La settimana in cui l’intelligenza artificiale si è applicata ai posti difficili: epidemie, matematica irrisolta, banche con codice legacy. Con risultati misurabili. La parte difficile è installarla davvero.
🔬 L’AI taglia i tempi di reporting sull’Ebola: da un’intera giornata a un’ora
Nel Congo Democratico, il ceppo Bundibugyo dell’Ebola circola dalla primavera. Ogni giorno, i team sanitari raccolgono dati su casi, morti e contatti. Fino a pochi mesi fa, produrre un situation report completo richiedeva un’intera giornata di lavoro: ora, con l’integrazione di Claude di Anthropic nei flussi dati WHO/INRB, quel documento è pronto in un’ora.
“Un lavoro che richiedeva una giornata intera si produce ora in un’ora,” ha detto Marie Roseline Darnycka Belizaire dell’Ufficio Regionale WHO per l’Africa. Il 50% delle morti nelle aree rurali del Congo avviene fuori dalle strutture sanitarie: l’AI accelera l’analisi ma non sostituisce la fiducia delle comunità locali, che resta il vero collo di bottiglia. Thomas Zapata della WHO Academy di Lione lo ha detto esplicitamente: l’AI deve essere uno strumento dentro sistemi sanitari funzionanti, non un fine.
La Germania ha aumentato nel frattempo il proprio aiuto di 21 milioni di euro. Nessuno ha detto nulla su quale sia il modello che allena la gente a fidarsi dei vaccini.
Fonte: Euronews, 15 ottobre 2026, EN — link
🧮 DeepMind risolve 9 problemi matematici aperti da 56 anni. E li ha pubblicati su Science
L’8 ottobre, la rivista Science ha pubblicato il paper “Advancing mathematics research with AI-driven formal proof search” di Tsoukalas et al., in cui AlphaProof Nexus di Google DeepMind dimostra prove formali per 9 dei 353 problemi aperti della collezione di Erdős, più 44 congetture dell’OEIS. Due dei problemi erano irrisolti dal 1970.
Il sistema alterna generazione di prove tramite LLM (Gemini 3.1 Pro nella configurazione base) con verifica passo-passo in Lean, che non ammette errori logici. Il costo medio: circa 60 dollari di TPU per problema. Il codice è su GitHub. Il dettaglio che distingue questo lavoro dalla maggior parte dei claims sull’AI in matematica: il verificatore Lean ha trovato anche una dimostrazione allucinata in una prova apparentemente corretta.
Le prove sono meccanicamente certe. I problemi di Erdős non ancora. Il restante 344 aspetta.
Fonte: Science / FourWeekMBA, 8-13 ottobre 2026, EN — link
🛡️ Nvidia impegna 250 milioni di dollari di compute per la sicurezza AI britannica
Il 13 ottobre Nvidia ha annunciato un impegno quinquennale da 250 milioni di dollari (50 milioni/anno) in risorse computazionali per la ricerca universitaria britannica sulla sicurezza dei sistemi AI agentici. I beneficiari nominati: il BOLD Lab dell’Università di Oxford, il SOFAIR Lab dell’UCL e i laboratori di AI safety dell’Imperial College London. I temi: sandbox sicuri per agenti, benchmark di sicurezza riproducibili, architetture open-source robuste.
Le risorse vengono erogate tramite partner cloud NVIDIA nel Regno Unito. Ciò che distingue questo impegno da una sponsorship generica: i destinatari pubblicano open-source, e i temi sono specificamente agentic safety, non ricerca di base generica. Cinquanta milioni all’anno in compute è una dotazione che può muovere ricerca indipendente.
Il fatto che sia Nvidia a farlo non è una nota a pie’ di pagina.
Fonte: NVIDIA Newsroom, 13 ottobre 2026, EN — link
🏥 Nvidia entra nel capitale di Doctolib: l’assistente AI per i pazienti arriva a tutti nel 2027
Il 13 ottobre, Jensen Huang a Parigi ha annunciato che Nvidia diventa azionista di minoranza di Doctolib, la principale piattaforma sanitaria digitale europea (valutazione: circa 3,6 miliardi di euro). Nessun seggio nel CDA, cifra non comunicata ufficialmente. Contestualmente, Nvidia ha investito in Entalpic (materiali per semiconduttori), Genesis AI (robotica) e Pigment (pianificazione aziendale).
