Anthropic ha pubblicato tre misurazioni destinate a rendere trasparente, e confrontabile tra laboratori, la velocità con cui l’intelligenza artificiale contribuisce a costruire sé stessa. I tre indicatori riguardano la quota di ricerca e sviluppo condotta da sistemi AI, il livello di supervisione sugli agenti autonomi e la distribuzione del compute tra attività offensive e difensive. Non si tratta di benchmark sulle capacità dei modelli, ma di metriche sul processo che li produce.
I dati interni che Anthropic ha allegato alla proposta sono già di per sé rilevanti. Ad agosto 2026, Claude guida il 26% del lavoro di ricerca e sviluppo dell’azienda. Sette mesi prima, quella quota era zero. Sulla piattaforma interna più usata girano in parallelo circa 30.000 agenti; ogni azione passa attraverso un monitor automatico e una su circa 47.000 viene bloccata. Sul fronte compute, una settimana campione di luglio mostra che circa il 6% delle risorse di calcolo destinate all’R&D è stato allocato alla sicurezza. Sono numeri auto-dichiarati, con metodologia esplicitata, ma senza un tasso di falsi negativi pubblicato per il sistema di monitoraggio.
La proposta arriva a pochi giorni dall’essay del CEO Dario Amodei, che ha invitato i principali laboratori a coordinare un rallentamento dello sviluppo AI. Quell’appello aveva ricevuto il sostegno pubblico di Sam Altman di OpenAI, di Elon Musk e di Demis Hassabis di Google DeepMind, ma restava generico sui meccanismi pratici. Le tre metriche servono a dare sostanza operativa a quell’idea: se ogni lab misura e pubblica gli stessi indicatori, un accordo di pacing diventa verificabile dall’esterno. L’obiettivo dichiarato è ridurre la distanza tra ciò che i laboratori sanno sul proprio avanzamento e ciò che il pubblico può osservare.
Le misurazioni sono state sviluppate dall’Anthropic Institute e co-firmate da Marina Favaro e Phillie Wright. Si collocano dentro un quadro più ampio che include l’Advanced AI Framework, una proposta di governance rivolta ai governi, e un Economic Policy Framework sull’impatto occupazionale. La logica è che trasparenza e regolamentazione si reggano insieme: senza dati comparabili, qualsiasi norma sul pacing rimane difficile da applicare. Anthropic esplicita che questi indicatori potrebbero diventare obblighi di rendicontazione imposti per legge.
Il punto critico resta l’adozione. Anthropic ha reso pubblica la propria metodologia affinché altri laboratori possano replicarla e terze parti possano verificarla. Ma nessun altro ha ancora annunciato di seguire lo stesso schema. Se le metriche restano un esercizio unilaterale, la loro utilità come strumento di coordinamento si riduce. Il valore reale si vedrà nelle prossime settimane: se OpenAI, Google DeepMind o Meta inizieranno a pubblicare dati analoghi, il quadro cambia. Se non lo faranno, queste tre misurazioni rimarranno un contributo metodologico interessante, ma privo della massa critica necessaria per influenzare il ritmo effettivo dello sviluppo AI globale.
