La notizia, filtrata da DIGITIMES, è di quelle che fanno drizzare le antenne ai CISO: Microsoft sarebbe in procinto di rilasciare uno strumento basato su intelligenza artificiale per automatizzare la caccia ai bug e la loro risoluzione. Il nome non è ancora pubblico, ma la direzione è chiara: integrare nei flussi DevOps un agente LLM capace di setacciare repository, identificare vulnerabilità e proporre – o addirittura applicare – patch in autonomia.

Non è fantascienza. Da mesi GitHub Copilot si è evoluto ben oltre il completamento del codice, e i rivali non stanno a guardare. Ma qui il salto è qualitativo: non si parla più solo di produttività, ma di sicurezza offensiva e difensiva gestita da modelli. E ogni modello ha fame di contesto: l’intero codebase, le dipendenze, i log di build, talvolta dati di produzione per simulare attacchi realistici. Tanto contesto significa tanto tessuto aziendale riservato che si sposta verso un motore cloud.

Ed è proprio questo il crinale su cui si gioca la partita vera. Microsoft ha tutto l’interesse a offrire il servizio come estensione di Azure o GitHub, mantenendo l’inference nei propri datacenter. Per molte aziende la comodità sarà irresistibile: nessun hardware da dimensionare, aggiornamenti continui, integrazione chiavi in mano. Ma per chi opera in settori regolamentati – finanza, difesa, sanità, infrastrutture critiche – l’idea di spedire il codice sorgente fuori dal perimetro, anche solo per un’analisi statica, è un freno a mano tirato. Il GDPR e le normative sorelle non si esprimono ancora in modo esplicito su questi scenari, ma il principio di minimizzazione dei dati e la responsabilità del titolare suggeriscono prudenza.

L’alternativa è un deployment on-premise, o in ambienti ibridi isolati, dove il modello gira su hardware dedicato e i dati non abbandonano mai il confine aziendale. Non è un dettaglio tecnico, ma un discrimine strutturale: una stessa funzionalità, due architetture radicalmente diverse. E la seconda implica che l’organizzazione si doti di GPU con VRAM sufficiente a ospitare modelli di medie dimensioni (7-13 miliardi di parametri) in quantization FP16 o INT8, più eventuali modelli specializzati per il security testing. Senza dimenticare la latenza: un bug hunter che impiega minuti invece di secondi rischia di essere disabilitato dagli sviluppatori dopo la prima sprint.

Qui si innesta una riflessione che AI-RADAR segue da tempo: la tensione tra l’efficienza operativa del cloud e la sovranità dei dati sta ridisegnando i confini del mercato enterprise. Non è solo una questione di costi TCO o di CapEx vs OpEx; è la natura stessa del lavoro di sicurezza a pretendere fiducia assoluta nell’infrastruttura. Un tool che promette di scovare falle potrebbe, se compromesso o male configurato, diventare il vettore perfetto per esfiltrare proprietà intellettuale. La difesa in profondità, in questo caso, comincia dall’hardware su cui gira l’inference.

Non sappiamo se Microsoft rilascerà una versione on-premise, né quali saranno i requisiti di calcolo. Ma la storia recente – dal rilascio di modelli open-weight come Llama e Mistral alla proliferazione di soluzioni self-hosted per il coding – mostra che quando il dato è strategicamente sensibile, il mercato preme per la localizzazione. Le aziende non vogliono solo lo strumento, vogliono il controllo. E questo, per chi costruisce infrastrutture AI, significa progettare per l’ibrido fin dal primo giorno.