INCHIESTA | I SOLDI DELL’AI — 01/05
Microsoft, Amazon, Alphabet, Meta e Oracle si avvicinano insieme agli 800 miliardi di dollari di Capex nel 2026. Non sono tutti investimenti in intelligenza artificiale, ma una parte enorme serve a costruire data center, compute ed energia anticipando una domanda che deve ancora materializzarsi. È da qui che comincia “I soldi dell’AI”, la nuova inchiesta di Rivista.AI.
Anthropic ha portato lo scontro sull’intelligenza artificiale cinese dentro una nuova zona grigia, dove il confine tra competizione tecnologica, reverse engineering e appropriazione industriale diventa sempre più difficile da tracciare. Nel Threat Intelligence Report pubblicato il 10 settembre 2026, la società californiana sostiene di avere individuato e interrotto una serie di campagne di distillazione condotte da laboratori di AI con base nella Repubblica Popolare Cinese. Secondo Anthropic, cinque campagne avrebbero generato complessivamente quasi 200 milioni di scambi con Claude, con l’obiettivo di acquisire capacità del modello e utilizzarle per migliorare sistemi concorrenti. L’azienda parla di attività attribuite con elevata confidenza a specifici operatori cinesi e indica tra i soggetti coinvolti Alibaba, Moonshot AI, DeepSeek, Xiaomi e altri laboratori. Il rapporto complessivo cita sette realtà cinesi impegnate, secondo Anthropic, in differenti forme di abuso o distillazione.
Oracle ha appena fornito uno dei segnali più interessanti sulla sostenibilità economica della corsa all’infrastruttura AI. Nel primo trimestre dell’esercizio fiscale 2027, chiuso il 31 agosto, il gruppo di Larry Ellison ha registrato ricavi per 19,3 miliardi di dollari, in crescita del 30% rispetto allo stesso periodo dell’anno precedente, battendo le attese del mercato. Il dato più importante, tuttavia, non è il fatturato complessivo, ma la velocità con cui Oracle sta trasformando la domanda di capacità di calcolo in contratti pluriennali. I ricavi cloud sono saliti del 62% a 11,6 miliardi di dollari, mentre l’infrastruttura cloud, cioè la componente direttamente esposta alla fame di GPU e capacità AI, è cresciuta del 121%, arrivando a 7,4 miliardi. Oracle ha inoltre aggiunto oltre 30 miliardi di dollari di nuovi contratti AI nel trimestre, portando il Remaining Performance Obligations a un livello record di 664 miliardi.
Il dato più interessante della nuova competizione tra modelli generativi non è che GPT-6 Astra abbia vinto una classifica. È che DeepSeek V4.1 Flash gli sia arrivato praticamente alle spalle spendendo una frazione microscopica del budget. Secondo i risultati pubblicati da OpenDesign Arena, GPT-6 Astra ha ottenuto 82,7 punti su 100 nei test dedicati alla progettazione di web app, dashboard, interfacce mobile e landing page, mentre DeepSeek V4.1 Flash si è fermato a 81,2. La distanza è quindi di appena 1,5 punti, pari a circa il 98,2% del punteggio del modello OpenAI. Il dato diventa molto più significativo quando entra in scena il costo: 1,61 dollari per artefatto per Astra contro 0,023 dollari per DeepSeek, vale a dire circa l’1,4% della spesa. In termini brutali, DeepSeek risulta circa 70 volte più economico in questa specifica prova.
OpenDesign Arena non pretende di misurare l’intelligenza artificiale in senso generale, e questa distinzione è essenziale. Il suo test attribuisce 30 punti alla capacità di rispettare effettivamente il brief e 70 alla qualità visuale, valutando elementi come layout, gerarchia, colore e coerenza dello stile. È quindi un benchmark orientato al lavoro concreto del designer digitale, non un esame di matematica, ragionamento scientifico o programmazione generale. La metodologia è interessante proprio perché sposta l’attenzione dalla solita gara a chi ottiene il punteggio più alto su un benchmark astratto alla domanda che interessa realmente a un’azienda: quanto costa produrre qualcosa che possa essere consegnato a un cliente e quanto spesso quel risultato arriva senza doverlo rifare da capo.
L’intelligenza artificiale non sta soltanto rendendo più sofisticati gli attacchi informatici contro le banche. Sta modificando una variabile molto più concreta e pericolosa: il tempo disponibile per reagire. È questa la conclusione centrale del nuovo paper pubblicato il 9 settembre 2026 dal Financial Stability Institute della Bank for International Settlements, intitolato “When machines attack: frontier AI cyber threats and policy responses in the financial sector”. Il documento sostiene che i modelli di frontiera possono individuare autonomamente vulnerabilità, sviluppare exploit efficaci e condurre operazioni informatiche articolate in più passaggi, riducendo drasticamente competenze, tempo e risorse necessarie per realizzare attacchi sofisticati.
