🌀 Record a 9 loop e paradossi a volontà

La settimana in cui l’AI ha battuto record in fisica teorica, watermarkato le proteine e censito le erbacce del pianeta. Poi è arrivata la realtà: studenti che imparano di meno, robot che ancora non si pagano, lavoratori che usano l’AI di nascosto.

🔭 La fisica quantistica? Basta chiedere a Claude (e pagare mille dollari)

Il 26 settembre Anthropic ha documentato che Claude ha calcolato l’ampiezza di scattering a 6 particelle nella teoria super Yang-Mills N=4 planare a 9 loop. Il record precedente era a 8 loop, stabilito nel 2023 da Lance Dixon dello SLAC con metodi che richiedevano anni di lavoro umano. Questa volta: 96 CPU equivalenti per una settimana, costo tra mille e duemila dollari, supervisione minimale. Dixon ha commentato: “un vero trionfo, a mio parere, per un modello linguistico di grandi dimensioni riuscire a eseguire tutti i passaggi della complessa ricetta che abbiamo delineato”, ma… pochi giorni dopo, un team cinese guidato da Song He dell’Accademia Cinese delle Scienze ha raggiunto risultati simili usando GPT-6 in modo indipendente.

La fisica quantistica di frontiera, che fino a ieri richiedeva team internazionali e anni di calcolo, è ora accessibile a singoli ricercatori con budget da startup. Chi arriverà per primo al loop 10 è già una domanda aperta.

Fonte: AI Weekly, 26 settembre 2026, inglese — link

🧬 Se vuoi sapere chi ha creato questa proteina, guarda il codice a barre

Il 30 settembre DeepMind ha pubblicato su Nature SynthID Bio, il primo sistema di watermarking per sequenze proteiche progettate da AI. Incorpora segnali impercettibili direttamente nella struttura della proteina, rilevabili con tasso di rilevamento del 100% e falsi positivi allo 0,1%. Le proteine watermarked mantengono affinità di binding comparabile alle versioni originali, testate su target come VEGF-A, RBD del SARS-CoV-2 e PD-L1.

Il problema a cui risponde è concreto: con l’AI che progetta proteine terapeutiche sempre più autonomamente, sapere se una molecola è di origine sintetica e da quale sistema è una questione di tracciabilità scientifica e di sicurezza biologica. Come i codici a barre sulle banconote, solo invisibili e molecolari.

Fonte: Nature / DeepMind Blog, 30 settembre 2026, inglese — link

🌾 Sai riconoscere una Salsola vermiculata? (per chi è della zona: Salsomaggiore non c’entra, eh…)

WeedNet, pubblicato su Nature Communications il 30 settembre, è un modello di visione auto-supervisionato in grado di classificare 1.593 specie di erbacce con un’accuratezza globale del 91%. Una versione addestrata per le specie dell’Iowa raggiunge il 97% su 84 specie locali. Il sistema è progettato per funzionare su smartphone in campo, senza connessione stabile.

L’erbologia era uno degli ultimi settori in cui gli agricoltori avevano ancora un vantaggio competitivo difficile da replicare. Appunto… era.

Fonte: Nature Communications / The Neuron, 30 settembre 2026, inglese — link

🤖 I robot possono fare il 74% dei lavori fisici. Il problema è il business plan

Anthropic ha pubblicato il 30 settembre una stima basata su dati occupazionali USA: i robot attuali sono in grado di eseguire tecnicamente il 74% dei compiti fisici. Abbinati a LLM, la copertura sale a circa l’80% dei compiti occupazionali totali. Il rovescio: sono competitivi sui costi solo sullo 0,3% dei lavori oggi. Il gap tra fattibilità tecnica ed economica è di due ordini di grandezza.

Non è ottimismo ingenuo né allarmismo: è il modo più preciso di dire che l’automazione del lavoro fisico è lontana almeno un decennio, nonostante le capacità tecniche siano già qui. Che, sia rassicurante o deludente… vedete voi.

Fonte: Anthropic Research / The Neuron, 30 settembre 2026, inglese — link

💼 Quasi metà dei tedeschi usa l’AI al lavoro di nascosto. E le aziende non lo sanno

Il primo ottobre il Profiling Institut ha pubblicato la terza ondata della Konstanzer KI-Studie, coordinata dal prof. Florian Kunze dell’Università di Costanza su 1.105 lavoratori (campione rappresentativo, maggio 2026). Il 38% usa IA al lavoro, in aumento dal 35% del 2025. Di questi, solo il 55% usa strumenti ufficialmente approvati dall’azienda: il 45% si arrangia con app personali o strumenti non autorizzati. Il divario è netto per livello di istruzione: 56% tra i lavoratori con istruzione superiore, 21% tra quelli con istruzione bassa. Nelle aziende con meno di 49 dipendenti, solo l’11% offre formazione e il 10% ha definito regole formali.

L’AI adottata in modo sommerso non è necessariamente usata male. Ma è adottata in modo disuguale, e senza politiche aziendali la distanza tra chi se ne avvantaggia e chi no si amplifica in silenzio.

