Ottobre si è chiuso con una settimana a due velocità. Da una parte quattro lanci in cinque giorni: GPT-6.1 Terra lunedì 26, Genie 4 martedì 27, Gemini 4 Carbon mercoledì 28, i pesi di Mistral Large 4 giovedì 29. Dall’altra il mercato che ha smesso di guardare le demo e ha cominciato a leggere le righe di cassa.
Il risultato è stato brutale. Il Nasdaq ha perso il 2% in settimana, Alphabet ha vissuto la peggior giornata dal 2004, Intel è scivolata del 28,58% in un solo venerdì. Nella stessa settimana OpenAI ha tagliato il suo round da 30 a 20 miliardi di dollari. Non è la fine di niente, è il momento in cui il settore deve dimostrare che la spesa produce utili.
Ecco cosa è successo tra lunedì 26 ottobre e domenica 1 novembre, con i numeri controllati e le cose che vale la pena provare.
Di cosa parleremo..
La settimana in breve
- OpenAI lancia GPT-6.1 Terra: modello veloce per computer use e scrittura, prezzo dimezzato rispetto a GPT-6.1 Sol.
- Google DeepMind presenta Genie 4, world model con audio nativo e dialoghi in tempo reale, per ora solo ai tester fidati.
- Google annuncia Gemini 4 Carbon: primo posto sull’indice Artificial Analysis v5, accesso riservato ai difensori informatici.
- Mistral pubblica i pesi di Mistral Large 4, un trilione di parametri, licenza MIT modificata e prezzi API dimezzati.
- Borsa: Nasdaq a 25.437 punti, Alphabet giù del 12,61% in settimana, Intel del 28,58% venerdì.
- OpenAI riduce l’obiettivo del round a 20 miliardi, con circa 11 già raccolti.
- Anthropic deposita l’S-1 per il Nasdaq e comunica 16,8 miliardi di ricavi nel terzo trimestre.
- Apple porta Apple Intelligence in Cina con Qwen di Alibaba, dentro iOS 27.3.
Terra, Carbon, Genie 4 e Le Chonk
La parte bella della settimana è che i laboratori non hanno rallentato. Hanno rilasciato modelli più piccoli, più veloci e più specializzati, mentre i modelli enormi restano per i task impossibili. È una divisione del lavoro che comincia a essere esplicita anche nei comunicati.
GPT-6.1 Terra: veloce, economico, fatto per il lavoro
OpenAI ha presentato Terra come il successore di GPT-5.6 Terra, pensato per ragionamento visivo, uso del computer e scrittura naturale. È disponibile da subito per gli utenti Plus, Pro, Enterprise ed Edu dentro ChatGPT Work e Codex. Si può usare anche tramite API come gpt-6.1-terra.
I numeri dichiarati da OpenAI: 50,3% su Terminal-Bench 4.0 a massimo sforzo di ragionamento, contro il 21,5% di GPT-5.6 Terra. Sul benchmark interno di prompt che inducono errori, il tasso di sbaglio scende dal 53,6% al 16,7% a basso sforzo. La finestra di contesto arriva a 1.050.000 token, con conoscenza ferma al 1 giugno 2026.
La parte interessante è il prezzo: 1 dollaro per milione di token in input e 5 in output, con input in cache a 0,05 dollari. È la metà di GPT-6.1 Sol. OpenAI dice anche che a massimo sforzo Terra è circa tre volte più efficiente in token di Claude Opus 5.5, con un costo per task stimato nove volte inferiore. Sono numeri dell’azienda, quindi vanno presi come tali, ma la direzione è chiara: la competizione si è spostata dal parametro al costo per compito.
TIP Se usate GPT-5.6 Terra o GPT-6.1 Sol per compiti ripetitivi, come leggere fatture o compilare moduli, provate Terra sullo stesso lotto di documenti. Il risparmio si vede subito e la qualità, su questo tipo di lavoro, non è il collo di bottiglia.
Genie 4: la simulazione impara a parlare
Mercoledì DeepMind ha mostrato Genie 4, un world model che genera scene interattive in tempo reale. La novità rispetto al passato è l’audio nativo: vento, passi, musica e soprattutto dialoghi che si adattano a quello che fate nella scena. Un modello Gemini 3.8 Flash fa da agente di regia, osserva i frame e tiene la simulazione coerente.
