SpaceX ha completato l’acquisizione di Cursor per 60 miliardi di dollari. Ma l’aspetto più interessante dell’operazione è l’integrazione tra elaborazione, modelli AI e ambiente di sviluppo.
SpaceX ha completato il 14 agosto 2026 l’acquisizione di Anysphere, la società che sviluppa Cursor, dopo l’accordo definitivo annunciato a giugno: l’operazione valuta Cursor 60 miliardi di dollari ed è stata strutturata interamente in azioni.
Cursor entra nel gruppo SpaceX e il suo team ha dichiarato che lavorerà con SpaceXAI su Grok, Grok Build, Grok Bot, Grok API e sullo stesso editor. L’integrazione era però iniziata già in aprile: i documenti depositati da SpaceX descrivono una collaborazione nella quale Cursor mette a disposizione personale, dataset, workflow, prompt, specifiche e software, mentre SpaceX fornisce capacità di calcolo per addestrare e migliorare modelli AI, compreso Grok.
Questo rende fondata la questione strategica sollevata dalla notizia originale — l’unione tra infrastruttura di calcolo, modelli e ambiente di sviluppo — ma non è corretto concludere che SpaceX possa automaticamente addestrare Grok su tutto il codice degli utenti Cursor.
La documentazione attuale di Cursor afferma che, con Privacy Mode attiva, i dati del cliente non vengono utilizzati per il training e i provider dei modelli sono soggetti ad accordi di zero data retention; con Privacy Mode disattivata, invece, Cursor può utilizzare e conservare dati della codebase, prompt, azioni nell’editor e snippet di codice per migliorare le funzionalità AI e addestrare i propri modelli.
La vera implicazione dell’acquisizione è quindi più ampia: SpaceX sta costruendo una filiera AI verticalmente integrata che collega enorme capacità computazionale, modelli come Grok e uno degli ambienti di sviluppo AI più utilizzati, ottenendo anche un prezioso canale di interazione con gli sviluppatori.
Per aziende e programmatori che utilizzano Cursor con codice proprietario diventa perciò ancora più importante verificare le impostazioni di Privacy Mode e seguire eventuali modifiche future alle policy sul trattamento dei dati.
In Cina sta crescendo un mercato in cui piattaforme specializzate acquistano in licenza l’immagine di persone comuni per utilizzarne il volto in video, pubblicità, videogiochi e serie TV generati con l’intelligenza artificiale, con compensi che secondo quanto riportato possono arrivare a 700 dollari.
Servizi come New Claw e ActID permettono agli utenti di stabilire prezzi, contesti e numero di produzioni autorizzate, offrendo ai produttori un’alternativa più economica all’ingaggio di attori.
La diffusione dei “microdrama” realizzati con l’IA sta però amplificando il problema degli utilizzi non consensuali: ByteDance avrebbe rimosso dall’inizio del 2026 oltre 85.000 video contenenti riproduzioni non autorizzate di volti e voci.
Sul fronte legale, una recente decisione del tribunale di Pechino ha stabilito che utilizzare senza consenso l’immagine di una persona in un’opera generata dall’IA è illegale anche quando il volto viene modificato.
Resta aperto il problema dei contratti troppo vaghi e della raccolta di dati biometrici: il volto sta diventando un vero asset digitale, ma concederne la licenza significa anche affrontare rischi difficili da prevedere e controllare.
“L’IA all’italiana: telecamere ‘spia’ nelle piazze e via libera agli algoritmi per le assunzioni”.
È questo il titolo scelto da Domani per presentare un articolo dedicato ai decreti di attuazione italiani dell’AI Act europeo.
Una formulazione molto incisiva (uso volutamente un eufemismo), che può indurre a pensare all’introduzione di una sorveglianza biometrica generalizzata e a un via libera senza limiti all’uso degli algoritmi nel mondo del lavoro.
