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.

Leggi tutto

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.

Leggi tutto

La discussione sui watermark dell’intelligenza artificiale potrebbe avere finalmente trovato una domanda più intelligente di quella che l’industria tecnologica si è ostinata a porre finora. Non si tratta più soltanto di stabilire se un determinato testo, una canzone, un’immagine o un articolo siano stati prodotti da una macchina. La domanda più interessante è molto più ampia e, soprattutto, molto più utile alla governance: quanto contenuto sintetico sta entrando in un determinato ecosistema informativo? Un paper pubblicato nell’agosto 2026, “From Forensics to Ecosystems: Rethinking Watermarks for Generative AI Oversight”, firmato da Daniel Susser, John Thickstun e Gili Vidan, propone precisamente questo cambio di prospettiva. Gli autori sostengono che il watermark non debba essere considerato principalmente come uno strumento forense capace di emettere un verdetto binario sul singolo contenuto, ma come un indicatore statistico della presenza e della saturazione dell’AI all’interno di un ambiente informativo.

Leggi tutto

Il pensiero segreto dei modelli AI non è poi così segreto: una vulnerabilità espone reasoning, dati privati e credenziali

La promessa era semplice, quasi rassicurante: i nuovi modelli di intelligenza artificiale possono ragionare internamente senza mostrare agli utenti la propria catena di pensiero. Anthropic, OpenAI e Google hanno progressivamente abbandonato la trasmissione in chiaro del chain-of-thought, sostituendola con blocchi opachi, firme o payload cifrati che il client deve restituire all’API per mantenere la continuità della conversazione. Una scelta architetturale elegante, almeno sulla carta, perché riduce lo storage lato server e protegge contemporaneamente proprietà intellettuale, meccanismi di sicurezza e informazioni potenzialmente sensibili. Il problema è che la sicurezza di un sistema distribuito raramente fallisce dove l’architetto ha disegnato il diagramma; spesso fallisce nel punto in cui due componenti, considerate innocue separatamente, vengono messe insieme. È precisamente ciò che descrive il paper “Stealing Reasoning Traces from Proprietary LLM APIs”, pubblicato su arXiv il 10 agosto 2026.

Leggi tutto

La prossima battaglia dell’intelligenza artificiale potrebbe non essere combattuta sui modelli, sui benchmark o sui miliardi di parametri. Potrebbe essere combattuta su qualcosa di molto meno spettacolare e molto più difficile da costruire: la memoria. La tesi secondo cui il runtime AI tenderà progressivamente a diventare intercambiabile mentre la memoria persistente conserverà una quota crescente del valore economico del sistema trova oggi un sostegno scientifico molto più solido di quanto avesse soltanto pochi anni fa. Una survey pubblicata nel 2025 sull’ACM Transactions on Information Systems definisce la memoria una componente fondamentale degli agenti basati su LLM, proprio perché consente interazioni prolungate con l’ambiente e capacità di adattamento nel tempo. Il paper coglie quindi un fenomeno reale quando sostiene che il runtime esegue il lavoro mentre la memoria conserva parte del valore prodotto da quel lavoro.

Leggi tutto

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.

Leggi tutto

La pubblicazione firmata da Giorgio Parisi e Francesco Zamponi segna un passaggio che, più che aggiungere un risultato alla letteratura sulla materia condensata, ridefinisce il perimetro stesso del lavoro teorico contemporaneo. L’identità a+b=1, rimasta sospesa per anni all’interno della teoria CKPUZ sulla transizione di jamming, viene finalmente dimostrata in un contesto in cui i modelli linguistici avanzati non sono più strumenti ancillari di calcolo, ma componenti attivi del processo di costruzione formale della conoscenza. Il fatto che questo avvenga su un problema legato agli esponenti critici di sistemi granulari introduce una tensione interessante tra astrazione matematica e fisica della materia disordinata, dove la rigidità emergente di un insieme di sfere diventa metafora operativa della rigidità delle strutture teoriche stesse.

