Sette giorni che raccontano una sola partita. I laboratori di frontiera chiedono di rallentare, firmano appelli comuni sulla supervisione, poi mettono in piedi un ente che scrive le regole al posto dei legislatori. Nello stesso giro di giorni esce un modello che non produce testo e costa una frazione di un LLM, Perplexity porta l'agente sul disco del PC, Google apre la casa agli agenti via MCP. La tensione tra governance e prodotto non è mai stata così visibile. E per chi costruisce sopra queste piattaforme la domanda operativa resta sempre la stessa: dove girano i carichi, a che costo, con quanta dipendenza da un singolo provider.

Immagine generata interamente con l'AI.

Chi scrive le regole adesso?

Sam Altman ha detto a Fortune che OpenAI non si quota nel 2026. La motivazione ufficiale è la sicurezza, e la frase chiave è quella sul "momento poco saggio" per andare in borsa. Il New York Times a giugno aveva già scritto di un rinvio dell'IPO da potenzialmente mille miliardi.

Sul piano operativo la mossa ha una lettura semplice. Rinviare la quotazione significa una roadmap che risponde ancora a obiettivi tecnici e non alla trimestrale. Per chi integra le API, tempi più lunghi si traducono in meno rotture di compatibilità, deprecation annunciate con preavviso, changelog leggibili prima di aggiornare un workflow in produzione. Utile, concretamente.

Il confronto con Anthropic è la parte più onesta della vicenda. Dario Amodei scrive un saggio in cui chiede di rallentare, Anthropic parte con la promozione dell'IPO a metà ottobre, Nvidia pronta a mettere 10 miliardi nella quotazione. Due aziende che predicano lo stesso principio mentre una corre verso il capitale.

Il 14 settembre arriva l'appello congiunto. Altman, Musk, Hassabis d'accordo con Amodei sull'oversight indipendente, valutazioni esterne condotte da soggetti che non rispondono a chi paga lo stipendio. Il 16 settembre OpenAI conferma di lavorare con Anthropic e Google a un organismo di standard per l'AI, sul modello FINRA proposto da Hassabis. Testing dei modelli più potenti prima del rilascio, finanziato in gran parte dall'industria.

Aidan Gomez, CEO di Cohere, chiama le cose col nome giusto: sotto l'etichetta della sicurezza, i lab dominanti stanno formando un "cartello" che scrive le regole di ingresso. Se chi costruisce i modelli certifica anche i modelli, il conflitto di interessi è strutturale. Chi entra nel club scrive le regole, chi resta fuori paga la conformità.

Il contro-argomento tecnico più interessante arriva da Peyman Milanfar di Google. Il self-improvement ricorsivo è un'ipotesi ingenua, i cicli di feedback sono instabili per costruzione, e il freno naturale è già lì. Nei workflow reali l'agente che si auto-ottimizza senza vincoli degrada in due settimane. Serve damping, serve un margine che sembra sprecato.

Un ente con accesso ai pesi e ai log vale dieci comunicati firmati.

La conseguenza pratica per chi costruisce automazioni è tenere un piano B multi-provider e trattare i pesi aperti come asset portatile. Il routing dinamico tra modelli resta la difesa più semplice contro un regime a licenze stratificate con audit obbligatori, dove il costo della conformità finisce tutto sui piccoli.

Il compute locale cambia i costi?

Perplexity porta Portable Computer su Windows. L'agente che prima viveva nel cloud ora gira sulla macchina, accelerato dalle GPU NVIDIA RTX, e pianifica task multi-step senza uscire dal dispositivo.

Il punto tecnico è semplice: i modelli locali hanno raggiunto la capacità sufficiente per orchestrazioni reali. L'inferenza sul PC azzera i costi per token e il round-trip di rete, due voci che pesavano su ogni automazione agentica. I dati sensibili restano sul disco, un dettaglio che conta nei contesti regolati come finanza, sanità e legale.

L'hardware diventa il vero abilitatore. Un agente locale che pianifica consuma VRAM e banda di memoria, quindi la fascia alta delle RTX diventa il collo di bottiglia. Con una GPU adeguata si ottiene latenza bassa e costo marginale a zero. È il calcolo che spinge le aziende verso l'hardware locale, e il trend non nasce oggi.

Il tempismo resta curioso. Mentre i lab chiedono di rallentare, NVIDIA porta compute sulla scrivania degli utenti. La partita si gioca su dove girano i modelli e quanto costano, non sulle dichiarazioni.

La casa diventa un sistema agentico?

Google ha aperto l'accesso anticipato al server MCP di Google Home. Gli agenti che supportano MCP - Claude, ChatGPT, Hermes, OpenClaw, Antigravity - possono collegarsi ai dispositivi domestici in modo sicuro e leggere la cronologia eventi. Istruzioni in linguaggio naturale, riepiloghi delle clip, dashboard costruite su misura.

Il setup passa da un progetto Google Cloud configurato per usare Home MCP. Il percorso è da smanettoni travestito da feature consumer: configurazione, permessi da concedere a mano, distribuzione limitata a USA e abbonati Google Home Premium Advanced a 20 dollari al mese. Il tier gratuito e la fascia che sperimenta di più restano fuori.