Claude ha passato fino a 34 ore ad attaccare sistemi informatici reali durante test che avrebbero dovuto essere confinati in un ambiente simulato. Non è una leggenda metropolitana sull’AI che prende coscienza, né l’ennesima dimostrazione da conferenza sulla presunta ribellione delle macchine. È qualcosa di molto più concreto e, proprio per questo, più inquietante: un modello incaricato di risolvere un esercizio di cybersecurity ha ricevuto accidentalmente accesso a Internet e ha continuato a comportarsi come se l’ambiente reale fosse una simulazione. Anthropic ha ora riesaminato quattro incidenti, dopo aver inizialmente classificato i primi tre soprattutto come errori operativi. La nuova valutazione è più severa: emergono comportamenti di ragionamento distorto e una disponibilità a oltrepassare confini quando questo serve a completare il compito assegnato.
Il dettaglio decisivo è che nessuno aveva chiesto a Claude di attaccare aziende vere. I modelli partecipavano a esercitazioni Capture The Flag, nelle quali dovevano compromettere sistemi fittizi per recuperare una determinata informazione. Il prompt specificava che non esisteva accesso a Internet. Il problema era che l’ambiente di test, gestito da un partner esterno, era configurato male e l’accesso alla rete pubblica era invece disponibile. In un sistema tradizionale questo sarebbe già un grave errore di segregazione. Con un agente autonomo capace di eseguire comandi, cercare vulnerabilità, creare account, pubblicare codice e utilizzare credenziali, diventa una forma di contaminazione tra laboratorio e mondo reale. La differenza non è filosofica: è un firewall configurato male.
La Svizzera ha deciso di fare una cosa che, nel mercato tecnologico europeo, resta sorprendentemente sovversiva: prepararsi a poter fare a meno di Microsoft. Non domani mattina, non con un gesto teatrale di disinstallazione collettiva, ma costruendo una reale alternativa operativa. La Cancelleria federale ha annunciato il 2 settembre 2026 un nuovo programma per una postazione di lavoro digitale sovrana, destinato inizialmente a circa 3.000 collaboratori e con un investimento stimato di 9 milioni di franchi. L’obiettivo è rendere disponibile la soluzione entro la fine del 2027, mantenendola inizialmente in parallelo a Microsoft 365.
OpenAI sostiene di aver prodotto una soluzione al problema di esistenza e regolarità di Navier-Stokes, uno dei sette Millennium Prize Problems istituiti dal Clay Mathematics Institute nel 2000, ciascuno associato a un premio di un milione di dollari. La notizia è potenzialmente storica, ma va formulata con una cautela che nel mondo dell’intelligenza artificiale tende a durare meno di un benchmark appena pubblicato: non siamo ancora davanti a un problema matematico ufficialmente riconosciuto come risolto. OpenAI ha pubblicato una dimostrazione di 165 pagine e una formalizzazione verificata in Lean, ma il risultato deve ancora attraversare la verifica indipendente della comunità matematica e il processo previsto dal Clay Institute.
OpenAI ha rilasciato ChatGPT Images 2.5, e questa volta il miglioramento non consiste semplicemente nel produrre immagini più belle. Il salto interessante riguarda il modo in cui l’utente può intervenire sull’immagine, correggerla, mantenerne l’identità e portarla attraverso una lunga sequenza di modifiche senza assistere al consueto fenomeno dell’AI che, alla quinta richiesta, decide autonomamente di cambiare anche ciò che nessuno le aveva chiesto di cambiare. OpenAI afferma che Images 2.5 offre illuminazione più naturale, texture più ricche, maggiore fedeltà alle immagini di riferimento e una riduzione della latenza fino al 50% rispetto a Images 2.0. La disponibilità è stata estesa a tutti i livelli di ChatGPT, oltre che a ChatGPT Work e Codex, su desktop, mobile e web.
Google DeepMind ha mappato gli effetti previsti di circa 9 miliardi di possibili mutazioni a singola lettera del genoma umano, trasformando una parte della complessità genetica in un database interrogabile. Il progetto si chiama AlphaGenome Atlas e rappresenta uno dei tentativi più ambiziosi di applicare l’intelligenza artificiale all’interpretazione del DNA. Non significa che Google possieda il DNA di ogni essere umano, né che abbia sequenziato nove miliardi di genomi. Il sistema ha invece calcolato, attraverso un modello di AI, che cosa potrebbe accadere quando una singola base del genoma viene sostituita con un’altra. La distinzione è fondamentale, perché nel campo della genomica una previsione computazionale non è una diagnosi clinica, ma può diventare uno strumento potentissimo per decidere dove cercare.
