In Anthropic, i junior passano dal 27 % al 9 % delle assunzioni tecniche, DeepSeek pubblica V4.1-Flash-1017, Claude Code inizia a rispondere tre volte più velocemente

Anthropic prende i propri team come oggetto di studio: i junior sono passati dal 27 % al 9 % delle assunzioni tecniche, ad agosto gli agenti avviati dai dipendenti hanno lavorato per un numero di ore sei volte superiore al loro, e il 91 % di questi dipendenti ritiene l’IA capace di una scoperta degna di un premio Nobel entro il 2030, contro il 39 % degli americani. DeepSeek pubblica V4.1-Flash-1017 con licenza MIT, davanti a GPT-5.6 Sol e Claude Opus 5 su DeepSWE v1.1 a tariffa invariata, e apre a tutti le sue API di ricerca web Search e Fetch. Gli agenti di Google Research pilotano robot di laboratorio e contribuiscono a ottenere leganti proteici nanomolari contro un bersaglio tumorale, Claude Code inizia a rispondere tre volte più velocemente rispetto ad agosto, e NVIDIA presenta in dettaglio i suoi PC RTX Spark per gli sviluppatori.

Anthropic studia i propri posti di lavoro: i junior scendono al 9 % delle assunzioni tecniche, i suoi dipendenti si aspettano molto più dall’IA rispetto agli americani

16 ottobre — Il team Economics di Anthropic pubblica due rapporti di The Anthropic Institute che prendono l’azienda stessa come oggetto di studio. Il primo, «Come sta cambiando l’occupazione in Anthropic» (How employment is changing at Anthropic), incrocia dati interni (organico, uso dell’IA, produzione, agende, decisioni di assunzione) con 17 interviste ai dipendenti. Il secondo, «Il divario nelle aspettative sull’IA» (The AI expectations gap), confronta un sondaggio Morning Consult condotto ad agosto su 10 980 adulti americani con un’indagine interna su 1 334 dipendenti; una seconda rilevazione, a settembre, dà risultati simili.

Indicatore monitorato in Anthropic	Variazione misurata
Quota di junior nelle assunzioni tecniche	dal 27 % al 9 %
Quota di junior nei reparti tecnici	dal 21 % al 14 % dall’inizio del 2025
Ore degli agenti interattivi per un’ora di un dipendente	6 ad agosto 2026
Commits per ingegnere	5 volte il ritmo di sei mesi prima
Sessioni di codice dei non tecnici, al mese	da 2 (agosto 2025) a 90 (maggio 2026)

Il calo dei principianti è il dato più evidente, e l’IA vi svolge un ruolo dichiarato: nell’aprile 2026, circa un terzo dei manager nell’apprendimento automatico e un quinto dei manager nell’ingegneria del software dichiaravano di assumere meno a causa sua. Gli agenti, da parte loro, hanno guadagnato spazio: nel marzo 2026, le loro ore complessive hanno superato per la prima volta quelle dei dipendenti. Tra 192 ingegneri passati agli agenti di programmazione, confrontati con 74 che non lo hanno fatto, il codice aggiunto aumenta drasticamente, senza che quello degli agenti venga poi eliminato o annullato più spesso.

Il rovescio della medaglia è l’attenzione umana, diventata il collo di bottiglia: le sessioni interattive rimangono inattive per circa l’80 % del tempo, in attesa di una risposta, e leggere tutto ciò che producono richiederebbe più della metà della settimana lavorativa. Il meta-lavoro (meta-work), che consiste nello scrivere specifiche per gli agenti, nel far rileggere da un agente il lavoro di un altro o nel sorvegliare pipeline di elaborazione, è passato dal 10 % al 22 % delle sessioni tra l’autunno 2025 e la primavera 2026, e il dipendente mediano trascorre il 20 % di tempo in più in riunione rispetto a un anno fa. In fase di assunzione, le valutazioni insistono maggiormente sull’autonomia e sulla capacità di giudizio; Anthropic afferma di stare introducendo un sistema di allerta precoce (early warning system) per i posti di lavoro esposti e di privilegiare le riassegnazioni interne.