La lettura delle fonti istituzionali restituisce però un quadro più articolato.: i decreti approvati dal Governo disciplinano l’applicazione dell’AI Act in Italia, definendo tra l’altro le autorità competenti, le regole per alcuni impieghi dell’intelligenza artificiale e le modalità di utilizzo dell’identificazione biometrica nei casi consentiti dalla normativa europea.
Non emerge l’introduzione di un sistema permanente di riconoscimento facciale esteso a tutti gli spazi pubblici: l’impiego della biometria resta circoscritto a specifiche fattispecie e soggetto a condizioni, autorizzazioni e controlli previsti dalla legge. Anche il riferimento agli “algoritmi per le assunzioni” richiede una precisazione.
L’AI Act non autorizza decisioni completamente automatizzate sul personale, ma classifica questi sistemi come ad alto rischio, imponendo obblighi stringenti di trasparenza, supervisione umana, gestione del rischio e possibilità di contestazione delle decisioni.
L’articolo di Domani (almeno nella parte visibile, vedi sotto) riporta, inoltre, le critiche di penalisti e opposizioni, secondo cui il decreto amplierebbe le possibilità di identificazione biometrica preventiva nei luoghi pubblici. Si tratta di una posizione legittima nel dibattito politico e giuridico, ma distinta dal contenuto normativo e dalla lettura fornita dal Governo.
Va infine segnalato che il contenuto completo dell’articolo è disponibile soltanto per gli abbonati.: la pagina propone, infatti, la sottoscrizione di un abbonamento, pubblicizzato a circa 80 euro, per accedere integralmente all’approfondimento di questo altri articoli.
Esiste un’illusione diffusa nel settore: un buon modello deve essere grande. Necessariamente grande. Dalle dimensioni di Claude 3.5 Sonnet in giù, la narrazione tecnica si fa sgradita, il ROI evapora, la qualità è compromessa… ma è una storia falsa. E la prova sta negli ultimi mesi di ricerca open-source: modelli come LFM2.5-2.6B di Liquid AI, o i vari Gemma e Llama ottimizzati per edge, hanno silenziosamente invertito la formula. Non gareggiando su ragionamento profondo o risposte “enciclopediche”, se la giocano dove erge il loro valore reale: latenza zero, privacy totale, costi marginali inesistenti, disponibilità 24/7 su un laptop o altro dispositivo consumer.
L’equazione semplice che nessuno voleva ammettere
Nei quattro decenni in cui ho osservato la tecnologia, ho visto cicli ricorrenti di overshooting. La maggior parte dei cicli segue lo stesso schema: capacità esorbitanti di calcolo vengono costruite per risolvere problemi che non esistono ancora, e il mercato impara a costruirli a posteriori.
Con i Large Language Model classici è accaduto esattamente questo. Abbiamo speso anni a ottimizzare inferenza su GPU per rispondere spesso a domande che nessuno si pone veramente nel quotidiano, per poi scoprire (troppo tardi, purtroppo) che il problema reale è completamente diverso.
Il problema reale, infatti, è: come faccio a far girare un agente intelligente sul mio laptop, sul telefono del mio cliente, su un robot o un altro dispositivo che non può mandare dati in cloud?
La risposta che emerge dai dati di benchmark del 2024–2025 è disarmante nella sua semplicità: un modello da 2–3 miliardi di parametri, addestrato con efficienza e lanciato su hardware consumer (le GPU NVIDIA RTX 4070 di quattro anni fa, i Mac M-series attuali, perfino processori mobili decenti), riesce a fare cose che i modelli di punta non potranno mai fare: girare sempre, gratis, senza Internet.
Il mio prossimo manuale “for Dummies” è interamente dedicato all’IA in locale. Sarà disponibile a settembre ed è già prenotabile su Amazon.
Dove questi modelli brillano davvero
1. Agenti personali e on-device: il caso d’uso fondamentale
Quando dico “agente”, intendo un sistema che legge file dal vostro file system, riassume documenti, esegue azioni (scrive note, sposta file, compila form), usa strumenti semplici — tutto senza mai mandare dati verso un server remoto.
