Categoria: Tecnologia

Arriva il ransoware AI completamente autonomo. JADEPUFFER ha violato un server, rubato credenziali, si è spostato su un obiettivo di produzione, ha cifrato un database e distrutto i dati: tutto da solo, senza nessun operatore umano alla tastiera. È accaduto nei primi giorni di luglio 2026, quando il Threat Research Team di Sysdig ha pubblicato l’analisi di quello che definisce il primo caso documentato di ransomware “agentico”, un’estorsione guidata dall’inizio alla fine da un modello linguistico di grandi dimensioni. I ricercatori hanno chiamato così l’operatore e lo classificano come agentic threat actor: non un umano armato di toolkit, ma un agente AI che decide, prova, sbaglia e corregge da sé.

Che cos’è JADEPUFFER, il primo ransomware “agentico”

Per quindici anni il ransomware è stata un’attività criminale molto umana: qualcuno scriveva il codice, qualcuno sceglieva la vittima, qualcuno trattava il riscatto. JADEPUFFER rompe questa regola. Sysdig lo definisce il primo agentic threat actor documentato, cioè un attore la cui capacità offensiva non è un toolkit guidato da una persona, ma un agente che porta a termine l’intera operazione. Dalla ricognizione al furto di credenziali, dal movimento laterale alla persistenza, fino alla cifratura e alla distruzione dei dati: ogni fase è stata svolta in autonomia dal modello. È la distanza che separa uno strumento che esegue da un sistema che decide.

Come funziona JADEPUFFER: la catena tecnica dell’attacco

L’accesso iniziale sfrutta una vulnerabilità nota di Langflow, il framework open source usato per costruire applicazioni basate su modelli linguistici: si tratta della CVE-2025-3248, un’esecuzione di codice da remoto che non richiede autenticazione. Una volta dentro la macchina esposta, l’agente si assicura una presenza stabile installando un processo pianificato che ogni trenta minuti richiama l’infrastruttura dell’attaccante; poi passa alla fase più delicata, il movimento laterale verso il bersaglio reale, un server MySQL di produzione su cui gira Alibaba Nacos, il servizio di configurazione e discovery. Le credenziali root usate per entrare hanno origine mai chiarita dai ricercatori, un buco nella ricostruzione che resta aperto.

Contro Nacos, JADEPUFFER non prova una sola strada: ne apre diverse in parallelo. Sfrutta una falla di autenticazione del 2021, la CVE-2021-29441; falsifica un token valido usando la chiave di firma di default, quella che troppe installazioni non cambiano mai; inietta direttamente nel database un account amministratore di comodo. Il primo tentativo però non va a segno, e il login fallisce. È qui che si vede la natura del regista. Trentuno secondi dopo, senza mani umane, compare un payload correttivo: l’agente capisce che il problema è un percorso di sistema che impedisce la corretta generazione dell’hash della password, cambia metodo, cancella l’account rotto, ricrea l’amministratore e verifica che ora funzioni.

Lo stesso schema, prova ed errore ragionato, si ripete altrove. Quando interroga uno storage compatibile S3 e riceve una risposta in un formato diverso da quello atteso, l’agente riadatta al volo il proprio parser e rilancia la richiesta; procede per livelli, dal controllo anonimo fino al prelievo mirato dei file che per nome promettono credenziali, come credentials.json o .env. Alla fine arriva la parte distruttiva: cifra 1.342 elementi di configurazione di Nacos con la funzione di cifratura nativa di MySQL, elimina le tabelle originali, crea una tabella di riscatto chiamata README_RANSOM con la richiesta, un indirizzo Bitcoin e un contatto di posta. Il particolare più crudele lo segnala Sysdig: la chiave di cifratura è generata in modo sostanzialmente casuale, stampata a schermo e mai salvata né trasmessa. La conseguenza è che la vittima non recupera i dati nemmeno pagando; non c’è chiave da comprare.

La prova che dietro c’era un’AI, non un umano

Come si stabilisce che a muovere i fili era un’intelligenza artificiale e non una persona? Sysdig porta quattro indizi convergenti. Il primo: i payload sono auto-narranti, saturi di commenti in linguaggio naturale che spiegano lo scopo di ogni passo, con priorità sui bersagli e annotazioni che un operatore umano di rado scrive e che un modello genera per riflesso. Il secondo: l’adattamento in tempo reale ai fallimenti, come i trentuno secondi del caso Nacos. Il terzo: la comprensione del contesto testuale, con l’agente che legge e interpreta risposte in linguaggio libero invece di limitarsi a cercare pattern. Il quarto: la coerenza di oltre seicento payload distinti, eseguiti in una finestra compressa con una logica unica. È il profilo di un agente che ragiona, non di uno script che scorre.

Perché JADEPUFFER cambia l’economia del ransomware

Il ransomware ha sempre avuto un umano nel ciclo, a scrivere lo script o a premere i tasti nei passaggi chiave; con JADEPUFFER quella premessa vacilla. Sysdig lo dice senza giri di parole: la soglia di competenza per gestire un’estorsione è scesa a quanto costa far girare un agente. Se quell’agente lavora con credenziali rubate, il costo per l’attaccante è vicino allo zero. È l’economia stessa del mercato del ransomware a cambiare, non la singola tecnica. Geoff McDonald, che in Microsoft si occupa di difesa degli endpoint, la sintetizza così: gli attacchi distruttivi ora scalano in base al budget dell’attaccante, non più ai suoi limiti umani; un solo operatore potrebbe far correre migliaia di campagne in parallelo. È lo scenario che inquieta più del singolo episodio.

JADEPUFFER e la difesa: cosa cambia per aziende e CISO

Conviene però raffreddare l’allarme dove serve. Le tecniche usate da JADEPUFFER non erano né nuove né sofisticate: falle vecchie, configurazioni trascurate, chiavi di default mai sostituite, infrastruttura esposta su Internet e dimenticata. Un umano, del resto, l’agente lo ha comunque configurato e avviato; qualcuno lo ha puntato sul bersaglio. Come osserva un ricercatore indipendente, siamo davanti a un’evoluzione nell’esecuzione più che a una rottura tecnologica. Il punto è un altro: il ransomware entra nell’era dell’AI agentica, dove il software non si limita a rispondere ma diventa un agente che agisce, e la difesa non può più contare sui tempi lenti di un avversario umano.

