I legami tra Anthropic e Google mettono le banche su entrambi i lati della svolta dell'AI

Anthropic ha introdotto capacità informatiche avanzate nel settore bancario, mentre il suo rapporto con Google amplia l'infrastruttura che le sostiene. Questo conflitto lascia le banche a difendersi dall'AI mentre ne finanziano la crescita.

Il legame tra Anthropic e Google è quindi più di una semplice partnership cloud. Google fornisce processori personalizzati e partecipa all'iniziativa di sicurezza di Anthropic. Le banche usano i modelli di Anthropic, si proteggono da sistemi simili e contribuiscono a finanziare i data center che li eseguono.

Questo assetto cambia il dibattito sull'AI all'interno delle istituzioni finanziarie. La domanda immediata non è più se i dipendenti debbano ricevere un chatbot. Le banche devono decidere come governare modelli che individuano vulnerabilità, svolgono attività regolamentate e creano dipendenze concentrate.

Il modello cyber di Anthropic ha cambiato il dibattito bancario

Claude Mythos ha trasformato una preoccupazione di sicurezza graduale in un test immediato della capacità delle banche di reagire alla velocità delle macchine.

Anthropic ha presentato Claude Mythos Preview il 7 aprile attraverso Project Glasswing. L'iniziativa ha inizialmente riunito Anthropic, Google, JPMorgan Chase, Amazon Web Services, Apple, Microsoft e diverse aziende di sicurezza.

Mythos è un modello ad accesso limitato progettato per identificare e analizzare vulnerabilità software. Anthropic non ha reso la preview disponibile al pubblico generale. Ha invece concesso l'accesso a difensori selezionati e operatori di software critico.

Questa distribuzione controllata era parte integrante della storia. Un modello non ha bisogno di un'interfaccia pubblica per modificare i calcoli di rischio di un intero settore. Le sue capacità dimostrate possono rivelare ciò che sistemi meno limitati potrebbero presto fare.

Anthropic ha dichiarato che Mythos Preview ha analizzato oltre 1.000 progetti open source durante la sua prima fase di implementazione. Il primo aggiornamento su Glasswing dell'azienda affermava che il modello aveva identificato una stima di 23.019 vulnerabilità.

Anthropic ha classificato 6.202 di tali rilevamenti come di gravità alta o critica. Questi dati restano stime aziendali, anziché una revisione indipendente completa di ogni falla segnalata.

Il valore del modello dipende anche dalla convalida. I sistemi automatizzati possono segnalare schemi di codice che sembrano pericolosi senza dimostrare che gli aggressori possano sfruttarli in produzione. I team di sicurezza devono riprodurre i risultati, valutare l'esposizione e coordinare le patch.

Anche con questi limiti, la scala modifica la normale gestione delle vulnerabilità. In precedenza, una banca poteva elaborare le scoperte attraverso una coda dettata da ricercatori, fornitori e cicli di patch programmati. Un modello specializzato può generare rilevamenti molto più rapidamente.

La velocità crea un problema su due fronti. I difensori possono ispezionare più codice e dare priorità alle correzioni prima. Anche gli aggressori che utilizzano capacità comparabili possono cercare debolezze trascurate in vasti patrimoni software.

Le banche affrontano una versione particolarmente difficile di questo problema. La loro infrastruttura spesso combina servizi cloud moderni, applicazioni acquistate, codice interno e sistemi core più datati. Ogni connessione aggiunge un altro punto da cui una falla può diffondersi.

Il rischio va oltre le applicazioni scritte da una banca. Le istituzioni finanziarie dipendono da sistemi operativi, browser, servizi di identità, software di pagamento e numerosi soggetti terzi. Una debolezza in un fornitore può colpire molte istituzioni contemporaneamente.

Questa possibilità spiega l'attenzione delle autorità verso Mythos. I funzionari non stavano reagendo a un normale benchmark di modello. Si confrontavano con una potenziale compressione del tempo tra la scoperta di una vulnerabilità e un tentativo di sfruttarla.

Il cambiamento centrale è misurabile nei tempi di risposta. Le organizzazioni di sicurezza non possono controllare la rapidità con cui i modelli futuri cercheranno falle. Possono controllare la velocità con cui i team verificano, danno priorità, applicano patch e monitorano tali risultati.

Per le banche, Mythos è meno un prodotto finito che un avvertimento sul ritmo operativo. La prossima vulnerabilità seria potrebbe raggiungere difensori e avversari attraverso sistemi automatizzati simili.

Perché il rapporto tra Anthropic e Google è importante

Google offre ad Anthropic l'accesso a un'infrastruttura su una scala tale da poter trasformare capacità specializzate dei modelli in un sistema commerciale duraturo.

Il rapporto tra Anthropic e Google combina investimenti, capacità di calcolo, distribuzione e cooperazione tecnica. Dimostra inoltre perché le banche non possono valutare i fornitori di AI come fornitori software isolati.