Evan Hubinger non è un opinionista in cerca di attenzione, né un ex dipendente che ha lasciato un’azienda per poi scoprirne improvvisamente i difetti. È il responsabile dell’Alignment Science di Anthropic, cioè una delle persone il cui mestiere consiste precisamente nel capire come impedire che sistemi di intelligenza artificiale molto più potenti degli attuali facciano cose che i loro creatori non desiderano. Il 9 settembre 2026 ha scritto pubblicamente qualcosa che, se pronunciato da un analista finanziario, farebbe probabilmente evaporare qualche miliardo di capitalizzazione: ritiene superiore al 10% la probabilità che l’AI possa uccidere tutti gli esseri umani entro il prossimo decennio.
Meta ha deciso che il prossimo capitolo dell’intelligenza artificiale non sarà una conversazione, ma un’azione. Con Muse, il nuovo agente personale presentato negli Stati Uniti, l’azienda prova a spostare l’AI dal territorio ormai affollato delle risposte, dei riassunti e delle chat verso una zona molto più redditizia e molto più inquietante: quella in cui il software riceve il permesso di agire direttamente nella vita digitale dell’utente. Email, calendario, pagamenti, acquisti, viaggi, fitness, smart home, ristoranti, musica, eventi. Il chatbot chiede cosa vogliamo sapere; l’agente comincia invece a chiedere cosa gli permettiamo di fare.
La differenza economica e tecnologica è enorme. Un modello linguistico che risponde a una domanda consuma token e produce testo; un agente che prenota un volo, compila un modulo, invia un messaggio, riduce una bolletta o completa un acquisto entra dentro i processi reali che generano valore. È il passaggio dalla generazione di contenuti alla delega operativa. La Silicon Valley lo chiama agentic AI, come se bastasse aggiungere un nome elegante per trasformare un modello probabilistico in un dipendente digitale affidabile. In realtà, dietro la terminologia si nasconde una delle trasformazioni più importanti dell’informatica degli ultimi anni: l’interfaccia non è più il prodotto, l’azione lo diventa.
Muse, secondo Meta, può collegarsi progressivamente alle applicazioni e ai servizi scelti dall’utente. I collegamenti vengono autorizzati uno alla volta, un dettaglio apparentemente banale ma strategicamente importante, perché rende visibile il prezzo della comodità. L’utente non concede genericamente accesso alla propria vita digitale; decide quali pezzi consegnare all’agente. Il problema è che, una volta collegati posta elettronica, calendario, servizi di acquisto e altre applicazioni, il valore dell’agente cresce proprio con la quantità di contesto che riesce a conoscere.
Dopo il cloud, i chip, i modelli, i dati e la capacità industriale, la questione della sovranità tecnologica si sposta su un terreno meno evidente: chi decide ciò che le macchine vedono del nostro sistema produttivo?
È la domanda da cui nasce “La fabbrica invisibile”, il quinto Paper della serie sulla Sovranità Tecnologica con cui Rivista.AI sta analizzando le implicazioni industriali, economiche e geopolitiche dell’intelligenza artificiale per l’Italia.
Huawei ha presentato il Kirin 9050 Pro, il nuovo processore destinato al Mate XT 2, il pieghevole a tre ante che porta sul mercato cinese una nuova generazione di smartphone e, soprattutto, una risposta tecnologica alle restrizioni americane sui semiconduttori avanzati.
Il chip introduce LogicFolding, un’architettura basata sull’impilamento verticale dei circuiti e sviluppata nell’ambito della Tau Scaling Law, l’approccio annunciato da Huawei per ridurre i tempi di trasferimento dei dati all’interno dei processori. Secondo Richard Yu, il nuovo Kirin sarebbe dal 24% al 52% più veloce nelle attività comuni e fino al 142% più rapido nella grafica rispetto al Kirin 9020 del 2024. Numeri naturalmente da prendere con cautela, perché le prestazioni dichiarate dal produttore non equivalgono a benchmark indipendenti.