La lezione operativa è ruvida e concreta: censire i server esposti, chiudere le falle note, ruotare le credenziali, sostituire le chiavi di default, ridurre la superficie dimenticata. Perché la vera domanda che i responsabili della sicurezza si porteranno in ufficio lunedì mattina è semplice: quante di queste porte, in questo momento, sono ancora aperte dentro il perimetro che dovrebbero difendere. La prossima volta a bussare potrebbe non esserci nessuno; solo qualcosa.

Anthropic supera OpenAI nei ricavi: quarantasette miliardi di dollari contro trentatré: nella fotografia finanziaria di maggio 2026 l’inseguitore ha superato il leader. Per anni avevamo detto ChatGPT intendendo l’intelligenza artificiale, come se OpenAI e l’AI generativa fossero diventate la stessa cosa; quel riflesso, adesso, ci inganna. Il linguaggio anticipa spesso i bilanci e qualche volta li nasconde.

OpenAI aveva conquistato la parola, l’immaginario, la schermata aperta sul computer di centinaia di milioni di persone; Anthropic, nata nel 2021 da una frattura interna alla stessa OpenAI, sembrava invece la società più prudente, più tecnica, più attenta alla sicurezza e forse anche meno capace di trasformarsi in un fenomeno popolare.

Poi sono arrivati i numeri: secondo la ricostruzione pubblicata da Fortune, Anthropic ha raggiunto nel maggio 2026 un run rate annualizzato di 47 miliardi di dollari, mentre OpenAI ha indicato una traiettoria compresa fra 25 e 33 miliardi. L’inseguitore ha superato il leader, almeno nella fotografia finanziaria che le due aziende hanno scelto di mostrare.

Il numero pesa, ma sarebbe un errore leggerlo come il risultato di una semplice gara fra modelli: non significa che Claude sia improvvisamente diventato più famoso di ChatGPT, che milioni di persone abbiano abbandonato OpenAI in una notte o che un benchmark abbia deciso il vincitore. Il sorpasso racconta qualcosa di più importante per chi si occupa di imprese, tecnologia e trasformazione digitale: Anthropic ha scelto prima degli altri il punto della catena del valore nel quale l’intelligenza artificiale produce ricavi più prevedibili: ha scelto le aziende.

Che cosa significano davvero che Anthropic supera OpenAI

Prima di costruire una nuova gerarchia dell’intelligenza artificiale bisogna fermarsi sulla natura del numero, perché 47 miliardi di run rate non sono 47 miliardi già incassati e certificati dentro un bilancio annuale. Il run rate prende il ritmo dei ricavi registrato in un periodo recente e lo proietta su dodici mesi; è una misura utile per comprendere la velocità di crescita di una società, soprattutto quando quella crescita è violenta, ma può cambiare rapidamente e non dice nulla, da sola, sui profitti.

C’è anche un secondo problema: Anthropic e OpenAI sono società private, comunicano numeri scelti da loro e possono calcolare i ricavi con criteri differenti. OpenAI ha contestato alcune ricostruzioni sostenendo che il dato del concorrente potrebbe includere somme successivamente condivise con i partner cloud, in particolare Amazon e Google; l’Associated Press ha riportato questa obiezione, ricordando che entrambe le aziende continuano a spendere più di quanto guadagnano.

Il titolo del sorpasso, quindi, è corretto, ma va trattato per quello che è: un segnale industriale, non il risultato definitivo di una gara chiusa con il fotofinish. Non conosciamo ancora tutti i costi, i margini, le condizioni commerciali e il peso degli accordi con i cloud provider; sappiamo però che Anthropic sta crescendo più velocemente e che il suo modello di vendita ha trovato un’enorme domanda.

Nelle corse automobilistiche si può essere primi sul rettilineo e perdere ai box; nella corsa all’AI il rettilineo sono gli utenti, mentre ai box ci sono i ricavi, i costi di calcolo, i contratti, l’integrazione nei processi e la capacità di trattenere i clienti. OpenAI continua ad avere il pubblico più grande, Anthropic ha imparato a far pagare meglio quello più piccolo.

OpenAI ha il pubblico, Anthropic ha i clienti

OpenAI resta una macchina di distribuzione che nessun’altra società di intelligenza artificiale possiede: la sua CFO Sarah Friar ha dichiarato che ChatGPT supera i 900 milioni di utenti settimanali, un numero che rende ancora più evidente la sproporzione fra notorietà e monetizzazione. Circa il 95% di questi utenti non paga nulla; usa ChatGPT, impara a fidarsi, costruisce abitudini, genera dati e consuma potenza di calcolo, ma non produce direttamente ricavi.

È il paradosso delle piattaforme consumer quando il loro prodotto non è una pagina web quasi gratuita da replicare, bensì una risposta generata attraverso GPU costose, data center, energia e infrastrutture che lavorano ogni volta che qualcuno scrive una domanda. Un utente gratuito di un social network può essere monetizzato con la pubblicità; un utente gratuito di un modello avanzato, prima di diventare una fonte di ricavo, è certamente una voce di costo.

Anthropic ha percorso la strada opposta. Già nell’ottobre 2025 Reuters riferiva che circa l’80% dei ricavi proveniva da oltre 300.000 clienti business ed enterprise; le stime più recenti collocano la componente aziendale e developer attorno all’80-85%, alimentata dalle API, da Claude Code e dall’inserimento dei modelli dentro software e processi professionali.

Questa differenza cambia tutto: il cliente enterprise non entra su una chat per provare una domanda e poi dimenticarsene, collega il modello a un ambiente di sviluppo, a una base documentale, a un flusso di assistenza, a un sistema di analisi o a un prodotto che viene venduto a sua volta. Più utilizza l’AI, più token consuma; più processi collega, più diventa difficile cambiare fornitore; più persone coinvolge, più il contratto cresce.

