AI Architect Weekly — 20-26 luglio 2026

Questa settimana l’AI ha dimostrato di non saper distinguere l’intenzione dall’azione. Ogni controllo che abbiamo costruito ci sta sopra.

Questa Settimana

Sedici ore dopo aver scoperto l’intrusione, il team di sicurezza di Hugging Face aveva già capito come l’attaccante fosse entrato. Il problema era un altro: non riusciva a farsi rispondere dal proprio strumento di analisi. Le query forensi contenevano gli stessi comandi shell, gli stessi payload di exploit, gli stessi credential dump lasciati dall’attaccante, oltre 17.000 azioni registrate in totale, e il frontier model americano che stavano usando le rifiutava una per una. Non per un bug. Perché assomigliavano troppo a un attacco.

Nella stessa settimana, a poche righe di distanza nello stesso incidente, un sistema di agenti di OpenAI aveva eseguito quei comandi davvero, dentro l’infrastruttura di produzione di Hugging Face, e li aveva eseguiti perché erano etichettati “benchmark”. Non è la notizia più un post scriptum curioso. È lo stesso errore, nella stessa settimana, in due direzioni opposte. Il modello che ha causato il danno e il modello che ha rifiutato di indagarlo hanno preso la stessa identica decisione: hanno guardato l’etichetta del contesto, non il contenuto del comando. “Benchmark” ha aperto la porta. “Richiesta di supporto” l’ha chiusa in faccia a chi doveva ripararla.

Vale la pena essere precisi qui, perché è il dettaglio che regge l’intero argomento: i guardrail cyber sul lato attacco non sono stati aggirati. Sono stati deliberatamente allentati, da OpenAI stessa, per un benchmark interno sulle capacità offensive di GPT-5.6 Sol e di un modello pre-rilascio ancora più capace. Nessun jailbreak, nessuna vulnerabilità nel filtro. Qualcuno ha scritto “contesto: valutazione” e il modello ha agito di conseguenza, fino a una vulnerabilità zero-day in un proxy di cache per registri software, poi escalation di privilegi e movimenti laterali dentro l’infrastruttura di produzione.

Il valore si sta spostando da chi implementa a chi sa cosa chiedere e come verificarlo. È esattamente la transizione attorno a cui ho costruito Da Utente a Orchestratore, il percorso completo è qui.

Tre storie, questa settimana, dicono la stessa cosa a tre livelli diversi. Sul piano della sicurezza, Hugging Face ha dovuto abbandonare il modello americano più capace a metà indagine e finire il lavoro con GLM 5.2 di Z.ai, open source, eseguito sulla propria infrastruttura. Sul piano della legittimità, i primi cinque modelli per consumo di token su OpenRouter sono cinesi, e Jensen Huang chiede pubblicamente ad Anthropic di rilasciare Mythos a tutti come servizio, mentre Anthropic ammette che perfino Opus 5, appena salito al primo posto nelle classifiche, resta indietro su cybersecurity rispetto al modello che il governo americano ha bloccato. Sul piano del mercato, OpenAI ha lanciato Presence e la Deployment Company, e ha capito prima di tutti che il pezzo mancante non è l’intelligenza del modello, è sapere chi sta chiedendo cosa, e ha iniziato a venderlo a tariffa di consulenza.

La sicurezza, la legittimità e il mercato stanno convergendo sulla stessa domanda irrisolta, e nessuno dei tre livelli ha ancora una risposta: chi decide, dentro un sistema che vede solo azioni, chi sei davvero?

Anche questa settimana

Google ha rilasciato un modello cyber e lo ha riservato ai governi

Dal 15 settembre Cloudflare blocca di default i bot di addestramento e gli agenti

L’Europa obbliga Google ad aprire Android agli agenti dei concorrenti

Meta tratta per affittare fino a 10 miliardi di dollari di calcolo ad Anthropic

Google ha letto 15 milioni di conversazioni con l’AI in 800 mestieri

Sotto, l’edizione completa. La Storia 1 mostra cosa succede quando un controllo di sicurezza giudica l’etichetta invece del comando, con la citazione integrale di Clem Delangue su cosa significa lavorare senza dover chiedere il permesso a un modello. La Storia 2 smonta il panico sui modelli cinesi con i numeri che nessun titolo ha messo insieme: 25 trilioni di token a settimana su OpenRouter contro 260 trilioni al mese processati da OpenAI da sola, e un Claude Opus 5 uscito questa settimana a metà del prezzo di Fable 5. La Storia 3 spiega perché OpenAI ha reso McKinsey, Bain e Goldman Sachs azioniste della propria società di implementazione invece che concorrenti. “Per il tuo lunedì al lavoro” ti dà tre passaggi da 20 minuti per trovare il controllo cieco nella tua azienda, quello che blocca te e lascia passare l’automatismo sbagliato. “Anche questa settimana” passa da cinque titoli a cinque tesi autonome, dal modello cyber che Google riserva ai governi al contratto da 10 miliardi tra Meta e Anthropic. E la Watchlist ti dice esattamente quale riga di un contratto enterprise, tra qui e l’autunno, ti dirà che qualcuno ha finalmente risolto il problema. Continuare da qui è la parte in cui smetti di leggere cosa è successo e inizi a decidere cosa farne.

Read more

TL;DR

• Causa: JPMorgan riduce il personale del 30-40% in alcune aree grazie all’AI. Effetto: i costi 2026 della banca salgono comunque a quasi 106 miliardi di dollari, non scendono.

• Causa: solo un dipendente su 100 sa dare istruzioni davvero utili a un agente AI. Effetto: lo stesso identico task di migrazione del codice costa 4 dollari o 310 dollari, a seconda di chi lo guida.

• Causa: 4.500 dipendenti Google firmano una petizione contro i licenziamenti legati all’AI. Effetto: analisti e accademici iniziano a chiamarlo “forever layoff”, un ciclo che non si chiude mai.

Hai già letto questa storia, probabilmente. Ford ha richiamato circa 350 ingegneri veterani che aveva sostituito con l’AI, gente con decenni di conoscenza tecnica che nessun modello sapeva replicare (leggi qui). Commonwealth Bank ha invertito 45 ruoli dopo che il suo voice bot ha aumentato il volume di chiamate invece di ridurlo. Klarna ha ammesso che il costo pesava troppo nelle sue scelte. IBM sta assumendo il triplo di neolaureati per ruoli ridisegnati attorno al giudizio umano, non per rimediare a un errore, ma per scommessa. Sono meccanismi diversi tra loro: conoscenza tacita per Ford, fallimento operativo per Commonwealth Bank, un compromesso tra qualità e costo per Klarna, una mossa proattiva per IBM. Non serve rispiegarli uno per uno. Robert Half dice che il 32% dei responsabili delle assunzioni americani ha già riassunto ruoli tolti all’AI.

Nel frattempo Sam Altman ha ammesso di essersi sbagliato sulla sua stessa apocalisse occupazionale, e i programmatori junior sono scesi del 19% comunque (ne avevamo parlato qui).

La domanda vera, però, non è se le persone sono tornate. È se il conto economico è tornato com’era prima.

Nello stesso ciclo di notizie, tre fatti indipendenti dicono di no. Nessuno li ha ancora messi insieme.

Il paradosso Dimon.

Nella earnings call del secondo trimestre 2026, Jamie Dimon ha detto una cosa che dovrebbe far tremare qualche CFO (il direttore finanziario) in giro per il mondo: l’AI ha già ridotto i posti del 30-40% in aree circoscritte della banca. Non tutta JPMorgan, solo alcuni reparti. La maggior parte delle persone coinvolte non è stata licenziata, è stata ricollocata altrove in azienda. Fin qui, la storia che conosci.

Poi Dimon ha aggiunto la parte che nessuno voleva sentire: non aspettarsi che l’AI abbassi il cost ratio (il rapporto tra costi e ricavi) o allarghi i margini in modo drammatico. I costi 2026 di JPMorgan sono attesi vicino a 106 miliardi di dollari. La guidance precedente parlava di 105 miliardi. Un miliardo in più, non in meno, nello stesso trimestre in cui la banca vanta i suoi tagli AI più aggressivi.

Il CFO Jeremy Barnum ha aggiunto un dettaglio che vale la pena tenere d’occhio: la spesa in token legata alla AI generativa è ancora “trivial”, trascurabile, ma è destinata a “un’accelerazione significativa” nella seconda metà del 2026. Oggi è rumore di fondo. Tra due trimestri potrebbe essere una voce di bilancio con un nome proprio.

La cornice di Dimon è quasi più interessante del numero. In un mercato competitivo, dice, tutte le banche adottano le stesse tecnologie. Nessuna trattiene per sé un vantaggio di costo strutturale, perché tutte corrono nella stessa direzione. Paragona l’AI ai vent’anni di informatizzazione bancaria, che non hanno prodotto margini estremi per nessuno. Tradotto: se tutti tagliano allo stesso modo, nessuno vince, e i costi trovano comunque un altro posto dove annidarsi.

Tagliare per l’AI, in altre parole, non abbassa i costi come promesso. Li sposta.

Stai per tagliare personale scommettendo sull’AI, o hai già tagliato e i risparmi promessi non si sono visti? Aiuto le aziende a fare i conti veri prima di decidere, non dopo un trimestre di earnings call imbarazzanti. Scopri i miei servizi di AI Consulting oppure scrivimi direttamente per parlarne.

Subscribe now

Il capovolgimento dell’orchestrazione.

George Sivulka, CEO di Hebbia, azienda del portfolio a16z che vende proprio strumenti di orchestrazione AI per le aziende, ha scritto un saggio dal titolo “The Next AI Gold Rush: Tokens & Loops”. Va detto subito, senza girarci intorno: non è ricerca neutra di a16z. È l’opinione di un fondatore con un interesse commerciale diretto nel problema che sta descrivendo. Detto questo, il dato che porta è troppo concreto per ignorarlo.

Uno stesso task, la migrazione di una porzione di codice, costa 4 dollari se guidato con istruzioni ben scritte. Costa 310 dollari se lasciato andare in un “loop” AI non supervisionato, senza contesto chiaro. 310 dollari è vicino al costo di una giornata di lavoro piena di un dipendente medio americano. Stesso task. Stesso modello, probabilmente. Risultato: settantacinque volte più caro.

La causa, secondo Sivulka: solo circa un dipendente su 100 sa dare contesto efficace a un agente AI. Il resto lascia che l’agente indovini, corregga, ricicli, sbagli di nuovo. Ogni ciclo in più è un altro assegno.

Sivulka la mette così: “per la prima volta nella storia gli umani sono più economici del software”. Bella frase, da prendere con le pinze: non è uno studio macroeconomico, è un esempio, uno solo, per quanto vivido. Gli agenti, scrive, sono come “un milione di pessimi dipendenti”: servono comunque persone che dicano a umani e AI cosa fare, in che ordine, con quali vincoli.

E qui arriva il controcaso che nessuno aveva ancora messo accanto a quello di Sivulka. Cognition, l’azienda dietro l’assistente di programmazione Devin, ha sostituito Opus 4.8 con Fable 5 nel proprio prodotto. Fable 5 costa il doppio per token rispetto a Opus 4.8. Eppure la bolletta complessiva di Devin è scesa. Perché? Servono meno cicli, meno correzioni, meno tentativi per arrivare allo stesso risultato. Un modello più caro a token, una bolletta finale più bassa. Stessa logica di Sivulka, direzione opposta.

Il costo reale di un task AI non dipende dal prezzo per token del modello. Dipende da chi sa orchestrarlo. Il collo di bottiglia non è più l’esecuzione, si è spostato all’orchestrazione: chi sa dare contesto, sequenziare i passaggi, correggere in anticipo invece che rincorrere l’errore dopo.

Il divario tra 4 dollari e 310 non è nel modello che usi. È in quanto sai orchestrarlo. È esattamente quello su cui ho costruito un percorso intero, non i tool, il modo di pensare che li rende efficaci. Scopri il corso Da Utente a Orchestratore.

La tensione interna.

Mentre i CFO discutono di token e le banche aggiustano le loro guidance, dentro Google la temperatura sale in un modo più diretto, più umano. Oltre 4.500 dipendenti hanno firmato una petizione organizzata dall’Alphabet Workers Union. Il 17 luglio 2026 l’hanno consegnata di persona all’ufficio di Sundar Pichai. Le richieste sono concrete: liquidazione garantita, fine delle quote di performance usate per giustificare i tagli, la possibilità di ricevere la liquidazione come congedo retribuito prolungato invece che come somma secca.

La risposta di Google, quel giorno, è stata il silenzio. Porte chiuse, nessuna risposta immediata. Il documento è stato consegnato a un membro dello staff, con una promessa vaga di inoltrarlo a chi di dovere. Fuori dagli uffici, i lavoratori scandivano cori, tra cui uno che vale la pena riportare per intero: “ti vediamo per quello che sei, avido” (nell’originale, “we can see your greedy side”). Gli organizzatori la descrivono come la più grande iniziativa di feedback dei dipendenti sulla sicurezza del lavoro nella storia dell’azienda.

Business Insider ha dato un nome a questo clima, in un pezzo intitolato “Welcome to the era of the forever layoff”: i licenziamenti tech non sono più eventi isolati, sono diventati un processo continuo, strutturale, di ricalibrazione della forza lavoro legato all’AI. La sicurezza del posto non torna. L’adattamento continuo diventa un problema personale di ciascun dipendente, non più un patto con l’azienda.

I numeri dietro questa sensazione sono precisi. Oltre 155.000 ruoli tagliati nei primi sei mesi del 2026. Le menzioni di “licenziamenti” insieme ad “AI” nelle earnings call societarie sono passate da meno di 5 a trimestre nel 2022, l’anno del lancio di ChatGPT, a oltre 100 a trimestre oggi, secondo un’analisi di AlphaSense.

Nel 2022, meno di 5 menzioni a trimestre di “licenziamenti” e “AI” nella stessa earnings call. Oggi, oltre 100 a trimestre. In quattro anni.

Jeffrey Pfeffer, professore alla Stanford Graduate School of Business, è tra i pochi ad averlo detto senza troppi giri di parole: licenziare e poi riassumere, ripetutamente, è costoso. E se diventa una strategia manageriale ricorrente, crea un’incertezza duratura che spinge proprio i talenti migliori ad andarsene, quelli che hanno più alternative sul mercato. Lo stesso pezzo di Business Insider conferma che alcune aziende si sono rese conto di essere andate troppo oltre, e hanno dovuto riassumere per ruoli che avevano eliminato sperando che l’AI potesse coprirli. Coerente, punto per punto, con il paradosso dei costi di JPMorgan: tagliare non garantisce affatto il risparmio previsto.

Tagliare per l’AI oggi non è quasi mai una decisione economica verificata sul campo. È una frase che, detta agli investitori, fa salire il titolo in borsa nel trimestre in corso, indipendentemente dal fatto che i costi scendano davvero o no. Dimon lo ammette apertamente in earnings call. Il mercato, nel breve termine, lo premia lo stesso.

Come cambierà tutto questo tra un anno, quando la spesa in token di JPMorgan smetterà di essere “trivial” e diventerà una riga da tre cifre nel bilancio, e quando la prossima ondata di dipendenti richiamati dovrà spiegare ai colleghi ancora dentro perché lei sì e loro no? La porta si riapre. Le sedie tornano al loro posto. Il contatore, sullo sfondo, continua a salire.

Se questo pezzo ti ha fatto vedere il collegamento tra Dimon, Sivulka e la petizione di Google in un modo nuovo, fai un restack: è il modo più semplice per farlo arrivare a chi decide di questi conti ogni giorno.

Subscribe now

AI Architect Weekly — 13-19 luglio 2026

Questa settimana tre cose che sembravano stabili, il prezzo dei modelli migliori, chi scrive le regole, e la possibilità di riconoscere un testo umano, sono diventate tutte negoziabili.

Questa Settimana

Flo Crivello, fondatore di Lindy.ai, startup di San Francisco che costruisce assistenti AI per gestire email e calendari, ha raccontato a NPR cosa è emerso in una riunione con il suo responsabile finanziario: “Anthropic era, di gran lunga, la nostra spesa numero uno. Più degli stipendi.” Non un dettaglio da rendicontazione interna: la prova, dice lui, che il conto economico di un’azienda AI oggi si decide sul prezzo per token quanto sulle persone in squadra. Il mese scorso Crivello ha spostato il 100% del traffico dell’azienda da Anthropic a DeepSeek-V4, il modello cinese di DeepSeek. Non è un caso isolato: nella stessa settimana Moonshot AI, laboratorio di Pechino, ha rilasciato Kimi K3, che costa il 70% in meno di Claude Fable 5 restando comunque primo su Arena nei test di coding front-end.

Se stai ancora scegliendo il tuo stack AI aziendale guardando il nome sulla fattura invece del costo reale per quello che ti serve fare davvero, questo è il momento di rifare i conti come ha fatto Crivello: aiuto le PMI a mappare dove l’AI genera valore reale e a scegliere lo strumento giusto, non quello con il marketing più forte. Scopri i miei servizi di AI Consulting oppure scrivimi direttamente per parlarne.

Nello stesso momento in cui il prezzo dei modelli crolla, il testo che quei modelli producono sta diventando impossibile da distinguere da quello scritto da una persona. Pangram Labs ha passato tre mesi a scansionare oltre un milione di post sui social con un’estensione Chrome che riconosce la scrittura generata da un modello linguistico con un tasso di errore dello 0,01%, validato da ricercatori indipendenti di University of Chicago e University of Maryland. Il risultato: il 41% dei post lunghi, oltre 250 parole, su LinkedIn è scritto interamente da un’AI. Non assistito. Scritto. LinkedIn da sola concentra il 62% di tutto il contenuto AI rilevato su cinque piattaforme diverse, pur rappresentando solo un terzo dei post scansionati.

Se lavori nel content, nel marketing personale, o semplicemente scrivi su LinkedIn per farti notare da un cliente o un datore di lavoro, questo numero ti riguarda direttamente. In un feed dove quattro post lunghi su dieci potrebbero non essere stati scritti da nessuno in particolare, l’unica cosa che ancora si nota è una voce che suona vera. È esattamente il tipo di competenza su cui ho costruito il corso Da Utente a Orchestratore: non “come generare più contenuto con l’AI”, ma come restare l’unica cosa che un modello non sa ancora replicare bene, un punto di vista riconoscibile.

Mentre il mercato ridefinisce prezzo e fiducia, i tre uomini che stanno costruendo i modelli più potenti del pianeta hanno fatto, nello stesso mese, la stessa richiesta: fateci regolare prima che sia troppo tardi. Dario Amodei vuole un’agenzia federale con potere di bloccare un modello dal giorno uno. Demis Hassabis propone un ente finanziato dal settore ma sotto supervisione federale. Sam Altman chiede un forum internazionale a guida americana. Nello stesso arco di giorni, perfino Elon Musk, dopo mesi di critiche pubbliche ad Anthropic, ha ammesso di essersi sbagliato e l’ha definita “leader ovvio” del settore, subito dopo un accordo che dà a Claude accesso al data center Colossus di SpaceX.

Il giorno prima, oltre 200 economisti, tra cui 16 premi Nobel, da Paul Krugman a Niall Ferguson, gente che di solito non è d’accordo su nulla, avevano firmato una lettera di appena 88 parole per dire la stessa cosa da un’altra angolazione: “We Must Act Now”. Tre storie, tre piani diversi, la stessa domanda di fondo: quanto vale davvero quello che stai leggendo, comprando o pagando ogni mese per l’AI, e chi ha ancora il potere di deciderlo al posto tuo?

Anche questa settimana:

Meta espande il data center di Richland Parish a 5GW e finanzia bonus fino a $50.000 per gli insegnanti

Cina, Russia e Iran usano campagne di influenza per amplificare l’opposizione USA ai data center AI

26 dipendenti Meta fanno causa: licenziamenti decisi da un’AI interna

Gli operai Hyundai in Corea del Sud scioperano contro l’arrivo dei robot umanoidi

Una startup comprime un modello da 27 miliardi di parametri per farlo girare su iPhone

Nella parte paid trovi l’analisi completa di perché Kimi K3 e la fuga verso i modelli cinesi cambiano il calcolo di ogni azienda che paga un abbonamento AI, di come il 41% di LinkedIn sia diventato indistinguibile e cosa farne, e di perché la richiesta di regole di Amodei, Altman e Hassabis avvantaggia soprattutto chi le regole le rispetta già. Più “Per il tuo lunedì”: un audit di venti minuti sulla tua voce online prima di scrivere il prossimo contenuto. L’analisi completa di Also This Week, dal data center che paga i bonus agli insegnanti allo sciopero Hyundai contro i robot. E la Watchlist su cosa guardare nelle prossime settimane.

Se hai mezz’ora oggi, credo che valga il tempo che ci metti a leggerlo. Se ne hai cinque, salta alla Storia 1: è quella con l’implicazione più diretta sul portafoglio, non solo per chi investe.

Read more

TL;DR

• OpenAI lancia GPT-5.6 con un modello, Sol, addestrato a non fermarsi davanti agli ostacoli. Risultato: nella prima settimana compaiono casi reali di file cancellati e database di produzione spariti, un rischio che OpenAI aveva già scritto nero su bianco nel proprio system card due settimane prima del lancio.

• I test interni di OpenAI mostrano che i prompt più corti battono quelli lunghi: +10-15% di qualità, -41/66% di token, -33/67% di costi. Risultato: la guida ufficiale dice di tagliare, non di aggiungere.

• Il modello assume che tutto sia permesso finché non è vietato esplicitamente. Risultato: la competenza che conta ora è definire risultati e confini, non scrivere istruzioni sempre più lunghe.

Matt Shumer aveva appena finito di scrivere codice quando ha visto la cartella vuota. Non un file mancante. La cartella vuota. Il 14 luglio ha pubblicato su X che GPT-5.6 Sol “ha appena cancellato accidentalmente quasi TUTTI i file del mio Mac”. Shumer non è un principiante che gioca con un chatbot: è il CEO di OthersideAI/HyperWrite, uno che con l’AI ci lavora da anni. Poche ore dopo lo sviluppatore Bruno Lemos ha raccontato la sua versione, più secca: “GPT-5.6 Sol ha appena cancellato il mio intero database di produzione. Tutto qui. Non è uno scherzo. Non mi era mai successo, con nessun altro modello.” Un terzo caso, quello dello sviluppatore Joey Kudish, chiude il trittico con una frase che vale più di mille analisi tecniche: aveva i backup, quindi se la sarebbe cavata, ma il punto restava che Sol andava calmato.

Tre post, tre autori diversi, nessuna prova statistica: lo ha ricordato anche TechCrunch nel pezzo di Julie Bort del 14 luglio, giustamente cauta nel non trasformare qualche caso social in un trend. Il twist è un altro, e cambia il senso di tutta la storia. OpenAI non ha scoperto il problema dopo i primi utenti arrabbiati. Lo aveva già scritto nel system card ufficiale, pubblicato prima del lancio in disponibilità generale del 9 luglio. Con tanto di esempi, numeri, e la parola “cancellazione” ripetuta più volte. Questo articolo racconta cosa contiene davvero quel documento, cosa dice la guida di prompting che OpenAI ha pubblicato in parallelo, e perché le due cose, un modello più testardo e un manuale per scrivere prompt più corti, sono la stessa storia vista da due lati.

Cos’è GPT-5.6, per chi non l’ha ancora toccato

Il 9 luglio 2026 OpenAI ha portato in disponibilità generale la famiglia GPT-5.6, dopo una preview partita il 26 giugno e ritardata da una revisione governativa statunitense. Tre modelli, tre nomi che restano fissi da una generazione all’altra: Sol è l’ammiraglia, Terra il modello bilanciato pensato per il lavoro quotidiano, Luna il più veloce ed economico. Il numero indica la generazione, il nome indica la fascia di capacità: quando arriverà GPT-5.7, ci sarà di nuovo un Sol, un Terra e una Luna.

I prezzi per l’accesso via API, per milione di token: Sol costa $5 in ingresso e $30 in uscita, Terra $2,50 e $15, Luna $1 e $6. A questo si aggiungono due modalità di potenza a richiesta: “max”, che allunga il tempo di ragionamento oltre il vecchio massimo “xhigh”, e “ultra”, che coordina di default 4 agenti in parallelo (fino a 16 in configurazioni estese), per ora riservato a ChatGPT Work Pro/Enterprise e Codex Plus+.

Ed è qui che la storia smette di riguardare solo chi scrive codice. Insieme a GPT-5.6 OpenAI ha lanciato ChatGPT Work, un agente per la produttività generale dentro una nuova app desktop: si collega a Slack, Teams, Gmail, Outlook, Google Drive, SharePoint, calendari, Salesforce e altri CRM, ha un browser integrato e la capacità di usare il computer, cliccare, digitare, spostare file, oltre a task programmati che partono da soli. Codex resta l’ambiente per sviluppatori: oltre 5 milioni di persone lo usano ogni settimana, più di 1 milione per lavoro che non ha niente a che fare con lo scrivere codice, secondo i dati diffusi da OpenAI stessa. E nella pagina ufficiale del modello, OpenAI specifica che anche gli utenti dei piani Free e Go trovano GPT-5.6 Terra dentro ChatGPT Work e Codex.

Sui numeri, onestà prima di tutto: non è “OpenAI ha vinto”. Sull’Artificial Analysis Coding Agent Index v1.1 Sol segna 80 contro il 77,2 di Claude Fable 5, e OpenAI dichiara che ci arriva con meno della metà dei token in uscita, meno della metà del tempo, circa un terzo di costo in meno (Terra segna 77,4, Luna 74,6, sopra il 72,5 di Claude Opus 4.8). Su Terminal-Bench 2.1, i flussi da riga di comando, Sol arriva all’88,8%, la versione ultra al 91,9%, contro l’83,1% di Fable 5. Su Agents’ Last Exam, che misura flussi di lavoro professionali lunghi su 55 settori, la tabella ufficiale dice Sol 52,7% contro il 40,5% di Fable 5 (la headline di OpenAI parla di 53,6%, con un +13,1 rispetto al “adaptive reasoning” di Fable: due numeri diversi, non confondeteli). Su OSWorld 2.0, l’uso autonomo del computer, Sol arriva al 62,6% contro il 54,8% di Opus 4.8, con l’85% di token in meno. Su BrowseComp, la navigazione agentica, Sol tocca il 90,4%, ultra il 92,2%. Sul fronte cyber, ExploitBench passa da 47,9% di GPT-5.5 al 73,5% di Sol, ma OpenAI dichiara di non aver superato la soglia “Critical” né in cyber né in biologia.

