziato a generare bollette che non compaiono su nessuna fattura cloud. Una bolletta arriva sotto forma di particolato. Un'altra arriva come vulnerabilità critica in codice condiviso da milioni di siti. Nessuna delle due era prezzata nel pitch originale dell'IA agentiva, e ora entrambe ricadono su chi costruisce con questi sistemi.

La domanda elettrica dei data center potrebbe, nel giro di cinque anni, vanificare decenni di miglioramenti nella qualità dell'aria [1]. Non è un problema lontano, di competenza dei regolatori. È un vincolo che arriverà fino alla scelta dei modelli, al routing dell'inferenza e alla decisione se un task giustifichi o meno l'uso di un agente. L'assunto che più compute sia sempre la risposta stava già vacillando sotto la pressione dei costi. I dati sulla qualità dell'aria lo trasformano in qualcosa di simile a un principio di progettazione: l'inferenza più economica è quella che non esegui.

Il problema della scoperta a doppio taglio

I sistemi agentivi sono ormai abbastanza bravi da trovare falle sfuggite per anni alla revisione umana. Una vulnerabilità PHP critica che impatta milioni di siti web è stata scoperta da GPT-5.6 Sol di OpenAI nell'ambito dell'iniziativa Patch the Planet, e indipendentemente dalla società di sicurezza Wiz usando Gemini 4 Argon di Google [3]. È un autentico salto di capacità. Ed è anche un avvertimento. La stessa nota di OpenAI sottolinea che le stesse capacità che trovano vulnerabilità possono aiutare gli attaccanti a sfruttarle [3].

Per chi sviluppa, questo azzera la distanza tra offesa e difesa. Un agente che fa audit delle tue dipendenze è anche un agente che può mappare la tua superficie d'attacco. Gli strumenti sono simmetrici. L'unica asimmetria sta in chi si muove per primo. I team che trattano la revisione di sicurezza assistita dall'IA come un processo continuo applicheranno la patch prima dello sfruttamento. I team che la trattano come un audit periodico faranno a gara con gli stessi modelli che usano.

Il reality check del flusso di cassa

Il trimestre di Tesla offre un utile contrappunto al catastrofismo. L'azienda ha registrato 1,53 miliardi di dollari di free cash flow, in crescita rispetto a un valore negativo del trimestre precedente, citando esplicitamente gli investimenti in IA e robotica come parte del suo posizionamento in quei settori [2]. La lezione non è che investire in IA sia sicuro. È che disciplina del flusso di cassa e spesa in IA non si escludono a vicenda, nemmeno per un'azienda che riversa denaro in modelli e hardware.

Per chi sviluppa agenti, il risvolto pratico è più circoscritto. Puoi investire in capacità agentiva senza trattare il compute come se fosse gratis. Puoi eseguire agenti focalizzati sulla sicurezza senza dare per scontato che verranno usati solo dal tuo team. E puoi misurare il costo di un task in qualcosa di più di token e latenza. I dati sulla qualità dell'aria e la vulnerabilità PHP sono la stessa storia vista da due angolazioni: le esternalità dell'intelligenza agentiva stanno diventando visibili, e stanno diventando un problema tuo.

Ciò che resta pragmatico è questo: fai audit del tuo volume di inferenza come fai audit delle tue dipendenze. Tratta ogni deployment di agenti come una superficie di attacco, non solo come uno strumento di produttività. E quando un modello trova una vulnerabilità nel tuo stack, dai per scontato che il modello di qualcun altro la stia già cercando.