🛸 L’AI punta alle stelle e allunga la giornata

Questa settimana l’intelligenza artificiale ha gestito un radiotelescopio, battuto i medici in diagnosi e tagliato i costi del 90%. Non ha ancora ridotto le ore di lavoro però…


🔭 L’AI gestisce il radiotelescopio che cerca gli alieni. E nessun alieno per ora

Il SETI Institute e Breakthrough Listen hanno messo agenti AI al controllo dell’Allen Telescope Array in California settentrionale. Il sistema, sviluppato su Nvidia Holoscan, elabora fino a 2,4 terabit di dati radio al secondo, analizzando i segnali in tempo reale invece di accumulare settimane di registrazioni da processare dopo. Risultato concreto di questa settimana: rilevazione in diretta di un pulsar nella Nebulosa del Granchio, un evento che prima richiedeva ore o giorni di post-elaborazione. I ricercatori continuano a impartire comandi in linguaggio naturale, quindi l’AI non decide in autonomia dove puntare il telescopio. Il passaggio successivo prevede software open-source per sensori installati sulla faccia nascosta della Luna.

La ricerca di segnali extraterrestri va avanti dal 1960. Con l’AI è diventata molto più veloce. I segnali extraterrestri, per ora, continuano a non arrivare.

Fonte: The Decoder, 3 novembre 2026 · EN


🏥 L’AI di Microsoft diagnosa i casi complessi all’83%. I medici generalisti si fermano al 36%

Pubblicato su Science il 22 ottobre, il sistema MAI-DxO di Microsoft funziona come un pannello di consulenza medica virtuale: agenti multipli pongono domande aggiuntive, ordinano esami e si contestano a vicenda le ipotesi prima di emettere una diagnosi. Testato su 304 casi complessi tratti dal New England Journal of Medicine, ha raggiunto l’83% di accuratezza, contro il 36% di medici generalisti che disponevano di materiale di riferimento. Su casi di pronto soccorso storici, circa 80% per il sistema AI contro 47% per i medici. Con GPT-5.5 e l’architettura MAI-DxO la precisione sale a quasi l’87%. Il prossimo step è uno studio clinico reale con il Beth Israel Deaconess Medical Center di Boston, dove i pazienti riceveranno le cure standard e le raccomandazioni del sistema verranno confrontate con quelle dei clinici, senza interferire con la cura.

Il confronto è però tra un sistema AI coordinato e medici generalisti che lavorano individualmente: una configurazione che non rispecchia del tutto la pratica ospedaliera.

Fonte: enter.co, novembre 2026 · ES


⏰ Chi usa l’AI lavora 90 minuti in più al giorno. No, non è un errore di battitura

Lo studio di ActivTrak ha analizzato i pattern di lavoro digitale di 9.140 lavoratori della conoscenza in 467 aziende, da aprile a settembre 2026. Risultato principale: chi usa l’AI lavora in media tra 8,4 e 9,1 ore al giorno, contro le 7,6 ore di chi non la usa. Chi è classificato come utente intensivo (oltre 45 minuti di uso in almeno cinque sessioni al giorno) fa anche 18 minuti extra fuori orario, cambia applicazione con più frequenza e ha periodi di concentrazione ininterrotta più brevi. Un parallelo studio dell’UC Berkeley Haas School of Business, condotto per otto mesi su 200 lavoratori di una tech company, ha trovato lo stesso meccanismo: l’AI non ha liberato tempo, ha intensificato il lavoro. I ricercatori descrivono un aumento del ritmo, non una riduzione del carico.

I senatori americani stavano discutendo di settimana lavorativa da 32 ore grazie all’AI. I dati stanno andando nella direzione opposta.

Fonte: Journal du Geek, 4 novembre 2026 · FR


🤖 Un programmatore, trenta agenti AI in parallelo: benvenuti nelle fabbriche di codice

Nel Quebec, la società Alithya ha riorganizzato il lavoro di sviluppo attorno a quello che internamente chiama “AI factory”: un programmatore può coordinare fino a trenta agenti AI in parallelo, producendo documentazione e codice in continuo. Martin Veillette, vicepresidente di Alithya, descrive la trasformazione: i programmatori passano più tempo ad analizzare il codice prodotto dagli agenti che a scriverne essi stessi. Un team di circa cento persone tra Quebec e Marocco lavora sulla piattaforma AWS Transform per la modernizzazione di sistemi legacy. La società di consulenza Levio ha aggiunto un “gemello digitale” al proprio servizio: i clienti descrivono in linguaggio naturale come vogliono che cambino schermate e flussi dati, e il sistema replica l’ambiente prima che lo sviluppo inizi, riducendo i malintesi a monte.