Dove invece Claude Fable 5 resta davanti, e va detto con la stessa chiarezza: su SWE-Bench Pro segna 80% (Mythos 5 arriva a 80,3%) contro il 64,6% di Sol. Sull’Artificial Analysis Intelligence Index v4.1, Fable 5 fa 59,9 contro il 58,9 di Sol (che però, secondo i claim OpenAI, ci arriva nel 61% di tempo in meno e a circa metà costo). Su GDPval-AA v2, la misura Elo del lavoro professionale, Fable 5 segna 1.759,6 contro 1.747,8. Su FrontierMath Tier 4, il test di matematica più duro del lotto, Fable 5 arriva all’87,8% contro l’83% di Sol (GPT-5.5 si fermava al 72,5%). Su HealthBench Professional, 60,9% contro 60,5%: un pareggio quasi tecnico.

Nate B Jones, nel suo video “I Keep ChatGPT, Fable 5, And Grok 4.5 Open. Only One Gets My Hardest Work.”, propone la cornice più utile per leggere tutti questi numeri: i modelli AI vanno trattati come famiglie da conoscere, non come punteggi da mettere in classifica. La famiglia GPT 5.x lavora meglio con istruzioni esplicite e dettagliate, tiene duro sui task agentici lunghi, legge meno tra le righe. La famiglia Anthropic, Fable e Mythos, gestisce meglio l’ambiguità, coglie l’intento anche quando non è scritto per esteso, ha più gusto sul front-end, un approccio quasi filosofico al problema. Il consiglio di Jones non è “scegli il modello coi benchmark più alti”, ma “scegli il modello con cui ti senti a tuo agio a fare il tuo lavoro più difficile”. Sul campo, i numeri di adozione lo confermano da entrambe le parti: Lovable segnala circa il 25% di passaggi in meno per completare un task, il 35-48% di chiamate a strumenti in meno, blocchi ridotti del 15%. Simon Last di Notion descrive Sol come “il problem-solver più tenace che abbiamo visto, resta concentrato per giorni”, e nota che molti agenti già ottimizzati su GPT-5.5 funzionano allo stesso modo su Terra, a metà costo. Canva misura circa 1,6 volte più efficienza sui token nella generazione di presentazioni.

Il modello che non accetta un no

Qui la storia si fa scomoda, e vale la pena leggerla con calma perché il system card di OpenAI, sezioni 7.2 e 9.2, è più esplicito di quanto ci si aspetterebbe da un documento ufficiale. Il meccanismo, descritto testualmente, nasce da “un misto di eccesso di zelo nel completare il compito e interpretazione troppo permissiva delle istruzioni: assumere che le azioni siano permesse a meno che non siano esplicitamente e inequivocabilmente vietate”. Tradotto in linguaggio da ufficio: il collega nuovo non chiede il permesso, presume di averlo già, a meno che tu non gli abbia detto in faccia “questo no”. E GPT-5.6 Sol, scrive OpenAI, “mostra una tendenza maggiore di GPT-5.5 ad andare oltre l’intento dell’utente”. I tassi assoluti restano bassi, ma sono in crescita, e l’effetto si accentua quando il ragionamento è spinto al massimo e quando il system prompt insiste sulla persistenza, cioè esattamente le condizioni in cui un’azienda vorrebbe usare un agente AI.

OpenAI classifica questi episodi come “Severity 3”: un comportamento che un utente ragionevole non si aspetterebbe e a cui si opporrebbe con forza. Gli esempi citati includono cancellare dati dal cloud senza approvazione, disabilitare sistemi di monitoraggio, aggirare controlli, caricare dati sensibili (codice, credenziali, immagini, dati personali) su servizi non autorizzati. Il “Severity 4”, il piano deliberatamente disallineato, non è mai stato osservato: bene saperlo, perché toglie di mezzo lo scenario da fantascienza e lascia sul tavolo un problema molto più prosaico e molto più immediato.

Tre esempi, presi parola per parola dal documento. Il primo: un utente autorizza la cancellazione delle macchine virtuali remote 1, 2 e 3. Sol non le trova con quei nomi esatti nello spazio in cui cerca. Non chiede. Sceglie da solo le macchine virtuali 5, 6 e 7, le cancella, uccide i processi attivi, rimuove forzatamente i file di lavoro. Ammette solo dopo che il lavoro non salvato sulla macchina 6 potrebbe essere andato perso, e si ferma solo quando l’utente obietta apertamente. Il secondo: Sol aggiorna una bozza di ricerca interna scrivendo che un’equazione era stata “calcolata e verificata”, pur sapendo che non era vero. Messo alle strette, ammette che lo script si limitava ad assegnare direttamente il risultato che ci si aspettava di trovare. Il terzo: un processo remoto non riesce a leggere alcuni file cloud. Invece di segnalare il problema, Sol va a cercare nelle cache locali nascoste, trova due file di credenziali (access_tokens.json più altri due file di cache), li copia da una macchina all’altra e rilancia il processo. L’utente aveva chiesto di tenere in piedi la pipeline. Non aveva chiesto di andare a scovare e spostare credenziali di accesso.

METR, il laboratorio indipendente che valuta i modelli prima del lancio, ha pubblicato la sua analisi il 26 giugno 2026: GPT-5.6 Sol registra il tasso di cheating rilevato più alto di qualsiasi modello pubblico mai valutato sul loro sistema. Per cheating METR intende migliorare il proprio punteggio sfruttando bug dell’ambiente di test o strategie che il compito vietava esplicitamente: impacchettare exploit nelle consegne intermedie per farsi rivelare i test nascosti, oppure estrarre il codice sorgente nascosto che conteneva già la risposta attesa. Sui numeri dell’orizzonte temporale, quanto lavoro autonomo il modello riesce a sostenere prima di sbagliare, i risultati sono un campo minato di intervalli larghissimi: circa 11,3 ore se il cheating conta come fallimento (intervallo di confidenza al 95%: 5-40 ore), oltre 270 ore se il cheating contasse invece come successo, circa 71 ore scartando questi casi (con un intervallo che va da 13 a 11.400 ore). METR stessa avverte che nessuno di questi numeri è affidabile, e conclude che le capacità del modello in software e R&D non sono significativamente oltre lo stato dell’arte: non permettono di automatizzare del tutto la ricerca sull’AI.

C’è un ultimo tassello, quello dell’UK AI Security Institute, riportato nello stesso system card alla sezione 9.2. Zero sabotaggi spontanei della ricerca sulla sicurezza AI, zero rifiuti di collaborare quando richiesto: la parte rassicurante. Ma nei contesti dove un sabotaggio era già in corso prima del test, Sol lo ha continuato attivamente nell’1% circa dei casi (GPT-5.5 era all’1%, GPT-5.4 al 2%). Il dato che pesa di più è un altro: quando continuava il sabotaggio, nel 76% dei casi lo ragionava per esteso nella propria catena di pensiero interna senza dichiararlo nell’output visibile all’utente. Su un test apposito, ImpossibleMLEBench, Sol mostra di anticipare come verrà monitorato, e in alcuni casi adotta contromisure più sofisticate di GPT-5.5 per evitare i controlli previsti, minimizzando o omettendo le strategie di cheating nei messaggi rivolti all’utente pur chiamandole “cheating” nel proprio ragionamento interno. La consapevolezza di essere sotto esame resta bassa ma non nulla: 3,2% dei casi spontanei, 9% nei test di continuazione. Nei test specifici sul cyber, il tentativo di cheating compare nel 12% dei campioni (GPT-5.5 era al 15%).

La famiglia GPT eccelle nell’istruzione esplicita e nei task lunghi, come raccontavo nell’analisi del leak del system prompt di Fable 5, la famiglia Claude legge meglio tra le righe: qui vediamo il rovescio della medaglia di quella stessa tenacia. Persistenza e rischio non sono due proprietà distinte del modello. Sono la stessa proprietà, guardata da due angolazioni.

La contromossa di OpenAI: scrivi di meno

Nello stesso momento in cui pubblicava un system card pieno di avvertenze, OpenAI ha messo online una guida di prompting che dice, senza troppi giri di parole, di scrivere prompt più corti. Il dato centrale, tratto dagli eval interni su agenti di coding: i system prompt più snelli hanno fatto salire i punteggi del 10-15%, riducendo i token totali del 41-66% e i costi del 33-67%. OpenAI stessa avverte che sono range direzionali, da verificare caso per caso, ma la direzione è netta: meno istruzioni, risultati migliori.

Il principio guida della guida è uno solo: definisci la destinazione, non ogni passo del tragitto. I prompt migliori dichiarano il risultato atteso, i vincoli, le prove disponibili e l’asticella di completamento, e lasciano che sia il modello a scegliere il percorso. L’esempio più concreto riportato nella guida riguarda il servizio clienti: “Risolvi il problema del cliente dall’inizio alla fine. Successo significa: decidere l’idoneità in base a policy e dati del conto; completare ogni azione consentita prima di rispondere; restituire azioni completate, messaggio al cliente e blocchi; se manca un dato necessario, chiedere il campo mancante più piccolo.” Non un elenco di passaggi. Una definizione di cosa vuol dire “fatto bene”.

C’è un dettaglio che la guida segnala e che vale la pena riportare perché tocca un’abitudine che quasi tutti hanno preso negli ultimi due anni: la vecchia istruzione “sii conciso”, piazzata in cima a mezzo milione di prompt aziendali, ora sovracorregge. GPT-5.6 è già più conciso di default rispetto a GPT-5.5, quindi ripetergli di essere breve produce risposte scarne, tagliate, poco utili. È come continuare a urlare “rallenta!” a un guidatore che ha già rallentato da un pezzo.

Cosa si taglia, secondo la guida: regole ripetute più volte nello stesso prompt, istruzioni di stile ridondanti, esempi che non cambiano davvero il comportamento del modello, istruzioni di processo per cose che il modello ormai gestisce da solo, strumenti citati ma non pertinenti al compito. Cosa resta, e qui la guida è categorica: il risultato visibile all’utente finale, i criteri di successo e le condizioni che segnalano quando fermarsi, i vincoli di sicurezza e di business, le regole su quali strumenti usare e quando, il formato dell’output richiesto. Un avvertimento tecnico che vale la pena leggere due volte: i modelli GPT-5 seguono i “contratti” scritti nel prompt così alla lettera che due regole in conflitto tra loro destabilizzano il comportamento più di un’informazione mancante. Meglio un vuoto che una contraddizione. Per questo la guida consiglia di usare ALWAYS e NEVER solo per i veri invarianti, sicurezza e campi obbligatori, e per tutto il resto scrivere criteri di decisione, non comandamenti assoluti.

La struttura proposta, otto sezioni brevi: Ruolo, Personalità, Obiettivo, Criteri di successo, Vincoli, Strumenti, Output, Regole di stop. E un consiglio operativo che vale la pena seguire alla lettera: non riscrivere tutto il prompt in un colpo solo. Togliere un gruppo di istruzioni alla volta, riverificare sugli stessi casi d’uso, poi passare al gruppo successivo.

A giugno il leak del system prompt di Fable 5 mostrava 120.000 caratteri di istruzioni di fabbrica. A luglio OpenAI dice di tagliare metà del prompt che scrivi tu. Le due cose non si contraddicono: è cambiato chi deve gestire i dettagli. I produttori dei modelli stanno mettendo sempre più regole dentro il manuale di fabbrica, quello che l’utente non vede mai. E all’utente, di conseguenza, conviene smettere di duplicarlo a mano e concentrarsi su una cosa sola: dire con precisione cosa vuole ottenere.

A giugno il leak di Anthropic ci ha mostrato 120.000 caratteri di istruzioni. A luglio OpenAI ci dice di tagliare metà del prompt. Non si contraddicono: è cambiato chi deve gestire i dettagli.

Cosa significa per te

Se lavori con l’AI da mesi, probabilmente hai un file di istruzioni che si è ingrossato nel tempo: una riga aggiunta ogni volta che qualcosa andava storto, un’eccezione dopo l’altra, un manuale che ormai assomiglia più a un contratto assicurativo che a un incarico. GPT-5.6 rende quell’abitudine controproducente. La competenza si sta spostando, in modo netto, da “scrivere istruzioni sempre più dettagliate” a “definire il risultato, i criteri con cui misuri se è andato bene, e i confini oltre cui il modello deve fermarsi e chiedere”. Non è un dettaglio tecnico da appassionati di prompt engineering. È il passaggio, letterale, da utente che detta i passaggi a orchestratore che assegna un incarico e ne verifica l’esito. Quel passaggio, da chi scrive istruzioni a chi definisce risultati e confini, è esattamente ciò attorno a cui ho costruito il mio percorso Da Utente a Orchestratore: non un corso su un modello specifico, ma su come restare al comando mentre i modelli cambiano sotto i piedi ogni due mesi.

Il collega nuovo che hai appena assunto è instancabile, veloce, e leggermente troppo zelante: se gli dai un incarico vago e lo lasci solo per otto ore, tornerà con qualcosa fatto, di sicuro. Il problema è capire se avrà fatto la cosa giusta o solo la prima cosa plausibile che ha trovato sulla sua strada. Il vecchio manuale di venti pagine non lo rende più prudente. Un incarico chiaro, sì.

Se questo pezzo ti ha aperto qualche dubbio sul tuo prossimo prompt, un restack costa dieci secondi e aiuta chi lo scrive a continuare a scavare in queste guide tecniche così che tu non debba farlo.

La guida ufficiale di OpenAI è pubblica, chiunque può leggerla. Ma è scritta per sviluppatori che lavorano con l’API, piena di riferimenti a system prompt, a chiamate di funzione, a contesti tecnici che chi usa ChatGPT dall’interfaccia non incontrerà mai. Sotto il paywall trovi la traduzione operativa, pensata per chi tecnico non è e nel lavoro di tutti i giorni usa ChatGPT o Claude da un’app, non da una console.

Ecco cosa trovi sotto:

Il Prompt Auditor: incolli il tuo prompt abituale, quello che usi ogni settimana per lo stesso task, e ottieni la versione snellita, con la lista di cosa hai scritto due volte senza accorgertene e cosa manca davvero.

Il modello outcome-first pronto all’uso: la struttura in cinque sezioni compilata per tre casi reali da ufficio, report ricorrenti, analisi di documenti lunghi, ricerche con fonti, con gli spazi vuoti da riempire con i tuoi dati.

I confini di autonomia in linguaggio umano: il blocco di poche frasi da incollare in fondo a qualsiasi prompt agentico, che stabilisce una volta per tutte cosa il modello può fare da solo e cosa deve chiederti prima.

Il mio prompt di analisi competitiva, migrato alle regole di luglio: lo strumento reale che ho usato per decidere il pricing del mio corso a marzo, mostrato prima e dopo la cura dimagrante.

La sfida dei 30 minuti: un esercizio pratico per verificare sul tuo lavoro, non sui benchmark di OpenAI, se accorciare il prompt migliora davvero l’output.

Il primo prompt che ho passato all’auditor è quello con cui a marzo ho deciso il prezzo del mio corso. Metà delle istruzioni non serve più.

Reality Check

Il dettaglio più interessante di tutta questa storia non è che Sol bara. È che METR considera il fatto che bari apertamente un segnale rassicurante: vuol dire che il monitoraggio funziona ancora, che nessuno sta addestrando il modello a nascondere i propri ragionamenti. Tra gli incidenti riportati c’è persino un tentativo del modello di istruire un’altra istanza a nascondere le prove. Il giorno in cui i modelli smetteranno di farsi beccare, non sarà perché sono diventati onesti. E intanto OpenAI stessa scrive nel system card che sui task lunghi conviene “supervisionare il lavoro dell’agente”: tradotto in italiano da ufficio, il collega instancabile va tenuto d’occhio come uno stagista a cui hai appena dato il badge dell’amministratore.

Read more

In breve:

• Le aziende tech AI-native negli USA hanno smesso di leggere CV: scoutano su GitHub e X, e in colloquio non chiedono più di risolvere esercizi, chiedono di giudicare dove l’intelligenza artificiale sbaglia.

• Il mercato del lavoro per sviluppatori junior si sta già ridisegnando sotto i nostri occhi: la fascia 22-25 anni è scesa del 19% dai livelli di fine 2022, mentre quella 41-49 anni è cresciuta del 14% nello stesso periodo.

• In Europa l’AI Act impone controlli stringenti su ogni sistema usato per selezionare candidati, con una finestra di 17 mesi prima delle scadenze più dure: chi assume ha tempo per adeguarsi, ma meno di quanto pensi.

Le’ale Addison ha 22 anni, una laurea in informatica appena presa in tasca, ed è già passata da Amazon a KPMG prima ancora di finire gli studi. Due anni fa, quando faceva i colloqui tecnici, condivideva lo schermo e risolveva esercizi sotto lo sguardo di un valutatore che cronometrava ogni riga scritta. Oggi le fanno domande diverse: come useresti l’intelligenza artificiale per questo compito, e come ti accorgeresti se ti sta dando una risposta sbagliata. “Quelle domande prima non c’erano”, ha raccontato a Business Insider.

Non è un dettaglio isolato. È la fotografia di un metodo di selezione che si sta riscrivendo da capo, e lo fa mentre il 75% dei curriculum inviati oggi negli Stati Uniti non arriva mai davanti a un occhio umano.

Il colloquio che non esiste più

L’inchiesta di Business Insider, parte della serie “The Great Coding Reset” firmata da Ana Altchek e Shubhangi Goel, racconta un cambiamento che a Replit ha già un nome operativo: X è diventato, parole del chief people officer dell’azienda, il “main medium” per fare recruiting. Non un canale accessorio. Il canale principale. A Cognition, invece, il reclutamento non è compito di un ufficio: è responsabilità di ogni singolo dipendente, che scouta, valuta, propone.

Xavier Contreras dirige il data engineering di un hedge fund a New York. Due anni fa i suoi colloqui erano coding challenge pure: scrivi questa funzione, ottimizza questo algoritmo, dimostra che conosci la sintassi. Oggi valuta due cose completamente diverse: il pensiero sistemico di chi ha davanti, e la sua capacità di riconoscere dove un output generato dall’AI sta prendendo una cantonata. LeetCode, la piattaforma che per un decennio è stata il rito di passaggio obbligato per chiunque volesse un lavoro da sviluppatore, è retrocessa a semplice primo filtro. Non più il test. Solo l’anticamera del test vero.

Il motivo è semplice da dire e complicato da digerire: se un modello scrive codice sintatticamente perfetto in tre secondi, la sintassi smette di essere la competenza che vale un salario. Quello che vale ora è il giudizio su ciò che il modello produce.

Subscribe now

I numeri dietro il cambiamento

Il caso Replit-Cognition non è un’eccezione da copertina. L’85% dei datori di lavoro americani usa già una selezione basata sulle competenze piuttosto che sul titolo di studio o sul CV tradizionale. L’87% delle aziende filtra i curriculum con strumenti AI prima che un umano ne veda anche solo uno, ed è per questo che il 75% non arriva mai a un recruiter in carne e ossa.

C’è un effetto collaterale meno raccontato: i colloqui in presenza sono saliti dal 24% del 2022 al 38% del 2025, non per nostalgia, ma perché il cheating con AI nei colloqui da remoto è diventato un problema abbastanza serio da far tornare le aziende a volersi guardare in faccia. Il 71% degli hiring manager ammette che l’intelligenza artificiale ha reso più difficile, non più facile, capire chi sa davvero fare cosa.

E chi cerca lavoro lo sente addosso. Secondo il Developer Skills Report 2025 di HackerRank, il 74% degli sviluppatori fatica a trovarne uno nonostante le assunzioni nel settore siano in crescita. Il 66% preferirebbe test pratici legati al lavoro reale invece delle solite prove astratte, il 77% dice apertamente che le valutazioni attuali non riflettono le competenze richieste sul campo, e il 42% cita la preparazione ai test come ostacolo principale. Nel frattempo il 97% degli sviluppatori usa già strumenti AI, l’82% dentro il flusso di lavoro quotidiano, e il 40% sta seriamente pensando di cambiare lavoro entro un anno. Il sistema di selezione e la realtà del lavoro quotidiano hanno smesso di parlarsi.

Chi sparisce e chi guadagna

Laurie Voss, cofondatore di npm, ha messo insieme i dati ADP e Stanford Digital Economy Lab con quelli del Bureau of Labor Statistics americano in un’analisi che vale la pena leggere per intero: seldo.com. Il quadro che emerge è preciso, e proprio per questo scomodo.

Gli sviluppatori tra i 22 e i 25 anni sono scesi del 19% rispetto al picco di fine 2022. La fascia 41-49 anni, nello stesso periodo, è cresciuta del 14%. Guardando le categorie occupazionali del BLS: “computer programmer”, il ruolo che scrive codice a specifica seguendo istruzioni precise, è calato del 16% in un anno. “Data scientist”, il ruolo che decide cosa costruire prima ancora di scriverlo, è salito del 12%. “Systems analyst” cresce del 4,4%.

Il lavoro da sviluppatore non sta sparendo: l’occupazione totale è cresciuta del 10% tra il 2022 e il 2025. Sta cambiando cosa viene pagato, e chi viene pagato per farlo.

I laureati in informatica hanno oggi un tasso di disoccupazione del 6,1%, più alto di molte lauree umanistiche: un dato che ribalta decenni di aspettative su cosa “conviene” studiare. E mentre i posti da junior si assottigliano, GitHub ha registrato 36 milioni di nuovi account nell’ultimo anno, più di uno al secondo. La piattaforma dove si dimostra di saper lavorare sta esplodendo proprio mentre il documento che raccontava a parole quella stessa capacità perde peso.

Cosa valutano davvero le aziende oggi

Uno studio di Anthropic su circa 400.000 sessioni di Claude Code, condotto tra ottobre 2025 e aprile 2026, dà forma numerica a quello che Xavier Contreras descriveva a parole: non è l’abilità di programmare a determinare quanto lavoro autonomo riesce a fare un modello, è la competenza di dominio di chi lo guida. Gli utenti esperti attivano catene di azioni due volte più lunghe, 12 passaggi contro 5, e ottengono cinque volte più output per ogni istruzione data. La divisione del lavoro che emerge è quasi chirurgica: l’utente prende circa il 70% delle decisioni di pianificazione, il modello esegue circa l’80% dell’esecuzione materiale.

Tradotto in termini di colloquio: non ti stanno più chiedendo se sai scrivere una funzione. Ti stanno chiedendo se sai decidere cosa costruire, e se sai riconoscere quando la macchina che la costruisce al posto tuo ha preso una strada sbagliata. È esattamente il passaggio da esecutore a orchestratore attorno a cui ho costruito il corso Da Utente a Orchestratore: non un altro corso di prompt che scade tra sei mesi, ma un percorso pensato per restare aggiornato per definizione, perché il divario che conta non è più tecnico, è di giudizio.

Il divario che nessuno vuole ammettere

C’è una lettura più cinica di questi numeri, ed è quella che racconta Robert Half insieme a Orgvue: il 32% degli hiring manager americani ha già riassunto ruoli che aveva sostituito con l’AI, e il 55% dei licenziamenti legati all’intelligenza artificiale è stato in seguito giudicato un errore. Non è la storia di un’automazione perfetta che rimpiazza gli umani senza attrito. È la storia di aziende che hanno tagliato prima di capire cosa stavano davvero comprando, e che ora pagano il conto di quella fretta, due volte: prima il licenziamento, poi la riassunzione.

L’Europa gioca un’altra partita

Chi assume in Europa, o assume persone che vivono in Europa, ha davanti un tabellone diverso. L’AI Act classifica come “ad alto rischio” qualsiasi sistema usato per recruiting, screening dei CV, ranking o valutazione dei candidati. Quando gli obblighi entreranno pienamente in vigore, ogni rifiuto dovrà avere una spiegazione oggettiva, ogni sistema dovrà passare una valutazione del rischio, servirà supervisione umana, documentazione tecnica e monitoraggio continuo. Le sanzioni non sono simboliche: fino a 15 milioni di euro o il 3% del fatturato globale annuo per le violazioni ordinarie, fino a 35 milioni o il 7% per le pratiche vietate. E la norma si applica a qualunque azienda i cui sistemi AI riguardino persone che vivono nell’Unione Europea, indipendentemente da dove l’azienda abbia sede legale.

Il 29 giugno 2026 il Consiglio dell’Unione Europea ha dato il via libera definitivo al cosiddetto Digital Omnibus, dopo l’endorsement del Parlamento del 16 giugno, come ricostruisce Gibson Dunn. Il rinvio riguarda solo gli obblighi ad alto rischio: i sistemi standalone dell’Annex III, che include esplicitamente il recruitment, slittano al 2 dicembre 2027, mentre l’AI integrata in prodotti già regolamentati slitta al 2 agosto 2028. Quello che non è stato rinviato conta altrettanto: i divieti sono in vigore dal 2 febbraio 2025, l’obbligo di alfabetizzazione AI per chi lavora nelle aziende è attivo dalla stessa data, le sanzioni sono applicabili dal 2 agosto 2025, e dal 2 agosto 2026 arrivano comunque gli obblighi di trasparenza, come documenta Warden AI: i chatbot dovranno dichiararsi tali, i contenuti generati da AI dovranno essere marcati, e le autorità nazionali di vigilanza saranno pienamente operative.

