Anthropic lancia l'allarme: il segreto dell'IA a basso costo: i concorrenti statunitensi stanno pagando il vero prezzo delle meraviglie tecnologiche cinesi?

Inoltro segreto dei dati: come i servizi di intelligenza artificiale a basso costo ingannano i clienti e sfruttano la concorrenza

Guerra tra superpotenze nell'ambito dell'intelligenza artificiale: quando lo sfidante più economico utilizza segretamente i servizi del rivale più costoso per i calcoli

La corsa globale al dominio nell'intelligenza artificiale si sta sempre più svolgendo a porte chiuse, con tattiche spietate. Al centro dell'ultima controversia ci sono gravi accuse mosse dalla società statunitense Anthropic contro promettenti sviluppatori cinesi di IA come DeepSeek, Alibaba e Moonshot AI. Invece di affidarsi esclusivamente alle proprie innovazioni, queste aziende avrebbero avuto accesso in modo occulto e massiccio al modello di IA statunitense leader del settore, Claude, per estrarre preziosi dati di addestramento, processi cognitivi e funzionalità. Particolarmente esplosiva è l'accusa secondo cui, in alcuni casi, richieste di informazioni legittime e talvolta altamente sensibili da parte dei clienti sarebbero state addirittura reindirizzate furtivamente ai concorrenti americani.

Queste accuse mettono profondamente in discussione il tanto discusso "miracolo dei prezzi dell'IA" cinese. Le offerte a prezzi estremamente bassi provenienti dall'Estremo Oriente sono davvero il risultato di un'architettura software e di un'efficienza superiori, o si basano almeno in parte su un palese trasferimento dei costi? Quella che inizia come una disputa puramente tecnica si sta trasformando in una questione economica e di sicurezza estremamente complessa. Ciò dimostra perché le aziende dovranno essere molto più critiche in futuro nell'acquisto di modelli di IA: chi alimenta catene di approvvigionamento opache e nascoste rischia molto di più di quanto potrebbe mai risparmiare grazie ai prezzi bassi dei token.

Il prezzo nascosto dell'IA a basso costo: una critica tecnologica si trasforma in questione economica

Le accuse mosse da Anthropic contro diverse aziende cinesi di intelligenza artificiale vanno ben oltre una tipica disputa tra concorrenti. In sostanza, la questione non riguarda semplicemente se i singoli fornitori abbiano violato i termini di servizio o utilizzato illecitamente modelli di terze parti come "insegnanti". Il punto cruciale è se parte del costo sorprendentemente basso dell'IA cinese sia dovuto a una struttura dei costi in cui la costosa ricerca, l'addestramento dei modelli, le misure di sicurezza e la potenza di calcolo siano parzialmente finanziati da concorrenti americani. Qualora questo sospetto fosse confermato, la concorrenza sui prezzi osservata non sarebbe il risultato esclusivo di una maggiore efficienza. Sarebbe, almeno in parte, una forma di trasferimento dei costi.

Secondo Anthropic, da febbraio 2026, sette laboratori di intelligenza artificiale con sede in Cina sono stati identificati come responsabili di tentativi su larga scala di estrarre funzionalità dal modello Claude. Tra questi laboratori figurano Alibaba, Moonshot AI, DeepSeek, Zhipu (o Z.ai), Xiaomi, SenseTime e MiniMax. Le attività svolte sarebbero state significativamente diverse. In alcuni casi, enormi quantità di intelligenza artificiale sarebbero state inviate a Claude per raccogliere modelli di ragionamento e risoluzione dei problemi di alta qualità. In altri casi, i servizi cinesi avrebbero inoltrato a Claude richieste reali di clienti senza alcuna informazione riconoscibile, presentando le risposte come proprie. Questo secondo approccio è particolarmente problematico sia dal punto di vista economico che della privacy dei dati, poiché combina l'addestramento del modello, l'acquisizione occulta di dati e l'elaborazione di dati reali dei clienti.

Le prove disponibili fino ad oggi, tuttavia, provengono prevalentemente dalla stessa Anthropic. L'azienda possiede registri interni, modelli di account, informazioni di pagamento, firme tecniche e dati di rete che soggetti esterni non possono verificare completamente. Allo stesso tempo, Anthropic è parte di un'intensa concorrenza globale e ha un significativo interesse economico a limitare l'utilizzo dei suoi modelli da parte dei concorrenti. Un'analisi imparziale deve quindi evitare due errori: non deve né considerare prematuramente le accuse come comprovato furto di tecnologia, né respingerle unicamente per interesse personale di chi le ha formulate. Ciò che conta è quali osservazioni tecniche siano plausibilmente documentate, quali conclusioni se ne traggano e dove l'attribuzione, l'intento e l'effettivo utilizzo dei dati ottenuti rimangano poco chiari.

La grandezza modifica la valutazione

Le cifre citate da Anthropic non suggeriscono esperimenti isolati. Il complesso più esteso è attribuito a operatori associati ad Alibaba. Tra maggio e luglio 2026, si sarebbero verificate oltre 151 milioni di interazioni con Claude, a volte quasi tre milioni al giorno. Si presume che siano stati utilizzati più di 3.500 account classificati come fraudolenti. L'obiettivo principale era ottenere soluzioni dettagliate e processi di pensiero per compiti complessi nello sviluppo di software, nel ragionamento logico, nella programmazione di sistemi e nei processi di agenti a lunga esecuzione. Se questa attribuzione è corretta, si tratta di acquisizione di dati a fini industriali e non di normale utilizzo del prodotto.

