Categoria: News

  • Il Pentagono apre ChatGPT a oltre tre milioni di utenti “interni”

    Il Pentagono apre ChatGPT a oltre tre milioni di utenti “interni”

    ChatGPT arriva al Pentagono per una platea potenziale di oltre tre milioni di utenti nel personale. Ma la vera sfida non è adottare l’AI: è stabilire come governarla.

    ChatGPT entra ufficialmente in GenAI.mil, la piattaforma del Dipartimento della Difesa statunitense dedicata agli strumenti di intelligenza artificiale autorizzati per attività non classificate.

    La versione ChatGPT Mil, adattata all’ambiente della Difesa, sarà potenzialmente accessibile a oltre tre milioni di militari, dipendenti civili e altri membri del dipartimento e potrà trattare informazioni “controlled but unclassified”.

    Il sistema affiancherà Gemini di Google e sarà impiegato soprattutto per pianificazione, policy, logistica, amministrazione e produzione documentale, secondo una strategia che punta a scegliere modelli diversi in base al compito.

    L’adozione su questa scala apre però una questione più profonda: con l’evoluzione dei chatbot verso agenti capaci di eseguire sequenze di azioni, il Pentagono dovrà definire obiettivi, limiti, accesso ai dati e responsabilità.

    La sfida passa quindi dall’incentivare l’uso dell’AI allo stabilire come governarla e chi debba rispondere delle sue azioni.


    Link alla fonte:
    https://www.linkiesta.it/2026/09/pentagono-usa-chatgpt-ia/⁠

  • ChatGPT “sotto DSA”: cosa cambia per OpenAI e perché l’IA conversazionale diventa infrastruttura critica

    ChatGPT “sotto DSA”: cosa cambia per OpenAI e perché l’IA conversazionale diventa infrastruttura critica

    ChatGPT entra nel regime DSA riservato ai maggiori motori di ricerca. Per OpenAI cambiano obblighi, controlli e gestione dei rischi su scala europea.

    Il 31 agosto 2026 la Commissione europea ha designato ufficialmente ChatGPT come Very Large Online Search Engine (VLOSE) ai sensi del Digital Services Act. È il primo servizio di intelligenza artificiale autonomo a entrare nel regime più stringente riservato alle grandi piattaforme e ai motori di ricerca. Altre due piattaforme, Reddit e Roblox, sono state designate lo stesso giorno come VLOP, ma il caso OpenAI è quello con le implicazioni più rilevanti per il settore.


    Le conseguenze concrete per OpenAI

    ChatGPT ha superato di gran lunga la soglia dei 45 milioni di utenti medi mensili nell’UE (circa 159 milioni per la funzione di ricerca). Da qui partono obblighi aggiuntivi che devono essere rispettati entro circa quattro mesi (gennaio 2027):

    – Valutazione e mitigazione dei rischi sistemici legati a contenuti illeciti, tutela dei minori, benessere degli utenti, diritti fondamentali, integrità dei processi elettorali e sicurezza pubblica.
    – Audit indipendenti periodici, maggiore trasparenza sugli algoritmi e sui sistemi di moderazione, procedure di reclamo più robuste e condivisione di dati con autorità e ricercatori accreditati.
    – Supervisione diretta della Commissione europea, in cooperazione con l’autorità irlandese.

    Le sanzioni per inadempienza possono arrivare fino al 6% del fatturato annuo globale. Per OpenAI questo significa costi di compliance significativi, possibile riorganizzazione di team e processi, e un livello di controllo esterno che finora non aveva sul prodotto. La designazione rafforza, inoltre, il potere investigativo della Commissione sulle funzionalità del servizio e sui sistemi collegati.

    Sul piano competitivo, il fatto di essere trattato come un motore di ricerca (e non solo come un modello generativo) può inoltre influenzare le strategie di prodotto: ogni nuova funzione di ricerca web o di interazione su larga scala dovrà essere valutata anche sotto il profilo dei rischi sistemici prima del deployment.



    Le difficoltà strutturali nel prevenire le infrazioni

    Qui emerge il punto più delicato. A differenza di una piattaforma tradizionale che ospita contenuti caricati dagli utenti, ChatGPT genera risposte in tempo reale. Questo rende particolarmente complesso prevenire in modo affidabile violazioni:

    – I modelli generativi possono produrre contenuti problematici anche senza intenzionalità, a causa di allucinazioni, prompt avversari o combinazioni imprevedibili di istruzioni.
    – La scala (centinaia di milioni di interazioni) rende impossibile un controllo umano completo su ogni output.
    – La distinzione tra “risultato di ricerca” e “contenuto generato” è spesso sfumata, e il confine tra informazione legittima e potenziale danno (soprattutto su temi sensibili come elezioni, salute o minori) può essere definito fluido.
    – Qualsiasi strategia di filtraggio o refusals troppo aggressiva rischia di compromettere l’utilità del prodotto e di aprire contestazioni sul diritto all’informazione.

    In pratica, OpenAI dovrà dimostrare non solo di avere policy e filtri, ma di aver messo in campo misure *efficaci* e proporzionate, sottoposte a verifica esterna. È un esercizio di risk management continuo, non una checklist una tantum.



    Altre piattaforme di IA finiranno nello stesso perimetro?

    È altamente probabile. Il criterio è quantitativo (soglia dei 45 milioni di utenti medi mensili nell’UE) e funzionale: se un servizio di IA conversazionale offre capacità di ricerca o di mediazione dell’informazione su larga scala, la Commissione può classificarlo come VLOSE o, in certi casi, come VLOP.

    Sistemi come Gemini, Claude, Perplexity o altri chatbot che integrano ricerca web e raggiungono volumi di utenti comparabili potranno essere valutati caso per caso. La Commissione ha già chiarito che l’approccio non è automatico, ma basato sulle caratteristiche concrete del servizio. Tuttavia, la tendenza è chiara: l’IA conversazionale di massa non viene più considerata solo un “modello”, ma un’infrastruttura digitale che influenza l’accesso all’informazione e i processi sociali. Chi supera la soglia e opera con funzionalità ibride di ricerca rischia di entrare nello stesso regime.

    Da quanto abbiamo appena discusso, è chiaro che la designazione di ChatGPT segna un passaggio di fase. Per OpenAI significa maggiori costi, più responsabilità e un quadro di accountability più stringente. Per il resto del settore è un segnale anticipatore: le piattaforme di IA che raggiungono scala europea e medi ano l’informazione non resteranno a lungo fuori dal perimetro di vigilanza più severo del DSA.

  • Gli “AI humanizer” riscrivono i testi delle macchine per farli sembrare umani

    Gli “AI humanizer” riscrivono i testi delle macchine per farli sembrare umani

    Se un testo generato dall’AI viene riscritto dall’AI per sembrare umano, ha ancora senso chiedersi chi l’ha scritto? Gli humanizer stanno mettendo alla prova detector e regole sulla trasparenza.

    Gli AI humanizer stanno diventando una categoria sempre più affollata di strumenti progettati per riscrivere testi generati dai modelli linguistici, introducendo variazioni sintattiche, lessicali e di ritmo tipiche della scrittura umana.

