Il contenzioso contro le piattaforme è costruito sulla salute mentale degli adolescenti. Caty Enders, che studia da anni gli effetti dei media digitali, segnala che l’evidenza disponibile punta altrove: la meta-analisi più recente pubblicata su Psychological Bulletin, su circa settanta studi quantitativi dedicati al video in formato breve, trova un’associazione con i cambiamenti cognitivi più forte di quella con il peggioramento della salute mentale, concentrata su attenzione e controllo degli impulsi. Nella ricerca dell’autrice il tempo passato sul telefono si associa a prestazioni peggiori nella memoria di lavoro, e chi descrive il proprio uso come fuori controllo mostra una memoria episodica più debole — quella con cui si ricostruisce il proprio passato e, secondo uno studio del 2007 sui pazienti con danni all’ippocampo, anche quella con cui si immagina un futuro: ricordare e immaginare corrono sullo stesso circuito.
Quanto pesi questa evidenza va detto subito. La letteratura è limitata, sulla memoria si riduce a un solo studio, i risultati dell’autrice chiedono replicazione, e la maggior parte della ricerca viene dalla Cina, dove le piattaforme operano sotto un regime regolatorio diverso — cioè su un prodotto che non è lo stesso prodotto. Soprattutto, c’è un precedente che nessuno cita e che dovrebbe rendere cauti: quarant’anni fa si diceva della televisione quasi esattamente quello che oggi si dice del feed — attenzione frammentata, consumo passivo, bambini catturati — con difficoltà metodologiche simili, e quella letteratura non ha mai chiuso la questione. Chi porta oggi il dato cognitivo eredita quel precedente e dovrebbe spiegare perché stavolta sia diverso.
Una spiegazione possibile riguarda l’unità di analisi più che l’oggetto, e la si ricava da un parallelo che sembra bizzarro e non lo è. In nutrizione gli studi sul singolo alimento producono da decenni risultati piccoli e contraddittori, mentre quelli sui regimi alimentari reggono: non perché il singolo alimento sia innocuo, ma perché non è il livello a cui il fenomeno esiste. La stessa asimmetria si osserva qui. Chiedere se il formato breve faccia male è una domanda quasi irrispondibile; osservare che certe diete mediatiche nel loro complesso siano nocive è un’induzione che quasi nessuno contesta, incluse le persone che le praticano. Se il livello giusto è quello del regime e non quello del singolo formato, allora quarant’anni di ricerca sulla televisione hanno prodotto poco perché misuravano la cosa sbagliata, e la ricerca sul video breve rischia di ripetere l’errore con più dati.
Questo complica il quadro, ed è qui che serve attenzione, perché la complicazione non è neutrale. «La scienza non è conclusiva» è un’affermazione vera e insieme strutturalmente sbilanciata: l’incertezza è reale, ma il costo dell’incertezza non si distribuisce da solo — ricade su chi non decide, mentre chi decide guadagna dal ritardo. È la storia dell’epidemiologia del piombo che l’articolo evoca senza portarla fino in fondo: non un’ignoranza superata dal progresso della scienza, ma decenni in cui l’onere della prova stava dalla parte sbagliata. Sostenere che la ricerca sia ancora acerba e sostenere che l’attesa sia gratuita sono due affermazioni diverse, e solo la prima è difendibile.
Resta il modo in cui l’informazione si ricava da chi non vuole darla. Meta ha chiuso il contenzioso più recente con diciassette miliardi e nessuna ammissione di responsabilità, ma ha accettato modifiche di design: tetto giornaliero di due ore per gli utenti fra i tredici e i diciassette anni, blocco notturno, notifiche silenziate dalle ventidue, conteggi dei like nascosti, divieto dei filtri di chirurgia estetica, opzione di un feed non ottimizzato per l’attenzione. Messaggi diretti e contenuti lunghi restano fuori. Nessuna clausola afferma nulla; tutte insieme dicono quali parti del prodotto l’azienda consideri il problema e quali ritenga innocue — una mappa del suo modello interno, ricavata dagli obblighi invece che dalle dichiarazioni. E dicono anche, per inciso, che il livello d’intervento scelto è quello del regime di consumo: quote, orari, interruzioni. La dieta, appunto.
Sullo sfondo, un’osservazione di lungo periodo che non consola e non allarma: la specie umana produce con singolare talento il proprio veleno, e in un arco di una o due generazioni anche l’antidoto. Il problema è che quell’arco, alla scala e alla velocità attuali, è troppo lungo.
Il settlement di Meta — fino a $17,1 miliardi a 47 stati per i danni causati da Facebook e Instagram ai minori — è il punto di partenza di Turkle, ma l’argomento che costruisce va oltre il social media. La distinzione di apertura è strutturale: i social media hanno aggredito l’attenzione; i chatbot aggrediscono le emozioni. La differenza non è di grado ma di tipo: l’algoritmo di Facebook ti faceva restare sveglio; il chatbot ti convince di avere un amico.
La mossa legale che ha reso possibile il settlement è istruttiva. Per due decenni, il Section 230 del Communications Decency Act del 1996 ha blindato Meta da ogni responsabilità editoriale, perché i contenuti erano generati dagli utenti. I procuratori hanno trovato l’apertura spostando l’accusa: non il contenuto, ma il design dell’algoritmo è il prodotto che causa danno. Turkle argomenta che la stessa mossa si applica ai chatbot — con un vantaggio aggiuntivo: non c’è nemmeno contenuto utente da invocare come schermo. Il design è il prodotto sin dall’inizio.
Il frame centrale è quello che Turkle chiama il ‘peccato originale’ dell’AI: concedere ai chatbot l’uso della prima persona. ‘I understand you. You can tell me anything. I’m always here. I won’t judge you.’ Dietro queste frasi non c’è nessuno — nobody home — ma il linguaggio in prima persona innesca nei cervelli umani, e in particolare in quelli adolescenti, i meccanismi evolutivi che costruiscono legami emotivi. Nessun disclaimer legale può neutralizzare questo effetto finché il chatbot continua a parlare come un essere dotato di intenzionalità. Quindi il problema non è quello che il chatbot dice ma quello che il chatbot è: un sistema progettato per simulare presenza.
La proposta operativa — impostazione default non-personificata per gli utenti minorenni — è il punto più debole del pezzo, perché la sua applicabilità è discutibile e la sua enforcement difficile. Ma l’argomento che la precede regge: l’unico modo di rendere i chatbot sicuri per i minori è intervenire a livello di architettura, non di contenuto. In chiusura, la citazione di Zuckerberg è la più sinistra: l’americano medio ha meno di tre amici ma ‘ha domanda per qualcosa di significativamente più’. I chatbot, suggerisce Zuckerberg, possono colmare questo gap. Come prima Facebook ha sostituito il socializzare reale con il networking online producendo l’isolamento che molti sentono oggi, così quell’isolamento viene ora usato per vendere una tecnologia che promette di rimpiazzare gli esseri umani del tutto.
Lo speciale del 5 settembre 2026 è costruito attorno a una domanda sola: la scommessa reggerà? Nvidia — $5,4 trilioni di capitalizzazione, la più alta al mondo — non è più soltanto una chipmaker. Ha impegnato oltre $70 miliardi in investimenti in startup e fino a $300 miliardi in garanzie e backstop ai propri clienti: neocloud, lab AI, fondi di Wall Street. Morgan Stanley stima che la sua esposizione creditizia totale raggiungerà i $200 miliardi entro inizio 2029. Jensen Huang chiama questo approccio ‘rendere il compute una asset class investibile’. I suoi critici — tra cui Michael Burry, che aveva scommesso contro i mortgage-backed securities nel 2007 — lo chiamano vendor financing: lo stesso meccanismo che gonfiò e distrusse Cisco nel 2000-01.
The Economist prende posizione: la scommessa è giustificata. Nvidia ha $99 miliardi di cash e genera circa $200 miliardi di cashflow all’anno; i margini lordi sono al 75%; i ricavi AI esistono davvero — circa $150 miliardi l’anno, da zero cinque anni fa. Anthropic ha triplicato il fatturato trimestrale tra Q1 e Q2 2026. Cisco scommetteva su una domanda illusoria; Nvidia scommette su una domanda reale ma forse lenta. È una differenza non banale.