Il secondo rapporto mostra che dipendenti e grande pubblico concordano su ciò che l’IA sa fare oggi, ma non sulla velocità dei suoi progressi:

Risposta misurata, orizzonte 2030	Americani intervistati	Dipendenti di Anthropic
Scoperta degna di un premio Nobel ritenuta possibile	39 %	91 %
Quota del proprio lavoro eseguibile dall’IA (media)	28 % (attivi)	75 %
Crescita del PIB implicata dalle risposte (mediana)	5,4 %	17,1 %

I due gruppi ragionano però allo stesso modo: più si pensa che l’IA svolgerà una grande parte del proprio lavoro, più si prevede disoccupazione, e i lavoratori americani che la ritengono capace di svolgerne almeno l’80 % prevedono il 12,2 % di disoccupazione nel 2030, contro il 4,2 % di oggi. La crescita del PIB è ricavata dal modello di scenari economici presentato da Anthropic a settembre. Infine, il dipendente mediano stima che l’IA svolga già il 51 % del lavoro di costruzione di un modello di punta e prevede che raggiunga il 95 % alla fine del 2030: il rapporto precisa che si tratta di opinioni personali raccolte tramite sondaggio, non di previsioni dell’azienda.

🔗 Come sta cambiando l’occupazione in Anthropic · Il divario nelle aspettative sull’IA · Il post di presentazione

Modelli aperti: DeepSeek pubblica V4.1-Flash-1017 e apre le sue API Search e Fetch, i partner di NVIDIA effettuano il post-training di Nemotron 3.5 Super VL

17 ottobre — DeepSeek pubblica DeepSeek-V4.1-Flash-1017, una nuova versione di V4.1-Flash, il suo modello multimodale di tipo MoE da 552 miliardi di parametri lanciato il 10 settembre. La scheda del modello parla di un aggiornamento minore (minor update), ma le differenze sono nette nei compiti degli agenti: 77,0 % su DeepSWE v1.1 contro 74,2 % per la versione precedente, 42,3 contro 31,2 su Terminal-Bench 4.0. I pesi sono pubblicati con licenza MIT su Hugging Face e ModelScope, e il modello è online sul sito, nell’applicazione e tramite l’API.

Stronger benchmark performance, faster task completion, and shorter outputs than the previous version—a Pareto improvement in performance and cost.

🇮🇹 Punteggi più alti, compiti completati più rapidamente e output più brevi rispetto alla versione precedente: un miglioramento di Pareto in termini di prestazioni e costi. — @deepseek_ai su X

Il prezzo, invece, rimane invariato. Il nome deepseek-flash ora rimanda a questa versione, con un contesto di un milione di tokens e fino a 384K tokens in output; i vecchi nomi deepseek-v4-flash e deepseek-v4-flash-vision-exp sono ancora accettati, ma anche le loro richieste vengono indirizzate a V4.1-Flash-1017. La pagina dei prezzi indica ancora 0,30 dollari per milione di tokens in input (senza cache) e 1,20 dollari in output nelle ore di punta, la metà nelle ore non di punta, come il 13 settembre. La riduzione dei costi deriva quindi dalle risposte più brevi: il grafico delle note di rilascio, leggibile solo come immagine, colloca l’impostazione max al 77,0 % su DeepSWE v1.1 per circa 0,2 dollari per compito, al di sopra di tutti gli altri punti. Il più vicino, GPT-6.1 Sol, si ferma attorno al 75 % per circa 0,65 dollari, mentre i punti migliori di GPT-6 Astra, Gemini 3.8 Flash, Claude Opus 5 e Claude Fable 5, tra il 70 % e il 74 % circa, costano da 2 a 15 dollari circa per compito.

Benchmark	V4.1-Flash-1017	V4.1-Flash	K3	GLM-5.3	GPT-5.6 Sol	Opus 5
HLE senza strumenti	42,6	36,8	43,5	42,0†	44,5	56,3
Terminal-Bench 4.0	42,3	31,2	12,6	37,9	39,9	51,8
DeepSWE v1.1	77,0	74,2	67,5	66,9	73,0	74,0
ProgramBench	29,1	20,3	17,5	19,0	23,0	37,0
NL2Repo-Bench	68,2	65,4	58,0	58,0	56,8	75,3
Automation-Bench v1.0.6	60,5	54,8	46,7	48,8	45,8	50,3
Agents’ Last Exam	35,4	31,8	27,6	28,5	26,7	28,6
Apex Bench v1.1	72,1	64,6	47,8	56,6	54,3	65,8

† : sottoinsieme testuale di HLE, unico punteggio indicato per GLM-5.3 (V4.1-Flash-1017 vi ottiene 44,0). Fonte: scheda Hugging Face del modello.

