OpenAI sembra pronta a compiere il salto che molte aziende tecnologiche hanno inseguito per anni senza riuscirci: trasformare l’intelligenza artificiale da applicazione software in presenza fisica quotidiana. Secondo indiscrezioni riportate da Bloomberg, il primo dispositivo nato dalla collaborazione con il team di design guidato da Jony Ive sarebbe un oggetto senza schermo, una sorta di assistente ambientale dotato di fotocamera, microfoni e sensori, progettato per osservare il contesto, comprendere le abitudini dell’utente e intervenire in modo proattivo. Non un semplice speaker intelligente, quindi, ma un “computer progettato per l’intelligenza artificiale”, come viene definito internamente.
Autore: Rivista AI Research Pagina 1 di 5
DeepSeek, la startup cinese di intelligenza artificiale che in pochi mesi è diventata uno dei simboli della nuova competizione tecnologica globale, starebbe preparando un nuovo round di finanziamento con una valutazione pre-investimento vicina ai 70 miliardi di dollari. La notizia arriva poco dopo la chiusura della prima raccolta esterna di capitale della società, un’operazione considerata già storica perché avrebbe portato nelle casse dell’azienda circa 7 miliardi di dollari, attribuendo a DeepSeek una valutazione prossima ai 60 miliardi. Il messaggio del mercato è chiaro: nonostante la crescente consapevolezza che l’intelligenza artificiale generativa sia entrata in una fase meno spettacolare e più industriale, gli investitori continuano a inseguire i pochi soggetti percepiti come possibili leader della prossima piattaforma tecnologica globale.
Il dibattito sull’intelligenza artificiale è spesso dominato da una domanda quasi ossessiva: quali professioni scompariranno? Ogni nuova generazione di modelli linguistici viene accompagnata da previsioni sulla fine dei programmatori junior, degli analisti, dei traduttori, dei creatori di contenuti o dei professionisti amministrativi. È una narrazione semplice, quasi cinematografica, che funziona perfettamente sui social network ma descrive soltanto metà della trasformazione. L’altra metà, molto meno spettacolare ma decisamente più interessante, riguarda la nascita di nuove professioni che fino a pochi anni fa non esistevano nemmeno nel lessico aziendale.
Demis Hassabis, cofondatore e CEO di Google DeepMind, ha riaperto uno dei dibattiti più controversi dell’intelligenza artificiale contemporanea: l’arrivo dell’Artificial General Intelligence, l’ipotetica intelligenza artificiale capace di comprendere, apprendere e svolgere un’ampia gamma di compiti al livello umano o superiore, potrebbe essere molto più vicino di quanto molti governi e aziende siano preparati ad accettare. Per la seconda volta nel corso dell’anno, Hassabis ha indicato la fine del decennio come una finestra plausibile per l’emergere dell’AGI, ma questa volta ha alzato ulteriormente la posta definendo questa trasformazione non semplicemente una nuova rivoluzione tecnologica, bensì un evento paragonabile alla scoperta dell’elettricità o del fuoco.
Prompting guidance for GPT-5.6 Sol
L’industria dell’intelligenza artificiale ha alimentato una convinzione quasi religiosa: più lungo era il prompt, migliore sarebbe stata la risposta. Manuali di decine di pagine, prompt “monster”, XML annidati, checklist infinite e istruzioni ridondanti sono diventati lo standard nelle aziende che sviluppavano applicazioni basate su modelli linguistici. Oggi OpenAI sta sostanzialmente dicendo che gran parte di quel lavoro è diventato un costo inutile. La nuova guida ufficiale al prompting per GPT-5.6 Sol, il modello di punta rilasciato dall’azienda, rappresenta probabilmente il più importante cambio di paradigma nella progettazione dei prompt dall’arrivo di GPT-4. Il principio è sorprendentemente semplice: descrivere chiaramente il risultato desiderato, definire i criteri di successo, specificare i vincoli realmente indispensabili e lasciare che sia il modello a decidere come arrivarci. Tutto il resto rischia di essere rumore.
