Satya Nadella ha scelto un post sul suo blog per attaccare i grandi laboratori di intelligenza artificiale su uno dei temi più esplosivi del settore: la distillazione. Il meccanismo consiste nell’addestrare un modello più piccolo usando gli output di uno più potente. I lab come Anthropic e OpenAI lo vietano esplicitamente nei loro termini di servizio, eppure si addestrano liberamente sui dati pubblici del web. Per Nadella, questa è ipocrisia pura.
La critica è diretta. Anthropic e OpenAI si appoggiano a contenuti creati da altri per costruire i loro modelli: testi, immagini, dati di ogni tipo disponibili online. Al tempo stesso, impediscono che i loro stessi output vengano usati per addestrare modelli concorrenti. Nadella chiama questo meccanismo il “reverse information paradox“: le aziende pagano i token con denaro, ma cedono anche qualcosa di più prezioso, i dati proprietari che emergono dall’interazione quotidiana con i sistemi AI. Se il flusso di apprendimento va in una sola direzione, il valore economico si concentra nelle mani di chi possiede l’infrastruttura, non di chi genera la conoscenza.
Il bersaglio implicito del post è soprattutto Anthropic. A febbraio, il CEO Dario Amodei aveva denunciato pubblicamente che modelli cinesi come DeepSeek stavano inviando milioni di prompt a Claude per migliorare i propri sistemi. A giugno, Anthropic aveva scritto ai senatori americani Tim Scott ed Elizabeth Warren segnalando che Alibaba aveva condotto “il più grande attacco di distillazione mai registrato” contro di loro. Secondo Anthropic, un concorrente può acquisire capacità avanzate “in una frazione del tempo e a una frazione del costo” rispetto allo sviluppo autonomo. Alibaba non ha risposto pubblicamente. Nadella non cita Anthropic per nome, ma il contesto non lascia dubbi.
La posizione di Nadella è di particolare peso perché Microsoft ha investito miliardi sia in OpenAI che in Anthropic. Non è un osservatore esterno: è un azionista che si rivolge contro i propri investiti. Il messaggio agli enterprise è chiaro: costruite il vostro “learning loop” interno, non cedete la vostra conoscenza proprietaria ai fornitori di modelli, mantenete il controllo sull’infrastruttura. A giugno, Microsoft aveva anche presentato MAI-Thinking-1, il suo primo modello frontier sviluppato internamente, addestrato su dati con licenza commerciale e senza ricorrere alla distillazione da sistemi terzi.
In parallelo, il CEO di Vercel, Guillermo Rauch, ha dichiarato che scegliere un solo lab AI è ormai una strategia del passato. Vercel elabora oltre un trilione di token al giorno attraverso il suo AI gateway e gestisce sei milioni di deployment quotidiani, circa metà dei quali generati da agenti di coding. Rauch ha spiegato che nel 2025 molte aziende sceglievano un solo partner, dicendosi pronte a costruire tutto su OpenAI o su Anthropic. Oggi capiscono come funziona ogni componente dello stack e trattano ogni pezzo come sostituibile. Gemini, DeepSeek, GLM-5.2 entrano nel mix insieme ai modelli americani, scelti caso per caso in base a prestazioni e costo. L’analogia con il multi-cloud è quella giusta: le aziende hanno imparato a non dipendere da un singolo fornitore.
Questi due segnali, arrivati a pochi giorni di distanza, fotografano la stessa tensione da angolazioni diverse. I lab AI hanno costruito il loro potere su dati altrui e ora cercano di proteggere i loro output con clausole contrattuali sempre più restrittive. Le enterprise, dal canto loro, si organizzano per non restare intrappolate: chi adotta strategie multi-modello, chi pretende clausole di zero retention, chi porta i modelli on-premise. Se il controllo sui dati di training diventa terreno di scontro legale e politico, come sembra, i lab potrebbero trovarsi a difendere posizioni difficilmente sostenibili davanti ai legislatori.