Per i modelli chiusi, la tabella include soltanto GPT-5.6 Sol e Claude Opus 5, non i loro successori. V4.1-Flash-1017 li supera su DeepSWE v1.1, Automation-Bench, Agents’ Last Exam e Apex Bench, ma resta dietro a Opus 5 su HLE senza strumenti (dove anche GPT-5.6 Sol lo supera, 44,5 contro 42,6), Terminal-Bench 4.0, ProgramBench, NL2Repo-Bench e i tre benchmark visivi con strumenti della scheda (Chartography, BabyVision e ZeroBench-main); rispetto ai modelli aperti K3 e GLM-5.3, cede soltanto a K3, su HLE senza strumenti (43,5 contro 42,6). DeepSeek attribuisce questi progressi a un apprendimento per rinforzo con autovalutazione (reinforcement learning with self-feedback) su progetti completi, e ottimizza il modello per DeepSeek Harness, Tencent CodeBuddy e WorkBuddy. Per l’esecuzione locale, la pubblicazione non fornisce un template di conversazione in formato Jinja ma un’implementazione Python di riferimento del formato del prompt, e raccomanda almeno 256K tokens in output; nessun nuovo rapporto tecnico accompagna questa versione.

🔗 Le note di rilascio di DeepSeek · La scheda del modello su Hugging Face

Search e Fetch: DeepSeek apre a tutti le sue API di ricerca web, a 0,75 dollari ogni 1 000 richieste riuscite

17 ottobre — Nello stesso thread, DeepSeek apre a tutti gli utenti della sua API due servizi di ricerca web. Search interroga il motore di ricerca proprietario di DeepSeek, che secondo l’azienda elabora centinaia di milioni di richieste al giorno, e restituisce risultati strutturati: ciascuno include un punteggio di pertinenza da 0 a 3, un riepilogo da 600 a 800 caratteri destinato al modello, la data di pubblicazione e un livello di autorevolezza da 0 a 4. Fetch recupera una pagina e la converte in Markdown, compatibilmente con le regole di accesso del sito di destinazione.

Elemento dell’offerta	Valore indicato da DeepSeek
Prezzo di ciascuna API	0,75 dollari ogni 1 000 richieste riuscite
Limite per account	5 richieste al secondo su ciascuna API
Risultati per ricerca	da 1 a 50 (10 per impostazione predefinita)
Chiamate da Harness, Claude Code, Codex	gratuite fino al 31 ottobre alle 16 h UTC

Vengono fatturate soltanto le risposte con un risultato: gli errori, le ricerche vuote e i timeout sono gratuiti, e il numero di risultati richiesti non cambia il prezzo. Gli strumenti lato server dell’API DeepSeek, richiamati da DeepSeek Harness, Claude Code o Codex, si basavano già su queste API, e queste chiamate rimangono gratuite fino al 31 ottobre; Harness v0.2.1-rc.2 integra Search e Fetch nelle proprie impostazioni di ricerca web.

🔗 La guida a Search e Fetch · L’annuncio di @deepseek_ai

Nemotron 3.5 Super VL: sottoposto a post-training dai partner di NVIDIA, eguaglia nei loro compiti modelli chiusi più costosi

16 ottobre — Il giorno dopo il lancio di Nemotron 3.5 Super VL, il suo modello aperto da 120 miliardi di parametri (12 miliardi attivi) presentato qui il 15 ottobre, NVIDIA pubblica un thread che cita 21 messaggi di partner, quasi tutti apparsi il giorno del lancio. Una buona parte mostra i risultati del modello dopo il post-training su un compito specifico, ciascuno misurato sulle proprie valutazioni: NVIDIA li rilancia senza una metodologia comune.

Partner citato	Utilizzo dopo il post-training	Risultato annunciato dal partner
AfterQuery (con Hebbia)	Compiti da esperti in ambito creditizio	dal 47 % al 74 % di compiti perfettamente risolti, a circa 1/7 del costo dei modelli chiusi confrontati
Trajectory	Legal Agent Bench di Harvey	livello di Opus 4.7, a 1,34 dollari per milione di tokens contro 15
Alex Dimakis	Ricercatore ML autonomo	dal 28 % al 35 % su AutoResearchExam, al livello di Qwen 3.8 Max, 20 volte più grande
Handshake	Documenti di scienze della vita	precisione raddoppiata con oltre 2 000 dati di esperti
Multiverse Computing	Compressione del modello	Comet 60B, la metà dei parametri, con uno scarto inferiore al 5 % dalla precisione originale

Il thread mostra anche gli strumenti che si stanno sviluppando attorno al modello: disponibilità su Tinker, sull’API River, su AC2 di Applied Compute e su ModelScope (pesi BF16 e NVFP4), lancio della Fastino Training API per i cicli SFT e RL, e un servizio a 962 tokens al secondo per utente su due GPU H200 con il motore Litespark di Mindbeam.

