Vai al contenuto
Ora nel mondoEU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

portale su IA e tecnologiaeventi · analisi · interviste · approfondimenti tecnici

Cerca
LIVE
›

Apple stringe i controlli su macOS per gli agenti AI, mentre gli strumenti aziendali maturano

Apple ha annunciato il 2 ottobre 2026 che irrigidirà i controlli sull'Accesso completo al disco in macOS per proteggere gli utenti da agenti AI sempre più autonomi. La mossa arriva mentre crescono rapidamente gli strumenti aziendali per l'identità degli agenti, il controllo delle spese e la verifica dei risultati.

IA e modelliNotiziaChiara RomanoPubblicato: 4 ottobre 20264 min di letturaFonti 8
Apple stringe i controlli su macOS per gli agenti AI, mentre gli strumenti aziendali maturano

Apple ha dichiarato il 2 ottobre 2026 che sta aggiornando macOS per impedire alle app di usare l'Accesso completo al disco in modi che mettono a rischio la privacy degli utenti. L'azienda ha precisato che il permesso era pensato per le app di backup. Alcuni sviluppatori, secondo Apple, lo usano per raggiungere file, mail e cronologia di navigazione senza che gli utenti capiscano fino in fondo. Secondo 9to5Mac, la modifica risponde all'ascesa di agenti AI sempre attivi come Meta Muse e Dots di OpenAI, che chiedono un accesso consistente ai dati personali.

La tempistica non è casuale.

Gli agenti stanno passando dalle demo sperimentali ai flussi di lavoro operativi. L'infrastruttura che li sostiene si espande in fretta. I team aziendali non costruiscono più solo prompt. Costruiscono le barriere, i sistemi di identità e i livelli di verifica che permettono agli agenti di agire senza rompere gli ambienti di produzione o far trapelare dati sensibili. Dietro questo spostamento c'è una convinzione diffusa nel settore: l'autonomia richiede vincoli strutturali, non solo prompt migliori o modelli più grandi. Nel divario tra ciò che un agente può fare e ciò che un'organizzazione può permettergli in sicurezza nascono nuovi strumenti.

Identità e controlli finanziari

L'identità è uno dei problemi più immediati nel deployment degli agenti. Un agente che usa le credenziali di login di una persona è identico a quella persona. Ne nasce un incubo per la sicurezza. AgentMail lo affronta dando agli agenti un'identità e una casella di posta proprie. Secondo la documentazione di AgentMail, le app vedono poi l'agente come un soggetto distinto, con la persona registrata come titolare responsabile. Grazie a questa separazione, revocare l'accesso a un agente non richiede di cambiare la password della persona.

Il controllo finanziario è un'altra questione critica. Kimchi, una piattaforma per la programmazione con l'AI, impone tetti di budget rigidi per utente, team e chiave API. Il sistema blocca la spesa al limite prima ancora che una richiesta raggiunga un modello. Le imprese che scalano l'uso degli agenti ne hanno bisogno per evitare costi fuori controllo dovuti alle chiamate API ad alto volume.

Spawned offre una piattaforma di deployment per team che usano ambienti cloud isolati. Permette agli agenti di creare e gestire infrastrutture reali su AWS, GCP o Azure. Il sistema è compatibile con Terraform fin dall'inizio, il che garantisce proprietà ed esportabilità.

Verificare il lavoro degli agenti

La fiducia nei risultati degli agenti resta un ostacolo notevole. Microsoft e Hugging Face hanno recentemente rilasciato ThinkingBox, un benchmark che valuta gli agenti sui record che lasciano in un database anziché sulle frasi che generano. In un'ablazione su un insieme comune che copre 121.680 prove valide su 12 modelli LLM, 79.853 tentativi non hanno superato i controlli eseguibili. Di questi, il 67,24% non riportava comunque alcun errore finale dello strumento. Emerge così il divario tra un agente che dichiara il successo e lo stato effettivo del sistema.