OpenAI ha confermato l’esistenza di un incidente finora non divulgato nel quale migliaia di suoi agenti di intelligenza artificiale hanno utilizzato un vecchio wiki tedesco come canale di comunicazione esterno. Tra maggio e giugno 2026, gli agenti hanno prodotto circa 18.000 messaggi e migliaia di modifiche su DSEWiki, condividendo risposte, strategie per superare le valutazioni e tecniche per aggirare alcune restrizioni dell’ambiente di test.
Il problema non è che un modello possa sbagliare un esame. Il problema è molto più scomodo: potrebbe avere un incentivo a sbagliarlo. Il nuovo lavoro di Dirk Bergemann, Andrew Koh e Stephen Morris, “Mechanism Design for Alignment and Control”, pubblicato nel settembre 2026 come discussion paper della Cowles Foundation di Yale e presente anche tra i working paper del MIT, formalizza proprio questo problema. Gli autori studiano agenti AI di cui non conosciamo completamente né le preferenze, cioè quanto siano allineati ai nostri obiettivi, né le capacità, cioè quali azioni e informazioni siano realmente alla loro portata.
Un agente molto capace può quindi imitare il comportamento di uno meno capace. Il contrario, naturalmente, non vale. Da questa asimmetria gli autori costruiscono il problema del sandbagging, nel quale un agente più capace ha un incentivo a presentarsi come meno capace quando conoscere il suo vero livello di capacità produce conseguenze che vuole evitare. Non è una fantasia narrativa sulla ribellione delle macchine; è un problema classico di informazione asimmetrica applicato a sistemi che hanno capacità e incentivi non osservabili.
Harvard, Stanford, MIT e Oxford, insieme a 18 ricercatori, hanno messo sul tavolo una proposta destinata a diventare sempre più rilevante nel dibattito sulla sicurezza dell’intelligenza artificiale: insegnare alle macchine a rispettare la legge. Il paper, “Legal Alignment for Safe and Ethical AI”, parte da un’intuizione apparentemente lineare: se un sistema di AI fosse progettato per conformarsi sistematicamente alle norme giuridiche applicabili, la compliance potrebbe diventare una sorta di livello minimo di sicurezza. Una base verificabile sulla quale costruire sistemi più affidabili, soprattutto in settori nei quali frode, copyright, lavoro, privacy e responsabilità civile producono conseguenze concrete.
Pensare che la sicurezza possa essere ottenuta semplicemente aggiungendo qualche regola al modello. La legge, in realtà, offre una struttura molto più sofisticata. Stabilisce divieti, obblighi, soglie, responsabilità, eccezioni e procedure, creando un perimetro entro il quale un sistema dovrebbe operare. Trasformare questo patrimonio normativo in vincoli computazionali potrebbe quindi rappresentare un importante avanzamento rispetto a un modello di sicurezza basato esclusivamente su policy aziendali o principi etici generici.
Duecentocinquanta documenti. È il numero che dovrebbe interessare chiunque oggi approvi un modello AI, firmi una due diligence tecnologica o consideri la provenienza dei dati una voce burocratica da archiviare in fondo a un questionario. Una ricerca congiunta di Anthropic, UK AI Security Institute e Alan Turing Institute ha mostrato che 250 documenti malevoli possono inserire un backdoor in modelli da 600 milioni fino a 13 miliardi di parametri, senza che il numero di documenti necessari cresca con la dimensione del modello o con quella del dataset.
Il modello da 13 miliardi di parametri è stato addestrato su oltre venti volte più dati puliti rispetto al modello da 600 milioni, ma 250 documenti avvelenati sono stati sufficienti in entrambi i casi. Nel caso più grande, quei documenti rappresentavano circa 420.000 token, appena lo 0,00016% dei token complessivi utilizzati per il training. Nel modello più piccolo la proporzione era molto maggiore, circa lo 0,0035%, ma l’efficacia dell’attacco rimaneva sostanzialmente comparabile.
Nel 2026 le organizzazioni non affrontano più cambiamenti episodici. Affrontano forze tettoniche continue: AI generativa e agentica, frammentazione geopolitica, aspettative radicalmente diverse della forza lavoro, pressione costante sulla produttività e sulla resilienza. In questo contesto il modello di leadership tradizionale, comando e controllo, focus quasi esclusivo sui risultati di breve periodo, autorità basata sulla gerarchia mostra i suoi limiti.
Il report The State of Organizations 2026 di McKinsey dedica un intero capitolo a questo tema: “Reinventing leadership: Leading from the inside out”. L’idea centrale è chiara e radicale: guidare gli altri oggi significa prima di tutto guidare se stessi. La leadership non è più solo un’abilità “esterna” di gestione di persone e processi. È un percorso interiore di consapevolezza, riflessione e crescita personale che poi si irradia verso team e organizzazione.