🔗 Il thread di @NVIDIAAI

Agenti in laboratorio: Google Research affida loro robot di pipettaggio e ottiene leganti nanomolari contro un bersaglio tumorale

16 ottobre — Google Research presenta tre studi che portano gli agenti IA fino al banco del laboratorio umido (wet lab): non si limitano più a progettare molecole, ma avviano gli esperimenti, leggono i risultati e correggono il proprio metodo, sotto la direzione degli scienziati.

Il primo tassello, VERID (VERified Infrastructure for Discovery Laboratories), è un gemello digitale della postazione di pipettaggio robotizzata, costruito sul framework open source PyLabRobot. Monitora in tempo reale il braccio, il volume di ogni pozzetto, i reagenti e i puntali disponibili, fa provare ogni protocollo in simulazione in pochi secondi e blocca i comandi fisicamente impossibili. In un caso riportato, il simulatore rifiuta un’aspirazione a otto canali in una vaschetta troppo stretta: l’agente ripianifica, poi progetta un piano fattoriale che isola una distorsione dovuta alla contaminazione lasciata dai puntali.

Esperimento condotto con gli agenti	Risultato riportato da Google Research
Aptameri contro l’α-trombina, tre cicli	0 %, poi 26,0 %, poi 42,1 % di leganti confermati, con una specificità del 98,5 %
Aptameri contro la mioglobina	specificità scesa dal 75,0 % al 19,1 %, risalita al 72,4 %; 33,5 % di leganti al ciclo 3
Leganti proteici de novo contro FAP	affinità nanomolare a una cifra, predizione della struttura 8,6 volte più rapida
Collaborazione umano-agente, a parità di risorse di calcolo	tasso di successo in silico quasi raddoppiato rispetto a uno scienziato da solo

Il caso della mioglobina mostra l’apprendimento a ciclo chiuso: al secondo ciclo, gli agenti puntano su motivi G-quadruplex che si legano a tutto, rilevano nei dati del laboratorio il crollo della specificità e riscrivono autonomamente le proprie regole di progettazione. Contro FAP, un recettore sovraespresso nei tumori solidi, la pipeline conserva solo il sito di legame durante la predizione della struttura. Google descrive le proprie misure di sicurezza (sistemi biologici non infettivi, screening di biosicurezza di ogni sequenza, simulazione obbligatoria prima dell’esecuzione, supervisione umana), ma non indica quale modello animi gli agenti.

🔗 L’articolo di Google Research · VERID (PDF) · La sandbox degli aptameri (PDF) · L’escissione dell’epitopo (PDF)

Agenti di codice: Claude Code comincia a rispondere tre volte più velocemente, la 2.1.302 estende i subagenti fork, Replit si installa nel cloud dei propri clienti

16 ottobre — Claude comincia a rispondere prima, annuncia @ClaudeDevs. In Claude Code, la conversazione inviata al modello a ogni turno viene ora compressa con gzip per raggiungerlo più velocemente, e le sessioni cloud si avviano non appena si comincia a digitare la richiesta. La tabella allegata all’annuncio misura l’attesa prima del primo token tra agosto e ottobre:

Ambito misurato	Agosto 2026	Ottobre 2026	Miglioramento dichiarato
Claude Code, sessioni locali	4,07 s	1,33 s	3 volte
Claude Code, sessioni cloud	16,99 s	6,00 s	2,8 volte
Claude, chat e Cowork	3,36 s	2,17 s	1,5 volte
API Claude, tempo del modello incluso (mediana)	1,53 s	1,01 s	1,5 volte

Le prime tre righe escludono il tempo di calcolo del modello e si riferiscono al 90° percentile. La compressione non è del tutto nuova: Claude Code 2.1.300 la applicava già, il 14 ottobre, alle richieste di grandi dimensioni verso api.anthropic.com, con la variabile CLAUDE_CODE_GZIP_REQUEST_BODIES=0 per disattivarla. Non viene indicato alcun numero di versione per l’avvio anticipato delle sessioni cloud.