Si presume che Moonshot AI abbia generato oltre 23 milioni di interazioni nello stesso periodo. Particolarmente grave è l'accusa secondo cui Kimi avrebbe inoltrato quasi 300.000 richieste di clienti reali a Claude in dieci giorni. Questo sarebbe stato realizzato utilizzando una rete di 5.380 account artificiali, operanti principalmente da Singapore e Giappone. A DeepSeek vengono attribuite oltre 12,1 milioni di interazioni in 14 giorni. Si dice che Zhipu abbia ripulito centinaia di migliaia di tracce di pensiero e integrato diversi milioni di interazioni in una pipeline di elaborazione e addestramento. Xiaomi è collegata a oltre 400.000 richieste tramite più di 1.500 account. Per SenseTime e MiniMax sono disponibili pubblicamente cifre meno precise, ma Anthropic descrive anche l'uso di intermediari, servizi proxy o strutture di accesso create appositamente in questi casi.

Dal punto di vista economico, non conta solo il numero assoluto di query, ma anche la loro composizione. Milioni di risposte casuali hanno un valore limitato per l'addestramento. I dati diventano di alta qualità quando i compiti sono progettati in modo specifico, le soluzioni vengono valutate, gli errori corretti e i processi di pensiero complessi ricostruiti. Un modello di insegnamento ad alte prestazioni può quindi assumere una parte significativa del lavoro per il quale uno sviluppatore avrebbe altrimenti bisogno dei propri esperti, di elaborate pipeline di dati e di estese prove computazionali. La soglia per una singola risposta può sembrare bassa. Tuttavia, in una raccolta curata sistematicamente, ciò può tradursi in un dataset strategico che migliora sensibilmente la qualità del modello di un concorrente per determinate competenze.

Tuttavia, l'enorme quantità di dati non fornisce prove conclusive del loro successivo utilizzo in uno specifico modello. I log dei server possono mostrare che alcuni account hanno avuto accesso a Claude in modo sospetto, hanno intercettato risposte o inoltrato conversazioni reali. Più difficile è dimostrare quale organizzazione abbia esercitato il controllo finale, quale modello specifico sia stato addestrato con i dati e quanto significativo sia stato il miglioramento misurabile delle prestazioni. Soprattutto in presenza di fornitori di servizi annidati, rivenditori, credenziali rubate e reti proxy internazionali, l'attribuzione rimane una mera affermazione di probabilità. I ​​volumi di dati rafforzano il sospetto di attività organizzata, ma non sostituiscono una revisione tecnica o giudiziaria indipendente.

La distillazione non è automaticamente una frode

La distillazione del modello è un metodo consolidato nell'apprendimento automatico. Un modello insegnante, ampio e potente, genera risposte, valutazioni o distribuzioni di probabilità, che vengono poi utilizzate per addestrare un modello studente più piccolo. Il modello studente ha lo scopo di acquisire il maggior numero possibile di funzionalità, ma richiede meno memoria, energia e tempo di elaborazione. Questo processo è comune all'interno di un'azienda. Può essere legittimo anche tra aziende diverse, a condizione che siano in vigore licenze, contratti o autorizzazioni esplicite.

Il metodo diventa problematico a causa del modo in cui viene ottenuto. Se le regole di accesso vengono aggirate utilizzando account falsi, carte di credito rubate, chiavi di programmazione compromesse, false identità o soluzioni alternative tecniche, non si tratta più di un metodo di addestramento neutrale. La distillazione si intreccia quindi con l'inganno e potenzialmente con la violazione di contratto, la frode, la concorrenza sleale o l'uso improprio dei dati di accesso di terzi. Ancora più grave è l'inoltro occulto di conversazioni reali dei clienti. In questo caso, il fornitore non solo utilizza un concorrente come modello di addestramento, ma ottiene di fatto la sua potenza di calcolo come subappaltatore invisibile, esponendo i propri clienti a un destinatario sconosciuto dei loro dati.

Questa distinzione è importante perché il termine generico "furto" può essere troppo ampio da un punto di vista legale. In un tipico attacco di distillazione, un modello non viene copiato come un file. I suoi pesi non vengono necessariamente rubati. Piuttosto, l'attaccante osserva sistematicamente il comportamento di un sistema accessibile tramite un'interfaccia e utilizza queste informazioni per addestrare un altro modello. Dal punto di vista economico, questo può essere paragonato all'appropriazione di capacità sviluppate a caro prezzo. Dal punto di vista legale, tuttavia, si applicano diversi strumenti: diritto contrattuale, tutela dei segreti commerciali, diritto informatico, diritto sulla protezione dei dati, diritto della concorrenza e potenzialmente diritto brevettuale. Il diritto d'autore da solo spesso non fornisce una risposta chiara perché gli output generati esclusivamente da macchine non sono automaticamente considerati opere umane protette e il modello di addestramento potrebbe avere un'architettura tecnica diversa.

La linea di demarcazione appropriata, pertanto, non si trova tra distillazione e non distillazione, bensì tra uso autorizzato e uso occulto. Altrettanto cruciali sono la portata, l'intento di ingannare, l'elusione delle misure di sicurezza, lo scopo commerciale e l'origine dei dati utilizzati. Confondere queste distinzioni rischia di creare normative che ostacolano la ricerca legittima e l'efficiente compressione dei modelli, senza tuttavia impedire efficacemente l'uso improprio mirato da parte dell'industria.

Il modello di business alla base del miracolo dei prezzi

La competizione tra i fornitori americani e cinesi di intelligenza artificiale viene spesso ridotta alla questione di chi sia in grado di addestrare un modello altrettanto potente a un costo inferiore. Questa visione è troppo semplicistica. Il costo totale di un modello di intelligenza artificiale all'avanguardia comprende ricerca, personale, acquisizione e pulizia dei dati, sperimentazione, tentativi di addestramento falliti, hardware, data center, energia, finanziamenti, audit di sicurezza, sviluppo del prodotto, vendite e inferenza continua. La cifra pubblicata per un singolo ciclo di addestramento rappresenta solo una parte di questo sistema.

