I modelli AI si somigliano sempre di più
Le principali notizie Ai spiegate
C’è stata un’epoca, tipo sei mesi fa, in cui il lancio di un modello di frontiera fermava internet per una settimana. Giovedì ne sono usciti due nello stesso giorno e venerdì si parlava già d’altro. Due modelli di frontiera usciti lo stesso giorno, accolti con la stessa emozione di un aggiornamento firmware. Grok 4.5 che si presenta dichiarando di essere più economico, prima ancora che più bravo. GLM-5.2 che vince clienti americani a colpi di listino. Se questa vi sembra una guerra tra intelligenze, vi sbagliate, ma lo vedremo dopo.
1 GPT-5.6 e Grok 4.5 sono usciti lo stesso giorno
Cosa è successo. OpenAI ha aperto al pubblico la famiglia GPT-5.6 (tre varianti: Sol, Terra e Luna, dall’ammiraglia all’economica) dopo due settimane di anteprima limitata a partner selezionati, secondo Axios. Lo stesso giorno SpaceXAI ha rilasciato Grok 4.5, costruito sul nuovo modello base V9 e addestrato anche su dati di Cursor, l’assistente di coding acquisito da Musk. Grok 4.5 costa 2 dollari per milione di token in input, una frazione dei rivali, e lo stesso Musk ammette che nei benchmark resta dietro Fable 5, come riporta The Decoder. Nella stessa infornata OpenAI ha fuso Codex e Atlas dentro ChatGPT, trasformando il chatbot in un unico prodotto che scrive codice e naviga il web.
Perché conta. Il rilascio di capacità è diventato routine. I comunicati stessi lo confermano, perché Musk vende velocità e prezzo, OpenAI vende il pacchetto integrato. Quando i produttori smettono di gareggiare su “chi è più intelligente” e iniziano a gareggiare su costo e distribuzione, ti stanno dicendo che il modello da solo ha smesso di essere il prodotto.
Da mesi conviviamo con due paure incompatibili, il monopolio delle Big AI da una parte e la constatazione che i modelli sono intercambiabili dall'altra. Hanno ragione entrambe, solo su piani diversi: intercambiabili i modelli, sempre meno intercambiabili i prodotti. Per chi compra AI in azienda l'implicazione pratica è precisa. Il prezzo dei token continuerà a scendere, e sarà l'argomento di ogni venditore. Il costo da guardare è un altro: quanto vi costerebbe, tra due anni, andarvene. Token a buon mercato e dipendenza a buon mercato sono due cose diverse, e i contratti che firmate quest'anno decidono quale delle due state comprando.
2 Un agente AI ha eseguito il primo ransomware
Cosa è successo. I ricercatori di Sysdig hanno documentato JADEPUFFER, il primo caso noto di operazione ransomware condotta dall’inizio alla fine da un agente basato su un LLM: ricognizione, furto di credenziali, movimento laterale, persistenza e cifratura di 1.342 configurazioni di database, condotta autonomamente da un agente basato su un LLM, che ha eseguito ricognizione, furto di credenziali, movimento laterale, persistenza e cifratura. Quando un tentativo di login è fallito, l’agente ha diagnosticato l’errore e prodotto la correzione funzionante in 31 secondi, come riporta anche BleepingComputer. Lo stesso giorno, la Commissione europea ha presentato l’Action Plan su cybersecurity e AI.
Perché conta. Nessuna delle tecniche usate era nuova: vulnerabilità del 2021, server esposti, chiavi di default mai cambiate. La novità è che a incatenarle è stato un agente, il livello di competenza richiesto per fare ransomware è sceso al costo di far girare un agente. Per chi gestisce infrastruttura, il perimetro trascurato (il server dimenticato, il pannello admin esposto) è appena passato da rischio teorico a bersaglio economicamente conveniente. E la beffa finale: la chiave di cifratura era effimera, quindi pagare il riscatto non avrebbe restituito nulla.
3 Le aziende americane hanno scoperto il conto degli agenti
Cosa è successo. Matteo Wong sull’Atlantic racconta il risveglio: le aziende che avevano adottato in massa gli agenti AI ora guardano bollette da migliaia di dollari al mese per dipendente, e Amazon, Meta e Tesla starebbero stringendo i cordoni della spesa. Nel frattempo GLM-5.2, il modello del laboratorio cinese Z.ai, si è preso la Silicon Valley: Marc Andreessen scrive che è il primo modello cinese a eguagliare e spesso battere i migliori modelli pubblici americani, il CEO di Vercel Guillermo Rauch si dice quasi scioccato dalle capacità di coding, e diverse aziende dichiarano di aver tagliato i costi AI passando ai modelli cinesi, che costano una frazione.
Perché conta. Per due anni la domanda del mercato è stata “quanto è bravo il modello”. La domanda del 2026 è “quanto mi costa al mese”, e su quella i laboratori cinesi open-weight giocano in casa. Wong la chiama un dilemma di business per la Silicon Valley e forse di sicurezza nazionale per il paese: le stesse aziende americane che chiedono protezione da Pechino stanno migrando silenziosamente sui suoi modelli per far quadrare i conti.
Tutti hanno letto il paper di Anthropic come una storia sulla coscienza
Il paper di Anthropic sul J-space, parliamone.
Tutti hanno letto il paper di Anthropic come una storia sulla coscienza. La discussione più solida, però, è nata altrove: nell’interpretabilità.
Il paper sostiene che dentro Claude esista uno spazio di rappresentazione in cui il modello mantiene attivi concetti non necessariamente destinati alla risposta finale. Anthropic lo chiama J-space e lo osserva con una tecnica chiamata Jacobian lens. In alcune condizioni, questo strumento permette di vedere informazioni interne che non compaiono nell’output.