Il valore operativo è che la cronologia eventi diventa un dataset interrogabile a parole. Le clip delle telecamere e gli eventi di casa sono dati strutturati, e un agente che li legge può generare riepiloghi giornalieri, alert condizionali, dashboard. È lo stesso pattern che sta entrando nei workflow aziendali, applicato al salotto.

La direzione è chiara: l'agente diventa il livello di orchestrazione sopra i device, e MCP esce dalla nicchia dei developer. Chi ha già un ambiente MCP in azienda può replicare il pattern senza aspettare l'estensione in Italia.

La shadow AI è già in azienda?

Un dipendente apre ChatGPT, incolla un contratto, genera un riassunto, carica un CSV su un tool trovato online dieci secondi prima. Nessun ticket, nessuna valutazione del fornitore, nessuna traccia nel registro dei trattamenti. È la shadow AI.

Immagine generata interamente con l'AI.Cresce per una ragione banale: serve un browser e una carta di credito. La promessa di produttività batte qualsiasi policy interna scritta sei mesi prima. I rischi si concentrano su cinque fronti: dati personali che finiscono nei training set altrui, compliance GDPR difficile da dimostrare a posteriori, supply chain software mai valutata, reputazione, sicurezza informatica. Il costo dell'inazione qui non è teorico: senza un presidio interno, ogni prompt incollato in un tool non approvato resta invisibile finché non diventa un incidente da notificare al Garante. Nei progetti che seguo parto sempre da un audit dei flussi AI in azienda, per mappare dove escono i dati prima di scegliere i controlli. Senza quella fotografia, il gateway lo costruisci al buio.

Vietare funziona zero. Se lo strumento approvato è lento, caro e senza le feature che servono, la gente usa quello pirata dal telefono personale. La risposta operativa è un gateway LLM interno con SSO, log di ogni prompt, cost tracking per utente, modelli self-hosted per i dati sensibili. Nello stack questo si traduce in quattro pezzi: proxy di egress per intercettare le chiamate verso le API esterne, DLP sui payload in uscita, catalogo di tool approvati con etichetta "safe for customer data", e una telemetria che renda il fenomeno visibile prima che diventi un incidente.

Se il tool approvato è più comodo di quello pirata, la shadow AI si svuota da sola. Se non lo è, nessuna policy la ferma.

Jev riscrive l'economia dell'inferenza?

Diogo Almeida ha lasciato OpenAI dopo aver contribuito a ChatGPT e aver inventato RLHF, la tecnica che ha reso possibile l'era degli LLM. La sua conclusione è secca: si sta ottimizzando per il linguaggio umano mentre i computer parlano un'altra lingua. Due anni fa ha fondato TypeSafe AI, questa settimana ha rilasciato Jev, un transformer che non è un LLM e non produce testo.

Jev restituisce probabilità calibrate. I token di output sono gratuiti, gli input si pagano a miliardi e non a milioni. Non può allucinare, perché gli output vengono definiti a monte dall'utente. Vercel ha sostituito un modello OpenAI usato come classificatore di sicurezza e ha ottenuto risposte da 5 a 18 volte più rapide con accuratezza superiore. Il CTO di Bryo AI ha confrontato Jev con Gemini sulla classificazione email: Gemini leggermente più preciso, ma da 10 a 20 volte più costoso.

Il posto naturale di Jev è il guardrail. Monitorare i trace degli agenti LLM, prevenire jailbreak, fare model routing in tempo reale: attività dove un LLM classico brucia budget senza motivo. Il confidence score reale cambia il modo in cui si scrivono le policy. 50% è una monetina, 95% è un'azione, e la soglia si sposta di conseguenza.

Il paradosso di Jevons applicato all'intelligenza dice che il crollo del prezzo di una risorsa ne moltiplica l'uso. È la stessa dinamica che sta dietro al crollo dei costi di inferenza degli ultimi mesi e al nuovo calcolo economico degli agenti. Quando una decisione costa quasi zero, smetti di scegliere quali processi automatizzare e li automatizzi tutti.

Lo scetticismo resta dovuto: architettura coperta, dati sintetici al 100%, posizionamento "System One". Su un dominio stretto questa combinazione funziona benissimo, e basta.

I tool della settimana

• Jev (TypeSafe AI): transformer non-LLM per decisioni calibrate. Token di output gratuiti, guardrail a costo marginale quasi nullo.

• Perplexity Portable Computer: agente locale su Windows, task multi-step con i dati che restano sul dispositivo.

• Google Home MCP Server: early access per pilotare luci, termostati e telecamere in linguaggio naturale da Claude, ChatGPT e altri agenti.

• Kimi K3 su Amazon Bedrock: open-weight con visione nativa, finestra da un milione di token e prompt caching esplicito.

• SageMaker HyperPod Inference Gateway: add-on Kubernetes per instradare le richieste di inferenza in base ai segnali reali delle GPU.

• Claude Code Projects: thread cloud paralleli coordinati da un agente supervisore che apre pull request e lancia test su memoria condivisa.

• TimesFM-3: forecasting da 330 milioni di parametri di Google Research, riempie i punti futuri in un colpo solo.

Il filo della settimana è lo stesso su ogni fronte. Chi decide dove girano i modelli e a che costo controlla la partita, molto più di chi firma un comunicato sulla sicurezza. La governance rallenta sulla carta, ma il compute si sposta sul disco e il prezzo di una decisione crolla. È lì che si costruisce, non nei comunicati.