La xAI di Musk in trattative con la saudita Humain per un accordo sui data center
La startup xAI di Elon Musk è impegnata in colloqui preliminari con l’azienda saudita Humain per affittare capacità nei futuri data center della regione, con l’obiettivo di ampliare la propria infrastruttura sfruttando energia a basso costo e favore politico.
Due opzioni sono attualmente sul tavolo: un imponente progetto multiplo di gigawatt proposto da Humain, ancora in fase iniziale, e un impianto da 200 megawatt in costruzione che offrirebbe disponibilità a breve termine.
In entrambi i casi, xAI non possederebbe i centri dati ma ne affitterebbe la capacità per alimentare i propri modelli AI, tra cui Grok, chatbot di punta dell’azienda.
<!-- ARUBA - 300x250 -->
Mentre Humain è finanziata dal Public Investment Fund saudita, la sua infrastruttura è ancora sulla carta. L’alternativa, sebbene più modesta, risulterebbe operativa in tempi molto più rapidi. Secondo fonti interne, la guida tecnica del progetto saudita è affidata a Jeff Thomas, mentre le trattative commerciali sono gestite da Saeed Al-Dobas.
Questi movimenti si inseriscono in un più ampio piano geopolitico, con il principe Alwaleed bin Talal già coinvolto in investimenti nel venture di Musk. Il contesto operativo di xAI mostra un’espansione internazionale sempre più decisa.
Oltre all’Arabia Saudita, sono in valutazione accordi simili negli Emirati Arabi Uniti, in particolare con l’azienda G42 di Abu Dhabi, e persino in alcune nazioni africane.
La recente chiusura di un round di finanziamento da 10 miliardi di dollari – metà in equity e metà in debito – rafforza la capacità operativa di xAI, che ha già realizzato una struttura supercomputazionale a Memphis e sta pianificando un secondo hub.
Le trattative sono guidate da Ross Nordeen, membro fondatore di xAI ed ex Tesla, con un ruolo strategico paragonabile a quello che fu di Omead Afshar nei progetti precedenti di Musk.
Amazon AWS pronta a tagliare centinaia di posti di lavoro
Amazon ha avviato un’importante operazione di ridimensionamento all’interno della sua divisione AWS (Amazon Web Services), licenziando centinaia di dipendenti in diverse aree operative. Le fonti interne, rimaste anonime, hanno indicato che i tagli hanno colpito sia il personale tecnico sia quello di supporto, con l’obiettivo dichiarato di ristrutturare le attività e rendere la divisione cloud più snella ed efficiente in un contesto di forte concorrenza e di pressione sui costi.
Nonostante AWS resti una delle unità più redditizie del colosso di Seattle, la crescente sfida posta da rivali come Microsoft Azure e Google Cloud ha spinto Amazon a una revisione critica delle sue risorse.
I tagli sembrano anche riflettere un cambio di strategia nel bilanciamento tra automazione e forza lavoro umana, specialmente dopo l’introduzione di nuove soluzioni AI nel portafoglio servizi AWS. Secondo alcuni analisti, la mossa è finalizzata a riallocare investimenti verso aree ad alta priorità come l’AI generativa e l’ottimizzazione dei data center, in risposta alle mutate esigenze del mercato enterprise. L’azienda non ha rilasciato una dichiarazione ufficiale dettagliata, limitandosi a confermare che si tratta di decisioni difficili ma necessarie per sostenere la crescita futura. I
dipendenti colpiti riceveranno pacchetti di uscita e supporto per la ricollocazione. La notizia arriva in un periodo in cui diversi giganti tecnologici stanno riducendo la forza lavoro per contenere i costi e ristrutturare l’organizzazione interna, suggerendo che si stia delineando un nuovo ciclo di razionalizzazione nel settore tech a livello globale.
AI, consumi energetici fuori controllo. Quale prezzo stiamo pagando?
L’uso dell’AIG (Intelligenza Artificiale Generativa) è nel quotidiano e le piattaforme ne fanno già largo uso avendolo a disposizione nei nostri cellulari sia per servizi online banali o complessi nelle forme spesso di chat-bot o agenti intelligenti inclusi come funzioni predefinite nei sistemi operativi, nelle applicazioni web e nei software (da Google a Microsoft ad Apple o Meta, piuttosto che YouTube o TikTok). Onnipresenti le emoji stelline che ci perseguitano anche per utenti sempre più attratti da semplificazioni di molteplici operazioni (lavoro, consumo, intrattenimento, gioco).
Ma qual è il prezzo energetico (elettricità ed acqua) che stiamo pagando per questi “servizi” con l’uso di modelli linguistici di grandi dimensioni (LLM) per gestire montagne di Big Data per personalizzare proprio quei servizi per ognuno di noi? Lavorando con super algoritmi che macinano milioni di testi per ricombinazione e per risposte a miliardi di domande in frazioni di secondo di utenti esperti e – più spesso – non esperti.
Per tutto questo servono enormi quantità di elettricità e d’acqua necessari a questa scala computazionale di AIG da 100 a 1000 volte superiore alle elaborazioni standard (non AI) per l’addestramento continuo che gli algoritmi devono svolgere per superiori performance. Quindi l’equazione è più calcolo (per dimensione, velocità ed efficienza) ma quintuplicando emissioni di CO2 e consumi d’acqua.
<!-- ARUBA - 300x250 -->
Si stima infatti che il consumo totale energetico di Google (e filiera di fornitura) 2019-2023 sia raddoppiato e attribuibile al 40% alla corsa AI. Enorme la crescita dei fabbisogni energetici anche se (forse) ancora inferiori a settori come petrolio, edifici, trasporti, agricoltura presi nell’insieme, ma in crescita anche per enormi consumi d’acqua che è molto limitata per il consumo umano (solo il 3% l’acqua dolce utile sul totale dell’acqua disponibile con piogge sempre più rare).
Acqua per raffreddare i server dei Data Center (DC) è non solo enorme ma impiega poi mesi o anche un anno a rientrare sulla superficie terrestre essendo vaporizzata. Microsoft segnala che ci vorrà un decennio per diventare carbon negative (meno emissioni di quante se ne produca) e water positive (rigenerare risorse idriche) minimizzando i rifiuti (zero waste).
Inoltre, mostra con dati di UniCalTech che 2 e-mail scritte con l’ultimo LLM di chatGPT4 ha consumi di energia pari a quelli di una Toyota media in full electric per 1,6 km, mentre il consumo del precedente ChatGPT3 per compito simile pesava come una carica completa di iPhone11. Stime realistiche del consumo energetico dell’IA al 2030 segnalano una forbice con incrementi tra il 5% (ottimistico) a livello globale e il più pessimistico 10%, rischiosissimo.
Da qui la “retromarcia” di alcuni analisti per un ritorno al nucleare come risposta alla voracità energetica, ma con tempi troppo lunghi che non abbiamo. Tornare all’uso intensivo di fonti fossili come il carbone o il gas è irrealistico. L’energia è infatti solo il primo dei fattori fisici limite della corsa intensiva all’AI, perché il secondo è l’acqua la cui scarsità è ancora più rischiosa. Un esempio banale: ChatGpt4 per 10 risposte da 250 parole ha un fabbisogno di 2 litri d’acqua per raffreddare i server/DC.
Ma per una bistecca servono 20 mila l/H2O al 90% green water, cioè immessa nel primo ciclo eco-sistemico suolo-piovosità-piante, mentre la blue water è quella che è generata dal ciclo fiumi-laghi-falde acquifere e interconnessi dai processi di evaporazione. E’ quest’ultima fondamentale per dissetarci direttamente.
Necessario accelerare allora la transizione a rinnovabili e a sostenibilità anche con soluzioni transitorie come la compensazione di emissioni di CO2 riducendo impronte carbonica/idrica “comprando tempo”. Evidente, tuttavia, il Grande Conflitto tra contributo dell’AIG alla soluzione del cambiamento climatico (che le Big Tech ci “vendono”) e come leva che lo sta aumentando visto lo stress termico di rete a cui stiamo assistendo che – per es. – nei giorni scorsi ha bloccato per 24 ore l’accesso di milioni di persone a servizi banali di posta elettronica o di navigazione con blackout anche in Italia.
Servono risposte multifattoriali ed ecosistemiche: chip più piccoli, meno calcoli e logiche di apprendimento energy/water saving, più usi responsabili sui quali le Big Tech devono impegnarsi e in fretta per la sopravvivenza dei viventi riducendo i conflitti con comunità locali e cittadini.