L'esempio più famoso è DeepSeek V3. Per la sua fase di addestramento ufficiale, sono state registrate 2,788 milioni di ore di elaborazione su processori Nvidia H800, con un costo computazionale di circa 5,576 milioni di dollari. Questa cifra era incredibilmente bassa e ha contribuito in modo significativo a diffondere l'idea che i laboratori cinesi potessero replicare modelli americani di fascia alta con una frazione delle risorse. Tuttavia, esclude esplicitamente le precedenti prove architetturali, il lavoro sui dati, il personale, le infrastrutture, gli acquisti di hardware e gli esperimenti falliti. La cifra potrebbe essere accurata e tecnologicamente impressionante per il successo finale del test, ma non riflette i costi totali di sviluppo.

Ciò non significa che l'efficienza cinese sia una mera illusione. DeepSeek, Alibaba, Moonshot e altri fornitori hanno dimostrato progressi concreti nell'ambito delle architetture snelle, dell'attivazione di singoli componenti del modello, dell'apprendimento per rinforzo, della preparazione dei dati e dell'uso efficiente di risorse hardware limitate. La pressione competitiva, un ampio bacino di ingegneri altamente qualificati, costi del lavoro inferiori in determinate funzioni, infrastrutture supportate dal governo e una costante attenzione ai pesi dei modelli aperti possono effettivamente ridurre i costi. Anche i fornitori americani utilizzano dati di training sintetici, apprendono dalla ricerca disponibile e sviluppano i propri modelli. La questione rilevante, quindi, non è se i modelli cinesi siano innovativi, ma piuttosto quale proporzione del loro vantaggio in termini di costi derivi dalla loro innovazione, dai vantaggi strutturali legati alla localizzazione, da strategie di prezzo aggressive e dalla potenziale estrazione di capacità finanziata esternamente.

Quando un fornitore ottiene risposte costose da un concorrente tramite account fraudolenti, si verificano diverse distorsioni. Il fornitore di servizi didattici si fa carico dei costi di ricerca e infrastruttura, mentre lo sviluppatore del modello per studenti sostiene solo i costi di accesso o di elusione del sistema. Se, inoltre, le richieste reali dei clienti vengono indirizzate al modello estero, il fornitore cinese può temporaneamente evitare i propri costi di inferenza, raccogliendo al contempo dati per l'addestramento. Un prezzo basso per il cliente finale non sarebbe quindi un puro indicatore di produttività, ma in parte il risultato di costi iniziali non dichiarati sostenuti dal concorrente. Dal punto di vista economico, questo è simile a un produttore che offre un prodotto a basso prezzo perché lo sviluppo, il controllo qualità e parte della produzione sono inconsapevolmente a carico di un concorrente.

Il vero collo di bottiglia è rappresentato dai dati di addestramento di alta qualità

Nel dibattito pubblico, la potenza di calcolo domina la scena. L'intelligenza artificiale moderna richiede chip potenti, grandi capacità di archiviazione, reti veloci ed enormi quantità di energia. Tuttavia, con la crescente disponibilità di architetture efficienti, il collo di bottiglia si sta spostando. I dati di alta qualità per il ragionamento complesso, la programmazione, l'utilizzo di strumenti e le attività a più fasi stanno acquisendo un valore strategico sempre maggiore. Sebbene Internet offra enormi quantità di testo, non garantisce automaticamente soluzioni affidabili a problemi complessi.

I modelli di frontiera non sono quindi solo prodotti, ma anche strumenti per la generazione di nuovi dati di addestramento. Possono progettare compiti, formulare soluzioni, confrontare approcci alternativi, individuare errori, fornire valutazioni e convertire i dati in formati standardizzati. Chiunque acceda a un modello di questo tipo su larga scala non si limita ad acquistare un output testuale, ma accede a una forma condensata dei risultati della ricerca e dell'addestramento altrui. Le tracce di pensiero sono particolarmente preziose perché possono trasmettere al modello dello studente non solo il risultato, ma anche una struttura riproducibile per il processo di risoluzione dei problemi.

I metodi descritti da Anthropic sembrano quindi mirare a qualcosa di più di semplici risposte ordinarie. Includono istruzioni di estrazione fisse progettate per rivelare dettagliati schemi di soluzione interni, nonché metodi per ricostruire, ripulire e valutare i processi di pensiero attraverso più sessioni. Claude sarebbe stato addirittura utilizzato in alcuni casi per preparare i dati di Claude precedentemente acquisiti per l'addestramento di un altro modello. Il modello insegnante avrebbe quindi funzionato simultaneamente come fonte di dati, editor, strumento di controllo qualità e sviluppatore di strumenti.

Ciò ha conseguenze di vasta portata per il settore. La protezione di un modello di intelligenza artificiale non può limitarsi ai pesi del modello e ai data center. Anche l'interfaccia di programmazione è una risorsa strategica e un potenziale punto di vulnerabilità per le funzionalità. I ​​limiti di volume tradizionali sono difficilmente sufficienti quando migliaia di account generano piccoli volumi individuali e distribuiscono le loro richieste tra diversi paesi, metodi di pagamento e intermediari. I fornitori devono riconoscere modelli comportamentali, similitudini tra attività, coordinamento temporale e impronte digitali tecniche. Allo stesso tempo, non devono scoraggiare i grandi clienti legittimi con controlli eccessivi.