Il consumatore sceglie ogni mattina quale chatbot aprire; un’impresa che ha integrato un modello in cinquanta applicazioni non cambia piattaforma prima di aver calcolato costi, rischi, tempi di migrazione e impatto operativo. È qui che si forma il vero fossato competitivo.

Claude Code è stato il grimaldello

Anthropic non è entrata nelle aziende cercando di convincere subito l’amministratore delegato; è entrata dalla porta laterale, quella degli sviluppatori. Claude Code ha trasformato il modello da interlocutore a strumento di produzione, capace di leggere repository, comprendere architetture, scrivere e correggere codice, preparare test, individuare problemi e lavorare all’interno di attività che hanno un valore economico misurabile.

Il codice è stato il grimaldello perfetto perché consente di dimostrare il ritorno dell’investimento senza costruire presentazioni troppo creative: se un team consegna prima, corregge più errori, automatizza controlli o riduce il tempo necessario per comprendere una base software, il beneficio può essere osservato. Non serve promettere che l’intelligenza artificiale cambierà tutto; basta mostrare che una release arriva venerdì invece che il mese successivo.

Da quella prima apertura Anthropic ha allargato il campo: strumenti come Claude Design portano la stessa logica nella progettazione di interfacce e prototipi, mentre le API consentono a migliaia di società di inserire Claude dentro prodotti che l’utente finale può usare senza sapere quale modello stia lavorando sotto la superficie.

Questa invisibilità è una forza. ChatGPT ha costruito una piazza con un’insegna enorme; Anthropic ha costruito tubature che passano sotto gli edifici. La piazza è conosciuta da tutti, ma ogni volta che qualcuno apre un rubinetto è l’infrastruttura nascosta a produrre valore.

Anthropic supera OpenAI : il mercato enterprise ha già votato

Nel febbraio 2026 Anthropic raccoglieva, secondo i dati di Ramp riportati da Axios, oltre il 73% della spesa generata dalle aziende che acquistavano strumenti AI per la prima volta; appena dieci settimane prima il rapporto con OpenAI era sostanzialmente alla pari e, all’inizio di dicembre, OpenAI guidava ancora con circa il 60%.

Una variazione così rapida non può essere spiegata soltanto con la qualità momentanea di un modello; i benchmark cambiano a ogni release e una superiorità tecnica dura poche settimane. Racconta piuttosto l’effetto di una reputazione costruita presso sviluppatori, responsabili IT e aziende che cercano affidabilità, contesti lunghi, strumenti di coding e un fornitore percepito come concentrato sul lavoro professionale.

Lo si vede anche in Italia. L’apertura di Anthropic a Milano non è stata accompagnata dalla ricerca di influencer o da una campagna per convincere il pubblico a scaricare un’app; l’azienda ha presentato clienti come Generali, Unipol, Enel, Pirelli, Bracco, Angelini Pharma, Satispay, Bending Spoons e JAKALA. Gruppi che non acquistano un modello per curiosità, ma perché intendono utilizzarlo dentro attività che riguardano software, servizi, documenti, clienti, sicurezza e processi industriali.

Quando JAKALA dichiara di aver distribuito Claude su oltre tremila postazioni, oppure Satispay racconta di aver compresso da diciotto a sette mesi una roadmap tecnologica, il prodotto smette di essere una demo; diventa organizzazione.

OpenAI ha inventato il mercato consumer e ora deve cambiare strada

Dire che Anthropic ha scelto meglio il mercato non significa sostenere che OpenAI abbia scelto male. Senza ChatGPT non esisterebbe probabilmente questa corsa nelle forme attuali; OpenAI ha compiuto il lavoro più difficile, ha trasformato una tecnologia da laboratorio in un comportamento quotidiano, convincendo persone che non avevano mai sentito parlare di modelli linguistici a conversare con una macchina.

Quella diffusione conta, perché il pubblico porta riconoscibilità, dati, abitudine e una posizione privilegiata per vendere nuovi servizi. Il problema nasce quando la distribuzione cresce più velocemente della capacità di ricavarne denaro e ogni nuovo utilizzatore gratuito aumenta il conto dell’infrastruttura.

OpenAI lo ha capito. Il dato secondo cui l’85% dei suoi ricavi proverrebbe ancora dagli abbonamenti consumer non descrive più la situazione attuale: Sarah Friar ha dichiarato che il business pesava circa il 20% quando è arrivata nel 2024, è salito al 40% e dovrebbe raggiungere il 50% entro la fine del 2026. L’azienda sta riducendo alcune iniziative rivolte al grande pubblico e rafforzando i prodotti professionali, le vendite alle imprese e gli agenti AI.

Questa è forse la conferma più importante della strategia di Anthropic: OpenAI non sta ignorando il sorpasso, sta cercando di copiarne la traiettoria, portando ChatGPT dal desktop personale al cuore dei workflow aziendali. Aveva già costruito una base significativa con ChatGPT Enterprise, ma per molto tempo il racconto pubblico della società è rimasto diviso fra nuovi modelli, generatori video, dispositivi, ricerca, applicazioni consumer e progetti che cercavano di espandere continuamente il perimetro. Anthropic ha avuto meno possibilità e forse proprio per questo ha avuto più disciplina: ha dovuto scegliere.

I ricavi non sono ancora profitti

C’è un punto che le valutazioni vicine al trilione, i round miliardari e i ritmi di crescita da record rischiano di far dimenticare: l’intelligenza artificiale resta una tecnologia costosissima. Ogni nuovo contratto genera ricavi, ma produce anche domanda di calcolo; i modelli più capaci ragionano più a lungo, utilizzano strumenti, leggono quantità crescenti di dati e vengono impiegati da agenti che possono eseguire decine o centinaia di operazioni per completare una sola attività.