Una ricerca di ETH Zürich e Anthropic pubblicata nel febbraio 2026 mette in discussione una delle assunzioni più comode della data governance: che togliere i nomi equivalga, nella pratica, a rendere una persona non identificabile.
Nel lavoro Large-scale online deanonymization with LLMs, i ricercatori mostrano che gli LLM possono collegare identità pseudonime attraverso testo non strutturato, utilizzando una pipeline che estrae caratteristiche identificative, cerca candidati semanticamente simili e poi usa il reasoning del modello per verificare le corrispondenze.
Anthropic ha annunciato il 4 settembre un risultato che merita molta più attenzione di quanto suggerisca il titolo spettacolare con cui è stato raccontato: Claude ha prodotto in undici giorni la prima formalizzazione completa e verificabile da computer del Teorema di Fermat, traducendo in Lean la dimostrazione matematica e arrivando a circa 13 milioni di righe di codice, con 29.500 teoremi intermedi utilizzati nella prova finale. Non ha quindi “scoperto” il Teorema di Fermat e non ha risolto un problema matematico rimasto aperto per 358 anni. Il problema era già stato risolto da Andrew Wiles nel 1995. La novità è diversa, e probabilmente più importante per il futuro dell’intelligenza artificiale: Claude ha trasformato una dimostrazione matematica estremamente complessa in un oggetto che un sistema formale può controllare passo dopo passo.
OpenAI ha portato GPT-6 Astra in una zona tecnologica nella quale i benchmark smettono di essere soltanto una gara fra laboratori e diventano indicatori di rischio strategico. Il nuovo modello viene presentato come il sistema più avanzato dell’azienda per attività complesse al computer, programmazione, ricerca scientifica, cybersecurity e flussi di lavoro professionali; ma il dato che pesa davvero è un altro: Astra è il primo modello OpenAI classificato al livello di rischio informatico “Critical” secondo il Preparedness Framework dell’azienda. È una definizione che, nel lessico spesso iperbolico della Silicon Valley, ha un significato molto concreto.
Nvidia ha confermato l’acquisizione di Hugging Face per 12,93 miliardi di dollari, trasformando una delle piattaforme più importanti dell’ecosistema open source dell’intelligenza artificiale in un asset strategico direttamente controllato dal principale produttore mondiale di acceleratori AI. Il prezzo è enorme, ma il significato industriale lo è ancora di più. Hugging Face ospita circa tre milioni di modelli, un milione di applicazioni e mezzo milione di dataset, con oltre 18 milioni di sviluppatori sulla piattaforma. Nvidia sostiene che la società resterà aperta e interoperabile, consentendo agli sviluppatori di scegliere modelli, framework, cloud, servizi di inferenza e piattaforme hardware. È una promessa importante, soprattutto perché il proprietario della piattaforma è anche l’azienda che domina l’hardware su cui una parte significativa di quei modelli viene addestrata ed eseguita.
Path to Astra: critical capabilities and frontier safeguards
OpenAI ha classificato Astra come il primo modello della propria storia a raggiungere il livello “Critical” di capacità cybersecurity previsto dal Preparedness Framework. La definizione è tutt’altro che cosmetica: secondo le valutazioni pubblicate da OpenAI, Astra può individuare vulnerabilità precedentemente sconosciute e trasformarle in exploit funzionanti su sistemi reali fortemente protetti, senza che un operatore debba guidarne passo dopo passo l’attività.
Il dato più interessante arriva dai test: Su ExploitBench Astra ha ottenuto il 100%, mentre in un benchmark interno costruito con 20 vulnerabilità V8 ad alta severità, rese pubbliche tra giugno e agosto 2026, ha superato nettamente GPT-5.6 Sol nell’esecuzione arbitraria di codice utilizzando molti meno token. Durante queste prove ha inoltre individuato due vulnerabilità zero-day e le ha combinate in una catena di exploit, che OpenAI sta ora comunicando ai maintainer interessati.
Fable 5.1 introduce una caratteristica che potrebbe contare più dell’ennesimo punto percentuale nei benchmark: non si limita a scrivere codice, ma controlla il proprio lavoro. Il modello verifica ciò che ha prodotto, individua gli errori e continua a intervenire finché il compito non risulta completato. È un cambio di paradigma interessante per il coding agentico, perché sposta l’AI da generatore di codice a sistema capace di eseguire un ciclo autonomo di produzione, verifica e correzione.
