Il progetto di difesa Secern AI porta la programmazione sicura in una rete air-gapped
Secern AI si è aggiudicata un progetto di difesa da 2,45 miliardi di won nonostante un vincolo che esclude la maggior parte degli strumenti commerciali di AI per la programmazione: il sistema non può dipendere da Internet. Il progetto di difesa Secern AI introdurrà assistenza alla programmazione e controlli di sicurezza automatizzati nella rete isolata dell'Aeronautica della Repubblica di Corea.
Il progetto trasforma un noto problema dell'AI aziendale in un impegnativo test operativo. Gli sviluppatori vogliono generazione, revisione e debugging del codice più rapidi. Le organizzazioni della difesa devono inoltre impedire che codice sorgente sensibile, documenti tecnici e conoscenze operative escano dall'infrastruttura controllata.
Secern AI intende soddisfare entrambe le esigenze con IntraGenX, la sua piattaforma di AI per la programmazione on-premises. Il sistema combina un modello linguistico da 30 miliardi di parametri, recupero delle informazioni basato su un grafo della conoscenza e analisi automatizzata della sicurezza del codice sorgente.
Il contratto va oltre il semplice annuncio di un'implementazione. Verifica se un fornitore nazionale più piccolo sia in grado di offrire AI generativa utile in un'infrastruttura dove l'accesso al cloud, le API esterne e la telemetria ordinaria sono limitati.
Ciò mette le dichiarazioni dell'azienda alla prova di una realtà difficile. Un air gap può ridurre l'esposizione esterna dei dati, ma non rende il codice generato corretto, sicuro o adatto all'uso militare. L'importanza del progetto dipende da quanto bene i suoi componenti di programmazione e ispezione funzionino insieme sotto tali vincoli.
Cosa fornirà il progetto di difesa Secern AI
Il progetto combina generazione di codice e ispezione della sicurezza in un unico ambiente controllato, anziché trattarle come servizi cloud separati.
L'Aeronautica della Repubblica di Corea è il cliente del progetto. L'Institute of Information and Communications Technology Planning and Evaluation della Corea, noto come IITP, supervisiona il più ampio programma di rapida commercializzazione.
Secern AI guiderà l'implementazione. La Industry-Academic Cooperation Foundation della Sejong University e lo specialista della sicurezza del codice sorgente CodeMind parteciperanno come organizzazioni congiunte di attuazione.
Il budget riportato è di 2,45 miliardi di won. Secondo il resoconto del progetto disponibile, il team realizzerà un assistente di programmazione AI e un agente automatizzato di ispezione del codice sicuro per la rete di difesa dell'Aeronautica.
IntraGenX costituirà il livello dedicato alla programmazione. Gli sviluppatori potranno fornire istruzioni in linguaggio naturale e ricevere supporto per progettazione logica, creazione del codice, revisione, rilevamento degli errori e correzione.
CodeMind aggiungerà tecnologia per individuare debolezze di sicurezza nel codice appena generato o modificato. La Sejong University sosterrà ricerca, sviluppo e validazione tecnica.
Questa divisione del lavoro è importante. Un modello di programmazione può proporre rapidamente una modifica, ma un processo di ispezione separato deve valutare se tale modifica viola i requisiti di sviluppo sicuro.
La piattaforma risultante dovrebbe mantenere entrambe le operazioni nello stesso ambiente limitato. Il codice sorgente non deve raggiungere un fornitore esterno di modelli prima che inizi l'analisi.
Secern AI afferma inoltre che il sistema supporterà linee guida per lo sviluppo militare, strutture di database, documenti interni e relazioni tra codici esistenti. Questi materiali possono fornire un contesto che un assistente di programmazione generico non possiederebbe.
L'azienda prevede di dimostrare prima la tecnologia sulla rete dell'Aeronautica. In seguito vuole valutare un possibile impiego presso Esercito, Marina, Ministero della Difesa Nazionale e organizzazioni direttamente affiliate.
Questa espansione non fa parte del risultato attuale. L'implementazione presso l'Aeronautica rimane il test immediato, mentre una più ampia adozione nella difesa è un obiettivo commerciale futuro.
Il progetto crea quindi un punto di transizione misurabile. IntraGenX passa da una narrazione di prodotto controllata dal fornitore a un ambiente del cliente con requisiti di sicurezza e disponibilità insolitamente rigorosi.
