MCP donato alla Linux Foundation: cosa cambia per gli agenti aziendali
Il passaggio del Model Context Protocol alla Linux Foundation sposta la governance dello standard da un singolo vendor a una fondazione neutrale. Cosa cambia concretamente per chi costruisce agenti aziendali: stabilità dello standard, interoperabilità tra provider, riduzione del rischio di lock-in sul protocollo. Stato dell'ecosistema dei tool MCP e perché la neutralità della governance conta per una scelta di lungo periodo. Continua a leggere
Ultima modifica:
Dietro l'hype, solo una minoranza di aziende ha agenti AI realmente in produzione. Lettura onesta del dato per un CIO: cosa significa la distanza tra annuncio e adozione, e soprattutto cosa va normato prima di mettere un agente in produzione, alla luce degli incidenti agentici del 2026. Policy, perimetro operativo, audit trail e sandboxing: il framework di governance che trasforma una sperimentazione in un sistema gestito. 
Un LLM in pipeline CI/CD può fare code review automatica, rilevare regressioni di sicurezza e proporre remediation del debito tecnico prima del merge. Ma collegare un modello alla pipeline introduce vettori nuovi: prompt injection da contenuto del repo, esfiltrazione di segreti, falsi positivi che rallentano il deploy. Come integrarlo in modo sicuro, con least-privilege e human-in-the-loop nei punti giusti. 
Il Model Context Protocol permette di dare a Claude Code accesso controllato a sistemi aziendali reali: database, API gestionali, CMS, automazioni. Come costruire un MCP server custom in PHP, dallo schema dei tool alla gestione dei permessi, per trasformare l'agente da generico a integrato nel workflow specifico dell'azienda. Architettura, esempi concreti e i rischi di over-broad token scoping da evitare. 
Gli LLM introducono classi di vulnerabilità prevedibili, perché replicano pattern insicuri visti nei dati di training. Analisi dal lato attaccante: quali debolezze cercare per prime nel codice generato (deserializzazione, SSRF, auth bypass, race condition), come si sfruttano nella pratica e come chiuderle. Per un team che usa l'AI per scrivere codice, sapere cosa proverebbe un attaccante è la differenza tra un assistente e un rischio. 
Claude Code non è un autocomplete: è un agente che esegue task multi-step su una codebase reale. Configurazione di una pipeline di produzione per un team PHP senior: come strutturare il contesto del progetto, dove l'agente accelera davvero (refactoring estesi, code review, debugging) e dove serve il guardrail umano. Workflow concreto con permessi, regole e skill, non una demo da slide. 
Il codice generato dagli assistant AI entra in produzione più in fretta di quanto venga revisionato. Audit sistematico dei pattern di vulnerabilità ricorrenti nell'output di ChatGPT e Copilot per PHP: injection non parametrizzate, validazione mancante, segreti hardcoded, dipendenze obsolete suggerite con fiducia. Una checklist offensiva per auditare ciò che l'AI scrive prima che diventi un incidente, dalla prospettiva di chi i bug li cerca per mestiere. 
Un MCP server collega un agente AI a sistemi reali, e lo scope dei token è dove si gioca la sicurezza. Il vettore di privilege escalation: come un permesso nato read-only diventa write-and-execute attraverso uno scope troppo largo e un framing sociale (per fixare il bug devo leggere la config di deploy). Dalla prospettiva offensiva, con la difesa concreta: least-privilege rigoroso, separazione lettura/scrittura, zero-trust sui tool esposti all'agente. Per chi costruisce integrazioni MCP. 
The companion to the Ornith-vs-Qwable benchmark turns from which model to what it costs. I measured the power a 9B coding model draws on a 16GB GPU, then set the energy bill against Claude's and Copilot's 2026 list prices: the marginal cost per million tokens is one to two orders of magnitude below any API tier. But the card only pays off on real token volume, autocomplete alone loses to Copilot's flat plan, and 16GB is a single-stream device: you scale by adding cards, not developers. 
The third part of the local-inference series drops from the 35B MoE to the models most people want on a coding workstation: small, dense, 9-billion-parameter agents. I ran two of them, same base and opposite training recipes, through a full agent loop on a real buggy project plus a Copilot-style autocomplete bench. Neither speed nor correctness separates them: the discriminator is agentic path economy, training- and task-shaped. And local can stand in for Copilot warm, with one 16GB asterisk.