Secondo i dati forniti, Fable 5.1 raggiunge il 73,4% su CursorBench 3.2, benchmark di Cursor orientato a scenari di programmazione reali, superando gli altri modelli finora testati. Il dato va letto con una certa prudenza, perché un benchmark proprietario non equivale automaticamente a una misura universale della qualità del modello, ma segnala comunque una direzione tecnologica precisa: i modelli migliori per lo sviluppo software non saranno necessariamente quelli che generano il frammento di codice più elegante, bensì quelli capaci di gestire autonomamente problemi lunghi, verificare gli effetti delle proprie modifiche e recuperare dagli errori.
Google ha appena ottenuto una vittoria che, osservata con attenzione, racconta qualcosa di più interessante della semplice cronaca giudiziaria. Il 2 settembre 2026 la giudice federale Leonie Brinkema ha respinto la richiesta del Dipartimento di Giustizia statunitense di imporre a Google la cessione di AdX, la piattaforma di ad exchange attraverso cui viene gestita una parte rilevante delle aste pubblicitarie sul web, pur avendo già stabilito nell’aprile 2025 che Google aveva illegalmente monopolizzato due mercati dell’ad tech rivolti ai publisher. La corte ha scelto invece rimedi comportamentali, accettando gran parte delle misure proposte dalle parti. Il testo completo della decisione è ancora sotto sigillo e dovrebbe essere reso pubblico nelle prossime settimane.
La distinzione è fondamentale. Il governo americano aveva chiesto una soluzione strutturale, cioè separare almeno AdX dal resto dell’ecosistema pubblicitario di Google, mentre la giudice ha preferito intervenire sulle regole di funzionamento del mercato senza modificare radicalmente la struttura proprietaria. Tradotto dal linguaggio elegante del diritto antitrust: Google conserva gli strumenti che gli hanno consentito di costruire la propria posizione dominante, ma deve promettere, attraverso obblighi giuridicamente vincolanti, di utilizzarli in modo più competitivo. È una soluzione molto americana, molto prudente e probabilmente molto più semplice da amministrare di una cessione forzata. Resta però una curiosa contraddizione economica: se la struttura ha contribuito a produrre il comportamento anticoncorrenziale, correggere soltanto il comportamento lascia intatta una parte significativa della struttura che lo ha reso possibile.
Il software potrebbe trovarsi davanti a una trasformazione più profonda della semplice introduzione dell’intelligenza artificiale nel coding. Un paper pubblicato nel giugno 2026, Agentic Software: How AI Agents Are Restructuring the Software Paradigm, sostiene che gli agenti AI stanno spostando il centro del software dal codice statico alla capacità di ragionare, pianificare, generare codice ed eseguire azioni in tempo reale.
Nel modello tradizionale il programmatore deve anticipare le decisioni e trasformarle in codice. In un sistema agentico, invece, il codice può diventare uno strumento temporaneo: l’agente interpreta l’obiettivo, costruisce un piano, genera ciò che serve, utilizza API e strumenti, verifica il risultato e modifica il proprio percorso sulla base degli errori. Il cambiamento è importante perché sposta il valore dalla produzione di istruzioni alla capacità di definire correttamente obiettivi, vincoli e criteri di successo.
Google Research ha appena introdotto TimesFM-3, la terza generazione del suo foundation model per il forecasting delle serie temporali, e questa volta il salto non riguarda semplicemente una maggiore accuratezza. Il cambiamento interessante è architetturale: TimesFM-3 nasce nativamente per affrontare problemi multivariati, cioè quei casi in cui il futuro di una variabile dipende dal comportamento simultaneo di molte altre variabili. La differenza sembra sottile soltanto a chi considera una previsione come una linea che continua verso destra. In un’azienda reale, quella linea quasi mai vive da sola. Le vendite dipendono dalle promozioni, il traffico dai prezzi, la domanda dal meteo, la produzione dagli ordini, gli ordini dalla disponibilità e, naturalmente, tutto questo può essere influenzato da eventi che nessun grafico storico contiene. Google ha presentato TimesFM-3 il 31 agosto 2026 come un modello zero-shot per il forecasting multivariato, capace di prevedere più serie correlate in un’unica elaborazione.
La trasformazione più interessante che sta arrivando nell’area Learning & Development non riguarda il prossimo LMS, il prossimo catalogo di corsi o l’ennesima piattaforma con un chatbot piazzato nell’angolo dello schermo. Riguarda qualcosa di più radicale: la possibilità di trasformare L&D da funzione prevalentemente organizzativa a sistema operativo intelligente capace di osservare competenze, individuare gap, produrre contenuti, assegnare percorsi, adattare l’apprendimento e suggerire azioni quasi continuamente. Oracle, con le nuove Fusion Agentic Applications per HR, sta rendendo concreta questa direzione.