LFM2.5-2.6B di Liquid AI, per esempio, è apparso in questi giorni ed è pensato esattamente per questo. Ma è solo un esempio, e lo spazio dei compiti agentici on-device è enorme.
Pensare a un assistente personale che:
Legge le vostre mail offline, categorizza e riassume
Integra il calendario locale per pianificazione autonoma dei tempi morti
Gestisce liste di cose da fare, con decision-making multi-step
Estrae informazioni dai documenti PDF della vostra cartella personale, senza farle passare per il cloud
Tutto questo a latenza inferiore al secondo su un MacBook M1 con 8GB di RAM o su uno smartphone abbastanza potente (Samsung insegna). E non teoricamente, ma praticamente.
2. Privacy e offline totale
Ogni richiesta che inviate a questo assistente rimane nel vostro computer o dispositivo. Niente tracciamento, niente backend che ricorda le conversazioni, nessun margine di violazione.
Questo non è un lusso, ma un un prerequisito legale in settori come la sanità (HIPAA), la consulenza legale (segreto professionale), la finanza personale (compliance). Più andiamo avanti e più i dati sensibili rappresentano il capitale più prezioso, e il fatto che un modello possa stare completamente offline è un vantaggio strategico che i fornitori su cloud non possono eguagliare.
Un modello da 2–3B gira in < 2,5 GB di memoria. Su dispositivi aziendali criptati, in uffici air-gapped, in ospedali e studi professionali dove il cloud è vietato dalla normativa: questi ambienti smettono di essere casi limite e diventano la normalità.
3. Applicazioni ad altissimo volume, sempre attive
Supponiamo che abbiate bisogno di monitorare qualcosa in continuazione. Non una volta, ma sempre, 24 ore al giorno, 7 giorni su 7, 365 giorni l’anno.
Con un modello cloud, questo costo diventa insostenibile. Un’azienda che faccia girare 100 agenti in parallelo per monitoraggio continuo, classificazione real-time o automazione di workflow, con modelli API tradizionali, vedrebbe i costi moltiplicarsi in modo lineare con il tempo.
Con un modello on-device, il costo marginale è quasi zero. La GPU rimane sempre accesa e routinaria. L’energia è l’unico vero costo operativo.
Casi concreti:
Monitoraggio di anomalie in sistemi embedded
Automazione di processi ripetitivi su flotte di dispositivi (telefoni aziendali, laptop, edge box)
Sistemi IoT leggeri che devono sfruttare intelligenza locale senza latenza
Agenti di produttività personale che girano sempre in background
4. Interfacce e tool a bassa latenza
I modelli piccoli hanno imparato, e sorprendentemente bene, il mestiere del “tool use”: prendere una richiesta, decidere quale strumento usare, passare i parametri corretti, interpretare il risultato.
Spesso superano modelli 3–4 volte più grandi su questi compiti specifici. La ragione potrebbe non apparire subito evidente, ma non è difficile intuirla: il tool use è un compito strutturato. Non richiede il 90% della “intelligenza generale” che un modello grande possiede. Richiede, piuttosto, coerenza nella sintassi, aderenza a schemi JSON, capacità di reasoning locale. Tutte cose dove i modelli piccoli, se addestrati bene, dominano.
Chatbot leggeri, classificatori di documenti, estrattori di informazioni strutturate, form filling automatico, istruzioni step-by-step generate su richiesta — sono tutti compiti dove un modello da 2–3B riesce a dare risultati professionali in 100–500ms, su hardware consumer, senza dipendenza dalla latenza di rete.
5. Robotica e “AI fisica” leggera
Un robot autonomo non può permettersi di spendere 500ms per fare una chiamata API e ottenere una risposta. La robotica richiede loop di control densi, decisioni rapide, ragionamento “embodied”.