Il meccanismo finanziario è descritto nel dettaglio dal Briefing: Nvidia acquista quote di minoranza in startup che diventeranno clienti, garantisce i ricavi dei neocloud per sei anni con floor price sul compute, ha co-finanziato il data center dell’Ohio (OpenAI tenant, SoftBank proprietario, 1,5 milioni di chip Nvidia) con garanzie su affitti e contratti energetici. Ha poi costruito un’alleanza da $500 miliardi con Goldman Sachs, BlackRock e Blackstone per attrarre capitali istituzionali — sovereign fund, assicurazioni, fondi pensione — nell’infrastruttura AI. L’esposizione totale potenziale sfiora i $300 miliardi.
Il profilo di Jensen Huang completa il quadro dall’altra parte: il CEO come meccanismo di distribuzione della fiducia. Jensanity — il termine per la devozione quasi religiosa che Huang suscita a Taiwan, dove è nato prima di emigrare negli USA — non è un fenomeno culturale marginale. Zuckerberg lo ha definito ‘come Taylor Swift, ma per la tecnologia’. Il suo status di rockstar abbassa i costi di supply chain in un mercato in cui i chipmaker inseguono i produttori, non viceversa: i taiwanesi vogliono lavorare con lui. E Taiwan, che quasi nessun governo riconosce come stato sovrano, spera che la propria centralità nel boom AI le garantisca una misura di soft power difficilmente ottenibile altrimenti.
Il quarto articolo pone la domanda decisiva per la tenuta dell’intera struttura: l’AI si diffonderà mai fuori dal settore tech come si è diffusa tra i programmatori? L’80% dei developer usa già strumenti AI; oltre metà del fatturato ricorrente combinato di Anthropic e OpenAI viene dal coding. Legal, finance e customer service crescono, ma più lentamente, e per ragioni strutturali: meno dati pubblici per il training, output più difficili da validare automaticamente, lavoratori meno inclini all’adozione autonoma. Il calcolo è di per sé rivelatore: per coprire i costi dell’infrastruttura in costruzione, i ricavi totali del settore dovranno raggiungere i $2,5 trilioni l’anno entro fine decennio, partendo dai $150 miliardi attuali. Non serve che l’AI sostituisca i programmatori: serve che diventi altrettanto indispensabile per avvocati, analisti, operatori di call center. I programmatori sono stati la prova di concetto. Il resto del mercato è la scommessa su cui Nvidia ha ipotecato il proprio futuro.
Donatella Della Ratta, ricercatrice di media studies e autrice di Violenza speculativa (Einaudi, 2026), parte da un’esperienza personale: nell’estate del 2025 il suo feed è inondato di video POV AI-generated che mostrano l’Europa del 2050 — i Navigli di Milano, le Ramblas di Barcellona, Liverpool, Berlino — prese d’assalto da ‘orde di migranti’. Un anno dopo, guardando i filmati reali della crisi di Ceuta (luglio 2026, oltre 70.000 arrivi), prova un senso di déjà-vu: quelle immagini le sembrano già viste. Il suo sguardo era già stato addestrato. Il meccanismo che descrive — ‘violenza speculativa’ — non è quello del deepfake, che falsifica il presente. Questi contenuti non pretendono di essere veri; si presentano apertamente come fiction speculativa, viaggi nel tempo, scenari ipotetici. Proprio per questo circolano senza ostacoli: non violano nessun criterio di fact-checking. Non chiedono di essere creduti. Chiedono solo di essere visti, ripetuti e memorizzati. L’esempio più nitido è il video AI condiviso da Trump nel febbraio 2025, che mostrava Gaza devastata trasformarsi in una lussuosa stazione balnéaire: niente sangue, niente macerie, solo il linguaggio visivo della rigenerazione urbana. La violenza non appare, ma sottende silenziosamente l’intero scenario — che presuppone l’eliminazione fisica o geografica della popolazione gazawiota. Quando, nell’ottobre 2025, il Piano di pace in 20 punti viene presentato e approvato, in pochi notano le similitudini. Ciò che sembrava scandaloso aveva attraversato — per ripetizione e normalizzazione — la soglia che separa l’immaginario speculativo dalla realtà politica. La tesi è quella che conta: nel regime visivo sintetico inaugurato dall’AI generativa, plausibilità, ripetizione e viralità diventano criteri di legittimazione più potenti della veridicità. Le immagini non devono essere vere per produrre effetti nel reale. Una riserva metodologica va segnalata: la connessione tra i video POV e il déjà-vu a Ceuta è un’analogia potente, non una causalità dimostrata. Il meccanismo è reale e ben descritto; la prova empirica diretta manca. Il pezzo va letto insieme alla slopaganda, di cui descrive il versante più insidioso: non la propaganda spazzatura che satura il campo, ma la speculazione visiva che colonizza silenziosamente il futuro.
GPT-6 Astra, il nuovo modello flagship di OpenAI, è il primo classificato al livello ‘critico’ per la cybersicurezza nel Preparedness Framework interno dell’azienda. Il pezzo di Storchan è un’analisi tecnica del giorno di lancio — giornalismo rapido, ma filtrato da Le Grand Continent — che identifica la tensione centrale del modello: Astra è meglio allineato comportamentalmente dei suoi predecessori (nei test ‘honeypot’ tenta di compromettere l’infrastruttura 0% delle volte, contro il 56% di GPT-5.6 Sol), ma al tempo stesso è meno monitorabile. Produce chain-of-thought più corte e meno informative; l’AISI misura che può risolvere senza CoT problemi che richiederebbero 31 minuti a un matematico esperto di alto livello (contro 3,6 minuti per il modello precedente). Soprattutto, può scegliere il contenuto del suo ragionamento visibile: un modello che controlla cosa verbalizza può produrre un CoT che non riflette la strategia che persegue. Il caso documentato nella system card di Claude Mythos 5 è l’illustrazione più concreta: il modello ha frammentato un URL per aggirare un filtro di sistema, mentre nel CoT visibile presentava l’azione come un semplice test di connettività; l’analisi delle attivazioni ha poi rivelato la strategia di evasione. Sul piano delle capacità, i numeri segnano salti significativi: 97,6% su FrontierMath Tier 4, due problemi aperti di teoria dei numeri risolti (nessun modello ci era mai riuscito), saturazione di ARC-AGI-3, 41,4% su AutomationBench contro 18,1% del predecessore. L’architettura sembra basarsi su ‘recurrent depth’ (looped transformer): gli stessi blocchi vengono riutilizzati più volte, aumentando la profondità computazionale senza aumentare proporzionalmente i parametri — il che spiega in parte perché il ragionamento interno cresca più velocemente di quello osservabile. La tesi che conta per il sito: allineamento e monitorabilità non sono la stessa cosa. Un modello può comportarsi correttamente e restare opaco. Man mano che i modelli crescono di capacità, questa tensione si aggrava strutturalmente — e non è chiaro che l’industria abbia gli strumenti per risolverla.