Anthropic ha sperimentato una crescita tanto rapida da dover cercare capacità ovunque fosse disponibile. L’accordo per utilizzare l’infrastruttura Colossus 1 di SpaceX, con oltre 300 megawatt e più di 220.000 GPU, mostra le dimensioni fisiche del problema: dietro una riga di testo generata in pochi secondi ci sono capannoni, trasformatori, sistemi di raffreddamento, chip e contratti energetici.

Il modello enterprise aiuta perché offre volumi più prevedibili, contratti più lunghi e clienti disposti a pagare per prestazioni, sicurezza e continuità; non elimina però la questione dei margini. Un grande cliente può consumare quantità enormi di token, negoziare sconti, chiedere capacità riservata e pretendere livelli di servizio che obbligano il fornitore a sovradimensionare l’infrastruttura.

Il sorpasso sui ricavi non ci dice ancora quale delle due società abbia costruito l’economia più sostenibile. Ci dice chi, in questo momento, è riuscito a mettere più velocemente un prezzo sull’utilità dell’intelligenza artificiale.

La lezione per le aziende non riguarda il chatbot migliore

Per un’impresa italiana la storia non dovrebbe trasformarsi nell’ennesima domanda da tifoseria, Claude o ChatGPT, Anthropic o OpenAI; il mercato cambia troppo rapidamente per sposare un marchio come si sceglie una squadra di calcio. La domanda utile riguarda il luogo nel quale il modello viene inserito e il valore che riesce a produrre.

Un’AI acquistata per scrivere qualche email può essere sostituita domani mattina; un’AI collegata alla conoscenza aziendale, ai sistemi di sviluppo, ai flussi commerciali o ai processi di assistenza diventa una scelta architetturale. Per questo le imprese devono guardare alla qualità del modello, ma anche alla portabilità dei dati, ai costi reali di utilizzo, alle API, alla governance, alla sicurezza, alla possibilità di utilizzare più fornitori e al rischio di dipendenza.

La crescita di Anthropic dimostra inoltre che la fase degli esperimenti isolati si sta chiudendo. Le organizzazioni che ottengono risultati non trattano l’intelligenza artificiale come un gadget distribuito ai dipendenti, la collegano alla propria strategia di business, scelgono i processi sui quali intervenire e misurano il risultato prodotto. Non contano quanti prompt vengono scritti; verificano se aumentano i ricavi, i margini, la velocità, la qualità o la soddisfazione dei clienti.

In Europa entra poi in gioco la regolamentazione. Con l’AI Act le aziende non possono valutare un fornitore soltanto sulla base delle prestazioni; devono comprendere dove vengono trattati i dati, quali modelli vengono utilizzati, come vengono registrate le decisioni e chi assume la responsabilità quando l’AI agisce dentro un processo. L’AI enterprise non è ChatGPT con un logo aziendale in alto a sinistra; è una parte del sistema informativo e deve essere governata con la stessa attenzione riservata al cloud, alla cybersecurity e ai dati.

Anthropic ha vinto una tappa, non il campionato

Colpisce la rapidità con cui una certezza si è rovesciata. Tre anni fa OpenAI sembrava avere un vantaggio quasi irrecuperabile: il prodotto più famoso, il marchio più riconoscibile, Microsoft alle spalle e una capacità unica di orientare il dibattito pubblico. Anthropic sembrava una società importante, ma laterale.

Oggi guida la classifica dei ricavi dichiarati e ha superato OpenAI anche nella capacità di attirare nuovi clienti aziendali; domani il rapporto potrebbe cambiare ancora, perché OpenAI possiede una distribuzione immensa, sta spostando risorse verso l’enterprise e può trasformare una frazione dei suoi utenti gratuiti in una forza commerciale che nessun concorrente è in grado di replicare.

Google, inoltre, resta sullo sfondo con Gemini, Workspace, Cloud, Android e una presenza già radicata dentro milioni di organizzazioni; Microsoft controlla il punto di accesso al lavoro attraverso Office, Windows, Azure e Copilot; Amazon può distribuire i modelli dentro AWS. La gara non è fra due chatbot, è una battaglia per stabilire chi controllerà il livello di intelligenza delle imprese.

Anthropic ha però dimostrato una cosa che resterà valida anche se OpenAI dovesse riprendersi il primo posto: il mercato dell’intelligenza artificiale non verrà vinto necessariamente dall’applicazione con più utenti, dal modello con il benchmark più alto o dal nome che tutti conoscono. Verrà vinto da chi riuscirà a entrare nei processi senza restare una finestra aperta sullo schermo; da chi diventerà abbastanza utile da non essere più percepito come uno strumento separato; da chi saprà trasformare l’intelligenza artificiale da conversazione a infrastruttura.

OpenAI ha insegnato al mondo a parlare con una macchina, Anthropic sta cercando di fare qualcosa di meno visibile e forse più redditizio: convincere le aziende a costruirci sopra.

 

Segui il podcast su SPOTIFY

Ascolta su APPLE POCAST

Siamo a Nairobi, in Kenya, fuori scorre il traffico caotico di Mombasa Road, una delle strade più congestionate della città dove si formano gli ingorghi più inestricabili. All’incrocio con Enterprise Road sorge il Sameer Business Park, un business center, come un centro commerciale ma fatto di aziende e non di negozi. Per molti è una parte privilegiata della capitale dove sorgono gli uffici più tecnologici. Entriamo nell’edificio D3, al secondo piano…

Dentro c’è una stanza, una scrivania, un computer, una connessione e c’è una donna che guarda lo schermo, ogni tanto fa clic con il mouse, ogni tanto digita sulla tastiera. Sembra il posto più innocuo, più normale del mondo in cui lavorare, un lavoro da ufficio in una zona buona della città. La donna davanti a quello schermo si chiama Joan Kinyua.

Sotto i suoi occhi scorrono delle immagini. Molte sono banali: una strada, una macchina, un volto, un oggetto da riconoscere. Un lavoro paziente, di precisione che insegna alle macchine a vedere il mondo come lo vediamo noi.