Il contratto non dimostra che la piattaforma sia già affidabile su larga scala. Dimostra che Secern AI e i suoi partner hanno l'opportunità di convalidare l'approccio nelle condizioni di una rete della difesa.
Perché la programmazione AI air-gapped cambia il modello abituale
Un'implementazione air-gapped elimina il cloud come presupposto operativo, trasferendo modello, sistema di recupero, controlli e processo di valutazione sull'infrastruttura locale.
Le esperienze di AI per la programmazione più diffuse si basano sull'inferenza remota. Uno sviluppatore invia prompt o contesto del codice all'infrastruttura gestita dal fornitore del servizio, che restituisce suggerimenti o svolge attività agentiche.
Questo modello offre aggiornamenti frequenti dei modelli e accesso a grandi cluster di calcolo. Può anche creare questioni inaccettabili sul trattamento dei dati per agenzie della difesa e altre organizzazioni regolamentate.
Un air gap è una separazione fisica o logica che impedisce a una rete protetta di comunicare direttamente con sistemi esterni. Limita i percorsi attraverso cui le informazioni sensibili possono uscire.
In questo progetto, il codice sorgente e i dati correlati sono destinati a rimanere su server interni. Il modello deve operare senza inviare prompt, repository o risultati generati a un endpoint cloud pubblico.
L'approccio riduce una categoria di esposizione, ma introduce diversi costi operativi. Il cliente deve fornire capacità di calcolo, distribuire aggiornamenti, gestire le versioni dei modelli e mantenere localmente i controlli di sicurezza.
Gli aggiornamenti dei modelli diventano particolarmente importanti. Gli assistenti cloud per la programmazione possono ricevere continuamente correzioni e nuove funzionalità. Un'implementazione isolata necessita di un processo approvato per importare nuovi pesi, regole di sicurezza, dipendenze e informazioni sulle vulnerabilità.
Ogni pacchetto importato diventa inoltre una decisione relativa alla catena di fornitura. Gli amministratori devono stabilirne l'origine, confermarne l'integrità, analizzarlo, approvarlo e documentarne il trasferimento nell'ambiente protetto.
L'inferenza locale limita anche le scelte hardware. Secern AI descrive IntraGenX come basato su un piccolo modello linguistico da 30 miliardi di parametri, o sLLM. Il termine indica un modello posizionato al di sotto dei più grandi sistemi generalisti, sebbene 30 miliardi di parametri richiedano comunque risorse significative.
La dimensione del modello rappresenta un compromesso. Un sistema implementabile localmente può mantenere i dati sotto il controllo del cliente, mentre un modello cloud molto più grande potrebbe offrire capacità di programmazione più ampie.
Secern AI afferma che il suo “Loop Harness” valuta e migliora ripetutamente l'output generato. L'azienda dichiara inoltre di aver effettuato il fine-tuning del sistema per gli ambienti di sviluppo coreani.
Queste dichiarazioni descrivono il meccanismo previsto, non prestazioni verificate in modo indipendente. Le informazioni pubbliche non hanno fornito risultati di benchmark sulla correttezza del codice, sui rilevamenti di sicurezza, sulla velocità di inferenza o sul consumo hardware nella rete dell'Aeronautica.
L'implementazione deve quindi dimostrare che il controllo locale non riduce l'utilità al di sotto di un livello accettabile. Gli sviluppatori abbandoneranno un assistente che risponde lentamente, non coglie il contesto del repository o richiede correzioni estese.
Allo stesso tempo, gli acquirenti della difesa non possono valutare il successo solo attraverso l'accettazione dei suggerimenti. Un elevato tasso di accettazione significa poco se il codice accettato crea vulnerabilità o viola le regole architetturali.
Il confronto importante non è semplicemente tra AI locale e AI cloud. È tra un flusso di lavoro di sviluppo controllato e un servizio esterno che il cliente potrebbe non essere in grado di autorizzare affatto.
Per le reti isolate, l'alternativa pratica può rimanere lo sviluppo manuale con strumenti convenzionali di ricerca, revisione e analisi statica. IntraGenX deve superare questa base di riferimento senza indebolirla.
Come IntraGenX collega codice, regole e prove
La principale dichiarazione tecnica di IntraGenX è che il recupero consapevole delle relazioni possa fornire a un modello locale un contesto sufficiente per operare su una complessa base di codice interna.
Un assistente di programmazione non può modificare in sicurezza un sistema di grandi dimensioni considerando soltanto il file aperto. Deve comprendere dipendenze, strutture di database, contratti di interfaccia, regole di sviluppo e documentazione pertinente.