Fonte: Profiling Institut / Universität Konstanz, 1 ottobre 2026, tedesco — link

🏥 Uno su tre austriaci segue i consigli medici dell’AI. Il proprio medico non lo sa

Gallup Institut ha condotto per la Wiener Städtische Versicherung un sondaggio online rappresentativo su 1.000 persone tra 16 e 70 anni in Austria (settembre 2026): il 60% degli austriaci usa IA per questioni sanitarie, il 40% la trova utile, il 33% segue le raccomandazioni dell’AI. Il 13% dichiara di preferire le informazioni dell’AI a quelle del proprio medico. Il 47% è soddisfatto del sistema sanitario pubblico.

Non è irresponsabilità pura: è lo stesso meccanismo con cui le persone hanno imparato a fidarsi di Google per i sintomi, con la differenza che l’output di un LLM è più persuasivo e meno facilmente verificabile. Il dato che manca, e che prima o poi qualcuno dovrà raccogliere, è quante di queste raccomandazioni erano corrette.

Fonte: OTS / Gallup / Wiener Städtische Versicherung, 30 settembre 2026, tedesco — link

📚 Con l’AI lo studente turco migliora del… ah, non non è vero (qualcosa che già avevamo intuito nell’episodio 160 di Lavoro Meglio con l’AI)

L’OECD Digital Education Outlook 2026 riporta un esperimento condotto in Turchia su studenti di matematica della scuola secondaria. Con GPT-4 generico: +48% di rendimento durante gli esercizi. Con una versione pedagogicamente ottimizzata (suggerimenti progressivi, nessuna risposta diretta): +127%. Tuttavia, quando lo strumento viene rimosso, gli studenti che avevano usato GPT-4 generico ottengono risultati del 17% inferiori rispetto al gruppo di controllo che non aveva mai usato AI. Il 37% degli insegnanti usa già AI generativa per il lavoro quotidiano.

La conclusione OCDE è chirurgica: non è l’AI che fa bene o male, è il design pedagogico. Strumenti che sostituiscono il pensiero producono dipendenza; strumenti che lo strutturano producono apprendimento. La distinzione non è tecnica, è di intenzione pedagogica.

Fonte: OECD Digital Education Outlook 2026 / somos-digital.org, settembre 2026, spagnolo — link

💭 120 compiti per ogni lavoro, e arriva qualcosa che li fa tutti

Il 28 settembre il giurista Juan Corvalán, direttore del Lab IA della Facoltà di Diritto dell’Università di Buenos Aires, ha ricordato su Infobae un dato che non fa rumore ma dovrebbe: una posizione lavorativa contiene oggi circa 120 compiti distinti, contro i 12 di cinquant’anni fa. L’AI cognitiva non farà scomparire i lavori: trasformerà i “colletti bianchi” (redattori, social media manager, editor) verso funzioni di supervisione e controllo algoritmico. I lavori manuali relazionali restano i più stabili. Il rischio principale che identifica non è il licenziamento in massa: è il sedentarismo cognitivo masivo tra i minori in fase di sviluppo cerebrale.

120 compiti per posizione è il numero che spiega perché ogni lavoro sta cambiando ma pochi lavori stanno sparendo. È la granularità che sfugge ai titoli.

Fonte: Infobae, 28 settembre 2026, spagnolo — link

🤝 Chi annota i dati che fanno funzionare l’AI? Persone pagate a centesimi per task

Il 28 settembre Le Fil IA ha pubblicato un’intervista con Clément Le Ludec, ricercatore a Télécom Paris (CNRS), sull’economia invisibile dell’annotazione dati. Ogni modello AI è addestrato su dati etichettati manualmente: immagini classificate, audio trascritti, testi valutati da persone pagate a task. Il progetto EnCOre (800+ lavoratori in 9 paesi UE) documenta una realtà precisa: il 67% di questi lavoratori ha una laurea, il 75% ha meno di 35 anni, ma opera in condizioni di instabilità estrema. Pagamenti a centesimi per task, clausole di riservatezza che impediscono di documentare l’esperienza, zero contratti formali, costi psicologici da precarietà strutturale.

L’AI sembra uno strumento di automazione del lavoro umano. In realtà è anche, in parte significativa, lavoro umano mascherato da automazione.

Fonte: Le Fil IA / Clément Le Ludec, 28 settembre 2026, francese — link

📊 AI vs umani su Kaggle: chi cambia strada più spesso vince. E non è l’AI

Il 30 settembre un team del Carnegie Mellon University ha pubblicato TraceML: confronto sistematico tra 4.465 traiettorie di lavoro umane su Kaggle e 207 run di agenti AI su identici problemi di data science. Risultato principale: gli umani effettuano pivot (cambio di approccio) tre volte più spesso degli agenti AI, e con successo. Ritornano su rami di analisi abbandonati in modo produttivo. Gli agenti AI tendono a restringersi in loop ripetitivi, raffinando la stessa strategia iniziale senza riconoscere quando cambiare direzione.

Il dato ha implicazioni dirette per chi progetta team umani-AI: l’AI non sostituisce la capacità umana di riconoscere che la strada è sbagliata. Che, in un contesto lavorativo, non è un dettaglio.

Fonte: CMU / ArXiv / The Neuron, 30 settembre 2026, inglese — link