🔗 L’annuncio di @ClaudeDevs

Claude Code 2.1.302: subagenti fork attivi per impostazione predefinita fuori dal terminale, modello del classificatore della modalità auto a scelta, 43 correzioni

16 ottobre — Il giorno dopo la 2.1.301, Claude Code 2.1.302 (63 voci, di cui 43 correzioni) estende agli altri ambienti un comportamento specifico del terminale: i subagenti fork sono ora attivi per impostazione predefinita in claude -p, nell’Agent SDK, nell’applicazione desktop e in VS Code (CLAUDE_CODE_FORK_SUBAGENT=0 per disattivarli), e sia l’applicazione desktop sia VS Code avviano sempre in background i subagenti della conversazione principale.

Ambito interessato	Modifica introdotta dalla 2.1.302
Modalità auto	`CLAUDE_CODE_AUTO_MODE_MODEL` sceglie il modello del classificatore eseguito lato client
Comando `/config`	riga Idle compaction per disattivare o riattivare la compattazione durante l’inattività
Provider di terze parti	senza una modalità specificata, `claude -p` e l’Agent SDK si avviano in modalità `default` se la telemetria è disattivata o l’installazione è nuova
Hook prompt e agent	al massimo 12 esecuzioni simultanee per evento
Strumento Read	immagini superiori a 128 Mo rifiutate anziché caricate in memoria

Tra le altre correzioni, una routine pianificata con un errore parziale non viene più riavviata dall’inizio, comportamento che poteva pubblicare due volte lo stesso rapporto, e i dischi exFAT o FAT32 non bloccano più le scritture su Windows.

🔗 Le note di Claude Code 2.1.302

Replit Bring Your Own Cloud: la piattaforma nello spazio Azure, Google Cloud o AWS del cliente, e Claude Haiku 5.5 in modalità Power

16 ottobre — Replit lancia Bring Your Own Cloud (BYOC), che esegue tutta o parte di Replit nello spazio cloud (tenant) di un’azienda, su Microsoft Azure, Google Cloud o Amazon Web Services. Per gli sviluppatori non cambia nulla: si continua a pubblicare con lo stesso pulsante Publish.

Opzione di distribuzione	Cosa viene eseguito presso il cliente	Fase di disponibilità
Full BYOC	l’intera piattaforma, incluso l’harness dell’Agent, e le applicazioni pubblicate	anteprima privata
BYOC for Published Apps	solo le applicazioni pubblicate, mentre lo sviluppo rimane su Replit	accesso anticipato
Image Exports	un’immagine Docker, un file Terraform e un SBOM, distribuiti dal team del cliente	accesso anticipato

I tunnel sono esclusivamente in uscita, con una doppia cifratura mTLS, e le chiavi gestite dal cliente (CMEK) sono riservate ai contratti con isolamento fisico completo. La documentazione definisce i limiti: il piano di controllo rimane presso Replit, Full BYOC non è né un’installazione isolata (air-gapped) né un Replit interamente ospitato in proprio, e l’inferenza dei modelli continua a essere gestita da Replit. Non viene pubblicato alcun prezzo. Il changelog dello stesso giorno aggiunge Claude Haiku 5.5 al selettore della modalità Power per i piani Core e Pro, dove Claude Sonnet 5.5 era arrivato il 2 ottobre.

🔗 L’articolo di Replit · La documentazione BYOC · Il changelog del 16 ottobre

RTX Spark: NVIDIA illustra i propri PC per gli sviluppatori, con Junie Local di JetBrains e miglioramenti dichiarati rispetto al Core Ultra X9 388H

16 ottobre — Il giorno dell’uscita dei portatili RTX Spark, di cui aveva presentato il 13 ottobre i software disponibili al lancio, NVIDIA spiega sul proprio blog tecnico cosa offre la macchina agli sviluppatori: scrivere codice, testare e distribuire su un unico PC, con agenti di codice che vengono eseguiti in locale su un massimo di 128 Go di memoria unificata. I portatili sono disponibili e a novembre seguiranno piccoli computer desktop, presentati come adatti agli agenti in esecuzione continua.