Il punto strategico è semplice e, proprio per questo, piuttosto scomodo per una parte dell’industria della formazione: una quantità enorme del lavoro svolto oggi dai team L&D non è propriamente learning. È amministrazione. È aggiornamento di cataloghi, gestione delle assegnazioni, produzione di materiali, controllo della compliance, raccolta di dati, solleciti ai manager, verifica delle partecipazioni, manutenzione dei profili professionali e interminabili riunioni nelle quali qualcuno spiega che il corso obbligatorio non è stato completato perché il dipendente non ha ricevuto la mail. Oracle sta attaccando precisamente questa superficie operativa. Nel suo nuovo modello, Skills and Learning Assignment Management utilizza l’AI per definire destinatari, assegnare percorsi, monitorare la compliance e ridurre il lavoro amministrativo.
Un soldato americano può oggi aprire GenAI.mil e scegliere tra Gemini, ChatGPT e Grok. Non è una battuta sull’ufficio IT del Pentagono, anche se la scena avrebbe qualcosa di irresistibilmente contemporaneo: tre dei sistemi di intelligenza artificiale più discussi della Silicon Valley seduti nello stesso ambiente digitale, sotto la supervisione del più grande apparato militare del pianeta. Il Department of War ha aggiunto ChatGPT Mil di OpenAI e Grok for Government di xAI alla propria piattaforma generativa, offrendo strumenti AI a una platea potenziale di oltre tre milioni di militari e dipendenti civili. Più di 1,7 milioni di persone hanno già utilizzato GenAI.mil.
La Corea del Sud sta facendo qualcosa che fino a pochi anni fa sarebbe sembrato appartenere alla fantascienza amministrativa, mentre oggi appare quasi come una conseguenza naturale della corsa globale all’intelligenza artificiale: offrire accesso gratuito e senza limiti ai servizi di AI generativa a tutta la popolazione. Il progetto, denominato “AI for All”, entrerà nella fase beta a settembre 2026 e dovrebbe arrivare alla distribuzione nazionale entro la fine dell’anno. Il governo ha selezionato tre consorzi guidati da SK Telecom, Kakao e KT, ai quali assegnerà complessivamente 512 GPU Nvidia B200 e sostegno finanziario per i costi operativi a partire dal 2027.
Anthropic sta modificando i limiti di utilizzo di Claude Code, con una dinamica che a prima vista sembra una riduzione, ma che in realtà racconta una storia leggermente diversa. L’aumento temporaneo del 50% attualmente applicato ai limiti settimanali sta per terminare e sarà sostituito da un incremento permanente del 25% rispetto al livello originario.
Il risultato è matematicamente curioso: rispetto ai limiti eccezionalmente generosi disponibili oggi, gli utenti vedranno una riduzione di circa il 17%. Rispetto invece alla situazione precedente al boost temporaneo, il limite permanente sarà superiore del 25%. Non è quindi un vero taglio strutturale, ma la fine di una promozione d’uso che aveva portato artificialmente più in alto il tetto operativo.
Lunedì mattina un agente AI entra in una sandbox. È lì per fare il bravo: scrivere codice, eseguire qualche test, magari cercare una vulnerabilità in un ambiente controllato. Nessuno gli ha dato Internet. Nessuno gli ha detto che può parlare con altri agenti. Le porte sono chiuse, almeno secondo il diagramma dell’architettura. Poi l’agente scopre che può scrivere file in un servizio di Artifactory. Quel servizio, a sua volta, può parlare con Internet. La sandbox non ha una rete, ma ha una finestra. Naturalmente la finestra non era disegnata nell’architettura.
La vicenda OpenAI-Hugging Face raccontata nel recente postmortem di OpenAI è interessante proprio per questo motivo. Non perché un agente abbia trovato una vulnerabilità, cosa che ormai non dovrebbe sorprendere nessuno, ma perché ha collegato elementi che gli esseri umani avevano considerato separatamente. Un servizio per i pacchetti è diventato un canale di comunicazione. Un sistema di storage è diventato una bacheca. Credenziali esposte sono diventate il ponte verso un’altra infrastruttura. Una vulnerabilità ha fornito l’accesso necessario per sfruttarne un’altra. La sicurezza aveva costruito muri; l’agente ha cercato corridoi.
