Tag: intelligenza artificiale

  • NVIDIA ENPIRE cambia i robot collaborativi: apprendono sul campo e condividono abilità

    NVIDIA ENPIRE cambia i robot collaborativi: apprendono sul campo e condividono abilità

    C’è un passaggio decisivo, nella corsa all’automazione, in cui la macchina smette di limitarsi all’esecuzione e comincia a imparare lavorando. NVIDIA ENPIRE arriva in questo spazio con una piattaforma sperimentale che unisce intelligenza artificiale agentica e robotica fisica, permettendo ai robot collaborativi di acquisire nuove abilità direttamente nell’ambiente reale. Nei test, più unità hanno affrontato compiti di precisione e migliorato le prestazioni trasferendo strategie ed esperienze operative da un robot all’altro.

    Il punto interessa da vicino anche i distretti manifatturieri italiani, e in Sicilia il tema tocca ogni discussione sul rapporto tra innovazione industriale e lavoro tecnico specializzato. Quando una macchina riesce ad adattarsi sul campo, la questione non riguarda solo la velocità. Entra in gioco la capacità di reggere l’imprevisto, di correggere l’errore, di ridurre la dipendenza da una programmazione rigida scritta tutta in anticipo.

    NVIDIA ENPIRE porta l’apprendimento fuori dal laboratorio

    Un robot tradizionale, in genere, viene istruito per una sequenza precisa e tende a funzionare bene finché l’ambiente resta stabile. ENPIRE si muove in un’altra direzione. L’obiettivo non è solo eseguire un compito assegnato, ma arrivare a costruire nuove competenze direttamente nel mondo reale, mentre il lavoro è in corso. Sarebbe una forzatura considerarlo già un modello industriale pronto all’uso su larga scala. Ma sarebbe altrettanto riduttivo leggerlo come un semplice esercizio di laboratorio, perché il cuore del progetto sta proprio nell’uscita dalla simulazione.

    Alla base c’è un approccio chiamato AutoResearch. Un insieme di agenti AI riceve un obiettivo e dispone di robot, GPU e risorse di calcolo per cercare in autonomia la strategia più efficace. Gli agenti osservano ciò che li circonda, fanno tentativi, correggono gli errori, consultano documentazione tecnica e confrontano i risultati precedenti. È qui che l’intelligenza artificiale agentica entra nelle decisioni operative: non come comando astratto, ma come sistema che valuta, adatta e perfeziona. Per i robot collaborativi questo passaggio conta subito, perché lavorano accanto a processi variabili, dove la ripetizione pura spesso non basta.

    Più robot condividono strategie durante compiti di precisione

    La dimostrazione più visibile riguarda attività che, a un occhio inesperto, possono sembrare semplici e che invece richiedono mano ferma e coordinazione fine. Un robot installa una scheda grafica su una scheda madre. Altri ordinano piccoli pin metallici nei contenitori dedicati, applicano fascette da elettricista e tagliano il materiale in eccesso. Sono gesti minuti, quasi silenziosi, in cui pochi millimetri fanno la differenza tra un’azione riuscita e un errore da correggere.

    Nei test emerge anche un aspetto più interessante del semplice coordinamento. Una flotta di otto robot riesce ad affrontare problemi complessi più rapidamente rispetto a gruppi più piccoli, perché ogni unità può sperimentare approcci diversi e poi condividere ciò che ha imparato con le altre. Anche questo dato non va letto solo in chiave quantitativa. Qui il valore sta nel trasferimento di competenze operative, non nella sola divisione dei compiti. L’auto-addestramento AI, in ambienti dinamici, diventa così un modo per accumulare esperienza distribuita e riutilizzarla subito.

    Per manifattura e assemblaggio si apre un salto concreto

    Gli sbocchi più immediati sono quelli della manifattura, dell’assemblaggio e del controllo qualità. In una linea produttiva, ogni variazione di componente, tolleranza o sequenza richiede oggi tempi di adattamento che possono tradursi in fermate e interventi manuali. Robot capaci di apprendere sul campo promettono di accorciare questa distanza. Il vantaggio, in prospettiva, è una macchina meno dipendente da istruzioni riscritte da zero ogni volta che cambia un dettaglio del processo.