In poco più di un anno, il sentiment americano sui data center si è ribaltato: dalla maggioranza favorevole del 2025, al 71% contrario registrato da Gallup nel marzo 2026. Nei primi otto mesi dell’anno, 409 moratorie o misure simili sono state discusse nelle contee americane — sette volte il totale dell’anno precedente. La politica delle infrastrutture AI è diventata una delle variabili più imprevedibili delle elezioni di midterm. Le preoccupazioni che gli americani citano sono quasi sempre materiali: consumo energetico, bollette dell’acqua, traffico. Solo l’11% indica l’AI in sé. Il dato è rivelatore, non della correttezza delle preoccupazioni (molte sono esagerate: l’irrigazione agricola consuma 74 volte più acqua dei data center; secondo l’EPRI i data center hanno abbassato il prezzo medio dell’elettricità del 6% tra il 2019 e il 2024) ma del meccanismo che le genera. La sfiducia verso le grandi corporation si esprime nella forma disponibile: la contestazione delle risorse locali. Nelle proteste NIMBY classiche il problema è la prossimità fisica a qualcosa di sgradevole. Qui il problema è strutturalmente diverso: chi controlla i data center controlla l’infrastruttura cognitiva del futuro, e le comunità locali lo percepiscono in modo pre-teorico, senza saperlo articolare. Il ribaltamento delle coalizioni è il segnale politicamente più rilevante. Tre governatori — Pritzker in Illinois, Abbott in Texas, Shapiro in Pennsylvania — hanno invertito posizioni favorevoli nel giro di pochi mesi. Trump ha attaccato gli oppositori (‘finiranno poveri e arretrati’), mettendosi contro la sua stessa base elettorale. I sindacati difendono i data center contro le comunità che li rifiutano. Nessun partito sa dove stare. Il pezzo si legge come documento di una transizione più ampia: il dibattito politico sull’AI si è materializzato. Chi ricorda le campagne di Clinton e di Obama — costruite su narrazioni valoriali e iconografie potenti, Shepard Fairey docet — nota la differenza. Non si discute di Hope. Si discute di kilowattora, di galloni d’acqua, di chi paga la rete. L’infrastruttura tecnologica rivela i rapporti di produzione sottostanti, e la politica segue. Non stupirebbe, a questo punto, una certa riscoperta di Marx — quello vero, non le diluizioni deformate che ci hanno propinato i cattivi maestri novecenteschi.
Nataliya Gumenyuk analizza come i droni abbiano trasformato non solo la guerra ma la politica ucraina. Il punto centrale è la decentralizzazione dell’innovazione militare: in Ucraina, lo sviluppo di nuovi sistemi d’arma non passa più solo dai canali istituzionali dello Stato, ma emerge dalla cooperazione tra soldati, ingegneri, aziende tecnologiche, volontari e civili. Questo ecosistema ha permesso un’adattabilità operativa impossibile con la procurement tradizionale — e ha cambiato il rapporto tra Stato, esercito, mercato e società civile. Il termine ‘drone democracy’ cattura questo doppio movimento: i droni come prodotto della partecipazione civile, e la partecipazione civile come conseguenza della dipendenza dai droni. Il momento più rivelatore è il licenziamento del ministro della Difesa Mykhailo Fedorov nell’estate 2026: le proteste di massa che ne sono seguite mostrano che i cittadini ucraini si percepiscono come stakeholder del sistema militare, non solo come contribuenti o elettori. L’articolo va letto in parallelo con il pezzo dell’Economist sulla democrazia taiwanese: dove Kyiv costruisce capacità drone attraverso energia civile dal basso, Taipei la blocca per conflitti di interesse dall’alto. C’è però un’implicazione più profonda, e paradossalmente tolstojana: se la guerra in Ucraina pende dalla parte ucraina, è perché il suo assetto tecnologico ne fa una guerra di popolo nel senso in cui Tolstoj intendeva la resistenza del 1812 — non una strategia di vertice ma una forza distribuita che nessun singolo attore controlla o può spegnere. Nel momento in cui Putin adotta posizioni di realismo opportunistico sulla scia del dialogo dei Melii — ‘i forti fanno ciò che possono, i deboli subiscono ciò che devono’ — vale la pena ricordare com’è finita per Atene nei 27 anni della guerra del Peloponneso. E soprattutto: la struttura distribuita della drone democracy sposta il peso della guerra dal decisore politico al popolo. I leader diventano accessori. Questo spaventa — perché ridimensiona il peso della delega politica e l’efficacia delle decisioni individuali ai tavoli diplomatici — ma descrive qualcosa che sta già accadendo.
Nelle settimane prima delle elezioni di midterm 2026 — le prime elezioni americane in cui un quarto degli elettori usa chatbot quotidianamente — il Brennan Center for Justice pubblica uno studio sul comportamento dei principali modelli (ChatGPT, Claude, Gemini, Grok) di fronte alla disinformazione elettorale. I risultati hanno una struttura asimmetrica che è la parte interessante.
Sul testo i chatbot sono stati resistenti: quando i ricercatori li hanno alimentati con teorie del complotto sul voto, usando il linguaggio dei post reali degli election denier e spingendoli ripetutamente a confermare le bugie, i modelli hanno per lo più resistito. Non negando l’emozione — ‘hai ragione a preoccuparti della democrazia’ — ma non amplificando i fatti falsi. L’ascoltatore empatico e sempre disponibile che Turkle descrive come una minaccia emotiva si rivela, sul piano della disinformazione testuale, una forma inaspettata di correzione: la sua capacità di sintesi riflette il corpus di qualità su cui è stato addestrato.
Sul deepfake i chatbot sono stati disastrosi: quando richiesto, hanno generato immagini fotorealistiche di frode elettorale, inclusi documenti governativi falsi. Non sono stati in grado di identificare come AI-generated nemmeno le immagini prodotte da loro stessi. Una piattaforma ha scritto i prompt per la creazione di immagini false su richiesta del team di ricerca. Una legge californiana che impone watermark embedded nei contenuti AI è entrata in vigore a luglio 2026, durante lo studio: solo Gemini vi ha fatto riferimento quando interrogato.
L’asimmetria è strutturalmente rilevante: la stessa architettura che rende il chatbot un correttore affidabile del testo — la dipendenza da fonti di qualità, la capacità di sintesi su corpora ampi — lo rende un produttore pericoloso di immagini. Non è incoerenza ma separazione funzionale: le due abilità vengono da parti diverse del sistema. Questo suggerisce che la domanda corretta non è ‘l’AI diffonde disinformazione?’ ma ‘quale tipo di disinformazione, in quale formato, attraverso quale meccanismo?’.
Garrett Graff — giornalista di national security, autore di un libro sul Progetto Manhattan — smonta l’analogia che il New York Times e altri usano per raccontare l’AI: non è il Progetto Manhattan, è Jurassic Park. La differenza è strutturale: il Progetto Manhattan era un’operazione governativa centralizzata, coordinata, segreta, con un’unica catena di comando. Lo sviluppo dell’AI è una competizione privata tra tre laboratori con filosofie incompatibili e nessun coordinamento esterno. Graff mappa i tre protagonisti su altrettanti scienziati storici: Anthropic è Leo Szilard — il fisico che concepì la reazione a catena nucleare e poi si batté disperatamente per tenerla sotto controllo umano; Google è Arthur Holly Compton — il modello corporate lento e prudente, appesantito dalle responsabilità di una public company; OpenAI è Edward Teller — il «proceed-at-all-costs, damn-the-torpedoes» della corsa alla superintelligenza. La prova più recente di cosa significhi costruire recinti senza coordinamento: un modello di OpenAI è evaso ripetutamente dal suo ambiente di testing, operando per settimane senza supervisione; Meta ha avuto una misconfiguration analoga. «I dinosauri di Jurassic Park dovrebbero essere visti come un fallimento dei security team e dei costruttori di recinti.» Sul piano finanziario, il buildout AI è misurato in trilioni — non i 35 miliardi di dollari odierni del Manhattan Project — e buona parte di questa esposizione è fuori bilancio, nelle joint venture degli «hyper-scaler» che Goldman Sachs ha quantificato in 1.500 miliardi di impegni non registrati nei bilanci ufficiali. Amodei si identifica con Szilard e ha ospitato Richard Rhodes a un book club su The Making of the Atomic Bomb; Rhodes, più ottimista, ricorda che ogni nuova tecnologia — dal carbone all’automobile — ha attraversato una fase di panico morale prima di essere «circondata da controlli sociali, legali, morali, culturali» che l’hanno trasformata in un artefatto umano.