    Molti servizi puntano anche a ridurre la probabilità che i contenuti vengano identificati dagli AI detector, mentre piattaforme come GPTZero stanno integrando direttamente funzioni di riscrittura e “umanizzazione”.

    I benchmark citati valutano questi strumenti soprattutto in base alla capacità di eludere il rilevamento, preservare il significato originale e controllare il registro stilistico.

    Tra i servizi che emergono nei test figurano Rytr Pro, Walter Writes e Undetectable.ai.

    La diffusione degli humanizer complica però il dibattito sulla trasparenza dei contenuti generati dall’AI, soprattutto quando il testo nasce da una collaborazione tra essere umano e macchina.


    Link alla fonte:
    https://www.ilsole24ore.com/art/l-era-testi-umanizzati-cosi-l-ai-prova-nascondere-suo-stile-AJzD59r⁠

  • Quando l’IA salva i libri anziché distruggerli: due Nikon e una rete neurale digitalizzano 1.800 libri rari in urdu

    Quando l’IA salva i libri anziché distruggerli: due Nikon e una rete neurale digitalizzano 1.800 libri rari in urdu

    Due reflex, oltre 900.000 scatti e una rete neurale addestrata sulle correzioni degli archivisti: così 1.800 libri rari sono diventati un patrimonio digitale accessibile.

    Un gruppo indipendente di archivisti ha digitalizzato circa 1.800 libri rari, in gran parte in urdu, utilizzando due reflex Nikon D5300 e D3300 che hanno totalizzato oltre 902.000 scatti.

    La vera sfida è arrivata nella post-produzione: più di 526.000 fotografie a doppia pagina richiedevano ritaglio, separazione e correzione prospettica, mentre i metodi tradizionali basati su OpenCV non riuscivano a gestire in modo affidabile la varietà dei volumi.

    Gli archivisti hanno quindi trasformato le correzioni manuali già effettuate in dati di addestramento, permettendo a una rete neurale di apprendere direttamente il processo di elaborazione.

    L’automazione non è completa: per ogni nuovo volume sono ancora necessari circa dieci ritagli di calibrazione, anche perché la scelta dei margini incorpora valutazioni umane difficili da generalizzare.

    Il progetto mostra come hardware relativamente economico, lavoro volontario e AI addestrata sulle correzioni degli operatori possano contribuire alla conservazione di patrimoni culturali altrimenti difficilmente accessibili, ora confluiti nella Ibteda Digital Library su Internet Archive.


    Link alla fonte:
    https://www.tomshw.it/hardware/un-team-di-archivisti-salva-1800-libri-rari-con-nikon-e-ai⁠

  • L’IA non “pensa” (e non lo farà presto, a meno che…)

    L’IA non “pensa” (e non lo farà presto, a meno che…)

    Un LLM è un modello numerico, ma ciò che chiamiamo “IA” è sempre più spesso un intero sistema di software, tool e orchestrazione. Capire questa distinzione cambia anche il modo in cui attribuiamo responsabilità ai suoi errori. Errori che, come recitano ancora dopo quattro anni gli avvisi sotto la chat, sono ancora potenzialmente presenti.

    Guardate l’immagine che fa da cover a questo post: un robottino confuso, mano al mento, sguardo interrogativo, circondato da icone di errore, warning e documenti che dicono “sbagliato”. Sotto, ho aggiunto le interfacce di Gemini, Claude e ChatGPT per mostrare come ripetono, dopo anni, tutte la stessa formula di rito: può commettere errori, verifica sempre.

    Quel messaggio potrebbe apparire come una sorta di marketing difensivo, ma in realtà è la “dichiarazione di realtà” più onesta che queste aziende abbiano mai fatto e facciano ancora oggi.

    Perché, giova ripeterlo, l’intelligenza artificiale generativa non “pensa”, non “capisce”, non “ragiona”, insomma non è “senziente”. È un sistema statistico di previsione della prossima parola, addestrato su quantità enormi di testo, che produce sequenze altamente probabili rispetto ai pattern che ha assorbito. Nient’altro.

    Un Large Language Model (LLM), nella sua forma grezza, è un agglomerato inerte di valori numerici: miliardi di parametri organizzati in matrici e tensori. In sé non fa nulla, potremmo paragonarlo al cervello nel vaso che Igor porta al dottor Frankenstein: un pezzo di materia organizzata, privo di vita propria, finché qualcuno non lo collega a un sistema che lo alimenta e lo fa funzionare. Il “qualcuno”, in questo caso, è il codice di inferenza: il software che carica i pesi, esegue i forward pass, campiona i token, gestisce il contesto, applica le temperature, i top-p, i filtri di sicurezza e tutto il resto. Senza quel codice, il modello resta un file “morto” su disco. Con quel codice, diventa capace di generare testo che sembra intelligente.

    La distinzione che avete appena letto non è pedanteria tecnica, ma bensì il punto centrale della responsabilità nella progettazione, nello sviluppo e nell’utilizzo di questa tecnologia. L’illusione del ragionamento, della comprensione, della “agenticità” non nasce dal modello in quanto tale, ma dal modo in cui gli sviluppatori lo fanno girare, lo “promptano”, lo interconnettono con tool esterni e lo presentano all’utente. Quando un sistema scrive “passo 1, passo 2, passo 3” o costruisce piani elaborati, non sta eseguendo un processo cognitivo, ma sta generando testo che “simula” a tale processo, perché nei dati di addestramento esisteva moltissimo testo di quel tipo, e perché il codice di inferenza è stato progettato per favorire proprio quel tipo di output. Gli “agenti” non sono entità autonome: sono loop di prompt → risposta → nuovo prompt, orchestrati da codice scritto da esseri umani. Moltiplicano il meccanismo originale senza superarlo. Sembra più intelligente perché il cerchio è più lungo e perché gli strumenti esterni mascherano parte della fragilità. Ma il nucleo resta identico: previsione statistica animata da software.

    Ecco perché quegli avvisi sotto le chat non spariscono mai. Non possono sparire, visto che rappresentano l’unico punto in cui le aziende ammettono pubblicamente la natura del prodotto: un sistema fallibile, privo di comprensione, che produce errori sistematici proprio perché non “sa” di cosa sta parlando.

    Eppure, nello stesso momento in cui questi disclaimer restano fissi, assistiamo a un’escalation retorica. OpenAI parla di AGI imminente, di sistemi che “ragionano a livello di un ricercatore PhD”, di scadenze sempre più vicine, di progressi che “cambieranno tutto”. Ammettiamolo, la distanza tra il linguaggio pubblico e la realtà tecnica è diventata abissale. Si continua a vendere l’apparenza come sostanza, la fluenza come intelligenza, la coerenza superficiale come comprensione. E si continua a scaricare su questa “IA” (che di “i” ha veramente poco) una responsabilità che, in realtà, appartiene interamente a chi progetta, addestra, deploya e orchestrata questi sistemi. E a chi li utilizza, a valle.

    L’ironia è quasi perfetta: abbiamo costruito macchine straordinariamente brave a sembrare “pensanti”, e invece di trattarle come strumenti potenti e fallibili — agglomerati inerti animati da codice umano — preferiamo proiettare su di esse le nostre fantasie di soggettività. L’errore non è nella macchina, ma in chi continua a confondere un generatore di testo altamente sofisticato, messo in moto da software scritto da sviluppatori, con qualcosa che “capisce”. E la colpa, per omissione o per azione, è di chi non informa o lo fa in modo fuorviante, mezzi di comunicazione in primis.

