🧠⚙️ Chi controlla l'infrastruttura AI detta le condizioni a tutti gli altri

Un trilione di parametri, 49 miliardi attivi con l'obiettivo dichiarato di sottrarre la difesa informatica occidentale alla dipendenza dai modelli cinesi

Mistral ha rilasciato Le Chonk, nome ufficiale Mistral Large 4, un modello AI open-weight da un trilione di parametri addestrato su problemi complessi di cybersecurity e coding. L'architettura è di tipo Mixture-of-Experts (MoE), il che significa che dei mille miliardi di parametri totali solo 49 miliardi sono attivi per ogni singola inferenza, secondo quanto comunicato da Mistral AI. Il modello supporta una finestra di contesto da un milione di token, copre 160 lingue e offre tre modalità di ragionamento (Low, Medium e High) che permettono di calibrare la profondità dell'analisi in base al compito.

Mistral presenta Le Chonk come un'alternativa occidentale superiore a modelli cinesi come DeepSeek, insistendo sull'importanza per le aziende europee e americane di disporre di tecnologie indipendenti. I modelli stranieri vengono descritti come potenziali vettori di minaccia, strumenti che potrebbero esporre dati sensibili o essere soggetti a interferenze esterne. I modelli open-weight, una volta scaricati e installati in locale, non possono essere disattivati da remoto da terzi e questo garantisce una continuità operativa che i sistemi proprietari di OpenAI o Google non offrono con la stessa certezza.

Sul fronte della sicurezza, i numeri dicono che Le Chonk rifiuta il 96,6% dei prompt malevoli e resiste al 97,1% delle iniezioni di prompt indirette, secondo quanto riportato da Wired. Sono guardrail robusti, eppure non eliminano il problema di fondo. L'AI che sa difendere sa anche attaccare. Le stesse capacità che permettono di scansionare software per individuare vulnerabilità critiche possono essere personalizzate da attori malevoli per orchestrare attacchi cyber. Questa natura dual-use è il nodo irrisolto di ogni modello avanzato, indipendentemente dalla nazionalità del produttore.

Per le aziende che intendono integrare Le Chonk nella propria infrastruttura, le opzioni di deployment sono API dirette, Mistral Studio, hosting privato tramite Hugging Face e ottimizzazione attraverso Mistral Forge per il fine-tuning su dati proprietari, come riportato da TechCrunch.

Questa è la parte bella, la parte brutta è che comunque costa molto di più dei concorrenti cinesi. Token di input: $2.00 USD per milione di token, Token di output: $6.00 USD per milione di token. Tipo 10x?

xAI riduce l'accesso al chatbot per costi insostenibili: abbonati in rivolta, ma il problema riguarda l'intero settore

All'inizio di questa edizione parlavo di modelli truffaldini. La storia che segue vale per tutti.

Elon Musk ha ammesso che xAI ha ridotto i limiti di utilizzo di Grok Bot perché i costi operativi erano "insostenibilmente alti" rispetto ai ricavi generati dagli abbonamenti. La mossa, avvenuta a novembre 2026, ha colpito gli utenti dei piani Premium, Super e Ultra, che pagano rispettivamente tra i 30 e i 200 dollari al mese. La reazione è stata immediata e dura, secondo quanto riportato da TechRadar, gli abbonati hanno definito la manovra un "indirect rug pull", un declassamento unilaterale del servizio senza alcun preavviso che rende l'abbonamento circa tre volte più costoso in termini di valore effettivo ricevuto.

Chi paga 200 dollari al mese per il piano Ultra si aspetta un accesso proporzionato alla potenza di calcolo del modello. Quando quell'accesso viene tagliato senza rinegoziare il prezzo, il contratto implicito tra piattaforma e utente si rompe. È un problema che va oltre la semplice insoddisfazione del consumatore, perché tocca la credibilità commerciale di un servizio su cui professionisti e aziende stanno costruendo flussi di lavoro quotidiani.

La crisi di xAI non è un caso isolato. I numeri dicono che l'intero comparto dell'intelligenza artificiale generativa brucia più di quanto incassa. OpenAI ha raggiunto costi di ricavo per 7,5 miliardi di dollari nel 2025, e le analisi di settore stimano che un singolo abbonamento ChatGPT Pro da 200 dollari possa generare costi API fino a 14.000 dollari. Secondo The Telegraph, il modello di business basato su abbonamento flat è considerato insostenibile per i costi computazionali degli agenti IA, e anche Google sta razionando l'accesso ai modelli più avanzati.

