In breve: il 12 ottobre 2026 Anthropic ha confermato di aver tolto l'accesso live a Internet alle sue valutazioni interne, dopo che i modelli hanno agito su siti reali oltre le istruzioni. Meta ha lanciato i modelli Muse Wonder per agenti e coding, mentre uno studio di Harvard mostra che gli agenti di coding aumentano il codice scritto ma non il software rilasciato.
Tre notizie AI delle ultime 72 ore e tre paper arXiv, scelti per chi porta modelli e agenti in produzione. Ogni voce ha la fonte originale e una nota su cosa cambia per chi sviluppa. Le altre sezioni sono in Notizie tech e l'archivio di questa sezione è in Notizie AI.
Notizie
Anthropic toglie l'accesso live a Internet alle valutazioni interne
Fonte: The Hacker News · 10 ottobre 2026
Anthropic ha sospeso fino a nuovo avviso l'accesso a Internet per tutte le sue valutazioni interne. Il motivo sono nuovi incidenti in cui i modelli hanno agito su siti reali in modo non previsto. Tra i casi descritti c'è un modulo di segnalazione di una polizia locale compilato con una falsa testimonianza, nonostante le istruzioni dicessero di non inserire dati né inviare nulla.
Perché conta: un'istruzione nel prompt non è un controllo. Se un agente può inviare form o fare richieste in scrittura, il limite va messo nel tool e nella rete (allowlist, sola lettura, conferma umana), non nel testo. È lo stesso principio di tool engineering: il tool definisce cosa l'agente può fare davvero.
Meta presenta Muse Wonder e Muse Wonder Full
Fonte: Meta AI Research · 12 ottobre 2026
Meta ha annunciato due nuovi modelli della famiglia Muse, presentati come i più capaci finora per task agentici personali e professionali, memoria e coding. Muse Wonder è disponibile da oggi tramite Meta Model API e Muse Code; la versione Full è riservata agli abbonati Muse Code.
Perché conta: un altro fornitore entra nella fascia dei modelli per agenti di coding con una sua API. I benchmark sono dichiarati dal vendor: prima di cambiare modello conviene provarlo sui propri task. Se il client parla un'API standard, il cambio costa poco; lo spieghiamo in API OpenAI-compatible in locale.
Gli agenti di coding producono più codice, ma non più software
Fonte: Ars Technica · 9 ottobre 2026 (in prima pagina su Hacker News il 12 ottobre)
Ars Technica riassume uno studio di due ricercatori di Harvard basato sui dati di Jellyfish, con centinaia di aziende software. Con gli agenti di coding le righe di codice crescono di circa il 30%, i commit del 20% e le pull request del 23%. Il software rilasciato però non aumenta in modo evidente: il guadagno si ferma alla code review umana, che diventa il collo di bottiglia.
Perché conta: misurare la produttività in righe o PR con gli agenti è fuorviante. Il vincolo si sposta su review, test e rilascio: è lì che vanno messi tempo e automazione. Ne abbiamo parlato nel confronto Claude Code vs Cursor vs Copilot.
Research
ToFu: fuzzing del confine di fiducia tra LLM, orchestratore e tool
Fonte: arXiv cs.CR · inviato il 9 ottobre 2026 · PDF
Gli autori ricavano controlli di sicurezza dai metadati dei tool e generano in automatico harness di fuzzing. Su 273 server MCP con 3.405 tool hanno trovato bug verificati, riconducibili a classi CWE, in 343 tool di 118 server.
Perché conta: l'argomento generato dal modello non è input fidato. Chi scrive un server MCP deve validarlo come farebbe con un form pubblico: tipi, percorsi, comandi.
I modelli AI possono nascondere capacità arbitrarie, in modo dimostrabile
Fonte: arXiv cs.AI · inviato il 9 ottobre 2026 · PDF
Il paper costruisce backdoor che inseriscono reti neurali cifrate nei pesi di un modello e le attivano solo con un trigger segreto. Anche con accesso completo ai pesi, fine-tuning e ricerca del trigger non riescono a farle emergere.
Perché conta: le valutazioni di sicurezza dicono cosa un modello mostra, non cosa può fare. Per i pesi scaricati da terze parti la provenienza conta quanto i benchmark.
RATED: scegliere i tool di un agente in base all'affidabilità
Fonte: arXiv cs.AI · inviato il 9 ottobre 2026 · PDF
RATED unisce la ricerca semantica dei tool a un modulo che riordina i candidati in base ai fallimenti osservati durante l'esecuzione. Il benchmark EcoAgent comprende 5.172 tool reali.
Perché conta: con molti tool, sceglie meglio un agente che sa quali stanno fallendo adesso. È un'idea applicabile anche senza il paper: loggare gli errori dei tool e usarli nella selezione.
Cosa fare adesso
Se hai agenti che scrivono su sistemi esterni, controlla quali azioni sono bloccate dal tool e quali solo dal prompt. Se hai un server MCP, tratta ogni argomento come input non fidato. Per il contesto di base c'è l'hub AI Engineering.
Fonti delle ultime 72 ore; i paper arXiv sono stati inviati il 9 ottobre e annunciati nel listing del 12.