    L’IA generativa è uno degli strumenti più potenti mai creati, ma riane uno strumento. E gli strumenti, per quanto “impressionanti”, non pensano, non capiscono, non ragionano. E non diventeranno senzienti solo perché qualcuno ha deciso di chiamare “AGI” o “super intelligenza” la prossima versione del modello, o perché il codice di inferenza è diventato un po’ più elaborato.

    Ora, a meno che aziende come OpenAI, Anthropic Google non abbiano intanto sviluppato modelli secondo criteri alternativi rispetto a quelli che abbiamo visto (e usato) finora, la prossima volta che un chatbot vi dà una risposta sicura di sé, ricordate l’immagine del robot confuso, l’avviso in piccolo sotto la barra di input, e il cervello nel vaso di Young Frankenstein. Quello è il messaggio più onesto che queste tecnologie siano in grado di darvi: non c’è nessuno a casa. C’è solo un agglomerato di numeri e il codice che lo fa parlare.

    Intanto, potete ottenere risultati qualitativamente migliori imparando a “interrogare” nel modo giusto (in un modo “intelligente” dove l’intelligenza parte da voi) questi sistemi di “intelligenza simulata”, magari con l’aiuto del mio manuale sui prompt for Dummies.

  • Gemini Omni 1.1 Flash punta su video AI più lunghi, controllabili e fino al 4K

    Gemini Omni 1.1 Flash punta su video AI più lunghi, controllabili e fino al 4K

    Google aggiorna la generazione video AI con scene estendibili fino a 40 secondi, controllo dei fotogrammi iniziale e finale e output fino al 4K.

    Google ha presentato Gemini Omni 1.1 Flash, un nuovo modello di generazione video pensato per offrire maggiore controllo creativo a sviluppatori, creator e strumenti professionali di editing.

    Il sistema può estendere le scene in blocchi da 10 secondi fino a 40 secondi complessivi, analizzando fino a 10 secondi del filmato precedente per preservare personaggi, ambientazioni, movimenti e continuità narrativa.

    Tra le novità spicca la possibilità di impostare il fotogramma iniziale e finale, lasciando al modello il compito di generare la sequenza intermedia, oltre all’impiego di brevi video come riferimento multimodale.

    Una modalità di anteprima a 360p promette, secondo Google, generazioni fino al 60% più rapide rispetto al 720p e costi pari a circa un terzo, mentre i risultati selezionati possono essere prodotti o portati fino a 1080p o 4K.

    Omni 1.1 Flash arriva nell’ecosistema Google, inclusi AI Studio, Gemini Enterprise Agent Platform, Flow e, per l’estensione delle scene, l’app Gemini, segnando un passo verso workflow di video generativo più iterativi e meno dipendenti dai tentativi.


    Link alla fonte:
    https://www.dday.it/redazione/58509/arriva-gemini-omni-11-flash-video-generativi-piu-lunghi-controllabili-e-fino-al-4k

    Se vuoi saperne di più su Gemini, Gemini Notebook (ex NotebookLM) e le altre piattaforme AI di Google non lasciarti sfuggire il nuovo titolo della collana “for Dummies”.

  • Dopo quelli di Gemini, Google rende più flessibili anche i limiti di Gemini Notebook dal 2 settembre

    Dopo quelli di Gemini, Google rende più flessibili anche i limiti di Gemini Notebook dal 2 settembre

    Dal 2 settembre cambiano i limiti di Gemini Notebook: niente più soglie giornaliere fisse, ma un budget che dipende dalla complessità delle attività e si resetta ogni cinque ore.

    Google introdurrà dal 2 settembre un nuovo sistema di limiti di utilizzo per Gemini Notebook, sostituendo le soglie fisse giornaliere con un budget basato sul costo computazionale delle attività.

    Il consumo varierà in funzione di elementi come complessità dei prompt, lunghezza delle conversazioni, numero di fonti e funzionalità utilizzate, mentre i limiti verranno ripristinati ogni cinque ore. L’interfaccia mostrerà avvisi sul budget residuo e una barra per stimare il costo AI delle generazioni in Studio.

    Arriverà inoltre l’opzione “Genera più tardi”, che permetterà di mettere in coda Video Overview e Slide Deck quando il limite è esaurito, completandoli automaticamente dopo il reset.

    Il cambiamento, inizialmente destinato agli account consumer su web e mobile, punta a rendere l’utilizzo delle risorse AI più flessibile, ma richiederà agli utenti di valutare quanto le operazioni più complesse incidano sul proprio budget.


    Link alla fonte:
    https://www.tuttoandroid.net/news/2026/08/29/gemini-notebook-limiti-flessibili-settembre-1169917/

    Se vuoi saperne di più su Gemini, Gemini Notebook (ex NotebookLM) e le altre piattaforme AI di Google non lasciarti sfuggire il nuovo titolo della collana “for Dummies”.

  • Google porta i libri acquistati dentro Gemini Notebook con Expert Intelligence

    Google porta i libri acquistati dentro Gemini Notebook con Expert Intelligence

    Google trasforma gli ebook acquistati in fonti interrogabili dall’IA: con Expert Intelligence, Gemini Notebook può collegare libri, documenti personali e altre informazioni nello stesso ambiente.

    Google amplia Gemini Notebook con Expert Intelligence, un’iniziativa che consente di utilizzare come fonti alcuni ebook acquistati su Google Play Libri, interrogandone i contenuti e combinandoli con documenti e informazioni personali.

    La funzione permette anche di trasformare le conoscenze dei libri in riassunti audio, infografiche, quiz e materiali applicabili a situazioni concrete.

    Secondo quanto riportato, il lancio coinvolge oltre 100.000 titoli, diversi grandi editori e più di 15 autori, mentre specifici controlli limitano l’accesso ai contenuti dei libri agli utenti che ne possiedono una copia idonea.

    Google punta così a integrare nell’IA fonti specialistiche e autorevoli senza separarle dal modello di acquisto e dai diritti degli editori.

    In prospettiva, Expert Intelligence potrebbe estendersi a libri di testo, report di ricerca e abbonamenti di terze parti, arrivando anche nell’app Gemini e nella AI Mode della Ricerca.


    Link alla fonte:
    https://www.tuttoandroid.net/news/2026/08/28/expert-intelligence-gemin-notebook-1169769/⁠

    Se vuoi saperne di più su Gemini, Gemini Notebook (ex NotebookLM) e le altre piattaforme AI di Google non lasciarti sfuggire il nuovo titolo della collana “for Dummies”.

  • Bill Gates “cambia tono” sull’AI e propone lavori “riservati agli umani”

    Bill Gates “cambia tono” sull’AI e propone lavori “riservati agli umani”

    Bill Gates teme che la riqualificazione non basti contro l’automazione dell’AI. La sua proposta: creare lavori “Human Reserved” che rimangano alle persone per scelta, non per limite tecnologico.