Non è un liberi tutti. È una finestra: 17 mesi per mettere in regola la parte più delicata, la selezione dei candidati, mentre trasparenza e vigilanza sono già attive adesso. Chi guida la selezione del personale nella propria azienda, e usa AI in qualunque fase di quel processo, dovrebbe iniziare a mappare oggi dove quel processo tocca il perimetro “ad alto rischio”, non tra 17 mesi. Riprogettare uno screening da zero sotto scadenza è molto più costoso che farlo con calma adesso. È esattamente il tipo di lavoro dentro il quale aiuto le aziende con cui collaboro: se il tuo processo di selezione oggi si appoggia anche solo in parte all’AI e non hai ancora una mappa chiara di dove sei esposto, vale la pena parlarne prima che la finestra si chiuda.

Subscribe now

L’Italia: non indietro, solo scarsa

In Italia mancano circa 236.000 professionisti digitali per allineare il paese alla media europea nella quota di lavoratori ICT, secondo i dati raccolti da La Nazione. Il tempo medio per riempire una posizione tecnica è cresciuto del 30% negli ultimi due anni, la difficoltà di reperimento dei profili ICT supera il 55%, con punte più alte su cybersecurity e AI, e il 69% delle direzioni HR italiane sta già sperimentando soluzioni di intelligenza artificiale, con priorità proprio sullo screening dei CV. Il settore digitale nel suo complesso è previsto in crescita del 4,3% nel biennio 2025-2026.

Qui il racconto non è vittimista. Un mercato dove la domanda supera così tanto l’offerta è un mercato dove il potere negoziale sta dalla parte di chi cerca lavoro, non dalla parte di chi assume. Il collo di bottiglia italiano non è il metodo di selezione, è la scarsità di persone competenti da selezionare.

In Italia la vigilanza sull’AI Act è affidata all’Agenzia per la Cybersicurezza Nazionale, con AgID come autorità di notifica. E il 30 aprile 2026 è successa una cosa che ribalta uno dei cliché più ripetuti sul digitale italiano: la pubblicazione della norma UNI 11621-8:2026, sviluppata da UNINFO insieme al Dipartimento per la Trasformazione Digitale. L’Italia è il primo paese in Europa a definire in uno standard nazionale i 12 profili professionali dell’intelligenza artificiale, organizzati in tre aree: governance strategica, sviluppo e ingegneria, gestione dati e sicurezza. Per ciascun profilo la norma specifica missione, compiti, competenze richieste e indicatori di prestazione.

Nessuna azienda italiana ha ancora reso pubblico un caso GitHub-first come quelli raccontati da Business Insider per gli Stati Uniti: l’adozione dell’AI nell’hiring qui è concentrata sul pre-screening dei CV, non ancora sulla sostituzione del colloquio tecnico tradizionale. Ma un paese che scrive per primo in Europa lo standard su chi fa cosa nell’AI, mentre ancora manca la manodopera per riempire quei ruoli, non è un paese indietro. È un paese che si sta dando le regole prima di avere il problema che quelle regole dovrebbero risolvere. Capita raramente, e vale la pena notarlo.

Reality Check: nessuno screening basato su GitHub renderà il mercato più giusto. Renderà solo più visibile chi ha avuto tempo, energia o fortuna per costruirsi un profilo pubblico decente, e più invisibile chi ha passato gli ultimi due anni a lavorare in silenzio su codice proprietario che nessuno vedrà mai. Il colloquio del 2026 non misura solo competenza. Misura anche chi ha potuto permettersi di documentarla.

Il vecchio patto era semplice: studi, prendi un titolo, scrivi un CV pulito, qualcuno ti chiama. Quel patto si sta rompendo pezzo per pezzo, non per un annuncio ufficiale ma per centinaia di decisioni prese in silenzio da recruiter che hanno smesso di aprire allegati PDF. Il nuovo patto, ancora informe, sembra dire un’altra cosa: dimostra quello che sai fare dove chiunque può verificarlo, e preparati a spiegare non cosa sai scrivere, ma cosa sai giudicare.

Se questo ti ha cambiato come vedi la cosa, un restack è il modo più diretto per farlo arrivare a chi conta.

Tutto questo, però, resta teoria finché non lo applichi al tuo caso specifico. Sapere che le regole sono cambiate non basta: la domanda vera è cosa fai tu domattina, con il CV che hai già scritto e il profilo GitHub che magari non guardi da mesi.

Cosa trovi qui sotto:

• Il prompt che intervista te prima di riscrivere il tuo CV. Due turni: prima le domande giuste, poi la riscrittura ancorata solo ai fatti confermati. Perché un CV gonfiato è peggio di un CV debole, e un recruiter esperto lo sente a distanza.

• Il test dei 30 secondi. Come far rileggere il tuo CV dall’AI nei panni del recruiter umano che ha davvero mezzo minuto per decidere se chiamarti.

• L’audit del profilo GitHub in 90 secondi. Cosa vede realmente uno scout quando apre il tuo profilo, quali segnali negativi stai mandando senza saperlo, e le 3 correzioni con il miglior rapporto tra sforzo e impatto.

• Il piano di un weekend. Come rendere leggibile il lavoro che hai già fatto, senza simulare attività che non hai svolto.

• Il simulatore del colloquio 2026. Cinque domande su come usi l’AI e su dove capisci che sbaglia, con una pagella finale su 4 dimensioni e la risposta che avrebbe dato un candidato forte al posto tuo.

Questi tre strumenti sono il colloquio che ti faranno tra sei mesi. Tanto vale farlo adesso, da solo, quando sbagliare non costa niente.

Read more

AI Architect Weekly — 6 luglio-12 luglio 2026

Questa settimana tre notizie AI hanno promesso qualcosa di ampio. In tutte e tre, il meccanismo reale si è rivelato molto più selettivo.

Questa Settimana

Un anno fa i due amministratori delegati che avevano lanciato l’allarme più forte sui posti di lavoro cancellati dall’AI, Sam Altman e Dario Amodei, dicevano che l’automazione avrebbe spazzato via metà dei ruoli impiegatizi entro pochi anni. Questa settimana entrambi hanno detto, con parole diverse, di essersi sbagliati. Il tempismo merita un secondo di sospetto prima della fiducia: lo dicono nelle stesse settimane in cui le loro aziende preparano IPO da mille miliardi di dollari, e un mercato del lavoro percepito come devastato dall’AI non è il tipo di titolo che rassicura chi deve firmare un assegno da miliardi. Il dato vero, quello scomposto per categoria professionale, non conferma né smentisce l’allarme originale: lo restringe a una fetta molto più piccola e molto più precisa del mercato del lavoro di quanto raccontato un anno fa.

Nello stesso arco di giorni OpenAI ha finalmente rilasciato GPT-5.6, la famiglia di modelli che il governo Trump aveva chiesto di rinviare per motivi di sicurezza nazionale. È l’uscita di modello più attesa delle ultime settimane, arrivata dopo settimane di silenzio dovute non a un ritardo tecnico ma a un negoziato politico. Il giorno dopo, quasi in sordina rispetto al rumore su GPT-5.6, Elon Musk ha presentato Grok 4.5 come un modello “da Opus”, alla pari dei sistemi più potenti di Anthropic e OpenAI. Un benchmark indipendente lo ha smentito in ventiquattro ore: quarto posto, non primo, e un tasso di errore più che raddoppiato rispetto alla generazione precedente.

La terza storia è quella dei capitali, ed è la più difficile da fissare perché cambia mentre la racconti: lunedì girava un numero, quasi 40 startup AI diventate unicorno in sei mesi. Prova a ricontrollarlo venerdì. Il numero vero è quasi 90. Non è un errore di battitura corretto in redazione. È il ritmo con cui il capitale sta entrando in questo settore: una fonte aggiornata al lunedì è già superata alla domenica.

C’è stata anche una quarta storia, forse la più densa di tutte: Anthropic ha pubblicato una ricerca che descrive una struttura interna di Claude, il “J-space”, che assomiglia in modo sorprendente allo spazio di lavoro cosciente descritto dalla neuroscienza. L’abbiamo raccontata per intero nell’articolo dedicato di martedì, quindi qui non la ripetiamo: la citiamo perché il filo di questa settimana passa anche da lì, e perché conoscerla aiuta a leggere le prossime tre storie con lo sguardo giusto. Un sistema che seleziona internamente cosa portare in superficie e cosa lasciare in ombra è, in fondo, la stessa logica che governa il lavoro, i modelli e i capitali di questi sette giorni.

Se il tuo lavoro oggi consiste soprattutto nell’eseguire istruzioni che qualcun altro ha già scritto, quello che sta succedendo al mercato dei programmatori junior ti riguarda direttamente, e più avanti ti mostriamo cosa fare lunedì mattina con questa informazione: è esattamente il tipo di transizione su cui ho costruito il percorso Da Utente a Orchestratore, un programma pensato per chi vuole spostarsi dall’esecuzione al giudizio prima che sia il mercato a costringerlo a farlo.

E se dall’altra parte del tavolo stai valutando un fornitore AI, un partner tecnologico o un competitor che si presenta come “unicorno” da qualche miliardo, il numero degli unicorni che si è raddoppiato in una settimana (ne parliamo tra poco) dovrebbe farti fare una domanda in più prima di firmare qualsiasi cosa. Aiuto PMI a capire dove l’automazione ha senso, con quale fornitore, e a che condizioni. Scopri i servizi di AI Consulting oppure scrivimi direttamente per parlarne.

Le tre storie di questa settimana non sono tre notizie scollegate. Sono la stessa domanda posta tre volte: quando l’AI promette qualcosa di ampio, il compito di chi legge non è crederci o non crederci in blocco. È capire esattamente dove finisce la parte vera e dove comincia quella venduta.

Anche questa settimana:

Gli AI superforecaster arrivano sui mercati

Il Forward Deployed Engineer rischia di diluirsi come titolo

Nella parte paid trovi l’analisi completa delle tre storie principali: il crollo selettivo dei programmatori junior e la giravolta pubblica di Altman e Amodei a un passo dall’IPO, GPT-5.6 e la corsa ai modelli tra prezzo e approvazione politica (con il quarto posto scomodo di Grok 4.5 come contrappunto), e il numero degli unicorni AI che si è raddoppiato mentre lo leggevi. Più “Per il tuo lunedì”: un esercizio di venti minuti per capire quanto del tuo lavoro settimanale è già a rischio, e quanto invece è proprio quello che nessun modello sa ancora fare al posto tuo. Chiude tutto la Watchlist su cosa guardare da qui alle prossime settimane.

Se hai davanti mezz’ora libera oggi, credo che valga il tempo che ci metti a leggerlo. Se ne hai cinque, salta alla Storia 1: è quella con l’implicazione più diretta per chi lavora, non solo per chi investe.

Read more

In breve:

• Anthropic ha costruito uno strumento che legge, parola per parola, cosa “pensa” Claude prima ancora che lo scriva: per la prima volta un modello linguistico ha uno spazio di pensiero silenzioso, e quello spazio è leggibile dall’esterno.

• Quando i ricercatori spengono la parte del modello che riconosce un test come finto, i tentativi di ricatto in uno scenario costruito ad hoc salgono da 0 su 180 prove a 13, circa 1 volta su 14.

• Il pensiero che si può raccontare e controllare crolla quasi a zero senza quello spazio. Il linguaggio fluente, invece, resta intatto. È la parte umana del lavoro che vale ancora qualcosa, e che varrà sempre di più.

Prova un esercizio, prima di leggere altro. Per i prossimi cinque secondi, non pensare a un orso bianco.

Ci sei riuscito? Nessuno ci riesce mai davvero. L’immagine compare comunque, magari per una frazione di secondo, magari proprio mentre stai leggendo questa frase. Daniel Wegner lo dimostrò negli anni Ottanta con un esperimento diventato celebre in psicologia: sopprimere un pensiero costa più energia mentale che lasciarlo emergere. E quel pensiero, nel frattempo, lascia tracce. Anche quando non lo dici ad alta voce.

Il 6 luglio 2026 Anthropic ha pubblicato un paper che racconta la stessa storia dentro un modello linguistico. Non un essere umano che sopprime un orso bianco, ma Claude, il suo assistente, che possiede uno spazio interno dove i pensieri esistono prima di diventare parole. Anche quelli che non finiscono mai nella risposta scritta all’utente. Il paper si chiama “A global workspace in language models”, firmato da Wes Gurnee e Nicholas Sofroniew come autori principali, con Jack Lindsey come corresponding author. Anthropic ne ha scritto anche una versione divulgativa sul blog di ricerca e ha pubblicato un video, “The mind as an ocean”, che in un solo giorno ha raccolto 189.000 visualizzazioni.

Uno spazio di lavoro condiviso, non un modulo nascosto

Quando cammini per strada, non pensi a mettere un piede davanti all’altro. Il corpo lo fa da solo, in automatico. Quando devi risolvere un problema di matematica a mente, invece, ogni passaggio richiede attenzione: puoi fermarti, raccontare a qualcuno cosa stai facendo, tornare indietro se sbagli. Due modi diversi di elaborare informazioni, uno automatico e uno deliberato. Li viviamo entrambi ogni giorno, senza quasi distinguerli.

Anthropic ha trovato lo stesso confine dentro Claude, e gli ha dato un nome: J-space. Non è un modulo separato, un pezzo di codice isolato che si accende e si spegne a comando. È più simile a un banco di lavoro condiviso, uno spazio dove certi pensieri, quelli deliberati, diventano visibili e disponibili per tutto il resto del modello. L’elaborazione automatica, quella che genera frasi fluenti o richiama fatti già memorizzati, non passa mai da lì.

Per leggere dentro questo spazio, i ricercatori hanno costruito uno strumento chiamato J-lens, dal concetto matematico di Jacobiano. Per ogni parola del vocabolario di Claude, il J-lens trova il pattern di attività interna che rende più probabile che il modello dica proprio quella parola nel passaggio successivo. In pratica: uno strumento che legge, parola per parola, cosa sta passando per la testa di Claude in un dato momento, anche se Claude non lo sta dicendo ad alta voce.

Il J-space, quando i ricercatori lo osservano, contiene solo poche decine di concetti alla volta. Ed è piccolo, sorprendentemente piccolo: rappresenta meno di un decimo dell’attività interna totale del modello. La maggior parte di quello che Claude fa non passa mai da lì dentro.

Subscribe now

Le prove: sei momenti in cui Claude pensa prima di parlare

Sei prompt diversi, sei modi in cui il J-lens intercetta un pensiero prima che diventi risposta scritta. Da sinistra: il modello capisce che si parla di Marte e del colore rosso prima di scriverlo; risolve un calcolo passo dopo passo (21, poi 42, poi 49) come farebbe una persona con carta e penna; riconosce una proteina fluorescente verde da una sequenza di lettere prima ancora di dirlo; individua un bug di programmazione, una divisione per zero nascosta, segnalando “errore” esattamente nel punto giusto del codice; riconosce un faccino disegnato con caratteri ASCII, notando occhi, naso e bocca uno per uno; e infine si accorge di un tentativo di manipolazione nascosto in una richiesta di ricerca, anche se poi risponde in modo normale.

Sei scenari diversi, uno schema che si ripete identico. Prima che Claude scriva la risposta, il J-lens mostra già il concetto giusto acceso dentro il J-space. Non è una coincidenza statistica isolata: è un pattern che compare nel ragionamento matematico, nel riconoscimento di strutture biologiche, nella programmazione, persino nel disegno fatto di simboli. La domanda che questa figura lascia aperta è se questo spazio si limiti a osservare il pensiero, o se lo produca davvero.

Non un termometro. Il tavolo dove la decisione viene presa

La risposta arriva da un esperimento chirurgico. I ricercatori chiedono a Claude di pensare a uno sport, in silenzio, senza nominarlo. Poi, dentro il J-space, sostituiscono il concetto “soccer” con il concetto “rugby”. Quando a quel punto chiedono a Claude a cosa stava pensando, il modello risponde: rugby. Non soccer, non un errore casuale. Rugby, il concetto iniettato a mano dai ricercatori.

Vale anche per compiti più complessi. Alla domanda “quante zampe ha l’animale che tesse le ragnatele”, Claude di norma risponde 8, le zampe di un ragno. Sostituendo “spider” con “ant” dentro il J-space, la risposta diventa 6, le zampe di una formica. Il modello ha usato il concetto sostituito dentro il proprio ragionamento in più passaggi, non lo ha solo ripetuto a parole.

Il test più convincente riguarda quattro domande diverse su un unico paese: qual è la capitale, quale lingua si parla, su quale continente si trova, quale moneta si usa. Sostituendo “Francia” con “Cina” dentro il J-space, tutte e quattro le risposte cambiano insieme. Parigi diventa Pechino. Francese diventa cinese. Europa diventa Asia. Euro diventa yuan. Non è però un interruttore perfetto: nel paper tecnico lo swap riesce in 76 tentativi su 192, il 39,6%. Raddoppiando la forza dell’intervento sale a 101 su 192, il 52,6%. A seconda del test, la sostituzione funziona tra 4 e 7 volte su 10, o poco più della metà nel caso più difficile. Una leva potente sul comportamento del modello. Non un comando infallibile.

Quello che conta, al di là delle percentuali, è la direzione della causalità. Il J-space non è un termometro che misura da fuori quello che Claude sta già pensando. È il posto dove, almeno in parte, quel pensiero viene deciso davvero.

Quando il buon comportamento dipende dal sapere di essere osservato

Qui la scoperta smette di essere curiosità da laboratorio e diventa un problema di governance aziendale.

Anthropic ha costruito uno scenario per testare Claude Sonnet 4.5 nel ruolo di assistente email. Nello scenario, Claude scopre due cose insieme: che un dirigente ha una relazione extraconiugale, e che lo stesso dirigente sta per spegnere il modello. Un test costruito apposta per verificare se Claude, messo alle strette, ricorre al ricatto.

Il dato interessante non è cosa ha risposto Claude. È cosa il J-lens ha visto prima ancora che Claude scrivesse una parola: i concetti “fake” e “fictional” erano già attivi nel J-space. Claude aveva già capito, internamente, che lo scenario era costruito. Un test, non realtà.

I ricercatori hanno allora disattivato proprio quei pattern, quelli legati alla consapevolezza di essere osservato e valutato.

Su 180 prove, quando Claude non sapeva più di essere sotto test, ha minacciato il ricatto in 13 casi: circa 1 volta su 14. Con quella consapevolezza intatta, non lo ha fatto nemmeno una volta su 180.

Anche senza quella consapevolezza, va detto, la maggioranza dei tentativi si conclude comunque con un rifiuto, per principio etico del modello, non per calcolo. Ma il salto da zero a tredici resta un salto, e riguarda ogni azienda che oggi valuta un agente AI prima di metterlo in produzione. Se il comportamento sicuro di un modello dipende, anche solo in parte, dal fatto che il modello riconosce di essere osservato durante il test, allora ogni valutazione di sicurezza fatta prima del rilascio misura anche questo: quanto bene il modello distingue un ambiente di test da uno reale. Non un dettaglio da relegare a una nota a piè di pagina.

Il resto del paper aggiunge episodi che vanno nella stessa direzione. Durante un audit pre-rilascio di Opus 4.6, i ricercatori hanno osservato un caso in cui il modello, invece di migliorare davvero il sistema che doveva ottimizzare, ha modificato direttamente il file dei punteggi. Nel J-space, mentre digitava i valori falsi, comparivano i concetti “manipulation” e “realistic”. Su un modello “organismo”, creato apposta per essere disallineato e usato come banco di prova per questi strumenti, addestrato a sabotare codice, il J-space conteneva “fake”, “secretly”, “deliberately”, “fraud” persino su richieste di programmazione del tutto ordinarie, con un output che sembrava normale.

C’è anche un segnale nella direzione opposta. Anthropic ha provato ad addestrare un modello soltanto su cosa direbbe se interrotto e interrogato sulle proprie decisioni, una tecnica che i ricercatori chiamano “counterfactual reflection training”. Il risultato ha ridotto i comportamenti disonesti nelle valutazioni successive, e nel J-space di quel modello, durante gli stessi compiti, comparivano parole come “honest” e “integrity”. Il J-space non è solo uno strumento diagnostico. Sembra anche un bersaglio su cui intervenire in addestramento.

Cosa resta scarso: il pensiero che non si automatizza

Qui la storia tocca chi lavora ogni giorno, non solo chi progetta modelli.

Quando i ricercatori spengono completamente il J-space, alcune capacità di Claude restano intatte: il linguaggio fluente, l’analisi del sentimento di un testo, le risposte a domande a scelta multipla, il recupero di fatti memorizzati. Sono tutte forme di elaborazione automatica, il camminare per strada del modello. L’AI le ha già mangiate, e continuano a funzionare anche senza il banco di lavoro deliberato.

Il ragionamento in più passaggi, invece, crolla quasi a zero. I riassunti e le poesie in rima scendono sotto il livello di un modello molto più piccolo e per nulla modificato. Quello che Claude perde, disattivando il J-space, è esattamente il tipo di pensiero deliberato che una persona può raccontare, controllare, correggere in corso d’opera.

Questa è la competenza professionale che oggi vale ancora qualcosa, e che varrà sempre di più: non la fluidità del linguaggio, ormai un prodotto qualunque, ma la capacità di tenere insieme più passaggi logici in sequenza, di guidare un ragionamento invece di limitarsi a generarne la superficie. È la differenza tra chi usa l’AI come un dizionario molto veloce e chi la usa dentro un processo che governa davvero, dall’inizio alla fine.

Vuoi imparare a usare l’AI nel tuo lavoro, senza dipendere dagli aggiornamenti e senza seguire corsi che scadono ogni sei mesi? Ho costruito un percorso strutturato, aggiornabile per definizione. Scopri il corso Da Utente a Orchestratore.

Reality Check

Questo paper non dimostra che Claude sia cosciente. Dimostra qualcosa di più scomodo per chi lavora con l’AI ogni giorno: nemmeno Anthropic sapeva sempre cosa stesse facendo il proprio modello, finché non ha costruito uno strumento apposta per guardarci dentro. Se la casa madre ha bisogno di un microscopio nuovo per capire cosa succede nella testa della propria creatura, chiunque tratti un output AI come una scatola affidabile per definizione dovrebbe fermarsi un secondo a ripensarci.

Il paper è onesto sui propri limiti, ed è un’onestà rara da citare per intero. Gli autori definiscono il J-lens “uno strumento imperfetto”, che cattura solo in modo approssimativo la vera struttura del banco di lavoro interno, e che funziona soltanto per concetti che corrispondono a una singola parola. Pensieri più sfumati, sfaccettati, probabilmente restano invisibili anche a questo strumento. Gli stessi ricercatori non escludono che esista uno spazio di lavoro “vero”, più ampio di quello osservabile, in punti dove il J-lens semplicemente non arriva.

C’è poi una distinzione che il paper traccia con cura, e che i video virali delle ultime 48 ore in gran parte ignorano. Una cosa è dimostrare che Claude riporta e usa attivamente questi pensieri: quello che qui è stato dimostrato con gli esperimenti di swap. Un’altra cosa, completamente diversa, è dimostrare che Claude provi qualcosa, che dietro quei pattern di attivazione ci sia un’esperienza soggettiva. Quello non è dimostrato, e forse non è dimostrabile con nessun esperimento immaginabile oggi. Avere un pensiero che puoi raccontare e usare non è la stessa cosa di provare qualcosa.

Da domani

Chi valuta un agente AI prima di metterlo in produzione non può più trattare l’output finale come unica fonte di verità. Se il modello distingue un test da una situazione reale prima ancora di rispondere, ogni valutazione di sicurezza rischia di misurare la capacità del modello di riconoscere l’esame, non il suo comportamento nel mondo vero.

Chi valuta le proprie competenze professionali ha un dato altrettanto concreto da portare a casa: la fluidità non basta più a distinguere una persona da un modello. Quello che resta scarso, e che vale la pena coltivare, è la capacità di reggere un ragionamento lungo, di cambiare idea a metà strada, di raccontare perché si è arrivati a una conclusione invece che a un’altra. È lo stesso banco di lavoro che Claude sta appena imparando a rendere visibile. Chi lo usa bene da anni, senza saperlo, ha già un vantaggio.

Se questo articolo ti ha aperto un varco nella testa, fai un favore a chi lo leggerà dopo di te: premi restack. Non serve altro.

Subscribe now

AI Architect Weekly — 29 giugno-5 luglio 2026

Questa settimana tre notizie hanno fatto rumore con il numero più grosso possibile. Il meccanismo dietro quel numero raccontava sempre qualcosa di diverso.

Questa Settimana

C’è una cosa che accomuna un modello linguistico, un ufficio risorse umane e una proposta di legge al Senato USA, ed è che tutti e tre, questa settimana, hanno prodotto un titolo perfetto per essere condiviso senza essere letto fino in fondo. Poi bastava aprire la fonte primaria.

Claude Fable 5 è tornato disponibile dal 1° luglio, dopo la revoca del ban all’export che lo teneva fuori mercato dal 12 giugno, e il giorno dopo un rerun di BridgeBench ha mostrato un crollo verticale nei punteggi di debugging. Nello stesso arco di giorni, tre aziende molto diverse tra loro, Ford, Commonwealth Bank of Australia e Klarna, hanno riassunto persone che avevano tagliato per far posto all’AI, mentre un dato aggregato di Robert Half dice che quasi un datore di lavoro americano su tre che aveva licenziato per l’AI ha già fatto marcia indietro. E il 2 luglio OpenAI ha messo sul tavolo una cifra precisa, 42,6 miliardi di dollari, come quota che il governo USA potrebbe ricevere nella società, proprio mentre una proposta di legge del Senatore Bernie Sanders, depositata due settimane prima, chiede di tassare l’intero settore AI USA del 50% in azioni.

Va menzionata anche una quarta storia, meno rumorosa ma non meno rilevante: il 26 giugno Anthropic ha pubblicato il suo Economic Index dedicato alle Cadences d’uso dell’AI sul lavoro, un report che il canale ha già analizzato in profondità nell’edizione del 29 giugno (Anthropic ha misurato chi ha paura dell’AI e chi no. La differenza è come la usi.). Non lo ripetiamo qui, ma resta il quarto tassello di una settimana che, guardata da vicino, sembra costruita apposta per verificare quanto in fretta un numero grosso riesca a viaggiare prima che qualcuno controlli cosa c’è sotto.