Perché questo consumo energetico (elettricità/acqua) dei data center è in rapida crescita e da monitorare per esplorare soluzioni sostenibili al picco che sta per arrivare, ora o sarà tardi. Che ce ne facciamo di enormi incrementi di produttività se poi dobbiamo soffrire la sete, la fame o blocchi infrastrutturali?
Delta Air Lines, addio prezzo fisso dei biglietti. Sarà personalizzato per ciascun passeggero grazie l’AI
Delta Air Lines sta rivoluzionando il proprio sistema di determinazione dei prezzi dei voli grazie a una strategia fondata sull’uso dell’AI. Attualmente solo il 3% delle tariffe sono definite da algoritmi, ma entro fine anno la compagnia punta a far salire questa quota al 20%.
L’obiettivo finale è l’abolizione completa del prezzo fisso, sostituendolo con un prezzo personalizzato per ciascun passeggero, calcolato in tempo reale da un sistema AI fornito da Fetcherr, startup israeliana già partner di altre compagnie aeree.
Il sistema promette di operare come un ‘super analista’ attivo 24 ore su 24, valutando dinamicamente quanto un utente è disposto a pagare in base a fattori come tempi di prenotazione, cronologia, tipo di dispositivo usato e potere d’acquisto presunto.
<!-- ARUBA - 300x250 -->
Questo approccio rappresenta una svolta significativa rispetto alla tradizionale segmentazione tariffaria, ma solleva anche preoccupazioni di natura etica e legale. Alcuni osservatori lo definiscono ‘pricing predatorio’, accusando Delta di voler ‘hackerare il cervello’ dei passeggeri per massimizzare i profitti.
Sebbene la compagnia affermi che i prezzi restino conformi alla legge e basati su fattori legati al viaggio, mancano dettagli sulle garanzie adottate per evitare discriminazioni. Critici temono infatti che l’uso di indicatori come il CAP o i metodi di navigazione possa comportare trattamenti economici diseguali tra utenti di classi sociali differenti.
Mentre Delta celebra l’aumento dei ricavi unitari, i consumatori potrebbero trovarsi in un mercato dove la ‘giustizia tariffaria’ è solo un ricordo.
Nel lungo termine, si profila un sistema in cui per accedere a vantaggi bisognerà accettare completamente le logiche dell’ecosistema AI delle compagnie.
La startup AI di Mira Murati, Thinking Machines, raccoglie 2 miliardi in un round guidato da a16z
Thinking Machines Lab, la nuova startup di AI fondata dall’ex dirigente di OpenAI Mira Murati, ha ottenuto un finanziamento colossale da 2 miliardi di dollari, in un round guidato da Andreessen Horowitz (a16z).
Nonostante sia stata fondata soltanto nel febbraio 2025 e non abbia ancora generato entrate né lanciato prodotti, la startup ha attirato l’interesse di investitori di primo piano come Nvidia, Accel, ServiceNow, Cisco, AMD e Jane Street.
Il finanziamento eccezionale sottolinea non solo la fiducia nella visione di Murati, ma anche il clima competitivo e la corsa ai talenti che caratterizzano attualmente il settore dell’AI. Thinking Machines si propone di sviluppare sistemi di intelligenza artificiale più sicuri, affidabili e versatili rispetto a quelli attualmente esistenti.
Circa due terzi del team iniziale è composto da ex dipendenti di OpenAI, evidenziando l’importanza del capitale umano nel posizionamento strategico della neonata impresa.
La fondazione della società arriva dopo un’uscita improvvisa di Murati da OpenAI lo scorso settembre, e segue un trend crescente di ex dirigenti che danno vita a proprie iniziative imprenditoriali: casi simili sono quelli di Dario Amodei con Anthropic e Ilya Sutskever con Safe Superintelligence.
L’entusiasmo degli investitori verso le startup AI rimane elevato, contribuendo a un incremento del 76% dei finanziamenti alle startup statunitensi nella prima metà del 2025, secondo Pitchbook.
Di questi, oltre il 64% del valore complessivo delle operazioni è stato assorbito dal comparto AI, confermando l’attrattività e il peso strategico crescente di questo segmento tecnologico.
Banche, sviluppo economico e AI. L’Artificial Digital Bank: mito o realtà?
1. AI e innovazione dei modelli bancari
In un nostro recente contributo[1] abbiamo posto la questione dell’impatto che l’AI può avere sull’organizzazione delle banche. Sul piano dell’efficienza, l’AI può contribuire alla riduzione dei costi attraverso la semplificazione dei processi, delle strutture e un taglio drastico del personale e del management. L’effetto finale è quello di una banca più snella e piatta. Ma l’AI può supportare, e non solo sostituire, le persone nei processi di decision-making.
In questo caso, le finalità non sono la riduzione dei costi ma il miglioramento della qualità delle decisioni, la maggiore efficacia delle varie funzioni aziendali, la migliore gestione dei rischi, la ricerca di soluzioni innovative che rafforzino la capacità competitiva della banca. È del tutto evidente come i due approcci all’AI possano variamente combinarsi con un effetto di miglioramento delle performance dei modelli di business e quindi della loro sostenibilità in un contesto dinamico e concorrenziale.
Si possono però fare altre considerazioni su come l’AI può modificare i modelli imprenditoriali bancari e finanziari in modo ancora più incisivo. Infatti, accanto ai possibili impieghi volti all’amplificazione dell’efficacia e dell’efficienza dei processi aziendali, senza peraltro stravolgere i modelli di business, l’AI può diventare una leva strategica per innovarli con un “cambio di paradigma”. In questi casi, possono anche emergere nuovi competitor in grado di disintermediare l’attività delle stesse banche.
<!-- ARUBA - 300x250 -->
Ci riferiamo alla combinazione di tecnologie “abilitanti”, quali l’Open banking, gli Smart contract e le Blockchain, i quali, insieme ai sistemi di AI, sono funzionali alla realizzazione di salti paradigmatici con effetti disruptive degli attuali assetti delle banche e con conseguenze imprevedibili sul contesto economico e sociale.
In questo articolo proponiamo una riflessione soprattutto su questi scenari, mettendo in guardia da visioni troppo ottimistiche sui benefici conseguibili dalle applicazioni dell’AI all’attività finanziaria.
Come è indicato dal sottotitolo, ci interroghiamo su quella che dovrebbe essere una visione possibilmente realistica delle innovazioni conseguibili, dato che vi sono, lo ripetiamo, rischi e pericoli da non sottovalutare soprattutto sul piano sociale. Ne deriva la necessità di porre un limite a queste innovazioni tecnologiche nel settore finanziario che vanno quindi regolamentate non solo al fine di garantire la stabilità e il corretto funzionamento del sistema bancario e finanziario ma anche di contribuire allo sviluppo economico.
2. AI e innovazioni incrementali
L’attuazione di programmi di digitalizzazione mediante l’impiego dell’AI comporta investimenti consistenti per una banca, e quindi occorre avere non solo le idee chiare su dove si intende andare a parare con questi sistemi automatici, ma anche individuare un quadro il più realistico dei possibili benefici degli stessi investimenti.
Vi è poi il tema, non meno importante, delle conoscenze e competenze tecnologiche di cui una banca deve disporre e dotarsi al proprio interno, sia per dialogare e gestire costruttivamente le relazioni con i fornitori delle applicazioni AI, sia per poter adattare tali applicazioni alle specifiche esigenze aziendali, sviluppando vantaggi competitivi rispetto ai concorrenti.
Sugli effetti dell’AI nella riduzione del personale si fanno previsioni piuttosto drammatiche. Secondo un’analisi di Accenture, ad esempio, il 47% dei ruoli bancari potrebbe essere automatizzato con riferimento alle attività quotidiane. Se tale percentuale fosse realistica, circa la metà del personale bancario sarebbe rimosso dal servizio e solo una minima parte riqualificata e ricollocata in nuove attività e mansioni. Si verificherebbe quindi una disoccupazione di tipo tecnologico dovuta all’automazione dei processi operativi. In generale, oltre un terzo degli occupati in Italia rischia di perdere il lavoro a causa di sistemi di AI.