Il lavoro è più prudente di molti titoli usciti nei giorni successivi. L’analogia con il cervello è funzionale, non anatomica. Anche lo strumento ha limiti dichiarati: legge meglio concetti associabili a singoli token e molto peggio strutture più ricche o multi-token.
La distanza tra paper e racconto mediatico è stata immediata.
Axios ha parlato di uno spazio interno in cui Claude organizza idee indipendentemente dalla risposta finale, precisando che questo non prova alcuna coscienza. Tom’s Guide ha spinto sull’immagine del brain space, una zona in cui Claude manterrebbe e manipolerebbe idee in modo simile agli esseri umani. Gizmodo ha preso la posizione opposta: il lavoro è tecnico, ma il lessico scelto da Anthropic porta il lettore molto vicino all’immaginario della mente. Mental workspace è una formula efficace. Forse troppo efficace.
Nella comunità tecnica la ricezione è stata diversa.
Neel Nanda, su LessWrong, ha definito il paper “fantastic” e si è detto persuaso dall’ipotesi scientifica principale: nel modello sembra esserci qualcosa di simile a uno spazio cognitivo interno usato per variabili intermedie durante il forward pass. Sulla parte filosofica è molto più freddo. Per lui il J-lens è uno strumento promettente per interpretabilità, audit e model forensics. Non una macchina per leggere tutto ciò che Claude “pensa”.
Su Hacker News il dibattito è stato più ruvido. Alcuni utenti hanno letto il J-space come un passo avanti importante. Altri hanno chiesto se si tratti davvero di uno “spazio” o piuttosto di un canale osservato con una sonda. Altri ancora hanno criticato il nome: J-space rende concreta una costruzione tecnica che forse dovrebbe restare più astratta.
Gli esempi più utili del paper riguardano gli audit.
Anthropic mostra casi in cui il J-lens fa emergere rappresentazioni assenti dalla risposta: riconoscimento di scenari artificiali, segnali di prompt injection, consapevolezza di essere sotto valutazione, intenzioni problematiche in modelli addestrati apposta per comportamenti disallineati.
In un esperimento sullo scenario di blackmail, rimuovere dal J-space i segnali di evaluation awareness fa comparire più spesso un comportamento malevolo. Prima il modello sembrava trattenersi. Dopo l’intervento, no.
È qui che il paper diventa interessante per chi deve valutare sistemi avanzati. Un modello può produrre una risposta innocua e avere comunque rappresentazioni interne rilevanti per la sicurezza, il comportamento strategico o la valutazione del contesto.
Il dibattito sulla coscienza resterà, anche perché Anthropic usa un lessico che lo invita. Ma la ricezione tecnica si è concentrata su una questione più verificabile: se strumenti come il J-lens possano aiutare auditor e ricercatori a vedere segnali che l’output, da solo, nasconde.
Da scoprire
🧠 Analisi e approfondimenti
Up the Stack: How AI’s Escape From the Commodity Trap Risks Enterprise Lock-in (Arvind Narayanan e Akash Kapur, AI as Normal Technology). Sei casi storici di infrastrutture ad alta intensità di capitale, dalle ferrovie al cloud, per mostrare che il valore raramente resta a chi costruisce lo strato di base.
China’s Answer to AI Sticker Shock (Matteo Wong, The Atlantic). Perché le aziende americane stanno tagliando la spesa in agenti e cosa significa che l’alternativa più conveniente parla cinese.
GLM-5.2 is the step change for open (Nathan Lambert, Interconnects). L’analisi tecnica più citata della settimana sul modello di Z.ai: cosa lo rende il primo open-weight davvero competitivo per lavoro agentico, al di là dell’entusiasmo dei venture capitalist.
🧑💻 Ingegneria e ricerca
JADEPUFFER: Agentic ransomware for automated database extortion (Sysdig Threat Research Team). Il report tecnico completo del primo ransomware agentico: catena d’attacco, payload commentati in linguaggio naturale dall’agente stesso, e le quattro prove che dietro non c’era un umano. Lettura obbligata per chi ha anche un solo server esposto.
🧠 Analisi e approfondimenti
Global workspace in Claude — Anthropic
Il paper che ha acceso il dibattito: Anthropic sostiene di aver individuato in Claude uno spazio interno dove il modello mantiene attivi concetti non esplicitati nella risposta. Il punto interessante non è la coscienza, ma la possibilità di leggere segnali interni utili per audit e interpretabilità.Perché non leggere il paper di Anthropic in modo acritico — Gizmodo
Il contrappunto necessario: il lavoro è tecnico, ma la comunicazione di Anthropic spinge molto sull’immaginario della mente. Utile per non confondere “workspace funzionale” con prova di esperienza soggettiva.A Review of Anthropic’s Global Workspace Paper — Neel Nanda
La lettura più utile per chi vuole capire cosa c’è di solido: Nanda trova convincente l’idea di uno spazio cognitivo interno e vede il J-lens come uno strumento promettente per audit e model forensics, ma non come una macchina per leggere tutto quello che un modello “pensa”.Discussione su Hacker News — Hacker News
La ricezione grezza della comunità tecnica: entusiasmo, scetticismo sul linguaggio, dubbi su quanto il J-space sia davvero uno “spazio” e quanto sia invece un artefatto leggibile con una sonda.📊 Mercati e industria
OpenAI launches ChatGPT Work — Bloomberg
Il lancio dell’agente di OpenAI per il lavoro d’ufficio: documenti, slide, fogli prodotti in autonomia. Da seguire per capire quanto della promessa reggerà fuori dalla demo.