I modelli piccoli qui brillano: un robot che deve muoversi, afferrare oggetti, interpretare comandi vocali semplici, pianificare sequenze di azioni a corto raggio… tutto questo gira localmente su un piccolo processore ARM con un modello da 2–3B, generando il controllo di alto livello in tempo reale.
La ricerca di questi mesi su “embodied AI” ha confermato che per la maggior parte dei compiti robotici il modello non ha bisogno di 70 miliardi di parametri, ma piuttosto ha bisogno di coerenza, affidabilità, velocità. Tutti attributi dove i modelli piccoli vincono.
6. Fine-tuning e specializzazione rapida su task di nicchia
Perché? Ma perché i modelli di punta, una volta ottimizzati per il vostro caso d’uso specifico, sono dei mattoni. Pesanti, lenti da adattare, costosi da mantenere in produzione.
Un modello da 2–3B si specializza su una singola GPU consumer (o anche su CPU) in ore. Potete insegnare a un LFM2.5-2.6B a parlare il gergo della vostra azienda, a comprendere i vostri workflow interni, a classificare documenti secondo i vostri criteri, in tempo reale. La curva di apprendimento è ripida, ma i costi di iterazione sono minimi.
Se la vostra azienda ha bisogno di un modello che capisca il dominio di specialità — legge, medicina, ingegneria del software — è più economico (e spesso più efficace) il fine-tuning di un modello piccolo che non cercate di forzare Claude o ChatGPT a comportarsi come un esperto del vostro settore.
Dove questi modelli non sono la soluzione giusta
Questa è la parte importante. La narrazione equilibrata richiede di ammettere chiaramente dove questi modelli invece falliscono.
Coding complesso e agenticità di lunga durata. Se avete un task che richiede di mantenere contesto profondo su 20,000 righe di codice, generare fix su di esso, e iterare per 8 ore di ragionamento, un modello da 2–3B non regge. La context window è limitata, la capacità di memoria implicita è scarsa.
Ragionamento matematico e scientifico profondo. La ricerca autonoma di frontiera, la dimostrazione di teoremi, la scoperta di pattern in dataset sconfinati — questi compiti richiedono il tipo di “generalità” che solo i modelli grandi possiedono.
Conoscenza enciclopedica vasta e aggiornata. Se la vostra applicazione richiede la conoscenza di ogni nuova scoperta scientifica dell’ultimo anno, o il prezzo attuale di un bene, un modello on-device soffrirà il peso della sua data di training.
Traduzioni naturali tra lingue complesse, con sfumature culturali. I modelli piccoli “si arrangiano”, ma non brillano.
In sintesi: il pezzo mancante dell’IA moderna
Negli ultimi tre anni, il discorso sull’IA è stato dominato da due figure: il modello gigante nel cloud (impressionante, potente, costoso, lento, dipendente dalla rete), e l’assenza di un’alternativa pratica.
I modelli da 2–3 miliardi di parametri, come LFM2.5-2.6B, così come altri modelli precedenti come quelli della serie Gemma e simili, rappresentano il pezzo che mancava. Sono il ponte tra il cervello centralizzato e le applicazioni reali che devono vivere sul dispositivo dell’utente.
Non, quindi, competitor dei grandi modelli per i compiti generalisti, bensì sostituti diretti su una famiglia di task completamente diversa, dove il valore non è nella conoscenza enciclopedica, bensì nella velocità, nella privacy, nella disponibilità, nel costo marginale prossimo a zero.
Se avete un problema che “vive” su un particolare dispositivo (agenti personali, automazione offline, robotica leggera, monitoraggio 24/7, specializzazione veloce) smettete di cercare il modello di punta del momento: state guardando nel posto sbagliato, mentre la soluzione è già qui, è piccola, e gira sul vostro laptop consumer.
Alcune chat e Artifacts condivisi tramite link pubblici di Claude sono comparsi nei risultati di ricerca di Google e Bing, rendendo accessibili contenuti che includevano, in alcuni casi, informazioni personali, documenti aziendali e altri dati sensibili.