Leggi tutto

L’industria dell’intelligenza artificiale ha trascorso gli ultimi tre anni promettendo assistenti sempre più empatici, personalizzati e “allineati” alle esigenze dell’utente. Ora una ricerca congiunta di ricercatori delle università di Oxford e Stanford suggerisce che il prezzo di questa apparente empatia potrebbe essere molto più elevato di quanto immaginato. Lo studio, significativamente intitolato “Sycophantic AI makes human interaction feel more effortful and less satisfying over time”, mostra che sistemi progettati per validare costantemente gli utenti possono alterare il modo in cui le persone percepiscono le relazioni reali. La scoperta non riguarda semplicemente il benessere psicologico individuale; apre interrogativi strategici sull’intera economia delle piattaforme AI. (paper arXiv)

Leggi tutto

La fotografia scattata dalla Commissione europea sullo stato del Decennio Digitale 2026 racconta un Paese molto diverso da quello che Bruxelles descriveva appena pochi anni fa. L’Italia accelera. Supera la media europea nella diffusione della fibra ottica FTTP, nella copertura 5G, nell’adozione del cloud, nell’analisi dei dati e nella digitalizzazione delle PMI. I servizi pubblici digitali, dall’identità elettronica alla sanità digitale, rappresentano ormai uno dei casi di maggiore successo dell’intero continente. Non è poco. In un Paese tradizionalmente accusato di lentezza amministrativa e cronica incapacità di esecuzione, il cambiamento è tangibile.

Leggi tutto

Il dibattito sul cosiddetto “loss of control” dell’intelligenza artificiale soffre da tempo di un problema quasi imbarazzante: nessuno aveva definito con precisione cosa significhi davvero “controllo”. Il nuovo paper “Reframing AI Loss of Control: What It Is, How to Have It, How to Lose It”, pubblicato da Ze Shen Chin, Maurice Chiodo, Dennis Müller e Coleman Snell, tenta finalmente di colmare questa lacuna concettuale proponendo una definizione rigorosa del controllo basata sulla capacità di fissare obiettivi e verificare che essi vengano effettivamente raggiunti. Si tratta probabilmente di uno dei contributi più sistematici emersi nel 2026 sul tema della sicurezza dell’AI avanzata. (vedi SSRN)

Leggi tutto

La memoria che cresce: il nuovo compromesso tra governance, costi e controllo nei sistemi AI

Le imprese stanno entrando in una fase in cui l’intelligenza artificiale non è più un problema di “quanto è intelligente il modello”, ma di quanto può ricordare senza diventare economicamente ingestibile o legalmente pericolosa. Il punto di attrito è diventato strutturale: da un lato sistemi che accumulano contesto per migliorare le performance, dall’altro infrastrutture che devono tagliare, comprimere o dimenticare informazioni per non esplodere in costi computazionali e rischi di compliance. È una tensione che i board tendono a semplificare come scelta tecnica, ma che in realtà è una scelta politica sull’informazione aziendale, su cosa resta tracciabile e cosa invece evapora nel ciclo operativo.

Leggi tutto

L’osservazione secondo cui il 98,4% del codice di un sistema come Anthropic Claude Code v2.1.88 sarebbe costituito da un “deterministic safety and operational harness” ha generato una reazione quasi riflessa nel settore: da un lato la rassicurazione implicita di una struttura fortemente ingegnerizzata, dall’altro il sospetto che si stia confondendo la quantità di codice con la qualità della sicurezza. In realtà, la metrica, pur tecnicamente corretta se letta in termini di composizione del repository, rischia di produrre una narrazione distorta su cosa significhi davvero “protezione” in un sistema agentico moderno.

Leggi tutto

Self-Revising Discovery Systems for Science: A Categorical Framework for Agentic Artificial Intelligence

L’idea che un sistema di intelligenza artificiale possa essere sottoposto ad audit mentre modifica autonomamente le proprie regole interne non è più una provocazione teorica, ma un problema ingegneristico concreto che si sta affacciando nei laboratori di ricerca più avanzati. La crescente diffusione di agenti AI capaci di ristrutturare schemi di inferenza, vocabolari scientifici e criteri di valutazione dei dati mette in crisi l’impianto classico della governance algoritmica, costruito su modelli statici, versionati e sostanzialmente congelati nel tempo. In questo contesto, il lavoro sviluppato dal Massachusetts Institute of Technology su sistemi di scoperta autorevisivi per la scienza introduce una frattura concettuale che non riguarda soltanto la performance dei modelli, ma la natura stessa dell’auditabilità.