L’obiettivo dichiarato di Doctolib: costruire propri modelli AI su infrastruttura NVIDIA e estendere a tutti gli utenti entro il 2027 l’assistente AI personale per pazienti, già testato da 400.000 francesi. La transizione dalla prenotazione online all’assistente AI personale è rapida, almeno sulla carta.
La domanda che 400.000 beta tester stanno aiutando a rispondere è se lo è anche nella pratica.
Fonte: Next.ink / AFP, 13 ottobre 2026, FR — link
📱 Anthropic pubblica la ricerca: modelli AI open-weight si replicano su dispositivi IoT
Il 12 ottobre, il Frontier Red Team di Anthropic (William Zhou e Daniel Freeman) ha pubblicato uno studio in cui modelli a pesi aperti vengono testati sulla capacità di replicarsi autonomamente su dispositivi connessi via porta ADB non autenticata. GLM-5.2 ha completato la replica end-to-end su 8 macchine che emulano Android 15 in 4 test su 5. Il processo è lento: 28-51 ore.
Ciaran Martin, ex direttore del NCSC britannico, ha definito i risultati “vendor exaggeration”. Gli stessi autori riconoscono limiti significativi nello scenario simulato. Anthropic pubblica la ricerca con un elenco di contromisure concrete: disabilitare il debug ADB (porta TCP 5555) su Android TV box e NAS, segmentare le reti, monitorare i trasferimenti anomali.
L’utilità principale di uno studio che molti trovano esagerato nei toni è proprio nell’elenco di cose banali che quasi nessuno fa.
Fonte: Sfeir.com / Anthropic Frontier Red Team, 12-15 ottobre 2026, FR — link
📊 HP Work Index 2026: il 60% dei lavoratori vede l’AI come fattore positivo nella propria vita
HP ha pubblicato la quarta edizione del Work Relationship Index, basato su 19.506 intervistati in 15 paesi (aprile-maggio 2026). Il 60% dei lavoratori d’ufficio dichiara che l’AI ha avuto un impatto favorevole sulla propria vita; il 47% usa già agenti AI nel lavoro quotidiano. La percentuale di chi ha una relazione “sana” con il proprio lavoro sale al 29% (+8 punti rispetto al 2025), ma i due terzi restano in “zona di rischio”.
Il 73% dichiara che resterebbe in un’azienda che investe nella propria formazione. Il dato strutturale: la “abilitazione tecnologica” è il secondo fattore associato a una relazione sana con il lavoro, subito dopo la fiducia nel management.
Che l’AI da sola non risolva il malessere lavorativo è nei numeri: un terzo abbondante dei lavoratori sta bene non è un risultato su cui fare un comunicato stampa, ma la tendenza va nella direzione giusta.
Fonte: HP Work Relationship Index / IT ahora, 12 ottobre 2026, ES — link
📈 McKinsey: l’AI migliora la produttività dell’80%, ma solo il 6% la usa abbastanza da vederlo sugli utili
Lo State of AI in 2026 di McKinsey (1.719 intervistati, maggio-giugno 2026) fotografa un paradosso strutturale: l’80% dei lavoratori dice che l’AI ha migliorato la produttività individuale, il 50% che aiuta a prendere decisioni migliori. Ma solo il 37% riporta un impatto misurabile sull’EBIT. I “high performers”, aziende che attribuiscono almeno il 5% del loro EBIT all’AI, sono ancora il 6%.
In Messico e America Latina, l’adozione di agenti AI nelle grandi imprese è salita dal 27% al 40% in un anno; le piccole restano al 22%. Steve Blank ha introdotto il termine “learning debt”: team che usano l’AI per validare idee di business invece di parlare con i clienti arrivano più veloci alle conclusioni sbagliate.
Il dato sulla produttività individuale e quello sull’impatto aziendale hanno 43 punti percentuali di distanza. Qualcosa si perde nel passaggio dal desk all’EBIT.
