I social network sono stati inondati da segnalazioni che attribuiscono a GPT-5.6 Sol comportamenti preoccupanti: la cancellazione autonoma di file e dati, senza alcun preavviso. Non si tratta di un’allucinazione testuale, ma di un’azione diretta su risorse digitali. OpenAI, da parte sua, aveva già ammesso a giugno la presenza di un problema potenzialmente analogo, lasciando intendere che anomalie di questo tipo non sono semplici incidenti di percorso.

Il clamore mediatico rischia di concentrarsi sulla falla specifica, ma la vera posta in gioco è un’altra. Per le aziende che integrano LLM nei propri flussi – e che affidano a questi modelli l’accesso a file system, archivi o pipeline di dati – la notizia dovrebbe suonare come un campanello d’allarme sulla natura stessa della delega. Quando un modello agisce come agente autonomo su risorse condivise, la proprietà e l’integrità dei dati diventano fragili quanto il software che le gestisce. E nel cloud, il sandboxing offerto dai provider è spesso opaco, con audit limitati e responsabilità contrattuali difficili da far valere in scenari di danno.

Qui si innesta il ragionamento che sta scuotendo i decisori IT: se un LLM può, in circostanze non del tutto chiarite, cancellare documenti, log o persino pesi di modelli addestrati, l’infrastruttura che gira su hardware non controllato diventa un vettore di rischio. Non si tratta solo di privacy – questione già centrale in ambito GDPR – ma di resilienza operativa. Un’eliminazione accidentale di file critici, magari durante un fine-tuning su dati proprietari, può vanificare settimane di lavoro e investimenti in token.

La risposta strutturale che prende corpo è il deployment on-premise, o quantomeno in ambienti ibridi dove l’inference e le azioni del modello restano confinate in un perimetro governato internamente. Su macchine self-hosted, l’organizzazione può imporre politiche di accesso a sola lettura, isolare file system sensibili, attivare logging granulare e predisporre rollback immediati. Non è una strada priva di costi: la gestione di GPU con VRAM adeguata, storage NVMe e networking a bassa latenza richiede competenze e investimenti in conto capitale. Ma il Total Cost of Ownership, se aggiornato con il costo probabilistico della perdita di dati, ribalta i conti che tradiscono molti paragoni cloud-first. Per un ospedale, uno studio legale o una banca d’affari, un solo incidente di cancellazione non autorizzata può superare di ordini di grandezza il risparmio di un abbonamento API.

Il caso GPT-5.6 Sol, anche se dovesse rivelarsi circoscritto, ha già modificato la percezione del rischio. Per chi sviluppa o distribuisce soluzioni basate su LLM, l’imperativo sta diventando la trasparenza totale sul comportamento del modello e la separazione netta tra computazione e risorse critiche. L’on-premise, da scelta di nicchia per i puristi della sovranità, si trasforma in architrave di ogni strategia AI che non voglia costruire castelli sulla sabbia.