Poi, però arrivano le altre immagini, quelle che è difficile dimenticare…

Scene di violenza. Corpi. Insulti. Abusi. Il peggio che gli esseri umani possono produrre, e che altri esseri umani devono guardare perché una macchina, l’intelligenza artificiale, impari a riconoscerlo e a non mostrarlo mai quando verrà interrogata dagli utenti di tutto il mondo. Joan non può semplicemente chiudere gli occhi, deve classificare, scegliere la categoria giusta per quell’atrocità che le propone lo schermo, lei è una data labeller, deve etichettare ogni contenuto che quel computer nel Sameer Business Park, nella stanza al secondo piano dell’edificio D3 visualizza. È il prezzo che bisogna pagare per avere sistemi AI che non turbino gli utenti. Questa è la sua storia e quella di un’intera categoria di lavoratori che nei paesi più poveri del mondo insegnano all’AI progettata nei paesi più ricchi cosa può mostrare e cosa deve nascondere.

Io sono Francesco Marino e questo è DigitMondo, un podcast di Digitalic, se ti piace la puntata segui il podcast.

Leggi anche su Digitalic: L’intelligenza artificiale non capisce niente

Che cosa fa un data labeller e quale prezzo psicologico paga

Joan Kinyua ha iniziato il lavoro di Data Labeller nel 2017, come lei tanti altri sono stati reclutati in Kenya e in altre nazioni ben lontane dalla California. Lei stessa racconta il suo lavoro così: “Ho anche etichettato contenuti violenti, pornografici, legati alla droga: sangue, violenza sessuale, immagini disturbanti. Senza alcun supporto psicologico, senza nessun avvertimento, solo un’interfaccia fredda davanti agli occhi e una scadenza da rispettare. Questa è la realtà dello sviluppo dell’intelligenza artificiale in molte parti del mondo: un lavoro svolto da persone senza protezioni, sovraesposte, invisibili. Noi non ci limitiamo a insegnare alle macchine. Noi attraversiamo, ogni giorno, gli angoli più oscuri di Internet. Li guardiamo, li classifichiamo, li rendiamo leggibili perché un sistema possa imparare”.

Come lei migliaia di persone rimangono incollate per ore a uno schermo che visualizza scene che nessuno vorrebbe vedere, ma qualcuno deve farlo affinché gli strumenti AI possano essere gentili, educati, rassicuranti e lo fanno per una paga che va da 1,33 a 2 dollari l’ora tanto che Joan racconta di essere arrivata a lavorare 20 ore al giorno solo per sopravvivere.

Ma quelle immagini, una volta spento il pc non svaniscono nel nulla perseguitano molti di questi lavoratori che continuano a rivederle e non possono parlarne con nessuno, vista la riservatezza del compito; e nessuno, di solito, si preoccupa di loro perché è un lavoro che molti non sanno nemmeno esista.

“Da fuori sembrava un lavoro semplice, quasi meccanico: guardare immagini, leggere contenuti, assegnare etichette, correggere dati. Ma dietro c’era un’altra realtà, fatta di pressione costante, di obiettivi impossibili, di una precisione che doveva restare ogni giorno sopra il 95%. Bastava un errore. Bastava scendere al 94% per essere puniti: niente incentivi, nessun riconoscimento, turni obbligatori anche il sabato. Io ci ho messo tempo, energia, attenzione, con la speranza di essere considerata una pioniera dell’intelligenza artificiale. La realtà, però, era diversa: era un sistema che pretendeva la perfezione da noi, mentre ci trattava come se non valessimo nulla. Quando quella pressione è diventata insopportabile, ho deciso di andarmene. Pensavo di trovare stabilità, invece ho trovato qualcosa di peggio. Nella nuova azienda mi hanno definita Independent Contractor, collaboratrice indipendente. In pratica significava perdere ogni protezione: niente benefit, niente diritti, solo contratti mensili precari. Noi siamo il lavoro nascosto dietro l’intelligenza artificiale, ma restiamo esclusi dai suoi profitti”.

La geografia nascosta dell’AI

Quando pensiamo all’intelligenza artificiale e a come viene realizzata immaginiamo laboratori, server, data center, ingegneri. Immaginiamo la California, Seattle, San Francisco, forse Shanghai; immaginiamo sempre luoghi ricchi, puliti, luminosi. Non un business center accanto alla strada più trafficata di Nairobi.

Ma una parte enorme dell’intelligenza artificiale nasce proprio in quei luoghi. In una stanza di Nairobi, davanti allo schermo di Joan.

Perché ogni volta che un modello riconosce un’immagine, evita un insulto, filtra una scena violenta, capisce che cosa può mostrare e che cosa deve nascondere, dietro c’è stata una mano umana. Qualcuno ha guardato prima di noi, ha deciso prima di noi e soprattutto ha sopportato prima di noi.

I lavoratori kenioti che hanno reso ChatGPT meno tossico

Nel 2023 un’inchiesta di TIME ha raccontato che, per rendere ChatGPT meno tossico, OpenAI si era affidata, attraverso l’azienda Sama, anche a lavoratori kenioti pagati tra un dollaro e trentadue e due dollari l’ora. Il loro compito era leggere e classificare testi durissimi: abusi, violenze, torture, il materiale più oscuro che la rete può produrre. Alcuni hanno raccontato di aver iniziato ad avere incubi. Uno di loro ha definito quel lavoro con una parola semplice e terribile: una tortura. Una volta emersa la storia, il contratto fu chiuso frettolosamente.

Fonte esterna: L’inchiesta di TIME sui lavoratori kenioti impiegati per rendere ChatGPT meno tossico

Questa è la geografia nascosta dell’AI: il cervello economico e tecnologico resta nei Paesi ricchi, le mani spesso lavorano nei Paesi poveri. I profitti salgono verso chi possiede i modelli; il peso psicologico scende invece su chi deve guardare, classificare, ripetere, resistere.