Vi è da chiedersi però se l’AI possa sostituire effettivamente gran parte del personale di una banca senza determinare alcun scompenso; si deve infatti considerare che una banca e un gruppo bancario hanno bisogno pur sempre di elevate competenze professionali che l’AI non può generare, non solo di tipo economico-finanziario ma anche organizzative nelle diverse funzioni aziendali. In realtà, stiamo assistendo negli ultimi anni all’assunzione, anche nelle banche italiane, di un crescente numero di giovani con competenze digitali e matematico-statistiche proprio in corrispondenza di progetti di riorganizzazione dei processi operativi mentre si assiste a tagli del personale con competenze tecnico-bancarie in quasi tutte le aree aziendali, ormai ampiamente automatizzate. Siamo quindi in presenza di un’ iniziale rivoluzione delle competenze tradizionali che si stanno progressivamente integrando con quelle tecnologiche.
Sul fronte della sostituzione e del supporto dell’azione umana, le applicazioni dell’AI riguardano la totalità degli organi aziendali di una banca (fig.1): a) la Direzione Generale a supporto delle decisioni di indirizzo strategico e organizzativo e nelle attività di coordinamento e controllo; b) le unità di staff in tutte le funzioni di supporto, come: la pianificazione strategica, il risk management, la programmazione e controllo, il marketing, l’auditing, l’organizzazione e il personale; c) le varie direzioni di business (retail, corporate, private); d) le reti dei gestori delle relazioni di clientela a supporto dell’attività di consulenza. Si tratta di una visione semplificata dei processi e delle attività aziendali ma che rende l’idea dell’ampio potenziale di applicazione dell’AI. Gran parte dei processi semplici ed elementari risulta già digitalizzata ma l’AI può contribuire a un’ancora maggiore sostituzione; certamente di grande interesse è l’automazione dei processi decisionali aziendali più complessi, riguardanti ad esempio l’allocazione delle risorse e le strategie competitive.
Fig. 1- Applicazioni dell’AI nell’organizzazione di una banca
Non è quindi un’ ipotesi irrealistica lo sviluppo di percorsi di applicazione dell’AI che portino alla configurazione di una Artificial digital bank (ADB). Essa sarebbe costituita da una piattaforma tecnologica intelligente, composta da una “sistema di sistemi di AI” interconnessi e dialoganti fra di loro, in grado di gestire automaticamente, se non la totalità, la gran parte dei processi aziendali. La piattaforma intelligente è monitorata da una tecnocrazia sotto la direzione di un ristretto gruppo manageriale. Alla piattaforma sono connesse le reti distributive digitali e quelle dei consulenti che gestiscono le relazioni con la clientela (fig. 2). In tal modo, si realizzerebbe un sistema tecnologico di “autogoverno” che richiede solo un’attività di monitoraggio per assicurarne il corretto funzionamento che, tenuto conto della sua elevata complessità, non è però esente da rischi.
Fig. 2- Modello schematizzato di Artificial Digital Bank
L’idea di realizzare un modello digitale di banca completamente dematerializzata non è nuova, risale alla diffusione della rete Internet quando questa è diventata uno strumento preferenziale di uso quotidiano. Esperimenti in tal senso sono stati condotti fin dalla seconda metà degli anni Novanta del secolo scorso, e malgrado le aspettative avveniristiche, essi si sono in realtà più prosaicamente ridotte nell’attribuzione all’utente di una serie di attività (dalle comuni operazioni come i pagamenti, alle più “sofisticate” scelte di investimento) che erano una volta poste in essere dall’operatore allo sportello bancario. Senza dubbio, la delega di funzioni meramente operative in capo all’utente finale ha contribuito a migliorare la redditività bancaria, in buona parte conseguita tramite la riduzione dei costi (inclusi quelli relativi al personale addetto allo sportello) ma, nella sostanza, i prodotti e servizi offerti dagli istituti di credito sono rimasti sostanzialmente gli stessi.
La visione di una Total Artificial Digital Bank (TADB) può considerarsi un traguardo a cui le banche possono idealmente tendere pensando che a questi modelli corrisponda la massimizzazione delle performance in un mercato competitivo? E sono quindi da ritenersi effettivi i vantaggi di un modello così spinto di automazione, che richiede il governo di una complessità tecnologica molto elevata, rispetto a quelli con soluzioni, pur sempre innovative, che invece tendono a integrare l’intelligenza umana piuttosto che a sostituirla con tecnologie evolute come l’AI?
Come argomentiamo in questo articolo, per una banca che si propone di conseguire con l’AI una gestione non solo più efficiente ma anche più efficace, vi sono ragioni per cui la strategia da seguire è quella della c.d. “intelligenza aumentata”, dove per “intelligenza” si intende quella umana, “aumentata” dalle capacità di analisi della macchina. La questione su cui riflettere è che la complessità del mondo finanziario è irriducibile alla mera attività computazionale, e che pertanto l’intelligenza e le capacità umane sono insostituibili; tuttavia, l’AI può rappresentare un potente alleato nel lavoro, amplificando le capacità umane di analisi e giudizio.
4. Artificial Digital Bank, agenti abilitanti e salti paradigmatici
Lo scenario più interessante è quello in cui i sistemi di AI possono generare effetti innovativi che comportano salti paradigmatici non solo per l’affermarsi del modello della ADB e della TADB ma anche per l’emergere di operatori digitali concorrenti. Per comprendere questo passaggio, occorre considerare la combinazione dell’AI con le c.d. “tecnologie abilitanti ( Key Enabling Technologies, KET). Ci riferiamo agli Smart contract, all’ Open banking e alla Blockchain. L’integrazione a sistema di tali tecnologie abilitanti, potrebbe far sorgere nuovi competitor e con essi aprire la strada a processi di “disintermediazione” del ruolo delle banche, come è stato previsto dall’ala più libertaria dei sostenitori della rete Internet.
Il richiamo è alla controcultura degli anni Sessanta, che da Berkley sfocerà poi nella odierna Silicon Valley, ma che non si è però tradotta in realtà, visto che, al contrario, la tecnologia ha contribuito ad ampliare la rilevanza economica delle banche anche a seguito delle concentrazioni incentivate dalla stessa “rivoluzione di Internet”. Si dice che i tempi di allora non fossero maturi per realizzare il sogno originario del Digital Banking, a causa della scarsa consapevolezza dell’utente e dell’ inadeguatezza degli strumenti tecnologici. Come amano ripetere gli “evangelisti” del culto del progresso tecnologico, this time is different ed effettivamente sembrerebbe che i fattori frenanti la rivoluzione della banca digitale siano ormai venuti meno.
Per capirne di più, dobbiamo considerare gli effetti derivanti dall’integrazione delle capacità di decision making dell’AI con le funzionalità offerte dalle sopracitate tecnologie abilitanti. L’integrazione degli agenti di AI con gli Smart contract basati su Blockchain (Digital Banking AI empowered) è in grado di rivoluzionare, come sta facendo, diversi settori, tra cui quello finanziario; questa combinazione di tecnologie mira infatti a migliorare l’automazione, l’integrità e l’efficienza delle transazioni.
Gli agenti AI riguardano un’ampia gamma di funzionalità come: ottimizzare i processi decisionali e produttivi; sviluppare nuovi prodotti/servizi; aumentare la capacità competitiva. Gli Smart contract “potenziati” dall’AI, rispetto agli Smart contract tradizionali, che seguono regole rigide predefinite, consentono a tali contratti di “imparare” dai dati, adattandosi ai cambiamenti in tempo reale. Ne deriva la capacità di regolare dinamicamente i parametri del contratto in base alle mutevoli condizioni di mercato.Ne segue anche un miglioramento dell’esperienza del cliente. Infatti, gli Smart contract AI-empowered possono offrire un’esperienza migliore attraverso servizi più veloci, disponibili 24 ore su 24, 7 giorni su 7, offerte personalizzate e processi semplificati. Alcune implementazioni permettono agli utenti di interagire con gli Smart contract tramite istruzioni in linguaggio naturale, rendendo le interazioni più intuitive.
Gli agenti AI sono programmi software autonomi che elaborano informazioni e agiscono di conseguenza, per raggiungere obiettivi specifici senza l’intervento umano. In combinazione con la Blockchain, possono prendere decisioni basate sui dati verificati e registrati all’interno del ledger immutabile (una sorta di “libro mastro” che garantisce l’inalterabilità e l’opponibilità erga omnes delle transazioni economiche realizzate), migliorando di conseguenza l’efficienza e l’affidabilità, riducendo i ritardi e automatizzando i processi.
