Se la sicurezza dei sistemi ha sempre premiato chi corre più veloce, il 622 è il nuovo record di cadenza. Luglio ha portato con sé il Patch Tuesday più corposo della storia di Microsoft: 622 vulnerabilità corrette in un solo ciclo, più del triplo del già eccezionale bottino di giugno. Un balzo che, secondo l’azienda di Redmond, ha un colpevole preciso: l’intelligenza artificiale.

Dietro questa cifra non c’è solo un traguardo statistico, ma un cambio di metodo. I team di sicurezza interni usano sempre più LLM per analizzare il codice, identificare pattern insidiosi e scovare bug che a occhio umano sfuggirebbero. Il dato è rilevante: se l’AI è diventata il motore della vulnerability discovery, la domanda è cosa accade a chi, per regolamentazione o scelta strategica, non può inviare il proprio codice sorgente a un servizio cloud altrui.

Il paradosso è immediato. Microsoft mostra che i modelli linguistici sono in grado di setacciare milioni di righe di codice in tempi e con un’accuratezza che i tool statici tradizionali non raggiungono. Eppure, un’azienda che sviluppa software proprietario, un istituto finanziario o un ente della difesa non può semplicemente copiare la ricetta: caricare il proprio codice su un endpoint cloud significherebbe violare policy di data residency, infrangere clausole contrattuali o, nei casi più estremi, esporre segreti industriali. L’efficacia della sicurezza AI si scontra dunque con la sovranità dei dati.

L’infrastruttura come risposta

Da questa tensione emerge la spinta verso un deployment on-premise della pipeline di scanning AI. L’alternativa è chiara: portare i modelli dentro il perimetro aziendale. Questo significa dotarsi di hardware capace di eseguire inference su LLM addestrati per il code review, spesso modelli con decine di miliardi di parametri che richiedono GPU con elevata VRAM e banda di memoria. Non si tratta solo di acquistare schede: l’intero stack – dall’orchestrazione dei container alla gestione dei pesi quantizzati – va progettato per garantire latenza accettabile e costi operativi sostenibili.

L’impatto sul Total Cost of Ownership (TCO) diventa un fattore dirimente. Se da un lato il self-hosting elimina il costo variabile delle API cloud, dall’altro richiede un investimento iniziale in hardware e competenze interne. Ma per realtà che gestiscono proprietà intellettuale sensibile, questa equazione pende sempre più verso il controllo diretto. Il record di Microsoft funziona come una prova di concetto involontaria: se il tuo concorrente usa AI per chiudere le falle in tempi record, tu non puoi restare indietro, e non puoi neppure svendere la riservatezza del tuo codice.

Non è un caso che cresca l’interesse per framework di inference ottimizzati per deployment locali, capaci di spremere modelli anche su hardware consumer di fascia alta o workstation con più GPU. La quantization gioca un ruolo chiave: scendere da FP16 a INT8, o addirittura a 4 bit, consente di far girare un LLM da code analysis su una macchina dotata di 48 GB di VRAM, un traguardo oggi raggiungibile senza dover allestire un datacenter dedicato. Questa democratizzazione dell’hardware ribilancia il campo, rendendo plausible l’adozione on-premise anche per organizzazioni di medie dimensioni.

Oltre la patch, un effetto strutturale

La notizia di Redmond non è solo un titolo da primato. Sta imprimendo un’accelerazione a un fenomeno già in atto: la necessità di affiancare agli strumenti di sicurezza tradizionali un layer di intelligenza artificiale, ma con la garanzia che i dati restino sotto chiave. I fornitori di soluzioni di cybersecurity stanno già integrando modelli locali nei loro appliance, e i team interni iniziano a sperimentare pipeline di vulnerability detection basate su LLM open source come quelli della famiglia Llama o Mistral, eseguiti interamente su server aziendali.

Chi perde, in questa transizione? I servizi cloud-only che non offrono una controparte on-premise rischiano di essere esclusi dai settori più regolamentati. E chi vince? Chi produce hardware accelerato per inference, dalle GPU professionali alle soluzioni basate su architetture ARM con NPU integrate, e chi sviluppa tool di orchestrazione che semplificano la messa in produzione di modelli locali.

Il messaggio di fondo è nitido: l’AI sta ridefinendo la sicurezza, ma il prezzo dell’efficacia non può essere la perdita di controllo. La cifra 622 non segna solo un record di bug corretti; segna l’inizio di una rincorsa in cui l’infrastruttura on-premise smette di essere un retaggio del passato e diventa la condizione per giocare la partita.