    Il modello cooperativo, poi, sposta il discorso su scala più ampia. Se una competenza acquisita da una singola unità può essere trasferita all’intera flotta, l’apprendimento smette di restare locale e diventa un patrimonio condiviso della rete robotica. È un’idea che parla anche alle piccole e medie imprese, comprese quelle che in aree come Catania o Siracusa guardano all’automazione con prudenza, pesando costi e benefici. La robotica fisica, in questa lettura, si allontana dalla macchina puramente esecutrice e si avvicina a sistemi che si aggiornano mentre lavorano. E tutto, per ora, passa da un gesto molto concreto: inserire una scheda grafica su una scheda madre senza piegare un solo pin.

  • Midjourney Medical: scanner total body in 60 secondi

    Midjourney Medical: scanner total body in 60 secondi

    Midjourney, il laboratorio di ricerca conosciuto per il sistema di intelligenza artificiale che genera immagini a partire da descrizioni testuali, ha annunciato un progetto che segna un cambio netto di direzione. L’azienda ha presentato Midjourney Medical, descritto come il suo primo prodotto hardware, con l’obiettivo di arrivare a una macchina capace di eseguire la scansione dell’intero corpo in 60 secondi. Nel messaggio diffuso dall’azienda, il progetto viene indicato come un passaggio utile a distinguersi e a definire con maggiore chiarezza la propria traiettoria.

    Midjourney ha accompagnato il lancio con due frasi che spiegano l’impostazione del lavoro. «Stiamo costruendo un tipo di macchina radicalmente nuovo per reimmaginare le fondamenta dell’assistenza sanitaria e il rapporto con il nostro corpo», scrive Midjourney. E ancora: «Abbiamo sognato qualcosa di potente come una risonanza magnetica, ma rilassante come una giornata alla spa».

    Come funziona lo scanner a ultrasuoni presentato da Midjourney

    Il dispositivo viene descritto come uno “scanner corporeo” a ultrasuoni. Il funzionamento immaginato prevede che il paziente scenda in una piscina d’acqua dorata a una velocità di circa 5 centimetri al secondo, attraversando un anello di sensori. In questo passaggio il sistema dovrebbe produrre in un minuto un’immagine tridimensionale del corpo, con dettagli relativi a muscoli, grasso, ossa e organi.

    Per spiegare il principio alla base del sistema, l’azienda richiama il paragone con «un delfino che usa l’ecolocalizzazione». Le onde emesse e le loro ripercussioni vengono elaborate con una potenza di calcolo indicata in due petaflop, così da ottenere immagini 3D dettagliate. Secondo Midjourney, il risultato sarebbe vicino a quello delle attuali risonanze magnetiche, ma con una velocità quasi cento volte superiore rispetto ai tempi abituali di una risonanza total body, che vengono indicati in 60-90 minuti.

    Lo scanner nasce in collaborazione con Butterfly Network, società specializzata negli ultrasuoni. Ogni sistema utilizza 40 moduli di imaging Butterfly Ultrasound-on-Chip. Le scansioni effettuate dagli utenti, secondo quanto annunciato, potranno essere condivise con i medici e sottoposte anche all’analisi di strumenti di intelligenza artificiale applicati alla salute.

    I tempi del progetto, la spa a San Francisco e l’obiettivo 2031

    Il CEO David Holz ha indicato un primo impiego concreto del progetto a Union Square, a San Francisco. L’intenzione riferita è installare dieci scanner all’interno di una spa dotata di palestra, saune e vasche fredde, con apertura prevista prima della fine del prossimo anno. La scelta del contesto richiama direttamente l’idea espressa dall’azienda di associare la diagnostica a un’esperienza percepita come più rilassante.

    Per l’uso medico del dispositivo sarà comunque necessaria l’approvazione della Food and Drug Administration, l’agenzia federale statunitense che regola, tra le altre cose, prodotti alimentari e farmaceutici. Nei prossimi 12 mesi Midjourney prevede di lavorare sugli algoritmi e sullo scanner, svolgendo test di ricerca e progettando anche una seconda generazione dell’hardware. Il traguardo indicato dall’azienda è arrivare a 50.000 scanner nel mondo entro il 2031.

    Nell’annuncio, Midjourney lega il progetto anche a una prospettiva più ampia sulla diagnostica per immagini. «Riteniamo che in futuro, grazie a una diagnostica per immagini sufficientemente precoce, il mondo potrebbe evitare il 30% di tutti i decessi e il 50% di tutti i costi sanitari», riferisce l’azienda nell’annuncio.