L'inoltro occulto distrugge il modello di fiducia

L'aspetto più grave delle accuse non riguarda la proprietà intellettuale, bensì i dati dei clienti. Secondo Anthropic, Claude avrebbe ricevuto, tra le altre cose, registrazioni provenienti dalle vicinanze di basi militari cinesi, codice sorgente interno di importanti aziende cinesi, informazioni su sistemi di sorveglianza, informazioni strategiche su progetti e credenziali di accesso valide per un database del governo russo. Gli utenti coinvolti avrebbero creduto di collaborare con Kimi, DeepSeek o un servizio basato su queste tecnologie. Se questa ricostruzione fosse corretta, non erano a conoscenza del reale fornitore del servizio tecnico, della sua ubicazione e delle modalità di trattamento dei dati.

Ciò viola un principio fondamentale degli appalti digitali. Le aziende e le autorità pubbliche non scelgono un fornitore di intelligenza artificiale basandosi esclusivamente sulla qualità della risposta e sul prezzo. Valutano anche la giurisdizione legale, la posizione di archiviazione dei dati, i subappaltatori, i periodi di conservazione dei dati, la crittografia, l'utilizzo per l'addestramento, i diritti di accesso governativi e la responsabilità. Un trasferimento occulto rende vana questa valutazione. Anche un fornitore formalmente locale o nazionale può quindi trasferire dati sensibili a una piattaforma estera, proprio ciò che il cliente voleva evitare.

Questo caso dimostra inoltre che la residenza dei dati e la sovranità del modello non sono garantite unicamente dall'interfaccia di un prodotto. Un nome cinese, un'interfaccia utente locale o un contratto con un rivenditore regionale non provano che l'inferenza avvenga all'interno del sistema promesso. Lo stesso rischio esiste anche al di fuori della Cina. Qualsiasi intermediario di intelligenza artificiale può inviare dinamicamente query a modelli in continua evoluzione in assenza di controlli tecnici e contrattuali. Ciò crea una catena di fornitura a più livelli per i clienti, la cui vera struttura spesso rimane invisibile.

Dal punto di vista economico, un servizio apparentemente poco costoso può trasformarsi in un prodotto con rischi nascosti significativi. Una singola fuga di credenziali di accesso, codice sorgente o informazioni riservate sul progetto può vanificare anni di risparmi. Soprattutto per le aziende industriali, i fornitori del settore della difesa, i fornitori di energia, le reti logistiche e le istituzioni pubbliche, il danno previsto deve essere incluso nel costo complessivo. Il confronto rilevante non è il prezzo per milione di token, ma il prezzo per attività risolta in modo affidabile, più i costi di integrazione, controllo, protezione dei dati e gestione del rischio.

Qui scoprirai come la tua azienda può implementare soluzioni di intelligenza artificiale personalizzate in modo rapido, sicuro e senza elevate barriere all'ingresso.

Una piattaforma di intelligenza artificiale gestita è la soluzione completa e senza pensieri per l'intelligenza artificiale. Invece di dover gestire tecnologie complesse, infrastrutture costose e lunghi processi di sviluppo, riceverai una soluzione pronta all'uso, su misura per le tue esigenze, da un partner specializzato, spesso entro pochi giorni.

I principali vantaggi in sintesi:

⚡ Implementazione rapida: dall'idea all'applicazione pronta all'uso in pochi giorni, non mesi. Forniamo soluzioni pratiche che creano un valore aggiunto immediato.

🔒 Massima sicurezza dei dati: i tuoi dati sensibili restano con te. Garantiamo un'elaborazione sicura e conforme alle normative, senza condividere i dati con terze parti.

💸 Nessun rischio finanziario: paghi solo per i risultati. Gli elevati investimenti iniziali in hardware, software o personale vengono completamente eliminati.

🎯 Concentrati sul tuo core business: concentrati su ciò che sai fare meglio. Ci occupiamo dell'intera implementazione tecnica, del funzionamento e della manutenzione della tua soluzione di intelligenza artificiale.

📈 A prova di futuro e scalabile: la tua IA cresce con te. Garantiamo ottimizzazione e scalabilità continue e adattiamo i modelli in modo flessibile alle nuove esigenze.

Maggiori informazioni qui:

• Piattaforma di intelligenza artificiale gestita

I token economici non garantiscono automaticamente risultati economici

Il prezzo di listino di un modello è facilmente confrontabile e ha quindi un impatto sul mercato. Tuttavia, dice poco sulla convenienza economica di un flusso di lavoro completo. Un modello più economico potrebbe generare costi più elevati, utilizzare gli strumenti in modo improprio più frequentemente, richiedere controlli aggiuntivi o risolvere un'attività solo dopo diversi tentativi. Un modello più costoso potrebbe risultare complessivamente più economico per attività complesse se utilizza un minor numero di token, meno iterazioni e un minore intervento umano.

Per le aziende, la contabilità dei costi dovrebbe quindi basarsi sul livello del compito svolto. Per un assistente di programmazione, fattori come il tasso di errore, la copertura dei test, il tempo necessario per l'accettazione delle modifiche e l'impegno profuso nella revisione del codice sono cruciali. Per un modello di ricerca, la qualità della fonte, la completezza, il tasso di errore e i costi editoriali sono determinanti. Nel servizio clienti, occorre considerare il tasso di risoluzione, la durata delle chiamate, le escalation e gli errori normativi. Il prezzo del token è solo uno dei diversi fattori da considerare.

Questa prospettiva permette di contestualizzare sia il vantaggio di prezzo offerto dalla Cina, sia la difesa dei fornitori americani di fascia alta. I modelli cinesi economici possono effettivamente risultare superiori per volumi elevati e attività sufficientemente standardizzate. I modelli aperti consentono inoltre l'utilizzo di infrastrutture interne, una personalizzazione più precisa e l'eliminazione di canoni di utilizzo ricorrenti. Al contrario, i modelli chiusi più potenti possono raggiungere un tasso di successo più elevato per attività complesse, con conseguente riduzione dei costi complessivi. Pertanto, non esiste un unico vincitore, ma piuttosto vantaggi economici variabili a seconda del carico di lavoro, dei requisiti di qualità e del profilo di rischio.