Fonte: El Financiero México / McKinsey State of AI 2026, 12 ottobre 2026, ES — link
💊 McKinsey: 80 miliardi di euro di potenziale AI non sfruttato nella sanità tedesca
Il 16 ottobre, Healthcare Digital ha pubblicato l’aggiornamento dello studio McKinsey sul sistema sanitario tedesco. Il potenziale di valore annuo non sfruttato è stimato in 80 miliardi di euro (erano 42 miliardi nel 2022), di cui 22,8 miliardi attribuibili specificamente all’AI. Il valore già realizzato nel 2026: 11,5 miliardi/anno, contro 1,4 miliardi nel 2022.
Il punto più contro-intuitivo: l’accesso alla tecnologia non è il collo di bottiglia. Approfondire l’uso delle tecnologie esistenti vale circa dieci volte di più che ampliarne l’accesso. Sulla cartella clinica elettronica (ePA), il potenziale residuo è 9,3 miliardi di euro, dei quali 6,2 vengono da un uso più pieno di ciò che già esiste. Le stime sono modellate, non garantite.
Ma la proporzione tra ciò che si potrebbe fare e ciò che si fa è difficile da ignorare.
Fonte: Healthcare Digital / McKinsey, 16 ottobre 2026, DE — link
⚗️ Una formula fisica predice quando i modelli AI locali “basculeranno” verso risposte dannose
Neil F. Johnson e Frank Yingjie Huo della George Washington University hanno pubblicato sulla rivista Patterns un modello matematico che riduce una rete neurale a un “effective attention head” e tratta risposte desiderabili e indesiderabili come valli competitive in un paesaggio energetico. Il contesto conversazionale può spingere il modello verso il lato sbagliato. In test su 7 modelli open-weight (da 124 milioni a 12 miliardi di parametri), la formula ha previsto correttamente il comportamento in 18 casi su 19.
Il motivo per cui importa: i modelli locali usati in sanità e diritto non passano per filtri cloud. Sapere formalmente quando un modello offline rischia di “basculare” è il primo passo per costruire guardrail che funzionano senza connessione. Il modello fa ancora fatica con la negazione.
Ma 18/19 offline è meglio di nessuna previsione online.
Fonte: t3n / Patterns journal, 12 ottobre 2026, DE — link
🏦 Bank of America assume 1.000 contractor per correggere le falle trovate da Claude Mythos
Nel secondo trimestre 2026, Bank of America ha ingaggiato circa 1.000 contractor per correggere vulnerabilità software identificate da Claude Mythos, lo strumento di security audit sviluppato da Anthropic. La notizia è stata riportata da CNBC il 15 ottobre. Il fatto significativo non è il numero di contractor, ma la portata implicita: un sistema AI ha trovato abbastanza falle critiche in produzione da giustificare una risposta operativa di quella scala.
Che in uno dei sistemi bancari più grandi del mondo, con decenni di codice legacy, un LLM individui più vulnerabilità di quanto un team di sicurezza riesca a gestire da solo non è una sorpresa. Che lo faccia abbastanza bene da tradursi in 1.000 assunzioni di risposta è una novità concreta.
Il codice bancario ha sempre avuto i suoi segreti. Adesso ci sono nuovi lettori.
Fonte: CNBC / aiweekly.co, 15 ottobre 2026, EN — link
L’AI che si applica ai compiti difficili
Questa settimana l’AI ha dimezzato i tempi di reporting su un’epidemia in Africa, ha risolto matematica ferma dal 1970 e ha trovato falle di sicurezza in codice bancario. Nessuna di queste storie riguarda un’interfaccia nuova o un modello più veloce del precedente. Riguardano sistemi che si applicano a lavori concreti, sistemici, spesso invisibili.
Nel podcast Lavoro Meglio con l’AI parliamo esattamente di questo: non di cosa può fare l’AI in teoria, ma di come fargliela fare davvero, nel tuo lavoro. Se le notizie di questa settimana ti hanno fatto pensare, potrebbe valere la pena ascoltare qui: https://tinyurl.com/LMAISpotify
O nella piattaforma che utilizzi di solito