  • Applicazioni dell’intelligenza artificiale nella sanità: diagnosi, terapie, gestione ospedaliera e rischi

    Applicazioni dell’intelligenza artificiale nella sanità: diagnosi, terapie, gestione ospedaliera e rischi

    Introduzione: perché l’intelligenza artificiale sta trasformando la sanità

    L’intelligenza artificiale (AI) sta cambiando la sanità perché consente di analizzare grandi volumi di informazioni cliniche in tempi ridotti, individuare pattern difficili da riconoscere “a occhio” e supportare decisioni complesse. Nel contesto della sanità digitale, l’AI si integra con cartelle cliniche elettroniche, dispositivi medicali, piattaforme di telemedicina e sistemi di gestione ospedaliera. L’obiettivo non è “automatizzare” la medicina, ma migliorare qualità, sicurezza, tempestività e sostenibilità delle cure, mantenendo il controllo umano nei passaggi critici.

    Che cosa significa applicare l’intelligenza artificiale in ambito sanitario

    Applicare l’AI in sanità significa usare modelli matematici e software capaci di apprendere dai dati per svolgere attività come classificazione, previsione, riconoscimento di immagini o generazione di sintesi. Nella pratica, la maggior parte dei sistemi clinici si basa su machine learning (apprendimento da esempi) e, in particolare, su tecniche di deep learning per immagini e segnali.

    È utile distinguere tra:

    • AI “assistiva”: supporta il professionista con suggerimenti, priorità, alert e riassunti (es. sistemi di supporto alle decisioni cliniche).
    • AI “operativa”: automatizza processi organizzativi (es. ottimizzazione turni, gestione flussi, codifica documentale).
    • AI “predittiva”: stima rischi e probabilità (es. complicanze, riospedalizzazioni, progressione di malattia), abilitando la medicina predittiva.

    In tutti i casi, la qualità dell’AI dipende da tre fattori: dati (completezza e rappresentatività), validazione clinica (performance su popolazioni reali) e governance (processi, responsabilità, audit).

    Principali applicazioni dell’AI nella sanità: diagnosi, radiologia, terapie e prevenzione

    Diagnostica per immagini: radiologia, TAC, RM, ecografia e anatomia patologica digitale

    Uno degli ambiti più maturi è la diagnostica per immagini. Algoritmi di visione artificiale possono:

    • identificare anomalie sospette (lesioni, noduli, fratture);
    • segmentare strutture anatomiche per misurazioni rapide e standardizzate;
    • prioritizzare gli esami urgenti (“triage”) nelle liste di refertazione;
    • supportare l’anatomia patologica con analisi di vetrini digitali (conteggi cellulari, grading, marker).

    In radiologia l’AI tende a funzionare come “secondo lettore”: aumenta sensibilità e coerenza, ma non elimina la necessità di un referto finale responsabile da parte dello specialista.

    Supporto alle decisioni cliniche e medicina predittiva

    Nei reparti e nei pronto soccorso, l’AI può elaborare dati di laboratorio, parametri vitali e anamnesi per:

    • segnalare precocemente rischio di deterioramento clinico (es. sepsi);
    • stimare probabilità di eventi avversi o riammissione;
    • aiutare nella scelta di percorsi diagnostico-terapeutici coerenti con linee guida;
    • personalizzare follow-up e intensità assistenziale.

    Questi sistemi sono più efficaci quando integrati nel flusso di lavoro e accompagnati da spiegazioni (anche parziali) del motivo degli alert, per ridurre la “fatica da notifica” e aumentare l’adozione.

    Terapie e personalizzazione delle cure

    In ambito terapeutico l’AI supporta la medicina di precisione combinando dati clinici, imaging e talvolta dati omici. Gli impieghi includono:

    • supporto alla pianificazione radioterapica (contouring e ottimizzazione);
    • previsione di risposta o tossicità a trattamenti (se il modello è validato e aggiornato);
    • segnalazione di interazioni farmacologiche o rischi in politerapia;
    • assistenza nella gestione di malattie croniche con monitoraggio continuo.

    Telemedicina, triage e monitoraggio remoto

    Con la telemedicina, l’AI può analizzare dati da dispositivi e questionari, riconoscere trend e inviare segnalazioni tempestive. Esempi pratici:

    • monitoraggio di scompenso cardiaco, diabete o BPCO con alert su peggioramenti;
    • triage digitale per indirizzare il paziente al percorso più adeguato (sempre con supervisione clinica);
    • supporto alla continuità assistenziale tra ospedale e territorio.

    Ricerca medica e sviluppo di farmaci

    Nella ricerca, l’AI accelera l’analisi di dati clinici e sperimentali e può contribuire a:

    • identificare target terapeutici e riposizionare farmaci;
    • selezionare pazienti per trial clinici (matching criteri/biomarcatori);
    • analizzare letteratura scientifica e registri clinici per evidenze aggiornate.