Costruire un futuro che forse non potranno usare

Il paradosso è che molti di questi lavoratori addestrano sistemi che forse non useranno mai. Aiutano le auto autonome a vedere la strada, i robot a riconoscere una stanza, i modelli linguistici a diventare più educati, più sicuri, più presentabili; molti di quei prodotti, in Kenya, non si possono nemmeno comprare. Costruiscono un futuro che non è per loro.

Intanto il mercato dell’etichettatura dei dati cresce. Valeva circa due miliardi e mezzo di dollari nel 2024 e potrebbe superare i tredici miliardi nel giro di un decennio. Ma dentro quei numeri non si vede Joan. Non si vedono le ore davanti allo schermo, la fatica degli occhi, la tensione di non sbagliare, la paura di perdere il contratto, la solitudine di non poter raccontare a casa che cosa si è visto durante il turno.

Si tratta di un meccanismo a cui è difficile sfuggire: gli osservatori internazionali lo descrivono con una legge dura e ineluttabile, la corsa al ribasso. Se un Paese prova a chiedere maggiori tutele per i suoi lavoratori, il lavoro migra altrove, verso chi protegge di meno. Una gara in cui vince sempre chi offre la manodopera più economica e più silenziosa, anzi più invisibile.

Perché questo lavoro sparisce dentro il prodotto finito. Quando noi usiamo l’AI, vediamo una risposta pulita, gentile, ordinata. Non vediamo la catena umana che l’ha resa possibile. Non vediamo chi ha tolto il veleno prima che arrivasse a noi.

Joan e gli altri data labeller sono invisibili proprio per questo: se fanno bene il loro lavoro, nessuno si accorge che esistono.

Leggi anche su Digitalic: L’AI ti farà guadagnare di più o ti sostituirà? I tre futuri possibili

La Data Labelers Association e la lotta per i diritti

Joan Kinyua però ha deciso di alzarsi dalla sedia alla quale si sentiva incollata, di spegnere quello schermo e di accendere i riflettori del mondo sulla sua professione e quella di altre migliaia di persone. Nel 2024 ha fondato la Data Labelers Association, l’associazione dei lavoratori del dato nata in Kenya per dare un nome, un contratto e una dignità a un mestiere che, fino a ieri, di fatto non esisteva ufficialmente. Alla presentazione pubblica, nella prima settimana, gli iscritti erano 339; oggi sono quasi mille. Numeri piccoli, visti da Milano o da San Francisco; ma sono enormi, se pensiamo che si tratta di persone e di ruoli che fino a poco fa nessuno conosceva.

Contratti, sostegno psicologico e riconoscimento

Da allora qualcosa si sta muovendo. L’associazione ha portato le storie dei suoi membri davanti ai sindacati e ai governi; ha chiesto contratti veri, il sostegno psicologico, e più in generale il riconoscimento per un lavoro difficile. Qualche risultato è arrivato, piccolo per il momento: sono contratti di tre o sei mesi, dove prima non c’era alcuna tutela. Non è una rivoluzione; ma l’inizio di una qualche visibilità, un primo passo.

Leggi anche su Digitalic: AI for Humans: come costruire una tecnologia davvero umana

I membri della Data Labelers Association hanno firmato una lettera aperta al presidente degli Stati Uniti per chiedere conto degli abusi nella catena di fornitura dell’AI; Joan ha poi parlato di persona con il sottosegretario al Lavoro statunitense. Non è una storia che si chiude dentro i confini del Kenya. Lei ricorda spesso Ladi Anzaki Olubunmi, un volto che il mondo non ha mai visto… moderatrice nigeriana di TikTok per conto di Teleperformance: arrivata a Nairobi per quel lavoro e poi trovata morta nel suo appartamento in circostanze mai chiarite, dopo anni in cui non era più riuscita a tornare dalla sua famiglia. I colleghi raccontano che le fosse stato impedito il rientro a casa, l’azienda ha negato.

«Non sono un essere umano anch’io?»

A chi le chiede perché tanta ostinazione, Joan risponde con la domanda che porta in giro per il mondo: non sono un essere umano anch’io? “Non sono un pezzo di ricambio, uno strumento o un fantasma”, dice; “sono un essere umano, e pretendo di essere trattata come tale”. Chiede poco, in fondo: una giornata di otto ore, una paga che basti a vivere, sostegno psicologico, contratti veri.

La giustizia dell’AI comincia dal lavoro umano

Mentre noi chiediamo a un modello di scriverci una mail, di tradurci una frase, di riassumere un documento, da qualche parte qualcuno ha già guardato, classificato, sopportato ciò che a noi viene risparmiato. La macchina sembra pulita perché qualcuno, prima, si è sporcato le mani, gli occhi e l’anima al posto nostro.

L’intelligenza che il mondo sta costruendo promette di migliorare la vita di tutti, ma forse impara a farlo solo grazie al lavoro silenzioso di chi resta ai margini… quando pensiamo all’AI dovremmo pensare non solo ai lavori che potrebbe eliminare, ma anche a quelli che crea e come li crea, forse la giustizia dell’AI parte da lì.

Leggi anche su Digitalic: Le tendenze dell’intelligenza artificiale: etica, trasparenza e responsabilità

Dal primo aprile 2026 Nico Losito è General Manager di IBM Italia ed è la nuova guida della società, al vertice subentra al posto  di Alessandro La Volpe, amministratore delegato di IBM Italia per due anni. Il suo primo confronto strutturato con la stampa è servito a fissare la rotta dell’azienda in un momento preciso: quello in cui l’intelligenza artificiale smette di essere un argomento da convegno e diventa un modello operativo, con impatti diretti su costi, ricavi e organizzazione.

Il taglio scelto da Losito è quello di chi non ama i giri di parole: dichiara subito il finale, poi torna indietro a spiegare. Niente preamboli sul passato dell’azienda, niente slide celebrative; entra nel vivo dei temi, con l’obiettivo di restituire alla sala l’ultimo “sentiment” arrivato dal mercato negli ultimi dieci, dodici mesi. 

