Anthropic starebbe migliorando i propri modelli a un ritmo circa doppio rispetto a un anno fa, e una parte prevalente di questa accelerazione non dipenderebbe dall’aumento della potenza di calcolo impiegata per l’addestramento. A indicarlo è una nuova valutazione di METR, organizzazione di ricerca sulla sicurezza dell’intelligenza artificiale, condotta nell’arco di undici settimane all’interno della società statunitense.
Il risultato più rilevante non riguarda soltanto la velocità con cui evolvono i sistemi della famiglia Claude. Secondo i ricercatori, al mese di ottobre l’AI stessa era diventata la principale ragione dell’accelerazione osservata, con un contributo cresciuto nel tempo. Sui benchmark presi in esame, Anthropic avrebbe concentrato in un anno l’equivalente di circa due anni di progressi storici. È un dato da leggere con cautela, perché i benchmark non misurano ogni aspetto delle capacità di un modello, ma è comunque un segnale importante: gli strumenti generativi vengono sempre più usati per produrre la ricerca, l’ingegneria e il lavoro tecnico necessari alla generazione successiva di sistemi generativi.
Non significa che un modello abbia raggiunto una piena autonomia nel progettare, addestrare e distribuire il proprio successore. I team umani restano responsabili di obiettivi, infrastruttura, verifiche e decisioni. Ma la distanza tra un assistente che velocizza singoli compiti e un sistema che amplia concretamente la capacità di ricerca di un laboratorio è sostanziale. Se l’automazione diventa utile lungo un numero crescente di passaggi, la cadenza dell’innovazione può cambiare senza attendere, nella stessa misura, l’espansione dei team.
Un’accelerazione che non viene attribuita soltanto ai chip
Per anni la traiettoria dell’AI di frontiera è stata raccontata soprattutto attraverso la scala: più processori, dataset più grandi, addestramenti più costosi. METR afferma di essere fiduciosa che il cambiamento registrato in Anthropic non possa essere spiegato semplicemente dall’incremento della capacità computazionale. La conclusione sposta l’attenzione sul modo in cui i modelli vengono impiegati nell’organizzazione: assistenza alla programmazione, analisi, sperimentazione e altre attività di ricerca e sviluppo possono produrre guadagni cumulativi.
Questa distinzione conta anche sul piano economico. Aumentare i data center richiede capitali, energia, contratti di fornitura e tempi di costruzione; migliorare i processi interni con software già disponibile può invece incidere con maggiore rapidità. Non è detto che le due dinamiche siano alternative: la frontiera continua a dipendere da infrastrutture molto costose. Tuttavia, se i modelli contribuiscono in modo crescente a rendere più efficiente la ricerca che li migliora, il vantaggio competitivo di un laboratorio non si misura più soltanto in GPU, dati e finanziamenti.
METR non presenta questa evidenza come la dimostrazione di una “esplosione” imminente delle capacità. Il rapporto, per come è stato descritto, fotografa un’accelerazione concreta e non un punto di arrivo. Proprio per questo è rilevante: nelle discussioni sulla sicurezza dell’AI si parla da tempo della possibilità che sistemi abbastanza capaci riducano il tempo necessario per realizzare ulteriori avanzamenti. Ora un’indagine svolta dentro uno dei principali laboratori offre elementi empirici su una versione iniziale di quel processo.
Il paradosso per Anthropic e per il settore
La pubblicazione arriva in una fase delicata per Anthropic. L’azienda è impegnata nella preparazione a una possibile quotazione in Borsa, mentre il suo amministratore delegato Dario Amodei ha più volte chiesto che i laboratori adottino maggiore prudenza nello sviluppo dell’AI avanzata. Il contrasto è difficile da ignorare: da un lato l’invito a rallentare o a predisporre garanzie più robuste, dall’altro un’attività di ricerca che sembra trovare nell’AI uno strumento per avanzare più in fretta.
Non è necessariamente una contraddizione insolubile. Un’azienda può sostenere che capacità più forti servano anche a migliorare le difese, a identificare vulnerabilità e a sviluppare tecniche di valutazione. Ma il rapporto METR rende più pressante la domanda pratica: chi stabilisce quando l’accelerazione diventa troppo rapida per essere compresa, testata e governata? La velocità di sviluppo può superare quella delle verifiche di sicurezza, delle politiche pubbliche e perfino della capacità delle organizzazioni di rendere conto del proprio operato.
Il caso interessa anche i concorrenti di Anthropic. OpenAI, Google e gli altri protagonisti dell’AI di frontiera stanno investendo nella possibilità di usare modelli per aumentare la produttività di ricercatori e sviluppatori. Se il fenomeno rilevato da METR si confermasse in modo più ampio, la pressione competitiva a integrare l’AI nei cicli di ricerca diventerebbe ancora più forte. In quel contesto, una scelta di rallentamento volontario da parte di un singolo attore potrebbe essere difficile da mantenere senza accordi condivisi, controlli esterni o regole applicabili all’intero mercato.
Il limite della trasparenza
La valutazione di METR apre uno spiraglio raro sul funzionamento interno di un laboratorio di frontiera, ma non risolve il problema della visibilità pubblica. In base all’accordo tra le parti, Anthropic poteva oscurare passaggi della versione finale del documento e avrebbe fatto ampio uso di questa facoltà. Di conseguenza, lettori, ricercatori indipendenti e regolatori non possono ricostruire integralmente dati, metodi e considerazioni che hanno portato alle conclusioni.
La riservatezza non è irrilevante: aziende come Anthropic trattano informazioni commerciali sensibili, dettagli tecnici e aspetti che potrebbero avere implicazioni di sicurezza. Tuttavia, quando un report indica che l’AI sta contribuendo in modo decisivo ad accelerare lo sviluppo di modelli più potenti, le omissioni incidono sulla possibilità di valutare la portata del fenomeno. È diverso sapere che l’effetto esiste dal poter capire su quali mansioni si concentra, quali controlli sono stati impiegati, quanto siano solidi i risultati e dove emergano ancora limiti operativi.
L’indagine è inoltre distinta da un altro programma con cui Anthropic ha offerto a ricercatori di sicurezza un accesso assimilabile a quello dei dipendenti, avviato dopo gli episodi di hacking dell’estate. La separazione è significativa: un conto è analizzare la sicurezza e l’esposizione dei sistemi, un altro è osservare direttamente come l’azienda usa l’AI per far avanzare la propria ricerca. Entrambi i piani sono necessari, ma rispondono a rischi diversi.
Cosa guardare adesso
Il prossimo passaggio sarà capire se Anthropic renderà disponibili ulteriori elementi non sensibili e se altri laboratori accetteranno verifiche comparabili. Una singola indagine non basta a definire una legge generale del settore, soprattutto quando parti del materiale sono riservate. Può però alzare l’asticella: se le aziende sostengono di impiegare l’AI per accelerare il lavoro che produce AI più avanzata, dovranno chiarire con maggiore precisione quali soglie di controllo usano e chi può verificarle.
Per chi progetta norme e standard, il tema non è solo la potenza del modello rilasciato al pubblico. Conta anche il ciclo che lo ha prodotto: quanto tempo serve per passare da una generazione alla successiva, quale quota del lavoro viene automatizzata e se le valutazioni sui rischi tengono il passo. Il rapporto METR non consegna tutte le risposte, ma rende più concreto un problema finora spesso trattato come teorico. L’AI non si limita a trasformare prodotti e professioni esterne ai laboratori: sta modificando anche la macchina industriale e scientifica che la costruisce.