Nell'ottobre 2025 Anthropic ha accettato di acquisire accesso fino a un milione di unità di elaborazione tensoriale di Google. Una tensor processing unit, o TPU, è il processore personalizzato di Google per i carichi di lavoro AI.

Secondo le aziende, l'accordo valeva decine di miliardi di dollari. Si prevedeva che portasse online oltre un gigawatt di capacità nel corso del 2026, come dettagliato nell'accordo TPU.

Anthropic ha successivamente dichiarato di aver firmato accordi con Google e Broadcom per cinque gigawatt di capacità TPU di nuova generazione. La dichiarazione è arrivata a maggio insieme a un importante annuncio di finanziamento.

Allo stesso tempo, Anthropic ha affermato che AWS rimaneva il suo principale fornitore cloud e partner per l'addestramento. Claude era disponibile anche attraverso Microsoft Azure. Questo approccio multi-cloud riduce la dipendenza da un singolo canale di distribuzione senza eliminare la concentrazione dell'infrastruttura.

Google occupa una posizione insolita all'interno di questa struttura. Sviluppa Gemini, che compete con Claude. Fornisce inoltre processori e capacità cloud che aiutano Anthropic ad addestrare e gestire modelli concorrenti.

Ciò rende il rapporto strategicamente utile per entrambe le parti. Anthropic ottiene accesso a risorse di calcolo specializzate. Google acquisisce un importante cliente per i suoi processori e convalida un'infrastruttura oltre la propria famiglia interna di modelli.

Le banche dovrebbero riconoscere lo stesso schema nei propri portafogli di fornitori. La concorrenza a livello applicativo può poggiare su un'infrastruttura condivisa sottostante. Due servizi AI apparentemente indipendenti possono comunque fare affidamento su cloud, processori o componenti di sicurezza sovrapposti.

Il rapporto unisce inoltre lo sviluppo delle capacità al coordinamento difensivo. Google ha partecipato a Project Glasswing mentre forniva infrastruttura ad Anthropic. Sembra quindi trovarsi sia a monte dei modelli sia all'interno della rete di risposta ai rischi che li circondano.

Questo non significa che Google controlli Claude Mythos o ogni implementazione di Anthropic. Significa che i confini tra fornitori diventano meno utili nella valutazione della resilienza. I team di rischio bancario hanno bisogno di mappe delle dipendenze tecniche e commerciali, non solo di inventari dei prodotti.

Un'istituzione potrebbe utilizzare Claude attraverso un cloud, Gemini tramite un altro contratto e applicazioni di fornitori che richiamano uno dei due modelli. Questo assetto può apparire diversificato pur mantenendo punti infrastrutturali comuni.

Lo stesso tema vale per i sistemi interni di conoscenza. Una banca può collegare i servizi di modello a ricerca, policy, dati dei clienti e documentazione ingegneristica. Ogni connessione amplia l'utilità del sistema e la sua esposizione.

Una buona integrazione della conoscenza può aiutare i lavoratori a recuperare contesto da fonti approvate. In un'istituzione regolamentata, tuttavia, ogni percorso di recupero necessita anche di controlli di accesso, provenienza, regole di conservazione e monitoraggio.

Ecco perché il rapporto tra Anthropic e Google conta oltre le classifiche dei modelli. Rappresenta la struttura industriale che si sta formando attorno all'AI di frontiera. Sviluppatori di modelli, operatori cloud, progettisti di chip e grandi clienti stanno diventando finanziariamente e tecnicamente interdipendenti.

Le banche non possono evitare questa struttura selezionando un fornitore noto. Devono identificare dove convergono le dipendenze e decidere quali guasti richiedono capacità alternative, procedure manuali o protezioni contrattuali.

Le banche sono clienti, difensori e finanziatori

Le banche occupano oggi tre posizioni in conflitto nell'economia dell'AI, e ciascuna crea obblighi che le altre possono compromettere.

In quanto clienti, le banche vogliono modelli migliori per la ricerca, lo sviluppo software, le attività di conformità e l'analisi dei documenti. Anthropic ha costruito una strategia commerciale diretta attorno a queste esigenze.

A maggio, l'azienda ha introdotto 10 agenti destinati ai flussi di lavoro finanziari. Un agente è un software in grado di pianificare ed eseguire più passaggi con un intervento umano limitato.

Gli strumenti erano progettati per attività quali la creazione di pitchbook, la revisione di bilanci e la stesura di memorandum di credito. Anthropic ha affermato che potevano collegarsi a Claude Code e Cowork riflettendo al contempo le policy di un'istituzione.

All'epoca, Anthropic ha dichiarato che le istituzioni finanziarie rappresentavano il 40 percento dei suoi 50 maggiori clienti. La finanza era il suo secondo settore per ricavi enterprise, dopo la tecnologia, secondo il lancio degli agenti finanziari.