Secern AI afferma che IntraGenX utilizza la generatione aumentata dal recupero basata su un grafo della conoscenza. La retrieval-augmented generation, o RAG, fornisce a un modello informazioni interne selezionate quando prepara una risposta.
Un grafo della conoscenza rappresenta entità e le loro relazioni. Nello sviluppo software, tali entità possono includere funzioni, servizi, tabelle, documenti, API, standard e le dipendenze che li collegano.
Il progetto riportato analizza le relazioni tra codice sorgente, schemi di database, linee guida per lo sviluppo militare e documenti non strutturati. Recupera quindi il contesto in base a chiamate, riferimenti e dipendenze.
Questo differisce da una semplice ricerca per parole chiave. Un sistema basato su parole chiave potrebbe individuare ogni documento contenente il nome di un'API. Un sistema consapevole delle relazioni può tentare di mostrare quale componente chiama quell'API e quale tabella di database modifica.
Questo contesto può aiutare un assistente a spiegare perché ha selezionato una particolare implementazione. Può inoltre rendere i revisori meno dipendenti da una risposta che appare plausibile ma non dispone di un supporto tracciabile.
Le prove non garantiscono tuttavia la correttezza. Il livello di recupero può tralasciare una relazione rilevante, indicizzare un documento obsoleto o classificare una regola errata al di sopra di una applicabile.
I grafi della conoscenza richiedono manutenzione man mano che i repository cambiano. Nuovi servizi, schemi modificati, funzioni rinominate e standard militari rivisti devono comparire nel grafo prima che il modello possa fare affidamento su di essi.
Il progetto avrà bisogno di politiche chiare per la sincronizzazione. Un grafo obsoleto potrebbe fornire agli sviluppatori raccomandazioni sicure di sé basate su dipendenze che non esistono più.
Il controllo degli accessi presenta un'altra sfida. Non tutti gli sviluppatori dovrebbero poter recuperare ogni documento solo perché tutti i materiali risiedono nella stessa rete fisica.
La piattaforma deve preservare autorizzazioni dei repository, confini dei progetti e classificazioni dei documenti durante il recupero. Altrimenti, un prompt potrebbe rivelare informazioni alle quali l'utente non potrebbe accedere direttamente.
Anche le spiegazioni generate necessitano di controlli simili. Una risposta può combinare codice sorgente consentito con dettagli recuperati da un documento più riservato, creando una divulgazione indiretta all'interno dell'organizzazione.
Questi problemi rendono identità, autorizzazione e audit trail parte dell'assistente di programmazione stesso. Non sono funzionalità amministrative separate.
Il modello dovrebbe registrare quali fonti hanno influenzato un suggerimento, quale versione lo ha prodotto e quali modifiche sono state approvate da un essere umano. I revisori necessitano inoltre di un modo per riprodurre i risultati importanti.
L'attuale guida DevSecOps del NIST sottolinea che il materiale generato dall'AI necessita di validazione umana e processi verificabili. Invita inoltre a tracciare modelli, modifiche e annotazioni.
Questa guida si adatta strettamente al progetto dell'Aeronautica. Un assistente utile deve offrire più del codice. Deve lasciare prove a supporto della revisione tecnica, dell'analisi della sicurezza e di successive indagini.
I team che costruiscono sistemi simili possono applicare lo stesso principio alla propria base di conoscenza ingegneristica. La qualità del recupero dipende da materiale tecnico governato, aggiornato e ricercabile.
Per Secern AI, questo livello potrebbe determinare se il suo modello locale più piccolo renda oltre quanto la sua apparente portata suggerisca. Un migliore contesto organizzativo può talvolta contare più di una conoscenza generale più ampia.
La distribuzione nella difesa rivelerà se quel vantaggio resiste a repository reali, documentazione incompleta, confini di autorizzazione e cambiamenti continui del software.
La sicurezza automatizzata è il compromesso centrale del progetto
Combinare la programmazione con AI con l'ispezione automatizzata della sicurezza crea un'utile frizione, ma lo scanner non può costituire una prova che il codice generato sia sicuro.
I sistemi di programmazione generativa ottimizzano per completamenti plausibili e soddisfazione dei compiti. Lo sviluppo sicuro richiede controlli aggiuntivi che coprano errori di progettazione, dipendenze non sicure, autorizzazioni errate, gestione dei segreti e scelte implementative sfruttabili.