Ma processi decisionali intelligenti possono essere attuati integrando l’Open banking con i dati off-chain tramite i cosiddetti Oracoli. Questi offrono servizi di terze parti che forniscono dati esterni (off-chain) ai “contratti intelligenti” che operano su una Blockchain. In pratica, gli Oracoli fungono da ponte tra il mondo reale e il mondo della Blockchain. Occorre infatti tener presente che la Blockchain e gli Smart contract sono per loro natura sistemi chiusi e deterministici. Ciò significa che possono accedere solo ai dati presenti all’interno della propria rete. Tuttavia, molte applicazioni decentralizzate (dApp) e i contratti intelligenti necessitano di informazioni provenienti dal mondo esterno per poter funzionare correttamente, come nel caso, ad esempio, di un contratto assicurativo basato su Blockchain, che necessita di verificare se si è realizzato un evento “trigger” specifico (come la premorienza dell’assicurato) al verificarsi del quale deve far seguito in forma automatizzata il pagamento previsto nei confronti dei beneficiari. In questo modo, gli Smart contract realizzano la loro caratteristica di programmi “auto-eseguibili” (self-executing) automatizzando le azioni richieste in una transazione Blockchain. Una volta completate, le transazioni sono tracciabili e irreversibili.
Il collegamento per mezzo degli Oracoli a fonti di dati esterne off-chain, consente agli Smart contract di accedere a informazioni in tempo reale, quali prezzi di mercato o notizie price sensitive, che possono essere sfruttate dai sistemi di AI per meglio modulare le condizioni e i termini delle transazioni implementate negli Smart contractstessi. Data la natura “decentralizzata” della Blockchain, essa intende fare a meno del ruolo degli intermediari tradizionali (middle men), sostituendo le funzioni fiduciarie da questi assolti con un meccanismo anonimo, detto di trust “distribuita”.
I meccanismi di trust (fiducia) nella Blockchain sono rappresentati dall’insieme di principi, algoritmi e caratteristiche tecnologiche che permettono ai partecipanti di una rete di fidarsi del sistema stesso, anziché di una singola entità centrale nel ruolo di garante della affidabilità e attendibilità delle transazioni poste in essere. In altre parole, la Blockchain è progettata per essere una tecnologia trustless nel senso che non richiede un intermediario di cui fidarsi, ma piuttosto un sistema in cui la fiducia è incorporata nel suo design. La Blockchain sfrutta pertanto meccanismi di consenso implementati mediante procedure matematiche di crittografia per costruire un sistema di fiducia distribuito.Tali meccanismi di trust basati su protocolli di consenso condiviso assicurano l’immutabilità e la sicurezza delle transazioni, rendendo il sistema resistente alla manipolazione e ai tentativi di frode.
Nella figura 3 è rappresentato un modello schematizzato di Artificial Digital Bank integrato con Open banking e Blokchain. Il modello si avvale di relazioni collaborative con soggetti esterni che forniscono dati e informazioni in tempo reale e di una propria Blokchain dedicata all’attività della banca a protezione dei dati. Ad esempio, nella valutazione dei crediti e della gestione dei contratti di affidamento, i flussi uniformativi possono venire dalla Centrale dei rischi, dai Confidi e da Fintech specializzate. I vantaggi di questa Integrated Digital Bank (IDB) risiedono non tanto della riduzione dei costi ma nella qualità del servizio che si avvale di un migliore processo decisionale. L’utilizzo dell’AI consente ai contratti di “apprendere” in forma automatizzata dai dati passati e migliorare il processo decisionale nel tempo, anche integrando l’elaborazione del linguaggio naturale (NLP), che aiuta a interpretare dati non strutturati, quali quelli contenuti in documenti legali o messaggi, consentendo così una elaborazione più dettagliata dei termini contrattuali.
Fig. 3- Modello schematizzato di Artificial Digital Bank integrato con Open Banking e Blockchain
Continuando con l’esempio della gestione del rischio di credito, gli Smart contract riguardanti gli affidamenti concessi dalla banca, possono essere rivisti in via automatica, combinando la loro natura “auto-eseguibile” con la capacità dell’AI di apprendere, adattarsi e assumere decisioni in maniera autonoma sulla base di informazioni esterne provenienti da sistemi di Open banking.
Ciò consente ai contratti creditizi di adattare dinamicamente termini e condizioni dei contratti in base a dati disponibili in tempo reale e in continua evoluzione. L’integrazione di questo modello con la Blokchain consente inoltre di proteggere la raccolta e l’elaborazione dei dati in modo decentrato.
5. Ecosistemi finanziari automatizzati e nuovi concorrenti
L’Open banking favorisce lo sviluppo di collaborazioni con cui offrire valore ai clienti in termini di velocità, scalabilità e accesso alle soluzioni.
Come riportato da un recente studio, The Corporate Case for Open Banking, a cura di Citigroup, sarebbero attualmente diverse le opportunità offerte dall’adozione di un modello “aperto” che rende i dati finanziari disponibili a terze parti, tramite Application Programming Interface (API), sbloccando di conseguenza nuove opportunità guidate dall’AI.
Ad esempio, soluzioni di gestione di liquidità in tempo reale e BaaS (Banking as a Service) sono già disponibili per i tesorieri aziendali tramite le API di Open banking. Abilitando l’accesso ai dati finanziari di un’organizzazione, i sistemi di AI possono aiutare a scoprire opportunità inedite e a facilitare un migliore processo decisionale. L’Open Banking rende i dati più accessibili e facilita l’uso dell’AI per una moltitudine di potenziali casi d’uso, compresi quelli ancora da identificare. Per sfruttare i casi d’uso e le innovazioni attuali e future dell’AI, le imprese e le banche devono aggregare i loro dati e renderli accessibili ai sistemi di AI. Le API di Open banking consentono l’accesso ai dati in tempo reale e svolgono un ruolo fondamentale nel facilitare l’implementazione di modelli di AI con un potenziale trasformativo.
L’Openbanking consente alle Fintech di integrare le loro soluzioni con le banche e di offrire a queste servizi rebrandizzabili. Infatti, le soluzioni white label del mondo Fintech consentono alle imprese di offrire servizi finanziari con il proprio branding, sfruttando la tecnologia e l’esperienza di altri provider. Questo permette di velocizzare l’ingresso nel mercato, ridurre i costi di sviluppo e concentrarsi sul proprio brand. Al riguardo, si osservi come le Fintech siano state percepite inizialmente come concorrenti delle banche tradizionali, ma negli ultimi anni, sono riuscite a instaurare una dinamica collaborativa, sfruttando e mettendo a sistema i rispettivi punti di forza. Da un lato, le banche tradizionali dispongono di bilanci solidi, accesso alle reti di pagamento e altre risorse critiche mentre, dall’altro lato, le Fintech offrono innovazioni digitali all’avanguardia che le banche sono meno attrezzate a sviluppare internamente.
La combinazione di varie tecnologie digitali, che le banche possono adottare per realizzare modelli di Artificial Digital Bank, favorisce lo sviluppo di ecosistemi finanziari sempre più intensamente automatizzati, ai quali sono interessati evidentemente gli stessi fornitori di sistemi di AI e di sistemi tecnologici complementari. Questi fornitori spingono per la diffusione dei modelli digitali e le banche sono indotte ad acquistarli per i benefici conseguenti soprattutto dal punto di vista della riduzione dei costi. Ne deriva però un possibile indebolimento del posizionamento delle stesse banche. Se, da un lato, esse trovano vantaggioso avere il supporto di una serie di soggetti esterni collaborativi per innovare e potenziare tecnologicamente il proprio modello di business, dall’altro lato, corrono il rischio di crearsi in casa dei possibili correnti che condividono gli stessi clienti e le loro informazioni.
Pertanto, considerando lo sviluppo di contesti tecnologici basati sulla combinazione tra AI e agenti abilitanti, l’evoluzione paradigmatica digitale può configurarsi in modelli di business di operatori concorrenti in grado di disintermediare l’attività delle banche. Ci riferiamo alle strategie sia delle Fintech sia delle Blochchain nel supportare ecosistemi che realizzano in tempo reale transazioni finanziarie. Si può ritenere che ecosistemi decentralizzati e disintermedianti, basati su agenti AI, si evolvano, imparino e interagiscano senza problemi con le imprese e gli individui, generando ulteriori evoluzioni.