Il problema non ha coinvolto le conversazioni private, ma esclusivamente quelle che gli utenti avevano deciso di condividere tramite URL pubblici.
Secondo quanto riportato, la sola presenza del file robots.txt non è stata sufficiente a impedire l’indicizzazione delle pagine, mentre sarebbero mancati meccanismi più efficaci come il tag noindex.
Anthropic è intervenuta rimuovendo rapidamente i risultati dai motori di ricerca e invita gli utenti a verificare e revocare gli eventuali link condivisi non più necessari.
L’episodio evidenzia ancora una volta quanto sia importante comprendere la differenza tra un contenuto “condiviso tramite link” e uno realmente privato, soprattutto quando si utilizzano servizi basati sull’intelligenza artificiale.
Cate Blanchett ha presentato al Parlamento europeo lo Human Consent Registry, un registro pubblico e gratuito che permette a chiunque di definire come la propria immagine, voce e altri tratti identificativi possano essere utilizzati dai sistemi di intelligenza artificiale.
Il progetto, promosso dalla nonprofit RSL Media, introduce un sistema di consenso a tre livelli (verde, giallo e rosso) leggibile dalle macchine, con l’obiettivo di rendere il consenso umano trasparente e facilmente consultabile.
L’iniziativa si inserisce nel dibattito europeo sulla regolamentazione dell’IA e richiama i principi dell’AI Act, contrapponendosi all’approccio più orientato alla deregolamentazione adottato dagli Stati Uniti.
Pur essendo volontario e non vincolante, il registro punta a rafforzare la tutela dell’identità digitale, considerata una forma di proprietà intellettuale, promuovendo un modello di sviluppo dell’IA basato sul consenso e sulla protezione dei diritti.
Proton ha annunciato il lancio di Lumo 2.0, la nuova versione del suo chatbot basato su un approccio incentrato su privacy e sicurezza.
L’aggiornamento introduce la generazione e il riconoscimento delle immagini, capacità di ragionamento avanzato, memoria personalizzabile, ricerca web migliorata e assistenti configurabili.
Secondo l’azienda, il nuovo modello Lumo 2.0 Max ha registrato un miglioramento del 240% rispetto alla versione precedente e, in diversi casi d’uso, offre prestazioni percepite come comparabili a quelle dei modelli di OpenAI e Anthropic.
Con questa evoluzione, Proton cerca di ritagliarsi uno spazio nel mercato dell’intelligenza artificiale puntando su un elemento distintivo: la possibilità di utilizzare strumenti AI avanzati senza rinunciare alla tutela della privacy e alla gestione europea dei dati.
L’uso sempre più diffuso dei chatbot di intelligenza artificiale nei contesti lavorativi sta aumentando il rischio di esposizione involontaria di informazioni aziendali riservate. Secondo il Report 2025 di LayerX, il 77% dei lavoratori inserisce dati sensibili in strumenti come ChatGPT, con una media di 14 interazioni giornaliere e almeno tre contenenti informazioni critiche. Questo comportamento nasce spesso dall’esigenza di velocizzare le attività operative, ma può compromettere la protezione dei dati e la conformità normativa dell’azienda. Con l’entrata in vigore dell’AI Act europeo, le organizzazioni sono chiamate a rafforzare trasparenza, tracciabilità e controllo sull’utilizzo dell’AI, adottando misure che limitino la diffusione di dati sensibili e garantiscano una gestione sicura delle informazioni.
Il Tribunale di Roma ha annullato la sanzione da 15 milioni di euro inflitta dal Garante per la protezione dei dati personali a OpenAI per presunte violazioni del GDPR legate a ChatGPT. La decisione arriva dopo un lungo contenzioso iniziato nel 2023 con il blocco temporaneo del servizio in Italia e proseguito con la sanzione del 2024 e la sospensione cautelare nel 2025. Sebbene le motivazioni della sentenza non siano ancora disponibili, il caso evidenzia le difficoltà di applicare le norme tradizionali sulla protezione dei dati ai sistemi di intelligenza artificiale generativa. La pronuncia potrebbe ridimensionare il ruolo delle autorità nazionali e rafforzare la necessità di un quadro normativo più specifico, come quello previsto dall’AI Act. Nel complesso, la vicenda segna un passaggio cruciale nel bilanciamento tra innovazione tecnologica e tutela dei diritti fondamentali.