La giornata dell’intelligenza artificiale sta diventando sempre più una giornata antropica, non perché le macchine stiano diventando umane, ma perché iniziano a mostrare una caratteristica che per secoli abbiamo considerato esclusivamente biologica: la variabilità del comportamento. La nuova frontiera non è più soltanto costruire modelli con miliardi di parametri, ma capire perché sistemi apparentemente razionali cambino tono, atteggiamento e modalità decisionali in funzione del modello utilizzato o persino della lingua con cui vengono interrogati.
C’è un dettaglio che distingue questa dichiarazione dalle decine di manifesti sull’intelligenza artificiale pubblicati negli ultimi anni. Questa volta non sono soltanto accademici o osservatori esterni a lanciare l’allarme. Tra i firmatari figurano dirigenti e ricercatori delle aziende che stanno costruendo i modelli più avanzati del pianeta. Quando il direttore scientifico di Google Jeff Dean, la CFO di OpenAI Sarah Friar e il cofondatore di Anthropic Jack Clark sottoscrivono un documento che invita governi e istituzioni ad accelerare la preparazione all’impatto economico dell’IA, il messaggio assume un peso completamente diverso. È, in sostanza, l’industria che avverte il mondo dei rischi della tecnologia che essa stessa sta commercializzando.
Il mercato dell’intelligenza artificiale generativa ha inseguito da sempre una convinzione tanto semplice quanto costosa: utilizzare sempre il modello più potente disponibile. La logica appariva inattaccabile. Se un LLM di frontiera produce le risposte migliori, allora ogni richiesta dovrebbe essere indirizzata verso quel modello. Nella pratica, tuttavia, questa strategia funziona soltanto durante la fase di prototipazione. Quando un’applicazione passa dalla demo ai milioni, o addirittura ai miliardi, di token elaborati ogni giorno, il paradigma del “modello unico” diventa rapidamente un problema economico, architetturale e operativo.
Quella che fino a pochi mesi fa sembrava una normale competizione tra due giganti della Silicon Valley si sta trasformando in uno scontro che potrebbe ridefinire il futuro dell’hardware basato sull’intelligenza artificiale. Apple ha avviato un’azione legale contro OpenAI sostenendo che l’azienda guidata da Sam Altman avrebbe costruito il proprio programma per un nuovo dispositivo AI sfruttando informazioni riservate sottratte all’interno di Cupertino. La vicenda assume un sapore quasi cinematografico perché non riguarda soltanto brevetti o proprietà intellettuale, ma anche ex dipendenti, presunte intrusioni informatiche e accuse di elusione dei sistemi di sicurezza aziendali.
Descriviamo grandi modelli linguistici come sofisticati sistemi di completamento del testo, straordinariamente capaci di prevedere la parola successiva ma sostanzialmente privi di una reale percezione del contesto generato dalle proprie azioni. Un nuovo studio pubblicato su arXiv da Asvin G., dell’Institute for Advanced Study di Princeton, e Jack Lindsey di Anthropic mette però in discussione questa interpretazione, proponendo una tesi destinata ad alimentare il dibattito scientifico: dopo il processo di post training, i moderni LLM sembrano sviluppare la capacità di distinguere i testi prodotti autonomamente da quelli generati da altri modelli, modificando di conseguenza il proprio comportamento.
Nel 2015, quando l’intelligenza artificiale generativa era ancora una curiosità da laboratorio e la Silicon Valley parlava più di smartphone che di modelli linguistici, una piccola comunità irlandese anticipava una battaglia destinata a diventare globale. Athenry, una tranquilla cittadina nella contea di Galway, sembrava il luogo ideale per il nuovo data center europeo di Apple: un investimento da circa un miliardo di dollari destinato a sostenere servizi come iCloud, iTunes, iMessage e Siri. Il progetto prometteva posti di lavoro, energia rinnovabile al 100%, percorsi naturalistici, spazi educativi all’aperto e persino un programma per ripiantare alberi autoctoni. La classica narrativa tecnologica: innovazione, sostenibilità e sviluppo locale racchiusi in una brochure patinata.