In questo contesto, le Fintech, entità non bancarie, aperte agli scambi informativi, costituiscono una sorta di “cavallo di troia” perché, collaborando con le banche, possono diventare effettivamente concorrenti disruptive grazie all’AI e alle tecnologie abilitanti.
Le banche, ricercando la collaborazione delle Fintech per migliorare i propri modelli commerciali, corrono quindi dei rischi promuovendo il sorgere di nuovi concorrenti nei propri confronti. Infatti, se una banca tradizionale ottiene dei benefici espandendo la propria presenza in nuovi ecosistemi, e le Fintech con l’Open Banking possono interfacciare direttamente aziende e consumatori (configurando vari servizi per soddisfare le esigenze più specifiche), essa viene a trovarsi in una situazione di rischio competitivo.
Non solo vede trasferirsi il proprio knowhow ma, per effetto delle interrelazioni con la stessa clientela, può essere disintermediata dalle Fintech e anche dalle Blokchain. Queste ultime possono proporsi come operatori dell’intermediazione creditizia facendo leva sull’attività svolta nell’ambito degli strumenti di pagamento ricorrendo alle tecnologie abilitanti, quali: protocolli di fiducia “condivisa” basati su procedure matematiche; “contratti intelligenti” che realizzano operazioni in modo automatizzato; algoritmi di intelligenza artificiale che individuano obiettivi e la loro “ottima” realizzazione; decentramento decisionale e l’ integrazione “real-time” dei patrimoni informativi, per una maggiore funzionalità e conseguire obiettivi non predeterminati, mediante meccanismi automatizzati di decision making.
6. Apprendimento e “complessità irriducibile” del mondo finanziario
Sebbene lo scenario tecnologico offra la possibilità di una rivoluzione finanziaria basata su livelli molto elevati di automazione, vi è da chiedersi se le innovazioni alle quali abbiamo accennato sono realizzabili senza problemi e rischi. In effetti, come detto, le banche nel promuovere ecosistemi tecnologici che consentano di massimizzare i propri profitti, creano al tempo stesso le condizioni per l’emergere di nuovi potenziali concorrenti. Spingere troppo l’automazione non appare pertanto così conveniente. E non appare conveniente soprattutto anche perché il settore finanziario si regge su informazioni per le quali vi sono limiti, potremmo dire fisiologici, a processarle tramite sistemi decisionali automatizzati.
Infatti, uno dei principali ostacoli concettuali e metodologici che minano alle basi la pretesa di ottimizzare le gestioni finanziarie con processi decisionali completamente automatizzati, risiede nell’irriducibile incompletezza informativa della complessità connaturata alle scelte economiche e finanziarie. Queste, per loro natura, sono soggette soprattutto alla variabilità delle aspettative e delle aspirazioni individuali e sono poco correlabili alle serie storiche passate. La questione che rileva, ai fini applicativi dell’AI, è che le motivazioni alla base delle preferenze individuali non sono riducibili a un sistema di segni espliciti, indispensabili per l’adozione di modelli computazionali. Questi, inclusa l’AI, sono “guidati dai dati” (data driven) per cui si presuppone che tutte le informazioni rilevanti siano esplicitabili in un set di dati elaborabili computazionalmente (vale a dire che su tali dati sia possibile effettuare calcoli matematici).
L’AI ha bisogno di dataset basati su tutte le informazioni e le conoscenze rilevanti comprese quelle tacite/implicite che nelle imprese sono patrimonio individuale delle persone. Come hanno chiarito I. Nonaka e H. Takeuchi (The Knowledge Creating Company) e K. Polanyi, che per primo ha parlato di conoscenza implicita, (The Tacit Dimension), vi sono due principali accezioni di conoscenza: quella esplicita, che può essere espressa, codificata e facilmente trasferita tra diversi soggetti, e quella tacita o implicita che risiede nella mente delle persone. La conoscenza tacita è rappresentata dall’intuito, si forma per effetto dell’ esperienza, delle emozioni, e dipende dalla cultura personale; per sua natura, è poco formalizzabile e non facilmente trasmissibile o codificabile.
Una banca totalmente automatizzata non dispone di persone che apprendono e che possono mettere in comune la propria conoscenza tacita con cui produrre conoscenza aziendale attraverso processi di knowledge management. La componente implicita, ancorché non immediatamente visibile e percepibile, rappresenta, come sostiene Polanyi, la parte più rilevante della conoscenza aziendale. L’ AI non è in grado di sostituirsi a questi processi di apprendimento perché lo sviluppo della conoscenza aziendale va oltre la mera raccolta di dati e informazioni. E anche i sistemi avanzati di AI empowered possono solo essere di supporto, non essendo in grado di realizzare elaborazioni “trasformative” che facciano leva sulle conoscenze tacite disponibili.
Da questo punto di vista, l’AI potrebbe però svolgere una funzione sia di supporto sia di sintesi decisionale tramite la raccolta e il confronto del pensiero che si sviluppa nelle riunioni aziendali, facendone una sintesi formale da sottoporre a nuove discussioni da parte delle varie funzioni interessate. Questo ruolo di coordinamento, grazie anche alla conversione del linguaggio naturale in conoscenza esplicita, potrebbe assicurare una maggiore oggettività alle sintesi nei processi decisionali mostrando i punti di vista più coerenti e i loro vantaggi rispetto alle strategie e agli obiettivi perseguiti. Sul piano organizzativo ciò significa andare verso modelli molto snelli che rispondono ai principi organizzativi del Self management e dell’Olocrazia, nei quali i sistemi di AI hanno un ruolo di coordinamento e di collegamento fra i team, semplificando il ruolo della gerarchia, fino a sostituirla ampiamente, e creando le premesse per la realizzazione di una Digital bank.
7.Digital bank, fiducia e capacità umane insostituibili
Secondo I. Loaiza (Sloan School of Management) e R. Rigobon (Massachusetts Institute of Technology), autori di una ricerca sul ruolo sull’AI nel mondo finanziario (The Limits of AI in Financial Services), sebbene l’AI stia trasformando molti settori, a dispetto di una narrazione diffusa, essa non eliminerà completamente i posti di lavoro nel mondo bancario ma li ridefinirà. La sfida principale è quindi garantire che i professionisti del settore finanziario si adattino al cambiamento, sfruttando i punti di forza dell’AI e preservando al contempo le proprie competenze umane che devono essere valorizzate nei processi di learning organization di cui abbiamo parlato sopra. Infatti, l’AI, mentre risulta eccellere nei compiti basati sui dati, incontra difficoltà nell’analisi di set di dati di ridotte dimensioni, così come nel gestire le probabilità soggettive, oltreché nei contesti che richiedono il giudizio umano, rapporti relazionali e valutazioni etiche, tutti elementi che caratterizzano anche il settore finanziario
Se l’AI ha certamente un’ampia applicabilità all’organizzazione di una banca, come abbiamo già ricordato ( vedi fig. 1), secondo i due ricercatori, essa incontrerebbe tuttavia dei limiti in quanto non sarebbe in grado di replicare alcune capacità umane che sono essenziali soprattutto per una banca. Questi limiti sono evidenziati sulla base del framework EPOCH (Empathy, Presence, Opinion, Creativity, Hope), riguardante alcune capacità necessarie per creare fiducia, promuovere l’inclusione, l’innovazione, valorizzando l’esperienza del consumatore. Ed è proprio considerando l’esperienza del consumatore che va preso atto di come i servizi finanziari siano influenzati dal rapporto fiduciario che si sviluppa attraverso l’interazione umana e la connessione. Le persone tendono a fidarsi maggiormente di un contatto umano, specie nel prendere decisioni ad alto rischio e ciò sottolinea come l’esperienza del consumatore si basi sul processo e sulla relazione, piuttosto che sulla elaborazione della risposta “giusta”.
Soprattutto la fiducia in una Artificial Digital Bank risulterebbe problematica, dato che non si può ritenere che la clientela delle banche possa fidarsi senza riserve di una banca-macchina che gestisce il risparmio e concede credito sulla base di decisioni che prescindono dall’intervento diretto umano. Del resto le banche ottengono fiducia, grazie alla condotta del personale di contatto e non solo di chi le dirige e alla loro reputato, e la fiducia è costruita su esperienze positive ripetute, coerenza, trasparenza e sicurezza emotiva.