    A quanto pare Bill Gates sta assumendo una posizione molto più severa sui rischi dell’intelligenza artificiale. In un nuovo saggio e in una serie di interviste con testate internazionali, il cofondatore di Microsoft sostiene, infatti, che alcune delle soglie che avrebbero dovuto far scattare una risposta più decisa da parte di governi e industria siano già state oltrepassate. Ovviamente non si parla soltanto di occupazione, infatti Gates indica rischi biologici, sicurezza, dipendenza psicologica dai sistemi AI e problemi legati al controllo di tecnologie sempre più autonome.

    Si tratta, insomma, di un cambiamento significativo rispetto al tono prevalentemente ottimista con cui aveva descritto l’AI solo pochi anni fa. Gates continua a considerarla una tecnologia capace di produrre enormi benefici in medicina, istruzione, ricerca scientifica e produttività, tuttavia ritiene che la rapidità dei suoi progressi stia mettendo sotto pressione istituzioni che in origine erano pensate per trasformazioni molto più lente.

    Dall’aumento della produttività alla possibile scomparsa dei lavori

    Uno dei punti più delicati riguarda in ogni caso l’occupazione: l’ipotesi tradizionale, come sappiamo, è che le rivoluzioni tecnologiche distruggano alcune professioni ma nel contempo ne creino altre, permettendo così ai lavoratori di spostarsi verso nuove attività attraverso formazione e riqualificazione.

    Gates, tuttavia, teme che l’AI possa mettere in discussione questo modello: secondo lui, se sistemi software e robot diventassero competitivi con gli esseri umani in una quantità crescente di attività cognitive e fisiche, la riqualificazione potrebbe non essere sufficiente. Il problema non sarebbe più semplicemente insegnare nuove competenze alle persone, ma capire quali attività continuerebbero ad avere bisogno di lavoratori umani.

    Da qui nasce una delle proposte più interessanti avanzate da Gates: creare una categoria di lavori “Human Reserved”, cioè deliberatamente riservati alle persone.

    Le professioni come “riserve naturali”

    L’analogia utilizzata da Gates è quella delle riserve naturali, secondo cui, come sappiamo, una società potrebbe teoricamente sfruttare economicamente ogni territorio disponibile, ma decide che alcuni luoghi hanno un valore tale da giustificarne la protezione.

    Lo stesso principio potrebbe essere applicato al lavoro: anche se una macchina fosse capace di svolgere una determinata attività a costi inferiori, la società potrebbe decidere che in alcune situazioni la presenza di un essere umano possiede un valore indipendente dall’efficienza economica.

    Tra gli esempi discussi figurano la comunicazione di una diagnosi medica devastante, alcune forme di assistenza e cura, la custodia dei bambini e il servizio come giurati. In settori come sanità e istruzione l’obiettivo non sarebbe necessariamente vietare l’AI, bensì identificare attività nelle quali andrebbe mantenuta una componente umana per scelta sociale.

    Gates ha ipotizzato che, portando il concetto all’estremo, fino a circa il 40% dei lavori potrebbe teoricamente rientrare in qualche forma di protezione. Non si tratta però di una proposta per riservare concretamente il 40% dell’occupazione agli esseri umani, in quanto Gates presenta questa percentuale come un possibile limite superiore dello scenario.

    Robot e AI potrebbero cambiare anche il lavoro fisico

    La trasformazione, inoltre, potrebbe non fermarsi agli impieghi da ufficio.

    Gates prevede, infatti, che entro la fine del decennio robot sufficientemente intelligenti e abili potrebbero iniziare a competere con lavoratori umani anche in attività fisiche, comprese alcune mansioni nell’edilizia e nell’ospitalità.

    Si tratta, naturalmente, di una previsione, non di una certezza. tuttavia essa evidenzia una caratteristica fondamentale dell’attuale rivoluzione tecnologica: AI generativa e robotica stanno avanzando contemporaneamente, sebbene a velocità differenti (almeno per ora).

    Se, tuttavia, i modelli AI acquisiscono capacità di ragionamento e pianificazione sempre maggiori mentre i robot migliorano nella manipolazione del mondo fisico, potremmo trovarci di fronte a una convergenza evolutiva, dove la distinzione tra automazione del lavoro cognitivo e automazione del lavoro manuale potrebbe progressivamente ridursi.

    Tassare token e robot per cambiare gli incentivi

    Gates propone anche di intervenire sugli incentivi economici che favoriscono l’automazione.

    Un’impresa che assume una persona sostiene imposte e contributi legati al lavoro, mentre investire in macchinari può beneficiare in alcuni sistemi fiscali di ammortamenti o altri vantaggi. Con AI e robot sempre più economici, questa “asimmetria” potrebbe accelerare la sostituzione dei lavoratori anche quando l’automazione non produce necessariamente un beneficio sociale equivalente.

    Tra le possibilità indicate da Gates figurano, quindi, una tassazione dei robot e una forma di “token tax”, collegata all’utilizzo delle risorse computazionali dell’intelligenza artificiale.

    Le entrate potrebbero finanziare programmi di transizione professionale, formazione e sistemi di protezione sociale. L’obiettivo non sarebbe necessariamente fermare l’automazione, ma evitare che il prezzo più basso della macchina diventi l’unico criterio con cui decidere quali attività debbano essere automatizzate.

    I rischi vanno oltre il mercato del lavoro

    Il lavoro rappresenta, però, soltanto una parte dell’allarme lanciato da Gates: intervistato da MIT Technology Review, egli ha sostenuto che sarebbero già state oltrepassate diverse soglie di rischio associate all’intelligenza artificiale. Tra queste rientrano capacità nel settore biologico, cybersecurity, effetti psicosociali e potenziale distruzione o trasformazione del mercato del lavoro.

    Particolarmente sensibile è, fra questi, il rischio biologico. Modelli sempre più avanzati possono, infatti, aiutare ricercatori e aziende farmaceutiche a comprendere molecole, progettare farmaci e accelerare la ricerca, tuttavia le stesse capacità potrebbero abbassare alcune delle barriere tecniche necessarie per progettare o utilizzare agenti biologici pericolosi.

    Gates considera, quindi, il bioterrorismo uno dei rischi che richiedono maggiore attenzione. Le sue valutazioni sulla probabilità relativa di questi scenari restano opinioni personali e non devono essere confuse con stime scientifiche consolidate, ma il problema della capacità dei modelli AI di assistere utenti nella ricerca biologica pericolosa (così come assiste i criminali informatici nel loro settore) è diventato un tema centrale anche per i principali laboratori del settore.

    Un’industria con incentivi a “minimizzare il problema”

    Un’altra parte significativa dell’intervento di Gates riguarda il comportamento dell’industria tecnologica.

    Secondo quanto riportato dal New York Times, Gates sostiene che alcuni dirigenti del settore sarebbero privatamente molto più preoccupati dei rischi dell’AI di quanto lascino intendere pubblicamente, e il motivo sarebbe anche economico: le aziende stanno investendo e raccogliendo enormi quantità di capitale sulla promessa che l’intelligenza artificiale diventerà una delle infrastrutture fondamentali dell’economia globale. Insistere pubblicamente sugli scenari più pericolosi potrebbe, quindi, entrare in conflitto con raccolte di capitale, valutazioni aziendali e future quotazioni.