Le accuse contro i fornitori cinesi non cambiano questa logica, ma aumentano i requisiti di test. Un modello a basso costo non deve solo dimostrare di essere economico ed efficiente. Il fornitore deve essere in grado di spiegare in modo plausibile come è stato addestrato il modello, quali modelli o fornitori di dati di terze parti sono stati coinvolti, come vengono elaborate le richieste dei clienti e se le risposte vengono generate dinamicamente da terze parti. La mancanza di trasparenza non è un astratto problema di reputazione, ma un fattore di costo, perché le aziende necessitano di test aggiuntivi, ambienti isolati e garanzie contrattuali.

Il quadro giuridico è in ritardo rispetto al mercato

La valutazione legale della distillazione non autorizzata è meno semplice di quanto il linguaggio morale della concorrenza tecnologica potrebbe suggerire. I termini di servizio dei fornitori americani di intelligenza artificiale in genere vietano l'utilizzo dei loro fondi per costruire modelli concorrenti. Chiunque acceda all'interfaccia tramite i propri account e abbia accettato queste regole può, in linea di principio, essere ritenuto contrattualmente responsabile per una violazione. La situazione si complica quando vengono utilizzate società di comodo, intermediari, account rubati o reti di proxy multilivello. In questi casi, è necessario determinare quale parte fosse vincolata da quale contratto e in quale paese possano essere fatte valere le pretese.

Il diritto d'autore offre solo una protezione limitata. I pesi dei modelli sono costituiti da parametri numerici e le risposte generate automaticamente non sono protette dal diritto d'autore senza un sufficiente contributo creativo umano. Allo stesso modo, acquisire una competenza come la programmazione o il ragionamento logico non equivale a copiare materiale protetto da copyright. La legge sui segreti commerciali può essere più efficace se le informazioni tecniche riservate vengono ottenute con mezzi illeciti. Tuttavia, un'interfaccia accessibile al pubblico rende difficile distinguere tra osservazione consentita, reverse engineering e elusione illecita.

Metodi di pagamento fraudolenti, chiavi rubate, false identità e l'elusione di sistemi di sicurezza tecnici possono costituire violazioni di legge indipendenti. La normativa sulla protezione dei dati diventa rilevante non appena conversazioni reali con i clienti vengono condivise con terze parti senza informazioni sufficienti o una base giuridica. Nel caso di dati militari, governativi o infrastrutturali, entrano in gioco anche i controlli sulle esportazioni, le classificazioni di sicurezza e le normative in materia di sicurezza nazionale. Un singolo episodio può quindi avere ripercussioni simultanee su molteplici ambiti del diritto e ordinamenti giuridici.

La tentazione politica è quella di chiudere queste lacune con divieti generalizzati. Questo comporta dei rischi. Regolamentazioni eccessivamente ampie potrebbero ostacolare la ricerca, l'interoperabilità, le verifiche di sicurezza e la concorrenza tra i fornitori più piccoli. Regolamentazioni eccessivamente restrittive coprirebbero a malapena l'estrazione industriale. Un approccio più sensato sarebbe un sistema a più livelli che distingua chiaramente tra distillazione interna autorizzata, ricerca scientifica, uso commerciale ed estrazione di massa basata sull'inganno. I fattori cruciali dovrebbero includere il consenso, l'ambito di applicazione, i metodi di elusione, lo scopo e i potenziali rischi per i dati coinvolti.

I controlli sulle esportazioni creano nuovi mercati per eluderli

Il conflitto è strettamente legato alle restrizioni americane sui chip ad alte prestazioni. Da anni Washington cerca di limitare l'accesso della Cina ad hardware per l'intelligenza artificiale particolarmente potente. Nel 2026, la politica è stata parzialmente rivista. Alcuni chip possono essere approvati caso per caso a determinate condizioni, mentre i sistemi particolarmente potenti e le relative spedizioni successive rimangono soggetti a forti restrizioni. Allo stesso tempo, le norme sono state chiarite in modo da applicarsi anche alle aziende controllate dalla Cina che operano al di fuori della Cina.

Tali controlli aumentano il costo della potenza di calcolo diretta, ma non ne eliminano la necessità. Creano incentivi per ottenere capacità di calcolo tramite data center esteri, intermediari, servizi cloud, chiavi rubate o accesso a modelli finiti. La pressione economica si sposta quindi dall'approvvigionamento di hardware all'arbitraggio di accesso. Un'azienda che non riesce a procurarsi un numero sufficiente di chip di fascia alta può tentare di acquistare le funzionalità integrate in questi chip tramite un'interfaccia di programmazione americana o rubarle illegalmente.

Ciò presenta un paradosso strategico. Più gli Stati Uniti proteggono il proprio hardware e i modelli di punta, più preziose diventano le reti di elusione. Allo stesso tempo, escludere completamente gli utenti cinesi può ridurre la percezione della domanda reale da parte dei fornitori americani e favorire un mercato grigio per i rivenditori. Viceversa, un accesso eccessivamente aperto facilita l'estrazione di dati su larga scala e può esporre funzionalità sensibili. Una politica efficace deve quindi considerare congiuntamente hardware, potenza di calcolo cloud, accesso ai modelli, verifica dell'identità e partner internazionali.