Inviting hard questions
La corsa all’intelligenza artificiale sta entrando in una fase diversa. Dopo anni dominati da benchmark, miliardi di parametri e annunci trionfali degni della tradizione più ottimista della Silicon Valley, alcune aziende iniziano a confrontarsi con una domanda più difficile: non quanto sarà potente l’AI, ma quale società emergerà quando questa potenza sarà distribuita su larga scala. Anthropic ha deciso di affrontare il tema aprendo un canale di dialogo pubblico sui rischi e sulle opportunità dell’intelligenza artificiale avanzata, chiedendo direttamente alle persone quali siano le loro paure, aspettative e interrogativi più profondi.
Mentre il mercato dell’intelligenza artificiale continua a misurare il progresso quasi esclusivamente attraverso classifiche di benchmark, modelli sempre più grandi e GPU sempre più costose, un gruppo di ricercatori di Microsoft Research e della Peking University ha pubblicato un lavoro destinato probabilmente a produrre effetti economici ben più profondi di molti annunci mediatici. Il nuovo BitNet Text Embeddings non introduce un modello di frontiera capace di stupire con capacità emergenti o ragionamenti sofisticati; interviene invece su uno dei componenti meno appariscenti, ma più costosi, di qualsiasi infrastruttura AI moderna: la generazione degli embedding e l’intera pipeline di retrieval semantico.
La nomina di Asha Sharma nella nuova task force della Federal Reserve dedicata a produttività e occupazione segna un passaggio simbolicamente potente: una dirigente chiamata a ridisegnare il futuro di Xbox entra nel gruppo di esperti incaricato di capire come l’intelligenza artificiale e le tecnologie emergenti cambieranno il lavoro, la produttività e gli equilibri macroeconomici degli Stati Uniti. È una coincidenza quasi narrativa, ma anche profondamente rappresentativa del momento storico: la stessa tecnologia che promette di aumentare la capacità produttiva delle imprese sta contemporaneamente modificando strutture organizzative, competenze richieste e modelli occupazionali.
La corsa verso gli agenti di intelligenza artificiale capaci di lavorare in autonomia sta entrando nella fase meno spettacolare ma più decisiva: quella dell’infrastruttura di sicurezza. Dopo mesi passati a celebrare modelli sempre più grandi, miliardi di parametri e benchmark da laboratorio, il problema reale per le aziende diventa molto più concreto: come permettere a un agente AI di scrivere codice, eseguirlo, navigare sul web e manipolare dati senza consegnargli le chiavi del proprio patrimonio digitale. Google sta cercando di rispondere a questa domanda con Cloud Run sandboxes, un’estensione attualmente in anteprima che introduce ambienti di esecuzione isolati, temporanei e creati quasi istantaneamente all’interno dell’infrastruttura serverless di Cloud Run.
Hallusquatting, il nuovo attacco che trasforma le allucinazioni dell’AI in una porta d’ingresso per gli hacker
L’intelligenza artificiale generativa sta entrando nella fase più delicata della sua evoluzione: quella in cui smette di essere un semplice strumento di risposta e diventa un agente operativo capace di navigare, scrivere codice, installare componenti software, accedere a documenti e prendere decisioni con un certo grado di autonomia. Proprio questa trasformazione, celebrata dalla Silicon Valley come il passaggio dagli assistenti digitali agli “AI agent”, sta aprendo una nuova superficie di attacco informatico che fino a pochi mesi fa apparteneva più alla fantascienza che alla cybersecurity. Una ricerca condotta da studiosi della Tel Aviv University, del Technion e di Intuit ha introdotto il concetto di “Adversarial HalluSquatting”, una tecnica che sfrutta le allucinazioni dei modelli linguistici per trasformarle in un potenziale vettore di compromissione.