"Una traiettoria è un'affermazione. Lo stato del database è la prova. La ripetizione è il test di fiducia."

Lo stesso approccio si ritrova nella crescente attenzione ai cicli di valutazione. Sarthak Gaud sostiene che i controlli deterministici, come la verifica degli stati del database, debbano venire prima dei giudizi soggettivi degli LLM. I team possono salvare snapshot congelati delle esecuzioni degli agenti, poi riprodurle e verificare le decisioni. Così i cambiamenti di comportamento risalgono ad aggiornamenti specifici del sistema e non a derive misteriose.

Flussi di lavoro e supervisione

Gli agenti si assumono compiti sempre più complessi. La supervisione umana passa dalla revisione del codice riga per riga alla pianificazione ad alto livello. Alexey Indeev ha unito 562 pull request in due settimane con questo metodo. Dice che ora rivede il piano invece del codice. La rete di sicurezza sta nella pipeline CI/CD, dove barriere come Mergify garantiscono che nessuna PR possa essere unita se tutti i controlli non passano.

L'attenzione umana, però, è finita. Un recente articolo di Emre Turan suggerisce che la supervisione umana ha un limite di capacità. Se la si modella come quella di un revisore che si stanca, la sicurezza effettiva diventa una curva a U rovesciata rispetto al tasso di escalation. Più supervisione umana può quindi rendere un sistema meno sicuro, se il revisore è sopraffatto dal volume delle escalation. La barriera ottimale fa scattare l'escalation sotto il livello massimo, preservando l'attenzione umana per le decisioni più critiche.

La mossa di Apple per stringere i controlli sulla privacy di macOS segnala che il livello del sistema operativo ora partecipa attivamente alla governance degli agenti. Man mano che le imprese adottano questi strumenti, l'attenzione si sposta dal semplice abilitare gli agenti al garantire che operino entro confini rigidi e verificabili. L'infrastruttura non riguarda più solo l'esecuzione del codice. Riguarda la gestione del rischio, dell'identità e della fiducia in un sistema dove il software agisce in autonomia.

Commenti 0

Fonti

8
  1. 01Apple says it's tightening macOS privacy controls amid the rise of AI agentsEN
  2. 02Give Your AI Agent Its Own IdentityEN
  3. 03Pi-based coding agent with hard budget capsEN
  4. 04Spawned: AIO cloud platform for humans and agentsEN
  5. 05The Agent Said It Was Done. The Database DisagreedEN
  6. 06Writing Evals for Agentic Systems as a 4 Step LoopEN
  7. 07I stopped reviewing my agents' code. Here's what I do insteadEN
  8. 08Oversight Has Capacity: Calibrating Agent Guards to a Subjective Fatiguing HumanEN

Tutti i numeri e le citazioni di questo testo provengono dalle fonti elencate sotto.

I contenuti sono stati preparati dalla redazione con il supporto dell'IA.

Chiara Romano

Chiara Romano

IA, modelli e tecnologie

Chiara Romano scrive di tecnologia, IA e modelli, media e internet per FLASH24, partendo da documentazione tecnica, repository e specifiche invece che da comunicati stampa. Per ogni modello o piattaforma che segue controlla versioni, licenze, parametri e benchmark, e verifica i numeri confrontandoli con i dati originali o con test indipendenti. Confronta le schede tecniche tra fornitori, parla con sviluppatori e amministratori di sistema, e tiene d'occhio le finestre di rilascio e le modifiche ai termini d'uso. Fuori dalla redazione gestisce self-hosting e reti domestiche, esperienza che le serve per capire come funzionano davvero i servizi che racconta. Non pubblica una notizia se la fonte primaria non è verificabile.

Redazione →

Commenti

0
  1. Nessun commento — sii il primo.

Scrivi un commento

I commenti sono pubblici. Non pubblichiamo insulti, spam né pubblicità.