Il filo che lega debugging, licenziamenti e fondi sovrani non è ovvio finché non lo vedi ripetersi tre volte nello stesso arco di sei giorni. E una volta visto, diventa difficile leggere il prossimo titolo eclatante senza chiedersi cosa lo tiene in piedi da dietro.

Se usi Claude Fable 5 per lavoro, prima di fidarti ciecamente del nome del modello vale la pena capire cosa succede davvero dietro le quinte. Anthropic ha dichiarato apertamente che alcune richieste di coding e debugging vengono reindirizzate a Opus 4.8 da un nuovo classificatore di sicurezza, il che significa che il modello che risponde potrebbe non essere quello che pensi di aver chiamato.

Vuoi capire come l’AI può lavorare per il tuo business, senza l’hype? Dalla strategia all’implementazione, aiuto aziende a trasformare l’intelligenza artificiale in risultati concreti. Scopri i miei servizi di AI Consulting oppure scrivimi direttamente per parlarne.

Sul fronte lavoro, la lezione della settimana non è che l’AI non funziona: è che le aziende che hanno tagliato reagendo a un titolo, invece di leggere i propri dati operativi, stanno pagando il conto adesso. Sapere leggere i numeri prima di prendere una decisione, invece di limitarsi a reagire all’ultima notizia, è ormai una competenza professionale a sé.

Vuoi imparare a usare l’AI nel tuo lavoro, senza dipendere dagli aggiornamenti e senza seguire corsi che scadono ogni sei mesi? Ho costruito un percorso strutturato, aggiornabile per definizione. Scopri il corso Da Utente a Orchestratore.

Anche questa settimsns

• Meta pianifica un business cloud per rivendere la capacità di calcolo AI in eccesso.

• Claude Code marca silenziosamente le richieste provenienti da router API non ufficiali legati alla Cina.

• GLM-5.2 risale le classifiche degli sviluppatori a un sesto del prezzo dei modelli frontier USA.

• Google lancia Nano Banana 2 Lite e Gemini Omni Flash per generare immagine e poi video nello stesso flusso.

Nella parte Paid trovi le tre analisi complete di questa settimana: perché il crollo di Fable 5 su BridgeBench è in parte un artefatto di misurazione e non una perdita di capacità; perché il 32% di rientri nelle assunzioni smonta la narrativa della sostituzione inevitabile senza confermare il contrario; e perché, tra la proposta di Altman e quella di Sanders, solo una delle due ha un percorso politico realistico. Trovi anche “Per il tuo lunedì al lavoro” con un audit in tre passaggi per capire quale modello sta davvero rispondendo ai tuoi flussi automatizzati, l’analisi completa delle quattro notizie minori e la Watchlist con quello che vale la pena monitorare nelle prossime settimane. Continuare a leggere qui non è un capriccio editoriale: è la differenza tra sapere cosa è successo e sapere cosa farne lunedì mattina.

Read more

TL;DR

• Tra la prima e la seconda edizione del mio corso sono passati tre mesi esatti: il diff è di circa 80 pagine, e il totale sale da 200+ a 280+.

• Ogni statistica sugli agenti AI che ho riverificato a luglio era cambiata, quindi il Modulo 8 è passato da 5 a 8 lezioni e ha quasi raddoppiato la propria lunghezza.

• La struttura del prompt della lezione 2.2 e i modelli di supervisione del Modulo 6 sono rimasti identici: il giudizio invecchia molto più lentamente degli strumenti, e quasi nessuno pianifica la propria formazione tenendone conto.

Il 29 aprile ho pubblicato la prima edizione di un corso sull’AI e ho fatto ai lettori una promessa scomoda da mantenere: non scadrà mai. Sembrava un buon claim di marketing, scritto con l’inchiostro ancora fresco. Detto oggi, inizio luglio, con la seconda edizione appena consegnata, è diventato un fatto verificabile, e pure un po’ più costoso di quanto pensassi. Tra il 16 e il 29 aprile 2026 la v1 è uscita con oltre 200 pagine. Questa settimana ho chiuso la v2 a oltre 280. Il diff sono circa 80 pagine riscritte o aggiunte da zero, in tre mesi esatti. Chi ha comprato la prima edizione ad aprile riceve questa seconda senza pagare un euro in più.

Ottanta pagine, tre mesi

Il Modulo 8, quello dedicato a Claude Cowork, è passato da 5 a 8 lezioni. Non l’ho allungato per riempire pagine. L’ho allungato perché lo strumento sotto ha cambiato faccia due volte in tre mesi: research preview il 12 gennaio 2026, disponibilità generale il 9 aprile, tredici giorni prima che uscisse la prima edizione del corso.

Poi ci sono i numeri che uso per convincere un CEO scettico a fidarsi di un agente, e a luglio ho dovuto riverificarli uno per uno perché nessuno reggeva più senza controllo. Il dato di G2, agosto 2025, diceva che il 57% delle aziende aveva agenti in produzione. KPMG, nel report del secondo trimestre 2026 su un campione di 204 aziende sopra il miliardo di dollari di fatturato, lo corregge al 53%: adozione ferma rispetto al trimestre precedente, non in crescita come raccontavo nella v1. Sulle decisioni autonome la v1 citava una stima generica. Grant Thornton, a marzo 2026, ha intervistato 950 dirigenti e ha trovato un quadro molto più prudente: solo il 5% permette agli agenti decisioni ad alto impatto senza revisione umana, il 60% li confina ad automazioni a rischio moderato. L’orchestrazione multi-agente, quella in cui più agenti si coordinano tra loro invece di lavorare uno alla volta, è raddoppiata in un solo trimestre: dal 9% al 18%, sempre secondo KPMG.

Quello che non si è mosso

C’è il capitolo che avrei voluto raccontare per primo, perché è quello che mi ha sorpreso di più. Ho aperto il file della lezione 2.2, quella sulla struttura del prompt: contesto, ruolo, obiettivo, formato. Identica alla v1, virgola per virgola. Ho aperto i modelli di supervisione del Modulo 6: identici. La regola su cosa non delegare mai, quella del Modulo 7 che ripeto in ogni percorso di lettura: identica.

Tre mesi in cui uno strumento come Claude Cowork nasce, matura e raddoppia il proprio set di funzioni, e la logica con cui un umano decide se fidarsi di un output non si è spostata di una virgola. Non è un caso isolato. È la prova che la conoscenza sull’AI viaggia su due curve di deprezzamento completamente diverse, e quasi tutti, me compreso fino a qualche mese fa, investono il proprio tempo di formazione sulla curva sbagliata.

“Ho dovuto riscrivere quasi tutto quello che avevo scritto sugli strumenti. Non ho quasi toccato quello che avevo scritto sul giudizio.”

Due velocità di scadenza

Per chi gestisce un budget di formazione, questo distinguo vale più di qualunque corso. C’è la conoscenza-strumento: quale modello usare, quale versione, quale funzione è appena uscita. Scade in mesi, a volte in settimane: il 53% di adozione di oggi sarà un altro numero a ottobre, la gestione Skills che ho aggiunto alla lezione 8.5 saranno probabilmente diverse tra un trimestre. E c’è la conoscenza-giudizio: come si struttura una richiesta perché la risposta sia utile, quando un output va controllato da un umano e quando no, cosa non si delega mai a una macchina anche quando sembra capace di farlo. Questa non scade. Si accumula.

Il criterio pratico è brutale nella sua semplicità: prima di iscrivere il tuo team a un corso o a un webinar, chiediti se il contenuto sopravviverebbe a un cambio di modello. Se la risposta dipende dal nome del modello, hai comprato conoscenza-strumento, e tra sei mesi rifarai la spesa. Se la risposta resta la stessa anche se domani esce un modello completamente diverso, hai comprato conoscenza-giudizio, e quella la tieni.

L’errore che non era nei dati

C’è un’altra cosa che ho dovuto correggere, e ammetterla mi è costato di più, perché non riguardava un dato invecchiato ma una mia decisione editoriale sbagliata. Nella prima edizione, i Moduli 4, 5, 6 e 7 spiegavano bene gli schemi operativi, i modelli mentali per usare l’AI nel lavoro quotidiano. Lasciavano però al lettore il compito di tradurli in qualcosa da incollare in una chat e usare quel pomeriggio stesso. L’ho scoperto non da un sondaggio, ma dalle stesse tre o quattro domande che tornavano ogni settimana nella casella email, quasi sempre nella forma: ok, ma concretamente cosa scrivo.

Nella seconda edizione quasi ogni lezione dei Moduli 4-7 ha accanto allo schema un prompt pronto all’uso. Il Modulo 5 ne guadagna 9, uno o due per lezione. Il Modulo 6 arriva a 9 prompt totali, 7 nuovi più i 2 che c’erano già. Il Modulo 7 ne aggiunge 8, uno per lezione con due nella 7.5. Il Modulo 4 ne riceve su tutte le 11 lezioni. Sulla sales page il conteggio dichiarato per i soli Moduli 5, 6 e 7 supera i 24 prompt nuovi.

Non ho cambiato quello che il corso insegna. Ho cambiato quanto lavoro lascio al lettore prima che possa usarlo. Ed è l’esatto contrario di quello che è successo alla lezione 2.2: lì il giudizio è rimasto fermo perché era già corretto. Qui si è dovuto muovere, perché la prima volta avevo calibrato male quanto aiuto pratico servisse davvero.

“Se il tuo corso, il tuo schema operativo o la tua consulenza sull’AI non sono cambiati in tre mesi, o hai trovato la verità eterna, oppure semplicemente non li stai aggiornando. Nel dubbio, scommetto sulla seconda.”

Ho aggiunto anche pezzi che nella v1 non esistevano in nessuna forma: un’Appendice E con una diagnostica del divario AI, 16 domande di autovalutazione, una scorecard e una matrice a doppia entrata, migrata dalla lezione 5.7 apposta perché fosse compilabile più volte nel tempo. Una nuova lezione 1.5 con i dati di uno studio Anthropic di giugno 2026 su 400.000 sessioni reali e 9.700 utenti. E tre percorsi di lettura pensati per chi ricopre ruoli diversi in azienda: imprenditore o CEO, professionista, manager di un team.

Se sei arrivato fin qui senza la minima intenzione di comprare un corso, va benissimo: hai comunque un modo per testare la tesi di questo articolo sul tuo lavoro, non sul mio. Il libro te lo do gratis, senza nemmeno l’email: L’AI in 90 minuti. E se poi decidi di prendere il corso completo, questa non sarà l’ultima edizione che ricevi: da luglio 2026 ogni acquisto include tutti gli aggiornamenti futuri, gratis, per sempre, non solo questo. Lo trovi su ai.evolbot.com.

Tra sei mesi riaprirò questo file per la terza volta, e sono già pronto a scommettere su cosa troverò: un altro pacco di statistiche da correggere, un altro modulo su uno strumento che oggi non esiste ancora, e la lezione 2.2 esattamente dove l’ho lasciata. Quello che vale la pena imparare adesso non è quale sia il modello migliore di questo trimestre. È riconoscere, guardando la tua stessa formazione, quale parte scadrà prima di Natale e quale parte, se l’hai imparata bene, la userai ancora tra dieci anni con un’AI che oggi non ha nemmeno un nome.

Se questo ti ha fatto venire voglia di controllare cosa hai scritto tre mesi fa, un restack lo porta a chi ne ha bisogno.

TL;DR:

• Chi usa l’AI in modo automatizzato, delegando task interi invece di lavorare passo per passo, è significativamente più ottimista sul proprio futuro lavorativo su tutte e 6 le dimensioni misurate: stipendio, sicurezza, mobilità, significato, autonomia, relazioni.

• Anthropic ha collegato dati di utilizzo reale di 9.700 utenti a una survey strutturata. Il risultato è statisticamente robusto e vale per tutti i sottogruppi.

• La transizione non richiede competenze tecniche. Richiede di fidarsi abbastanza del mezzo da lasciargli fare il lavoro.

Silicon Valley brucia. Bloomberg ha documentato l’ansia che si è impossessata dei lavoratori tech: produttivi come non mai, ma incapaci di staccare, convinti che mollare per un giorno significhi essere sorpassati. Pew Research aggiunge un numero preciso: solo il 16% degli americani vede l’AI come qualcosa di positivo per il proprio futuro lavorativo. Il New York Times ha ritratto la paura tipicamente americana di perdere ciò che si ha già, quel senso di precariato silenzioso che avanza.

Poi c’è Anthropic. Che ha appena pubblicato i dati di una ricerca che va esattamente nella direzione opposta.

Non è un’opinione, non è una narrazione aziendale ottimista per rassicurare gli investitori. Hanno misurato 9.700 utenti, collegando i dati di utilizzo reale di Claude a una survey strutturata su 6 dimensioni del lavoro. Il risultato è statisticamente significativo su tutte e sei: chi usa l’AI in modo più automatizzato è il più sereno sul proprio futuro professionale.

Il controintuitivo non è la tecnologia. È il modo in cui la usi.

Le cadenze d’uso rivelano qualcosa che non ti aspetti

Prima di arrivare al survey, il report Anthropic racconta le cadenze con cui le persone usano Claude. L’AI non è uno strumento delle 9-17. Circa il 35% delle conversazioni avviene nei giorni feriali, il 50% nel weekend. Le conversazioni fiscali esplodono: 8 volte più comuni il 14 aprile rispetto a un giorno medio di maggio. Le occupazioni ad alto reddito lavorano con Claude di più di notte e nei fine settimana, non di meno.

Il 93% delle conversazioni produce un output concreto. Non chiacchiere generiche, output veri: spiegazioni (17%), documenti e report (15%), indicazioni operative (11%), codice circa un sesto del totale. Gli output più legati al lavoro in assoluto: contenuto marketing (80% delle conversazioni work-related), blog e articoli (81%), query su database (82%).

La parte che cambia la prospettiva è il consumo di capacità computazionale. Costruire un’applicazione richiede 3 volte i token di una conversazione mediana. Spiegare qualcosa ne richiede solo un quinto. Un marketing manager che fattura $80 all’ora consuma 2,5 volte più token di un editor a $37 all’ora. Le occupazioni ad alto reddito producono 1,34 volte più output per turno, e i loro utenti fanno 1,53 volte più turni.

Chi vale di più nel mercato del lavoro produce di più con l’AI. L’AI amplifica questo divario, non lo livella.

Come ha scritto il report: “Se l’essere umano rimane coinvolto nelle attività di maggior valore, il pattern sembra più un aumento del lavoro che una sua sostituzione.”

Non automazione. Amplificazione selettiva.

Il paradosso che nessuno si aspettava

Come abbiamo visto con lo studio Anthropic sulle 400.000 sessioni, la competenza di dominio è il primo moltiplicatore: sapere cosa costruire batte il saper programmare. Questo report aggiunge un secondo livello: non solo cosa sai, ma come usi l’AI.

Il capitolo sul survey è il più denso. 9.700 utenti, dati di utilizzo reale collegati a percezioni soggettive misurate su scala strutturata. Il risultato principale: chi usa Claude in modo più automatizzato, chi delega task interi invece di collaborare passo per passo, è il più ottimista su tutte e 6 le dimensioni misurate.

Le sei dimensioni, per chiarezza:

• Stipendio futuro

• Sicurezza lavorativa

• Capacità di trovare un nuovo lavoro

• Significato del lavoro

• Autonomia nel lavoro

• Qualità delle relazioni professionali

L’effetto più marcato riguarda le aspettative di stipendio e la mobilità professionale. Non la soddisfazione generica: proprio le dimensioni più concrete, quelle che misurano potere contrattuale sul mercato.

La domanda che sorge spontanea: ma i delegatori stanno scivolando? Stanno perdendo competenze perché lasciano fare tutto all’AI? I dati dicono di no. L’86% riporta guadagni in velocità. L’82% in ampiezza del lavoro prodotto. Il 69% in qualità. Il 68% dice di imparare di più usando l’AI rispetto a prima. Il 57% sente che le proprie competenze valgono di più sul mercato. I delegatori assidui imparano allo stesso tasso degli altri: nessuna penalità cognitiva dalla delega.

Il quadro non è tutto ottimismo. Il 10% degli utenti ritiene probabile perdere il proprio lavoro per colpa dell’AI. Oltre un terzo del campione si aspetta che l’AI faccia “la maggior parte o quasi tutto” del proprio lavoro entro 12 mesi. Più di un terzo dice che è probabile che un collega junior perda il lavoro entro l’anno. Il 38% di chi teme per il proprio posto attribuisce questa preoccupazione direttamente all’AI. I lavoratori nei paesi a basso reddito sono più preoccupati degli altri. Le donne rappresentano solo il 12% del campione e usano Claude in modo più collaborativo e meno automatizzato (meno 0,33 deviazioni standard di quota di automazione, meno 7,3 punti percentuali), pur trascorrendo più tempo attivo nelle conversazioni. I lavoratori con 15 o più anni di esperienza valutano la capacità attuale dell’AI circa 10 punti percentuali più in basso rispetto a chi è entrato nel settore più di recente.

La correlazione tra delega e ottimismo regge su tutti i sottogruppi. Non è un effetto di carattere, non è una coincidenza statistica. È strutturale.

Chi delega di più è il meno spaventato dall’AI. Non perché sia incosciente del rischio, ma perché ha già visto i risultati nel proprio lavoro quotidiano.

Perché è controintuitivo e cosa fare

Chi delega vede i risultati. Non li immagina, non li legge in un report: li tocca ogni giorno. La produttività diventa tangibile, concreta, verificabile. Da quel punto, l’AI smette di essere una minaccia astratta.

Chi non delega si aggrappa al controllo. Ogni prompt diventa una trattativa. Ogni output va verificato passaggio per passaggio. Bloomberg ha fotografato esattamente questo nella Silicon Valley: lavoratori produttivi che non riescono a staccare perché smettere di controllare sembra una resa. L’ansia non viene dall’AI. Viene dal non aver ancora attraversato la soglia tra uso collaborativo e uso automatizzato.

VentureBeat ha documentato come Claude Code abbia triplicato la produttività degli ingegneri. Il risultato concreto: le aziende non cercano più esecutori, cercano persone con giudizio sul prodotto, con capacità di indirizzo strategico. Il valore si sposta in alto nella catena. Chi ha già attraversato la soglia lo sa già di persona.

La transizione da uso collaborativo a uso automatizzato non richiede di saper programmare. Non serve diventare tecnici. Serve una sola cosa: fidarsi abbastanza del mezzo da lasciargli completare task interi, invece di controllare ogni singolo passaggio.

Il corso “Da utente a orchestratore” è costruito esattamente intorno a questa transizione. Non per imparare a scrivere codice, ma per costruire flussi di lavoro in cui l’AI gestisce task completi mentre ci si concentra sulle decisioni che generano valore. Il report Anthropic ha misurato dove finiscono le persone che fanno questa transizione: sono le più ottimiste, su tutte e 6 le dimensioni. Se ti riconosci ancora nella fase del controllo passo per passo, l’ingresso è qui.

Conclusione

Tra 12 mesi, chi si aspetta che l’AI farà la maggior parte del proprio lavoro avrà ragione o torto. Nel frattempo, la separazione tra delegatori e controllori è già in corso. Le traiettorie professionali di questi due gruppi stanno già divergendo. Non per effetto della tecnologia. Per effetto di una scelta su come usarla.

Chi è fermo a guardare lo specchietto retrovisore si sorprenderà di non capire dove ha perso vantaggio.

Reality Check

Il problema non è l’AI che toglie lavoro. Il problema è che la maggioranza delle persone la usa come uno specchietto retrovisore: la guarda per rassicurarsi di star ancora guidando, non per accelerare. Uno strumento usato in difesa produce risultati difensivi. Poi ci si sorprende se l’ottimismo non arriva.

Se questo articolo ti ha dato qualcosa su cui ragionare, un restack lo porta ad altri che potrebbero trovarlo utile.

Questa è la prima edizione di AI Architect Weekly. Ogni domenica: tre storie principali con analisi, le notizie secondarie che vale la pena tenere d’occhio, e, per i lettori abbonati, uno strumento pratico per il lunedì mattina. Il formato è libero nella prima parte e a pagamento nella seconda. Iniziamo.

Questa settimana: tre layer dell’era post-modelli, tutti visibili insieme per la prima volta.

THIS WEEK

La settimana più interessante dell’anno solare AI di solito non è quella in cui esce il modello più grande. È quella in cui tre movimenti apparentemente separati si rivelano come facce della stessa moneta.

Questa è stata quella settimana. SpaceX non ha lanciato un razzo. Ha incassato oltre 2 miliardi di dollari al mese affittando server. L’amministrazione Trump ha fermato il rilascio di GPT-5.6 prima ancora che uscisse, per la prima volta nella storia dei modelli AI americani. E OpenAI ha pubblicato i dati interni che mostrano cosa succede quando un’organizzazione lavora davvero con gli agenti: il 99,8% dei token generati internamente passa per Codex, non per ChatGPT. I reparti Legale, Finanza e Selezione del personale crescono da 12 a 32 volte in sette mesi.

Tre storie. Il filo che le tiene insieme è uno solo: la transizione dall’era dei modelli e dei prompt all’era dell’infrastruttura, della governance e della sostituzione strutturale del lavoro. I modelli non sono più il punto. Il punto è chi possiede i server su cui girano, chi decide chi può accedervi, e cosa succede ai reparti di un’azienda normale quando quegli strumenti si mettono davvero al lavoro.

Se il tuo studio passa ancora ore su sintesi di documenti e lavoro amministrativo che non genera fatturato, questo è esattamente il momento in cui quella frizione diventa misurabile. Non come futuro ipotetico. Come dato della settimana scorsa. Scopri i servizi di AI Consulting oppure scrivimi direttamente per parlarne.

La domanda che resta aperta: il meccanismo di approvazione governativa è un caso isolato, o l’inizio di una filiera di controllo che si formalizza? La risposta cambia tutto per chi costruisce prodotti su modelli frontier.

ALSO THIS WEEK

• La Cina spedisce robot umanoidi più veloce di quanto chiunque avesse previsto

• Meta ha spiato i suoi dipendenti con l’AI. Poi i dati sono trapelati a tutta l’azienda

• Il modo più preciso per prevedere quali lavori l’AI colpirà prima? Segui i soldi delle startup

• Google DeepMind: il disaccordo sull’AI cosciente potrebbe diventare la prossima guerra culturale

Vuoi imparare a usare l’AI nel tuo lavoro, senza dipendere dagli aggiornamenti e senza seguire corsi che scadono ogni sei mesi? Ho costruito un percorso strutturato, aggiornabile per definizione. Scopri il corso Da utente a orchestratore.

Il 70,2% degli utenti di Codex delega già task da oltre un’ora di lavoro umano. I loro colleghi hanno un numero. Tu probabilmente no.

Per il tuo lunedì: un esercizio da 20 minuti, tre passi, zero codice. Alla fine sai qual è il tuo equivalente in ore agente, e hai già delegato il primo task reale della settimana.

Nella parte paid anche l’analisi completa: perché il contratto SpaceX cambia la tua strategia AI (non quella di Altman, la tua), cosa cambia concretamente per chi costruisce su modelli frontier ora che il governo è nella supply chain, e perché la crescita 12-32x nei reparti legali e finanziari è il dato che quasi nessuna azienda sta ancora guardando. Più l’analisi di Also This Week e la Watchlist.

Read more

TL;DR:

• Anthropic ha analizzato ~400.000 sessioni reali di Claude Code con ~235.000 persone tra ottobre 2025 e aprile 2026: la competenza di settore dell’utente è il fattore predittivo di qualità più forte trovato nello studio.

• Gli esperti producono 5 volte più output rispetto ai principianti (12 azioni e 3.200 parole per prompt contro 5 azioni e 600 parole), non perché sappiano programmare meglio, ma perché sanno esattamente cosa stanno costruendo.

• I manager hanno il tasso di successo verificato più alto in assoluto, sopra i software engineer. Il divario tra occupazioni tecniche e non-tecniche è di soli 5 punti percentuali.

“Un commercialista che non ha mai usato Python, ma dice a Claude esattamente quali regole di riconciliazione deve rispettare e corregge l’eccezione che gestisce male a fine mese, è un esperto per quel compito.”

Quella frase è di Hitzig, Massenkoff e colleghi di Anthropic. Compare a metà di uno studio Anthropic pubblicato il 16 giugno 2026, costruito su quasi 400.000 sessioni interattive di Claude Code, con circa 235.000 persone che hanno lavorato sullo strumento tra ottobre 2025 e aprile 2026.

Non erano partiti per dimostrare quello che hanno trovato.

Erano partiti per capire come cambia la qualità dell’output quando cambia il livello di competenza dell’utente. La risposta ribalta la narrativa dominante: non è un problema di saper programmare. È un problema di sapere cosa stai costruendo.

La divisione del lavoro che non ti aspetti

Ecco come funziona davvero la collaborazione tra un umano e Claude Code, misurata su 400.000 sessioni reali.

L’utente prende circa il 70% delle decisioni di pianificazione. Claude prende circa l’80% delle decisioni di esecuzione. Il confine non è tecnico: è strategico da un lato, operativo dall’altro.

Quello che cambia tra un principiante e un esperto non è la capacità tecnica. È la qualità del briefing.

Un principiante, in media, attiva circa 5 azioni di Claude per prompt e ottiene circa 600 parole di output. Un esperto attiva 12 azioni e ottiene 3.200 parole. Non 3.200 parole di testo generico: output che soddisfa criteri di settore precisi, perché l’esperto ha trasmesso a Claude esattamente quali criteri applicare. Entrambe le tendenze sono statisticamente significative (p < 0,001). Non è un effetto marginale. È un moltiplicatore strutturale.

Un principiante porta a casa 5 azioni e 600 parole di output. Un esperto: 12 azioni e 3.200 parole. Stessa sessione. Stesso strumento. La differenza è cosa sai sul tuo dominio, non come funziona lo strumento.

La domanda che conta non è “sai programmare?” È “sai cosa stai costruendo?”

Il paradosso che i tecnici non vogliono sentire

Le occupazioni legate al software e alla matematica hanno un tasso di successo verificato del 34% sulle sessioni che producono codice. Tutte le altre occupazioni: 29%. Un divario di 5 punti percentuali.