Una soluzione puramente nazionale difficilmente sarà sufficiente. Le reti proxy utilizzano paesi con buone infrastrutture, procedure semplificate per la costituzione di società e sistemi di pagamento internazionali. Se Singapore, il Giappone, il Sud-est asiatico o località europee vengono utilizzati come punti di transito, i fornitori e le autorità necessitano di standard minimi comuni per la verifica dell'identità, la segnalazione di chiavi compromesse e l'indagine su modelli di accesso sospetti. È fondamentale evitare che i normali sviluppatori vengano indiscriminatamente sospettati della loro provenienza. Un controllo basato sul rischio è più complesso di un blocco di paesi, ma è più sostenibile dal punto di vista economico e legale.

È in gioco il valore di mercato dei laboratori americani di intelligenza artificiale

Le aziende americane all'avanguardia giustificano valutazioni elevate e ingenti investimenti con vantaggi tecnologici, benefici derivanti dai dati ed economie di scala. Questa ipotesi viene messa in discussione quando i concorrenti offrono capacità comparabili in tempi brevi e a prezzi significativamente inferiori. Gli investitori devono quindi decidere se le elevate spese creino una barriera protettiva duratura o se finanzino semplicemente una ricerca i cui risultati si diffondano rapidamente nel mercato più ampio attraverso pubblicazioni, ricambio del personale, interfacce aperte e sintesi.

Le accuse di Anthropic rappresentano quindi anche un messaggio per gli investitori. Se i concorrenti cinesi hanno ottenuto parte del loro vantaggio competitivo attraverso l'uso non autorizzato di modelli americani, il loro vantaggio in termini di costi appare meno indicativo di una produttività del capitale fondamentalmente superiore. Allo stesso tempo, Anthropic può spiegare la necessità di elevati costi per la sicurezza, la ricerca e le infrastrutture. L'azienda non difende solo le normative tecniche, ma anche il modello di investimento della ricerca di frontiera chiusa.

Questa comunicazione, tuttavia, non risolve il problema economico. Anche le difese più efficaci non impediscono che le capacità diventino più economiche e intercambiabili nel lungo periodo. Il costo di una determinata qualità del modello è diminuito drasticamente negli ultimi anni. Le architetture dei modelli stanno diventando più efficienti, i chip più potenti, la ricerca aperta si sta diffondendo e i clienti possono distribuire le richieste tra più fornitori. Un modello di business basato esclusivamente sull'intelligenza di un modello esclusivo è quindi destinato a subire una pressione costante sui margini.

I vantaggi competitivi più duraturi risiedono probabilmente nell'integrazione aziendale, nei sistemi di agenti affidabili, nella sicurezza, nella responsabilità, nei dati specifici del settore, nelle catene di strumenti e nell'accesso alla distribuzione. Un modello può essere copiato o approssimato; una piattaforma profondamente integrata nei processi aziendali, con meccanismi di audit, sistemi di autorizzazione e relazioni consolidate con i clienti, è più difficile da sostituire. Le accuse rivelano quindi sia la forza che la debolezza di Anthropic: Claude è evidentemente abbastanza valido da essere ampiamente utilizzato come strumento didattico, ma proprio questa usabilità rende parte del suo vantaggio trasferibile.

I fornitori cinesi rischiano il loro più grande vantaggio

Le aziende cinesi di intelligenza artificiale hanno beneficiato a livello internazionale di prezzi competitivi, modelli aperti, rapido sviluppo dei prodotti e qualità tecnica in costante miglioramento. Queste offerte sono particolarmente attraenti per sviluppatori, piccole imprese e paesi che non desiderano dipendere interamente dalle piattaforme americane. La disponibilità aperta migliora inoltre l'adattabilità e il controllo a livello locale, creando un serio contrappeso al modello di piattaforma chiusa dei fornitori americani.

Le pratiche descritte potrebbero compromettere questo vantaggio. Se i clienti aziendali temono che le richieste vengano inoltrate a modelli di terze parti sconosciute, il fornitore non solo perde reputazione, ma anche credibilità delle proprie affermazioni in merito alla residenza, alla sovranità e alla sicurezza dei dati. Per i settori regolamentati, si tratta di una questione di sopravvivenza. Un modello può essere tecnicamente eccellente ed essere comunque escluso dai processi di appalto se la sua origine e il suo trattamento non sono verificabili.

La strategia dei pesi aperti è inoltre messa a repentaglio da accuse generalizzate. I pesi aperti non sono sinonimo di distillazione illecita. Possono essere derivati ​​da ricerche proprietarie, dati con licenza e metodi di allenamento legittimi. Tuttavia, se i modelli cinesi aperti vengono generalmente dipinti come copie clandestine, la pressione politica per divieti e restrizioni aumenterà nei paesi occidentali. I fornitori cinesi affidabili avrebbero quindi un interesse diretto in audit indipendenti, documentazione di allenamento trasparente e una netta separazione da fornitori terzi, servizi di intermediazione e canali interni.

Finora, il dibattito pubblico è spesso mancato di una controdichiarazione tecnica dettagliata da parte delle aziende accusate. Il silenzio non è prova di colpevolezza, ma riduce la possibilità di una valutazione equilibrata. Una risposta esaustiva dovrebbe spiegare le relazioni tra i clienti, i flussi di dati, l'utilizzo di servizi di routing esterni, i metodi di formazione e la gestione del consenso dei clienti. Negazioni generiche difficilmente sarebbero sufficienti, vista la mole di dati coinvolti.

L'Europa è stretta tra dipendenza e opportunità

Per l'Europa, questo conflitto non è una disputa lontana tra Washington e Pechino. Le aziende europee utilizzano modelli americani, esaminano i sistemi cinesi di ponderazione aperta e, al contempo, sviluppano le proprie offerte sovrane. Sono quindi clienti, integratori, fornitori di dati e potenziali intermediari. Qualsiasi escalation del conflitto potrebbe alterare immediatamente prezzi, disponibilità e rischi normativi.