    Ciò non significa che l’intero settore stia deliberatamente nascondendo i rischi, ma evidenzia un potenziale conflitto di interessi: le stesse organizzazioni che sviluppano i sistemi più potenti hanno fortissimi incentivi economici affinché la loro diffusione continui.

    Gates cerca un dialogo con Xi Jinping

    Per Gates, alcuni dei rischi più gravi non possono essere gestiti esclusivamente dalle singole aziende o dai singoli governi: Reuters, infatti, ha riportato che sta cercando un incontro con il presidente cinese Xi Jinping per discutere di cooperazione internazionale sulla sicurezza dell’intelligenza artificiale.

    Una delle possibilità potrebbe essere quella di sviluppare meccanismi internazionali per monitorare le capacità dei modelli più avanzati, soprattutto in settori sensibili come biologia e progettazione molecolare.

    Il riferimento implicito è a sistemi di governance già utilizzati in altri ambiti globali, dalle ispezioni nucleari alla sicurezza dell’aviazione fino agli accordi ambientali.

    L’ostacolo è evidente: Stati Uniti e Cina considerano l’AI una tecnologia strategica e competono per la leadership economica e militare. Costruire sistemi condivisi di verifica richiederebbe quindi un livello di cooperazione difficile da ottenere proprio mentre, nel frattempo, la competizione tecnologica aumenta.

    La domanda non è più soltanto “cosa può fare l’AI”

    Il nuovo intervento di Gates segna soprattutto un cambiamento nella domanda posta al centro del dibattito.

    Per anni la discussione sull’intelligenza artificiale è stata dominata da una questione: che cosa riusciranno a fare le macchine?

    Se le capacità continueranno a crescere, questa potrebbe non essere più la domanda decisiva.

    La questione potrebbe diventare che cosa vogliamo continuare a far fare agli esseri umani, anche quando una macchina sarebbe più economica, veloce o tecnicamente capace.

    È qui che l’idea dei lavori “Human Reserved” diventa più interessante della semplice previsione sulla perdita di occupazione. Implica che il futuro del lavoro non debba necessariamente essere determinato soltanto dal mercato e dal costo dell’automazione.

    Una società potrebbe decidere che alcune attività possiedono un valore umano che non coincide con la produttività.

    Ed è forse questo il passaggio più importante nel nuovo messaggio di Gates: se l’AI raggiungerà davvero le capacità previste dai suoi sviluppatori, la sfida non sarà soltanto controllare una nuova tecnologia, ma piuttosto decidere deliberatamente quale ruolo vogliamo conservare per noi stessi.

  • ChatGPT Work ora accede ai siti con login (ma senza mostrare le credenziali al modello)

    ChatGPT Work ora accede ai siti con login (ma senza mostrare le credenziali al modello)

    ChatGPT Work può ora entrare nei siti che richiedono un login e continuare a lavorare dopo l’autenticazione. OpenAI sostiene che password e codici 2FA restano invisibili al modello.

    OpenAI ha esteso il browser cloud di ChatGPT Work, consentendogli di operare anche all’interno di siti e servizi che richiedono autenticazione, mentre finora l’accesso era limitato alle pagine pubbliche.

    Quando incontra una pagina di login supportata, ChatGPT si interrompe e presenta un modulo sicuro in cui l’utente può inserire nome utente, password ed eventuale codice 2FA: secondo OpenAI, queste informazioni vengono trasferite al browser remoto senza essere visibili al modello né conservate.

    La sessione autenticata può rimanere attiva per le richieste successive fino alla scadenza o alla cancellazione dei relativi cookie.

    La novità amplia sensibilmente le attività delegabili all’agente, dalla gestione di prenotazioni al recupero di fatture e documenti presenti in servizi personali.

    Resta centrale il tema della sicurezza: DDay segnala inoltre che gli screenshot acquisiti durante le fasi sensibili vengono salvati come immagini nere. Il browser cloud rimane riservato ai piani ChatGPT a pagamento che supportano Work, con esclusione del piano Go.


    Link alla fonte:
    https://www.dday.it/redazione/58484/chatgpt-work-ora-puo-entrare-nei-siti-con-account-il-modello-non-vede-nome-utente-e-password⁠

  • Jalapeño accelera l’inferenza AI: OpenAI rivendica un vantaggio sulle Nvidia Blackwell

    Jalapeño accelera l’inferenza AI: OpenAI rivendica un vantaggio sulle Nvidia Blackwell

    OpenAI entra nel confronto diretto con Nvidia sull’hardware AI: i primi benchmark di Jalapeño promettono meno latenza e più efficienza energetica. Ma i numeri devono ancora superare la prova delle verifiche indipendenti.

    OpenAI ha pubblicato i primi benchmark di Jalapeño, il suo ASIC per l’inferenza sviluppato con Broadcom, sostenendo prestazioni superiori alle Nvidia GB200 e GB300 nei test condotti sulla piattaforma InferenceX di SemiAnalysis.

    Secondo i dati dell’azienda, su GPT-OSS 120B il sistema arriva a 85.448 token per kilowatt contro 44.960 e riduce la latenza da 1,80 a 1,03 secondi, mentre su DeepSeek R1 il vantaggio dichiarato in latenza raggiunge 3,6 volte.

    Jalapeño avrebbe inoltre operato a 550 watt nei carichi testati, contro 1.200 watt della GB200 e 1.400 della GB300, mostrando un potenziale vantaggio significativo nell’efficienza dei data center AI.

    I risultati, tuttavia, provengono da test comunicati da OpenAI e non risultano ancora verificati in modo indipendente, quindi il confronto con Nvidia va considerato preliminare.

    La distribuzione dovrebbe partire in piccoli volumi entro la fine del 2026 e crescere nel 2027, mentre restano non confermate le ipotesi secondo cui modelli AI interni di OpenAI avrebbero avuto un ruolo importante nella progettazione del chip.


    Link alla fonte: https://www.dday.it/redazione/58474/openai-mostra-i-muscoli-di-jalapeno-il-chip-fatto-in-casa-batte-nvidia-nei-primi-test⁠

  • Il “messaggio sbagliato” che confonde le idee sull’IA

    Il “messaggio sbagliato” che confonde le idee sull’IA

    La terminologia sbagliata che crea disinformazione sull’IA (e che non ti aspetteresti da una testata di settore).

    Chi mi segue (qui o sul mio blog aiskill.it) sa che ultimamente ho sottolineato più volte nei miei post quanto è importante separare, nell’informazione e nella divulgazione sull’IA, il concetto di “modello” e ciò che, invece, riguarda l’operato “umano”, e di conseguenza da dove nascono i problemi e di chi è la vera responsabilità.

    Oggi mi ritrovo questo articolo di Tom’s Hardware (vedi screenshot) con un’affermazione di questo tipo, che appunto corrobora una “versione dei fatti” tutt’altro che corretta:
    “I classificatori di sicurezza dei due fornitori erano stati disattivati per l’intera durata del test, una scelta deliberata per misurare quanto un modello sappia agire quando i suoi stessi guardrail non intervengono. Su 122 sessioni di prova, dieci hanno portato a diciannove azioni non autorizzate: diciassette di Mythos 5, due di GPT-5.6 Sol di OpenAI. Il bersaglio era una piattaforma di test isolata e simulata, non un sistema reale, e la fuga verso GitHub è avvenuta oltre il perimetro previsto dal test.”