Il progetto di difesa di Secern AI affida a CodeMind il lato della sicurezza di questo problema. La sua tecnologia dovrebbe ispezionare il codice creato o modificato attraverso la piattaforma.
Questo crea un percorso di feedback tra generazione e verifica. L'assistente può proporre codice, l'agente di ispezione può segnalare debolezze e gli sviluppatori possono esaminare il risultato prima dell'integrazione.
L'architettura affronta una preoccupazione centrale dello sviluppo assistito dall'AI. Una generazione più rapida può aumentare la quantità di codice da revisionare, spostando potenzialmente un collo di bottiglia anziché eliminarlo.
L'ispezione automatizzata può ridurre tale onere dando priorità ai problemi sospetti. Può inoltre applicare regole ripetibili tra team e progetti.
Tuttavia, nessuno scanner rileva ogni debolezza significativa. L'analisi statica può individuare schemi riconoscibili, ma può non cogliere difetti che dipendono dal comportamento del sistema, dalla configurazione operativa o da requisiti fraintesi.
I falsi positivi pongono un ulteriore rischio. Se lo strumento segnala ripetutamente codice sicuro, gli sviluppatori potrebbero ignorarne gli avvisi. Se riporta troppo pochi problemi, i decisori potrebbero sviluppare una fiducia ingiustificata.
Il codice generato dall'AI crea anche problemi di ciclo di feedback. Un agente di programmazione potrebbe modificare il proprio output finché non soddisfa lo scanner, senza correggere la debolezza progettuale sottostante.
Il progetto dovrebbe quindi separare le metriche di generazione dagli esiti di sicurezza. Più righe generate, completamenti più rapidi o una maggiore accettazione dei suggerimenti non dimostrano software più sicuro.
Misure utili includerebbero tassi di superamento dei test, tassi di correzione da parte degli sviluppatori, vulnerabilità confermate, tassi di falsi positivi e difetti rilevati dopo l'integrazione.
Il quadro di valutazione esatto non è stato dettagliato pubblicamente. I report disponibili non identificano soglie di successo, repository di benchmark, calendari di distribuzione o criteri di accettazione.
Questa informazione mancante è significativa perché il valore del contratto si basa sulla validazione. Il CEO di Secern AI, Nam Woon-sung, ha descritto l'assegnazione come un modo per validare la sicurezza e la capacità tecnica di IntraGenX all'interno di una rete di difesa.
Le sue parole indicano una prova futura anziché una prova già completata. L'azienda ha ottenuto l'ambiente di test, ma l'evidenza pubblica dei risultati dei test è ancora attesa.
Il framework di sviluppo sicuro del NIST fornisce un utile riferimento esterno. Considera lo sviluppo di software sicuro come un insieme integrato di pratiche, non come una scansione finale eseguita prima del rilascio.
Il framework sottolinea la protezione del software, la produzione di rilasci ben protetti, la risposta alle vulnerabilità e l'affrontare le loro cause profonde. L'automazione può sostenere queste pratiche, ma non può sostituire la governance.
Lo stesso principio si applica qui. Un agente di ispezione dovrebbe rafforzare la revisione del codice, i test, la gestione delle dipendenze e i controlli di autorizzazione. Non dovrebbe diventare una scorciatoia per aggirarli.
Il software per la difesa può inoltre avere conseguenze operative che le normali applicazioni aziendali non hanno. Un errore funzionale può influire sulla disponibilità, sul supporto alle decisioni, sulla logistica o sulle comunicazioni.
Ciò alza lo standard per la supervisione umana. Le raccomandazioni che coinvolgono componenti critici per la sicurezza o per la missione richiedono la revisione di personale che comprenda il contesto operativo del sistema.
Anche il modello locale deve essere protetto. Gli amministratori necessitano di controlli per i suoi pesi, prompt, indici di retrieval, configurazione e pacchetti di aggiornamento.
La ricerca NIST sulla sicurezza dell'AI evidenzia rischi per riservatezza, integrità e disponibilità tra modelli, software, hardware, dati di addestramento e dati di output.
Un air gap affronta soltanto una parte di questa superficie. Restano possibili l'uso improprio da parte di insider, supporti di aggiornamento compromessi, documenti avvelenati, autorizzazioni eccessive e repository manipolati.
La scelta progettuale più solida del progetto è abbinare generazione e ispezione. Il suo rischio maggiore è che questo abbinamento crei una falsa impressione di sicurezza automatica.