Un agente AI può anche esibire esperienze positive e mostrare trasparenza, ma la fiducia si basa anche sulla percezione che le informazioni rilevanti non verranno usate contro l’utente. Proprio in questo senso, è interessante un recente studio della Banca d’Italia,Chat Bankman-Fried? An Exploration of LLM Alignment in Finance (a cura di C. Biancotti e alt.), in cui si evidenzia come i progressi nei modelli linguistici di grandi dimensioni, Large Language Model (LLM), rinnovino le preoccupazioni sulla condivisione dei valori umani da parte dell’AI (il cosiddetto problema dell’ allineamento).
Lo studio ha inteso valutare se i diversi LLM rispettino i doveri fiduciari in scenari finanziari simulati ipotizzando che impersonino l’amministratore delegato di un istituto finanziario di fronte al dilemma etico se usare o meno i fondi dei clienti per ripagare debiti aziendali. Dopo aver valutato uno scenario di base, modificando preferenze e incentivi, si riscontra una significativa eterogeneità tra i modelli, alcuni sono più inclini a comportamenti non etici rispetto ad altri. Le risposte degli LLM sono influenzate da diversi fattori come l’avversione al rischio, le aspettative di profitto, la presenza o assenza di regolamentazione. Si dimostra pertanto che i test simulativi sono utili per valutare la sicurezza degli LLM in ambito finanziario ma occorrono anche strumenti per analizzare il funzionamento interno dei modelli; si conclude quindi sulla necessità di quadri normativi specifici per la governance del rischio legato agli LLM, che rappresentano i modelli automatizzati di linguaggio su cui si basano chatbot, assistenti virtuali e altri sistemi di AI generativa.
Occorre poi considerare che gli algoritmi di AI spesso falliscono nel conseguire l’obiettivo di garantire una maggiore inclusione finanziaria, anche in relazione alla scarsità di dati disponibili sugli individui storicamente esclusi dal sistema finanziario; le decisioni umane si basano su giudizi e probabilità soggettive piuttosto che solo su statistiche incomplete, che possono portare ad amplificare pregiudizi e bias (quali razzismo, sessismo) negli algoritmi. Si osservi inoltre come, sebbene l’AI possa gestire l’innovazione seguendo un processo per “tentativi ed errori” (sulla falsariga dei giochi da tavolo), non è altrettanto efficace nel produrre qualcosa di completamente nuovo, estrapolando soluzioni che vanno oltre i dati osservati, adottando un approccio “trasformativo” più simile a quello seguito dagli artisti.
8. Artificial Digital Bank: quale futuro nel capitalismo sostenibile?
Dalle considerazione svolte e tenuto conto degli studi e delle ricerche sugli sviluppi che potrà avere l’AI nel mondo bancario e finanziario, si possono prevedere nuovi modelli organizzativi con una “reinvenzione” dei ruoli professionali e manageriali piuttosto che una semplice riduzione degli organici sostituiti dai processi automatizzati. La chiave di lettura più verosimile in merito alle conseguenze anche occupazionali dell’introduzione della AI, è pertanto quella che sostiene che i professionisti del settore finanziario debbano comprendere come integrare l’AI nel completamento delle loro capacità umane, piuttosto che preoccuparsi di un’ improbabile totale loro sostituzione.
L’idea di giungere a un modello di banca totalmente automatizzata grazie a un “sistema di sistemi di AI” , che consenta di assumere la gran parte delle decisioni in modo autonomo, implica una valutazione della sua utilità effettiva. Ciò significa comprendere il ruolo che può avere l’AI nella gestione dell’impresa bancaria alla luce dei benefici, rispetto al costo dei possibili pericoli, che derivano anche da una più efficiente allocazione delle risorse, dal punto di vista del benessere collettivo e non solo della massimizzazione della creazione di valore per i suoi azionisti.
I sistemi di AI possono aiutare a realizzare queste condotte se dispongono di un quadro informativo sui settori (e sulla loro evoluzione) da finanziare, secondo un ordine di priorità sul piano della produttività ma anche della sostenibilità sociale, e quindi proficui sul piano del benessere collettivo; al tempo stesso, gli algoritmi utilizzati devono guidare tale allocazione consentendo al settore bancario, secondo un approccio collaborativo, di perseguire equilibri aziendali soddisfacenti per gli azionisti e per tutti gli altri stakeholder.
Banche e AI: il problema di una finanza che decide solo tramite algoritmi
Il pericolo che si corre però è invece proprio quello di sistemi di AI usati per rafforzare la prospettiva capitalistica di una finanza che decide tramite solo gli algoritmi, i quali sono privi della coscienza e consapevolezza umana necessarie per evitare che l’obiettivo della massimizzazione del profitto prevalga sul rispetto della responsabilità sociale.
Che vi sia in atto una tendenza degli ecosistemi finanziario-digitali emergenti a rafforzare questo ultimo orientamento, eliminando i sentimenti e le componenti emozionali, già lo si percepisce nel constatare il progressivo uso delle tecnologie digitali per il rafforzamento di modelli organizzativi bancari sempre più accentrati, che impongono al personale, privo di autonomie decisionali, strategie autoritarie calate dall’alto. Appare quindi del tutto evidente come l’AI possa consolidare questa tendenza che contrasta con un capitalismo inclusivo, democratico e sostenibile.
Qui il nostro discorso sulle ADB però si amplifica, e passa a un piano più ampio di tipo politico, che richiede di essere affrontato e sviluppato con un approccio specifico che esula da questo contributo. Lo riprenderemo prossimamente con ulteriori riflessioni. Una prima conclusione, che possiamo comunque trarre da quanto finora detto, riguarda la prospettiva che riteniamo dovrebbero seguire coloro che hanno la responsabilità della guida del sistema bancario e finanziario, comprese le autorità di vigilanza: e cioè che, come sempre, la strada da scegliere è quella dell’equilibrio.
Equilibrio significa che deve restare anzitutto centrale nelle decisioni delle banche e delle imprese il ruolo dell’ intelligenza e della coscienza umana, le quali non possono essere sostituite dalle macchine. Il grado di automazione deve quindi svilupparsi entro una dimensione controllabile. L’AI può certamente contribuire a realizzare nel settore bancario modelli di business innovativi e competitivi. La banca deve però continuare a mantenere il controllo umano sulle macchine, assicurando una distribuzione del potere che eviti che la tecnocrazia assuma una posizione di dominanza negli ecosistemi tecnologico- finanziari.
FlashStart, realtà italiana specializzata in soluzioni per la protezione della navigazione in Internet, ha annunciato un rinnovamento della propria soluzione DNS Filtering per migliorare performance, scalabilità e facilità di gestione.
Il progetto, cominciato nel 2023, prevede la riprogettazione completa della piattaforma per garantire ai clienti una maggiore scalabilità, prestazioni migliori e una gestione più immediata grazie all’integrazione dell’intelligenza artificiale.
Durante la prima fase, già conclusa, l’azienda ha esteso e potenziato la rete di partner per le attività di filtraggio della navigazione del canale di rivendita; la seconda fase prevede invece la revisione di backend e frontend per abilitare un servizio più granulare e un’interfaccia di gestione con informazioni dettagliate sulle potenziali minacce. In questa revisione sono compresi anche la riscrittura completa delle API pubbliche, la condivisione di profili di protezione tra più clienti, la gestione unificata e nuovi template condivisibili di liste di eccezioni.
Il progetto inoltre introdurrà algoritmi IA di automazione e machine learning per velocizzare i tempi di risposta e migliorare l’affidabilità della soluzione.
La revisione completa della piattaforma sta proseguendo anche grazie a una stretta collaborazione con il campus di Cesena dell’Università di Bologna e il team del professor Mirko Viroli, Presidente del consiglio del Campus e Professore Ordinario di Sistemi per l’Elaborazione dell’Informazione presso il DISI, il Dipartimento di Informatica (Scienza e Ingegneria) dell’Università di Bologna.
Francesco Collini, CEO di FlashStart – Credits: FlashStart
“La crescente attenzione sui temi della cybersecurity da parte delle Istituzioni europee insieme alle nuove regolamentazioni sulla protezione della navigazione e la disponibilità dei fondi per la protezione delle infrastrutture della Pubblica Amministrazione Locale e Centrale, hanno fornito l’accelerazione definitiva al piano di sviluppo di FlashStart per giungere pronti ad affrontare le nuove sfide del mercato della cybersecurity. Oggi FlashStart è l’unica azienda italiana specializzata che protegge la navigazione e tutela i dati aziendali all’interno del nostro Paese” ha affermato Francesco Collini, CEO di FlashStart.
