Comunicazione di prodotto di **Anthropic** pubblicata il **1° settembre 2026** su anthropic.com (~4.000 parole, sei sezioni, 22 testimonianze di partner ad accesso anticipato). Annuncia **Claude Fable 5.1** (disponibilità generale) e **Claude Mythos 5.1** (accesso verificato): *lo stesso modello, ma con livelli di salvaguardie differenti*.
#Claude Fable 5.1#Claude Mythos 5.1#foundation model
Anthropic — communication produit publiée sur anthropic.com · sans signature individuelle.
Post X di **Andrew Ng** del **14 agosto 2026** (16:29 UTC), ripreso dalla lettera "Dear friends" di ***The Batch* #366** (DeepLearning.AI, stessa data), ~900 parole. Ng presenta **The AI Engineering Skills Map** e pubblica **quattro competenze** ritenute le più importanti. **(1) Costruire e distribuire applicazioni IA** — la specificità viene nominata: *« The key difference between AI and non-AI applications is that the former has unpredictable outputs »*, da cui l'enfasi su *evals* e cicli di error-analysis. **(2) Fondamenti di ingegneria del software**, perché *« Understanding software fundamentals allows you to recognize what tradeoffs even exist »* — lo sviluppatore inesperto fallisce *« because they don't know what context to give their coding agent »*, da cui l'obiettivo di *« steering coding agents using the precise language of software engineering »*. **(3) Uso di agenti di coding**, in una formulazione operativa: *« help the agent autonomously close loops by providing verifiers or evals »*, e *« knowing how much to intervene and how much to leave them alone »*. **(4) *Shaping the build***: *« Given a clear spec, coding agents are rapidly improving at delivering to it. Thus, our work as engineers is shifting toward deciding what should be in the spec »*, accostato a *« Engineers should no longer expect to be given a pixel-perfect design and asked only to implement it. »* Una **nota terminologica** porta la maggior parte dell'inquadramento: Ng parla di **competenze** nell'ingegneria IA e **non del ruolo** "AI Engineer", con un'analogia esplicita — *« All developers today should know how to work with the cloud, and only a smaller number have a "Cloud engineer" title. »* Il tutto è sostenuto da *« an analysis of more than 10,000 job postings, dozens of structured interviews with experts, hiring managers, and recruiters, surveys, and other online data »*, di cui **non viene pubblicato alcun risultato numerico**: Ng descrive il proprio processo come *« informally… akin to running clustering »* e annuncia una mappa dettagliata in post futuri. Egli enuncia l'interesse nella penultima frase: *« DeepLearning.AI's principal focus is to help developers gain these AI engineering skills. »*
#AI Engineering Skills Map#skills map#Andrew Ng
**Andrew Ng** — fondateur de **DeepLearning.AI** · general partner d'**AI Fund** · cofondateur de **Coursera** et de **Google Brain** · ancien chief scientist de Baidu. Texte signé · à la première personne · écrit *« with my team »* sans qu'aucun collaborateur soit nommé. Publié le **14 août 2026** sur X et dans ***The Batch* n°366** — même texte aux deux endroits ; préférer *The Batch* pour toute citation durable. Quatrième fiche Ng du corpus · après les lettres n°350 (24 avril) · n°352 (8 mai) et n°359 (26 juin).
