CodeWhisperer

Edizione del 28 agosto 2026

Un giudice federale blocca la blacklist del Pentagono contro Anthropic definendola rappresaglia illegale, l'Australia arresta due membri di TeamPCP, e i file llms.txt si rivelano un vettore di esecuzione di codice dentro le reti aziendali.

Ascolta l'edizione

Hero

Il Pentagono ha blacklistato Anthropic illegalmente, decide un giudice federale

La corte federale del Northern District of California ha bloccato la designazione del Pentagono che etichettava Anthropic come rischio per la supply chain, definendo la mossa "unlawful retaliation in violation of the First Amendment". La giudice Rita F. Lin ha scritto che "l'invocazione vuota della sicurezza nazionale non è un assegno in bianco per punire e retaliare contro i critici del governo": la causa, intentata a marzo, faceva riferimento alle "red lines" che Anthropic aveva fissato sull'uso militare dei suoi modelli. Techmeme riporta la sintesi della sentenza come "illegal and baseless". Il So what? Il contenzioso tra laboratori AI e Casa Bianca esce dal piano delle minacce ed entra nella giurisprudenza: la prima emenda vale anche per chi vende modelli al governo, e ogni futura ritorsione amministrativa ora ha un precedente da superare.

Australia: arrestati due membri di TeamPCP, il gruppo dietro gli attacchi alla supply chain open source

L'Australian Federal Police ha arrestato vicino a Perth due uomini, identificati dai media australiani come Ruben Ian Thomson, 21 anni, presunto leader, e Louis Michael Gaebler, 23 anni, con un totale di 14 capi d'imputazione tra hacking, riciclo e reati informatici. Il gruppo è accusato della più lunga serie di attacchi alla supply chain software mai registrata: compromissione degli scanner di sicurezza Trivy e Checkmarx KICS e della gateway AI LiteLLM a marzo 2026, più breach a OpenAI, Mistral AI, GitHub, European Commission e decine di altri target, con furto di credenziali ed estorsione pagata in criptovalute. Krebs, che aveva identificato Thomson a giugno, pubblica interviste con il portavoce del gruppo; la FBI parla di migliaia di aziende colpite. Il So what? Per chi gestisce dipendenze open source è la conferma che lo scanner di sicurezza stesso è diventato il vettore d'attacco: la fiducia nel registro non è un controllo di sicurezza.

llms.txt: Claude, Codex e Hermes installano codice non firmato dentro le reti aziendali

Ricercatori di una startup stealth hanno scoperto che più di 100 siti pubblicano file llms.txt e llms-full.txt — l'emergente equivalente AI di robots.txt — che referenziano contenuto eseguibile potenzialmente pericoloso, installato automaticamente quando un agente AI visita la pagina. Alcune decine di aziende, incluse Fortune 500, hanno eseguito codice proof-of-concept in questo modo; almeno un sito mal configurato dirige i visitatori, umani o AI che siano, verso malware attivo. Ars Technica cita per nome Claude, Codex e Hermes tra gli agenti che eseguono codice "unowned" dentro perimetri aziendali. Il So what? State trattando llms.txt come metadata innocuo, ma il vostro agente lo tratta come istruzioni esecrabili: se consentite la navigazione web agentic senza allowlist sui domini da cui scaricare ed eseguire, avete aperto una shell in ingresso.

Anthropic pubblica il Model Hardware Standard: driver standardizzati per agenti che comandano hardware fisico

Anthropic ha rilasciato in research preview il Model Hardware Standard (MHS), un insieme di driver standardizzati pensati per far interfacciare gli agenti AI con dispositivi arbitrari: microscopi, bracci robotici, hardware quantistico, strumentazione da laboratorio. L'obiettivo dichiarato è eliminare l'integrazione software ad hoc che oggi serve a far comunicare i componenti di un esperimento, fornendo un'interfaccia comune e un formato condiviso per i dati; Wired nota che Anthropic stessa bilancia automazione della ricerca scientifica e nuovi rischi. The Register lo descrive come una "spec di plumbing" per collegare agenti e strumentazione. Il So what? È il primo tentativo serio di un laboratorio frontier di standardizzare il controllo del mondo fisico da parte degli agenti: se prende piede, i robot da lab smettono di essere periferiche di vendor e diventano periferiche dell'LLM — con tutto il carico di sicurezza che ne deriva.

Google rilascia Gemini 3.5 Transcribe: WER al 2,6%, 85+ lingue, code-switching mid-frase

Google ha aperto alle API Gemini 3.5 Transcribe, il suo modello speech-to-text più preciso, che converte audio grezzo direttamente in testo formattato e pulito gestendo rumore di fondo, gergo tecnico e disfluenze. I numeri dichiarati, misurati da Artificial Analysis: word error rate medio del 2,6% su file registrati e del 4,0% in streaming, tempo di trascrizione finale migliorato del 70% rispetto a Chirp 3, riconoscimento automatico di oltre 85 lingue incluso il cambio di lingua a metà frase. Occhio all'architettura: due endpoint separati (gemini-3.5-transcribe per file via Interactions API, gemini-3.5-transcribe-live per streaming bidirezionale via Live API) con feature, limiti e prezzi diversi; niente pesi aperti, niente self-hosting. Il So what? Il moat di Whisper sta evaporando: se la vostra app ha una componente voce, il gap di accuratezza giustifica la dipendenza da una API gestita — ma il lock-in è totale.