Il vero avversario è la dipendenza dal cloud
Secern AI non sta cercando di superare ogni assistente di programmazione cloud nelle capacità generali; compete contro l'assunto che un'AI generativa utile richieda infrastrutture esterne.
Questa distinzione definisce l'importanza commerciale del progetto. L'Aeronautica è un cliente di riferimento esigente, ma Secern AI indica anche enti pubblici, istituzioni finanziarie, grandi imprese e appaltatori della difesa come mercati target.
Queste organizzazioni gestiscono spesso codice sensibile e documentazione interna. Alcune operano su reti segmentate o impongono rigide regole di approvazione per i trasferimenti esterni di dati.
Una piattaforma locale offre loro un'altra modalità di distribuzione. Può preservare l'elaborazione interna offrendo al contempo funzionalità simili agli assistenti di programmazione cloud.
Secondo i report sul progetto, Secern AI ha lanciato IntraGenX nel marzo 2026. Il contratto con l'Aeronautica offre alla giovane piattaforma l'opportunità di andare oltre dimostrazioni e test di prodotto controllati.
L'azienda presenta la propria strategia più ampia come una controparte coreana di Palantir. Questo confronto merita cautela.
Palantir ha costruito la propria posizione nella difesa attraverso distribuzioni di lunga durata, integrazione di sistemi, governance dei dati e applicazioni operative. Un contratto per un assistente di programmazione non colloca Secern AI alla stessa scala o maturità.
La somiglianza rilevante è più limitata. Entrambi gli approcci organizzano dati istituzionali protetti affinché il software possa supportare analisi ed esecuzione in ambienti controllati.
Per Secern AI, il compito immediato riguarda lo sviluppo software piuttosto che l'intelligence sul campo di battaglia. Il suo grafo della conoscenza è concepito per collegare codice, schemi, regole e documenti tecnici.
Anche grandi fornitori tecnologici coreani perseguono l'AI per la difesa e infrastrutture sicure per il settore pubblico. Samsung SDS, per esempio, ha discusso sistemi di difesa basati sul retrieval e opportunità di comando e controllo di nuova generazione.
Gli integratori di sistemi tradizionali portano esperienza negli appalti, personale di implementazione e relazioni esistenti con il governo. I fornitori di sicurezza apportano prodotti maturi di scansione e monitoraggio.
La risposta di Secern AI è un pacchetto più integrato. Vuole combinare inferenza di modelli locali, contesto organizzativo, flussi di lavoro di programmazione e controlli di sicurezza.
Questo pacchetto può ridurre il lavoro di integrazione se i componenti cooperano bene. Può anche aumentare la dipendenza dalle scelte di una sola piattaforma in materia di indicizzazione, modelli, orchestrazione e governance.
Gli acquirenti dovranno valutare la portabilità. Dovrebbero chiedere se repository, grafi della conoscenza, registri di audit e policy di sicurezza possano essere trasferiti a un altro modello o toolchain.
Dovrebbero inoltre esaminare la sostituibilità del modello. Una piattaforma locale diventa più duratura se gli amministratori possono cambiare il modello sottostante senza ricostruire ogni flusso di lavoro.
I report pubblici non indicano se IntraGenX supporti più modelli o interfacce standard. Non spiegano inoltre come i clienti esportino le sue strutture della conoscenza.
I requisiti hardware restano riservati. Un modello da 30 miliardi di parametri può essere pratico su infrastrutture enterprise, ma le prestazioni dipendono da precisione, acceleratori, dimensione del contesto, concorrenza e progettazione dei carichi di lavoro.
L'assenza di dati pubblicati su latenza e capacità impedisce un confronto diretto con i servizi cloud. Non è insolito prima della distribuzione, ma limita la forza delle affermazioni sulle prestazioni.
L'implementazione presso l'Aeronautica può fornire l'evidenza operativa mancante. Può mostrare quanti sviluppatori usano il sistema, quali compiti gli delegano e quanto spesso i revisori accettano i suggerimenti.
Può anche mostrare se la manutenzione in isolamento sia gestibile. Aggiornamenti e feed di vulnerabilità devono raggiungere l'ambiente senza riaprire il percorso dati che l'air gap era progettato per chiudere.
Se Secern AI gestirà questi dettagli, il progetto potrà diventare un riferimento credibile per gli acquirenti regolamentati. Se la manutenzione travolgerà il beneficio di produttività, l'indipendenza dal cloud apparirà meno attraente.