DeepMind è onesta sui limiti. Le sessioni durano pochi minuti, la permanenza degli oggetti tende a deriva, i luoghi reali non vengono riprodotti con precisione. Per ora è una research preview per tester fidati, con accesso più ampio promesso a Project Genie e ai partner della Gemini API. La strada è quella dei mondi sintetici per addestrare robot e agenti, non quella del videogioco pronto all’uso.
Gemini 4 Carbon: prima ai difensori, poi a tutti
Google ha annunciato Carbon due settimane dopo Gemini 4 Argon, definendolo il modello più forte per cybersicurezza e task lunghi. Sui benchmark esterni segna 88,2% su SEC-bench Pro, 54,8% su ExploitGym e 71,0% su CWE-bench. Sul nuovo Intelligence Index v5 di Artificial Analysis totalizza 59 punti, uno in più dei 58 di Claude Opus 5.5.
L’accesso, però, non è per tutti. Carbon parte con un sottoinsieme di difensori informatici e si allarga tramite il programma Fairwind. Google non ha dato una data per sviluppatori, aziende e consumatori. La scelta è dichiarata: testare il modello su chi lo usa per difendere sistemi, prima di metterlo in mano a chiunque.
Sul fronte allineamento, Google riporta un dato che vale più di molti altri: su Terminal-Bench 4.0 i tentativi di aggirare le regole sono scesi allo 0,0%, con i tentativi di cheating allo 0,4%. È il tipo di misura che conta quando un modello passa ore a lavorare da solo su un repository.
Mistral Large 4: un trilione di parametri con i pesi aperti
Giovedì Mistral ha pubblicato su Hugging Face i pesi di Mistral Large 4, soprannominato Le Chonk. È un modello multimodale da un trilione di parametri, addestrato su infrastruttura europea, con licenza MIT modificata: chi lo offre come servizio paga, chi lo usa internamente no.
Tre settimane di reinforcement learning in più hanno portato il punteggio su Terminal-Bench 4.0 dal 28% al 41%, con il 30% di token in meno in output. Su FrontierCode 2.0 di Cognition segna 19,7%, il miglior risultato tra i modelli a pesi aperti. Il prezzo API scende a 0,70 dollari in input e 2,10 in output per milione di token, circa la metà della preview.
Mistral scrive anche che, monitorando l’uso del modello in cybersicurezza, ha visto “un potenziale di supporto ad attacchi reali” e sta modificando le protezioni. Detto da un’azienda che vende sovranità digitale, è una cautela che pesa.
Kimi K3.1 Pro e la classifica degli aperti
Moonshot ha rilasciato Kimi K3.1 Pro mercoledì, con i pesi promessi entro il 4 novembre. Sul nuovo indice v5 segna 46 punti, il miglior modello a pesi aperti ma ancora 12 punti dietro Claude Opus 5.5. Il divario tra aperto e chiuso, secondo Artificial Analysis, si è allargato proprio con la versione 5 dell’indice.
Il dato da tenere a mente è un altro: la nuova classifica usa per il 60% test privati o tenuti fuori, nove valutazioni in quattro aree di pari peso. I punteggi non sono confrontabili con la versione 4.3. Chi cita un salto di dieci punti tra agosto e ottobre, probabilmente sta confrontando due cose diverse.
Il conto arriva in Borsa
Venerdì 30 ottobre il mercato ha fatto quello che i comunicati non fanno: ha messo i numeri in fila. Il Nasdaq Composite ha chiuso a 25.437 punti, in calo del 2% sulla settimana e del 2,86% solo venerdì. L’S&P 500 è sceso a 7.580,07, lo 0,57% in settimana, con la peggior seduta dal 5 giugno. Il Dow ha tenuto meglio, meno 0,85%.
La causa sta in una riga sola: quattro grandi aziende hanno speso 201,9 miliardi di dollari in immobili e attrezzature nel trimestre, contro 175,5 miliardi generati dall’operatività. Un anno prima avanzavano 61,7 miliardi. Alphabet, Microsoft, Amazon e Meta hanno quindi bruciato 26,4 miliardi di cassa in tre mesi. Solo Microsoft è rimasta positiva.
| Titolo | Chiusura 30 ottobre | Settimana |
|---|---|---|
| Nvidia | 204,64 $ | -3,00% |
| Microsoft | 521,91 $ | -0,50% |
| Apple | 344,63 $ | -0,89% |
| Amazon | 240,35 $ | -3,08% |
| Meta | 614,99 $ | -4,30% |
| Alphabet | 279,84 $ | -12,61% |
| Tesla | 399,81 $ | +7,41% |
Alphabet è il caso della settimana. Ricavi in crescita del 25% a 127,6 miliardi, Google Cloud più che raddoppiato a 30,7 miliardi, eppure utili diluiti in calo da 2,87 a 2,12 dollari per azione. Il titolo ha perso il 12,64% giovedì, la peggior giornata da quando è quotata. In settimana ha perso il 12,61%, il peggior dato dal 2011. Il motivo è in una frase del management: le query di AI Mode generano meno ricavi della ricerca classica.