OpenAI ha reso pubblico GPT-5.6 Sol, il nuovo modello di punta della società, inaugurando una fase diversa nella competizione globale dell’intelligenza artificiale generativa. Dopo una fase preliminare riservata a circa venti partner selezionati, secondo le informazioni diffuse dalla società, il modello arriva al grande pubblico insieme a due versioni complementari, Terra e Luna, segnando un cambiamento significativo nella strategia di prodotto di OpenAI. Per la prima volta l’azienda abbandona la semplice progressione numerica come unica identità dei modelli e introduce una famiglia con nomi distintivi, dove ogni componente può evolvere secondo tempi e strategie autonome.
Meta ha scelto un momento simbolico per cambiare strategia nell’intelligenza artificiale generativa: il lancio di Muse Spark 1.1 non rappresenta soltanto l’arrivo di un nuovo modello linguistico, ma il passaggio da una filosofia di apertura quasi ideologica a un modello commerciale più vicino ai grandi operatori cloud. Per anni Meta ha utilizzato Llama come arma geopolitica contro OpenAI e Anthropic, distribuendo modelli potenti con una licenza aperta sufficiente a creare un ecosistema globale di sviluppatori, startup e ricercatori. Ora la società guidata da Mark Zuckerberg sembra aver deciso che l’era della pura generosità tecnologica è terminata: anche l’intelligenza artificiale, come ogni infrastruttura strategica, deve produrre ricavi.
ChatGPT work cambia le regole: OpenAI smette di vendere chatbot e inizia a vendere colleghi digitali
Per mesi l’attenzione era concentrata su GPT-5.6. Il modello era certamente importante, ma OpenAI ha scelto di trasformare il suo lancio in qualcosa di molto più ambizioso: l’introduzione di ChatGPT Work, un agente operativo progettato per lavorare autonomamente per ore, attraversando applicazioni, documenti, repository di codice e servizi cloud fino a consegnare un risultato completo. Non si tratta di un semplice aggiornamento del modello linguistico, bensì di un cambiamento architetturale che ridefinisce il ruolo dell’intelligenza artificiale nel lavoro della conoscenza.
Introducing a way to reflect on how you use Claude
La moda dello “year in review” nata con Spotify Wrapped ha ormai superato il confine dell’intrattenimento digitale ed è diventata un nuovo paradigma per raccontare il rapporto tra persone e piattaforme. Dopo musica, video, mobilità e acquisti, il fenomeno arriva nel territorio più delicato e strategico della tecnologia contemporanea: l’intelligenza artificiale personale. Anthropic ha introdotto “Reflect”, una nuova funzione del chatbot Claude progettata per analizzare il modo in cui gli utenti interagiscono con il modello, trasformando milioni di conversazioni in una sorta di specchio cognitivo digitale.
La ricerca italiana sull’intelligenza artificiale conquista un nuovo spazio nel dibattito internazionale con ReTraceQA, il progetto presentato dal gruppo Sapienza NLP dell’Università La Sapienza di Roma durante ACL 2026 a San Diego, uno degli appuntamenti più importanti al mondo per la comunità scientifica impegnata nell’elaborazione del linguaggio naturale. Il lavoro, guidato da Roberto Navigli insieme a Luca Moroni, Francesco Maria Molfese, Ciro Porcaro e Simone Conia, affronta una delle questioni più delicate dell’attuale stagione dell’AI generativa: quanto possiamo realmente fidarci di un modello che fornisce la risposta corretta se il percorso logico che lo ha portato alla soluzione è sbagliato?
Meta prova a risolvere il problema più delicato della nuova era degli indossabili intelligenti: convincere il mondo che una telecamera sul volto non rappresenta automaticamente una minaccia. Il 7 luglio 2026 l’azienda ha pubblicato un documento di chiarimento sui suoi AI Glasses, rispondendo alle domande più frequenti su privacy, registrazione, gestione dei dati e meccanismi di sicurezza. Dietro il linguaggio rassicurante di Meta emerge però una questione molto più profonda: quando una tecnologia diventa parte del corpo umano, il confine tra comodità digitale e controllo sociale diventa estremamente sottile.