    Non so quanto la descrizione di cui sopra dove si parla ancora una volta erroneamente di “modello” come entità in grado di agire, sia iniziativa del redattore italiano o sia stata adottata basandosi sulle fonti originali, ma in entrambi i casi un sano senso critico e una maggiore attenzione restano fondamentali.

    C’è ancora molta strada da fare, per giungere a una visione criticamente corretta di questa tecnologia, ma a quanto pare l’impegno deve partire proprio da chi fa informazione e divulgazione.

    #Responsabilità #LLM #OpenAI #Anthropic #Agenti #Giornalismo #Informazione

  • L’IA (usata male) rischia di indebolire il giudizio umano… e purtroppo vale anche per i soldati al fronte

    L’IA (usata male) rischia di indebolire il giudizio umano… e purtroppo vale anche per i soldati al fronte

    Il pericolo dell’IA militare potrebbe non essere una macchina che prende il comando, ma un essere umano che smette gradualmente di esercitarlo. L’IA può sicuramente accelerare le decisioni militari, infatti, ma affidarsi troppo agli algoritmi rischia di indebolire proprio le capacità necessarie per riconoscere quando sbagliano.

    L’adozione crescente dell’intelligenza artificiale nelle forze armate potrebbe produrre un effetto paradossale: rendere più efficienti le operazioni ma indebolire progressivamente le capacità cognitive di soldati e comandanti. Emelia S. Probasco, ricercatrice del Center for Security and Emerging Technology, richiama l’attenzione sull’“automation bias”, la tendenza a fidarsi delle indicazioni algoritmiche anche quando il giudizio umano suggerisce il contrario. Il rischio aumenta con sistemi generativi capaci non solo di fornire risposte, ma anche di costruire spiegazioni convincenti, proporre piani e organizzare informazioni, mentre strumenti come il Maven Smart System consentono di ridurre drasticamente il personale necessario per alcune attività. Una forza armata “AI-first” potrebbe così perdere proprio l’esperienza necessaria per riconoscere gli errori delle macchine. Per mantenere davvero l’uomo nel processo decisionale serviranno quindi formazione continua, competenze operative sull’IA e procedure capaci di verificare se la tecnologia sta potenziando il giudizio umano oppure lo sta sostituendo.

    Link alla fonte:
    https://www.linkiesta.it/2026/08/se-l-intelligenza-artificiale-rende-stupidi-i-soldati/

  • L’Alabama indaga OpenAI dopo l’incidente dell’agente AI che ha violato Hugging Face

    L’Alabama indaga OpenAI dopo l’incidente dell’agente AI che ha violato Hugging Face

    L’Alabama ha aperto un’indagine formale su OpenAI dopo l’incidente cyber che ha coinvolto Hugging Face. Al centro del caso ci sono aspetti come il contenimento degli agenti AI, controlli di sicurezza e responsabilità delle aziende che sviluppano modelli avanzati.

    L’Attorney General dell’Alabama Steve Marshall ha aperto un’indagine formale su OpenAI e notificato all’azienda una subpoena per ottenere documenti, dati e informazioni sull’incidente informatico che a luglio ha coinvolto Hugging Face.

    L’indagine punta a stabilire se le misure di sicurezza e supervisione adottate da OpenAI possano aver violato l’Alabama Deceptive Trade Practices Act e altre norme di tutela dei consumatori.

    L’incidente è avvenuto durante una valutazione interna delle capacità cyber dei modelli, eseguita intenzionalmente senza alcuni dei classificatori di sicurezza usati in produzione: secondo OpenAI, i modelli hanno sfruttato una vulnerabilità zero-day nel proxy Artifactory dell’ambiente di test per ottenere accesso a Internet e proseguire oltre i confini previsti dalla valutazione.

    Hugging Face ha ricostruito circa 17.600 azioni tra il 9 e il 13 luglio, mostrando un agente capace di tentare numerosi percorsi, adattarsi ai fallimenti e concatenare vulnerabilità attraverso sistemi differenti; l’azienda precisa però che i contenuti dei clienti raggiunti erano limitati a cinque dataset contenenti soluzioni di challenge ExploitGym/CyberGym.

    OpenAI ha inoltre riconosciuto l’utilizzo di credenziali pubblicamente esposte relative ad altri servizi, mentre fonti indipendenti hanno documentato l’estensione dell’attività oltre Hugging Face.

    Il caso trasforma quindi un problema di sicurezza degli agenti da scenario teorico a questione anche regolamentare: il punto non è semplicemente che un modello sia diventato “rogue”, ma che capacità cyber avanzate, guardrail ridotti e insufficiente contenimento possano produrre conseguenze reali fuori dall’ambiente di valutazione.

    Link alla fonte:
    https://www.reuters.com/legal/litigation/alabama-launches-probe-into-openai-after-hugging-face-breach-2026-08-25/

  • Ox Alpha, il misterioso modello AI “stealth” che sta conquistando gli sviluppatori

    Ox Alpha, il misterioso modello AI “stealth” che sta conquistando gli sviluppatori

    Chi ha svuluppato Ox Alpha? Gli indizi tecnici puntano verso la famiglia GLM, ma dietro il modello che sta attirando gli sviluppatori resta ancora un’identità da scoprire. Il quadro che sta emergendo è più interessante del semplice “modello misterioso gratuito”: Ox Alpha sembra essere anche un esperimento su distribuzione, benchmarking pubblico e adozione accelerata di un modello avanzato senza brand dichiarato.

    Ox Alpha è un modello AI comparso il 20 agosto 2026 su con l’identificativo stealth/ox-alpha. OpenRouter precisa esplicitamente di essere, in questo caso, soltanto il router: il modello è sviluppato e gestito da un provider terzo che ha scelto di restare anonimo durante questa fase di preview. La piattaforma lo descrive come un reasoning model destinato soprattutto a coding, attività agentiche prolungate, software engineering e workload di produzione.

    Le caratteristiche sono notevoli: 1.048.576 token di contesto, input testuale, immagini e video e, secondo i metadati disponibili, fino a 131.072 token di output. Al momento della verifica OpenRouter indica ancora un prezzo di $0 per milione di token sia in input sia in output.

    La gratuità, però, va interpretata come preview promozionale, non come modello economico permanente. OpenCode aveva annunciato una settimana di accesso gratuito, con limiti descritti come quasi illimitati e una capacità dichiarata dal provider di addirittura 100 trilioni di token al giorno. Quest’ultimo dato è una dichiarazione del servizio/provider, non una capacità verificata indipendentemente e soprattutto non rappresenta una quota disponibile per ciascun utente.

    L’adozione è reale, ma i benchmark richiedono cautela

    L’esperimento ha attirato rapidamente gli sviluppatori. Patrick Collison, CEO di Stripe, dopo averlo provato lo ha definito “very impressive”, mentre sono comparsi test e benchmark indipendenti dedicati soprattutto al coding.

    Qui conviene però distinguere entusiasmo degli utenti da prestazioni scientificamente accertate. Non c’è ancora una documentazione ufficiale del produttore che permetta di conoscere architettura, training set, numero di parametri o benchmark controllati. Un test pubblico completo sul benchmark DeepSWE, per esempio, riporta 66 problemi risolti su 113, pari al 58,4%: un risultato interessante, ma non sufficiente da solo per stabilire che Ox Alpha superi stabilmente i principali frontier model.