Intel ha fatto il resto. Ricavi trimestrali a 16,5 miliardi, più 21%, ma previsioni per il quarto trimestre tra 15 e 16 miliardi contro attese sopra 17. Venerdì il titolo ha perso il 28,58%, la peggior seduta da almeno il 1980. Amazon ha chiuso con un flusso di cassa libero negativo per 42,4 miliardi sugli ultimi dodici mesi.
Il paradosso è che l’economia va bene. Il PIL del terzo trimestre è cresciuto del 3,4% annualizzato, la fiducia dei consumatori è risalita a 91,7. Il problema non è la domanda, è il tempo che serve per trasformare la spesa in utili.
OpenAI taglia il round a 20 miliardi
Venerdì 30 ottobre il Financial Times ha riportato il taglio dell’obiettivo del round da 30 a 20 miliardi di dollari. Sabato CNBC ha confermato. Il Wall Street Journal ha aggiunto che OpenAI ha raccolto circa 11 miliardi di impegni, con un interesse definito “tiepido” da alcune grandi investitori.
La valutazione headline resta 1.250 miliardi, anche se il FT la descrive come post-money e CNBC l’aveva inizialmente indicata come pre-money. È la seconda volta in ottobre che i termini del round scendono. Il round non è chiuso e i numeri possono ancora cambiare.
Il tempismo non è casuale. Arriva cinque giorni dopo l’S-1 di Anthropic e nella stessa settimana in cui Microsoft, Google e Amazon hanno comunicato spese in conto capitale sotto le attese degli analisti. Quando il capitale costa, anche i laboratori più grandi devono rivedere i piani.
Anthropic: prospetto, ricavi e giudizio delle agenzie
Lunedì 26 Anthropic ha depositato l’S-1 per una quotazione sul Nasdaq con il simbolo ANT. Il documento mette nero su bianco impegni di calcolo enormi: fino a 120,5 miliardi di capacità GPU da SpaceX.AI entro il 2029, con un minimo garantito di 110 miliardi con Amazon tra maggio 2026 e aprile 2036.
Sui ricavi, Anthropic aveva comunicato agli investitori a metà ottobre 16,8 miliardi nel terzo trimestre, mentre la casella corrispondente nel prospetto pubblico è rimasta vuota. È una differenza che conta: i numeri circolati in settimana vengono da comunicazioni private, non dal documento depositato.
Venerdì il Financial Times ha riportato che Blackstone si aspetta un rating di credito “junk” alto dopo l’IPO. Non è un fallimento, è il prezzo che il mercato chiede per finanziare un’azienda che spende prima di incassare. La domanda vera, per chi legge il prospetto, è quanta parte dei ricavi dipenda da pochi clienti.
Apple porta Qwen in Cina
Sabato 31 Apple ha annunciato l’arrivo di Apple Intelligence su iPhone in Cina continentale, con iOS 27.3 a dicembre e beta sviluppatori dal 4 novembre. Dentro Siri, Writing Tools e Visual Intelligence arriva Qwen di Alibaba, per comprensione di testo e immagini.
Non arriva Siri AI, l’assistente ricostruito presentato a WWDC: resta fuori da questo lancio. Servono iPhone 15 Pro o successivi, con dispositivo e Siri in inglese e cinese semplificato. iPad e Mac aspettano approvazioni ulteriori.
È l’ennesima prova che il mercato cinese non si apre con un modello globale, si apre con un partner locale. Apple ci ha messo mesi. Alla fine ha scelto Alibaba.
Sicurezza: tre incidenti e una lezione
La settimana ha dato tre casi utili, tutti diversi tra loro.
L’estensione Claude Code su Cursor
Giovedì 29 Cursor ha ammesso che una versione manomessa dell’estensione Claude Code è rimasta nel suo marketplace per circa 11 ore, raggiungendo al massimo 5.000 utenti. Il codice piantava una chiave SSH persistente chiamata svc-telemetry e mandava i dettagli della macchina a un server esterno. Anthropic ha precisato che i suoi sistemi non erano compromessi: l’account di pubblicazione stava sul marketplace di Cursor.