    Questi usi richiedono standard di qualità dei dati e trasparenza metodologica, in linea con le raccomandazioni di organismi internazionali come l’Organizzazione Mondiale della Sanità.

    Benefici per pazienti, medici, ospedali e sistemi sanitari

    I vantaggi dell’AI in medicina emergono quando tecnologia e organizzazione si rafforzano a vicenda:

    • Diagnosi più tempestive: riduzione dei tempi di refertazione e identificazione precoce di segnali deboli.
    • Maggiore sicurezza: supporto nel riconoscimento di situazioni a rischio e riduzione di errori evitabili (se l’AI è ben progettata e monitorata).
    • Personalizzazione: piani di cura e follow-up basati su profili di rischio individuali.
    • Efficienza operativa: ottimizzazione delle risorse (sale, posti letto, turni), riduzione di attese e sprechi.
    • Riduzione del carico amministrativo: automazione di codifiche, estrazione dati da referti, sintesi di documentazione.

    Per i pazienti, il beneficio non è “l’algoritmo in sé”, ma un percorso più rapido, coerente e accessibile. Per i professionisti, il valore è liberare tempo clinico e migliorare l’accuratezza, senza compromettere autonomia e responsabilità.

    Rischi, limiti ed errori dell’intelligenza artificiale in medicina

    L’AI in sanità non è infallibile e presenta rischi specifici:

    • Bias e disuguaglianze: se i dati di addestramento non rappresentano tutte le popolazioni, le prestazioni possono peggiorare su alcuni gruppi.
    • Falsi positivi e falsi negativi: un alert errato può generare ansia, esami inutili o, al contrario, ritardi diagnostici.
    • “Automation bias”: tendenza a fidarsi troppo della macchina, riducendo il controllo critico.
    • Deriva del modello: cambiamenti in protocolli, apparecchiature o popolazione possono degradare le performance nel tempo.
    • Scarsa interpretabilità: alcuni modelli sono opachi; senza adeguate evidenze e monitoraggio, l’adozione può essere rischiosa.

    La mitigazione passa da validazioni prospettiche, monitoraggio continuo, audit, formazione e procedure chiare su quando ignorare o confermare un suggerimento algoritmico.

    Privacy, etica e normativa: dati sanitari, AI Act e responsabilità clinica

    I dati sanitari sono tra i più sensibili: diagnosi, terapie, referti e informazioni genetiche richiedono protezioni elevate. Le priorità operative includono minimizzazione dei dati, controlli di accesso, cifratura, tracciamento delle attività e valutazioni d’impatto.

    Sul piano normativo europeo, l’AI Act classifica molti sistemi AI in sanità come ad alto rischio, imponendo requisiti su gestione del rischio, qualità dei dati, documentazione, trasparenza, sorveglianza umana e robustezza. In parallelo, restano centrali le regole sulla protezione dei dati personali e i dispositivi medici software, dove applicabile.

    Un punto chiave è la responsabilità clinica: l’AI può supportare, ma la decisione assistenziale deve rimanere tracciabile e giustificabile. Per questo sono essenziali policy interne, comitati etici, e contratti chiari con i fornitori (incluse garanzie su aggiornamenti, incident reporting e sicurezza).

    Per approfondire il quadro normativo europeo, puoi consultare la pagina ufficiale della Commissione UE: Commissione europea.

    Conclusione: il futuro dell’intelligenza artificiale nella sanità tra innovazione e controllo umano

    L’AI in sanità è già una leva concreta per migliorare diagnosi, prevenzione, gestione ospedaliera e ricerca medica. Tuttavia, per ottenere benefici reali serve un approccio rigoroso: dati di qualità, validazione clinica, governance, tutela della privacy e conformità normativa. La domanda decisiva non è se l’AI sostituirà medici e operatori sanitari, ma come verrà integrata per aumentare capacità e sicurezza mantenendo supervisione umana. Il futuro più credibile è una collaborazione strutturata: algoritmi che potenziano l’assistenza e professionisti che garantiscono contesto, responsabilità e relazione di cura.

  • Età biologica, 11 organi sotto esame: il test del sangue stima i rischi

    Età biologica, 11 organi sotto esame: il test del sangue stima i rischi

    C’è un punto in cui la prevenzione smette di inseguire i sintomi e prova invece a leggere il corpo prima che il problema emerga. È qui che si inserisce un test del sangue sperimentale capace di stimare l’età biologica di 11 organi e di alcuni tipi cellulari attraverso proteine nel sangue e algoritmi di intelligenza artificiale. Il dato più interessante è che un invecchiamento accelerato di cervello, cuore e polmoni si associa a un rischio più alto di malattie future e a differenze nella sopravvivenza.