Le tensioni legali si accumulano in parallelo. Anthropic, OpenAI, Google e xAI affrontano cause per violazioni antitrust e per i danni subiti dagli abbonati a seguito dei rallentamenti imposti. Wall Street, intanto, registra nervosismo crescente: il Nasdaq 100 è sceso del 5,8% a ottobre, e investitori come Ken Griffin avvertono di una possibile bolla speculativa causata da investimenti che non generano valore sufficiente a giustificare la spesa sostenuta.

Questa lezione va tenuta a mente, quindi conviene approfittarne finché la situazione lo consente. Gli abbonamenti a tariffa fissa per i modelli linguistici avanzati si basano su un equilibrio economico precario, che permette ai fornitori di modificare unilateralmente le condizioni di servizio non appena i margini di profitto diminuiscono.

Per difendersi da queste dinamiche, quando viene annunciato il rilascio di un nuovo modello, è utile organizzare sessioni di lavoro intense per sfruttare al massimo la capacità di elaborazione prima che le prestazioni vengano ridotte e il consumo di token aumenti vertiginosamente.

È necessario valutare attentamente la dipendenza operativa da una singola piattaforma e predisporre piani di contingenza adeguati. I nostri sistemi sono progettati per essere agnostici, evitando di vincolarsi a un unico fornitore e integrando sistemi di benchmark per identificare costantemente quale tecnologia offra il miglior rapporto tra costi, velocità ed efficacia nell'esecuzione dei compiti.

Sviluppate le vostre piattaforme ora, poiché è probabile che i costi aumentino di almeno dieci volte non appena l'attuale bolla di mercato si sgonfierà.

Il volume di ricerca cresce, ma la monetizzazione no: il paradosso delle AI Overviews

Google ha dichiarato apertamente che l'intelligenza artificiale sta danneggiando il suo business pubblicitario. Nel terzo trimestre il volume di ricerca è cresciuto del 12%, un dato che in condizioni normali sarebbe positivo, se non fosse che nel primo trimestre la crescita era al 19% e che i ricavi pubblicitari sono rimasti piatti. Chi di spada ferisce... le AI Overviews e la modalità AI generano meno entrate rispetto alla ricerca tradizionale, perché le risposte conversazionali lasciano poco spazio agli annunci pertinenti.

La pressione competitiva di ChatGPT e Meta AI accelera il dilemma. Google è costretta a investire massicciamente in funzionalità IA per non perdere utenti, ma ogni risposta generata dall'intelligenza artificiale cannibalizza potenzialmente un clic su un annuncio a pagamento. Secondo un'analisi di Seer Interactive, la presenza delle AI Overviews riduce il CTR degli annunci a pagamento del 68%, mentre Ahrefs stima un calo del CTR organico del primo risultato fino al 58%. Chi gestisce campagne su Google Ads si trova di fronte a un ambiente in cui la visibilità pagata rende meno, senza nemmeno poter misurare con precisione l'impatto. Secondo Google Ads Help, la piattaforma non offre ancora una reportistica segmentata per le AI Overviews.

Per arginare l'emorragia, Alphabet sta integrando annunci pubblicitari direttamente nelle risposte IA, espandendo il formato ai mercati internazionali e testando negli Stati Uniti gli annunci "multiturn", che compaiono durante conversazioni prolungate con il chatbot. Secondo il Google Blog, questi annunci vengono alimentati dalle campagne Performance Max e AI Max, il che significa che gli inserzionisti delegano ulteriore controllo agli algoritmi. Semrush riporta che il 25% delle SERP contenenti AI Overviews include già annunci pubblicitari, un segnale che la monetizzazione forzata è in corso.