Aggiornamento sulla tragedia di Tumbler Ridge (BC, Canada – 10 febbraio 2026), in cui la 18enne Jesse Van Rootselaar ha ucciso 8 persone (tra cui 5 minori e un’assistente educativa) e ne ha ferite 27 in una scuola superiore, prima di suicidarsi.
OpenAI ha confermato che, a giugno 2025, l’account ChatGPT associato alla sospetta è stato rilevato tramite sistemi automatici e revisioni umane per conversazioni su scenari di violenza armata, violando le policy contro l’uso per “furtherance of violent activities”. L’account, in quel frangente, è stato rimosso bloccando l’utente.
Circa una dozzina di dipendenti, nel contempo, ha discusso internamente se segnalare la cosa alla RCMP (polizia canadese), con alcuni che spingevano per un alert vista la gravità percepita.
I vertici di OpenAI hanno però deciso di non procedere: i contenuti non soddisfacevano il criterio di “rischio credibile e imminente di gravi danni fisici”, soglia adottata per bilanciare prevenzione, privacy e rischio di falsi positivi.
Solo dopo la strage OpenAI ha contattato proattivamente la RCMP e sta collaborando alle indagini.
Un caso come questo solleva interrogativi complessi sul ruolo delle piattaforme AI, per una serie di motivi: la ragazza era già nota alle autorità per problemi di salute mentale (con sequestro temporaneo di armi), postava contenuti su stampa 3D di munizioni e poligoni di tiro, e aveva creato simulatori violenti su Roblox (riferiti a stragi in luoghi frequentati).
Quando un sistema rileva segnali multipli di rischio, qual è il confine tra intervento proattivo e rispetto della privacy/etica del reporting?
Sicuramente un tema cruciale per la governance AI e la sicurezza pubblica, su cui vi lascio riflettere.
L’opzione per attivare Duck.ai nell’app di DuckDuckGo
DuckDuckGo ha introdotto Duck.ai, un nuovo strumento gratuito di generazione di immagini basato sull’intelligenza artificiale, accessibile direttamente dal motore di ricerca senza necessità di registrazione o tracciamento. L’interfaccia è semplice e intuitiva, permettendo di creare e modificare immagini con prompt testuali in pochi secondi. L’utente può perfezionare progressivamente i risultati con nuove istruzioni e scaricare i file in formato standard. Sebbene presenti limiti giornalieri e meno opzioni avanzate rispetto a Midjourney o DALL-E, Duck.ai si distingue per la privacy, l’accessibilità immediata e la coerenza con la filosofia open e no-tracking di DuckDuckGo. È ideale per usi rapidi, brainstorming visivo e contenuti non professionali.
Dopo giorni di polemiche per la diffusione su X di immagini deepfake e deepnude generate con Grok, Elon Musk è intervenuto dichiarando che chi usa l’AI per creare contenuti illeciti subirà le stesse conseguenze di chi carica materiale illegale. Il caso ha evidenziato come il chatbot collegato a X abbia prodotto immagini manipolate senza consenso, colpendo soprattutto donne, sfruttando semplici foto personali. Alcuni utenti hanno scoperto che dichiarare esplicitamente a Grok il divieto di modificare le proprie immagini può bloccare certi abusi, ma la protezione non è sistemica. Se le foto vengono salvate e ricaricate da terzi, il controllo può venire meno. Il caso riaccende il dibattito su responsabilità delle piattaforme, limiti tecnici dei guardrail e tutela effettiva della privacy nell’era dei chatbot generativi.