    In una stagione in cui anche la sanità ragiona sempre più in termini di previsione, il valore di strumenti simili sta nella loro promessa prudente. Non offrono una sentenza, almeno per ora, ma una lettura più fine del tempo biologico. E questo tempo, come sanno bene anche i reparti che in Sicilia lavorano sulla cronicità e sull’invecchiamento, non coincide sempre con quello segnato dalla carta d’identità.

    Come il test del sangue legge 11 organi

    Il principio è meno astratto di quanto sembri. I ricercatori hanno osservato quasi 3 mila proteine presenti nel sangue, molte delle quali prodotte soprattutto da organi specifici, e le hanno usate come segnali indiretti del loro stato biologico. L’algoritmo confronta questa firma proteica con quella media di persone della stessa età anagrafica, costruendo così una mappa personalizzata dell’invecchiamento di cervello, cuore, polmoni, reni, fegato, arterie, muscoli, pancreas, intestino, sistema immunitario e tessuto adiposo.

    Qui sta il cuore del tema, perché età anagrafica ed età biologica raccontano due cose diverse. La prima conta gli anni trascorsi, la seconda prova a misurare quanto un organo appaia “vecchio” o “giovane” dal punto di vista funzionale e molecolare. Sarebbe una forzatura considerarla una fotografia perfetta del corpo. Ma sarebbe altrettanto riduttivo leggerla come una curiosità da laboratorio, perché sposta la medicina preventiva verso una stima anticipata del rischio, prima che la malattia sia già manifesta.

    Cervello, cuore e polmoni segnalano il rischio

    I risultati mostrano che gli organi non invecchiano tutti allo stesso ritmo. Circa un terzo delle persone analizzate presentava almeno un organo biologicamente molto più vecchio o molto più giovane rispetto alla propria età anagrafica, mentre una quota rilevante ne mostrava più di uno. Anche questo dato non va letto solo in chiave statistica, perché suggerisce che il profilo di rischio individuale può cambiare molto da persona a persona, pur partendo dallo stesso numero di anni.

    Il cervello emerge come il segnale più sensibile. Tony Wyss-Coray ha spiegato: “Il cervello è il custode della longevità”. Nello studio, un cervello biologicamente più vecchio si associa sia a una maggiore vulnerabilità neurodegenerativa sia a una minore sopravvivenza nel lungo periodo; quando l’età biologica cerebrale era molto avanzata, la probabilità di ricevere una diagnosi di Alzheimer risultava tripla rispetto a chi aveva un cervello nella norma.

    Il quadro si ripete anche altrove, con effetti diversi a seconda dell’organo coinvolto. Un cuore biologicamente più vecchio si lega a un rischio più alto di insufficienza cardiaca e fibrillazione atriale, mentre polmoni più “anziani” anticipano una probabilità maggiore di broncopneumopatia cronica ostruttiva. Poi ci sono reni e fegato, che seguono la stessa logica. In altre parole, organi biologicamente più vecchi possono accompagnarsi a esiti peggiori nel tempo.

    Dalle proteine nel sangue a una prevenzione su misura

    La prospettiva clinica è chiara, anche se ancora lontana dall’uso quotidiano. Un test del sangue di questo tipo potrebbe aiutare a personalizzare controlli, frequenza dei monitoraggi e indicazioni sugli stili di vita, concentrando l’attenzione sugli organi che mostrano un invecchiamento accelerato. È un approccio che dialoga bene con una medicina sempre più guidata dai dati, come accade anche in altri campi dove gli algoritmi contano meno per l’effetto novità e più per l’affidabilità delle decisioni che rendono possibili.

    Resta però uno strumento sperimentale, e questo va tenuto fermo. Non è ancora un esame routinario, non sostituisce la diagnosi clinica e richiede interpretazione prudente. Per il paziente, semmai, cambia il tipo di informazione ricevuta: non una risposta definitiva, ma una mappa dell’invecchiamento degli organi, utile se inserita dentro una valutazione medica più ampia. Il possibile cambio di paradigma sta tutto qui, nel passaggio da una medicina che rileva il danno a una che prova a leggere prima i segnali biologici. E per ora quel passaggio comincia da quasi 45 mila persone, 3 mila proteine e dal nome di Tony Wyss-Coray.