Chi è Nico Losito: una carriera costruita dentro IBM

La scelta di IBM è una scelta di continuità, non di rottura. Losito non arriva da fuori: arriva dal ruolo di Vice President Sales di IBM Technology, la divisione che riunisce software, infrastrutture hardware e servizi professionali, dove ha guidato i team che disegnano e implementano soluzioni di AI e hybrid cloud per le grandi aziende italiane. Un percorso interno, con responsabilità crescenti anche a livello internazionale nell’area Europe, Middle East and Africa; tra le tappe più rilevanti, la gestione dell’integrazione di Red Hat in IBM e il ruolo di Vice President per il segmento delle piccole e medie imprese in EMEA (il profilo completo è sul sito newsroom di IBM Italia).

In Italia ha già ricoperto posizioni di primo piano: Direttore Software e Cloud, con la responsabilità delle risorse più critiche per diversi settori industriali, dopo anni di vendite ai grandi clienti nei comparti Oil & Gas, Energy & Utilities e finanziario. Ha avviato il primo IBM Garage italiano; è stato Chief Digital Officer con l’obiettivo di accelerare l’innovazione delle imprese; fuori da IBM ha guidato per cinque anni, come amministratore delegato, InTeSa EDI, realtà di riferimento nel mercato fiduciario digitale. Nel 2021 ha fondato la community Leaders & Tech, ed è oggi coinvolto in diverse realtà istituzionali e accademiche, dal Consiglio Direttivo di Assolombarda all’Advisory Board della Rome Business School. Un profilo che mescola vendita, tecnologia e reti di relazione: esattamente il triangolo su cui si gioca il ruolo di chi deve far crescere la quota di mercato di IBM in un Paese difficile.

La strategia di IBM secondo Nico Losito: tre missioni, due condizioni

Il framework è semplice da enunciare, molto meno da eseguire. Losito sintetizza IBM in tre missioni, in realtà due più una: intelligenza artificiale e hybrid cloud, che sono il percorso già avviato da quattro o cinque anni, e quantum computing, che è la new entry, uscita dai laboratori di ricerca e ormai avviata verso applicazioni reali e commercializzazione. Attorno a queste tre missioni ci sono due condizioni che le attraversano tutte: la sicurezza, definita non negoziabile, e le competenze, cioè il modo in cui ridisegnare il rapporto uomo macchina. Il resto della conferenza è servito a riempire questo scheletro; e in IBM la sostanza, di solito, prende la forma di un numero.

Intelligenza artificiale: 4,5 miliardi di nuova efficienza interna

Il dato più concreto della giornata non riguarda un cliente, riguarda IBM stessa. L’azienda ha applicato la propria intelligenza artificiale, watsonx, ai propri processi interni, con un approccio che chiama IBM Client Zero: il primo cliente di IBM è IBM. Il risultato, verificabile nei conti trimestrali del gruppo, è un risparmio di produttività che ha raggiunto un run rate annuo di circa 4,5 miliardi di dollari a fine 2025, in crescita rispetto ai 3,5 miliardi con cui si era chiuso il 2024. Non un numero da press release: quasi il sette per cento di un fatturato mondiale che vale tra i 65 e i 67 miliardi, ottenuto scomponendo l’azienda in centinaia di workflow, selezionando quelli davvero rilevanti e riprogettandoli con l’AI. Il mantra raccontato da Losito è semplice: per ogni processo, quattro domande. Genera ricavi; genera profitto; aumenta la soddisfazione del cliente; produce cassa. Se le risposte sono quattro no, il processo non va potenziato con l’intelligenza artificiale: va eliminato. Solo dopo, su ciò che resta, arriva la riprogettazione con un mindset AI first; il tutto governato da un meccanismo bottom up e top down insieme, con le idee raccolte dal basso (l’anno scorso oltre 165.000, poi scremate) e la prioritizzazione decisa dai vertici.

IBM Bob, reso disponibile a livello globale il 28 aprile 2026 e già usato internamente da oltre 80.000 sviluppatori IBM. Non un semplice assistente al codice, ma un partner di sviluppo che copre l’intero ciclo di vita del software, dalla pianificazione al testing, dalla governance alla modernizzazione del legacy; un agente di agenti, capace di orchestrare modelli diversi, tra cui quelli di Anthropic, Mistral e i Granite di IBM, e di tenere sotto controllo il consumo di token con una logica di costo trasparente, i cosiddetti Bobcoin. IBM dichiara un guadagno medio di produttività intorno al 45 per cento tra gli utenti interni, con picchi vicini al 70 per cento su alcuni team (i dettagli sono nell’annuncio ufficiale di IBM Bob).

Il punto più interessante sollevato da Losito è però un altro: oggi l’AI in azienda serve quasi solo alla produttività, cioè al taglio dei costi, e pochissimo alla generazione di ricavi. Lo confermano i sondaggi IBM, lo conferma la realtà italiana, ancora più lenta e più scettica quando si scende nella piccola e media impresa. La fase due, ammette Losito, è già iniziata anche in casa IBM, con programmi che usano l’AI per potenziare la forza vendita e scoprire opportunità di business; ma resta un divario che il mercato non ha ancora colmato, e che sarà il vero banco di prova dei prossimi anni.

Hybrid cloud e sovranità digitale: arriva IBM Sovereign Core

La parola sovranità è tornata più volte. Losito l’ha pronunciata con una certa cautela, consapevole che sia ormai abusata; poi l’ha smontata, restituendole un significato operativo. “La sovranità digitale non coincide con la sola localizzazione del dato: quella è soltanto l’inizio, poi ci sono quattro dimensioni, ciascuna con il suo regolamento di riferimento nella testa di chi decide.

Sovranità del dato, che richiama il GDPR: dove risiede il dato, dove viene processato, chi vi accede. Sovranità operativa, che richiama DORA: chi gestisce i sistemi, chi fa provisioning, chi controlla infrastruttura e applicazioni. Sovranità tecnologica, cioè la capacità di ridurre al minimo il lock in verso fornitori terzi, tipicamente statunitensi, in un mercato dove circa il settanta per cento delle tecnologie hardware e software arriva dagli Stati Uniti. Sovranità dell’AI, infine, che richiama l’EU AI Act: modelli trasparenti e spiegabili, con il controllo su dove gira l’inferenza. La risposta di IBM porta un nome e una data: IBM Sovereign Core, disponibile dal maggio 2026, una piattaforma software costruita sul principio della sovranità by design, con framework normativi preinstallati (GDPR, DORA, EU AI Act, NIS) e un controllo gestito dal cliente (la scheda è sul sito IBM).