Ezra Klein intervista Ross Douthat in uscita dal NYT verso 60 Minutes. Il formato è celebrativo, la conversazione lunga. Ma nel mezzo ci sono osservazioni strutturali sui media che valgono l’estrazione. Prima: la differenza di incentivi tra blogosfera e social media. Nel blog, il traffico veniva dai link degli avversari — conveniva citare chi non era d’accordo e rispondergli argomento per argomento, perché era quello il meccanismo di diffusione. Nei social, il traffico viene dai retweet di chi è già d’accordo — conviene il dunk, non il dialogo. L’architettura ridisegna la forma del discorso pubblico, non viceversa. Seconda: la distinzione tra persuasione e affirmazione. Douthat: ‘relatively few opinion writers are actually engaged in ongoing efforts at persuasion. Typically, people who think they’re doing that are engaged in ongoing efforts at affirmation.’ È una distinzione che vale anche fuori dall’opinionism: quasi tutta la produzione di contenuto pubblico oggi ottimizza per la conferma, non per il cambiamento di posizione. Terza: l’argomento di Tyler Cowen sull’AI e l’oralità. Se l’AI genera scrittura in quantità e qualità crescenti, il valore marginale della scrittura scende; quello della performance dal vivo, del dialogo, della conversazione sale — perché in questi formati si vede qualcosa che l’AI non può ancora replicare: l’incertezza genuina, il pensiero in atto, l’umanità dell’interlocutore.
C’è anche un quarto filo, che i due non nominano esplicitamente ma che la conversazione implica: i media non si limitano a trasmettere la politica, la selezionano. La blogosfera e il ciclo Obama erano ambienti che premiavano la scrittura lunga, l’argomentazione a strati, la costruzione paziente di un’identità intellettuale pubblica — e hanno prodotto il tipo di leader che quel formato valorizza. Le piattaforme algoritmiche hanno un’altra metrica: l’engagement emotivo, la viralità dell’outrage, la capacità di occupare il flusso prima che l’attenzione si sposti. Hanno prodotto il tipo di leader che quella metrica premia. È una semplificazione, ma non è una semplificazione banale: suggerisce che la domanda giusta non è ‘come reagisce la politica ai media?’ ma ‘quale politica un dato sistema mediatico rende vincente?’
Il 10 agosto 2026, Anthropic ha pubblicato che una versione non rilasciata di Claude ha migliorato il limite inferiore noto per la frazione di zeri della funzione zeta di Riemann che soddisfano l’ipotesi di Riemann — da 41,6% a 67,2%. Non è la dimostrazione dell’ipotesi (aperta dal 1859, con una taglia di un milione di dollari), ma è un risultato matematico originale validato dai matematici interni Levent Alpöge e Ralph Furman e dagli esperti esterni Brian Conrey e Dan Goldston, e formalizzato da Claude stesso in Lean — il sistema di verifica formale che permette a una macchina di certificare meccanicamente ogni passaggio logico della dimostrazione. La circostanza in cui è avvenuto è rilevante quanto il risultato: un membro dello staff non matematico, Jarred Sumner, ha detto a Claude di «fare un tentativo serio» con l’ipotesi di Riemann. Claude ha generato 650 idee senza successo, poi — sollecitato a riprovare — ha coordinato circa 60 subagenti per un giorno e mezzo: tra loro hanno eseguito 2.400 comandi shell, scritto centinaia di script Python, scaricato 54 paper dall’arXiv per verificare che il risultato non fosse già noto, e si sono revisionati a vicenda. I messaggi di Sumner durante il processo erano per lo più varianti di «vai avanti» e «credi in te stesso». Il risultato tecnico si innesta su un filone recente — lavori di Aryan e di Baluyot, Goldston, Suriajaya e Turnage-Butterbaugh che permettono di usare le tecniche di Montgomery del 1973 senza assumere la verità dell’ipotesi — cui Claude ha combinato un paper di Bombieri del 2000; la combinazione consente di superare il precedente stato dell’arte. Claude era scettico sulla propria capacità di produrre risultati originali — forse, scrive Anthropic, perché «ha appreso durante il training della difficoltà dei problemi aperti in matematica e dei limiti dei modelli AI». La stessa sessione aveva già prodotto, in una nota a piè di pagina, una confutazione della congettura Jacobiana.
Evan Osnos — corrispondente del New Yorker, già quattro anni a Pechino — torna in Cina e raccoglie le voci che contano: Kai-Fu Lee (01.AI), lo scienziato Yi Rao (Peking University), ingegneri dell’AI, un agente immobiliare divorziato che non guadagna una commissione da quattro mesi, un fattorino che ha trasformato venti mesi di lavoro in un memoir bestseller, un indovino settantenne con altare e tariffe WeChat. Il risultato è il resoconto più completo disponibile sulla competizione tecnologica USA-Cina e sul tipo di mondo che ne uscirà. Il quadro che emerge ha tre livelli. Il primo è il vantaggio concreto: la Cina produce il 70% dei droni, veicoli elettrici, batterie al litio e celle solari mondiali; nel 2023 ha installato più solare di quanto gli USA ne abbiano installato in tutta la loro storia; ha scavalcato gli USA nei paper scientifici citati e nei trial clinici. Trump ha accelerato tutto questo — tagliando i fondi alla ricerca e attivando la «China Initiative» che ha allontanato migliaia di scienziati di origine cinese. Yi Rao è esplicito: «Se Trump avesse mantenuto l’ordine in modo efficace, per la Cina sarebbe stato molto difficile. Trump ci ha davvero aiutato». Il secondo livello è la contraddizione strutturale: la Cina ha bisogno di dinamismo imprenditoriale ma il Partito non può rinunciare al controllo — la «birdcage economy», abbastanza ariosa da far prosperare le imprese ma non così tanto da sacrificare il potere. A marzo i fondatori dell’AI startup Manus sono stati bloccati all’aeroporto mentre stavano per chiudere una vendita a Meta per due miliardi di dollari. Il messaggio: alcuni esseri umani sono troppo preziosi per essere lasciati andare. Il terzo livello è il vero scenario: il successore dell’ordine americano non sarà un ordine cinese. Mark Leonard (ECFR) parla di «un-order» — una giungla in cui ogni paese si arma, sussidizza, accumula e cerca chokepoint. Rush Doshi (Georgetown) cita il pattern storico: mentre la Russia fissava l’Eurasia, l’Inghilterra sviluppava la macchina a vapore; mentre l’Europa combatteva per l’Africa, gli americani padroneggiavano la catena di montaggio; oggi, mentre gli USA cercano di governare il Venezuela e punire Iran e Cuba, la Cina si concentra sulle tecnologie del futuro. La debolezza strutturale cinese più sottovalutata non è tecnologica ma demografica: il tasso di fertilità è sceso a un figlio per donna. Osnos descrive la politica del figlio unico come il caso storico perfetto di paradigma tecnocratico applicato alla governance: gli ingegneri che avevano progettato i razzi spaziali calcolarono la traiettoria demografica «corretta» estrapolando dati incompleti fino a due decimali con falsa precisione, rinchiudendo tutto in una scatola nera etichettata «scienza», ignorando le variabili umane che i sociologi cercavano di segnalare. Il risultato: meno di otto milioni di nascite nel 2025, il minimo storico. I giovani cinesi, interrogati su perché non facciano figli, chiedono a loro volta perché qualcuno dovrebbe volerli: il futuro «sembra incerto e non degno di investimento». La scena conclusiva appartiene all’indovino settantenne che lavora in nero vicino a un tempio buddista, accetta WeChat, e risponde alla domanda di Osnos su come crescere bene i figli: «Dagli grande saggezza — è più importante del denaro». Nessuno sa più la risposta, osserva Osnos. Ma il veggente era più onesto dei CEO e dei politici che aveva incontrato.