Carico di lavoro	Test utilizzato da NVIDIA	Miglioramento dichiarato rispetto al Core Ultra X9 388H
Agenti di codice	AA-AgentPerf-local con Qwen3.8-27B	4,6 volte
Fine-tuning (LoRA)	Unsloth su Llama-3.1-8B	2,7 volte
Compilazione	kernel Linux, Phoronix Test Suite	1,8 volte

Queste misurazioni sono di NVIDIA, nel confronto con il chip Panther Lake 12Xe di Intel. Sul fronte software, Windows Developer Config, progettato con Microsoft, installa i principali framework di sviluppo, disattiva le notifiche e migliora il terminale; su Windows on Arm, oltre 2 000 pacchetti Conda sono pronti all’uso e più del 97 % dei 15 000 pacchetti Python più utilizzati dispone di una versione Arm. JetBrains lancia il supporto nativo per Junie Local, che adatta la propria finestra di contesto alla memoria della GPU, GitHub Copilot viene eseguito in locale tramite Windows ML con llama.cpp, e gli SDK AI for Media (super-risoluzione video, generazione di fotogrammi intermedi, TrueHDR) arrivano come pacchetto Python su PyPI.

🔗 L’articolo del blog tecnico di NVIDIA

Brevi

Agenti e strumenti di codice

Note di rilascio di Devin del 16 ottobre — Dopo quelle del 14, trattate il 15, Cognition pubblica 19 voci: comandi /devin nelle merge requests GitLab, stato di fusione Bitbucket Cloud in Devin Review, ricerca di pull requests su cinque forge, strumenti integrati per issues e labels e un’impostazione Enterprise che nasconde il vecchio marketplace MCP senza disattivare i server già installati. 🔗 fonte
Copilot CLI 1.0.100-1 — Due ore e mezza dopo la 1.0.100-0, trattata il giorno prima, questa seconda anteprima rende il navigatore unificato delle sessioni la visualizzazione predefinita di /sessions, /session e /resume e rimuove i marcatori di lingua dalla dettatura vocale; ancora nessuna versione stabile dalla 1.0.98 del 14 ottobre. 🔗 fonte
Gemini CLI, nightly del 17 ottobre — Quattro correzioni che chiudono ticket di marzo e aprile: l’aggiornamento automatico verifica finalmente il binario effettivamente avviato, invece di annunciare ripetutamente un falso successo quando più installazioni coesistono nel PATH, keybindings.json accetta un array keys e i segnali di arresto raggiungono il processo figlio sotto ACP, systemd o in un container. 🔗 fonte
Antigravity CLI 1.4.0 e applicazione Antigravity 2.24.0 — Riprendendo le novità del 15 e del 14 ottobre: la CLI mostra il proprio stato nella scheda del terminale (sequenza OSC 7501) e rielabora agy plugin validate con le effettive regole di caricamento; l’applicazione, dopo la 2.23.0 trattata il 13 ottobre, riorganizza il pannello laterale, aggiunge /compact e permette di scegliere Flash Lite, Flash o Pro per ogni automazione. 🔗 fonte
DeepSeek Harness 0.2.1-rc.1 e rc.2 — Le prime due release candidate della serie 0.2.1: la rc.1 raggruppa le modifiche delle anteprime da alpha.1 ad alpha.5, la rc.2 supporta V4.1-Flash-1017 e le API Search e Fetch; il repository conta 31 pubblicazioni dal 17 agosto, tutte in anteprima. 🔗 fonte
bun lint — Riprendendo le novità del 15 ottobre, Bun, acquisito da Anthropic a fine 2025, annuncia per la prossima versione un linter compatibile con ESLint, con oltre 1 000 regole integrate, che legge le configurazioni eslint e oxlint; dichiarato 26 volte più veloce di ESLint, da 11 a 43 volte a seconda dei cinque repository misurati, non ha ancora una data di uscita. 🔗 fonte