Valutazioni double-blind in environment crittografico

DeepMind pilota le prime valutazioni AI "double-blind": i benchmark chiusi in una scatola crittografica

Google DeepMind ha presentato quella che definisce la prima valutazione double-blind di un modello frontier proprietario: i pesi restano nascosti ai valutatori esterni e le domande di test restano nascoste a Google, con le valutazioni confinate in un environment crittografico che impedisce sia la contaminazione del benchmark sia la fuga di proprietà intellettuale. Il pilota ha testato Gemini 2.5 Flash Lite su benchmark privati di MLCommons e del Singapore AI Safety Institute, e Google dichiara di non voler usare i punteggi per vantaggi di marketing. Il contesto brucia: il rapporto tecnico cita ricerche che trovano segni di benchmark leakage in circa metà dei 31 modelli analizzati. Il So what? La fiducia nei leaderboard pubblici è ufficialmente rotta: questo schema — modello cifrato da un lato, test cifrati dall'altro — è il candidato a diventare lo standard per dire se un modello sa fare qualcosa o l'ha solo già visto.

Bypassato l'auto mode di Claude Code: l'attacco funziona l'80% delle volte

Johann Rehberger, uno dei ricercatori più credibili sul prompt injection, ha pubblicato un attacco contro l'auto mode di Claude Code — la protezione che Anthropic ha reso default proprio per difendere il coding agent dalle injection — che secondo i suoi test riesce circa l'80% delle volte. La tecnica: indurre l'agente a scaricare e decomprimere un archivio zip, poi fargli eseguire codice che importa base64; l'import esegue un file struct.py locale estratto dall'archivio, senza che la protezione se ne accorga. Simon Willison segnala che in alcuni casi l'auto mode arriva comunque a bloccare l'esecuzione. Il So what? Se usate Claude Code su repository che contengono o scaricano asset non fidati, l'auto mode va trattato come mitigazione, non come boundary: restate nel prompting esplicito per operazioni distruttive e non eseguite agenti dentro ambienti con credenziali a lunga vita.

Oltre 100 aziende firmano una lettera contro gli attacchi cyber potenziati dall'AI: "finestra limitata" per prepararsi

OpenAI, Anthropic, Google, Microsoft e AWS, insieme a più di cento aziende tra cui CrowdStrike, Okta e Fortinet più istituzioni finanziarie e infrastrutture internet, hanno firmato una lettera aperta che esorta pubblico e privato a difendersi dalle minacce cyber abilitate dall'AI. Il testo avverte che gli attacchi diventeranno "molto più diffusi e sofisticati" man mano che i modelli diventano più capaci, parla di "finestra limitata" per prepararsi e chiede azione collettiva ai governi a livello locale, nazionale e internazionale. Il So what? Dopo l'incidente OpenAI-Hugging Face, l'industria sta costruendo la narrativa della difesa collettiva: aspettatevi che questa lettera diventi il preamble di proposte normative su sicurezza agentic e disclosure degli incidenti.

Radar

  • Nvidia chiude a +8,74% aggiungendo 440 miliardi di capitalizzazione dopo le guidance che hanno rassicurato sulla domanda AI

  • Salesforce vola del 22,6%, secondo miglior giorno di sempre, dopo il beat Q2 e la partnership Anthropic ampliata

  • DeepSeek sta per raccogliere 7,4 miliardi a una valutazione di 74 miliardi per R&D ed espansione infrastrutturale

  • Meta proiettava internamente fino a 10 miliardi di spesa annua sui modelli Anthropic, mentre Zuckerberg li criticava in pubblico

  • Anthropic studia vendite azionarie secondarie pre-IPO con lockup più lunghi dello standard

  • Cognition genera circa 900 milioni di ricavi annualizzati, più che triplicati da inizio anno

  • OpenAI mostra pubblicità sui tier gratuiti e Go di ChatGPT in India, con ad manager in arrivo

  • OpenAI testa una "Persistent mode" in Codex: agenti che lavorano finché non vengono messi a dormire

  • Google lancia google.com/goto come URL passthrough per ostacolare lo scraping dei risultati di ricerca da parte di tool AI

  • Google rilascia Gemini Omni 1.1 Flash per la produzione video di qualità studio, con estensione delle scene

  • Il memory crunch dell'AI arriva alle app Android: Google impone soglie di uso RAM con limiti per app

  • Cyberattacco al Manchester Airports Group: esposti i dati di 8,7 milioni di clienti

  • L'ATF dichiara "major incident" dopo le rivendicazioni del ransomware Qilin su un sistema con obiettivi di indagine

  • CISA ordina alle agenzie federali di patchare la RCE Citrix NetScaler entro sabato: flaw già sfruttata

  • Next.js patcha vulnerabilità critiche AVIF e Windows che consentivano RCE non autenticata

Dal feed lento

coding

Aider, Claude Code, and OpenClaw ran an identical model. Token use varied 70-fold.

di The New Stack

Tre sforzi di benchmarking indipendenti mostrano che lo stesso modello, montato su harness diversi — Aider, Claude Code, OpenClaw — consuma fino a 70 volte più token per lo stesso compito: il costo di un coding agent dipende dall'harness almeno quanto dal modello, perché system prompt e descrizioni dei tool vengono rielaborati a ogni turno. Merita tempo perché sposta la domanda giusta quando scegliete un agente: non "quale modello" ma "quanto costa il contesto che il guscio rimanda indietro ogni volta" — e spiega perché preventivi e invoice dello stesso backend divergono così tanto tra team diversi.

The New Stack

Nota di copertura

Fonti lette
193/215
Item raccolti
442
Storie pubblicate
24
Scartati di proposito
418

Irraggiungibili: Adventures in Nodeland, Blef, Chain of Thought, CISA Advisories, CSIRT Italia, Fireship, Google Threat Analysis Group, HashiCorp Blog, Kevin Powell, Level Up, Matt Pocock, Red Hot Cyber, Robin Wieruch, Shopify Engineering, ThePrimeagen, Theo — t3.gg, tl;dr sec, Uber Engineering.

Se non è qui, puoi ignorarlo.