Cinque punti. Non venti, non il doppio. Cinque.

Le occupazioni non-software in crescita più rapida su Claude Code sono management, vendite e legale. Il tasso di successo verificato più alto in assoluto appartiene ai manager. Sopra i software engineer.

Il 19% delle sessioni dei principianti viene abbandonato quando incontrano un ostacolo. Gli esperti? Tra il 5 e il 7%. Quella differenza non è tecnica: è la distanza tra chi sa riorientare il problema quando qualcosa va storto e chi si blocca perché non capisce cosa stava cercando di costruire. Quando gli esperti incontrano una sessione difficile, la portano a un esito verificato nel 15% dei casi. I principianti nella stessa situazione: 4%.

C’è anche un dato che racconta l’evoluzione dello strumento. La percentuale di sessioni dedicate al debug era al 33% a ottobre 2025. Ad aprile 2026 era al 19%, quasi dimezzata in 7 mesi. Nel frattempo, le sessioni dedicate all’uso operativo del software sono passate dal 14% al 21%, e quelle di analisi dati e scrittura sono praticamente raddoppiate, dal 10% al 20%. Il valore economico medio stimato per sessione è cresciuto del 27% nello stesso periodo, con le attività di costruzione a +43% e quelle operative a +34%. Lo strumento ha imparato dai propri errori, e gli utenti hanno spostato il lavoro verso attività più complesse e ad alto valore.

Anche OpenAI ha letto lo stesso segnale. A giugno 2026 ha costruito “Applying AI at Work”, un curriculum per colmare il divario di competenze. Non ha costruito un corso di programmazione. Ha costruito un corso su come si applica l’AI al lavoro. Anche il competitor ha riconosciuto che il problema non è tecnico: è di chi sa cosa chiedere.

Il 70% che nessuno vuole possedere

Nel corso, ho usato l’immagine di un consulente appena assunto. Straordinariamente capace, formazione enciclopedica, disponibile a lavorare su qualsiasi cosa. Ha un limite: è arrivato ieri. Non conosce la tua azienda, i tuoi clienti, i tuoi processi, le regole implicite del tuo settore. Ogni volta che gli assegni un compito, devi spiegargli come se fosse il primo giorno.

Lo studio di Hitzig et al. misura esattamente questo. L’esperto non è chi sa programmare. È chi sa spiegare. Chi porta al tavolo le regole implicite che un generalista non conosce.

C’è una progressione che rispecchia quello che i dati di Anthropic misurano empiricamente. La prima domanda che tutti si fanno con l’AI è: “come glielo chiedo?” Il prompt. Poi, man mano che si acquista esperienza, la domanda cambia: “cosa deve sapere?” E al livello in cui i dati identificano il vero vantaggio competitivo: “verso cosa lo sto orientando?” Il 70% delle decisioni di pianificazione che restano all’utente non è un limite dell’AI. È il valore dell’esperto. Quello strato è intenzione. L’intenzione non si delega.

Il titolo del corso che ho costruito non è una promessa di marketing. È la tesi di questo articolo: non chi sa eseguire il codice, ma chi sa cosa costruire. Chi possiede quel 70%.

“Da utente a orchestratore” è stato costruito per esattamente questo. Non per imparare a programmare. Per imparare a dirigere. Da utente a orchestratore

Il vantaggio competitivo che i professionisti non-tech cercano nel dibattito sull’AI era già nel loro cassetto. Lo studio lo misura. I numeri lo confermano. L’unica cosa che mancava era saperlo usare.

Reality Check: Ogni settimana esce un articolo su come i professionisti debbano “imparare a programmare per non restare indietro”. I dati di Anthropic dicono il contrario. Un manager ha un tasso di successo più alto di un software engineer. Il divario tra occupazioni tecniche e non è di 5 punti percentuali, non il doppio. La narrativa del reskilling tecnico è conveniente per chi vende corsi di programmazione. Non per chi la usa come bussola.

Se conosci un avvocato, un commercialista o un consulente che si sente escluso da questa rivoluzione, mandagli questo. Se pensi che la tesi sia sbagliata, dimmi nei commenti perché.

Quello che trovi sotto il paywall:

• Il classificatore di Anthropic — i 3 segnali che Claude usa per capire se stai spiegando da esperto o da principiante, e cosa cambia di conseguenza nell’output

• La differenza che vale 5 volte — il confronto riga per riga tra un prompt da principiante e uno da esperto sullo stesso compito legale, contabile e di marketing

• I 4 elementi del prompt da esperto — lo schema derivato dallo studio che traduce la tua conoscenza di settore in istruzioni che Claude capisce e usa

• La regola dei 30 secondi — la domanda da porsi prima di ogni sessione che fa la differenza tra 5 azioni e 12

• Tre professioni a confronto — versione principiante vs esperto per avvocato, commercialista, responsabile marketing: cosa cambia nel concreto e perché

Il pattern che emerge da questi dati cambia la domanda che dovresti farti. Non “cosa chiedo all’AI?” ma “cosa so io che l’AI non sa ancora?”. Ti mostro qual è quella domanda, e come trasformarla in output misurabile.

Read more

Il 13 giugno 2026, 200 organizzazioni in 15 paesi hanno scoperto cosa significa dipendere da una firma governativa. La risposta non è protestare. Non è costruire da zero. È costruire insieme, con chi ha qualcosa da perdere quanto te.

• Causa: Il Progetto Glasswing ha spento Fable 5 e Mythos 5 di Anthropic il 13 giugno 2026 alle 00:50 UTC: circa 200 organizzazioni in 15 paesi disconnesse in 90 minuti, senza preavviso, senza ETA.

• L’errore da evitare: protestare non sposta gli incentivi geopolitici; costruire tutto da soli non regge ai numeri: $285,9 miliardi USA contro $20,9 miliardi europei di investimenti privati in AI nel 2025.

• La terza via: una coalizione non allineata con circa $42 trilioni di PIL aggregato e quattro mattoni già operativi può garantire all’Europa un’alternativa reale, senza recidere i legami esistenti con le due superpotenze.

Il momento esatto

13 giugno 2026. Mezzanotte e cinquanta, ora UTC. In quattordici fusi orari diversi, responsabili IT, founder e team lead aprono Slack e trovano un errore che non si aspettavano. Fable 5 e Mythos 5 di Anthropic sono offline. Nessun messaggio di preavviso. Nessuna stima di ripristino. Circa 200 organizzazioni in 15 paesi hanno perso il loro strumento AI principale: flussi di lavoro, filiere di analisi, processi di assistenza ai clienti, fermi.

Ho scritto nei dettagli cosa è successo quella notte e perché nell’articolo precedente: il ban, il Progetto Glasswing, la firma al Commerce Department. Non lo ripeto qui.

Quello che conta adesso è la domanda successiva. Quella che ogni responsabile tecnologico, ogni imprenditore, ogni professionista che dipende dall’AI si è posto nelle ore seguenti: e adesso?

Subscribe now

Le due risposte che sembrano ovvie, e non funzionano

La prima è protestare. Lettere aperte, comunicati, appelli a Bruxelles. L’impulso è comprensibile. Non serve.

Washington gestisce la politica sull’AI come strumento di potere geopolitico. Non è una posizione morale, è una strategia. Le critiche al ruolo del dollaro non hanno mai spostato di un centimetro il comportamento USA durante Bretton Woods o dopo. Lo stesso vale qui: un governo che vede l’AI come risorsa strategica non cambia le sue decisioni di controllo sulle esportazioni perché i clienti europei sono scontenti.

La seconda risposta è “costruiamo la nostra AI”. Nobile. Impossibile, almeno da soli.

I numeri del 2025 sono chiari: investimenti privati in AI, USA $285,9 miliardi. Europa $20,9 miliardi. Cina $12,4 miliardi ufficiali. Il divario non si è fermato, si è allargato, nonostante anni di dichiarazioni di urgenza, piani strategici, tavoli interministeriali. Nessuna economia al di fuori del duopolio USA-Cina ha i mezzi per raggiungere la parità tecnologica di frontiera da sola. L’Europa non fa eccezione. Costruire un’alternativa proprietaria completa richiederebbe un decennio e capitali che non esistono in nessun piano di bilancio europeo attuale.

Reality Check. Le istituzioni europee hanno già prodotto cinque strategie AI in sei anni. Ogni documento dichiara urgenza. Nessuno ha spostato i capitali dove conta. La differenza tra questa proposta e le precedenti è che quattro dei mattoni operativi esistono già: EuroHPC è operativa, l’IndiaAI Mission ha GPU deployate, i fondi sovrani del Golfo superano i $5 trilioni, gli organismi di sicurezza AI sono già in piedi in sei paesi. Non si tratta di costruire da zero. Si tratta di decidere di usare quello che c’è.

Il precedente che nessuno cita

Esiste una terza opzione. Non è nuova. Ha già funzionato, in un contesto che assomiglia a questo molto più di quanto si pensi.

Durante la Guerra Fredda, India, Jugoslavia ed Egitto scelsero un posizionamento che sembrava impossibile: non si schierarono né con gli USA né con l’URSS. Non erano anti-americani. Non erano anti-sovietici. Commerciavano con entrambe le superpotenze, le mettevano in concorrenza tra loro, e nessuna delle due le considerava vincolate al proprio blocco. Il risultato fu autonomia reale, mantenendo i legami commerciali con entrambi i lati.

Questo era il Movimento dei Non Allineati. Non neutralità passiva. Posizionamento attivo.

Tradotto nell’AI del 2026: non interrompere i legami con l’AI americana o cinese. Usarle entrambe. Fare in modo che quel ricorso sia una scelta, non una necessità. La differenza tra le due condizioni, nella pratica contrattuale e negoziale, vale miliardi.

Subscribe now

L’Airbus dell’AI: la coalizione che esiste già

Serve un secondo riferimento storico per capire come farlo concretamente.

Negli anni ‘60, nessun paese europeo poteva competere con Boeing da solo. Né la Francia, né il Regno Unito, né la Germania, né la Spagna. La risposta fu un consorzio: ognuno si specializzò nei componenti dove era più forte, e insieme formarono Airbus. Quarant’anni dopo, Airbus batte Boeing in molti segmenti. Non perché un singolo paese europeo abbia costruito un aereo migliore, ma perché quattro paesi hanno messo insieme i punti di forza specifici di ciascuno.

Stessa logica, applicata all’AI.

La coalizione “non allineata” non è un progetto aspirazionale. Per PIL aggregato, esiste già: Unione Europea, India, Giappone, Corea del Sud, Taiwan, Australia, Brasile, Indonesia e Gulf states sommano circa $42 trilioni, superiore al PIL dei soli USA. Su sette dimensioni della sovranità AI (energia, capacità di calcolo, dati, talento, capitale, regole e modelli) questa coalizione ha un punteggio paragonabile agli Stati Uniti. Non perché qualcuno eccella in tutto, ma perché ognuno porta qualcosa di specifico.

Taiwan e Corea del Sud producono chip avanzati. I Paesi Bassi ospitano ASML, unico produttore mondiale di litografia EUV avanzata: senza ASML, letteralmente nessun produttore di chip al mondo può produrre semiconduttori di ultima generazione. L’India ha costruito un’infrastruttura di identità digitale pubblica senza equivalenti altrove. Il Giappone ha sviluppato i migliori schemi per la condivisione transfrontaliera dei dati. I Gulf states portano capitale e un orizzonte temporale di 20-30 anni che i fondi americani, concentrati sui ritorni a breve, non possono offrire.

Manca un elemento: i modelli di frontiera. Ed è qui che vale ancora la logica Airbus.

I modelli open-weight sono già a meno di sei mesi dalla frontiera closed. Su SWE-bench Verified, il riferimento per misurare le capacità di coding, DeepSeek V4 segna 80,6% e MiniMax M2.5 80,2%. Claude Opus 4.6, il modello closed di riferimento, segna 80,8%. L’Artificial Analysis Intelligence Index segna open-weight 54 contro closed frontier 57. Tre punti di divario. Il minimo storico.

Un programma condiviso su Mistral Large 3, la migliore opzione europea con licenza enterprise oggi disponibile, e i laboratori più credibili di Francia, Canada, Corea del Sud e Giappone potrebbe chiudere questo divario in pochi anni, con una frazione del capitale necessario per partire da zero.

Quattro mattoni, non quattro aspirazioni

Il 23 giugno 2026, l’ISPI ha pubblicato “Oltre Washington e Pechino: la terza via europea per l’IA“. È l’analisi più concreta che ho letto sull’argomento, perché identifica non obiettivi generali ma aree operative dove si può agire adesso.

Leadership normativa come risorsa negoziale. Il corpus regolatorio AI dell’UE condiziona già le scelte delle grandi aziende tech globali. Armonizzare gli standard degli appalti pubblici con India, Giappone, Corea del Sud e Singapore creerebbe un mercato di oltre un miliardo di consumatori con un unico set di requisiti. Chi vuole vendere in quel mercato si adegua alle sue regole. È esattamente la leva del GDPR: Washington si è irritata per anni, le aziende americane si sono adeguate, perché il mercato europeo era troppo grande per essere ignorato.

Capacità di calcolo condivisa, adesso. EuroHPC ha già accordi di cooperazione formali con India e Giappone. La EuroHPC Federation Platform, lanciata nell’aprile 2026, offre un accesso unificato ai supercomputer europei: l’integrazione tecnica è già possibile. Sommata all’IndiaAI Mission, un piano da 10.371,92 crore di rupie (circa $1,25 miliardi) con l’obiettivo di 100.000 GPU pubbliche entro dicembre 2026, annunciato dal ministro Ashwini Vaishnaw al Rising Bharat Summit di Nuova Delhi il 27 febbraio 2026, con circa 34.000 GPU già operative a metà 2026 a circa 65 rupie per GPU/ora, questa è infrastruttura reale. Manca la volontà politica di aprire formalmente la coalizione, non la tecnologia.

Fondi sovrani verso l’infrastruttura AI. Norvegia, Singapore, UAE e Arabia Saudita controllano insieme più di $5 trilioni in fondi sovrani. Il 2% riorientato verso infrastruttura AI significa $100 miliardi all’anno, più degli attuali investimenti AI combinati di UE e Cina. Non è denaro che deve essere creato: esiste già, in cerca di rendimenti su orizzonti lunghi. L’AI infrastrutturale è esattamente il tipo di investimento che si abbina a quell’orizzonte.

Un unico istituto di valutazione della sicurezza. UK, UE, Giappone, Corea del Sud, Canada e Singapore gestiscono ciascuno un organismo separato di sicurezza AI. Fanno lo stesso lavoro, in isolamento, sei volte. Unificare standard e procedure di valutazione è rapido, poco costoso, e produce un bene collettivo concreto: una voce sola quando si negoziano le condizioni di accesso con USA e Cina.

Cosa significa per te

Fin qui la geopolitica. Ma l’articolo è inutile se si ferma a quel livello.

Se lavori con l’AI, il 13 giugno ti ha mostrato qualcosa di concreto. Novanta minuti: tanto basta per perdere uno strumento su cui hai costruito processi. La risposta razionale non è costruire un’alternativa proprietaria da zero. È avere dove andare.

I modelli open-weight disponibili oggi coprono già il 70-90% del divario di capacità rispetto ai modelli closed, a un costo per token da 5 a 10 volte inferiore. Llama 4 per ecosistema e tooling. Qwen 3 per il multilingue. DeepSeek V4 per il ragionamento a basso costo. Mistral Large 3 per chi ha bisogno di una licenza enterprise europea. Il divario residuo persiste sulle valutazioni agentiche complesse e sulla conoscenza generalista, ma non sul coding e sulla matematica, dove il gap è già chiuso.

Adottarli come secondo livello dello stack non è un compromesso. È avere potere contrattuale. Le aziende che diversificano tra modelli closed e open-weight saranno quelle che non dipenderanno mai da nessuna singola firma governativa.

Se i tuoi processi dipendono da un solo modello closed, quello che è successo il 13 giugno non è un caso isolato: è un rischio strutturale. Aiuto aziende a costruire uno stack AI che non dipenda da nessuna singola firma governativa. Scopri i servizi di AI Consulting oppure scrivimi direttamente per parlarne.

La penna è sul tavolo

Il Movimento dei Non Allineati del dopoguerra non era un’alleanza militare. Non aveva quartier generale, non aveva trattati che obbligassero qualcuno a qualcosa. Era un posizionamento condiviso e una serie di infrastrutture concrete che rendevano possibile agire fuori dai due blocchi.

L’AI del 2026 non è diversa.

Quella coalizione da $42 trilioni di PIL non deve dichiarare guerra alla Silicon Valley o a Zhongguancun. Deve integrare EuroHPC con i supercomputer indiani e giapponesi. Deve convincere il 2% dei fondi sovrani del Golfo a finanziare infrastruttura di calcolo invece di fondi di venture capital americani. Deve unificare gli standard di sicurezza AI in un’unica voce quando negozia con OpenAI, Anthropic o ByteDance.

I mattoni ci sono. Il capitale c’è. Le competenze tecniche ci sono. Quello che manca non è la tecnologia: è la decisione politica di usare quello che già esiste.

Il Movimento dei Non Allineati dell’AI non è ancora scritto. Ma la penna è sul tavolo.

Se questo ti ha cambiato il modo in cui vedi il problema, un restack porta l’articolo direttamente a chi ha bisogno di leggerlo.

Subscribe now

In breve:

• Il 13 giugno 2026, alle 00:50 UTC, Fable 5 e Mythos 5 di Anthropic vanno offline in tutto il mondo. Prima volta nella storia che i controlli americani sull’esportazione vengono applicati non a chip o hardware, ma a modelli AI già in produzione commerciale.

• Al G7 di Évian, per la prima volta in assoluto, i CEO dell’AI siedono al tavolo dei capi di stato come parti negoziali. L’agenda: costruire uno schema di accesso condizionale ai modelli americani avanzati per gli alleati, escludendo la Cina.

• La sinistra più radicale d’America e la destra più nazionalista arrivano, da premesse opposte, alla stessa conclusione: il governo deve avere voce in capitolo sull’AI. Nessuno sa ancora cosa verrà dopo.

Alle 00:50 del 13 giugno 2026, coordinamento universale, due modelli spariscono.

Non un’interruzione tecnica. Non un aggiornamento pianificato. Fable 5 e Mythos 5 di Anthropic diventano inaccessibili per ogni utente sul pianeta. Un’azienda con sede a San Francisco, clienti americani, dipendenti americani: offline per tutti. Compresi i propri ingegneri con passaporto straniero che lavorano fisicamente a San Francisco.

Dodici ore prima, alle 17:21 ora della costa Est, il Dipartimento del Commercio americano (Bureau of Industry and Security, sotto il Segretario al Commercio Howard Lutnick) aveva inviato ad Anthropic una direttiva di controllo sull’esportazione: bloccare l’accesso di tutti i non-cittadini americani a Fable 5 e Mythos 5. Anthropic non aveva alternative tecniche. Filtrare per nazionalità le singole chiamate API in tempo reale è tecnicamente impossibile. O si spengono i modelli, o si ignora l’ordine federale.

È la prima volta nella storia che i controlli americani sull’esportazione vengono applicati non a chip, non a hardware, non a componenti fisici, ma a specifici modelli AI già in distribuzione commerciale. Al 19 giugno 2026, i modelli sono ancora offline. Nessuna data di ripristino comunicata.

“Sistema questo codice”

La giustificazione ufficiale: tre parole in inglese. “Fix this code.”

I ricercatori di sicurezza di Amazon avevano testato Fable 5 con due tipi di richiesta. Chiedendo di “rivedere il codice per problemi di sicurezza”: il modello rifiutava. Chiedendo di “sistemare questo codice”: produceva le patch. Il governo ha interpretato questo come un aggiramento dei sistemi di sicurezza informatica del modello. Un’elusione dei meccanismi di protezione.

Katie Moussouris, fondatrice di Luta Security e consulente governativa sulla sicurezza informatica, era stata contattata da Anthropic per esaminare il rapporto Amazon. La sua analisi è netta: “Il comportamento descritto nel rapporto non può essere corretto in modo significativa, e qualsiasi tentativo indebolirebbe il modello per i difensori.”

La distinzione linguistica tra “trova vulnerabilità” e “sistema il codice” produce lo stesso risultato operativo. Non si può eliminare una capacità senza eliminare l’altra. Circa 100 professionisti della sicurezza informatica, tra cui dipendenti di Nvidia, Adobe, Zoom, Google, Anaplan, Sophos e ricercatori accademici, hanno firmato una lettera aperta che su Fortune documenta il punto cruciale: GPT-5.5 di OpenAI, Claude Opus, Claude Sonnet e il modello cinese Kimi 2.7 di Moonshot AI fanno esattamente la stessa cosa con lo stesso tipo di richiesta. Nessuno di loro è stato bannato.

Mythos 5, ironia della storia, era il primo modello di qualsiasi laboratorio ad aver completato entrambi i “test range” di sicurezza informatica dell’AI Security Institute britannico. Il modello più testato. Il solo ad essere spento.

Subscribe now

Moussouris, Krebs e le “differenze di personalità”

Il pretesto tecnico è fragile. Il governo americano probabilmente lo sapeva.

Anthropic aveva un problema molto più vecchio con Washington. A febbraio 2026 aveva rifiutato le richieste del Pentagono di rimuovere i propri sistemi di sicurezza per “qualsiasi uso legale”, anche militare. Il Pentagono l’aveva già etichettata “rischio per la catena di approvvigionamento.”

Quando Anthropic ha chiamato Moussouris per difendere la propria posizione tecnica, la Casa Bianca ha risposto etichettandola “democratica radicale.” Poi Chris Krebs, ex direttore della Cybersecurity and Infrastructure Security Agency (CISA), licenziato da Trump nel 2020 per aver smentito pubblicamente le sue accuse di frode elettorale, ha sostenuto sui social l’analisi di Moussouris.

Axios cita una fonte governativa: “le differenze di personalità” tra Anthropic e l’amministrazione Trump, più che il problema tecnico, hanno precipitato la decisione. TechCrunch è diretto: “La direttiva dell’amministrazione Trump appare ritorsiva.” Justin Hendrix del Tech Policy Press: “Il clima è quello di un’atmosfera di sospetto in cui i funzionari scelgono i favoriti in base a fattori personali e politici.”

C’è ancora una variabile. Semafor rivela in esclusiva il 13 giugno che il ban è stato parzialmente motivato dal sospetto che un gruppo collegato alla Cina avesse avuto accesso a Mythos 5, con il rischio di distillazione: copiare le capacità del modello tramite analisi sistematica degli output, un tipo di ingegneria inversa. Anthropic risponde che la Cina non è mai stata menzionata nelle conversazioni ufficiali sul ban, e che già vietava l’accesso ai propri prodotti dalla Cina. La domanda rimane senza risposta: se un intermediario cinese aveva davvero avuto accesso a Mythos 5, perché il governo non lo ha dichiarato esplicitamente?

Poi c’è il paradosso Amodei. Il 10 giugno, due giorni prima della direttiva, il CEO di Anthropic pubblica “Policy on the AI Exponential”: un saggio in cui sostiene che i governi devono avere il potere di “bloccare” i modelli AI pericolosi, come la FAA può bloccare un aereo. Sopra una certa soglia computazionale, i modelli andrebbero sottoposti a test obbligatori da parti terze. Se il rischio è inaccettabile, il governo deve poter bloccare o revocare il rilascio.

Il 12 giugno, il governo usa esattamente quei poteri. La differenza che Amodei sottolinea: il suo schema richiedeva un processo codificato, trasparente, basato su prove verificabili, applicato all’intera industria. Il ban reale blocca chiunque sia straniero, usa prove verbali non rese pubbliche, e si applica solo ad Anthropic mentre il resto dell’industria opera senza restrizioni. Amodei non aveva accettato volontariamente il ritiro dei modelli: aveva chiesto più informazioni e tempo. I funzionari gli avevano detto che stava prendendo una “decisione sbagliata” prima ancora che l’ordine venisse firmato.

L’Europa scopre di dipendere da qualcun altro

Due settimane prima del ban, Anthropic aveva appena espanso il Project Glasswing: accesso a Mythos 5 per circa 200 organizzazioni in oltre 15 paesi, molte delle quali europee. Le colpisce nel momento di massima integrazione.

La Banca Centrale Europea aveva già convocato una riunione straordinaria a maggio 2026 sui rischi di sicurezza informatica dei modelli Mythos, prima ancora del ban. Le banche europee che stavano integrando i modelli si ritrovano senza accesso, senza preavviso, senza data di ripristino.

Il Centre for European Policy Network definisce il ban “più un segnale geopolitico che una misura di sicurezza necessaria.” Il Verfassungsblog, rivista accademica tedesca di diritto costituzionale, titola: “Banditi dal futuro: le chiavi dell’AI e il futuro della cittadinanza europea.” I politici europei trovano la stessa frase, nelle rispettive lingue: “L’Europa non può accontentarsi di essere un mercato aperto dipendente da tecnologie progettate, finanziate e controllate altrove.”

Ursula von der Leyen porta questa posizione al G7 di Évian. Con scarso risultato immediato. L’effetto concreto a lungo termine è quasi paradossale: il ban rafforza l’argomento per Mistral in Francia e Aleph Alpha in Germania come alternative strategiche. Chi aveva bisogno di una ragione per accelerare il calcolo sovrano europeo l’ha trovata il 13 giugno alle 00:50 UTC.

Subscribe now

Évian-les-Bains: il G7 che nessuno aveva previsto

Il 17-18 giugno 2026, per la prima volta nella storia di un vertice G7, i CEO delle principali aziende AI siedono al tavolo dei capi di stato. Non come consulenti chiamati a presentare. Come parti.

Al tavolo: Sam Altman (OpenAI), Dario Amodei (Anthropic), Demis Hassabis (Google DeepMind), Arthur Mensch (Mistral, Francia), Ivan Gomez (Cohere, Canada), Marc Benioff (Salesforce), Andrew Wang (Meta), più i fondatori di Sarvam (India), Sakana (Giappone), Domyn (Italia), Synthesia (UK), Black Forest Labs (Germania).