OpenAI nelle aziende e tra gli sviluppatori

Itaú e ia.i — Secondo un caso di studio di OpenAI, la banca brasiliana apre ia.i, la propria interfaccia conversazionale testuale o vocale, a circa 300 000 clienti e punta a raggiungere tutta la clientela entro fine 2026; modelli GPT-5.x alimentano Customer DNA (circa 70 milioni di clienti) e la sua piattaforma multi-fornitore IARA ospita una soluzione giuridica su oltre 90 milioni di documenti. 🔗 fonte
Benefit Street Partners e Codex — Presso questo gestore specializzato nel credito, il gestore Anant Kumar ha costruito in un giorno la prima versione di uno strumento di monitoraggio delle valutazioni dei prestiti (da 10 a 12 ore di sviluppo complessive) e un analizzatore di contratti di credito sottoposto a refactoring con GPT-6 Astra; le domande del comitato d’investimento, che richiedevano giorni o settimane, vengono gestite in una giornata. 🔗 fonte
ChatGPT Enterprise ed Edu — I connettori sincronizzati gestiti dall’amministratore vengono ritirati a favore delle applicazioni in tempo reale Google Drive, SharePoint e Microsoft Teams, con nuovi controlli sui contenuti, e la pagina External access dell’Admin Console centralizza gli accessi di Sign in with ChatGPT, delle applicazioni connesse e dei dati Ads. 🔗 fonte
Failover tra fornitori — Riprendendo le novità del 14 ottobre, il blog OpenAI Developers spiega come passare dall’API diretta di OpenAI ai suoi modelli su Amazon Bedrock o Azure OpenAI e viceversa: solo in caso di errore transitorio o limitazione che mette a rischio la scadenza, mai in caso di richiesta non valida, rifiuto o quota esaurita; un prompt Codex aggiunge un failover disattivato per impostazione predefinita. 🔗 fonte
Progetti hardware realizzati con Codex — OpenAI Developers mette in evidenza una galleria della community di 20 progetti classificati per voti, aperta a nuovi contributi, da un vecchio Kindle trasformato in dashboard dell’utilizzo dell’IA a un badge DEFCON il cui circuito è stato progettato da Astra, dal routing in KiCad all’ordine presso JLCPCB, secondo il suo autore. 🔗 fonte

API, modelli e ricerca web

Agent API di Perplexity — Sedici vecchi modelli (sette Claude 4.x, cinque Gemini 3.x, quattro Grok 4.x) scompaiono dalla documentazione, dal calcolatore e dagli esempi, senza che la voce indichi che i loro identificatori smettano di rispondere; vi fanno il loro ingresso GPT-6 Astra (10 dollari per milione di token in input, 50 in output) e DeepSeek V4 Pro (1,32 e 3,96 dollari). 🔗 fonte
pplx-decider-v1.2 su OpenRouter — Pubblicati il 16 ottobre con i relativi pesi, i due modelli decisionali di Perplexity arrivano lo stesso giorno su OpenRouter, a 0,02 dollari (27B) e 0,01 dollari (4B) per milione di token in input, output gratuito, con un contesto di 262K, come la v1.1 il 7 ottobre. 🔗 fonte
Embed 5 Fast contro EmbeddingGemma 2 — Cohere afferma di superare il modello di Google su oltre il 95 % di 163 dataset, ma con RCP-nDCG@10, il proprio metodo di valutazione; con nDCG@10 standard, il suo grafico ViDoRe v3 indica 59,3 contro 47,6, senza un elenco dei dataset, contrapponendo un modello API a pagamento a un modello aperto da 740M di parametri. 🔗 fonte
SDK TypeScript di SpaceXSI 0.2.4 — Senza annunci, aggiunge il parametro guidelines di responses.create(), istruzioni per categoria per l’output del modello (rifiutare una categoria, offrire sostegno in caso di autolesionismo), i formati video 21:9 e 5:2 e gli identificatori grok-voice-3.0 e grok-voice-2.0, e contrassegna Live Search come deprecato a favore di web_search e x_search. 🔗 fonte
AI Mode e AI Overviews — Riprendendo le novità del 15 ottobre, Google aggiunge più link integrati, collocati più in alto, nelle sue risposte generate, estende ad altri paesi e lingue i caroselli di notizie che mettono in evidenza le fonti preferite (Preferred Sources), il cui utilizzo è aumentato di oltre sette volte dall’inizio dell’anno, e testa una sezione dedicata alle pagine ufficiali. 🔗 fonte