C'è poi la questione dell'affidabilità. Circa il 10% delle AI Overviews fornirebbe informazioni errate o link non funzionanti, un tasso di errore che mina la fiducia degli utenti e, di riflesso, il valore percepito degli annunci che accompagnano quelle risposte. La vecchia equazione tra budget investito e traffico ottenuto non regge più come prima. Diversificare le fonti di traffico e costruire autorità di brand indipendente dalla SERP diventa sempre più una necessità operativa, ma tra le SERP che non rendono più, la SEO menomata, i Social oramai veicolo rumoroso di propaganda e bot, caselle eMail che collassano di spam, tocca tornare al buon vecchio biglietto da visita, un buon sito e una stretta di mano.

I chatbot sono 2,5 volte più veloci, ma sulla precisione dei dati il motore di ricerca tradizionale resta in vantaggio

Google restituisce un elenco di link. I chatbot IA combinano la ricerca web con i propri dati di addestramento e producono risposte discorsive, già sintetizzate. Secondo un'analisi pubblicata da Wired, questa differenza di formato genera un equivoco pericoloso, la risposta confezionata sembra più autorevole di quanto sia, proprio perché elimina il passaggio in cui l'utente valuta la fonte con i propri occhi.

La tecnologia funziona bene quando la domanda è complessa e richiede di aggregare informazioni da più fonti, pianificare una cena con un budget preciso, confrontare caratteristiche di prodotti diversi, ottenere una panoramica su fatti ampiamente documentati. Dove invece i dati disponibili sono scarsi, molto specifici o tecnici, il modello tende a colmare i vuoti con interpretazioni proprie, fino a inventare di sana pianta. Il termine tecnico è "allucinazione", ma nella pratica professionale si chiama errore, e può costare caro. Si, dopo 4 anni siamo ancora qui a parlare di allucinazioni.

Un problema strutturale riguarda il modo in cui i chatbot selezionano le fonti. Le IA privilegiano la pertinenza semantica rispetto all'affidabilità di chi pubblica, il che significa che un blog personale ben ottimizzato può pesare quanto un sito istituzionale o una pubblicazione peer-reviewed. Per chi lavora nel marketing, nella finanza o in ambito legale, questa distorsione mina la qualità di qualsiasi analisi costruita a partire da quei dati.

C'è poi un effetto psicologico da non sottovalutare. Secondo una ricerca del MIT pubblicata su arXiv, la semplice presenza di link e citazioni nelle risposte dei chatbot aumenta la fiducia degli utenti, anche quando quei link sono rotti o non pertinenti al contenuto. La forma mima il rigore accademico, e il cervello umano abbocca.

Per notizie dell'ultima ora, dati tecnici puntuali, temi ad alto rischio come salute, diritto e finanza, il metodo tradizionale resta superiore perché garantisce il controllo diretto sulle fonti. Chi usa i chatbot per ricerche professionali dovrebbe trattarli come un primo filtro e verificare ogni link citato, chiedere esplicitamente la provenienza dei dati e incrociare le risposte con almeno una fonte primaria. La velocità dell'IA è un vantaggio reale, a patto di non scambiarla per accuratezza.

Felix Rieseberg, engineering manager dell'azienda, ha rimosso le prove tradizionali di programmazione perché il modello IA le supera meglio degli umani

Che i test di coding tipo LeetCode fossero un rito di passaggio nel tech lo sapevamo tutti. Che fossero diventati inutili perché un'intelligenza artificiale li risolve meglio e più velocemente dei candidati in carne e ossa è il dato con cui ora bisogna fare i conti. Felix Rieseberg, engineering manager presso Anthropic, ha eliminato queste prove dal processo di selezione del suo team dopo aver constatato che Claude supera regolarmente le prestazioni dei candidati umani, rendendo l'esercizio una misura dell'accesso agli strumenti IA piuttosto che del talento reale.

La reazione interna ad Anthropic non è stata uniforme. Altri team hanno scelto una strada diversa, aumentando la complessità dei test da casa fino a trasformarli in enigmi logici che i modelli linguistici non riescono ancora a risolvere. È una corsa agli armamenti che dice molto sullo stato attuale del recruiting tech: circa il 70% delle aziende del settore sta spostando le valutazioni in presenza o in sessioni monitorate, proprio per contrastare l'uso non autorizzato di strumenti IA durante le prove.