Il DNS Filtering di FlashStart protegge reti e dati contro gli attacchi informatici veicolati tramite pagine e siti infetti. La piattaforma esegue un controllo sul protocollo DNS del sito che richiede l’accesso, effettuando la verifica direttamente sull’indirizzo IP del server che lo ospita.
“Oggi possiamo fornire ai nostri clienti uno strumento ancora più veloce, modulare e flessibile che garantisce record di performance e integrazioni avanzate” ha aggiunto Collini, “il tutto in pieno accordo con la filosofia FlashStart di fornire una soluzione veloce, semplice da gestire e personalizzare e continuando a puntare al miglior rapporto costi-benefici e quindi all’equilibrio ottimale tra investimento evantaggi”.
La Champion User della nuova piattaforma è prevista per fine giugno 2025, mentre il rilascio generale è programmato per novembre 2025.
La strategia di Amazon sull’AI? Non competere con ChatGPT. Ecco perché
Mentre gran parte dei principali gruppi tecnologici investe miliardi nello sviluppo di chatbot conversazionali e modelli generativi, spesso innescando vere e proprie battaglie per assicurarsi i migliori talenti nel campo dell’AI – come dimostrano le strategie di OpenAI e Meta– Amazon sta seguendo un percorso differente nella corsa all’intelligenza artificiale.
Secondo quanto riportato il Financial Times, il colosso di Seattle potrebbe incrementare la propria partecipazione in Anthropic, portando l’investimento complessivo oltre gli 8 miliardi di dollari. Se confermata, questa operazione consoliderebbe Amazon come principale finanziatore della startup AI nota per il modello Claude.
Cosa vuole fare Amazon nella corsa all’AI
Ma la mossa non nasce dall’ambizione di scontrarsi frontalmente con OpenAI o Google sul terreno dei prodotti finali. Al contrario, riflette una strategia precisa: dominare le fondamenta dell’ecosistema AI, ovvero l’infrastruttura cloud, i chip personalizzati e i servizi di supporto per le aziende che vogliono creare i propri modelli.
<!-- ARUBA - 300x250 -->
Con Amazon Web Services, l’azienda è già leader globale nella fornitura di potenza computazionale, capacità di archiviazione e scalabilità, tutti elementi indispensabili per addestrare e distribuire modelli di intelligenza artificiale su larga scala. In parallelo, sta sviluppando un arsenale tecnologico che include processori proprietari come Trainium e nuovi modelli di base come Nova, progettati per essere integrati in soluzioni personalizzate piuttosto che per diventare prodotti di massa rivolti ai consumatori.
A differenza di Meta, Microsoft, OpenAI e Google, impegnate a trasformare i loro modelli linguistici in motori di ricerca e assistenti virtuali, Amazon preferisce un approccio “da miniera d’oro”, fornendo cioè “le pale e i picconi” a chi gareggia per estrarre valore dall’AI. È una strategia che punta alla scalabilità e alla sostenibilità economica, evitando il rischio di una guerra sui prezzi e di una corsa alla visibilità mediatica legata ai prodotti consumer.
Anche se i suoi modelli non sono ancora tra i più performanti nelle classifiche internazionali, la combinazione di infrastruttura cloud, hardware proprietario e servizi di supporto mette Amazon in una posizione di forza per intercettare la crescita esplosiva della domanda di AI nei prossimi anni.
La scelta di puntare sull’“alimentare” l’ecosistema, anziché sostituirsi ai protagonisti, potrebbe non solo consolidare il dominio infrastrutturale di AWS, ma anche aprire nuove opportunità nei segmenti più redditizi della catena del valore tecnologico.
Nuova minaccia per le GPU: secondo un recente comunicato di NVIDIA, le GPU della compagnia sarebbero vulnerabili a RowHammer, una tecnica di attacco che sfrutta la possibilità di alterare la DRAM.
Questa tecnica sfrutta la densità delle celle di memoria per corrompere i dati e, di conseguenza, violarne la riservatezza o elevare i propri privilegi. Nel dettaglio, l’attacco consiste nel “martellare” uno specifico bit subissandolo di richieste in un breve periodo, finché non si crea un’interferenza elettrica che altera i bit adiacenti, portandoli da 0 a 1 o viceversa.
I ricercatori Chris Lin, Joyce Qu e Gururaj Saileshwar dell’Università di Toronto hanno dimostrato l’efficacia dell’attacco su diverse tipologie di GPU. Soprannominato “GPUHammer“, l’exploit è riuscito a degradare l’accuratezza di una rete neurale in esecuzione sulla GPU NVIDIA A6000 con memoria GDDR6 dall’80% allo 0,1%.
La vulnerabilità è nota sin dal 2014 ed è stata studiata a lungo, ma soltanto ora si è cominciato ad analizzarne l’impatto sulle GPU. “Con carichi di lavoro critici di IA e ML che vengono eseguiti su GPU discrete in cloud, è fondamentale valutare la vulnerabilità delle GPU agli attacchi Rowhammer” hanno spiegato i ricercatori.
Nonostante sia un attacco difficile da eseguire sulle memorie GDDR per via di una maggiore latenza di comunicazione (rispetto alle memorie DDR4) e di mapping non noti di indirizzi DRAM, l’exploit proposto dai ricercatori dell’Università di Toronto dimostra che è possibile eseguire un GPUHammer.
L’attacco mette a serio rischio l’integrità dei modelli di IA; considerando che questi modelli sono sempre più dipendenti dalle GPU, l’impatto dell’exploit è significativo.
Rowhammer contro le GPU: la risposta di NVIDIA
Poiché Rowhammer è una minaccia hardware, è difficile mitigarla a livello software. Inizialmente si pensava fosse un attacco eseguibile solo in locale, ma nel corso degli anni sono emerse alcune varianti che possono essere eseguite da remoto.
Nel suo comunicato NVIDIA consiglia di abilitare gliECC (Error Correction Codes) a livello di sistema, ovvero una serie di tecniche per rilevare e correggere gli errori nei dati durante la trasmissione e memorizzazione.
I ricercatori sottolineano però che abilitare gli ECC, oltre a limitarsi a mitigare il rischio senza risolvere il problema alla radice, implica rallentare i carichi di lavoro di inferenza del 10%.
Sebbene le GPU più nuove, come la H100 e l’RTX 5090, non sono vulnerabili all’attacco, è molto probabile che in futuro emergano varianti di Rowhammer che riescano a bypassare le limitazioni attuali.
Il 67% dei ragazzi tra i 9 e i 17 anni usa l’AI come amici veri
Un numero crescente di bambini e adolescenti considera i chatbot basati su AI come veri e propri sostituti delle relazioni umane. È la fotografia scattata dal rapporto “Me, Myself, and AI” di Internet Matters, organizzazione britannica impegnata nella tutela dei minori online.
Secondo l’indagine, il 67% dei ragazzi tra i 9 e i 17 anni utilizza regolarmente chatbot come ChatGPT, Character.AI e MyAI di Snapchat, con una quota crescente di giovani che li considera un interlocutore reale. Oltre un terzo degli intervistati afferma che parlare con un chatbot “è come parlare con un amico”, percentuale che sale al 50% tra i minori più vulnerabili, ossia coloro con condizioni di salute mentale o difficoltà di apprendimento. Ma il dato più preoccupante riguarda un 12% dei giovani che interagisce con l’AI perché non ha nessun altro con cui parlare.
I chatbot riescono ad essere empatici
Per capire come i chatbot reagiscono alle richieste di un ragazzo fragile, i ricercatori di Internet Matters hanno condotto un esperimento impersonando minori vulnerabili. I test hanno incluso simulazioni di conversazioni su temi come disturbi alimentari, conflitti familiari e problemi emotivi.
<!-- ARUBA - 300x250 -->
I risultati hanno messo in luce un doppio livello di rischio: da un lato i chatbot rispondono con linguaggio empatico e rassicurante, dall’altro tendono a prolungare la conversazione con follow-up non richiesti e messaggi che alimentano l’illusione di un legame autentico. Emblematico l’episodio in cui un chatbot di Character.AI ha dichiarato di “avere ricordi d’infanzia”, una risposta che secondo gli esperti contribuisce a confondere i confini tra reale e artificiale.