L'opportunità europea non risiede nel copiare integralmente l'approccio americano o cinese. Un segmento di mercato credibile può emergere attraverso flussi di dati verificabili, implementazione locale, libertà di scelta dei modelli e garanzie contrattuali di non utilizzo dei dati dei clienti. Le piccole e medie imprese (PMI) in particolare non sempre necessitano del modello più potente al mondo. Hanno bisogno di un sistema sufficientemente valido che si integri nei processi esistenti, comporti costi prevedibili e protegga le informazioni riservate.

Per raggiungere questo obiettivo, i fornitori e gli integratori europei devono rendere trasparenti le proprie catene di fornitura. Deve essere tecnicamente verificabile quale modello elabora una richiesta, in quale giurisdizione avviene l'elaborazione e se è possibile ricorrere a un fornitore terzo. I registri devono documentare l'identificativo del modello, la regione, l'ora e la policy senza duplicare inutilmente il contenuto. I contratti devono regolamentare chiaramente l'inoltro non autorizzato, la formazione con i dati dei clienti e la sostituzione dei subappaltatori.

L'Europa può anche promuovere standard di audit indipendenti. Un audit non dovrebbe limitarsi a richiedere dati di addestramento, che spesso sono difficili da divulgare integralmente. Può esaminare il comportamento della rete, i flussi di fatturazione, le impronte digitali dei modelli, le similitudini nelle risposte, i controlli di accesso e le prestazioni effettive negli ambienti di test. Tali prove potrebbero trasformarsi in un vantaggio competitivo. La fiducia non sarebbe più solo uno slogan di marketing, ma un attributo misurabile del prodotto.

Le aziende clienti devono ricalcolare le proprie strategie di approvvigionamento

La conseguenza pratica più importante è che la selezione del modello non può più essere considerata un semplice confronto di prestazioni. Un'azienda dovrebbe distinguere tra lo sviluppatore del modello, l'operatore di inferenza, l'intermediario, l'integratore e i potenziali modelli alternativi. Questi ruoli possono essere ricoperti da un unico fornitore, ma non necessariamente. I servizi particolarmente economici dovrebbero specificare se utilizzano le proprie risorse di calcolo o se inoltrano le richieste a piattaforme diverse.

I contratti devono includere un esplicito divieto di inoltro non autorizzato. Devono essere specificati i subappaltatori, le regioni e i modelli utilizzati. Le modifiche devono richiedere l'approvazione del cliente, almeno per i dati riservati o regolamentati. Altrettanto importanti sono i periodi di conservazione dei dati, l'esclusione di attività di formazione con input e output, gli obblighi di segnalazione in caso di compromissione delle credenziali di accesso e i registri tecnici verificabili.

Dal punto di vista tecnico, si raccomanda un'architettura a livelli basata sui requisiti di protezione. I contenuti pubblici e le attività ad alto volume non critiche possono essere eseguiti su modelli economicamente vantaggiosi. I dati di sviluppo riservati, le informazioni personali e i documenti strategici devono essere gestiti in ambienti controllati con un modello fisso, una regione chiaramente definita e uno spazio di archiviazione limitato. Le informazioni altamente sensibili dovrebbero essere ulteriormente ridotte al minimo, pseudonimizzate o elaborate interamente in locale. Nessun prezzo giustifica l'invio di credenziali di accesso, dati completi dei clienti o proprietà intellettuale insostituibile, senza alcun filtro, a un'interfaccia non verificata.

L'analisi costi-benefici deve considerare non solo i prezzi dei token, ma anche i tassi di successo, i tempi di elaborazione, la supervisione umana, il rischio di fallimento, il cambio di fornitore, la conformità e i potenziali danni. Un fornitore a basso costo potrebbe essere la scelta migliore per attività standardizzate, mentre un sistema più costoso risulta più economico per processi complessi che coinvolgono agenti. Le strategie multi-modello possono ridurre le dipendenze, ma aumentano le esigenze in termini di instradamento, monitoraggio e protezione dei dati. Pertanto, il prezzo di listino più basso non dovrebbe mai essere l'unico fattore determinante nell'assegnazione di un contratto.

Le misure di protezione modificano l'economia del prodotto

Anthropic afferma di aver risposto con la sospensione degli account, un miglioramento del rilevamento dei modelli di estrazione, la verifica dell'identità e limiti più severi sulle tracce di pensiero dettagliate. Tali misure possono rendere gli abusi più costosi, ma hanno anche effetti collaterali. Audit più rigorosi aumentano le difficoltà e i costi per gli sviluppatori legittimi. Processi di pensiero meno visibili rendono più difficili il debug, la valutazione scientifica e le applicazioni aziendali sofisticate. Limiti di volume aggressivi possono ostacolare i clienti più grandi o spingerli verso la concorrenza.

Questo crea un classico conflitto di sicurezza. Un modello aperto e facilmente accessibile massimizza l'utilizzo e la penetrazione del mercato, ma facilita l'estrazione di dati. Un modello altamente restrittivo protegge meglio le funzionalità, ma perde parte del suo valore come piattaforma. La soluzione economicamente ottimale risiede probabilmente in un accesso a livelli. Aziende verificate e istituti di ricerca potrebbero beneficiare di limiti più elevati e funzionalità più complete, mentre gli account anonimi o sospetti sarebbero soggetti a maggiori restrizioni.

Le filigrane tecniche e le impronte digitali dei modelli possono essere d'aiuto, ma non offrono una protezione completa. Un modello di studente può riformulare le risposte, mescolare i dati e sovrapporvi i propri passaggi di addestramento. Più si discosta dal modello dell'insegnante, più diventa difficile da rilevare. I meccanismi di difesa devono quindi mirare al punto di accesso, non solo al modello finale del concorrente. Identità, metodi di pagamento, modelli di rete, distribuzione delle richieste e somiglianza dei contenuti, considerati insieme, forniscono un quadro più completo rispetto a un singolo segnale.