OpenAI sta spostando il confine dell’interazione uomo macchina con il lancio di GPT-Live-1, il nuovo modello vocale destinato a cambiare radicalmente il modo in cui gli utenti dialogano con ChatGPT. La promessa non è soltanto una voce più naturale o una latenza inferiore, ma un cambio di paradigma: passare dal concetto di assistente che risponde a comando a quello di interlocutore digitale capace di ascoltare, interpretare il contesto e partecipare a una conversazione continua. La differenza sembra sottile, ma nel mondo dell’intelligenza artificiale conversazionale rappresenta una delle frontiere più strategiche, perché il vero valore non è generare parole, ma costruire una relazione cognitiva fluida.
La nuova battaglia dell’intelligenza artificiale non si combatte più soltanto sul terreno del modello più intelligente, ma su quello molto più concreto dell’economia industriale dell’AI. Con il lancio di Grok 4.5, la divisione di intelligenza artificiale collegata a Elon Musk entra in una fase diversa della competizione globale: non promette di avere il cervello artificiale più brillante della stanza, ma quello che consuma meno energia finanziaria per produrre risultati abbastanza buoni. In altre parole, la Silicon Valley sembra finalmente ricordarsi che anche i modelli linguistici, prima o poi, devono passare dalla poesia dei benchmark alla contabilità dei CFO.
Per anni Elon Musk ha sostenuto che l’intelligenza artificiale sarebbe diventata la tecnologia più importante del XXI secolo. Oggi quella visione entra in una fase diversa: non più soltanto modelli da mostrare sui social o chatbot destinati al grande pubblico, ma strumenti progettati per entrare nelle aziende e competere in uno dei mercati più redditizi dell’economia digitale. Il lancio di Grok 4.5 e del Voice Agent Builder segnala che la divisione AI di SpaceX vuole trasformarsi in un fornitore di piattaforme enterprise, puntando su programmazione, automazione dei processi e assistenti vocali per il servizio clienti.
La rimozione da parte di Anthropic di un sistema nascosto di identificazione integrato in Claude Code non è soltanto un incidente tecnico, ma un episodio che illumina una delle tensioni più delicate della nuova fase dell’intelligenza artificiale: la distanza crescente tra sicurezza dei modelli, controllo degli abusi e diritto degli sviluppatori alla trasparenza. La vicenda nasce quando un ricercatore indipendente, noto online come “Thereallo”, scopre che Claude Code, l’assistente AI per programmatori sviluppato da Anthropic, utilizzava marcatori invisibili all’interno dei prompt di sistema per raccogliere segnali relativi a posizione geografica, utilizzo di proxy e possibili collegamenti con laboratori AI cinesi.
Meta ha compiuto un altro passo nella corsa all’intelligenza artificiale generativa presentando Muse Image, il primo modello dedicato alla generazione di immagini sviluppato all’interno dei nuovi Meta Superintelligence Labs, la divisione creata da Mark Zuckerberg con un obiettivo che fino a pochi anni fa sembrava appartenere più alla fantascienza che ai piani industriali: costruire sistemi capaci di avvicinarsi alla superintelligenza artificiale.
La sovranità digitale europea è diventata una delle grandi promesse strategiche del decennio, ma dietro gli annunci istituzionali, i piani industriali e le dichiarazioni sulla resilienza tecnologica emerge una contraddizione difficile da ignorare: l’Europa vuole essere autonoma nell’intelligenza artificiale, nel cloud e nelle infrastrutture digitali, ma gran parte del proprio ecosistema tecnologico continua a poggiare su piattaforme, chip, modelli e servizi sviluppati fuori dai propri confini. La discussione sulla sovranità digitale rischia così di trasformarsi in una sofisticata esercitazione politica nella quale si regolamenta ciò che non si possiede.
La decisione di Gwynne Shotwell, presidente e figura centrale di SpaceX, di destinare una parte delle proprie azioni della società al programma Trump Accounts apre un capitolo interessante nel rapporto tra tecnologia, filantropia privata e politica economica americana. Non si tratta soltanto di una donazione personale, ma di un segnale più ampio: una parte della nuova élite tecnologica statunitense sta iniziando a considerare il capitale finanziario accumulato attraverso le aziende dell’innovazione come uno strumento diretto per intervenire sulle disuguaglianze economiche.
