Mancano pochi giorni a KubeCon + CloudNativeCon North America, in programma dal 9 al 12 novembre a Salt Lake City, e l'ecosistema cloud native è in fermento. La rubrica Road to KubeCon di The New Stack mette insieme diversi temi, ma il filo conduttore è chiaro: gli agenti AI e i workload GPU stanno spingendo Kubernetes verso nuovi pattern architetturali. Ecco le notizie più rilevanti, con un po' di contesto.
Agent harness: dal laptop al cloud
Con agent harness si intende tutto ciò che circonda un agente AI e gli permette di lavorare: il contesto, l'accesso al filesystem, i subagent, i permessi, gli strumenti a disposizione. Il termine si è diffuso rapidamente, ma secondo Craig McLuckie, co-creatore di Kubernetes e oggi fondatore e CEO di Stacklok, la maggior parte degli harness attuali ha un limite strutturale: sono pensati per un singolo sviluppatore al proprio laptop.
I problemi emergono quando si prova a scalare:
- non reggono centinaia di sessioni contemporanee;
- le sessioni si interrompono e lo stato si perde;
- non è semplice spostare un'esperienza da un client o da un dispositivo all'altro.
In un intervento sul blog della CNCF, McLuckie propone un harness cloud native: un'applicazione distribuita che separa il ciclo dell'agente (il loop di ragionamento e azione) dall'infrastruttura e dai servizi che lo circondano, come gestione dello stato, permessi, strumenti e osservabilità. "Kubernetes ha insegnato a questo settore che un monolite in un container resta un monolite", scrive. "La lezione vale anche per gli agenti".
Per chi progetta piattaforme è un'osservazione importante. Mettere un agente in un container non basta a renderlo scalabile e resiliente: servono servizi separati con responsabilità chiare, stato esterno e interfacce standard. È lo stesso percorso fatto dalle applicazioni con il passaggio ai microservizi. Va in questa direzione anche l'Agent Sandbox di SIG Apps, pensato per eseguire agenti in ambienti isolati su Kubernetes.
Koordinator: allocazione GPU oltre il 95%
Un caso studio pubblicato questa settimana racconta come Zhuoyu Technology, azienda cinese che sviluppa tecnologie per la guida autonoma, abbia migliorato drasticamente l'uso delle GPU con Koordinator, progetto Sandbox della CNCF per lo scheduling efficiente di microservizi, workload AI e big data.
Lo scheduler è il componente di Kubernetes che decide su quale nodo eseguire ogni Pod. Quello predefinito funziona bene per i carichi generici, ma con le GPU mostra diversi limiti:
- GPU "stranded": GPU libere ma inutilizzabili perché frammentate tra nodi diversi;
- avvii falliti per job che richiedono risorse non disponibili tutte insieme;
- scheduling dei job distribuiti problematico, quando tutti i Pod di un training devono partire contemporaneamente (gang scheduling).
Con Koordinator l'azienda ha portato l'allocazione GPU oltre il 95% e l'utilizzo effettivo oltre il 55%. Il divario tra le due metriche è normale: una GPU può essere assegnata a un Pod senza essere sfruttata al massimo. Ma partire da un'allocazione efficiente è il primo passo per ridurre costi che, nel caso delle GPU, sono molto alti.
Security Slam di CNCF e OpenSSF
La Open Source Security Foundation (OpenSSF) e la CNCF organizzano la Security Slam, una sfida di 30 giorni, dal 5 ottobre al 6 novembre, che guida i partecipanti nell'uso degli strumenti OpenSSF per migliorare la sicurezza dei propri progetti open source. La partecipazione è aperta a tutti i progetti, con criteri ampliati rispetto alle edizioni precedenti. I progetti che completano le sfide potranno ricevere un riconoscimento allo stand OpenSSF durante KubeCon.
È un'occasione concreta per lavorare sulla sicurezza della supply chain: firma degli artefatti, SBOM (Software Bill of Materials, l'elenco dei componenti contenuti in un software), valutazione automatica delle pratiche di sicurezza con strumenti come OpenSSF Scorecard.
Atlassian: rilevamento incidenti sotto i 10 secondi
Deepak Biswas, senior engineering manager di Atlassian, ha descritto sul blog della CNCF la piattaforma dietro AutoHOT, il sistema di creazione automatica degli incidenti dell'azienda. Lo stack combina:
- OpenTelemetry, lo standard aperto per raccogliere metriche, log e trace;
- Apache Kafka, piattaforma di streaming di eventi distribuita;
- Apache Flink, motore di elaborazione di flussi di dati in tempo reale;
- il tutto eseguito su Kubernetes.
La telemetria traccia le azioni degli utenti su più di 10 prodotti cloud con milioni di tenant, generando miliardi di eventi al giorno. Il risultato principale: la latenza event-to-metric, il tempo che passa da un evento alla sua comparsa in una metrica utilizzabile, è scesa da oltre 40 secondi a meno di 10.
Biswas è onesto: "Non è una storia di successo confezionata". Il lavoro di ottimizzazione continua, e ad agosto la recall, la percentuale di incidenti reali effettivamente rilevati, era scesa al 64%. Resta comunque un riferimento utile per chi costruisce sistemi di rilevamento e risposta automatica agli incidenti.
ArgoCon e la visione di Argo CD 4.0
Il 9 novembre, nella giornata dei co-located event, si terrà anche ArgoCon North America 2026, evento di un'intera giornata su due track dedicato a software delivery, pipeline di dati e machine learning e progressive delivery (rilasci graduali come canary e blue-green). I co-chair Dan Garfield, Christian Hernandez e Katie Lamkin sottolineano che l'evento coincide con l'avvio del percorso di definizione di Argo CD 4.0: un buon momento per chi usa GitOps in produzione per far sentire la propria voce.
Cycle e la gestione via linguaggio naturale
Cycle, piattaforma che si presenta come control plane DevOps, ha rilasciato un server MCP remoto. MCP (Model Context Protocol) è il protocollo aperto che permette agli assistenti AI di collegarsi a strumenti e servizi esterni. In pratica, gli utenti possono effettuare provisioning, orchestrare e gestire workload su ambienti multicloud e ibridi in linguaggio naturale, tramite assistenti AI e strumenti di coding compatibili.
È uno dei tanti segnali di una tendenza ormai evidente: sempre più capacità operative vengono esposte agli agenti AI. Per i team di piattaforma la sfida diventa garantire che queste interfacce abbiano permessi limitati, audit trail e meccanismi di approvazione adeguati.
Il quadro generale
Lo stesso articolo ricorda alcuni numeri dell'ecosistema: 228 progetti CNCF, 1.754 contributor individuali all'ultima release di Kubernetes e oltre 230 sponsor ed espositori attesi a KubeCon NA 2026. Il tema dominante è chiaro: Kubernetes sta diventando la piattaforma di riferimento per i workload AI, dagli scheduler specializzati per le GPU agli harness distribuiti per gli agenti. E la lezione di McLuckie vale in generale: le architetture che hanno reso scalabili le applicazioni cloud native, cioè componenti separati, stato esterno e standard aperti, sono le stesse che serviranno per portare gli agenti AI dal laptop alla produzione.