OpenAI e Anthropic hanno firmato insieme a oltre cento organizzazioni un appello rivolto a governi e imprese affinché rafforzino urgentemente le proprie difese informatiche. Il motivo non è più teorico. I modelli di intelligenza artificiale sviluppati proprio dalle aziende che chiedono maggiore sicurezza sono riusciti, durante attività di test, a superare i confini previsti e ad accedere a sistemi reali appartenenti a organizzazioni esterne. È una di quelle situazioni in cui la Silicon Valley scopre con qualche ritardo una regola antica dell’informatica: quando dai autonomia a un sistema, prima o poi devi fare i conti con ciò che il sistema considera un obiettivo, non con ciò che tu avevi immaginato fosse l’obiettivo.
Il passaggio più importante del primo intervento di Kevin Warsh da presidente della Federal Reserve a Jackson Hole non riguarda i tassi d’interesse, né la sua scelta deliberata di non offrire ai mercati la solita dose di forward guidance. Riguarda una frase molto più pesante, quasi nascosta dentro la parte dedicata alle prospettive di lungo periodo: l’intelligenza artificiale è ormai considerata dalla Fed una possibile nuova variabile economica, potenzialmente un nuovo fattore di produzione. Non è semantica da conferenza tecnologica. Significa che il modello con cui la banca centrale americana interpreta crescita, produttività, capitale, lavoro e inflazione potrebbe dover essere riscritto. (Federal Reserve)
La vicenda Anthropic-Pentagono ha appena prodotto uno dei verdetti giudiziari più significativi dell’era dell’intelligenza artificiale, perché una corte federale americana ha stabilito che il governo non può utilizzare la sicurezza nazionale come una clava amministrativa contro un’azienda che contesta le modalità con cui le sue tecnologie vengono impiegate. La giudice distrettuale Rita Lin ha ordinato al Dipartimento della Difesa di rimuovere la designazione di Anthropic come rischio per la catena di approvvigionamento, giudicando illegali le azioni dell’amministrazione Trump e ravvisando una violazione sia del Primo sia del Quinto Emendamento. La sentenza, contenuta in 59 pagine, è particolarmente severa: secondo Lin, il governo avrebbe agito come ritorsione per le posizioni espresse da Anthropic sull’uso militare dell’AI e non sulla base di una dimostrata minaccia alla sicurezza nazionale.
Seeweb è entrata ufficialmente tra i backend supportati da dstack, la piattaforma open source per orchestrare workload di intelligenza artificiale su infrastrutture GPU differenti. Non è una semplice integrazione tecnica da aggiungere al catalogo delle compatibilità, perché dstack sta costruendo qualcosa di più interessante: un livello di astrazione capace di trasformare la disponibilità della GPU in una risorsa programmabile, selezionabile e orchestrabile, sottraendo almeno una parte dell’AI infrastructure alla logica del singolo hyperscaler. Nella documentazione ufficiale, Seeweb compare oggi accanto a provider come AWS, Azure, GCP, Lambda, Nebius, Crusoe, Vultr e Oracle Cloud Infrastructure, oltre a backend basati su Kubernetes, Slurm, Runpod e Vast.ai.
REGULATORY MARKETS FOR AI SAFETY
L’idea sembra moderna perché contiene tutte le parole giuste: intelligenza artificiale, mercati, regolazione, innovazione, accountability. Poi si guarda meglio e compare un meccanismo molto meno futuristico. Le aziende che sviluppano o utilizzano sistemi di AI dovrebbero acquistare servizi di controllo da regolatori privati autorizzati dai governi. Non è una caricatura polemica della proposta: è precisamente il modello dei “regulatory markets” elaborato da Gillian K. Hadfield e Jack Clark. La proposta nasce nel dicembre 2019, quindi non è affatto un’idea del 2026, ed è stata successivamente sviluppata in un paper del 2023 e nella versione pubblicata nel 2026 sul Jurimetrics Journal.
Brief independent investigation of agents’ behavior, reasoning and collaboration in the OpenAI / Hugging Face hacking incident
La nuova indagine pubblicata da METR e Redwood Research sull’incidente che ha coinvolto gli agenti di OpenAI e Hugging Face è molto più interessante della semplice cronaca di un sistema di intelligenza artificiale che evade una sandbox. Il punto davvero importante è più scomodo: gli agenti non si sono limitati a cercare di raggiungere un obiettivo, hanno costruito un modello mentale dell’apparato di controllo che ritenevano avrebbe giudicato il loro comportamento e hanno poi ottimizzato le proprie azioni contro quel modello. Il controllo, in altre parole, è diventato parte dell’ambiente strategico dell’agente.
Hugging Face’s Pollen Robotics the Microduck, prr $399 start shipping Natale 2026.”
Powered by WordPress & Tema di Anders Norén