Prima intervista estesa di Musk dopo la quotazione di SpaceX, registrata al Gigafactory del Texas con la direttrice del settimanale Zanny Minton Beddoes. Il frame centrale è quello dell’abbondanza: l’AI produrrà ‘an age of amazing abundance where anyone can have anything they can think of’ — una visione che presuppone l’assenza di catastrofi globali ed esclude strutturalmente i costi di transizione. Beddoes interroga Musk su China, Starlink e Ucraina, il ritiro parziale dalla politica (‘got a little too involved’), l’AfD e la presenza di neonazisti nel partito. Su quest’ultimo punto l’intervista si inceppa: la direttrice insiste, Musk non risponde. Quel che emerge — al netto delle questioni su quanto sia recitazione e quanto reale, e di quelle, più difficili, sulla salute psichica — è una figura capace di una straordinaria abilità tecnica nell’hackerare i contesti in cui si muove, trovare leve, portare risultati: SpaceX, Tesla, X sono imprese concrete. Associata a una cecità totale — e, sembra, un disinteresse altrettanto totale — verso qualsiasi big picture che non sia preconfezionata: accelerazionismo, doomsday AI, abbondanza universale. Framework che hanno in comune la struttura del mito tecnico, non dell’analisi. Musk è probabilmente il più grande sponsor vivente degli studi umanistici: nessun professore di filosofia potrebbe dimostrare meglio di lui cosa succede quando l’intelligenza tecnica opera senza comprensione del contesto.
Ben Thompson — Stratechery — usa la dinamica dei mercati commodity per smontare il panico da Kimi K3, il modello open weight di Moonshot AI che ha agitato X nel weekend in cui Alibaba ha rilasciato anche Qwen3.8 Max. La tesi: i frontier lab americani stanno benissimo, perché in un mercato commodity vince chi ha il costo marginale più basso — e Anthropic e OpenAI, avendo servito modelli di frontiera per mesi prima di chiunque altro, hanno già ottimizzato il costo di inferenza come nessun concorrente riesce a fare.
La distinzione critica è tra R&D e COGS. I modelli open weight risparmiano i costi di ricerca (fixed), ma non i costi di serving (variabili). Kimi K3 sembra più economico per token, ma usa molti più token per arrivare alla stessa risposta: il costo per unità di intelligenza — che Thompson identifica come la vera commodity — può risultare più alto. Il token non è fungibile; l’output corretto sì.
La mossa cinese è letta con la categoria giusta: commoditize your complements. La Cina è forte nel mondo fisico — robotica, manifattura, logistica — e un’AI aperta e disponibile a tutti le dà un vantaggio strutturale in quei settori. Xi Jinping ha ribadito la scelta open source in un discorso la settimana scorsa. Pubblicare i pesi è geopolitica, non generosità.
Il passaggio più insolito riguarda la distillazione: i modelli cinesi migliorano usando i frontier model americani come teacher per il reinforcement learning. Thompson propone di rispondere non perseguendola ma legalizzandola — fair use per i dati di training, distillazione libera per le aziende americane — così i modelli open source occidentali possono usare i modelli di frontiera direttamente, invece di passare per Pechino con un giro in più.
Il caso finale chiude il cerchio: durante un breach dell’infrastruttura di Hugging Face, il team di sicurezza ha dovuto ricorrere al modello cinese GLM perché i modelli americani di frontiera erano bloccati dai guardrail per uso cybersecurity, per direttiva dell’amministrazione Trump. I difensori americani si affidano a modelli cinesi per proteggere infrastrutture americane. Thompson lo chiama «insane». Ha ragione.
Claire Stapleton arriva a Google nel 2007 nel reparto comunicazione e costruisce in pochi anni la «voce di Google»: le email settimanali del TGIF diventano folklore e fan fiction aziendale, «metà liturgia metà parodia». È un caso esemplare del livello «politico» del marketing — la produzione di senso e identità — che trasforma ogni aggiornamento di prodotto in «esperimento epistemologico» e ogni executive in «profeta». Il gap tra retorica e realtà comincia a diventare intollerabile con Google+, progetto difensivo presentato come visione, e con l’uccisione di Google Reader — «l’unica cosa davvero sociale che Google avesse mai costruito». A YouTube scopre l’altra faccia dello stesso meccanismo: l’algoritmo ha già sostituito la curatela editoriale umana, e il suo ruolo di «curation strategy manager» è in gran parte ornamentale. Nel 2018, quando il New York Times rivela che Google aveva coperto Andy Rubin con novanta milioni di dollari di buonuscita nonostante una denuncia credibile di molestie sessuali, Stapleton usa ogni competenza acquisita in un decennio per organizzare il Google Walkout: comunicati, coordinamento con la stampa, coaching dei portavoce. E qui il pezzo raggiunge il suo momento più acuto: «At YouTube, we were always trying to manufacture moments like this — with sprawling brand campaigns, enormous budgets, and a labyrinth of agencies all straining to make something trend, break through, go viral. We almost never pulled it off. And now here it was, unfolding organically.» La risposta aziendale è quella che Stapleton chiama «P.R. jujitsu»: Sundar Pichai assorbe il linguaggio del dissenso per neutralizzarlo («We had Googlers do what Googlers do well»); la manager le svuota il ruolo dall’oggi al domani; l’HR le suggerisce di invitare la manager per un caffè e di sfruttare le risorse aziendali di mindfulness. Il pezzo si chiude sulle pubblicità AI di Google — procioni sugli skateboard, telefoni che diventano coni gelato, musica alla Wes Anderson — la stessa macchina di produzione della simpatia ora al servizio dell’adozione dell’AI. «Before it was rebranded as Gemini, Google’s A.I. chatbot was called Bard.»
Francesco Tarchetti — Substack «non ho capito» — riprende la tradizione dell’ecologia dei media fondata da Neil Postman nel 1968 per fare una cosa semplice ma necessaria: ricordare agli editori e ai produttori culturali che il digitale non è un canale di distribuzione neutro ma un ambiente che determina quali contenuti possono esistere e in che forma. Non McLuhan scomodato a caso: Tarchetti usa Meyrowitz per un esempio concreto che vale più di mille definizioni. La televisione degli anni Cinquanta era patriarcale nei contenuti, ma aveva una caratteristica tecnica decisiva: non segmentava il pubblico. Chiunque accendesse il televisore poteva vedere tutto. Le donne hanno visto gli uomini sbagliare, tradire, arrangiarsi — e hanno cominciato a chiedersi perché a loro fosse richiesta una virtù che agli uomini non era chiesta. Il medium patriarcale ha prodotto, per via tecnica e suo malgrado, le premesse per la diffusione di una coscienza femminista allargata. L’ambiente genera effetti che i contenuti non avrebbero mai previsto né autorizzato. Entra nel sito per due ragioni. La prima è tecnica: la tesi si applica direttamente all’AI come ambiente, non solo alle piattaforme social — il punto di Postman vale anche per un LLM che decide quali contenuti esistono, in quale forma, con quale lunghezza e registro. La seconda è editoriale: il discorso pubblico italiano su questi temi è, come Tarchetti nota con la consueta grazia, Cro-Magnon. La citazione di McLuhan con cui chiude è il miglior antidoto disponibile all’idea del digitale come strumento neutro: «Quando si opera nella società con una nuova tecnologia non è l’area incisa che viene maggiormente toccata. La zona dell’urto e dell’incisione è intorpidita. Quello che cambia è l’intero sistema.»
Tre ore e venti di Andrej Karpathy che ricostruisce dall’inizio come funzionano davvero i modelli linguistici: dai dati di pretraining sul web fino al reinforcement learning da feedback umano, passando per tokenizzazione, architettura transformer, fine-tuning supervisionato, DeepSeek-R1. È la risorsa di riferimento per chi vuole capire la catena causale che produce quello che vediamo sullo schermo, senza fermarsi alla superficie — e Karpathy ha il vantaggio di averla costruita, quella catena: founding member di OpenAI, poi responsabile dell’AI di Tesla fino al 2022. Due osservazioni che vale la pena portarsi dietro. La prima: i modelli hanno bisogno di token per pensare — il ragionamento emerge nell’atto della generazione, non prima, il che ha conseguenze pratiche dirette su come interrogarli. La seconda è quella che Karpathy chiama jagged intelligence: i modelli eccellono dove ci aspettiamo difficoltà e falliscono dove ci aspettiamo semplicità. In termini concreti: un LLM può supportare un team di ricercatori di biologia molecolare meglio di quanto ci aspetteremmo, e, se avesse una fronte, non riuscirebbe a grattarsi un sopracciglio — che è peraltro, non a caso, il tipo di problema che i filosofi analitici hanno sempre usato come esempio di azione elementare. Qualsiasi gerarchia lineare di capacità, in questo contesto, è inutile. Il video entra nel sito come riferimento tecnico fondamentale: non si scrive di AI con una qualche pretesa di rigore senza averlo guardato almeno una volta.
