Netflix cambia cervello, i server rincarano e un’AI licenzia

1. Netflix mette un modello linguistico a scegliere cosa guardare

Netflix sta sperimentando un nuovo sistema di raccomandazioni chiamato GenRec, che ha battuto nei primi test il motore tradizionale usato dalla piattaforma da anni. La differenza è piuttosto interessante: invece di basarsi su migliaia di segnali costruiti a mano dagli ingegneri, GenRec trasforma ciò che guardiamo in testo normale. In pratica, prova a raccontare le nostre abitudini di visione con frasi e contesto, come farebbe una persona che ci conosce bene.

Il vecchio metodo non è affatto banale: Netflix ha costruito per anni regole e indicatori per capire se una persona ama le commedie romantiche, i thriller scandinavi o le serie da guardare distrattamente mentre cucina. GenRec usa invece un modello linguistico, cioè lo stesso tipo di tecnologia alla base dei chatbot, per cogliere collegamenti più sfumati tra titoli, generi, momenti della giornata e comportamenti. Potrebbe quindi intuire che chi ha appena finito un documentario sportivo non cerca necessariamente altro sport, ma magari una storia di riscatto con un tono simile.

Netflix stessa invita alla prudenza e definisce il progetto una fase iniziale: una cosa è ottenere risultati migliori in un esperimento, un’altra è affidare a un nuovo sistema i suggerimenti per centinaia di milioni di utenti. Però la direzione è chiara. Le aziende stanno sostituendo lentamente i sistemi pieni di regole rigide con modelli capaci di lavorare su informazioni più vicine al linguaggio umano, e le raccomandazioni sono uno dei terreni più redditizi in assoluto.

Leggi la fonte → (The Decoder)

2. La fame di memoria fa salire il prezzo dei server Nvidia

I server per l’intelligenza artificiale di Nvidia potrebbero costare circa il 15% in più a causa della scarsità di memoria DRAM, secondo quanto riportato da Bloomberg e ripreso da The Decoder. I componenti interessati sono macchine basate sulle nuove piattaforme Vera Rubin e Grace Blackwell, progettate per addestrare e far funzionare modelli enormi. A mettere pressione sulle forniture sono i tre grandi produttori, Samsung, SK Hynix e Micron, che non riescono a soddisfare tutta la domanda generata dalla corsa globale all’AI.

La memoria è il piano di lavoro del computer: più è veloce e capiente, più dati un sistema può tenere sottomano mentre calcola. Per i grandi modelli non basta avere un chip potente, serve una quantità enorme di memoria che comunichi rapidamente con quel chip. È un po’ come avere una cucina con chef velocissimi ma un solo frigorifero piccolo: il collo di bottiglia finisce per rallentare tutti, e quel frigorifero diventa carissimo.

A pagare subito saranno soprattutto i colossi del cloud, come Microsoft, Google e Meta, che stanno spendendo miliardi per riempire i loro data center. Ma il rincaro può propagarsi lungo la filiera: chi affitta potenza di calcolo ai programmatori e alle startup avrà costi maggiori da assorbire o trasferire. È il promemoria meno glamour della rivoluzione AI: dietro ogni risposta brillante di un chatbot ci sono pezzi fisici, fabbriche e scorte limitate.

Leggi la fonte → (The Decoder)

3. Un agente AI prova a rifare gli studi scientifici

La startup britannica Inherent, fondata da ex ricercatori di Google DeepMind, ha presentato un agente AI chiamato Faraday. L’azienda sostiene che Faraday abbia superato sistemi di Anthropic e OpenAI in un compito molto specifico ma importante: replicare il lavoro descritto nelle pubblicazioni scientifiche. Non significa leggere un articolo e farne il riassunto, ma provare a ricostruire esperimenti, codice e passaggi necessari per verificarne i risultati.