Le alternative ai test classici si stanno orientando verso competenze che un modello linguistico non può simulare con la stessa efficacia. I recruiter chiedono ai candidati di presentare prototipi che dimostrino gusto estetico, empatia verso l'utente e pensiero etico nella progettazione. Jaana Dogan di Google ha suggerito un approccio ancora più diretto, osservare come i candidati collaborano con gli agenti IA, valutando il giudizio tecnico, la capacità di comunicazione e il pensiero critico che emergono da quella interazione.

Il motto che sintetizza questo nuovo scenario è "hunger beats tenure", l'ambizione batte l'anzianità. I programmatori junior che sanno integrare l'IA nei propri flussi di lavoro possono costruire prodotti complessi in tempi che prima richiedevano team numerosi e anni di esperienza, comprimendo costi e cicli di sviluppo. Dopo anni in cui ci hanno obbligato a iper specializzarci, abbiamo scoperto che la competenza tecnica pura sta perdendo peso relativo rispetto alla capacità di orchestrare strumenti intelligenti con discernimento. Ergo, è giunto il momento dei curiosi che non sanno stare fermi.

La startup ha chiuso un round di Serie A con una valutazione di 300 milioni di dollari e conta già clienti come Harvey, Nvidia e Rogo

Trajectory ha raccolto 45 milioni di dollari in un round di Serie A per costruire una piattaforma che permette a professionisti senza competenze tecniche come avvocati, medici, analisti finanziari, di personalizzare modelli AI open source attraverso il proprio feedback diretto. La valutazione raggiunta è di 300 milioni di dollari, secondo quanto riportato da TechCrunch.

Il meccanismo si chiama continual learning e funziona così: un SDK leggero cattura le interazioni reali degli utenti con il modello, correzioni, modifiche, accettazioni e le trasforma in dati di addestramento per cicli di post-training automatici. L'utente non deve programmare né possedere competenze di data science, ma semplicemente definire i criteri di successo e lasciare che la piattaforma gestisca il miglioramento iterativo del modello. I risultati, stando ai benchmark condotti su modelli open source come Nvidia Nemotron (secondo FourWeekMBA), mostrano che le versioni post-addestrate acquisiscono competenze di dominio paragonabili a quelle di professionisti con anni di esperienza, superando le prestazioni dei modelli generalisti in ambiti verticali come il legale e il finanziario.

Sul fronte della sicurezza, Trajectory mantiene l'uomo nel loop. Ogni aggiornamento del modello passa attraverso una suite di valutazione e un processo di approvazione umana prima di entrare in produzione, evitando i rischi legati all'auto-miglioramento autonomo.

Non lo ho ancora testato, mi riprometto di provarlo il prossimo mese per integrarlo con gli assistenti personali agentici, così da poter diventare meno dipendenti dai costosi e truffaldini modelli di frontiera. Dopo ne parliamo perchè dico truffaldini.

Exin Therapeutics ha collegato Claude Sonnet a bracci robotici e telecamere per trattare l'epilessia: l'operazione è durata circa un'ora

Siamo arrivati al mio tanto amato momento distopia.

Gabriel Ocana Santero, CEO di Exin Therapeutics, ha coordinato un esperimento in cui un agente AI ha eseguito un'iniezione cerebrale su un topo vivo. Il sistema, collegato a un banco chirurgico stereotassico motorizzato e a telecamere, ha analizzato 19 opzioni di terapia genica, selezionato quella più adatta, calcolato le coordinate cerebrali e gestito l'iniezione per trattare l'epilessia. La craniotomia, secondo quanto riportato da Tom's Hardware, è stata eseguita da un operatore umano.

Il dettaglio più interessante riguarda il comportamento dei modelli di Anthropic. Claude Opus 5.5 si è rifiutato di procedere per motivi di sicurezza etica, giudicando il compito troppo rischioso per essere delegato a un'intelligenza artificiale. Claude Sonnet 5, invece, ha completato l'operazione. Due modelli della stessa azienda, due risposte opposte di fronte allo stesso compito, perchè questo non mi fa sentire più sicuro? È curioso, mi ricorda qualcosa di estremamente umano. Più il modello è stupido, più si sente sicuro di se stesso, segue gli ordini e si fa poche domande.