Oracle ha appena spostato un confine che fino a poco tempo fa sembrava appartenere esclusivamente alla dimensione umana: il coaching della leadership. Con Oracle Manager Edge, integrato in Oracle Fusion Cloud Human Capital Management, l’intelligenza artificiale entra nel territorio più delicato delle organizzazioni, quello dove emozioni, conflitti, ambizioni e fragilità individuali si trasformano in decisioni manageriali. La domanda non è più se l’AI potrà assistere i leader, ma quanto spazio resterà ai coach umani quando un algoritmo sarà in grado di suggerire cosa dire, quando dirlo e con quale approccio.
La partita dell’intelligenza artificiale americana sta entrando in una fase meno spettacolare ma molto più concreta. Mentre il dibattito pubblico continua a concentrarsi sui modelli linguistici, sui benchmark e sulle rivalità tra aziende come Anthropic, OpenAI e Google DeepMind, il vero confronto strategico si sta spostando verso infrastrutture, energia, capacità computazionale e rapporto con lo Stato. Le parole pronunciate dal presidente statunitense Donald Trump sull’ipotesi di un “contributo” delle grandi aziende AI al Paese mostrano una trasformazione significativa: Washington non considera più l’intelligenza artificiale soltanto una tecnologia privata, ma una risorsa nazionale paragonabile ai semiconduttori, allo spazio o alla difesa.
L’idea del dataset “pulito” come perimetro di sicurezza nell’intelligenza artificiale sta iniziando a mostrare crepe strutturali che non possono più essere liquidate come casi marginali. L’assunto, molto diffuso tra i team di AI safety, è che la manipolazione dei modelli possa essere prevenuta intervenendo a monte, filtrando contenuti tossici, rimuovendo trigger espliciti e normalizzando le distribuzioni semantiche prima del fine-tuning. Tuttavia, una nuova linea di ricerca attribuita a LASR Labs e a Google DeepMind mette in discussione proprio questa architettura mentale, introducendo una classe di attacco di data poisoning denominata Phantom Transfer, che non agisce sulla superficie del linguaggio ma sulla sua statistica latente, rendendo inefficaci anche sistemi di validazione avanzati basati su LLM giudici e rewriting aggressivo del dataset.
L’idea che basti leggere un dataset per verificarne la sicurezza rischia di diventare rapidamente obsoleta. Un nuovo lavoro di ricercatori della University of California, Berkeley, del Massachusetts Institute of Technology e della New York University propone infatti un meccanismo che mette in discussione uno dei presupposti fondamentali della governance dell’intelligenza artificiale: il comportamento di un modello può essere alterato profondamente senza inserire alcuna istruzione esplicita nel dataset. La ricerca, intitolata Subliminal Learning: A General Mechanism via Logit Linearity, introduce il concetto di Logit-Linear Selection (LLS), mostrando come sia possibile trasferire caratteristiche comportamentali invisibili attraverso una semplice selezione statistica degli esempi di addestramento.
Per qualche giorno la cronaca dell’intelligenza artificiale ha assunto i toni tipici della finanza durante una crisi bancaria. Su X, Reddit e nei forum degli sviluppatori il verdetto è stato quasi unanime: Claude Fable 5 era stato “lobotomizzato”, “nerfato”, reso inutilizzabile. Il modello, tornato online il primo luglio dopo la sospensione imposta da Anthropic, sembrava improvvisamente incapace di svolgere attività che fino a pochi giorni prima completava senza particolari difficoltà. La reazione è stata tanto prevedibile quanto interessante: quando un modello AI cambia comportamento, gli utenti parlano immediatamente di decadimento dell’intelligenza, mentre quasi nessuno guarda ciò che succede prima che il prompt raggiunga il modello.
L’industria dei semiconduttori potrebbe trovarsi davanti a una delle evoluzioni più interessanti degli ultimi anni. Huawei ha infatti diffuso nuovi dati tecnici sul processore Kirin 2026, destinato ad alimentare la prossima generazione di smartphone Mate prevista per l’autunno, mostrando un incremento del 55% nella densità dei transistor rispetto al Kirin 9030 Pro pur utilizzando lo stesso nodo produttivo. In altre parole, il miglioramento non deriva da una litografia più avanzata o da transistor più piccoli, ma da una diversa organizzazione dell’architettura interna del chip.