Post e report di **OpenAI Economic Research** pubblicato il **27 luglio 2026**, primo numero della serie **Work at the Frontier**, che analizza **oltre 800.000 messaggi di utenti ChatGPT statunitensi**. **Concetto coniato**: ***task crossover*** — *« lavoro storicamente associato a un'occupazione che compare nell'uso dell'IA di persone di un'altra »*. **La cifra di apertura è in realtà due cifre, ed è questo il punto che la copertura mediatica perde**: il **16,8% dei messaggi legati al lavoro** riguarda compiti associati a un'altra occupazione, e il **43,5% dei messaggi specifici a un'occupazione**. L'imbuto metodologico spiega lo scarto: il **61,5% dell'uso è generico** (scrivere, riassumere, pianificare — troppo condiviso per contare come prova di crossover) ed è escluso; del **restante 38,5%**, il **43,5% è esterno all'occupazione** e il 56,5% è *« interno **o vicino** »* — l'estremo superiore è quindi calcolato su una base ridotta, mentre l'estremo inferiore è calcolato sull'intero uso professionale. **Per occupazione** (quota di messaggi specifici a un'occupazione che rimandano a un compito esterno): esperienza cliente **77%**, design **75%**, HR **69%**, legale **56%**, marketing **53%**, vendite **40%**, finanza **40%**, ingegneria **28%** — *« una maggioranza in cinque degli otto gruppi »*. **Due direzioni distinte di circolazione**: il design **importa** (35,2%) e **non esporta** quasi nulla (1,7%); l'ingegneria fa l'opposto (importa 18,5%, esporta 7,4%); **il marketing fa entrambe le cose** (importa 24,3%, esporta **8,9%**, la quota d'uscita più alta del campione). **Due compiti compaiono nella top 3 dei prestiti per gli altri sette gruppi**: **calcolo finanziario** e **risoluzione di problemi tecnologici**. **La heatmap, assente dalla copertura mediatica, è l'oggetto più ricco**: fornisce la distribuzione completa dei compiti per occupazione dell'utente, e la sua diagonale è sorprendente — l'ingegneria conserva il **53%** del proprio lavoro mentre l'esperienza cliente ne conserva solo l'**11%**, l'HR il **10%** e il design il **12%**. **Effetto dimensione**: la quota esterna all'occupazione scende dal **18,9%** (2-5 dipendenti) al **16,3%** (>100 dipendenti) — **ma solo « tra gli utenti medi »**, precisando OpenAI che *« tra gli utenti più intensivi, non osserviamo lo stesso andamento monotono »*, e concludendo in modo condizionale: *« l'IA **potrebbe essere** particolarmente utile come strumento generalista dove le risorse specializzate scarseggiano. »* **Statuto rivendicato**: un **segnale precoce**, visibile *« prima che le aziende riscrivano le job description o creino nuovi titoli di lavoro »*. **Riserva strutturale**: OpenAI misura l'uso del proprio prodotto, solo su utenti ChatGPT statunitensi, e presenta questa posizione come un vantaggio — *« la nostra finestra unica su come sta cambiando il mondo del lavoro »*.
#OpenAI Economic Research#Work at the Frontier#task crossover
**OpenAI Economic Research** — équipe de recherche économique d'OpenAI ; la page crédite simplement *« OpenAI »* et la classe sous les tags *Economic Research* et *2026*. Le billet est la porte d'entrée d'un **rapport PDF** (`work-at-the-frontier-report.pdf`) et s'adosse à un cadre antérieur de la même équipe · l'**AI Jobs Transition Framework** · dont il reprend la thèse que de nombreux métiers vont **se réorganiser** plutôt que disparaître.
Articolo didattico del **MindStudio Team** (blog della piattaforma MindStudio, orchestrazione di workflow multi-modello) che spiega i **modèles de langage par diffusion** (*Diffusion Language Models*) attraverso il caso di **Diffusion Gemma**, la prima implementazione **open weights** di Google (2 miliardi di parametri, derivata da Gemma 2). La tesi: mentre i modelli **autoregressivi** (GPT-4, Claude, Gemma standard) generano testo **token per token, da sinistra a destra** (attenzione causale, ogni token fissato una volta prodotto), i modelli a **diffusione** partono da una sequenza **mascherata/rumorosa** e la **raffinano iterativamente** (masked diffusion / *absorbing diffusion*), con **attenzione bidirezionale**: il modello può **rivedere qualsiasi posizione in qualsiasi passo**. Conseguenze: elevato **parallelismo** (un testo di 500 token richiederebbe 50-100 passi di denoising invece di 500 passaggi sequenziali), **infilling** naturale e **generazione vincolata** (compilazione di template, completamento di codice con contesto circostante), e capacità di **revisione** integrata. Ma alla scala attuale (2B), Diffusion Gemma **non eguaglia** i grandi modelli autoregressivi (GPT-4o, Gemini 1.5 Pro) su ragionamento, seguimento delle istruzioni e conoscenza generale: il divario si sta "colmando" senza essere colmato. L'ispirazione viene dalla generazione di immagini (Stable Diffusion, DALL-E hanno abbandonato l'autoregressione anni fa); se lo stesso principio valga anche per il testo resta una domanda aperta. Diffusion Gemma è distribuito su Hugging Face (Google DeepMind), AI Studio e Vertex AI.
#modèles de langage par diffusion#Diffusion Gemma#Google DeepMind
Studio Wharton (Generative AI Labs): i personas esperti non migliorano l'accuratezza fattuale degli LLM - benchmark GPQA Diamond e MMLU-Pro - SSRN
#prompting IA#personas#accuratezza LLM
Savir Basil · Ina Shapiro · Dan Shapiro · Ethan Mollick · Lilach Mollick · Lennart Meincke (Generative AI Labs, The Wharton School, University of Pennsylvania)