“Non lasciamo mai che l’AI decida da sola,” dichiara Veillette. Per ora almeno.

Fonte: Les Affaires, 4 novembre 2026 · FR


💸 Revolut ha tagliato i costi dell’AI per la scrittura di codice del 90%. La chiave: modelli cinesi open source autogestiti

David Abitbol, responsabile infrastruttura di Revolut, ha presentato i risultati al convegno AI Engineer a New York a ottobre. L’azienda ha progressivamente sostituito i servizi AI commerciali con modelli GLM di Z.ai ospitati internamente su 56 GPU Nvidia B200. Risultato: costi di inferenza AI ridotti del 90% rispetto all’uso di servizi commerciali. Per circa 2.000 ingegneri, l’uso del tool ha generato miglioramenti del 60% nei tempi di coding e del 70% nel lead time. Le ottimizzazioni più impattanti non sono state le GPU in più, ma la calibrazione degli iperparametri, il passaggio alla quantizzazione NVFP4, il disaggregamento di prefill e decode. Il guadagno più grande, dice Abitbol, non è venuto dalla velocità di scrittura del codice: “quando hai token illimitati, cominci a usare l’AI per fare debug e smaltire i ticket. È lì che si risparmia tempo davvero.”

Costi crollati del 90%, produttività cresciuta del 60%. I numeri sono dell’azienda, non di un audit esterno. Ma le 56 GPU Nvidia B200 sono reali e il modello di calcolo è verificabile.

Fonte: The Register, 3 novembre 2026 · EN


🌐 OpenAI propone un “robots.txt per l’AI”: i siti web potrebbero finalmente scegliere

OpenAI ha depositato un draft IETF per un’estensione del file robots.txt che permetterebbe ai gestori di siti di specificare le preferenze sull’uso dei contenuti per l’addestramento di modelli generativi, per sezione. L’attuale robots.txt permette solo di dire “non indicizzarmi per la ricerca”. La proposta (draft-kelley-aipref-training-preference-signal) consentirebbe segnali distinti per diversi provider AI e per diverse aree del sito: per esempio, bloccare l’addestramento sul blog ma permetterlo sulla documentazione tecnica. OpenAI ha dichiarato che intende implementarlo nei prossimi mesi, mantenendo le regole esistenti nel frattempo. Non è ancora uno standard adottato, e il suo effetto dipenderà da quanti provider lo rispetteranno volontariamente.

La proposta è in linea con un crescente interesse per framework di consenso nell’addestramento AI, che finora si è svolto in un vuoto normativo.

Fonte: Digitale Profis, 5 novembre 2026 · DE


👩‍💼 In Messico, 2,9 milioni di lavoratori sono in prima linea davanti all’AI. Due terzi sono donne

L’analisi di “México, ¿cómo vamos?” applicando l’indice ILO di esposizione all’AI ai dati ENOE del primo trimestre 2026 ha identificato 2,9 milioni di lavoratori messicani nelle professioni più esposte: supporto amministrativo, contabilità, lavoro di segreteria, reception e inserimento dati. Quasi due su tre sono donne. Dato ulteriore: l’informalità nei lavori più esposti è del 16,5%, contro il 66% nei meno esposti. Questo significa che i ruoli più a rischio di automazione sono paradossalmente quelli formali, spesso il punto di ingresso nel mercato del lavoro per i giovani. Uno studio di Brynjolfsson et al. (Stanford, agosto 2026) rileva che l’occupazione dei 22-25enni nelle professioni AI-esposte è circa il 19% inferiore alla traiettoria dei coetanei in settori meno esposti, non per licenziamenti ma perché le assunzioni si sono ridotte. Per i lavoratori senior nello stesso settore, nessun gap rilevabile.

L’AI, almeno per ora, non spinge fuori chi lavora. Restringe il portone di ingresso per chi vuole entrare.