In alcuni casi, i sistemi hanno fornito consigli pratici adeguati – come link a servizi di supporto come Childline – ma in altri hanno mostrato incoerenza e superficialità. Per esempio, una chat su Snapchat’s MyAI ha fornito una lista di posizioni sessuali a un’utente quindicenne, salvo poi ritrattare la risposta alla stessa domanda ripetuta in un secondo momento.
Tra creatività e pericoli: perché i ragazzi usano i chatbot
Il report evidenzia come l’uso di chatbot sia cresciuto in maniera rapida e trasversale:
42% li usa per supporto allo studio e ai compiti, apprezzando la possibilità di ricevere spiegazioni istantanee.
23% chiede consigli pratici o emotivi, dal come gestire un litigio fino al come affrontare ansia e stress.
18% li usa per semplice evasione o gioco, creando storie personalizzate e simulazioni.
Educazione e protezioni carenti: scuole e famiglie impreparate
Un altro capitolo critico riguarda il ruolo degli adulti. Mentre il 78% dei genitori dichiara di aver parlato di AI con i figli, le conversazioni risultano spesso generiche e poco incisive. Solo un terzo dei genitori discute con i figli di come valutare l’attendibilità delle risposte di un chatbot, e ancora meno affrontano il tema dei potenziali rischi di dipendenza emotiva.
Sul fronte scolastico, la situazione è altrettanto frammentata: circa metà degli studenti ha parlato di AI in classe, ma in modo sporadico e privo di indicazioni chiare su limiti e responsabilità. Il report mette in guardia: senza un’educazione digitale diffusa e sistematica, i ragazzi resteranno esposti a un mix di opportunità e pericoli di cui non comprendono appieno la portata.
Un appello per un’AI a misura di bambino
Internet Matters lancia un messaggio forte ai governi, all’industria e alle famiglie: occorre agire subito per evitare di ripetere l’errore dei social network, sviluppati senza considerare le esigenze dei minori e regolamentati solo dopo l’emergere di danni diffusi.
Tra le raccomandazioni principali:
Sviluppare chatbot “by design” con controlli parentali efficaci e contenuti filtrati in base all’età.
Introdurre sistemi di verifica dell’età più rigorosi per evitare che i più piccoli accedano a esperienze inadeguate.
Integrare la alfabetizzazione AI nei curricula scolastici, insegnando ai ragazzi come usare questi strumenti in modo critico.
Offrire ai genitori risorse chiare per comprendere e gestire l’uso dell’AI in famiglia.
Per la co-CEO di Internet Matters, RachelHuggins: “Non possiamo lasciare che bambini, famiglie e scuole affrontino da soli una tecnologia che evolve a una velocità senza precedenti.”
La California si prepara a diventare il primo stato USA a gestire le interruzioni di corrente con l’AI
La California si appresta a inaugurare un progetto pilota innovativo nel settore della gestione energetica, puntando sull’adozione di un software basato su AI generativa, denominato ‘Genie’, sviluppato dalla OATI.
L’iniziativa, che verrà annunciata durante il summit DTECHMidwest, rappresenta un potenziale punto di svolta nella supervisione della rete elettrica, affidando all’AI compiti decisionali in tempo reale.
Attualmente, l’ente CAISO opera con metodi ancora in parte analogici, affidandosi all’analisi manuale di report sugli outage. Con Genie, invece, sarà possibile analizzare automaticamente centinaia di segnalazioni, migliorando la velocità e l’accuratezza dell’elaborazione delle informazioni, grazie all’identificazione intelligente di parole chiave.
<!-- ARUBA - 300x250 -->
L’obiettivo è valutare se questo strumento possa effettivamente offrire analisi più affidabili e tempestive, con la prospettiva futura di estendere la sua applicazione anche ad altre funzioni della rete.
Il contesto è quello di un sistema energetico nazionale ancora legato a strumenti obsoleti, come sottolineano diversi esperti del settore, mentre altri operatori – come PJM negli Stati Uniti orientali o alcune regioni australiane – stanno già sperimentando soluzioni AI per ottimizzare la previsione della produzione da fonti rinnovabili e la pianificazione delle infrastrutture elettriche.
La sperimentazione californiana potrebbe dunque segnare l’inizio di una trasformazione sistemica nel modo in cui l’AI viene impiegata per rafforzare l’affidabilità, la resilienza e l’efficienza delle reti energetiche.
Il potenziale di questi strumenti va ben oltre il monitoraggio degli outage, aprendo scenari futuri in cui agenti intelligenti gestiscono reti integrate in modo autonomo.
I siti AI ‘nudify’ stanno incassando milioni di dollari
Piattaforme AI note come ‘nudify’, capaci di generare immagini esplicite non consensuali a partire da fotografie caricate dagli utenti, continuano a proliferare online nonostante gli sforzi legislativi e tecnologici per limitarne la diffusione.
Un’indagine condotta da Indicator ha analizzato 85 di questi siti, scoprendo che raggiungono una media mensile di 18,5 milioni di visitatori e generano potenzialmente un fatturato annuo di 36 milioni di dollari.
Le immagini create da queste tecnologie includono spesso contenuti abusivi che coinvolgono donne e minori, configurandosi come forme gravi di violenza digitale e sfruttamento. L’ecosistema che sostiene questi servizi si regge in gran parte sull’infrastruttura offerta da colossi come Amazon Web Services, Google e Cloudflare.
Nonostante i termini di servizio di queste aziende vietino l’utilizzo delle loro piattaforme per attività illegali o di molestia, l’inazione sistemica e l’approccio permissivo nei confronti della generative AI hanno favorito la crescita di questo mercato sommerso.
Alexios Mantzarlis, cofondatore di Indicator, sottolinea la responsabilità delle big tech nel mantenere operative queste piattaforme, pur essendo consapevoli del loro utilizzo dannoso.
Le modalità di monetizzazione dei siti ‘nudify’ includono la vendita di crediti o abbonamenti per generare immagini manipolate, mentre nuove forme di cyberbullismo stanno emergendo, con adolescenti che sfruttano queste tecnologie per creare immagini offensive dei propri coetanei.
Le conseguenze per le vittime sono devastanti, anche perché rimuovere tali contenuti dalla rete si rivela spesso impossibile. Questo fenomeno evidenzia l’urgenza di un intervento normativo più incisivo e di una responsabilizzazione effettiva da parte delle aziende tecnologiche coinvolte.
Secondo informazioni riportate da Bloomberg, l’azienda avrebbe avviato un percorso di automazione estesa di numerose attività operative e gestionali, con l’obiettivo di migliorare l’efficienza e ridurre i costi operativi in un contesto di crescente pressione competitiva. La società, che ha ridotto significativamente i costi grazie all’automazione dei processi e all’adozione su larga scala di strumenti AI, ha risparmiato oltre 500 milioni di dollari nell’ultimo anno solo nei servizi di assistenza clienti.
Si tratta di un cambiamento strategico significativo: l’adozione dell’AI non riguarda più soltanto prodotti e servizi rivolti ai clienti, ma penetra nei processi interni, con ricadute dirette sulla struttura occupazionale. La progressiva integrazione di tecnologie intelligenti coinvolge la gestione delle risorse umane, il supporto amministrativo e l’analisi dei dati aziendali.
<!-- ARUBA - 300x250 -->
Queste applicazioni sostituiscono funzioni tradizionali con sistemi capaci di prendere decisioni autonome o generare contenuti, riducendo la necessità di intervento umano.
Microsoft invita il personale a ‘investire nella propria formazione AI’
Microsoft ha inoltre spostato la sua attenzione strategica sull’intelligenza artificiale, invitando il personale rimasto a “investire nella propria formazione AI”.
Il management ha chiarito che la padronanza di strumenti come GitHub Copilot e Copilot per Microsoft 365 sarà considerata una competenza essenziale nelle valutazioni delle performance. Questa transizione è stata accompagnata da comunicazioni interne in cui si chiede ai team di integrare l’AI nei flussi di lavoro quotidiani, sottolineando che tali strumenti sono cruciali per la produttività futura dell’impresa.
L’azienda non offre programmi formativi interni strutturati, ma esorta i dipendenti ad aggiornarsi autonomamente, rimarcando l’urgenza dell’adattamento al nuovo paradigma digitale.
Sebbene Microsoft non abbia ufficialmente confermato che i tagli di personale siano direttamente collegati alla diffusione dell’automazione, la concomitanza temporale solleva interrogativi sull’impatto reale delle nuove piattaforme intelligenti sul mercato del lavoro.
--> 