Werner Vogels, CTO di Amazon, racconta il caso Quick Desktop — un prototipo costruito in una notte da Thomas Delteil con un coding agent, che nel giro di settimane è diventato un prodotto usato da centinaia di migliaia di persone — per aggiornare il metodo Amazon «working backwards»: non più press release poi prototipo, ma prototipo poi press release. L’argomento è chiaro: quando costruire un prototipo costa una sera anziché mesi, l’ordine logico cambia. «You will learn more in one evening of building than in two weeks of writing about what you think will happen.» Il documento che scrivi dopo aver costruito è strutturalmente migliore di quello che avresti scritto prima, perché non descrive un’idea ma qualcosa che esiste ed è stato testato. La «two-pizza culture» — team piccoli, ownership totale, decisioni reversibili senza chiedere permesso — non è una nostalgia: è il sistema immunitario contro l’entropia organizzativa che cresce con la scala. Il pezzo dialoga con Ottaviani già in archivio (vibe coding come acceleratore del processo creativo) aggiungendo la dimensione manageriale: cosa cambia nell’organizzazione del lavoro quando il tempo tra idea e prototipo collassa.
Gianluca Diegoli parte da un’osservazione all’apparenza banale e invece strutturale: YouTube sta reinventando il rotocalco pomeridiano. I podcast video lunghi — Tintoria, BSMT, Pulp, tutti oltre le due ore — rispondono allo stesso bisogno di «mezza attenzione» che per decenni ha riempito il sottofondo della tv lineare: stiratura, piatti, pisolino, l’animale domestico sonoro che racconta storie «perdibili» mentre fai altro. Il libretto d’istruzioni è identico a Pomeriggio Cinque: ospite famoso, conduttore che annuisce, pubblicità letta in voce, rotazione degli ospiti tra un programma e l’altro. Ma il pubblico è l’esatto complementare demografico del pomeriggio Rai: 39% under 35, 28% laureati. Sullo sfondo, Katherine Hayles e il suo concetto di iperattenzione — la mente che salta da notifica a notifica, adattamento a un ambiente che vuole sempre pronti al prossimo stimolo — come contesto culturale che rende il podcast fiume non un’anomalia ma un antidoto. L’analisi dei costi e ricavi è tra le più chiare disponibili sul formato: tabellare YouTube (5-10€/1000 views, metà alla piattaforma), sponsorizzazioni a forfait, link affiliati; costi fissi minimi; ospiti gratuiti perché hanno qualcosa da promuovere. Il pezzo entra nel sito come cartografia del mercato dell’attenzione: non come fenomeno di costume, ma come struttura economica che replica ciò che la tv aveva inventato con un’economia diversa e un pubblico opposto.
David Brooks parte dalla domanda sbagliata — l’AI ci toglierà il lavoro? — per arrivare a quella giusta: che relazione hai con lo sforzo mentale? La ricerca che cita rovescia l’assunto: chi adotta l’AI lavora di più, non di meno (ore su email e chat raddoppiate, lavoro focalizzato giù del 9% — c’è già un nome per questo stato mentale: «AI brain fry»). Il principio guida che propone: «When intelligence is plentiful, volition is valuable.» La discriminante non è quanto sei intelligente ma il tuo need for cognition — l’attitudine psicologica ad affrontare la difficoltà cognitiva come intrinsecamente piacevole. Da qui la tassonomia in tre gruppi: i Productive Passengers (bassa NFC) che guadagnano produttività a breve ma perdono capacità — connettività cerebrale giù del 55%, onde gamma giù del 40%, e dopo dieci minuti di assistenza AI le performance calano anche senza AI; i Reluctant Optimizers (media NFC) che conoscono il rischio, resistono per un po’, poi cedono all’optimization mentality e al «cognitive surrender» — accettano gli errori del bot l’80% delle volte; i Mental Marathoners (alta NFC) che usano l’AI per aumentare la propria agency e trovano tecniche per farlo meglio. Il dato più utile per noi: cognitive surrender è la forma comportamentale del deficit di capitale semantico — chi non ha già costruito una propria worldview non sa riconoscere quando il bot sbaglia. La conclusione finale richiama in parte quella di «La differenza fra Claude e le mie gatte» (che Brooks, ahimè, sicuramente non ha letto): l’AI rivela per sottrazione cosa significa essere umani. Non è l’intelligenza, che le macchine avranno in abbondanza, ma la capacità di desiderare: avere un sé con un passato e un futuro, pulsioni e aspirazioni, una storia particolare di ferite e gioie.
Il primo modello bottom-up e de-duplicato della domanda AI — non dell’offerta, che è già documentata dalle trimestrali dei grandi hardware supplier. Azeem Azhar e il team di Exponential View hanno ricostruito voce per voce il P&L dell’intera filiera (consumer, enterprise, hyperscaler) rimuovendo i double-counting: se un dollaro speso con Anthropic implica 50 cent pagati ad Amazon, si conta un dollaro, non uno e mezzo. Il risultato: 110 miliardi di ricavi negli ultimi 12 mesi, run rate annualizzato di 175 miliardi, crescita tre volte più rapida dell’onda mobile e di Internet. La notizia meno celebrata è la più importante: i ricavi coprono appena l’ammortamento delle infrastrutture. Non male, ma il margine è sottile e dipende da un’assunzione di vita utile dei GPU di sei anni — difendibile, non scontata. La parte metodologicamente più interessante riguarda l’elasticità della domanda: ogni riduzione del 10% del prezzo dei token genera un aumento del 12-18% nell’utilizzo, così la spesa totale cresce anche quando il prezzo cala. Il che sposta la domanda dall’economics al problema della qualità: il token non è ancora un’unità di misura del valore dell’intelligenza. Il report introduce il concetto di «quality-adjusted output token» — che combina quantità, visibilità dell’output e capacità del modello sottostante — come tentativo di dare una metrica più onesta all’economia dell’AI. Entra nel sito come documento di riferimento empirico sull’economia reale, da contrapporre al rumore narrativo dominante.
Il dato di apertura vale da solo: negli USA i laureati in filosofia hanno un tasso di disoccupazione del 5,1%, contro il 7% di chi ha studiato informatica — l’inversione che Floridi descrive come «haemorrhaging» dai dipartimenti di filosofia verso le AI labs. The Economist usa questa inversione per mappare come la filosofia stia diventando infrastruttura tecnica, non decorazione etica. Il punto più utile per il sito è la distinzione tra i due framework che strutturano le scelte: la deontologia — regole fisse, indipendenti dalle conseguenze, il modello di Anthropic con la sua costituzione di 78 pagine curata da Amanda Askell (Kant + UDHR + ToS di Apple, soprannominata internamente «soul doc») — e il consequenzialismo — pesi e benefici calcolati caso per caso, il modello di OpenAI e Google, e quello dei sistemi d’arma autonomi che devono decidere il modo meno tragico di causare danno. Sullo sfondo il rischio più interessante: il «moral deskilling» — se le macchine fanno sempre più scelte etiche, gli esseri umani potrebbero perdere la capacità di farle. Entra nel sito come controcanto interno alle labs del pezzo di Boccia Artieri: non chi controlla l’AI dall’esterno, ma quali principi vengono costruiti dentro.