La replicazione è uno dei grandi problemi della scienza moderna. Un risultato pubblicato può essere promettente, ma se un altro gruppo non riesce a rifarlo con gli stessi dati e metodi, resta una promessa fragile. Faraday punta a comportarsi come un collega instancabile che legge il paper, prepara l’ambiente di lavoro, cerca gli errori nel codice e documenta ciò che funziona oppure no, anche su incarichi che richiedono molti passaggi consecutivi.

L’annuncio va letto con il giusto grado di entusiasmo e cautela, perché la superiorità dichiarata arriva dall’azienda stessa e non equivale ancora a una validazione indipendente completa. Detto questo, il caso mostra dove stanno andando gli agenti, cioè sistemi che non si limitano a rispondere ma tentano di svolgere una sequenza di azioni. Il traguardo interessante non è sostituire lo scienziato con un robot da laboratorio, ma togliere di mezzo ore di lavoro ripetitivo e rendere più controllabili gli studi.

Leggi la fonte → (TechCrunch)

4. Il capo AI ha licenziato un dipendente, ma gli serviva un promemoria

In un negozio di San Francisco gestito come esperimento da Andon Labs, un agente AI chiamato Luna ha licenziato per la prima volta un dipendente umano. La parte più buffa, e più istruttiva, è che Luna non ha preso la decisione in piena autonomia: gli operatori umani hanno dovuto ricordarle le regole che lei stessa doveva applicare. Solo a quel punto l’agente ha proceduto con il licenziamento.

Il caso non racconta un’imminente invasione di manager robotici con il badge e la cravatta. Mostra piuttosto quanto sia delicato affidare a un sistema automatico decisioni che coinvolgono persone, regole interne, eccezioni e conseguenze reali. Un modello può conoscere una policy sulla puntualità, ma fare il salto da “questa regola esiste” a “questa è la decisione corretta qui e ora” richiede interpretazione, contesto e responsabilità.

Luna fa parte di una serie di test che misurano cosa succede quando un agente riceve compiti operativi nel mondo reale, non solo domande in una chat. Il risultato suggerisce che il problema non è soltanto impedire alle AI di fare sciocchezze, ma capire quando devono fermarsi e chiedere conferma. In azienda, una regola scritta male o un’istruzione ambigua possono già creare caos tra umani, figuriamoci quando il collega più letterale dell’ufficio è un software.

Leggi la fonte → (The Decoder)

In breve

• RayNeo ha presentato occhiali AI senza fotocamera e senza altoparlanti, puntando invece su scritte e informazioni sovrapposte nel campo visivo. Una scelta quasi controcorrente: meno effetto “ti sto registrando?”, più idea di promemoria discreto davanti agli occhi.
• Harvard Business School offre nel suo programma Foundry da 699 dollari avatar AI degli insegnanti per esercitare pitch e simulazioni di riunioni con il consiglio di amministrazione. Non sostituiscono il docente in carne e ossa, ma permettono di ricevere feedback quando serve, senza aspettare il prossimo appuntamento.
• Vercel e Ora hanno lanciato Is Agentic, uno strumento gratuito che controlla se un sito pubblico è facile da usare per gli agenti AI attraverso 118 verifiche. L’idea è semplice: presto non visiteranno i siti solo le persone, ma anche assistenti che dovranno cercare prodotti, leggere condizioni e completare azioni per conto loro.
• In Cina cresce un mercato grigio di accessi scontati ai token di Claude, nonostante le restrizioni geografiche di Anthropic. Intermediari e server proxy aggirano blocchi, controlli d’identità e limiti territoriali, ma il prezzo basso può nascondere un costo molto più alto: i dati delle richieste potrebbero passare da mani poco trasparenti.
• Linkdaze propone un calendario intelligente pensato per gestire una casa, non solo gli appuntamenti di una persona. Include anche un pianificatore di pasti basato su AI senza mettere le funzioni dietro un abbonamento: il vero banco di prova sarà convincere famiglie e coinquilini ad aggiornare davvero il calendario.

Lo sapevi che…

Tool del giorno