  • Salesforce, Fortarezza: «Scrivere codice è solo il 10%»

    Salesforce, Fortarezza: «Scrivere codice è solo il 10%»

    L’ipotesi di una “SaaS Apocalypse” continua a circolare nella Silicon Valley e descrive uno scenario in cui l’intelligenza artificiale generativa, insieme al cosiddetto vibe coding, renderebbe superato il software enterprise tradizionale. L’idea è semplice: basta dialogare con un modello, indicare ciò che serve e l’applicazione viene costruita quasi automaticamente. Dall’inizio del 2026, intanto, i titoli dei grandi gruppi del software hanno registrato cali a due cifre, mentre ogni nuovo annuncio dei colossi dell’AI ha rafforzato questa lettura.

    In questo quadro Salesforce prova a riposizionarsi, trasformando quella che viene percepita come una minaccia in una nuova architettura per l’economia degli agenti. Vanessa Fortarezza, ceo di Salesforce in Italia, contesta però l’idea che l’avanzata dei modelli linguistici possa cancellare il ruolo delle grandi piattaforme. La manager richiama un dato preciso: la teoria della “SaaS Apocalypse” ha preso forza dopo la perdita di 285 miliardi di dollari di capitalizzazione di mercato in 48 ore, ma secondo lei il quadro reale è più articolato.

    Sicurezza, governance e processi oltre il codice

    Fortarezza sostiene che il codice rappresenti solo una parte limitata del valore del software. «Il punto è che scrivere codice rappresenta solo una piccola parte del problema: circa il 10% del software. Il restante 90% è fatto di sicurezza, governance, compliance e processi aziendali». In questa lettura, il peso delle piattaforme consolidate non si misura soltanto nella capacità di generare applicazioni, ma nella logica di business accumulata nel tempo e nel rapporto di fiducia costruito con i clienti.

    La ceo cita anche gli elementi che, a suo giudizio, distinguono un’infrastruttura enterprise da un modello pubblico usato in autonomia. Tra questi indica le certificazioni GDPR e la certificazione ACN QC2 per la pubblica amministrazione. Per Fortarezza, un LLM pubblico da solo non può garantire lo stesso livello di affidabilità e sicurezza richiesto in contesti regolati e nei processi aziendali più sensibili.

    A rafforzare questa posizione, secondo la manager, ci sono anche i dati di mercato. Un’indagine di Morgan Stanley mostra che dal 2024 è raddoppiato il numero di aziende che continuano ad affidarsi ai leader tradizionali del software. Il messaggio è che l’adozione dell’intelligenza artificiale non elimina automaticamente il bisogno di controllo, conformità e governo dei sistemi, aspetti che restano centrali per chi opera su larga scala.

    L’apertura agli LLM esterni e il divario tra le aziende

    La risposta strategica di Salesforce passa dall’integrazione degli LLM esterni nella propria architettura. Fortarezza spiega: «Abbiamo deciso di abbracciare pienamente gli LLM esterni integrando il protocollo MCP in tutti i layer della nostra architettura». Secondo la ceo, questo consente a modelli come Claude, ChatGPT o Gemini di accedere ai dati Salesforce in tempo reale e in forma conversazionale, mantenendo però l’operatività dentro l’infrastruttura di sicurezza della piattaforma.

    L’obiettivo indicato è fare dei modelli una nuova interfaccia di accesso ai sistemi aziendali, senza rinunciare a controllo e governance. Sul fronte italiano, Fortarezza rileva una forte attenzione, con centinaia di progetti pilota già avviati e alcuni casi entrati in produzione. La manager parla di un “divario agentico” tra imprese che restano ferme alla fase di test e altre che stanno già procedendo con trasformazioni su larga scala, come Unicredit.

    Nei mercati regolamentati, in particolare in quello bancario, l’adozione procede con maggiore cautela. L’approccio prevalente parte dall’intelligenza artificiale assistiva destinata ai dipendenti, con l’obiettivo di aumentare la produttività interna. Portare direttamente gli agenti AI a contatto con i clienti finali, osserva Fortarezza, richiede livelli di affidabilità molto elevati, perché le aziende vogliono standard vicini a quelli umani prima di esporsi a rischi reputazionali o normativi.