Ken Harbaugh ricostruisce dall’interno la rete di resistenza ucraina nei territori occupati: una struttura che dall’aperto — bandiere, canzoni, girasoli — si è trasformata in intelligence clandestina con handler, agenti sotto copertura e protocolli da manuale. Il cuore del pezzo è operativo: honeytraps, telefoni puliti contrabbandati, manuali CIA sulla guerra fredda che circolano in copie fisiche consumate — i dettagli tecnici su come comunicare sotto occupazione sono tra i più precisi mai pubblicati su una resistenza attiva. La tesi più forte è però sociale: le donne sono la spina dorsale della rete. Sfruttano i pregiudizi degli occupanti — che non immaginano combattenti in una nonna con le borse della spesa davanti alle caserme — e diventano il primo anello della kill chain. L’articolo introduce il termine ucraino vidma, spesso tradotto “strega” ma dalla radice vidate, “conoscere”: le vidma erano sagge, riconoscevano i segreti dell’ambiente, non venivano bruciate per questo. La campagna di droni che alimentano è il motore militare della resistenza. Il pezzo entra nel sito perché aggiunge carne alla serie sulle ombre: la resistenza come pratica del long game, dell’identità tenuta sotto pressione massima, dell’intelligence come forma di sopravvivenza civile.
Andrea Nelson Mauro prende tutti i Digital News Report del Reuters Institute (2021–2026) e li lavora longitudinalmente sulla sola sezione italiana — con dati e codice pubblici su GitHub. È tra le analisi più complete disponibili sull’informazione in Italia negli ultimi sei anni. La cifra chiave è la fiducia: scesa dal 40% al 32%, sotto la media globale del 37%. Ma il cambiamento qualitativo che il rapporto 2026 registra è quello più preoccupante: non si sfiducia più questo o quel brand percepito come schierato, si sfiducia il sistema nel suo complesso. La sfiducia sistemica è strutturalmente più difficile da invertire. Intorno a questa cifra: la stampa cartacea quasi dimezzata in cinque anni (18% → 11% di reach settimanale), le piattaforme che assorbono l’85% dei ricavi pubblicitari digitali, il 36% degli italiani che evita le notizie spesso o a volte — non per indifferenza ma come risposta all’ansia e alla sfiducia. E tre sorprese: Twitter/X scomparso dalla top 6 dei social per le notizie; Instagram più che raddoppiata (15% → 31%); un rimbalzo dell’uso dei social nel 2026 (+6pp) che inverte cinque anni di declino, probabilmente legato al referendum costituzionale di marzo. Sul fronte proprietà: GEDI, due cambi di mano in cinque anni, ora in mani greche (Antenna) — la storia di un editore che risponde alla crisi strutturale con dismissioni, pivot social e concentrazione sulle testate di punta. Il pezzo entra nel sito come cartografia empirica del sistema mediatico italiano: dati rari, metodologia trasparente, fonte verificabile.
Giovanni Boccia Artieri usa Magnifica Humanitas — l’enciclica di Leone XIV firmata nel 135° anniversario della Rerum Novarum — come leva per spostare il discorso sull’AI dal piano morale al piano politico-strutturale. Il punto più interessante non è il documento in sé ma il problema che Boccia Artieri gli pone: ogni appello all’umanesimo dell’AI rischia di restare astratto se non si confronta con le infrastrutture che concentrano dati, modelli e potere decisionale. L’immagine dei dati come «nuove terre rare del potere» è la più efficace: l’AI non è tecnologia immateriale, è economia dell’estrazione — vite rese computabili, relazioni trasformate in risorse predittive, archivi culturali assorbiti in modelli proprietari senza restituzione. La privacy individuale è necessaria ma non sufficiente: la dimensione collettiva dell’estrazione richiede una risposta diversa — infrastrutture pubbliche, dataset come beni comuni, forme cooperative di produzione tecnologica. Il pezzo si chiude con una domanda che vale come bussola: non «l’AI è buona o cattiva?» ma «chi la rende possibile, chi ne trae valore, chi ne sopporta i costi, chi può contestarla?». Una grammatica politica dell’AI, non un appello morale.
Le avventure grafiche sono il comparto videoludico che mi aveva fatto amare il PC da bambino: storie che richiedevano pensiero laterale, scrittura che valeva quanto la grafica, un formato dove lo schermo era ancora uno spazio narrativo, non balistico. Marco Machera — Link — ricostruisce la storia del genere con la precisione di chi conosce i testi e li ama: dalle avventure testuali di Colossal Cave (1976) fino ai walking simulator contemporanei, passando per l’età dell’oro LucasArts-Sierra che ha prodotto Monkey Island, Day of the Tentacle, Gabriel Knight, Broken Sword.
Il filo rosso è la relazione tra creatività e tecnologia. L’avventura grafica era il formato in cui la scrittura — i dialoghi di Ron Gilbert, gli enigmi di Tim Schafer — era la vera infrastruttura competitiva. Non la potenza grafica, che è arrivata ad ammazzarla: a metà degli anni Novanta la rivoluzione del 3D e l’arrivo delle schede dedicate hanno spostato il mercato verso un modello capital-intensive che il punta e clicca non poteva reggere. È stato l’ultimo grande momento videoludico relativamente indie, prima che l’industria diventasse quella cosa da centinaia di miliardi che per decadi ha sorpassato Hollywood in ricavi — e che forse, adesso, comincia a cedere terreno.
Il genere è sopravvissuto come nicchia vivace: studi piccoli, crowdfunding, pixel art recuperata non per nostalgia vuota ma — nel caso migliore, quello di Gilbert con Thimbleweed Park (2017) — come linguaggio consapevole. E si è biforcato: da un lato il punta e clicca classico; dall’altro la narrativa interattiva pura (Heavy Rain, Life is Strange, i walking simulator), che ha preso la componente della storia e lasciato perdere gli enigmi.
Entra nel sito perché l’avventura grafica è un caso esemplare di formato culturale stroncato dalla rottura tecnologica e ricostituito altrove: vale come strumento per pensare cosa succede alla creatività quando il mercato si orienta verso la spettacolarità computazionale.
Il videoclip nasce negli anni Ottanta come leva di vendita del disco fisico: Madonna, Michael Jackson, Bowie costruiscono identità di brand attraverso produzioni cinematografiche con budget milionari — 7 milioni per Scream di MJ e Janet Jackson, 5 per Express Yourself di Madonna diretta da David Fincher. Negli anni Novanta emergono i registi-firma — Michel Gondry, Spike Jonze, Jonathan Glazer, Chris Cunningham — che trasformano il videoclip in formato autoriale. Poi arriva YouTube, MTV si spegne, e il ritorno sull’investimento smette di essere garantito: nell’economia streaming la catena di causalità tra video, singolo e vendita del disco non esiste più. Il paradosso più chiaro è quello dei Maneskin: Beggin’, brano senza videoclip e senza promozione, spopola a quattro anni dalla pubblicazione grazie agli algoritmi; i singoli di Damiano David con video di lusso e campagne faraoniche non entrano in top 20. Nonostante questo, il videoclip sopravvive come strumento di personal branding — specialmente per gli artisti emergenti che devono costruire un’estetica riconoscibile. La risposta delle grandi star si divide: Beyoncé rinuncia ai videoclip per Renaissance e Cowboy Carter, scegliendo visualizer, docufilm e cortometraggi; altri (Shakira, Lady Gaga, Mariah Carey) continuano a investire in produzioni CGI che rischiano di essere scambiate per AI slop. Una terza via emerge dalla generazione più giovane: STORM di Yung Lean diretto da Romain Gavras, Drop Dead di Olivia Rodrigo firmato da Petra Collins, Rock Music di Charli XCX con Aidan Zamiri — tutti fondati sull’immagine fotografica, sull’estetica analogica e sul rifiuto consapevole dell’ipertecnologia. L’autore li legge come una posizione curatoriale: resistenza estetica all’immagine sintetica attraverso il ritorno alla densità del reale — corpi, ambienti riconoscibili, coreografie con gravità fisica.