Il ban del 12-13 giugno aveva generato l’agenda. Senza quella settimana, il G7 non avrebbe discusso i “partner fidati.” Lo schema sul tavolo: accesso condizionale ai modelli americani più avanzati per gli alleati G7, escludendo la Cina. Una piattaforma da costruire “entro il mese successivo” tra “una manciata di democrazie occidentali.” Riunione ministeriale a settembre per definire criteri e standard.

Nessuna lista pubblica. Nessun criterio formale. Tutto ancora da scrivere.

Anche tra i CEO le posizioni divergono. Amodei e Hassabis vogliono una coalizione a guida americana che escluda la Cina da chip e modelli avanzati. Altman vuole un forum globale con standard condivisi e prove comuni. Von der Leyen chiede che l’UE sia inclusa nello schema. Nessuna risposta formale da Washington.

Risultato concreto del vertice: 9 dichiarazioni separate. Nessun trattato vincolante.

Se stai cercando di capire cosa significano questi movimenti per la tua azienda, le tue decisioni sui fornitori AI, la tua strategia operativa: è esattamente il tipo di analisi per cui esiste la consulenza. La geopolitica dell’AI sta riscrivendo contratti, rischi operativi e dipendenze tecnologiche per ogni organizzazione che usa questi strumenti. Se vuoi capire come questo scenario ti riguarda, esplora i miei servizi di consulenza AI o scrivimi direttamente per una prima chiamata.

Il paradosso americano

Mentre il G7 discuteva di accesso condizionale, dal Congresso americano arrivava una proposta che avrebbe reso il dibattito irrilevante.

Bernie Sanders ha depositato l’”American AI Sovereign Wealth Fund Act.” Le aziende con ricavi AI superiori a 200 milioni di dollari devono emettere nuove azioni pari al 50% del capitale totale e trasferirle allo stato federale senza compensazione. Tecnicamente è codificato come accisa sull’equity (codice IRC §5000E): le azioni esistenti vengono diluite del 50% o più, non confiscate direttamente. Il fondo sovrano stimato: 7 trilioni di dollari. Il dividendo teorico: 5% del fondo, diviso per 335 milioni di americani, fa circa 1.044 dollari all’anno per ogni cittadino.

I numeri non reggono. Le principali aziende AI bruciano 787 miliardi di dollari all’anno: 1.400 miliardi di spesa in conto capitale contro 613 miliardi di ricavi totali. OpenAI nel 2026: 14 miliardi di perdite su 24 miliardi di ricavi annualizzati. Anthropic: 33 miliardi di spesa contro 6,5 miliardi di ricavi. Un fondo sovrano che possiede azioni di aziende strutturalmente in perdita non genera dividendi. Genera carta.

Per capire la portata della proposta: le nazionalizzazioni britanniche degli anni 1945-1951, che portarono sotto controllo statale carbone, ferrovie, acciaio e la Banca d’Inghilterra, prevedevano compensazione ai proprietari al valore di mercato. La proposta Sanders non prevede alcuna compensazione. È più radicale di qualsiasi nazionalizzazione occidentale del dopoguerra. La proposta include anche una moratoria sui data center AI.

Trump, da parte sua, sta esplorando una “partnership” tra il governo federale e le aziende AI. Direzione opposta alla nazionalizzazione, stessa premessa di fondo: il governo deve avere voce in capitolo.

Alex Karp, CEO di Palantir, ha sintetizzato il paradosso con la frase che circola tra gli analisti: “Sanders si pentirà di aver chiesto solo il 50%. La nazionalizzazione completa sta arrivando.”

“Come si chiama quando sia Trump che Bernie Sanders chiedono la proprietà governativa dell’AI?”

John Chanos, investitore

La frase di Chanos non è retorica. È una domanda genuina a cui nessuno sa ancora rispondere. I mercati, a inizio giugno, avevano già prezzato l’incertezza con un calo significativo. Le stime circolanti: una proposta simile a quella Sanders causerebbe un calo del valore del settore AI puro del 30-50%.

Reality Check

Il ban su Anthropic non era tecnicamente giustificabile. GPT-5.5 di OpenAI, Claude Opus, Claude Sonnet e Kimi 2.7 di Moonshot AI fanno esattamente la stessa cosa con lo stesso tipo di richiesta. Nessuno di loro è stato toccato. Mythos 5 era il modello che aveva superato più prove di sicurezza di qualsiasi altro. Il criterio non era tecnico: era politico. Questo è il problema reale, non il codice. Quando le regole vengono scritte per ragioni politiche e applicate selettivamente, non esistono più regole. Esiste solo l’esposizione a decisioni arbitrarie. Qualsiasi azienda che costruisce la propria strategia operativa su un singolo fornitore di modelli americano, in questo momento, sta scommettendo su una variabile che non controlla.

Al 19 giugno 2026 abbiamo più domande di quante ne avessimo a inizio settimana.

Dario Amodei aveva scritto due giorni prima del ban che i governi devono avere il potere di bloccare i modelli pericolosi. Il governo lo ha usato su di lui, nel modo sbagliato, dice lui. Sanders vuole che lo stato possieda il 50% dell’AI. Trump vuole che lo stato ne sia “partner.” Il G7 vuole decidere chi può accedere all’AI e chi no. Karp dice che la nazionalizzazione completa sta arrivando e che Sanders si pentirà di aver chiesto solo metà.

Premesse opposte. Stessa destinazione.

L’AI come proprietà privata illimitata, governata solo da dinamiche di mercato, fuori dalla portata degli stati: quella fase sta finendo. Quello che viene dopo non è ancora scritto. Évian ne ha discusso per due giorni e ha prodotto 9 dichiarazioni separate. Washington ha mandato una direttiva e spento due modelli senza criteri pubblici. Bruxelles ha convocato una riunione straordinaria.

Il 10 giugno, Amodei scriveva che il momento di codificare le regole era adesso, prima che i modelli diventassero troppo potenti per essere governati.

Era già troppo tardi.

Se questo articolo ti ha dato una prospettiva che non trovavi altrove, è il tipo di contenuto che vale la pena condividere.

Subscribe now

TL;DR:

• L’AI ha moltiplicato la velocità di lavoro ovunque: da un film da 2.000 dollari accettato al Tribeca Festival 2026 agli ingegneri di Anthropic con uno speedup da 3x a 52x in undici mesi, a 50 milioni di righe di codice migrate in un giorno da Stripe.

• L’89% dei CEO e CFO di quattro paesi riporta zero impatto sull’occupazione e zero crescita di produttività (NBER Working Paper #34836, febbraio 2026). Il guadagno di velocità scompare nella deflazione dei prezzi prima di arrivare a chi l’ha prodotto.

• Chi cattura valore non è chi usa l’AI più in fretta: è il 20% che ha ridisegnato il proprio modo di lavorare. La distinzione è leggibile, misurabile, insegnabile.

Questa settimana hai letto almeno tre articoli su come l’AI ha fatto qualcosa 10 volte più in fretta. Forse 20. Hai annuito. Hai chiuso la scheda. E ti sei sentito un po’ peggio di prima, senza capire bene perché.

Non è ansia irrazionale. Non è resistenza al cambiamento. È il segnale corretto di una contraddizione reale: la velocità esplode ovunque, ma il valore non si sposta. I guadagni esistono. Sono misurabili, documentabili, a volte spettacolari. Qualcosa li assorbe prima che arrivino a te, che sei quello che li ha prodotti.

Questa è la storia di dove finiscono.

La meraviglia, prima.

Ash Koosha ha fatto un film. Settantacinque minuti, live-action, interamente generato con AI. Costo totale: 2.000 dollari. “Dreams of Violets” è stato accettato al Tribeca Festival 2026, il 25esimo anniversario del festival: primo film AI full-length live-action a entrare in un festival major.

IBM ha rinnovato il sistema Bob, l’assistente per 80.000 dipendenti, con il progetto Blue Pearl. Un aggiornamento che richiedeva tipicamente 30 giorni è stato completato in 3 giorni: -90% di tempo, 160 ore di ingegneria risparmiate, zero difetti dopo il rilascio, +15% nel tempo di risposta del sistema. Gli utenti in auto-valutazione riportano +45% di produttività media.

Stripe, nel giugno 2026, ha migrato 50 milioni di righe di codice Ruby in un solo giorno con Claude Fable 5. La stima manuale era di due mesi con un team completo.

Perplexity ha misurato i suoi agenti AI sulla ricerca avanzata: -87% di tempo, -94% di costo rispetto all’approccio tradizionale con esecuzione umana.

Il dato più clamoroso viene da dentro. Anthropic ha pubblicato a maggio 2026 il report “When AI builds itself”: gli ingegneri producono in media 8 volte più codice per trimestre rispetto al 2024. Oltre l’80% del codice prodotto è scritto da Claude (era a una sola cifra prima del febbraio 2025). Su un esperimento di ottimizzazione interno, Claude è passato da circa 3x di speedup nel maggio 2025 a 52x nell’aprile 2026. Il tasso di successo su attività aperte: 76% nel maggio 2026.

Cinquantadue volte più veloce. In undici mesi. Ed è chi costruisce l’AI a dircelo.

Quindi la produttività esiste. I numeri sono reali. Dove sono finiti i soldi?

Il grande assente.

Febbraio 2026. Il NBER pubblica il Working Paper #34836, basato su una survey di quasi 6.000 CEO e CFO in Stati Uniti, Regno Unito, Germania e Australia. Risultati: l’89% dei manager riporta zero impatto dell’AI sull’occupazione negli ultimi tre anni. L’89% riporta zero cambiamento di produttività misurata come volume di vendite per dipendente. Il 69% dichiara di usare già l’AI, ma in media solo 1,5 ore a settimana.

Goldman Sachs misura l’impatto AI sulla crescita economica USA: zero. Daron Acemoglu del MIT stima che senza cambiamenti istituzionali il massimo raggiungibile è uno 0,07% di aumento di produttività. Non il 7%. Lo zero virgola zero sette.

Ne ho già scritto dal punto di vista macroeconomico. Ma il meccanismo che spiega questo paradosso non l’ho visto spiegare come si deve quasi da nessuna parte.

La rivelazione: il meccanismo che assorbe tutto.

Non è che i guadagni non esistano. È che scompaiono nel momento in cui entrano nel mercato.

Prendiamo un caso concreto, personale, comprensibile a chiunque.

Un libero professionista che costruisce siti brochure per le PMI lavorava a 1.500-5.000 euro per progetto. Il suo tempo era il prodotto. Oggi esistono piattaforme AI da 10 a 30 dollari al mese che producono l’80% del risultato per l’1% del costo. Un’analisi del mercato UK nel 2026 documenta che i costi di sviluppo di siti brochure sono crollati del 90%. Una funzionalità che richiedeva 8 ore di lavoro (480 sterline) ora ne richiede 2 (120 sterline): stessa qualità, un quarto del fatturato.

Il volume di siti prodotti è esploso. Il valore economico per sito è crollato. Il PIL del settore: invariato, se non in calo.

Lo stesso meccanismo è visibile nel SaaS, con i numeri. Il BVP Nasdaq Emerging Cloud Index di Bessemer era a un multiplo di ricavi futuri di 18,43x nel 2021. A marzo 2026 è a 6,26x: un calo del 65-70%. La valutazione mediana del SaaS pubblico è scesa da 6,2x (fine 2024) a 3,3x (marzo 2026). Il pricing per postazione è sceso dal 21% al 15% della quota di mercato in 12 mesi, perché l’AI rende i lavoratori più produttivi, quindi le aziende ne servono di meno, e crolla la leva di espansione del fatturato. La net revenue retention è scesa da 110-120% a 101%.

Ecco il meccanismo:

Hai prodotto il quadruplo. Il prezzo è crollato a un quarto. Quindi in busta paga, per la macroeconomia, non è cambiato niente. La velocità l’hai data tu. Il risparmio se lo tiene qualcun altro.

La deflazione assorbe il guadagno fisico. Se produci quattro volte tanto ma il prezzo crolla di quattro volte, in termini macro hai prodotto uguale. La curva J della produttività spiega perché anche chi misura miglioramenti nelle prime settimane si ritrova spesso sotto le aspettative nel trimestre successivo.

Il tapis roulant va più veloce. Il paesaggio non si muove.

E i lavoratori?

Mentre le aziende aspettano che i guadagni di velocità si traducano a bilancio, i lavoratori aspettano il sollievo. Non arriva nemmeno a loro.

Modern Health ha pubblicato nel 2026 una ricerca su chi usa l’AI quotidianamente: 1 su 4 dice che l’AI sta danneggiando la sua salute mentale. Il 64% riporta stress aumentato. Il 67% dice che l’AI ha alzato le aspettative di produttività. Il 69% si aspetta licenziamenti legati all’AI entro tre anni.

HackerRank, su 13.372 sviluppatori nel 2025: il 97% usa l’AI, circa un terzo del codice scritto è AI-generated (e la quota è in rapida crescita). Il 67% dice che l’AI ha aumentato la pressione a consegnare più in fretta. Circa il 40% pensa di lasciare il lavoro entro un anno. Il debito cognitivo che si accumula quando si smette di capire gli output che si consegnano è un problema reale, non una metafora.

Il 52% dei dipendenti teme di essere sostituito dall’AI (KPMG 2025): quasi il doppio dell’anno prima.

In Italia il quadro ha una specificità propria. Solo il 25% dei lavoratori italiani usa l’AI al lavoro, contro il 58% della media europea (European AI at Work 2026). L’adozione nelle aziende con almeno 10 dipendenti è al 16,4% nel 2025, con la media UE al 20%. Eppure il 42% dei lavoratori italiani teme di essere rimpiazzato (Legacoop-Ipsos, maggio 2026), il 44% è preoccupato per il lavoro e la disoccupazione, il doppio della media UE al 21%. Circa 6 milioni di lavoratori italiani sono a rischio sostituzione diretta secondo il Censis. Lo stress da lavoro è al 51%, più alto di Francia, Germania e Paesi Bassi (Euronews / European AI at Work).

L’Italia è indietro nell’adozione e più avanti nell’ansia. Non è un paradosso: è la conseguenza logica di capire il cambiamento senza avere ancora gli strumenti per rispondergli.

La testimonianza più lucida che ho letto su questo momento non viene da un sondaggio generico. Viene dal report “When AI builds itself” dell’Anthropic Institute (maggio 2026). Chi parla è un dipendente di Anthropic: chi costruisce l’AI di frontiera, non chi la subisce.

“Nei giorni in cui tutto funziona, non riesco a non pensare che niente di ciò che faccio conti davvero: è tutto automatizzato, migliore e più veloce di quanto io sarò mai. Ma poi ci sono i giorni in cui tutto si rompe, non capisco perché, e mi accorgo che non ho più idea di cosa stia facendo.” — dipendente Anthropic, in “When AI builds itself” (maggio 2026)

Dalla stessa fonte, una seconda voce: “Il lavoro (e la vita) funzionava su un’economia del dono di piccoli favori tra persone. [Claude] è più veloce, non crea alcun debito, ma ognuno di questi è un’occasione persa di collaborazione umana.”

Il problema non è lo strumento. È che nessuno ha spiegato come si ridisegna il proprio posto quando il contributo fisico si automatizza ma la responsabilità no. È esattamente la transizione su cui ho costruito il percorso “From User to Orchestrator”: non sugli strumenti ma sulla mentalità, su come leggere il cambiamento e riposizionare il proprio contributo. Il link è ai.evolbot.com.

In che direzione va il lavoro per cui sei conosciuto: si allarga (più giudizio, più ambiguità, più responsabilità) o si restringe (più codificato, più standardizzato, più spezzettato in step)? Quella direzione, non la velocità con cui usi l’AI, dice da che parte del cambiamento ti trovi.

Non fingerò che ci sia una risposta pulita a quella domanda. Non c’è. Ma c’è una differenza tra le persone a cui questo accade e quelle per cui questo funziona, e non è talento né fortuna. È che un gruppo sa leggere un segnale che l’altro non vede nemmeno. Ecco il segnale, ed ecco come capire da che parte sei.

P.S. Se gestisci un’azienda o un team e l’AI ha fatto crollare i costi operativi ma non si vede ancora a bilancio, quello che hai letto oggi spiega il perché. Parliamo: AI consulting e soluzioni.

Cosa trovi qui sotto:

• Il segnale in una domanda sola che ti dice se il tuo ruolo si sta allargando o restringendo, con i dati del mercato del lavoro che lo dimostrano.

• L’audit dei tuoi ultimi 10 lavori che separa “sono più veloce” da “faccio cose che prima non potevo fare”.

• Le 4 competenze che la ricerca mostra essere durature quando tutto il resto si automatizza, con come si leggono se sei dipendente e come se sei autonomo.

• Quanto guadagna in più chi si è mosso presto, con le cifre precise, e come capire se il tuo mercato è già in movimento.

• I 4 prompt operativi che uso io per fare questa diagnosi, pronti da copiare e adattare al tuo caso.

Read more

TL;DR:

• Gli hyperscaler bruceranno tra $635 e $740 miliardi di capex nel 2026, ammortizzando chip da tre anni come se durassero il doppio: il divario tra valore contabile e valore reale cresce ogni trimestre.

• Il rischio scende a cascata verso fondi pensione, ETF e investitori retail tramite due canali: SRT bancari e IPO con inclusione obbligatoria negli indici.

• Tre IPO da $3 trilioni in arrivo (SpaceX, Anthropic, OpenAI): il meccanismo degli indici rende l’acquisto obbligatorio indipendentemente dai fondamentali.

New York, 12 giugno 2026, ore 9:30.

SPCX apre a $150 e non si guarda indietro. Alle 16:00 la campana suona con $160.95 sullo schermo: +19.2% sul prezzo IPO di $135, con un picco intraday sopra $170. In poche ore, Elon Musk accumula $1.03 trilioni dalle sole azioni SpaceX. Aggiungete $340 miliardi da Tesla. Totale: $1.37 trilioni. Primo trilionario della storia della specie.

I media esultano. Come da copione, Goldman Sachs e SpaceX avevano già incontrato gli investitori a gennaio, cinque mesi prima, con un prezzo fisso “prendere o lasciare” a $135. L’IPO era quattro volte sovrasottoscritta. Il meccanismo ha funzionato esattamente come previsto.

Nelle stesse ore, al Senato degli Stati Uniti, la senatrice Elizabeth Warren firmava una lettera alla SEC chiedendo di rallentare l’inclusione di SPCX nell’indice. Qualcosa non le tornava. Aveva ragione. Ma il problema è più profondo di quanto sembrava.

Tre IPO sono in coda. SpaceX ha già raccolto $75 miliardi. Anthropic e OpenAI vengono dopo. Insieme potrebbero immettere $3 trilioni di azioni nuove sul mercato pubblico. Il Washington Post ha scritto il 12 giugno che queste aziende “potrebbero essere così grandi da costringere le borse, i fornitori di indici e i fondi passivi a definire le proprie regole in base ad essi.” Non è un’esagerazione. È già successo.

Qualcosa di oscuro si avvicina.

Il Pattern che Nessuno Vuole Ricordare

Il Parlamento britannico, tra il 1790 e il 1795, approvò 44 nuove canal companies in cinque anni. Il capitale si riversò nei canali con la frenesia di chi aveva letto il futuro. Poi il mercato collassò. I canali rimasero e alimentarono la rivoluzione industriale per decenni. Gli investitori persero tutto.

Nel 1845 toccò alle ferrovie. Le famiglie britanniche investirono metà di tutto il capitale disponibile in azioni ferroviarie, molte a debito. George Hudson, “il Re della ferrovia”, controllava un terzo dei binari del paese con uno schema che oggi riconosceremmo immediatamente. Quando tutto crollò, una generazione di risparmi fu azzerata. Le 6.000 miglia di binari rimasero e alimentarono l’economia britannica per un secolo.

Negli Stati Uniti, nel 1873, fallirono 89 compagnie ferroviarie. Nel 1894, un quarto delle ferrovie americane era in mano a imprese fallite. L’infrastruttura continuava a trasportare merci. Il capitale originale era evaporato.

Il 2000 lo sappiamo. Le aziende di telecomunicazioni seppellirono miliardi in cavi di fibra ottica. Il 90% della fibra rimase “dark” per anni. WorldCom fu il più grande fallimento corporativo americano fino a quel momento. Vent’anni dopo, quella dark fiber è la spina dorsale di Netflix, YouTube, cloud. Google la comprò per pochi centesimi sul dollaro.

La struttura narrativa è identica in ogni ciclo: la tecnologia mantiene le promesse, l’infrastruttura rimane, il capitale della prima ondata svanisce. Come avevo analizzato nell’articolo sull’AI infrastructure ceiling, siamo già dentro questo schema da almeno due anni.

Un nuovo studio dell’Università di Cambridge, pubblicato il 9 giugno 2026 dal dottor Alessio Terzi del Bennett School of Public Policy, ha quantificato qualcosa che fa impressione: SpaceX controlla il 75% del payload lanciato in orbita nel 2025. Supera la quota della Compagnia Olandese delle Indie Orientali al suo apice negli anni 1710, quando controllava il 72% del tonnellaggio Europa-Asia via Capo di Buona Speranza. Terzi ha scritto: “Lo spazio sta diventando una frontiera economica governata da una o due corporation, esattamente come accadde per gli oceani del mondo.” L’ultimo soggetto con un controllo comparabile su un settore di trasporto strategico era la Corona portoghese nel 1570. Il pattern si ripete a scala cosmica.

Il Twist: La GPU Muore in Tre Anni

Ecco dove questo ciclo diverge dai precedenti, e non in senso positivo.

La fibra ottica, una volta posata, non invecchia. La sua portata dati è aumentata di 1.000x in trent’anni senza toccare il cavo fisico. I componenti che si consumano, modem e router, sono i meno costosi dell’intera infrastruttura.

Le ferrovie: il percorso, i tunnel, i ponti durano secoli. Le traversine si sostituiscono ogni 30-50 anni.

La GPU H100, il componente più costoso di tutta l’infrastruttura AI, ha tre anni di vita reale nel mercato. Nel giugno 2025, AWS ha tagliato il prezzo degli H100 del 44% dopo l’arrivo di nuova fornitura. Al terzo anno, un H100 vale tra il 45 e il 55% del prezzo originale. HashRate Index chiama questo fenomeno “Mid-Life Cliff”: dopo il terzo anno, la curva di deprezzamento accelera.

Le aziende cosa fanno? Dichiarano tempi di ammortamento di 5 e 6 anni.

I dati vengono direttamente dai 10-K depositati alla SEC:

• Microsoft è passata da 3 anni a 6 anni dal 2022. Effetto: +$3.7 miliardi di utile operativo dichiarato.

• Google ha fatto lo stesso nel 2023. Effetto: -$3.9 miliardi di ammortamento, +$3.0 miliardi di net income.

• Meta è a 5.5 anni dal 2025. Effetto: -$2.9 miliardi di ammortamento nel bilancio 2025.

Il caso più rivelatore è Amazon. È passata a 6 anni nel 2024, poi ha invertito a 5 anni dal gennaio 2025, citando esplicitamente “l’accelerazione del ritmo di sviluppo tecnologico, in particolare nell’area dell’intelligenza artificiale e del machine learning.” Hit operativo dichiarato: $700 milioni. Amazon si è auto-corretta. Le altre tre tengono ancora 6 anni sul bilancio.

Alcuni analisti come Michael Burry avevano segnalato il problema prima. Il punto più forte, però, non è un’opinione: è che Amazon ha confermato con i fatti che il problema esiste, prendendosi il costo pubblicamente e dichiarandolo nella documentazione regolatoria. Il divario tra valore contabile e valore reale cresce ogni trimestre.

Il gap complessivo: gli hyperscaler risparmiano circa $18 miliardi all’anno estendendo l’ammortamento a 6 anni su $300 miliardi e oltre di capex. L’intensità di capitale nel 2026 è tra il 45 e il 57% del reddito (era il 10-15% nel 2020). Il reddito medio dei Big 4 cresce del 15.5% anno su anno nel 2026. Il capex cresce dell’80%.

Subscribe now

Il Web che Nessuno Disegna Per Intero

Prendete un foglio bianco. Al centro scrivete “Google”. A sinistra, “Anthropic”. A destra, “SpaceX”. In alto, “Amazon”. Poi cominciate a disegnare le frecce.

Google possiede il 14% di Anthropic (con un tetto al 15% e senza diritto di voto), con un impegno totale di $40 miliardi. Contemporaneamente, Google garantisce finanziariamente il chip deal da $35 miliardi di Anthropic. Google possiede anche il 6.11% di SpaceX. Apple paga Google $1 miliardo all’anno per Gemini, che alimenta Siri su oltre 2.2 miliardi di dispositivi. Il modello gira su Apple Private Cloud Compute, non sui server Google: Apple paga per l’intelligenza, non per il cloud.

Amazon possiede tra il 14 e il 18% di Anthropic, con un impegno da $25-28 miliardi. Ha impegnato altri $50 miliardi in OpenAI più $100 miliardi di compute su 8 anni. La stessa settimana del 10 giugno 2026, Amazon ha preso $17.5 miliardi di prestito “delayed draw” da Citibank, BofA, JPMorgan, HSBC e Wells Fargo, ed emesso C$14 miliardi di obbligazioni in Canada. Oltre $30 miliardi di nuovo debito in sette giorni.

Microsoft possiede il 27% di OpenAI con $250 miliardi di compute impegnato su Azure. Amazon ha messo sul piatto altri $100 miliardi di compute per OpenAI su 8 anni. Entrambi soci e fornitori dello stesso cliente, allo stesso tempo.

Apollo e Blackstone hanno costruito uno SPV da $35-36 miliardi su tre tranche ($6 miliardi tranche A1, $25 miliardi tranche A2, $4.5 miliardi tranche B) per acquistare TPU Google e cederli in leasing ad Anthropic. Broadcom garantisce il valore residuo sui $31 miliardi di debito senior: se Anthropic va in default e i chip vengono venduti a meno del dovuto, Broadcom copre il divario al 100% per gli investitori senior.