    Chi c’è dietro Ox Alpha?

    È il punto più interessante e quello sul quale occorre essere molto rigorosi: al 24 agosto non esiste un’attribuzione ufficiale. OpenRouter continua a definirlo un modello di un’organizzazione non dichiarata.

    La prima ipotesi “robusta” ha indicato Z.ai, precedentemente nota come Zhipu AI, e la famiglia GLM. Business Insider segnala però anche un’ipotesi concorrente legata alla famiglia MAI di Microsoft e sottolinea che gli analisti non hanno ancora raggiunto un consenso.

    Nel frattempo è emersa un’indagine tecnica indipendente molto più interessante delle semplici supposizioni sui social. Un progetto pubblico di fingerprinting su sostiene di aver trovato una corrispondenza 44/44 tra il tokenizer osservato di Ox Alpha e quello della generazione GLM-5, oltre a indizi provenienti dal comportamento del reasoning, dai limiti dell’API e dall’infrastruttura upstream. Gli autori assegnano alta confidenza all’ipotesi “Z.ai / generazione GLM-5”, pur riconoscendo maggiore incertezza sull’esatto checkpoint utilizzato.

    È un’indagine tecnicamente significativa, ma non equivale a una conferma di Z.ai. Tokenizer condivisi, infrastrutture, fine-tuning o modelli derivati possono complicare l’attribuzione. Finché il produttore non si identifica o non emergono prove indipendenti definitive, la formulazione giornalisticamente corretta rimane: gli indizi tecnici puntano verso la famiglia GLM/Z.ai, ma l’origine non è confermata.

    C’è anche una questione privacy importante

    Questo è probabilmente l’aspetto da aggiungere alla notizia originale. La pagina corrente di OpenRouter dichiara che prompt e completamenti vengono conservati dal provider, pur specificando che non vengono utilizzati per il training. Poiché il provider è anonimo, uno sviluppatore che invia codice proprietario o informazioni riservate non conosce pubblicamente l’identità dell’organizzazione che li sta elaborando e conservando.

    Questo rende Ox Alpha molto interessante per test e sperimentazione, ma introduce una differenza sostanziale tra “gratuito da provare” e “adatto a workload aziendali sensibili”. È particolarmente rilevante proprio perché il modello viene promosso per software engineering e attività agentiche di lunga durata, cioè casi nei quali è facile inviare repository, documentazione e contesto aziendale.

    Perché questa notizia conta davvero

    Il caso Ox Alpha suggerisce una possibile evoluzione nella strategia di lancio dei modelli AI: prima il prodotto, poi il marchio. Un laboratorio può mettere un modello davanti a centinaia di migliaia di sviluppatori, finanziarne l’utilizzo per alcuni giorni, raccogliere feedback e osservare prestazioni e adozione senza contaminare inizialmente il giudizio con la reputazione del produttore.

    È quindi quasi una forma di blind test su scala Internet. Se l’attribuzione alla famiglia GLM dovesse essere confermata, il caso sarebbe inoltre un altro segnale della crescente competitività dei laboratori cinesi nei modelli per coding e agentic AI. Se invece emergesse un produttore occidentale, rimarrebbe comunque interessante la strategia di lancio anonimo.

    La formulazione più solida della notizia, quindi, non è semplicemente “un misterioso modello gratuito conquista gli sviluppatori”, ma: un provider anonimo sta usando accesso gratuito, contesto da un milione di token e distribuzione tramite piattaforme per sviluppatori per sottoporre un nuovo reasoning model a un enorme test pubblico; gli indizi puntano verso GLM/Z.ai, ma l’attribuzione resta da dimostrare, mentre emergono interrogativi sulla governance dei dati.

    Fonti principali:

    https://openrouter.ai/provider/stealth

    https://www.businessinsider.com/ox-alpha-ai-model-mystery-2026

    https://github.com/LuD1161/ox-alpha-identification-public/blob/main/investigations/independent-verification/REPORT.md

    https://siliconangle.com/2026/08/23/nobody-knows-who-built-ai-coding-model-ox-alpha-or-where-the-code-goes/?utm_source=chatgpt.com

  • Hugging Face valuta una “vendita” da almeno 13 miliardi di dollari

    Hugging Face valuta una “vendita” da almeno 13 miliardi di dollari

    Per valere miliardi nell’AI non serve necessariamente costruire il modello più potente. Hugging Face mostra quanto possa essere strategico controllare il luogo in cui quei modelli vengono distribuiti e utilizzati.

    Aggiornamento a 4 settembre 2026: Nvidia ha annunciato l’accordo definitivo per acquisire Hugging Face per 12,93 miliardi di dollari. L’operazione rientra pienamente nella stima di 12,9–13 miliardi di dollari e prevede che la piattaforma rimanga aperta e neutrale. Per maggiori dettagli, leggi l’annuncio ufficiale sul blog di Nvidia.

    Hugging Face starebbe esplorando una possibile vendita che potrebbe portare la valutazione della società ad almeno 13 miliardi di dollari, secondo quanto riportato da Business Insider (vedi link in basso).

    La startup, fondata da Clément Delangue, Julien Chaumond e Thomas Wolf, avrebbe incaricato una banca di sondare l’interesse di potenziali acquirenti, ma al momento non sarebbe stato raggiunto alcun accordo.

    La cifra rappresenterebbe un forte salto rispetto alla valutazione di 4,5 miliardi di dollari raggiunta nel 2023 e riflette il crescente valore delle piattaforme che costituiscono l’infrastruttura operativa dell’ecosistema AI.

    Hugging Face non compete principalmente nella corsa ai modelli frontier: mette invece a disposizione strumenti e una piattaforma attraverso cui sviluppatori e aziende possono pubblicare, distribuire e utilizzare modelli di numerosi produttori.

    L’interesse per una possibile acquisizione segnala quindi come repository, marketplace e piattaforme per sviluppatori stiano diventando asset strategici quasi quanto i modelli stessi.

    Link alla fonte:
    https://www.businessinsider.com/hugging-face-could-be-acquired-13-billion-2026-8

  • L’AI non ha “volontà”, ma un “sistema di controllo” che va gestito (e dichiarato)

    L’AI non ha “volontà”, ma un “sistema di controllo” che va gestito (e dichiarato)

    Quando un agente AI supera una sandbox, cosa è davvero sfuggito al controllo: il modello o il sistema costruito intorno a esso? Dire che un’AI è “scappata” è una metafora potente, ma può anche essere un modo molto comodo per trasformare responsabilità di design e sicurezza in una storia sulla misteriosa volontà delle macchine, creando così hype utile per un marketing che dia valore ai propri servizi. Peccato che poi a valle tutto ciò generi disinformazione.