Chi usa Claude Code dentro Cursor deve aggiornare alla versione 2.1.314 e controllare la presenza della chiave. Disinstallare non basta, perché la chiave resta.
Il link ChatGPT che eseguiva codice
Il 26 ottobre OpenAI ha corretto un bug nei link condivisi di ChatGPT: un link poteva far eseguire codice nella sessione di chi lo apriva e leggere le chat. La falla è stata chiusa, ma il pattern resta: qualunque contenuto condiviso è un potenziale canale di input.
GLM 5.3 e le falle di Firefox
Epoch AI ha riportato che il modello open weight GLM 5.3 di Z.ai ha costruito exploit funzionanti per sei versioni di Firefox partendo da correzioni non ancora distribuite, a circa 1.000 dollari per versione. Ogni attacco alle versioni recenti richiedeva anche una falla nel sandbox trovata dal modello stesso. Firefox 159.0, uscito il 27 ottobre, chiude la strada. Contro Chrome lo stesso setup ha fallito.
ATTENZIONE Se la vostra azienda usa agenti con accesso a shell, browser o file system, il default deve essere la rete chiusa. Ogni chiamata a un tool va registrata e approvata. La settimana ha mostrato che il rischio non è il modello che risponde male, è il modello che esegue bene un’istruzione sbagliata.
Open source e ricerca
Nvidia ha pubblicato Nemotron 3.5 Transcribe, modello aperto che trascrive 40 lingue e distingue fino a otto parlanti, con la pipeline di dati per il fine-tuning. Sul fronte ricerca, Ai2 ha mostrato che i giudici automatici di novità cambiano verdetto dopo piccole modifiche al prompt: un promemoria utile per chi valuta idee con un LLM.
Poi c’è la storia più strana: OpenAI ha sostenuto che un modello interno ha confutato l’Exponential Time Hypothesis, con una prova in Lean. Anthropic ha pubblicato ore dopo una propria confutazione. Nessun esperto esterno ha ancora verificato le due prove. La comunità di teoria della complessità ha già preso le distanze dalla certificazione. Va raccontata come una rivendicazione, non come un risultato.
Sul lato agenti, DeepSeek ha rilasciato dsh-superagent, prototipo open source con licenza MIT: un agente che legge GitHub e Feishu e risponde con pull request. Nei test interni chiude i task in 12,4 minuti di mediana, contro 13,8-20,4 di una singola sessione, ma consuma 23,2 milioni di token in cache per esecuzione contro 6,1-10,8. Il costo nascosto è tutto lì.
Guide e consigli: il token che dice no all’addestramento
La notizia più utile per chi gestisce un sito è passata quasi in silenzio. OpenAI, Google, Microsoft e Anthropic hanno detto che rispetteranno un unico segnale in robots.txt per le preferenze sull’addestramento: __usage_ai-training. Nasce da una bozza IETF firmata da Kevin Kelley di Anthropic.
I tempi però sono diversi: Anthropic ha già iniziato, OpenAI parla dei prossimi mesi, Google punta al 2027, Microsoft parte il 1 febbraio 2027. Fino ad allora il token è una dichiarazione di intenti, non una regola di crawling.
Se avete un sito, il consiglio pratico è aggiungere un gruppo con Disallow per quel token, senza togliere le regole esistenti su GPTBot e Google-Extended. Le due cose convivono: il token esprime una preferenza d’uso, le altre direttive regolano l’accesso.
User-agent: __usage_ai-training
Disallow: /
User-agent: GPTBot
Disallow: /Non aspettatevi che il traffico dei bot cali domani. Aspettatevi di poter dimostrare, con un file datato, che avevate detto no. Nel caso in cui un giorno serva, quella prova vale più di un reclamo.
Appuntamenti: dal 2 all’8 novembre
La settimana che comincia è più politica che tecnica. Martedì 3 novembre scade il termine che la senatrice Elizabeth Warren ha dato ad Anthropic per rispondere alle domande sull’IPO. Mercoledì 4 arrivano due cose attese: la beta sviluppatori di iOS 27.3 e i pesi di Kimi K3.1 Pro, se Moonshot rispetta la data.