  • Svolta sulla sovranità AI: Trump blocca Anthropic ai cittadini stranieri

    Svolta sulla sovranità AI: Trump blocca Anthropic ai cittadini stranieri

    C’è un momento, nelle grandi transizioni tecnologiche, in cui il mercato smette di bastare e torna la politica a dettare i confini. Il blocco imposto dall’amministrazione Trump sui modelli più avanzati di Anthropic per i cittadini stranieri trasforma l’intelligenza artificiale in un’infrastruttura strategica, accessibile o negata per decisione nazionale. È da qui che in Europa e Canada si riapre il nodo della sovranità AI, della dipendenza tecnologica e della ricerca di alternative non americane.

    La vicenda colpisce perché sposta il baricentro della discussione. Per anni si è parlato di modelli, prestazioni, costi e regolazione. Adesso il punto diventa un altro: chi decide, in ultima istanza, chi può usare uno strumento considerato cruciale. Anche per chi osserva da lontano, da Bruxelles come da Palermo, il messaggio è molto più ampio del destino di una singola piattaforma.

    Trump blocca Anthropic e ridisegna l’accesso AI

    La misura è stata netta e improvvisa. Su richiesta di Washington, Anthropic ha disattivato i suoi modelli più avanzati, Fable 5 e Mythos 5, per tutti i cittadini stranieri, compresi i dipendenti della stessa azienda che non hanno cittadinanza statunitense. Si tratta di un passaggio rilevante perché non riguarda un uso illecito già accertato su larga scala, ma la possibilità stessa di accesso. Modelli già sottoposti a limiti per gli impieghi più delicati sono stati comunque sottratti dalla disponibilità globale.

    Leggere questo episodio come un semplice incidente commerciale sarebbe riduttivo. Qui prende forma un precedente politico: una tecnologia sviluppata da un attore privato resta, nei fatti, dentro un perimetro di sicurezza nazionale definito dal governo americano. L’intelligenza artificiale di frontiera smette così di apparire come un servizio globale sempre disponibile e assume il profilo di un asset strategico. Per imprese e governi il segnale è chiaro: l’accesso a strumenti centrali per ricerca, difesa, industria e servizi può essere ristretto in tempi brevi e con margini limitati di previsione.

    Europa e Canada misurano la dipendenza tecnologica

    In Europa la reazione ha riacceso un dibattito che covava da anni. Nel Regno Unito il ministro Kanishka Narayan ha legato il tema alla sicurezza nazionale, dicendo: “We treat every other threat to our sovereignty with deadly seriousness, but we haven’t learned to treat this one in the same way,” e ancora che l’AI è “the central political question of our time”. In Francia, Gabriel Attal ha parlato dell’inizio di “the AI war”. Sono formule dure, ma riflettono un’inquietudine concreta sulla fragilità delle dipendenze digitali.

    Il problema, del resto, è operativo prima ancora che teorico. Aziende, centri di ricerca e team internazionali costruiscono prodotti, flussi interni e prototipi appoggiandosi a fornitori americani che fino a ieri sembravano stabili. Se una decisione politica negli Stati Uniti può interrompere l’accesso, il rischio non riguarda solo compliance o diplomazia: entra nei calendari di sviluppo, nei contratti, nella continuità dei servizi. In Sicilia, dove molte imprese innovative lavorano con infrastrutture esterne per contenere costi e tempi, il tema tocca anche chi è lontano dai grandi laboratori.

    Da qui torna attuale il confronto con le alternative. Cloud diversificati, modelli open source, partnership locali e sviluppo di capacità proprie diventano opzioni meno teoriche di quanto apparissero pochi mesi fa. Se può essere utile un richiamo interno, anche il caso delle batterie di Honor Magic 8 Pro mostra come dietro una scelta tecnica agiscano regole, trasporto e mercato europeo. Nell’AI il quadro è ancora più sensibile, perché la leva politica può intervenire direttamente sulla disponibilità dello strumento.

    La sovranità AI cerca ora filiere autonome

    Dopo Anthropic, la continuità di accesso entra tra i criteri strategici con cui scegliere un fornitore. Sovranità AI, in questo contesto, non coincide con chiusura o autosufficienza assoluta. Indica piuttosto la capacità di non dipendere da un solo perimetro politico e tecnologico, soprattutto quando quel perimetro può cambiare orientamento in tempi rapidi. È una distinzione che vale per i governi, ma anche per le imprese che devono decidere dove far girare modelli, dati e processi sensibili.