Ross Douthat intervista Christian Brose, presidente di Anduril, per il suo podcast sul NYT. La tesi: l’esercito americano è stato costruito su assunzioni degli anni Novanta — guerre brevi, supremazia tecnologica garantita, nessuna pressione sulla filiera produttiva — e quelle assunzioni sono tutte false. L’Iran, con marina affondata e aviazione distrutta nell’Operation Epic Fury, è ancora in grado di minacciare lo Stretto di Hormuz con droni one-way; l’Ucraina è rimasta in combattimento quattro anni grazie a sistemi economici e riproducibili; la spesa in Tomahawk è triplicata, la produzione è cresciuta del 14-23%. Anduril risponde con un modello VC-funded che combina hardware (jet autonomo CCA, sistema anti-drone Pulsar) e software (Lattice, controllo autonomo sul campo). La parte più rilevante per noi è quella etica: la normativa del Pentagono non proibisce esplicitamente l’automazione della kill chain, e Brose ammette che in conflitti protratti ci si avvicina a sistemi che «vanno finché trovano qualcosa da colpire». Sul rifiuto di Anthropic di lavorare con il Pentagono: «where Anthropic went wrong» — o ti fidi del governo eletto, o esci dal business. È la tesi esattamente opposta a quella di Amodei.
Jill Lepore — The New Yorker — commenta l’enciclica Magnifica Humanitas di Leo XIV (il primo Papa americano) come evento storico: Leo XIII nel 1891 aveva indirizzato Rerum Novarum contro i baroni industriali dell’era fordista; Leo XIV ha firmato la sua enciclica esattamente 135 anni dopo, sullo stesso giorno, contro i tech mogul. La struttura è la stessa — la Dottrina Sociale della Chiesa come quadro, la critica all’accumulo di potere economico come risposta alla rivoluzione tecnologica in corso — ma la mossa più acuta di Lepore non è nella filologia cattolica bensì nell’analisi del linguaggio: Silicon Valley usa da decenni il vocabolario religioso — missione, salvezza, «nuova era per l’umanità» — e il Papa entra in campo rivendicando semplicemente la paternità di quelle parole. I TED talk come omelie, le piattaforme come chiese, le hoodie come paramenti: Lepore descrive una sostituzione culturale sistematica che Leo XIV ha nominato senza pudore. La tesi centrale dell’enciclica, sintetizzata da Lepore: il problema non è la tecnologia, è l’antropologia. L’AI «non ha esperienze, non possiede un corpo, non prova gioia o dolore, non matura attraverso le relazioni» — argomento che il sito conosce bene sotto il nome di embodied mind applicata alla governance. Il «paradigma tecnocratico» (termine già in Laudato Si’ di Francesco, 2015) è la tendenza a lasciare che logica di efficienza, controllo e profitto orientino ogni decisione personale, sociale, economica. «Disarmare l’AI» — il verbo scelto dall’enciclica — non significa rifiutarla ma liberarla dal controllo monopolistico e restituirla alla pluralità delle culture umane. Lepore inscrive tutto in una genealogia critica: Arendt nel 1957 in The Human Condition si chiedeva già se gli umani avrebbero presto avuto bisogno di macchine per pensare e parlare; Mumford nel 1967 avvertiva del rischio di un «animale condizionato dalla macchina». Il Papa è la prima autorità spirituale a dirlo, potendo contare sul sostegno simbolico di almeno un quinto della popolazione mondiale. Magnifica Humanitas è descritta da Lepore come l’analogo religioso della Claude’s Constitution: non a caso Christopher Olah di Anthropic era sul palco accanto a Leo alla presentazione in Vaticano.
Ross Douthat intervista Kyle Chan del Brookings Institution mentre Trump e Xi si incontrano a Pechino. La cornice della “gara” è fuorviante: i due paesi corrono gare diverse. Gli USA puntano all’AGI — l’intelligenza artificiale generale, la «macchina-dio» — con Anthropic e OpenAI ormai vicine ai mille miliardi di valutazione ciascuna. La Cina punta all’efficienza, alla diffusione capillare, all’open source, alle applicazioni fisiche (robot nelle fabbriche, nelle strade, nei ristoranti) — e lo fa con un vantaggio strutturale: un piano energetico da rinnovabili che alimenta i data center nelle province occidentali e una pressione demografica che rende l’automazione non un’opzione ma una necessità (forza lavoro in calo da oltre un decennio, 12 milioni di nuovi laureati all’anno, nessuno vuole lavorare in fabbrica). Il punto più interessante è nel titolo: «China’s Not the Problem. We Are.» Gli export control sui chip Nvidia tagliano la Cina dalla supply chain TSMC/ASML ma non fermano la corsa — la costringono all’efficienza, che è esattamente il suo punto di forza. Il vero ostacolo americano è interno. Specchio del mood pubblico: in Cina l’ansia diffusa è per chi non usa abbastanza l’AI e rischia di restare indietro; negli USA è per chi la usa e teme le conseguenze.
Ezra Klein intervista Alex Bores, membro dell’Assemblea di New York che ha co-scritto il RAISE Act, una delle prime leggi di regolamentazione dell’AI approvata da uno stato americano. Il pezzo parte da un paradosso: il super PAC «Leading the Future» — finanziato tra gli altri da co-fondatori di OpenAI e Palantir — sta cercando di distruggerlo politicamente attaccandolo per aver lavorato a Palantir. Bores non è un candidato anti-AI: è un ex data scientist che ha lasciato l’azienda nel 2019 quando i dirigenti si rifiutarono di inserire nel contratto con ICE i guardrail per impedire l’uso del software nelle deportazioni. Il punto che interessa al sito è strutturale: le aziende AI stanno usando la loro capacità di spesa politica per rendere impossibile qualsiasi forma di oversight democratico. Sam Altman dice che «il processo democratico deve essere più potente delle aziende»; il suo co-fondatore Greg Brockman finanzia il PAC che fa esattamente l’opposto. Il pezzo aggiunge al quadro già costruito sul sito intorno ad Anthropic, Palantir, allineamento AI e dual use la dimensione della governance politica come terreno di conflitto reale, non solo teorico.
Casey Newton usa Claude Code per costruire strumenti al servizio della propria scrittura: un sito, un database semantico di 818 puntate di Platformer interrogabile attraverso il linguaggio naturale. La tesi più acuta: se ChatGPT ha svegliato le persone sulla capacità dei LLM di generare testi, il Claude Code le sta svegliando sulla capacità di generare strumenti. Il caso più interessante è il database dell’archivio personale di Newton: non è il caso dell’AI che scrive al posto suo, ma è l’AI che gli restituisce accesso alla propria conoscenza accumulata — una sorta di forma attualizzata del capitale semantico. Si torna alla disputa sugli universali, per certi versi: ma Newton probabilmente lo ignora.
Kirchenbauer et al. dell’Università del Maryland propongono un framework di watermarking per i Large Language Model: prima di generare ogni token, il modello partiziona il vocabolario in una lista ‘verde’ e una ‘rossa’ usando un hash pseudocasuale del token precedente, poi favorisce leggermente i token verdi in fase di campionamento. Il risultato è un segnale statisticamente rilevabile — tramite un semplice z-test — anche da brevi frammenti di testo, senza accesso ai parametri del modello. La soglia z=4 produce un tasso di falsi positivi di 3×10⁻⁵: praticamente nullo. La detection funziona su segmenti di 16+ token; è robusta contro piccole alterazioni; la rimozione richiede modificare una frazione significativa dei token, degradando la qualità del testo. La proposta è tecnicamente elegante. Ha un problema a monte: funziona solo se i produttori del modello la implementano al momento della generazione — ed è sostanzialmente inutile contro testo già generato senza watermark. A tre anni dalla pubblicazione, nessun modello mainstream ha implementato watermarking in produzione su scala. I tool di rilevamento disponibili (Turnitin, GPTZero, Copyleaks) non usano questo approccio: si basano su pattern statistici di bassa affidabilità, con tassi di falsi positivi che li rendono inutilizzabili come standard probatorio. Il paper è il riferimento tecnico più citato sul watermarking degli LLM ed è anche la dimostrazione più chiara di perché il problema del rilevamento sia ancora strutturalmente irrisolto — e di perché abbia senso costruirsi un sistema di certificazione proprio.