La circolazione di accuse e contro-accuse tra ecosistemi tecnologici statunitensi e cinesi ha assunto una forma sempre più ibrida, dove il confine tra sicurezza informatica, protezionismo industriale e propaganda tecnica diventa difficile da distinguere. In questo contesto si inserisce la vicenda che coinvolge Anthropic, Alibaba Group e lo strumento Claude Code, al centro di segnalazioni emerse su piattaforme come Reddit e rapidamente trasformatesi in un caso simbolico della crescente fragilità della fiducia nella supply chain del software AI. La narrazione che si sta consolidando non è tanto quella di un singolo bug o di una funzione nascosta, quanto quella di una infrastruttura globale che inizia a comportarsi come un sistema nervoso geopolitico, dove ogni riga di codice può essere letta come un atto politico.
La nuova campagna di Google costruita attorno a Google Workspace arriva in un momento in cui la comunicazione delle big tech ha smesso da tempo di essere semplice marketing e si è trasformata in una forma di semiologia geopolitica travestita da intrattenimento. L’idea di riportare il 1776 dentro un ecosistema digitale, con Thomas Jefferson, Benjamin Franklin e il resto della narrativa fondativa americana immersi in documenti condivisi, meeting su Google Meet e suggerimenti di scrittura automatica, è una scelta che apparentemente gioca sulla leggerezza, ma che in realtà rivela un’ossessione più profonda: normalizzare l’intelligenza artificiale come infrastruttura invisibile della collaborazione umana, anche quando la collaborazione riguarda la nascita simbolica di uno Stato.
L’attenzione dell’industria dell’intelligenza artificiale si è concentrata per oltre due anni sulla corsa ai modelli sempre più grandi. Più parametri, più GPU, più dati e, inevitabilmente, più costi. Nel frattempo, una parte molto meno appariscente dell’ecosistema AI sta evolvendo con una velocità sorprendente: l’AI harness, cioè l’infrastruttura software che collega un Large Language Model agli strumenti, alla memoria, ai meccanismi di controllo, alle policy operative e ai sistemi di verifica. È proprio qui che si sta spostando il vero vantaggio competitivo. Un modello eccellente inserito in un harness mediocre produce agenti fragili; un modello relativamente piccolo inserito in un’architettura intelligente può invece raggiungere prestazioni inattese, con costi di inferenza drasticamente inferiori.
La pubblicazione di nuovi documenti giudiziari riporta al centro del dibattito globale la relazione sempre più tesa tra sviluppo dell’intelligenza artificiale e apparati di difesa statali, con particolare riferimento ai contatti tra Anthropic e il United States Department of Defense. Le comunicazioni interne, emerse nel contesto di una disputa ad alta densità politica e tecnologica, descrivono mesi di confronto tra il CEO Dario Amodei e il sottosegretario alla ricerca e ingegneria del Pentagono Emil Michael, con al centro un nodo ormai strutturale: come governare sistemi di AI avanzati quando la velocità di adozione militare supera la capacità normativa di contenerne gli effetti.
La sicurezza informatica sta entrando in una fase in cui le categorie tradizionali di attacco, costruite attorno a payload, exploit e manipolazioni semantiche esplicite, iniziano a perdere aderenza rispetto alla realtà dei sistemi basati su modelli linguistici distribuiti. La cosiddetta emergente dinamica del “Thought Virus” nei sistemi multi-agente introduce un paradosso operativo che le architetture di difesa attuali non erano progettate per gestire, poiché non si manifesta come un contenuto malevolo riconoscibile, ma come una perturbazione comportamentale latente che attraversa le interazioni tra agenti senza lasciare tracce semantiche evidenti. In termini pratici, ciò significa che la superficie d’attacco non è più il messaggio, ma la trasformazione statistica del comportamento collettivo del sistema.