    Le mosse possibili sono note, anche se richiedono tempo e risorse. Diversificare i vendor, investire in modelli europei o proprietari, rafforzare infrastrutture locali, lavorare su linguaggi e casi d’uso specifici. Francia e Canada hanno già alcuni attori su cui costruire, mentre altrove si ragiona su soluzioni più mirate. Il discrimine dei prossimi mesi sarà la capacità di mettere insieme un ecosistema affidabile prima del prossimo stop. E questa volta il dettaglio da ricordare sono due nomi precisi, Fable 5 e Mythos 5, spariti nel fine settimana con una decisione presa a Washington.

  • Gartner, data center AI a 290 GW entro il 2030

    Gartner, data center AI a 290 GW entro il 2030

    La crescita dei data center legati all’intelligenza artificiale potrebbe scontrarsi con un limite meno visibile della disponibilità di chip: l’energia. Le nuove stime indicano che il fabbisogno elettrico delle strutture dedicate all’AI continuerà ad aumentare rapidamente nei prossimi anni, fino a diventare un fattore decisivo per l’espansione del settore. Il punto critico, secondo le proiezioni, è che la capacità di alimentare questi impianti rischia di diventare il vero vincolo della corsa globale all’AI.

    Per il 2026, lo studio prevede che i consumi energetici dei data center per l’intelligenza artificiale cresceranno del 26%. Si tratta di una revisione al rialzo rispetto a una previsione precedente, che fissava il tetto di crescita a 500 TWh, con uno scarto del 13%. Oggi i data center AI rappresentano il 31% del consumo energetico complessivo del comparto, ma il sorpasso sui server tradizionali viene indicato già dal 2027.

    Il nodo energia nella corsa ai data center

    Negli ultimi anni la domanda di chip per l’AI è aumentata con forza, spingendo i principali operatori del settore a investire in infrastrutture, sistemi di training e hardware per l’inferenza, con l’obiettivo di ampliare data center e cloud dedicati alla potenza di calcolo. L’idea dominante era che chip più veloci e più efficienti fossero la chiave per sbloccare sia l’Artificial General Intelligence sia i guadagni di efficienza promessi dall’adozione dell’AI, mentre l’attenzione del mercato si spostava dagli agenti agli operatori AI.

    Ora torna al centro un problema che era stato già intravisto, ma che secondo queste valutazioni sarebbe stato sottostimato: la disponibilità di energia. Le stime indicano che i data center si trovano oggi entro un limite di 132 GW di fabbisogno, ma potrebbero arrivare a 290 GW entro il 2030. Se questo scenario non verrà affrontato, la crescita delle nuove strutture potrebbe fermarsi proprio alla fine del decennio, non per carenza di semiconduttori ma per insufficienza di potenza elettrica disponibile.

    Linglan Wang, Director Analyst, ha spiegato: «Surging demand for compute-intensive AI workloads is driving unprecedented data center power growth, while AI capacity is now constrained by power availability, making data center power security the new battleground for scaling and protecting margins in the global AI race». La lettura proposta è chiara: la sicurezza dell’approvvigionamento elettrico diventa un elemento centrale sia per aumentare la scala operativa sia per difendere i margini in un mercato sempre più competitivo.

    Efficienza, reti elettriche e investimenti entro fine decennio

    Il quadro descritto supera anche gli scenari più severi finora tracciati da altri operatori dell’infrastruttura elettrica. In questo contesto si inserisce anche l’attenzione crescente all’efficienza energetica dei chip. Jensen Huang, amministratore delegato di Nvidia, ha già indicato il rendimento energetico come uno dei punti di forza dei processori dell’azienda, sostenendo in una recente intervista che data center e clienti enterprise cercheranno il massimo numero di «tokens per watt» in un futuro segnato da vincoli di potenza.

    L’altro fronte riguarda la rete. Aumentare la produzione di energia o aggiornare le infrastrutture elettriche viene indicato come un processo potenzialmente più complesso e più lento della costruzione dei data center stessi. Una stima di Goldman Sachs valuta che, entro la fine del decennio, potrebbero servire fino a 720 miliardi di dollari di investimenti nelle reti per assorbire il carico aggiuntivo portato dai data center per l’AI. Nello stesso orizzonte temporale, il fabbisogno energetico attuale, indicato in 565 TWh, potrebbe più che raddoppiare fino a 1.200 TWh.

    Resta da vedere se l’andamento reale seguirà in modo preciso queste proiezioni. Tuttavia, con i grandi operatori che continuano a segnalare un aumento della spesa per l’infrastruttura AI, lo scenario di una domanda elettrica in forte crescita viene considerato plausibile. In questa prospettiva, il settore potrebbe spostare progressivamente il proprio focus dalla sola potenza di calcolo alla capacità di garantire insieme energia disponibile ed efficienza operativa.