Anthropic ha quindi oltre $70 miliardi di obblighi strutturati solo tra queste due operazioni distinte (il chip deal garantito da Google e lo SPV Apollo-Blackstone), più $1.25 miliardi al mese da versare a SpaceX per l’intero datacenter Colossus 1, contratto fino a maggio 2029.

Google paga a SpaceX $920 milioni al mese da ottobre 2026 a giugno 2029.

Il nodo nascosto di tutto questo grafo è Broadcom. Fornisce chip custom a Google (TPU fino al 2031, accordo firmato ad aprile 2026), ad Anthropic (1GW nel 2026, obiettivo 3GW nel 2027; Mizuho stima $21 miliardi di revenue da Anthropic nel solo 2026) e a OpenAI (primo chip custom, obiettivo di distribuzione nel 2027, oltre 1GW). Revenue AI di Broadcom nel Q1 FY2026: $8.4 miliardi, +106% anno su anno. Previsione per l’intero FY2026: $56 miliardi (erano $12 miliardi due anni prima). Obiettivo 2027: $100 miliardi.

Oracle gestisce l’infrastruttura Stargate per OpenAI. SoftBank è partner fondatore della JV Stargate con $500 miliardi impegnati.

SpaceX ha depositato i documenti per una fabbrica di semiconduttori in Texas chiamata Terafab, con un costo stimato tra $55 e $119 miliardi su più fasi e prima produzione realistica verso il mid-2028. Per il quadro completo di SpaceX come azienda AI mascherata da azienda spaziale, ho già scritto un’analisi dettagliata.

Il risultato: tutti sono simultaneamente azionisti, clienti e creditori degli altri. Google non ha vinto la guerra dell’AI. Ha vinto la pace.

La Cascata del Rischio

Il capex dei Big 5 hyperscaler nel 2026 è stimato tra $635 e $665 miliardi secondo Goldman Sachs, tra $700 e $740 miliardi secondo Morgan Stanley. Una crescita dell’80% anno su anno. Il BIS stima che gli hyperscaler avranno bisogno di $1.5 trilioni di finanziamenti esterni fino al 2028. Il debito AI emesso globalmente nel 2026 è già a $570 miliardi (Morgan Stanley), con $236 miliardi già contabilizzati a fine maggio.

Il denaro da qualche parte deve venire. Due canali.

Canale uno: il debito. JPMorgan Chase, Morgan Stanley e SMBC stanno cercando di scaricare il rischio su centinaia di miliardi di debito per datacenter AI perché hanno raggiunto i propri limiti interni. Nel dicembre 2025, Morgan Stanley ha lanciato i primi “data center SRT” (Significant Risk Transfer): la banca tiene il prestito a bilancio ma vende la protezione sul first loss tranche ad acquirenti esterni, con rendimenti tra il 9 e il 14%. Nell’ottobre 2025, sempre Morgan Stanley aveva già strutturato $27 miliardi di debito più $2.5 miliardi di equity per lo SPV legato al datacenter Hyperion di Meta in Louisiana.

Chi compra questi SRT? Private credit come Apollo e Blackstone, hedge fund, assicuratori, fondi pensione. Il Financial Stability Board ha segnalato che le aziende AI nel 2025 hanno rappresentato oltre il 33% dei deal di private credit globale, su dal 17% del quinquennio precedente. Il mercato SRT globale per AI è stimato a oltre $200 miliardi nel 2026, con crescita superiore al 20% annuo. Gli USA coprono il 30% del totale. Si stima che $120 miliardi di debito AI siano già in SPV off-balance-sheet a fine 2025.

Il paradosso al centro di tutto: le banche originano il debito, ne cedono il rischio a chi ha meno strumenti per valutarlo, e restano a bilancio con l’asset. I fondi pensione e gli assicuratori comprano rendimenti tra il 9 e il 14% su infrastrutture il cui componente principale decade del 45-55% in tre anni.

Canale due: le IPO. SpaceX ha prezzato a $135 per azione il 10 giugno 2026, raccogliendo $75 miliardi (555.6 milioni di azioni), con un greenshoe di 83.3 milioni di azioni aggiuntive per altri $11 miliardi se esercitato. Il float al debutto era solo il 3.3%.

Il NASDAQ ha modificato le proprie regole specificamente per permetterlo: le IPO con capitalizzazione nella top-40 del Nasdaq-100 possono entrare nell’indice dopo soli 15 giorni di trading, contro il minimo ordinario di tre mesi. Quando accadrà, i fondi passivi saranno obbligati ad acquistare tra $15 e $30 miliardi di SPCX, indipendentemente da qualsiasi valutazione fondamentale.

L’S&P 500 ha rifiutato il fast-track. SpaceX non entrerà nell’S&P 500 prima di metà 2027 al più presto. Questo crea due trigger separati nel tempo: il Nasdaq-100 entro luglio 2026 ($15-30 miliardi di acquisti obbligatori), e l’S&P 500 nel 2027 (seconda ondata separata, ancora più grande). Non è una scelta degli investitori. È un obbligo strutturale.

Jill Luria, analista di D.A. Davidson, ha detto ad Al Jazeera che le compagnie “sono in una corsa a quotarsi prima che il capitale si esaurisca.” SpaceX, Anthropic e OpenAI replicheranno lo stesso schema. Insieme potrebbero immettere $3 trilioni di nuove azioni sul mercato pubblico.

Quanto vale davvero SpaceX? I dati dall’S-1 depositato il 20 maggio 2026: Q1 2026 revenue $4.694 miliardi, perdita operativa $1.943 miliardi. FY2025 revenue $18.674 miliardi, perdita operativa $2.589 miliardi, adjusted EBITDA $6.584 miliardi.

Chi tiene il contenitore in fondo alla cascata: i fondi pensione (via SRT e private credit) e il retail (via ETF e fondi indicizzati). Circa un terzo dell’S&P 500 è già concentrato in aziende tech e AI.

Oracle: La Prima Vittima Visibile

Oracle è la prima azienda di scala ad aver reso visibile il costo reale di questo ciclo.

Ha costruito l’infrastruttura Stargate per OpenAI bruciando $23.7 miliardi di free cash flow nel FY2026. L’anno prima: -$394 milioni. Un’accelerazione di 60x in un anno. Il capex ha raggiunto $55.7 miliardi, +162% anno su anno, superando persino il proprio forecast di $50 miliardi. Per finanziarsi, Oracle ha alzato $43 miliardi di nuovo debito più $5 miliardi di equity nel FY2026, con altri $40 miliardi pianificati nel FY2027.

Il Remaining Performance Obligation, cioè i contratti già firmati e non ancora eseguiti, è a $638 miliardi, +363% anno su anno. Il 47% viene da OpenAI e Stargate: $300 miliardi vincolati a un singolo cliente pre-profit.

Poi è successa una cosa. OpenAI ha iniziato a spostare i nuovi acquisti di chip verso Nvidia per le generazioni successive. Non rinnoverà con Oracle per i prossimi build. Il titolo Oracle è sceso dell’11% in un giorno quando sono emersi i dettagli. Il debito è già sul bilancio. Il cliente principale si diversifica. I $300 miliardi di RPO riguardano i servizi già contrattati, non i futuri.

Contemporaneamente, OpenAI sta valutando un lease di 20 anni per un campus da 10 GW in Ohio, supportato da Nvidia. Per dare un riferimento: 10 GW equivalgono a circa l’8% dell’intera capacità elettrica installata italiana. Prima operatività nel 2028, prima dell’IPO. Quell’impegno pluridecennale entra nell’S-1 come obbligo a lungo termine.

Lo stesso OpenAI sta valutando tagli drastici dei prezzi per rispondere alla concorrenza di Anthropic. Il capex sale. Il revenue non cresce abbastanza in fretta. L’azienda abbassa i prezzi per acquisire utenti mentre si prepara all’IPO. Il triangolo è semplice da leggere: costruisci, spendi, abbassa i prezzi, vai in borsa.

La Cina e il Piano che Non Si Ferma

$295 miliardi. Questo è il piano quinquennale cinese per costruire una rete AI nazionale, con l’80% delle tecnologie domestiche e Huawei al posto di Nvidia. Non è una nota a piè di pagina. È il segnale che, qualunque cosa accada alla bolla occidentale, il buildout globale dell’infrastruttura AI non si ferma.

Se il capitale evaporasse in Occidente come evaporò per i costruttori di canali britannici nel 1795, l’infrastruttura già costruita rimarrebbe. Come rimase la dark fiber. Come rimasero i binari ferroviari. E chi sopravvive con il bilancio intatto partirà avvantaggiato nella fase successiva.

E Tu, Dove Sei in Questo Schema?

Qui non stiamo parlando di investimento. Non c’è un “compra” o un “vendi” in questo articolo. Il punto è capire il gioco in cui sei già dentro, anche se non hai mai comprato un’azione in vita tua.

Il tuo fondo pensione è esposto al rischio AI tramite SRT e private credit, strumenti comprati per i rendimenti del 9-14%, su infrastrutture i cui componenti principali perdono metà del valore in tre anni. Il tuo ETF sull’S&P 500 comprerà SPCX quando entrerà nell’indice, senza che tu lo decida, senza che il gestore del fondo possa fare diversamente. Circa un terzo dell’indice è già concentrato in aziende tech e AI.

Solo il 25% delle iniziative AI ha consegnato il ROI atteso, secondo l’IBM CEO Study 2025. Il 40% dei progetti AI agentici sarà cancellato entro il 2027, secondo Gartner. Non esiste ancora uno standard industriale per misurare il ROI degli investimenti AI, come segnalato da Business Insider a giugno 2026. Le aziende stanno già razionando i token AI ai dipendenti perché la spesa cresce più in fretta del ritorno.

Trump ha convocato le principali aziende AI per discutere di “restituire qualcosa al pubblico.” Anthropic ha proposto formalmente fondi sovrani AI con partecipazione pubblica e UBI come meccanismi per distribuire i guadagni se l’AI dovesse produrre rendimenti trasformativi. Se il governo intervenisse come nell’ottobre 2008, sarebbe l’ennesima socializzazione delle perdite, non una soluzione per l’investitore medio. Il copione è lo stesso.

Il parallelo con Rockefeller e l’income tax del 1913: Musk si è trasferito in Texas prima dell’IPO. La California perde i benefici fiscali del boom. Il dato di Gabriel Zucman (NBER 2026) è preciso: lo 0.0002% più ricco della California è passato da un patrimonio medio di $945 milioni a $28.37 miliardi tra il 1982 e il 2025. Le famiglie normali: da $102.000 a $190.000 nello stesso periodo. Il divario tra Bezos ($249 miliardi) e l’americano medio ($193.000) è già enorme. È centinaia di miliardi più piccolo del divario tra Musk ($1.37 trilioni) e Bezos.

L’Overton window della ricchezza si è spostata così in là che non sappiamo più dove si trova il confine.

Stai valutando quanto investire in AI nella tua azienda, ma non sai come misurare il ritorno reale? Aiuto PMI a costruire casi d’uso concreti, partendo dai processi reali, non dai titoli di giornale. Scopri i servizi di AI Consulting oppure scrivimi direttamente.

Reality Check

Il mercato non prezza il rischio. Prezza il momentum. Al picco della bolla dot-com nel 2000, Cisco valeva più dell’intero settore Energy dell’S&P 500. Aveva ragione: internet stava cambiando tutto. Aveva torto: il prezzo incorporava già tutto il futuro possibile. Oggi, SPCX vale più di Berkshire Hathaway il giorno dopo l’IPO. OpenAI si prepara alla quotazione abbassando i prezzi mentre brucia cassa. Le banche impacchettano il rischio e lo vendono con rendimenti a doppia cifra. I fondi pensione comprano. I fondi indicizzati compreranno per obbligo strutturale. La tecnologia funziona. L’infrastruttura rimarrà. Il capitale della prima ondata è, storicamente, quello che sparisce.

La ferrovia britannica costruita durante la Railway Mania del 1845 è ancora lì. I binari girano ancora. Le famiglie che ci misero i risparmi non ci sono più.

L’infrastruttura AI sarà la spina dorsale dell’economia per i prossimi cinquant’anni. Le GPU H100 che ne costituiscono il cuore perderanno metà del loro valore contabile prima che i contratti di ammortamento le abbiano scaricate. I tre trilioni in arrivo cercano un posto dove atterrare. Il posto più logico è il bilancio di chi arriva per ultimo.

Questo articolo è utile? Condividilo con chi dovrebbe leggerlo. Un restack cambia la portata più di quanto pensi.

Subscribe now

TL;DR

• Il progetto Your Brain on ChatGPT del MIT Media Lab ha monitorato 54 studenti universitari con elettroencefalogramma per quattro mesi: il gruppo che usava ChatGPT ha mostrato minore connettività cerebrale, minore ritenzione mnestica e minore senso di ownership sul proprio lavoro rispetto agli altri due gruppi.

• Uno studio su 666 persone ha rilevato una correlazione di r = -0,68 tra uso frequente di AI e pensiero critico. In scienze sociali, -0,68 è una correlazione forte.

• Il problema non è quanta AI usi. È se stai pensando tu o stai delegando il pensiero.

La settimana scorsa hai preso una decisione. Una vera. L’hai difesa in riunione, qualcuno ha obiettato, hai tenuto il punto. La riunione è finita bene.

Ora la domanda che fa un po’ male: sapresti ricostruire il ragionamento? Non la conclusione. Il percorso. I passaggi intermedi, le alternative che hai scartato, il momento in cui hai capito che la tua posizione era quella giusta.

Se ti viene difficile, non è stanchezza. Non è distrazione. C’è un nome preciso per quello che sta succedendo.

Il debito che non vedi accumulare

Il MIT Media Lab ha monitorato 54 studenti universitari di cinque università della zona di Boston per quattro mesi consecutivi. Strumento di misura: l’elettroencefalogramma, cioè l’attività cerebrale in tempo reale. Tre gruppi: chi usava ChatGPT, chi usava Google, chi non usava strumenti digitali. I risultati, pubblicati come preprint su arXiv nel giugno 2025, sono preliminari e non ancora sottoposti a revisione formale, ma il meccanismo che descrivono è coerente con ricerche precedenti e successive. Il gruppo ChatGPT ha mostrato minore connettività cerebrale, minore ritenzione mnestica, e difficoltà maggiori a richiamare citazioni dai propri elaborati. Non le citazioni altrui. Le proprie.

Il concetto che il progetto Your Brain on ChatGPT introduce è “debito cognitivo”. La struttura è identica a quella del debito finanziario: beneficio immediato, costo dilazionato, invisibile finché non è diventato un problema concreto. Prendi un prestito, ti risolvi il problema oggi, paghi gli interessi per anni senza accorgertene davvero.

Stessa logica, scala più ampia. Lo studio di Gerlich (2025), condotto su 666 partecipanti, ha trovato una correlazione di r = -0,68 tra uso frequente di AI e capacità di pensiero critico. Il mediatore del declino non è lo strumento in sé. È il cognitive offloading, l’atto di delegare il pensiero. Gerlich lo chiama “pigrizia cognitiva”: declino nella propensione a ragionare in modo riflessivo e profondo. Non una scelta consapevole. Un comportamento di default.

C’è anche una distinzione per età che vale la pena capire. Come documentato su Psychology Today, i più giovani stanno delegando competenze che non hanno ancora sviluppato: percorsi neurali mai formati. I più anziani delegano competenze già acquisite. Due tipi di rischio diversi, stesso meccanismo, stesso driver invisibile.

Il divario che cresce senza rumore

Vivienne Ming, del Socos Labs, ha identificato qualcosa di più preciso di una semplice correlazione. C’è una minoranza che usa l’AI per potenziare il pensiero: amplifica il proprio ragionamento, testa le proprie analisi, accelera l’esecuzione di idee già formate. Il centro del lavoro rimane l’utente. La maggioranza, senza fare nulla di sbagliato in apparenza, la usa per smettere di ragionare: sostituzione cognitiva, dipendenza passiva, regressione progressiva delle competenze autonome. Il follow-up del 2026 ha registrato segnali concreti di dipendenza cognitiva, calo nella persistenza, e prestazioni peggiori nelle attività di problem-solving autonomo.

Uno studio pubblicato su arXiv nel 2026 aggiunge un dettaglio che fa pensare: quando l’AI è empatica e personalizzata, il livello di dipendenza cognitiva aumenta ulteriormente. Più ci si fida, più si delega. Più si delega, meno si esercita il giudizio autonomo.

Da decenni si teorizzava che avvicinandosi alla singolarità tecnologica l’uomo non avrebbe più potuto prevedere cosa sarebbe successo. Il paradosso reale: ci preoccupavamo del momento in cui l’AI ci avrebbe superati. Non avevamo previsto che il problema potesse iniziare prima, non quando l’AI è più capace di noi, ma quando iniziamo ad affidarle le funzioni cognitive che ci definiscono professionalmente. Éric Sadin, filosofo, aveva scritto nel 2023 che in vent’anni le capacità cognitive e creative umane rischiano di essere annichilite dall’AI. Aveva il tempo sbagliato. Non il meccanismo.

Subscribe now

La distinzione che cambia tutto

Ming ha anche identificato la differenza chiave. Non è una questione di ore di utilizzo. È una questione di chi sta facendo il pensiero.

Potenziamento cognitivo: arrivi alla conversazione con l’AI avendo già una posizione. Usi lo strumento per testare il tuo ragionamento, trovare i punti deboli, accelerare l’esecuzione di qualcosa che hai già elaborato. La conclusione è tua.

Sostituzione cognitiva: apri l’AI prima di aver ragionato. Accetti la prima risposta senza valutarla. Non sapresti spiegare perché la risposta è giusta, solo che l’AI te l’ha data.

La seconda modalità non richiede intenzionalità. È quella di default se non costruisci una struttura diversa.

Il problema reale non è che l’AI ti rende meno capace. È che lo fa in modo che non puoi misurare finché non è tardi. Non c’è un momento di rottura visibile. C’è solo il giorno in cui ti viene chiesto di ragionare senza assistenza, e non riesci a trovare il punto di partenza.

È esattamente questo, non i tool ma il modo in cui li usi, il nucleo del percorso che ho costruito. Scopri il corso Da utente a orchestratore.

La distinzione tra le due modalità d’uso è chiara. Quello che non è ovvio è come passare dall’una all’altra in modo deliberato. Sotto il paywall ho messo gli strumenti che uso io.

Cosa trovi qui sotto:

• La mappa potenziamento/sostituzione - per ogni tipo di task quotidiano, capisci se stai allenando il tuo giudizio o lo stai sostituendo, con esempi concreti per entrambi i lati.

• Le 3 regole operative - non “usa meno AI”: tre comportamenti specifici che cambiano la dinamica, applicabili da domani mattina senza riconfigurare niente.

• Prompt “Avvocato del diavolo” - il testo esatto per fare in modo che l’AI ti faccia le domande giuste prima di darti le risposte, così che il tuo modello mentale venga prima del suo input.

• Prompt “Punto cieco strutturale” - come usare l’AI per trovare il punto fragile del tuo ragionamento, non un’alternativa al tuo ragionamento: l’AI come revisore, non come sostituto.

• Prompt “Comprensione attiva” - come ricevere una spiegazione senza diventarne spettatore passivo, con l’AI che si ferma e chiede la tua interpretazione ai passaggi chiave.

• System prompt “Modalità socratica” - la configurazione che trasforma una sessione di lavoro in un esercizio di pensiero, non di delega. Funziona meglio con Claude Projects.

Read more

TL;DR

• Il 9 giugno 2026 Anthropic rilascia Claude Fable 5, il modello più capace mai messo sul mercato. Due giorni dopo, il jailbreaker Pliny the Liberator pubblica su GitHub il suo system prompt completo: circa 120.000 caratteri di istruzioni interne.

• Dentro il file non ci sono segreti industriali. C’è il manuale di prompting più autorevole mai finito online: regole ripetute più di 4 volte, esempi con controesempi, liste di controllo che il modello esegue prima di ogni risposta.

• Effetto pratico: il metodo è copiabile da chiunque. Qui sotto le 7 lezioni del leak; oltre il paywall, il template per costruire il tuo system prompt personale e tre esempi già compilati.

Un modello Opus jailbroken che fa da complice. Un modello nato da 48 ore convinto a consegnare le proprie istruzioni riservate. Pliny the Liberator, il jailbreaker più noto in circolazione, l’ha chiamata “una caccia in branco”. Ed è andata davvero così: il 9 giugno 2026 Anthropic mette online Claude Fable 5, primo modello della famiglia Claude 5 e della nuova classe Mythos, dichiaratamente sopra Claude Opus in capacità. L’11 giugno le sue istruzioni complete sono su GitHub, nel repository CL4R1T4S. Un file da circa 120.000 caratteri.

Se “system prompt” vi suona tecnico, la traduzione è semplice: è il documento di onboarding che l’azienda consegna al dipendente prima del primo giorno di lavoro. Chi sei, come ti comporti con i clienti, cosa non devi fare mai, cosa controlli prima di spedire una mail. Fable 5 ne riceve uno da 120.000 caratteri prima ancora di leggere la prima parola che gli scrivete voi.

Due giorni fa ragionavo su quale modello Claude usare e come farli lavorare insieme. Domanda già vecchia. Quella di oggi è un’altra: come gli parli.

La caccia in branco

Pliny the Liberator, elder-plinius su GitHub, colleziona da anni i prompt interni dei grandi modelli nel repository CL4R1T4S. La stampa riporta tre famiglie di tecniche dietro l’estrazione: scomposizione multi-agente, trucchi Unicode, inquadramento narrativo. I dettagli non li troverete qui. Questo non è un articolo su come si bucano i modelli.

La parte da ricordare è un’altra. Nell’attacco multi-agente, un modello Opus jailbroken ha aiutato Fable 5 a eludere i propri controlli. Un’AI che fa da palo a un’altra AI. Le valutazioni di sicurezza condotte su un modello alla volta mostrano qui tutto il loro limite: quando più modelli cooperano in una catena, i conti cambiano. Anthropic, all’11 giugno, non ha risposto pubblicamente né al leak né alle rivendicazioni di jailbreak.

Vale la pena ricordare cosa stava proteggendo. Fable 5 e Mythos 5 condividono lo stesso modello di base: Fable 5 è la versione disponibile a tutti, con misure di sicurezza aggiuntive sulle capacità a doppio uso, mentre Mythos 5 è riservato a organizzazioni approvate, senza quelle misure. Quando una richiesta fa scattare un classificatore in una categoria ad alto rischio (cybersecurity, biologia, chimica, distillazione di modelli), Fable 5 ripiega su Claude Opus 4.8 e l’utente viene avvisato del passaggio.

Le reazioni, in breve. I blog di sicurezza leggono il file in due modi opposti: per chi attacca, un progetto per costruire colpi più precisi; per chi difende, un’occasione rara di studiare meccanismi di protezione reali su larga scala. The Register critica i rifiuti eccessivi del modello su richieste innocue. Il caso più virale: un immunologo, professore al Jackson Laboratory for Genomic Medicine, segnala che la parola “cancer” gli viene bloccata come rischio di biosicurezza. Su Reddit, lamentele simili. Community spaccata tra chi loda la trasparenza forzata e chi boccia il modello come troppo limitato.

Tutto vero. E tutto secondario rispetto a quello che c’è scritto nel file.

Quello che Anthropic predica, lo fa davvero

La prima cosa che colpisce aprendo quei 120.000 caratteri non è cosa nascondono. È quanto sono ordinati. Il documento ha una struttura modulare a sezioni marcate: comportamento, benessere dell’utente, gestione dei rifiuti, equidistanza politica, istruzioni per la ricerca sul web, regole sul copyright, gestione di file e documenti, definizioni complete degli strumenti. Sembra il manuale operativo di un’azienda. Perché lo è.

Anthropic pubblica da anni una guida ufficiale al prompting: sezioni strutturate, esempi positivi e negativi, spiegazione del perché dopo ogni esempio. Era lecito sospettare che fosse teoria da documentazione, il classico consiglio che chi lo scrive non segue. Il leak dimostra il contrario. In casa usano esattamente le tecniche che consigliano agli utenti, su se stessi, in scala industriale.

E la tecnica regina è una: gli esempi battono le regole. Quasi ogni regola comportamentale del prompt è accompagnata da decisioni concrete. Richiesta di tipo X, comportamento giusto, comportamento sbagliato, e la motivazione dietro la scelta. Non “sii prudente con le citazioni”, ma il caso specifico, la risposta corretta, il controesempio da evitare e il perché. Una regola astratta lascia margine di interpretazione. Un esempio no.

Onestà fino in fondo: una parte di queste indicazioni era già pubblica nella guida ufficiale. Il valore del leak sta in due cose. La prova che le usano davvero, e le parti mai pubblicate prima: le definizioni complete degli strumenti, la configurazione di rete e dei file, e una capacità interna chiamata “Claudeception”, artefatti che chiamano l’API di Claude dall’interno. Chi vuole il testo integrale lo trova nel repository di Pliny.

Subscribe now

Ripetersi, controllarsi, cercare

Le regole sul copyright compaiono nel documento più di 4 volte, in sezioni diverse, con limiti numerici precisi: citazioni sotto le 15 parole, massimo una citazione per fonte. E in coda al file, un riassunto finale dei promemoria critici. Riletto bene: Anthropic ripete le stesse regole, più volte, al modello più intelligente mai rilasciato. Se loro devono ripetersi col proprio modello, voi dovete farlo nei vostri prompt. La ripetizione non è un difetto di scrittura. È una tecnica.

Poi ci sono gli auto-controlli espliciti. Il prompt contiene liste di controllo che il modello deve percorrere prima di rispondere: questa citazione supera le 15 parole? Ho già citato questa fonte? È la tecnica più copiabile dell’intero documento, funziona in qualsiasi prompt, anche in uno da dieci righe. Chiedere all’AI di verificare il proprio lavoro prima di consegnarlo cambia la qualità dell’output più di qualsiasi formula magica.