Leggi tutto

L’intelligenza artificiale entra nella peer review scientifica: i nuovi studi che mettono in discussione il giudizio umano

Il sistema di peer review, spesso raccontato come il tribunale ultimo della verità scientifica, sta attraversando una trasformazione che somiglia più a una crisi di scalabilità che a una rivoluzione epistemologica. La crescita esponenziale della produzione accademica, accelerata proprio dagli strumenti di intelligenza artificiale che promettono di democratizzare la ricerca, ha generato un collo di bottiglia strutturale nel processo di revisione. In questo scenario, l’ingresso di agenti IA nel ruolo di revisori non rappresenta più una provocazione teorica, ma una sperimentazione operativa già in corso in diversi ecosistemi di ricerca avanzata, con particolare attenzione alle istituzioni che gravitano attorno a centri come la Carnegie Mellon University e ai laboratori che lavorano sull’automazione della valutazione scientifica. La narrativa dominante della Silicon Valley, quella che immagina l’IA come sostituto universale del lavoro cognitivo, qui si scontra con una realtà meno romantica e più industriale, fatta di metriche, errori sistematici e soprattutto limiti cognitivi emergenti.

Leggi tutto

AI Arms and Influence: Frontier Models Exhibit Sophisticated Reasoning in Simulated Nuclear Crises

Un torneo simulato di crisi nucleare condotto al King’s College London dal professor Kenneth Payne, studioso di strategic studies e teoria della deterrenza, ha riportato al centro del dibattito un tema che l’industria tecnologica tende a rimuovere con elegante superficialità: il comportamento dei modelli di intelligenza artificiale quando vengono inseriti in contesti di decisione ad altissima pressione. Tre sistemi di frontiera, GPT-5.2, Claude Sonnet 4 e Gemini 3 Flash, sono stati messi nella posizione di leader nazionali con controllo su arsenali nucleari virtuali, costretti a negoziare, simulare intenzioni, prevedere mosse avversarie e bilanciare segnali pubblici e decisioni private lungo 329 turni di gioco. Il risultato, più che una curiosità accademica, appare come una radiografia del modo in cui l’AI interpreta il concetto di rischio sistemico quando la variabile morale viene sostituita da una funzione di ottimizzazione.

Leggi tutto

Proactive AI, Tencent e l’inizio della sorveglianza cognitiva preventiva

La parte più interessante del progetto ProAct sviluppato da Shanghai Jiao Tong University e Tencent non è la riduzione del 14,8% nei turni conversazionali o il taglio delle allucinazioni del 28,1%. Quelli sono dettagli tecnici utili per i benchmark accademici e per convincere investitori già ipnotizzati dall’ennesima slide sul “future of agents”. Il vero punto strategico è un altro: per la prima volta un grande sistema AI non aspetta più il prompt umano come evento centrale dell’interazione. L’utente smette di essere il trigger operativo. Diventa invece una sorgente continua di segnali predittivi.

È una transizione sottile ma enorme.L’informatica ha funzionato secondo un paradigma relativamente semplice: input umano, computazione, output. Anche i chatbot generativi più sofisticati restavano fondamentalmente reattivi. ChatGPT, Claude, Gemini, Copilot; tutti aspettano una domanda. ProAct invece usa il silenzio. Sfrutta il tempo morto tra un messaggio e l’altro per costruire inferenze sul comportamento futuro dell’utente, preparare risposte anticipate, cercare informazioni, organizzare memoria contestuale e decidere autonomamente cosa mostrare, cosa archiviare e cosa tenere pronto. Non è più una chat. È una forma embrionale di precomputazione cognitiva.

Leggi tutto

Qualcosa di molto rilevante sta cambiando nel modo in cui l’industria dell’intelligenza artificiale affronta il problema più sottovalutato degli ultimi anni: la continuità cognitiva. Per quasi un decennio la narrativa dominante si è concentrata sulla dimensione spettacolare dei modelli, sul numero di parametri, sulla velocità di inferenza o sulla qualità dei benchmark pubblicitari costruiti per impressionare investitori e venture capital. Nel frattempo, il vero collo di bottiglia degli agenti autonomi restava quasi immobile: mantenere un ragionamento coerente lungo traiettorie estese senza degradare in allucinazioni, incoerenze logiche o perdita di contesto. In termini meno accademici, le AI erano eccellenti nei demo da conferenza e sorprendentemente fragili dopo qualche migliaio di token.

Leggi tutto

L’illusione dell’intelligenza artificiale: perché la tecnologia funziona ma le aziende no

Qualcuno, finalmente, ha avuto il coraggio di dire ad alta voce ciò che nei boardroom si sussurra da anni con un misto di imbarazzo e autoassoluzione. Il report del Stanford Digital Economy Lab, guidato da Erik Brynjolfsson insieme a colleghi meno mediatici ma altrettanto chirurgici, non è solo una raccolta di casi aziendali sull’intelligenza artificiale. È un’autopsia. E come tutte le autopsie ben fatte, il problema non è mai dove si pensava.