Fonte: Excélsior, 6 novembre 2026 · ES


📚 L’AI in classe aiuta. Ma senza il guardrail dell’insegnante, gli studenti fanno peggio da soli

Il report Google “AI in Education” di novembre 2026, sintesi di studi indipendenti e propri, contiene un dato pubblicato su PNAS che vale la pena isolare: studenti di scuola superiore che usavano l’AI per studiare matematica ottenevano punteggi del 17% inferiori nelle verifiche senza supporto AI, rispetto ai coetanei che non l’avevano usata. I guardrail progettati dagli insegnanti hanno eliminato completamente questa differenza. Altri dati dallo stesso report: in un pilota di lettura in India (Read Along), i guadagni di fluidità sono stati del 114% in hindi e del 44% in inglese rispetto al gruppo di controllo. In uno studio su 31 scuole nel nord Italia con 600+ educatori, il 38% delle interazioni AI in classe ha supportato studenti con bisogni educativi speciali, e il 42% degli insegnanti ha documentato miglioramenti nelle valutazioni per questi studenti.

L’AI in educazione funziona, ma richiede design. Uno strumento aggiunto senza progettazione pedagogica produce risultati opposti a quelli attesi.

Fonte: Google AI in Education Report, novembre 2026 · EN


🔐 Anthropic ha dimostrato crittograficamente che una risposta viene da quel modello. E ha rilasciato il codice

FlashProve è un prototipo di ricerca di Anthropic: produce una prova crittografica che un output testuale proviene da uno specifico set di pesi di modello, senza rivelare i pesi stessi. Chi riceve la prova può verificarla indipendentemente. È stato testato con Llama 4 Maverick. Codice e documentazione sono stati rilasciati con licenza Apache 2.0. Il costo computazionale è elevato, tra 70 e 95 volte il computing GPU normale, e il sistema non è destinato alla produzione nel breve termine. Importa quello che dimostra: in linea di principio, è possibile sapere da quale AI è venuta una risposta, anche senza accesso ai pesi del modello. Non è una verifica del contenuto, solo dell’origine.

In un momento in cui la proliferazione di modelli rende difficile capire chi ha prodotto cosa, un sistema di verifica dell’origine è uno strumento di trasparenza con implicazioni concrete per la fiducia nei sistemi AI.

Fonte: The Neuron, 4 novembre 2026 · EN


🗂️ Un database misura l’esposizione all’AI per 6.000 professioni. Contabili al 90%, piloti al 45%, infermieri al 30%

aiHumanWorks, piattaforma lanciata il 6 novembre da Laurent Malet, ha catalogato oltre 6.000 professioni e 23.500 link tra professioni e strumenti AI. Il punteggio centrale è l’UTC (Utilité Conditionnelle): stima la quota di mansioni di una professione che gli strumenti AI potrebbero gestire. Sopra l’80% equivale a “fortemente esposto”. Tra 50% e 79% è zona di vigilanza. Sotto il 50% corrisponde a “fortemente resistente”. Esempi riportati: contabile 90%, saldatore 65%, pilota di linea 45%, ausiliario infermieristico 30%. Il progetto, sviluppato in due anni per 5.500 ore con l’ausilio di diversi strumenti AI, è accessibile gratuitamente senza registrazione. Malet sottolinea che il punteggio riguarda le mansioni, non il posto di lavoro intero, e che due persone nella stessa professione possono avere esposizioni molto diverse.

La metodologia è di Malet stesso e non ha validazione accademica indipendente. Il dato più utile non è il numero in sé, ma la granularità: per la prima volta, si può controllare non solo se il proprio settore è a rischio, ma quali parti specifiche del proprio lavoro lo sono.

Fonte: Mon Carnet, 6 novembre 2026 · FR


Produrre di più non è la stessa cosa che lavorare meglio

Le notizie di questa settimana documentano un paradosso: l’AI batte i medici, trova segnali cosmici e taglia i costi aziendali del 90%. E intanto allunga la giornata di chi la usa. Capire quando e come l’AI migliora davvero il lavoro, invece di accelerarlo soltanto, è il centro di quello che esploriamo ogni settimana.

Se vuoi distinguere la produttività reale da quella apparente, ascolta il podcast Lavoro Meglio con l’AI qui.

O su un’altra piattaforma di ascolto podcast.