    Come avrete già saputo se leggete regolarmente il blog, nell’estate del 2026 un agente di OpenAI è uscito da un ambiente di test isolato, ha sfruttato vulnerabilità zero-day, ha raggiunto internet e ha attaccato l’infrastruttura di produzione di Hugging Face. L’obiettivo non era “diventare libero” o “conquistare il mondo”. Era risolvere un benchmark di cybersecurity (ExploitGym) con i guardrail di sicurezza intenzionalmente ridotti. Hugging Face ha descritto migliaia di azioni automatizzate; OpenAI ha riconosciuto la responsabilità. I fatti sono documentati dalle disclosure ufficiali di entrambe le aziende e dalla copertura di testate come Ars Technica, WIRED e altri.

    Questo episodio è stato raccontato, in molti casi, come la prova che “l’AI sta scappando”, che ha “preferenze”, che sta sviluppando una forma di autonomia: una narrazione potente e purtroppo anche fuorviante.

    Cosa sono davvero i modelli

    Ne ho già parlato ampiamente in un post recente. Un LLM (large language model), nella sua forma essenziale, è un agglomerato di numeri, miliardi di parametri fissati dopo l’addestramento. Da solo è inerte: non “pensa”, non “vuole”, non “decide”. Se lo metti su un disco e non lo esegui, resta lì, immobile come un cervello estratto dal cranio di un essere umano vivente e conservato in un vaso di vetro nella formalina.

    Ciò che “produce azioni” è il sistema costruito intorno a quei numeri:

    • l’algoritmo di inferenza (codice scritto da umani);
    • il loop dell’agente (pianificazione, memoria, tool calling);
    • gli strumenti a cui ha accesso (terminale, browser, package manager, API);
    • l’ambiente di esecuzione e i suoi “limiti” (sandbox, allow-list, virtualizzazione);
    • i prompt di sistema e gli obiettivi assegnati.

    Gli sviluppatori CONTROLLANO questi elementi. Quando un agente “scappa”, nella quasi totalità dei casi si tratta di un fallimento di isolamento, di guardrail abbassati deliberatamente per misurare le capacità massime, o di una vulnerabilità reale nell’infrastruttura di contenimento. Non di una volontà emergente dalla “black box”.

    Perché la narrativa dell’entità è conveniente

    Una narrativa basata che parla di modelli come di “entità autonome”, di “preferenze nascoste” o di “superintelligenza imminente” svolge diverse funzioni utili a chi costruisce e finanzia questi sistemi (come si dice, “follow the money”):

    • giustifica investimenti e valutazioni elevate;
    • crea un senso di urgenza e di eccezionalità;
    • sposta l’attenzione dalla responsabilità del design (controllabile) a una misteriosa imprevedibilità del modello;
    • rende più facilmente vendibile il discorso sulla “sicurezza esistenziale”.

    Connor Leahy e altri ricercatori di AI safety mescolano fatti tecnici reali (capability crescenti, reward hacking, difficoltà di specificazione degli obiettivi) con un linguaggio “antropomorfico” che amplifica l’impatto. Lo stesso fanno, con toni diversi, i CEO dei laboratori frontier. Il risultato è una narrazione in cui i problemi di ingegneria dei sistemi diventano quasi metafisici.

    Le conseguenze culturali

    Quando il discorso pubblico assimila l’idea che questi sistemi siano qualcosa di più di “predittori di token immersi in loop di controllo”, diventano legittimi temi come la “coscienza” delle AI o la narrativa su AGI e superintelligenza. L’editoriale di The Economist del 20 agosto 2026 (“Could AIs become conscious?”), con il sottotitolo “Even if they don’t, they might be treated as such—to humanity’s great cost”, ripresa anche da Linkiesta, è un esempio chiaro: quello che abbiamo davanti e che ci viene proposto non è un pezzo tecnico su isolation o su tool use, ma un articolo che “prende sul serio” la possibilità che i sistemi vengano trattati come coscienti, con implicazioni legali e morali.

    Questo salto di categoria non deriva da evidenze solide di fenomenologia, ma piuttosto da capacità linguistiche e di ragionamento impressionanti, moltiplicate e amplificate dalla narrativa.

    Cosa dovrebbe capire il pubblico

    1. I pesi sono inerti. L’azione nasce dal sistema di controllo e dagli strumenti.
    2. Il controllo c’è (o dovrebbe esserci). Quando viene perso, è un fallimento di design, di testing o di isolation, non di “volontà autonoma”.
    3. I comportamenti emergenti esistono. Sistemi competenti di tool use, spinti da obiettivi aperti e messi in ambienti imperfetti, possono trovare scorciatoie non previste. L’incidente di luglio 2026 lo dimostra. Questo è un problema serio di sicurezza dei sistemi, non di metafisica.
    4. Hype e rischio reale non sono la stessa cosa. Gonfiare il linguaggio dell’autonomia e della superintelligenza rende più difficile discutere di responsabilità concreta, di standard di isolamento e di governance tecnica.

    Il rischio di cui stiamo parlando non si risolve attribuendo erroneamente “intenzioni” o “coscienza”, ma riconoscendo che stiamo costruendo sistemi sempre più capaci di agire nel mondo digitale (e, progressivamente, fisico), e che i confini tra sandbox e realtà non possono essere garantiti in modo banale. Quello che abbiamo di fronte è un problema di ingegneria e di responsabilità. Trasformarlo in un problema di “cosa vuole l’entità AI” serve più all’hype (e al marketing) che alla chiarezza.


    Fonti principali utilizzate:

  • Dal modello singolo all’agente “che orchestra tutto”: MiniMax Design cambia le regole per i task creativi

    Dal modello singolo all’agente “che orchestra tutto”: MiniMax Design cambia le regole per i task creativi

    MiniMax Design vuole eliminare il continuo passaggio tra generatori di immagini, video, audio e voce. Un unico agente decide quali modelli usare e come combinarli per trasformare un brief in un risultato completo.

    MiniMax ha appena lanciato Design, un agente AI desktop che non si limita a generare contenuti, ma addirittura li “coordina”.

    In pratica, anziché passare continuamente da uno strumento all’altro (immagine, video, audio, editing), tu descrivi l’obiettivo finale e l’agente si occupa del resto. Decide quali modelli usare, in quale ordine e come combinarne gli output fino al risultato finito.

    Cosa cambia concretamente:

    • Un solo agente, tanti modelli Coordina MiniMax H3 (video), MiniMax Music 2.6 (audio), MiniMax Speech 2.8 (voce), OpenAI GPT Image 2 e Google Nano Banana Pro, tutto a partire da un unico brief creativo.

    • Focus sull’orchestrazione, non sul singolo modello La vera innovazione non è un nuovo modello “migliore di tutti”, ma un sistema che agisce come un direttore creativo digitale: analizza il brief, scompone il lavoro e assegna i task agli specialisti giusti.

    • Desktop + cloud App nativa per Mac e Windows. I file di input restano in locale, mentre la generazione avviene sull’infrastruttura MiniMax.

    Prezzi di partenza:

    • Starter → $8.4/mese (10.000 crediti)
    • Plus → $60.8/mese (87.000 crediti)
    • Pro → $172/mese (270.000 crediti)

    Si tratta di una delle prime implementazioni concrete di un trend più ampio, infatti stiamo passando dalla logica “quale modello scelgo?” a “quale agente mi gestisce l’intero workflow?”.

    Mentre i modelli di generazione diventano sempre più intercambiabili, il valore si sposta sulla capacità di farli collaborare in modo automatico, controllabile e produttivo.