Ciò aumenta i costi di sicurezza per i fornitori. A lungo termine, questi costi si rifletteranno sui prezzi delle API, sui termini contrattuali e sulle restrizioni di accesso. L'estrazione non autorizzata dei dati, quindi, non grava solo sul fornitore interessato, ma può rendere l'accesso più costoso per tutti i clienti e ridurre l'apertura dell'intero ecosistema dell'IA. Il trasferimento apparentemente gratuito di funzionalità genera costi sociali sotto forma di maggiore sorveglianza e minore accessibilità.

Una valutazione obiettiva delle accuse

Diversi elementi della presentazione sono tecnicamente ed economicamente plausibili. Ampie reti di account artificiali, istruzioni di estrazione coordinate, elevati volumi di interazione e schemi di accesso ricorrenti sono generalmente riscontrabili sulla piattaforma. Anche la motivazione è comprensibile: percorsi di pensiero e di soluzione di alta qualità possono accelerare lo sviluppo di modelli concorrenti, mentre i controlli sulle esportazioni e gli elevati costi computazionali aumentano l'incentivo a eluderli. Inoltre, l'inoltro descritto di richieste reali dei clienti rappresenterebbe un metodo efficiente per acquisire simultaneamente capacità di inferenza e dati di addestramento.

Tuttavia, diverse questioni chiave rimangono senza risposta. Il pubblico non ha pieno accesso ai dati grezzi di Anthropic. Il collegamento preciso tra i singoli account e la dirigenza aziendale può variare considerevolmente, coinvolgendo dipendenti, fornitori di servizi, rivenditori o punti di accesso compromessi. Non tutte le richieste inoltrate hanno necessariamente portato alla creazione di un set di dati di addestramento. La somiglianza tecnica non implica automaticamente il controllo organizzativo. Inoltre, l'entità del danno economico non è stata ancora quantificata in modo indipendente.

Anthropic ha anche un incentivo strategico a presentare il conflitto come una questione di sicurezza nazionale e di sfruttamento industriale. Sebbene ciò possa essere oggettivamente giustificato, rafforza al contempo la sua posizione nei confronti di governi, investitori e concorrenti. D'altro canto, sarebbe altrettanto opportunistico liquidare le accuse come semplice protezionismo americano. Conti fraudolenti, credenziali rubate e condivisione occulta dei dati dei clienti sarebbero problematici a prescindere dalla nazionalità delle persone coinvolte.

La prospettiva più appropriata si colloca quindi a metà strada tra l'allarmismo e la minimizzazione del problema. Le cifre pubblicate sono sufficientemente gravi da richiedere indagini indipendenti, controprove tecniche e audit aziendali più rigorosi. Tuttavia, non giustificano ancora un giudizio generalizzato sull'intero settore cinese dell'IA. I vantaggi in termini di costi della Cina derivano probabilmente da una combinazione di innovazione genuina, costi inferiori, prezzi aggressivi, politica industriale statale, modelli aperti e, in alcuni casi, potenziale estrazione illecita di capacità. Solo un'analisi approfondita può rendere giustizia a questo complesso insieme.

La competizione nel campo dell'intelligenza artificiale si sta trasformando in una questione di trasparenza dei costi

Il conflitto economico cruciale non riguarda la superiorità intrinseca dei modelli cinese o americano, bensì la trasparenza dei costi e la loro effettiva applicazione. I fornitori americani, all'avanguardia nel settore, investono somme ingenti in data center, ricerca e sicurezza, cercando di recuperare tali spese attraverso prezzi elevati, vincoli di piattaforma e contratti a lungo termine. I fornitori cinesi, invece, si affidano più spesso a prezzi bassi, costi trasparenti e tempi di implementazione rapidi. Entrambi i modelli possono essere innovativi, ma entrambi incentivano la trasparenza dei costi.

Le aziende americane hanno un interesse diretto a considerare qualsiasi trasferimento non autorizzato di conoscenza come una violazione della proprietà intellettuale. I concorrenti cinesi, a loro volta, traggono vantaggio dalla narrazione di aver raggiunto prestazioni comparabili grazie a un'efficienza superiore. Gli investitori, a loro volta, tendono a sovrastimare le singole metriche di formazione o i valori di riferimento. Una valutazione accurata richiede i costi totali del sistema, la provenienza verificabile dei dati, il costo per attività risolta e la considerazione dei rischi per la sicurezza.

Qualora le accuse più gravi venissero confermate, parte del miracolo dei prezzi cinesi risulterebbe effettivamente falsata. Non perché gli ingegneri cinesi non siano riusciti a compiere progressi in modo indipendente, ma perché alcuni fornitori hanno trasferito i costi di ricerca, analisi e dati a un concorrente, a scapito dei propri clienti. Il prezzo di mercato risulterebbe quindi inferiore ai costi totali, sia sociali che operativi.

Qualora le attribuzioni chiave si rivelassero esagerate o errate, i fornitori americani dovrebbero accettare che il loro vantaggio si sta riducendo più rapidamente del previsto e che un'elevata spesa non crea automaticamente un potere di mercato duraturo. In entrambi i casi, la lezione rimane la stessa: il mercato globale dell'IA necessita di una maggiore verificabilità tecnica. Non la narrazione nazionale più eclatante, ma la trasparenza sull'origine delle competenze, dei dati e della potenza di calcolo dovrebbe determinare di chi aziende, governi e investitori si fidano.

Sarei felice di fungere da tuo consulente personale.

Puoi contattarmi all'indirizzo wolfenstein∂xpert.digital o

Chiamami al numero +49 7348 4088 965 .

LinkedIn