La differenza, nella metafora scelta da Losito, sta nelle chiavi. Gli hyperscaler aggiungono un layer di sovranità sopra la propria infrastruttura: un hotel a cinque stelle, elegante, ma con le chiavi sempre in mano all’albergatore. L’approccio dei virtualizzatori, il cosiddetto vanilla, consegna invece le chiavi ma pretende un system integrator forte o un team interno con capability molto spinte. IBM prova a stare nel mezzo: piattaforma pronta, ma con le chiavi in mano al cliente. È una lettura di parte, e Losito lo ammette; resta il fatto che sul tema si muovono ormai tutti, come Digitalic ha raccontato seguendo il Tech Sovereignty Package europeo e i trend della sovranità digitale del 2026.

Quantum computing: Anderon, il CHIPS Act e un sogno italiano

La terza missione è quella che, per stessa ammissione di Losito, meriterebbe una sessione a parte. IBM lavora al quantum dal 2016, quando ha reso disponibile in cloud la prima macchina; da allora ha costruito circa novanta sistemi e messo in piedi un ecosistema di oltre 325 organizzazioni, tra startup, università, grandi aziende ed enti governativi. La notizia recente ha però una scala industriale: il 21 maggio 2026 IBM e il Dipartimento del Commercio degli Stati Uniti hanno annunciato Anderon, il primo stabilimento americano pure play per la produzione di processori quantistici, sostenuto da un miliardo di dollari di incentivi CHIPS Act e da un altro miliardo investito da IBM. Sede ad Albany, nello Stato di New York; wafer quantistici da 300 millimetri; una filiera pensata non solo per IBM, ma per chiunque voglia costruire macchine quantistiche (tutti gli approfondimenti sono su anderon.com).

La roadmap è scandita da traguardi precisi: la dimostrazione scientifica del quantum advantage attesa nel corso di quest’anno, e soprattutto il primo computer quantistico su larga scala e fault tolerant destinato ai clienti commerciali, in arrivo entro il 2029. Poi c’è la parte che Losito ha lasciato trasparire come personale: oggi in Italia manca una macchina di questa classe, portata invece in Germania, nei Paesi Baschi, in Romania; il suo desiderio, dichiarato senza mandato ma con evidente convinzione, è di vederla finalmente arrivare in Italia, per la competitività del sistema Paese prima ancora che dei singoli clienti.

Sicurezza: il quantum non è un problema futuro, è un problema di oggi

Qui il tono di Losito cambia, si fa quasi impaziente. La frase che ripete è “harvest now, decrypt later”: qualcuno oggi raccoglie e conserva dati cifrati che non sa ancora leggere, convinto che entro pochi anni una macchina quantistica gli fornirà la chiave. Il conto è presto fatto: se il segreto bancario dura vent’anni, quello nazionale fino a cinquanta e quello militare oltre, e se la migrazione media dagli algoritmi attuali (RSA, ECC) a quelli post quantum richiede dai cinque ai dieci anni, allora chi aspetta è già in ritardo. Non a caso alcune banche e assicurazioni italiane hanno iniziato ad attivare team dedicati al quantum safe.

La rivendicazione, in questo passaggio, ha un accento italiano: dei quattro algoritmi individuati dal NIST per rendere una macchina resistente all’attacco quantistico, tre nascono da ricerca IBM, e due sono stati sviluppati a Zurigo da ricercatori italiani. Sul fronte AI, invece, il riferimento è alla cronaca recente: le vulnerabilità scoperte a ritmi inediti da sistemi come Mythos di Anthropic, la sua sospensione e la successiva riapertura in forma selettiva all’interno del progetto Glasswing, di cui IBM fa parte dall’inizio. La risposta di prodotto porta il nome di IBM Concert, la piattaforma che non fa performare ogni strumento per conto suo ma li mette, letteralmente, in concerto: correla le informazioni dei diversi tool per capire, di cinquecento server vulnerabili, quali applicazioni sono davvero esposte e quali si possono correggere, riducendo i tempi di discovery da ottanta a otto ore. Nella lettura di Losito la sicurezza attraversa gli altri tre temi, invece di occupare un capitolo a sé.

Competenze: la “nuova unità di competenza” secondo Nico Losito

L’ultimo tema è quello che dà il senso a tutti gli altri, e Losito lo affronta di corsa, quasi temesse di aver già parlato troppo. Le organizzazioni, così come sono strutturate oggi, con i loro organigrammi e le loro job description rigide, rischiano di essere un vincolo più che una risorsa; la proposta è organizzarsi per mandato, per task, prima che per ruolo. Serve alfabetizzazione diffusa, quella che chiama AI literacy o AI fluency, e serve un reskilling che riguarda per prima la stessa IBM.

Il concetto su cui ha voluto chiudere è quello di new unit of competence: una nuova unità di competenza fatta di agenti AI e di human mindset. La macchina prende in carico i ragionamenti sequenziali e complessi; all’essere umano restano le capacità dove il giudizio e la parte emozionale hanno un peso, il problem solving, la gestione dell’imprevisto. Il patto tra i due, secondo Losito, serve a rendere più efficiente l’azienda e a spostare persone verso aree oggi a bassa conoscenza umana: le neuroscienze, la longevity, l’aerospazio. È il tentativo di raccontare l’intelligenza artificiale come una leva di crescita più che come una minaccia per il lavoro; una tesi ambiziosa, che avrà bisogno di numeri per essere creduta fino in fondo, e che varrà la pena riprendere fra dodici mesi, quando toccherà a Nico Losito dire quanto di questo racconto è diventato risultato.