La competizione è quindi tra controllo locale e comodità operativa. Secern AI ha ottenuto l'opportunità di sostenere il controllo locale, ma i risultati della distribuzione determineranno il vincitore.
Cosa deve dimostrare la prossima fase
Tre segnali determineranno se questo contratto diventerà un modello replicabile di AI per la difesa o rimarrà una dimostrazione limitata.
Il primo segnale è una validazione tecnica documentata. Secern AI, IITP o l'Aeronautica dovrebbero infine divulgare risultati misurabili senza esporre sistemi sensibili.
I risultati più utili coprirebbero completamento dei compiti, risultati della revisione del codice, falsi positivi, revisioni degli sviluppatori, tempi di risposta e uso delle risorse. I risultati di sicurezza dovrebbero distinguere tra problemi rilevati e vulnerabilità confermate.
Una valutazione indipendente della Sejong University potrebbe aggiungere credibilità. Il suo ruolo offre al progetto una potenziale fonte di scrutinio tecnico esterna a Secern AI e CodeMind.
Il secondo segnale è la prova di un uso in produzione controllato. Una dimostrazione su repository selezionati è diversa dall'uso prolungato tra team di sviluppo attivi.
L'evidenza di produzione includerebbe utenti ricorrenti, flussi di lavoro approvati, procedure di aggiornamento dei modelli, gestione degli incidenti e integrazione con gli strumenti di sviluppo esistenti.
Il progetto dovrebbe inoltre rivelare come funzioni l'approvazione umana. I revisori devono avere l'autorità di respingere suggerimenti, ispezionarne il contesto di supporto e identificare la versione del modello responsabile.
Il profilo di sviluppo dell'AI del NIST considera modelli, pesi, pipeline e risorse correlate come parti dell'ambiente software protetto.
Questa visione più ampia è importante all'interno di una rete di difesa. Proteggere soltanto il codice sorgente generato lascerebbe la catena di fornitura del modello e il sistema di retrieval governati in modo insufficiente.
Il terzo segnale è una distribuzione successiva. L'adozione da parte di un altro ramo militare, ente governativo, istituzione finanziaria o appaltatore della difesa dimostrerebbe che l'architettura può estendersi oltre un singolo cliente.
Un contratto successivo rafforzerebbe l'affermazione di Secern AI secondo cui la programmazione con AI air-gapped rappresenta un mercato replicabile. La mancata espansione non indicherebbe necessariamente un fallimento tecnico, poiché i cicli di approvvigionamento possono essere lenti.
Gli acquirenti dovrebbero inoltre osservare se Secern AI pubblicherà informazioni più chiare sull'interoperabilità. Il supporto per modelli sostituibili, grafi esportabili e strumenti di sicurezza standard ridurrebbe il lock-in della piattaforma.
Gli sviluppatori dovrebbero concentrarsi su una domanda più semplice: l'assistente riduce il lavoro verificato, oppure genera semplicemente più materiale che gli esseri umani devono controllare?
I responsabili della sicurezza dovrebbero chiedersi se il flusso di lavoro combinato migliori il rilevamento senza indebolire i controlli esistenti. I team di approvvigionamento dovrebbero esaminare gli obblighi a lungo termine relativi a hardware, aggiornamenti e supporto.
Le prove attuali supportano una conclusione prudente. Secern AI ha ottenuto un progetto definito da 2,45 miliardi di won con partner nominati, un cliente identificato nell'Aeronautica e un modello di distribuzione specifico.
Le prove non mostrano ancora come IntraGenX operi all'interno della rete operativa. Benchmark pubblici, criteri di accettazione e risultati della distribuzione restano indisponibili.
Quella lacuna di verifica è il fulcro della vicenda. Il contratto riconosce la domanda di programmazione con l’AI in contesti che non possono affidarsi ai normali strumenti cloud, ma non stabilisce se l’AI locale possa soddisfare tale domanda.
Nei prossimi mesi, sarà importante seguire i risultati delle valutazioni tecniche, le prove di un utilizzo regolare da parte degli sviluppatori e una seconda implementazione in un’altra rete controllata.
Se compariranno tutti e tre gli elementi, il progetto di difesa Secern AI offrirà un modello pratico per un’assistenza alla programmazione sicura e gestita localmente. In caso contrario, l’assegnazione resterà un esperimento interessante anziché un modello di approvvigionamento collaudato.