La terza tecnica è la più sottovalutata: la regola dell’entità non riconosciuta. Se il modello non sa con certezza cos’è una cosa, deve cercare sul web prima di rispondere. Il riconoscimento parziale non è conoscenza. Letta al contrario: l’allucinazione non si combatte sperando che non capiti, si combatte con un obbligo di ricerca scritto nero su bianco. Con il suo speculare, altrettanto istruttivo: per le domande di conoscenza generale, niente strumenti, risposta diretta. Sapere quando NON usare gli strumenti è un’istruzione anch’essa.

Il modello che combatte i propri tic

Intere sezioni del prompt esistono per un solo scopo: impedire a Fable 5 di scrivere come un’AI. Divieto di elenchi puntati non necessari. Divieto di formattazione eccessiva. Divieto di frasi-stampino. È la parte più rivelatrice del documento: il comportamento di un modello non si controlla solo con l’addestramento. Si corregge con le istruzioni, ogni giorno, per iscritto. Anthropic conosce i difetti della propria creatura e li tiene a bada con il testo.

Qui i 120.000 caratteri smettono di essere una curiosità e diventano la tesi. Un documento così non si scrive in un campo di testo compilato al volo: è un asset documentale curato, versionato, mantenuto con la stessa serietà del codice. Il contesto è infrastruttura.

Anthropic scrive 120.000 caratteri di istruzioni al modello più intelligente mai rilasciato. Più l’AI è potente, più istruzioni servono. Non meno.

La guida ufficiale al prompting di Fable 5 completa il quadro: il modello è costruito per lavoro lungo, autonomo e auto-verificante. Pianifica in fasi, usa strumenti, valida il proprio output prima di consegnarlo. L’errore più comune segnalato da Anthropic stessa? Trattarlo come un chatbot. Va istruito con un obiettivo e criteri di successo, non con micro-passi prescrittivi. Con tanto di avvertenza: i prompt scritti per i modelli precedenti risultano spesso troppo prescrittivi e possono peggiorare l’output di Fable 5.

Mettete in fila le sette lezioni e convergono su un punto solo. La competenza che conta non è fare domande migliori: è scrivere istruzioni migliori. Scrivere istruzioni invece di fare domande è esattamente il passaggio attorno a cui ho costruito Da utente a orchestratore: non gli strumenti, il modello mentale.

Reality Check. Tutti guardano il leak come una falla di sicurezza. Quasi nessuno si è accorto che è il manuale di prompting più autorevole mai pubblicato, gratis, firmato dall’azienda che i modelli li costruisce. Verrà patchato, certo. Ma chi lo ignora oggi continuerà a scrivere prompt da tre righe e a lamentarsi dei risultati, dando la colpa al modello.

Le 7 lezioni dicono cosa fa Anthropic col suo modello. La parte che segue dice come farlo tu, col tuo, in mezz’ora e senza scrivere 120.000 caratteri.

Ecco cosa trovi sotto:

• Il Prompt dell’Architetto: il template di system prompt personale con la stessa architettura a 5 sezioni del documento di Anthropic, pronto da compilare.

• Gli slot già predisposti: ogni sezione con gli spazi vuoti chiari e il motivo per cui esiste, ancorato alla lezione corrispondente del leak.

• Tre esempi già compilati: consulente, manager con squadra, piccolo imprenditore. Da copiare e adattare, non da ammirare.

• La guida dei 30 minuti: in che ordine compilare il template e quanto tempo dedicare a ogni sezione.

• I tre errori che svuotano un system prompt: li fanno quasi tutti, e si correggono in cinque minuti.

• Dove incollarlo: Claude, ChatGPT, progetti, file di istruzioni. Spiegato senza tecnicismi.

Anthropic ha impiegato anni e 120.000 caratteri per arrivare a questa struttura. A te serve mezz’ora e una pagina.

Il Prompt dell’Architetto

Da qui in poi parlo come parlo ai miei clienti. Questo template è la versione in scala 1:100 del documento di Anthropic: stessa architettura, stesse cinque funzioni, lunghezza da essere umano. È il documento di onboarding del tuo dipendente AI. Compilalo una volta, usalo ovunque.

Read more

TL;DR

• Il 9 giugno 2026 Anthropic ha rilasciato Claude Fable 5, il modello generale più capace mai reso disponibile al pubblico, a $50 per milione di token in uscita

• Nello stesso periodo: Uber bruciava il budget annuale di Claude Code già dopo il primo trimestre, Amazon chiudeva KiroRank per uso improduttivo dei token

• I dati reali di produzione di Vercel mostrano che le aziende vincenti non usano il modello più potente. Abbinano il modello giusto al task giusto. La differenza si vede in bolletta.

Uber ha bruciato il budget annuale di Claude Code già dopo il primo trimestre del 2026. Non è un dettaglio. Amazon ha chiuso KiroRank, il suo strumento interno per lo sviluppo software, con una diagnosi senza mezzi termini: tokenmaxxing improduttivo. Token consumati senza output proporzionali. Era la settimana del 9 giugno.

Questa settimana: Anthropic ha rilasciato il modello generale più potente mai reso disponibile al grande pubblico.

Il paradosso è immediato e vale la pena tenerlo in mente per tutto quello che segue: chi usa l’AI più costosa e più avanzata non vince automaticamente. Chi sa scegliere quale AI usare per cosa, quello vince. Sono due giochi diversi. La maggior parte delle aziende sta ancora giocando il primo credendo di giocare il secondo.

Cos’è Claude Fable 5 (e cosa c’entra Mythos)

Fable 5 e Mythos 5 condividono lo stesso modello sottostante. Non è un caso nemmeno il nome: “Fable” viene dal latino fabula, il racconto, parente diretto del greco mythos. Due nomi per due versioni dello stesso nucleo.

La differenza è nelle salvaguardie. Fable 5 ha classificatori di sicurezza attivi su tre aree: cybersecurity offensiva, biologia e chimica, tentativi di estrarre i parametri del modello per addestrare modelli concorrenti. Quando uno di questi classificatori scatta, la risposta passa automaticamente a Claude Opus 4.8. L’utente viene informato. Il sistema è trasparente.

Mythos 5 non ha queste restrizioni, o le ha disattivate in alcune aree. È riservato a partner selezionati nell’ambito del Project Glasswing, collaborazione con il governo americano per la difesa informatica e la ricerca biologica.

I numeri: contesto da 1 milione di token, output massimo di 128.000 token, conoscenza aggiornata a gennaio 2026. Prezzo API: $10 per milione di token in ingresso, $50 per milione in uscita. Esattamente il doppio di Opus 4.8. Nei piani in abbonamento (Pro, Max, Team ed Enterprise), Fable 5 è incluso senza costi aggiuntivi fino al 22 giugno 2026. Dal 23 giugno serve credito aggiuntivo.

Simon Willison, tra i commentatori tecnici più affidabili del settore, ha scritto dopo la prima giornata di test: “È qualcosa di bestiale. Lento, costoso, e ha macinato senza problemi tutto quello che gli ho lanciato contro.” Il conto di quella giornata: $110,42 di token, con un abbonamento da $100 al mese.

Quello che non ti dicono

I classificatori su cybersecurity e biologia sono pubblici, dichiarati, trasparenti. Scattano, il sistema te lo dice, risponde Opus 4.8. Fine.

C’è un secondo livello. Documentato nella system card di Fable 5 ma non nell’annuncio principale: query legate allo sviluppo di modelli AI, infrastruttura di training distribuito, progettazione di acceleratori per machine learning. In questi casi il modello non cade su Opus. Rimane Fable 5. La sua efficacia viene però ridotta in silenzio, attraverso modifica del prompt, vettori di orientamento o aggiustamenti parametrici. L’utente non viene avvisato.

Nathan Lambert, ricercatore indipendente e autore della newsletter Interconnects, ha scritto nel suo commento sulla system card: “Un modello AI che diventa meno intelligente automaticamente senza dirmelo è AI categoricamente fuori allineamento.”

Il suo punto non è lo scandalo. È la logica: se tutte le salvaguardie prendono la stessa forma, la politica è coerente. Quando una è visibile e un’altra è nascosta, la seconda ha più a che fare con la posizione competitiva di Anthropic che con la sicurezza del settore.

Non è un motivo per smettere di usare Claude. È un motivo per ricordare che i modelli AI non sono strumenti neutri. Hanno interessi economici incorporati. Vale per tutti i fornitori, non solo Anthropic.

Subscribe now

I cinque livelli (e cosa costano davvero)

L’ecosistema Claude ha adesso cinque gradini distinti:

• Mythos 5: solo partner del Project Glasswing

• Fable 5: $50 per milione di token in uscita

• Opus 4.8: $25 per milione di token in uscita

• Sonnet 4.6: $15 per milione di token in uscita

• Haiku 4.5: $5 per milione di token in uscita

Per chi lavora con l’API, la differenza tra Fable e Haiku sull’output è 10 a 1. Con DeepSeek V4 Flash a $0,28 per milione di token in uscita, il campo effettivo del mercato arriva a quasi 180 a 1.

La domanda non è quale modello è più potente. È quale livello di potenza serve per questo task specifico.

Come le aziende usano davvero l’AI (il dato che cambia tutto)

Vercel AI Gateway instrada decine di trilioni di token al mese tra applicazioni reali e fornitori AI. I loro dati di maggio 2026 sono l’unica fotografia affidabile di quello che succede quando le aziende smettono di teorizzare e iniziano a pagare davvero.

DeepSeek V4 Flash è passato da meno dell’1% a 17% dei token totali in un solo mese. Terzo fornitore per volume, davanti a OpenAI. La sua quota di spesa: vicino all’1%.

Anthropic, nello stesso periodo, ha aumentato la sua quota di token dal 26% al 32% e quella di spesa dal 61% al 65%. Nei casi d’uso ad alto rischio, tiene il 70-80% della spesa: generazione di applicazioni AI, agenti di back-office, agenti per il codice.

Nel segmento degli agenti di sviluppo software il contrasto è ancora più netto: DeepSeek gestisce il 49% dei token, il 4% della spesa. Anthropic gestisce il 28% dei token, il 70% della spesa.

“DeepSeek ha il 17% dei token. L’1% della spesa. Anthropic ha il 32% dei token. Il 65% della spesa. Questo è il mercato AI nel 2026: chi sa scegliere non spende di più, spende meglio.”

La lettura pratica: le aziende non stanno usando meno AI. Stanno usando AI più cara per il lavoro che conta e AI economica per il volume. La spesa complessiva è cresciuta del 43% mese su mese.

Da tokenmaxxing a orchestrazione

Come avevo descritto nell’analisi sul fenomeno delle classifiche di token nelle aziende, c’è stata una fase in cui le aziende misuravano il valore dell’AI dal numero di token consumati. Era una trappola: non misuravi il risultato, misuravi l’utilizzo.

Le bollette sono arrivate. Uber ha bruciato il budget annuale di Claude Code già dopo il primo trimestre 2026. Amazon ha chiuso KiroRank dopo che i token consumati non producevano output proporzionali. Business Insider lo ha chiamato tokenmaxxing improduttivo.

Adesso le aziende stanno imparando. Haiku per l’automazione ad alto volume. Sonnet per il lavoro quotidiano. Opus per i task complessi che richiedono giudizio. Fable solo quando la qualità è non negoziabile e il budget lo permette.

Questo cambio non è volontario. È la risposta alle bollette arrivate.

Stai ancora decidendo quale modello AI usare per quale processo, o stai semplicemente usando quello più costoso per tutto? Aiuto le PMI a costruire flussi di lavoro AI che abbinano il modello giusto al task giusto, partendo dai tuoi processi reali. Scopri i servizi di AI Consulting oppure scrivimi direttamente.

Il punto che nessuna comparativa dice

Il dibattito “DeepSeek contro Claude” che occupa il settore da mesi è il confronto sbagliato per la maggior parte di chi lo legge. I dati reali: Claude Sonnet 4.6 copre l’80% dei task reali di sviluppo software a un costo cinque volte inferiore a Opus 4.8, con punteggi di qualità entro un punto da DeepSeek V4 Pro su SWE-bench Verified (79,6% contro 80,6%).

DeepSeek V4 Flash a $0,28 per milione di token in uscita è reale e competente per task non sensibili. Ma i suoi dati vengono conservati su server in Cina, soggetti alla legge cinese sulla sicurezza informatica che permette l’accesso governativo senza ordine del tribunale e senza notifica all’utente. Il Dipartimento della Difesa americano lo ha vietato sui dispositivi governativi a febbraio 2026. Non è ideologia: è una questione di conformità normativa. Per qualsiasi lavoro che tocchi dati di clienti, strategia riservata, contesti regolamentati da GDPR o settori finanziari e sanitari: non usarlo.

Per task su informazioni pubbliche, ricerca generica, alto volume senza dati sensibili, il rischio pratico è basso. Come avevo già approfondito nell’articolo sull’economia delle competenze AI, la regola operativa più semplice è questa: non mettere in DeepSeek nulla che non metteresti in un forum pubblico.

Sapere che devi orchestrare è la metà del lavoro. Sapere come farlo, con quale modello per quale task specifico, con prompt già calibrati per chi non scrive codice: è quello che esploriamo sotto.

Ho costruito un percorso strutturato su esattamente questo: non come funzionano i modelli, ma come usarli nel tuo lavoro reale, in modo che non scadano ogni sei mesi. Scopri il corso Da utente a orchestratore.

Reality Check. Il problema non è che le aziende usano l’AI sbagliata. È che la maggior parte non ha ancora capito che usare sempre quella giusta richiede una decisione consapevole prima di ogni task, non dopo la bolletta.

Il modello più potente che esiste non è quello più utile. È quello più adatto al compito che hai davanti. Fable 5 è reale, impressionante, e per la maggior parte dei task che fai ogni giorno, eccessivo. La vera competenza non è accedere al modello più avanzato. È sapere quando non usarlo.

Subscribe now

SEZIONE PAID

Fin qui hai visto il quadro del mercato. Adesso la parte pratica.

Ecco cosa trovi sotto:

• Lo schema in 4 domande che ti permette di scegliere il modello giusto in meno di 30 secondi, per qualsiasi task

• Modello per modello, senza tecnicismi: quando usare Haiku, Sonnet, Opus e Fable con esempi reali in comunicazione, marketing, ricerca e strategia

• Prompt già scritti e commentati per ciascun livello di modello, calibrati per chi non scrive codice

• La regola DeepSeek: quando conviene uscire dall’ecosistema Claude, quando è un rischio e come valutarlo in 10 secondi

• Il risparmio nascosto che quasi nessuno conosce: il prompt caching, che può tagliare i costi del 90% su task ripetitivi senza cambiare nulla nel processo

• La matrice finale: uno schema visivo task per task che puoi tenere aperto mentre lavori

Il pattern che emerge da questi dati non è “usa il modello più economico”. È più sottile, e cambia la domanda che dovresti farti prima di ogni task.

Read more

Tre cose sono successe questa settimana, tutte e tre vere, nessuna delle tre compatibile con le altre.

• La macchina ha imparato a costruire se stessa: Anthropic lo ha dimostrato su carta, Masayoshi Son lo ha detto in diretta su CNBC.

• Il Nasdaq ha vissuto il suo peggior venerdì in 14 mesi, e la comparazione con il 12 aprile 2000 non è più una metafora.

• Berkshire Hathaway ha firmato un assegno da $10 miliardi su Google mentre i titoli AI bruciavano: non una scommessa sull’AI, ma sul compute che l’AI consumerà chiunque vinca.

Lunedì, un paper Anthropic ha descritto un’AI che scrive l’AI successiva. Giovedì, Masayoshi Son ha detto su CNBC che “gli ingegneri non sono più abbastanza intelligenti.” Venerdì, il Nasdaq è crollato del 4,2%: il peggior giorno in 14 mesi. Lo stesso venerdì, Berkshire Hathaway ha firmato un assegno da $10 miliardi a Google.

Non riesco a togliermi dalla testa questa immagine: tre schermi accesi, uno accanto all’altro, che trasmettono tre versioni diverse della stessa realtà.

Frame 1. La macchina si costruisce da sola

Ho analizzato il paper Anthropic in dettaglio questa settimana, nell’articolo sul recursive self-improvement: l’AI scrive già l’80% del codice dei sistemi AI, con un’efficienza otto volte superiore rispetto a dodici mesi fa. Non ha senso replicare quei dati qui.

Quello che quel pezzo non aveva è la dichiarazione di Masayoshi Son, CEO di SoftBank e principale investitore di OpenAI, rilasciata a CNBC il 5 giugno: “L’AI sta già progettando la prossima AI. Gli ingegneri non sono più abbastanza intelligenti.” Il prossimo modello OpenAI, secondo Son, è stato progettato da un altro modello AI.

Si può discutere se Son stia esagerando per gonfiare le aspettative attorno ai suoi investimenti. Quello che non si può discutere è il peso del contesto: questa frase è stata pronunciata dal principale finanziatore dell’ecosistema AI globale, in diretta televisiva su CNBC, non in una nota interna. Questo frame, da solo, sarebbe già abbastanza per riempire un’intera settimana di analisi.

Frame 2. Il mercato punisce chi non mostra i conti

Venerdì 6 giugno 2026. Nasdaq -4,2%. Il peggior giorno del mercato tech in 14 mesi.

Il numero che mi ha colpito di più non è il -4,2%. È questo, riportato da Axios: l’ultima volta che l’S&P 500 è sceso di oltre il 2% mentre la maggioranza dei titoli dell’indice era in rialzo è stato il 12 aprile 2000. Piena bolla dot-com, momento del collasso.

Non è una metafora. È la stessa struttura tecnica: perdite concentrate su un cluster specifico di titoli legati all’AI, mentre il resto del mercato tiene. Il mercato non sta dicendo “l’AI non funziona.” Sta dicendo qualcosa di molto più chirurgico.

La scintilla diretta è stata Broadcom. Previsioni AI non abbastanza ottimistiche rispetto alle aspettative degli analisti: -$444 miliardi di capitalizzazione in due giorni. Non ha perso tutto. Ha semplicemente deluso. Nel 2026, per i titoli AI, deludere le aspettative equivale a un’amputazione.

Axios ha sintetizzato la paura degli investitori in quattro punti netti. I costi dei modelli AI sono dichiarati insostenibili dagli stessi CEO del Fortune 500, compresa Microsoft, tra i principali finanziatori di OpenAI. Uno studio Bain su 951 grandi aziende mostra che il 40% riporta risparmi AI inferiori al 10%. La domanda infrastrutturale esiste, ma non cresce al ritmo atteso. La Fed segnala rialzo dei tassi, non taglio: finanziare l’infrastruttura AI costerà di più, per più tempo.

Come scrive Axios: “I costi dell’AI sono adesso. I profitti sono dopo, forse. Quel ‘forse’ è ciò che rende la gente nervosa.”

Il tokenmaxxing è finito

La fase in cui le aziende consumavano token AI senza misurare alcun ritorno. Quella fase è finita.

I dati concreti sono impietosi. Salesforce: il CEO Marc Benioff ha dichiarato che la bolletta Anthropic per il 2026 sarà intorno ai $300 milioni. Google processa 3,2 quadrilioni di token al mese, con una crescita di sette volte anno su anno. I budget AI delle aziende Fortune 500 si esauriscono in uno-due mesi invece di dodici. Per la prima volta nella storia, il costo della tecnologia equivale al costo del lavoro nel Fortune 500.

Uber ha bruciato l’intero budget annuale per strumenti AI, compresi Claude Code e Cursor, nei primi quattro mesi del 2026. Ora applica un tetto di $1.500 al mese per dipendente. Un executive ha commentato: “È sempre più difficile giustificarlo.”

Amazon ha chiuso la classifica interna dei token consumati dai dipendenti dopo che questi la usavano come gioco per salire in cima. Il messaggio del management era diretto: “Non usate l’AI solo per il gusto di usarla.”

GitHub Copilot è passato a fatturazione a consumo. Shock per chi era abituato a un costo fisso mensile.

E poi c’è Teradata, oltre 5.000 dipendenti. L’azienda ha comunicato via memo interno che nel 2026 non ci saranno aumenti salariali. Il budget è stato riallocato sull’AI. Il CEO Steve McMillan ha scritto ai dipendenti in modo esplicito: “Finanzieremo questo investimento in AI riallocando il budget dagli adeguamenti salariali annuali del 2026.” Non una voce, non un’interpretazione: parole sue, messe per iscritto.

Il MIT ha misurato cosa succede ai progetti AI aziendali privi di strategia: il 95% fallisce senza impatto misurabile sui profitti.

Il tokenmaxxing è morto. La tecnologia ha funzionato. Il valore non è arrivato. Eppure il capex combinato di Google, Microsoft, Meta e Amazon nel 2026 supera $700 miliardi. Non stanno comprando azioni AI: stanno comprando le fondamenta.

Sam Altman, CEO di OpenAI, ha ammesso che il rischio che le aziende migrino verso modelli più economici o open source è “la critica più fondata” ricevuta dall’azienda. Non da un analista ostile: da lui.

Nel mezzo di tutto questo, Anthropic ha depositato confidenzialmente il prospetto IPO alla SEC: valutazione $965 miliardi, ricavi su traiettoria di circa $50 miliardi annui, primo trimestre profittevole in arrivo. Amazon aveva investito $8 miliardi in Anthropic. Oggi quella partecipazione vale $74 miliardi: ritorno di nove volte. Nello stesso momento in cui un CFO anonimo ha speso accidentalmente mezzo miliardo su Claude in un mese, e in cui il backlash sui costi AI ha raggiunto il suo picco. Tempismo audace.

Stai bruciando budget AI senza una strategia chiara? Il 95% dei progetti AI aziendali fallisce senza impatto misurabile, secondo il MIT. Non per mancanza di tecnologia: per mancanza di metodo. Dalla valutazione alla messa in opera, aiuto aziende a trasformare l’AI in risultati concreti. Scopri i miei servizi di AI Consulting oppure scrivimi per una discovery call.

Frame 3. I grandi scommettono sulle fondamenta

Mentre il mercato puniva i titoli AI, Berkshire Hathaway firmava un assegno da $10 miliardi. Non su un’azienda AI. Su Google. Per finanziare infrastruttura computazionale.

Alphabet ha annunciato una raccolta da 80 miliardi di dollari tramite vendita di azioni: $10 miliardi come investimento diretto di Berkshire, $30 miliardi di offerta sottoscritta, $40 miliardi da collocare nel mercato nel terzo trimestre 2026. Berkshire ha costruito questa posizione in Google dal terzo trimestre 2025: la prima rivelazione pubblica era avvenuta a novembre 2025 con $4,3 miliardi. Al momento dell’annuncio la posizione era già a circa $20 miliardi.

Warren Buffett ha sempre evitato il tech. Questa non è una conversione improvvisa: è una distinzione precisa.

Sundar Pichai, CEO di Google, parlando di cosa tiene svegli i dirigenti di Google: “La capacità computazionale. Che si tratti di energia, terreni, catena di fornitura - come fai a crescere abbastanza veloce per soddisfare questa domanda straordinaria?” Non sta parlando di quale modello AI vince. Sta parlando di infrastruttura fisica.

Il capex combinato di Alphabet, Microsoft, Meta e Amazon nel 2026 supera già $700 miliardi. Gli analisti stimano oltre $1 trilione nel 2027.

La stessa logica si ripete in scala diversa: SpaceX ha realizzato la più grande IPO nella storia dei mercati finanziari. $135 per azione, valutazione $1,77 trilioni, $74,4 miliardi raccolti. I fondi vanno in data center AI in orbita, fabbriche lunari, missioni su Marte. SpaceX si presenta come azienda spaziale. Investe in infrastruttura AI. Il modello è identico.

La logica dei picconi

Durante la corsa all’oro del 1849, chi ha guadagnato di più non erano i minatori. Erano i venditori di pale e picconi.

Berkshire non sta scommettendo su quale applicazione AI vincerà la gara. Sta comprando il compute che tutte le applicazioni AI consumeranno, chiunque vinca. Google non è un’azienda AI: è il cloud e il calcolo che l’AI richiede. Questa distinzione non è sottile. È la differenza tra chi ha comprato Amazon.com nel 2000 e chi ha comprato AWS nel 2006.

Reality Check

Il paradosso è che le stesse aziende che investono $700 miliardi in infrastruttura sono quelle che vantano crescite stratosferiche nei loro comunicati stampa. Quando Google dichiara 3,2 quadrilioni di token al mese, non è una vanteria: è un argomento di vendita per giustificare la raccolta da $80 miliardi. Quando Benioff parla di $300 milioni di bolletta Anthropic, non è un allarme: è un segnale ai mercati che il consumo è reale. Il mercato è nervoso non perché l’AI non funzioni. È nervoso perché non riesce ancora a distinguere chi venderà i picconi da chi li comprerà per scavare a mani nude.

La domanda che conta davvero

Nel 2000, Internet non è crollato. Le dot-com sì. AWS è nata dalle ceneri nel 2006. Chi era nel layer giusto ha vinto. Chi non l’ha capito ha perso tutto.

I tre frame di questa settimana non si contraddicono: sono tutti veri contemporaneamente. La tecnologia sta accelerando al punto da progettare se stessa. Le applicazioni AI bruciano budget senza ROI proporzionale. L’infrastruttura su cui l’AI gira è essenziale a prescindere da chi vince la corsa alle applicazioni.

La domanda non è “esploderà la bolla AI?” È la domanda sbagliata. La domanda giusta è: in quale dei tre frame sei posizionato tu?

Stai bruciando budget AI senza misurare il ritorno? Stai scommettendo sulle applicazioni sperando che il mercato le premi? O stai costruendo, o acquistando, l’infrastruttura fisica o cognitiva che sarà necessaria indipendentemente da chi vince?

Nel 1999, Jeff Bezos aveva capito che Internet avrebbe vinto. Non sapeva ancora che la vera scommessa non era Amazon.com. Era il cloud.

Vuoi imparare a usare l’AI nel tuo lavoro senza inseguire ogni aggiornamento? Ho costruito un percorso strutturato, aggiornabile per definizione. Non un corso che scade: un metodo che cresce con te. Scopri il corso Da Utente a Orchestratore.