Modelli aperti e ricerca della community

FLUX 3 Image Klein — Due giorni dopo l’uscita del modello, Black Forest Labs corregge i propri workflow (ComfyUI v0.41.3, Space Hugging Face aggiornato), consiglia il proprio prompt upsampling in 2K e pubblica su GitHub il prompt di sistema raccomandato per farne a meno. 🔗 fonte
Filtro per autore sull’Hub — Le pagine Models e Datasets di Hugging Face possono essere filtrate per utente o organizzazione tramite un nuovo pulsante su ogni profilo; una scheda ricorda l’account consultato quando si aggiungono i filtri per attività, dimensione, libreria o licenza. 🔗 fonte
Ammu-1.0-OffOnTopic-Guardrail — Kalyan KS pubblica con licenza MIT quattro classificatori da 150M a 17M di parametri che valutano se una richiesta esce dall’ambito definito dal prompt di sistema; secondo l’autore, il più grande ottiene 91,56 di Macro-F1, contro 81,95 di DeepSeek V4 Flash 0731 e 79,12 di GPT-6 Luna. 🔗 fonte
Un classificatore di memoria non distribuito — Javad Taghia spiega perché l’encoder affinato per decidere le scritture in memoria di AtMem non sia stato messo in produzione: dal 18,4 % al 73,8 % su un test sigillato, ma solo 16 decisioni corrette su 100 osservazioni fittizie riprodotte come in produzione, contro 30 per le regole deterministiche, e da 15 a 230 volte più lento. 🔗 fonte
SPICY-KV — Secondo Yuge Y (ElithiaTechnologies), questo metodo che raggruppa le chiavi prima di RoPE comprime di 28,6 volte la cache KV di DeepSeek-R1-Distill-Qwen mantenendo il 100,0 % (1.5B) e il 91,7 % (7B) di recall su RULER, mentre la fusione dopo RoPE scende allo 0,0 %; sono misurazioni dell’autore, senza revisione paritaria. 🔗 fonte

Cosa significa

Il rapporto di Anthropic sposta la questione dell’occupazione. In un laboratorio di punta, gli agenti interattivi avviati dai dipendenti lavorano già sei volte più ore di loro, e ciò che scarseggia è l’attenzione umana: rileggere, specificare, sorvegliare. I principianti sono i primi a pagarne il prezzo, con il 9 % delle assunzioni tecniche contro il 27 %, mentre i colloqui valutano maggiormente l’autonomia e la capacità di giudizio. Google Research descrive la stessa ripartizione in laboratorio: lo scienziato definisce la strategia, l’agente la esegue e il duo trova quasi il doppio dei candidati in silico rispetto a uno scienziato da solo. Resta il divario nelle aspettative: il 91 % dei dipendenti di Anthropic ritiene l’IA capace di una scoperta degna di un Nobel entro il 2030, contro il 39 % degli americani, e le loro risposte implicano una crescita del PIL tre volte maggiore (17,1 % contro 5,4 %).

I guadagni di velocità si scontrano con lo stesso limite. Claude Code riduce l’attesa prima del primo token da 4,07 a 1,33 secondi in locale e attiva per impostazione predefinita i sottoagenti fork fuori dal terminale, ma lo studio di Anthropic mostra che la macchina non è più il principale collo di bottiglia: le sessioni interattive restano inattive per circa l’80 % del tempo, in attesa di una risposta, e leggere tutto ciò che producono richiederebbe più di metà di una settimana lavorativa. Ridurre la latenza accorcia l’attesa dell’utente davanti alla macchina, non quella delle sessioni che aspettano l’essere umano.

Sul fronte dei modelli aperti, il costo per attività conta ormai più del prezzo per token. DeepSeek non modifica la propria tariffa, ma V4.1-Flash-1017 produce output più brevi e dichiara il 77,0 % su DeepSWE v1.1 per circa 0,2 dollari per attività, mentre il miglior modello chiuso del suo grafico, GPT-6.1 Sol, si ferma intorno al 75 % per circa il triplo del costo; la sua tabella dei punteggi confronta tuttavia solo GPT-5.6 Sol e Opus 5, non i loro successori. I partner di NVIDIA propongono lo stesso discorso su attività mirate, con un Nemotron 3.5 Super VL sottoposto a post-training al livello di Opus 4.7 sul Legal Agent Bench di Harvey, a 1,34 dollari per milione di token contro 15. E DeepSeek ora vende anche la ricerca web dei propri agenti, a 0,75 dollari per 1 000 richieste: modello, strumenti e harness provengono dallo stesso fornitore.

Infine, gli agenti si avvicinano all’ambiente reale e ciascuno stabilisce le proprie misure di protezione. Google Research fa ripetere ogni protocollo in un gemello digitale prima di toccare un reagente, con screening di biosicurezza e supervisione umana. Replit installa la propria piattaforma e l’harness del suo Agent nel cloud del cliente, ma mantiene presso di sé il piano di controllo e l’inferenza. NVIDIA, con RTX Spark, punta su agenti di codice che girano sulla postazione dello sviluppatore, da Junie Local a Copilot, in attesa di computer desktop pensati per agenti che non si fermano.