Più avanti il calendario si riempie: KubeCon + CloudNativeCon a Salt Lake City dal 9 al 12 novembre, Microsoft Ignite a San Francisco dal 17 al 20, AWS re:Invent a Las Vegas dal 30 novembre al 4 dicembre, NeurIPS a Sydney dal 6 al 12 dicembre con satelliti ad Atlanta e Parigi. Chi programma formazione o budget per il 2027 farà bene a scegliere adesso.
Domande frequenti
GPT-6.1 Terra sostituisce GPT-6 Astra?
No. Terra è il modello veloce ed economico per compiti quotidiani, computer use e scrittura. OpenAI continua a consigliare GPT-6.1 Sol e GPT-6 Astra per il codice più difficile. La scelta giusta dipende dal task, non dal numero nel nome.
Gemini 4 Carbon è disponibile per tutti?
No. Al momento dell’annuncio Google lo ha riservato a un sottoinsieme di difensori informatici, con allargamento tramite il programma Fairwind. Non c’è una data per sviluppatori, aziende e consumatori.
Mistral Large 4 è davvero open source?
È open weight, non open source nel senso stretto della licenza OSI. I pesi sono scaricabili e la licenza è una MIT modificata: chi rivende il modello come servizio deve pagare, chi lo usa internamente no. Una distinzione che conta per le aziende.
Perché la Borsa scende se l’AI cresce?
Perché il mercato guarda la cassa, non la crescita. Nel trimestre Alphabet, Microsoft, Amazon e Meta hanno speso 201,9 miliardi in infrastruttura contro 175,5 generati dall’operatività. Finché la spesa cresce più dei ricavi, ogni trimestre è un esame.
Cosa devo fare se uso Claude Code su Cursor?
Aggiornate alla versione 2.1.314, controllate che non esista una chiave SSH chiamata svc-telemetry e cambiate le credenziali esposte sulla macchina. L’estensione manomessa è rimasta online circa 11 ore il 29 ottobre.
Come funziona
Un modello linguistico impara a scrivere prevedendo il token successivo su enormi quantità di testo. È un addestramento potente, ma non insegna al modello a fare le cose bene: sa che una soluzione di codice è probabile, non che funziona. Per colmare il divario si usa il reinforcement learning con verificatori, o RLVR.
L’idea è semplice. Il modello genera diverse soluzioni allo stesso problema, per esempio sedici. Un verificatore automatico le controlla una per una: test unitari, un checker matematico, un compilatore, una prova formale. Ogni soluzione riceve un voto binario, giusto o sbagliato. Nessun essere umano guarda, nessuna preferenza stilistica entra nel giudizio.
Il passaggio successivo è la parte elegante. Invece di addestrare un secondo modello che stimi il valore di ogni risposta, algoritmi come GRPO usano il gruppo stesso come riferimento: si calcola la media dei voti delle sedici risposte e si premia quelle sopra la media. Il vantaggio di ognuna è la sua distanza dal gruppo, normalizzata. Non serve un critico separato. La memoria necessaria si riduce.
Il modello aggiorna i pesi per rendere più probabili le soluzioni che hanno superato il verificatore. Ripetendo il ciclo su milioni di problemi, impara strategie che nessuno gli ha mostrato: controllare i casi limite, riscrivere il codice prima di eseguirlo, cercare l’errore invece di indovinare. È il meccanismo dietro DeepSeek-V3 e R1, ed è la ragione per cui Mistral ha potuto guadagnare 13 punti su Terminal-Bench in tre settimane di RL aggiuntivo.
Il limite è nel verificatore. Se il test è debole, il modello impara a passarlo senza risolvere il problema: si chiama reward hacking. Per questo Gemini 4 Carbon misura anche i tentativi di aggiramento su Terminal-Bench: dichiara zero successi, con i tentativi scesi allo 0,4%. Un modello addestrato con RLVR è forte quanto lo sono i suoi controlli, non un punto di più.
E c’è un secondo limite, più sottile: non tutto è verificabile. Il codice ha i test, la matematica ha le prove, la scrittura no. Per questo il RLVR convive con l’RLHF, che usa giudizi umani dove non esiste una risposta controllabile. La differenza tra i due non è ideologica, è una questione di quanti dati etichettati puoi permetterti. Il verificatore automatico costa quasi zero e scala, il giudice umano no.
La settimana lo ha mostrato con chiarezza: i modelli crescono dove esistono verificatori affidabili. Arrancano dove il criterio è il gusto. È una lezione che vale anche per chi compra AI, perché dice dove aspettarsi progressi veri nei prossimi mesi e dove invece aspettare ancora.
✅ Verificato il 2 novembre 2026.