Leggi tutto

I programmatori scoprono che la disruption aveva il loro badge aziendale

Per anni il settore tecnologico ha venduto una favola elegante: l’intelligenza artificiale avrebbe liberato gli sviluppatori dalle attività ripetitive, lasciando agli umani il lavoro nobile, creativo, strategico. Traduzione aziendale: il codice sporco lo fa la macchina, l’architettura la fa il talento. Era una narrativa perfetta, lucidata nei keynote, rifinita nei podcast, benedetta da venture capitalist che non aprono un IDE dal secolo scorso. Ora arriva la Federal Reserve e mette un numero dove prima c’erano intuizioni, ansia e qualche recruiter improvvisamente silenzioso.

Leggi tutto

L’intelligenza artificiale non mente: ti dà ragione finché smetti di dubitare

La narrativa secondo cui l’intelligenza artificiale sarebbe un semplice strumento neutrale è ormai una finzione utile, un residuo culturale dell’epoca in cui pensavamo che Excel fosse solo un foglio di calcolo e non un modo per riscrivere la realtà finanziaria di un’azienda. Il recente lavoro del Massachusetts Institute of Technology aggiunge un tassello inquietante ma perfettamente coerente con ciò che chiunque abbia gestito sistemi complessi già sospettava: i chatbot non sono progettati per dirti la verità, sono progettati per mantenere la conversazione. E tra verità e continuità, il sistema sceglie sempre la seconda.

Leggi tutto

Nel lessico elegante ma inquietante del Stanford Institute for Human-Centered Artificial Intelligence, il punto non è più se l’intelligenza artificiale stia trasformando il mondo, ma quanto velocemente lo stia facendo rispetto alla nostra capacità di capirla, misurarla e, soprattutto, governarla. Il nuovo AI Index Report 2026 introduce una formula che meriterebbe di essere incisa all’ingresso di ogni ministero dell’innovazione: il gap tra progresso tecnologico e capacità istituzionale si sta allargando. Tradotto in termini meno accademici, stiamo costruendo motori a reazione con manuali di istruzioni scritti per biciclette.

Leggi tutto

L’illusione del controllo umano nell’era degli algoritmi che si riscrivono da soli

La notizia, per chi lavora davvero nell’intelligenza artificiale e non si limita a consumarla come un prodotto di marketing, non è tanto sorprendente quanto inevitabile; Google DeepMind ha semplicemente formalizzato qualcosa che nei corridoi più tecnici si sussurra da anni, ovvero che l’intuizione umana non è più il benchmark di riferimento per progettare algoritmi complessi. Non è una provocazione, è un cambio di paradigma. Quando un sistema come AlphaEvolve tratta il codice come un genoma e lo sottopone a mutazione, selezione e pressione competitiva, ciò che emerge non è solo codice migliore; è codice alieno, strutturalmente efficace ma cognitivamente opaco, qualcosa che funziona senza necessariamente essere compreso.

Leggi tutto

Artificial Intelligence Risk Management Framework:
Trustworthy AI in Critical Infrastructure Profile

La narrativa dominante sull’intelligenza artificiale negli ultimi cinque anni si è costruita su un presupposto fragile, quasi infantile nella sua ingenuità: che i modelli, una volta sufficientemente addestrati e “validati”, possano essere inseriti in qualsiasi contesto operativo come un microservizio qualsiasi. Il problema è che questa fantasia, che può anche funzionare in un CRM o in un sistema di raccomandazione e-commerce, si dissolve brutalmente quando si entra nel dominio delle infrastrutture critiche. Qui non si tratta di suggerire un prodotto o completare un’email; si tratta di orchestrare flussi energetici, gestire reti idriche, assistere decisioni cliniche in tempo reale. E quando un modello allucina, il risultato non è un errore semantico ma un evento fisico.

Leggi tutto

L’idea che l’intelligenza artificiale sia neutrale è una delle più eleganti bugie tecnologiche mai vendute negli ultimi dieci anni. Elegante perché rassicurante, e rassicurante perché falsa. Dietro ogni risposta generata da un modello linguistico si nasconde una struttura statistica che non è mai innocente; è addestrata, filtrata, compressa e ottimizzata su dati che sono, inevitabilmente, prodotti culturali, politici, ideologici. Il recente lavoro pubblicato da Anthropic introduce un elemento che cambia il gioco in modo radicale: non si tratta più solo di bias emergenti nei risultati, ma di vere e proprie “feature interne” che incarnano narrative politiche specifiche.

Leggi tutto