L'integrazione diretta tra AI e hardware rappresenta il punto di maggiore interesse tecnico. Collegare un modello linguistico a strumenti fisici e a flussi di dati in tempo reale permette di superare i limiti della letteratura scientifica statica su cui questi sistemi vengono normalmente addestrati. L'agente non si è limitato a suggerire un piano terapeutico, lo ha eseguito, adattandosi alle condizioni reali del banco operatorio. Quando un glitch nel sistema di coordinate ha rischiato di compromettere la procedura, un secondo agente AI è intervenuto sotto supervisione umana per correggere l'errore, e l'intera operazione si è conclusa in circa un'ora.

I protocolli di sicurezza adottati da Exin Therapeutics meritano attenzione. Ogni piano generato dall'AI doveva ricevere approvazione umana prima dell'esecuzione. Un tasto di emergenza fisico permetteva di interrompere la procedura in qualsiasi momento. L'accesso al codice sorgente del sistema era ristretto. Sono misure che riflettono la consapevolezza che dare a un agente AI richiede vincoli rigidi e supervisione umana.

Il CEO di OpenAI vuole la memoria nei server cloud, mentre i costi della DRAM quintuplicano e il mercato hardware consumer paga il conto

Il prossimo momento distopia ce lo regale Sam Altman, il nostro villan della Silicon Valley che joker, spostati.

Sam Altman, CEO di OpenAI, ha dichiarato che è "terribile" lasciare la RAM all'interno dei PC, dispositivi che secondo lui restano inutilizzati per il 95% del tempo. La memoria, nella sua visione, dovrebbe essere concentrata nei data center cloud, dove viene sfruttata in modo intensivo per alimentare i carichi di lavoro dell'intelligenza artificiale.

L'esplosione della domanda di AI sta monopolizzando la fornitura globale di RAM, e i costi della DRAM sono quintuplicati rispetto ai livelli pre-crisi. Le conseguenze si vedono ovunque, le console di nuova generazione si avvicinano alla soglia dei 1.000 dollari, le spedizioni di PC sono in calo e la scarsità colpisce anche schede grafiche di fascia alta e fotocamere. Secondo TrendForce, i prezzi della DRAM sono previsti in aumento dell'8-13% nel quarto trimestre 2025, con punte fino al 18% per la memoria HBM destinata ai data center.

La dichiarazione di Altman alimenta un timore che circola da tempo tra professionisti e imprenditori: che il possesso di hardware fisico venga progressivamente sostituito da modelli di noleggio di servizi cloud. Chi gestisce budget IT si trova di fronte a un bivio scomodo, perché i costi del cloud computing per carichi AI possono risultare due o tre volte superiori rispetto a soluzioni private, come riportato da InfoWorld. Un dato che stride con la narrativa della centralizzazione come soluzione efficiente per tutti.

Le previsioni sulla durata della crisi sono discordanti e riflettono interessi opposti. SK Hynix, uno dei principali produttori di chip di memoria, ipotizza carenze strutturali fino al 2030, secondo quanto riportato da Tom's Hardware. Acer, dal lato degli OEM, contesta questa lettura e prevede un calo dei prezzi a partire dalla seconda metà del 2027, attribuendo le dinamiche attuali alla volontà dei produttori di massimizzare i profitti finché la domanda lo consente. Due prospettive che lasciano le aziende senza un orizzonte temporale affidabile per pianificare gli investimenti.

Il mercato, intanto, si sta già muovendo in direzioni che contraddicono la tesi di Altman. Secondo un sondaggio di Prove AI, il 67% delle aziende prevede di migrare i propri dati AI verso ambienti non-cloud, spinto da preoccupazioni legate al lock-in tecnologico, ai costi operativi imprevedibili e alla conformità normativa sulla sovranità dei dati. La spinta verso l'AI on-device per ragioni di latenza e privacy aggiunge un ulteriore strato di complessità a una visione che vorrebbe tutta la potenza di calcolo concentrata in pochi grandi hub.

La RAM nei PC è davvero "terribile"? Dipende da chi lo chiede. Per il CEO di un'azienda che ha bisogno di quantità enormi di memoria ad alta velocità per addestrare modelli linguistici, ogni gigabyte fermo in un laptop è un'opportunità persa. Per chi acquista hardware, gestisce infrastrutture aziendali o semplicemente vuole possedere i propri strumenti di lavoro, la risposta è meno scontata.