Questa adozione crea una pressione competitiva diretta. Una banca che accorcia la revisione dei documenti o la distribuzione del software può ridurre i tempi di risposta. Un concorrente più lento potrebbe faticare a eguagliare i livelli di servizio con processi invariati.

Tuttavia, le banche sono anche difensori. I sistemi che migliorano la produttività interna possono assomigliare a quelli che aiutano gli aggressori a trovare debolezze. I team di sicurezza devono valutare il modello, i suoi strumenti collegati e il comportamento degli agenti che operano tra le applicazioni.

Questo ruolo richiede più del filtraggio dei prompt dei dipendenti. Un agente finanziario potrebbe recuperare informazioni, scrivere file, richiamare strumenti software o preparare decisioni. Ogni autorizzazione crea un percorso che richiede controlli e prove.

Una banca non può trattare il modello come l'unica unità di rischio. Deve ispezionare il flusso di lavoro completo, inclusi autenticazione, recupero dei dati, approvazione umana, convalida degli output e registrazione di audit.

Le banche finanziano anche l'espansione fisica che sostiene l'AI. Prestiti, credito privato, veicoli strutturati e progetti di data center possono esporre i finanziatori a ipotesi sulla domanda nello stesso settore che stanno adottando.

Questo crea un insolito circuito di retroazione. Le banche finanziano l'infrastruttura utilizzata dalle aziende di modelli. Queste aziende sviluppano sistemi che spingono le banche a modernizzarsi. Le banche acquistano quindi più servizi AI per rispondere a tale pressione.

Il circuito non segnala automaticamente instabilità. I data center sono asset reali e i servizi di modello possono generare ricavi di valore. Tuttavia, una crescita interconnessa può nascondere quante esposizioni dipendano da ipotesi simili.

Un finanziatore potrebbe sottoscrivere un progetto di data center basandosi sulla domanda di lungo periodo di un'azienda AI. Un'altra divisione potrebbe dipendere dai modelli di quella stessa azienda. Le esposizioni tecnologiche e creditizie della banca condividono quindi una storia di controparte comune.

Il ruolo di Google aggiunge un ulteriore livello. Può fornire chip, servizi cloud, supporto agli investimenti e concorrenza tra modelli all'interno dello stesso mercato. Le banche devono valutare come questi ruoli interagiscano in condizioni di stress.

Questo è il vero campanello d'allarme. L'AI non è più confinata alla spesa tecnologica. Riguarda resilienza operativa, rischio di terze parti, difesa informatica, credito e pianificazione strategica.

Un modello di governance frammentato non coglierà queste connessioni. L'approvvigionamento può misurare le condizioni dei fornitori mentre la sicurezza monitora le vulnerabilità e i team del credito analizzano i mutuatari infrastrutturali. Nessuna singola visione cattura l'esposizione combinata.

Le banche hanno bisogno di una mappa a livello aziendale che colleghi servizi AI, dipendenze cloud, flussi di lavoro materiali, relazioni di finanziamento e piani di continuità. Senza questa mappa, la diversificazione può esistere sulla carta mentre la concentrazione cresce al di sotto.

La pressione di Anthropic e Google rivela un divario di velocità

La sfida principale è tra il cambiamento guidato dai modelli e i sistemi di governance bancaria chiamati a controllarlo.

I controlli bancari tradizionali presuppongono che i principali cambiamenti tecnologici attraversino fasi ben definite. I team scelgono un fornitore, testano il sistema, documentano i rischi, approvano la distribuzione e monitorano il comportamento in produzione.

I modelli di frontiera non restano statici durante questo ciclo. I fornitori aggiornano capacità, protezioni, limiti di contesto, integrazioni e politiche di distribuzione. Una revisione completata per una versione potrebbe non descrivere quella successiva.

Le capacità cyber si muovono ancora più velocemente. Un modello per l'individuazione delle vulnerabilità può analizzare il codice in modo continuo, mentre una banca potrebbe ancora coordinare le patch attraverso finestre programmate. Questa discrepanza attribuisce alla velocità di risposta un'importanza strategica.

La risposta non consiste nell'eliminare le fasi di revisione. Le banche gestiscono risorse dei clienti, dati personali e decisioni regolamentate. Indebolire i controlli per adeguarsi al calendario di rilascio di un fornitore sostituirebbe il ritardo con un rischio operativo evitabile.

L'approccio migliore separa la sperimentazione reversibile dalle decisioni materiali di produzione. I team possono valutare nuove capacità in ambienti controllati, mantenendo gli utilizzi rivolti ai clienti o ad alto impatto soggetti ad approvazioni più rigorose.

Le banche necessitano inoltre di revisioni attivate dai cambiamenti. Un aggiornamento materiale del modello, una nuova autorizzazione degli strumenti, un dataset ampliato o una politica di conservazione modificata dovrebbero riaprire i controlli pertinenti. Le sole valutazioni annuali non possono tenere il passo con questo mercato.

L'analisi sulla difesa bancaria relativa a Mythos illustra la pressione. Le autorità di regolamentazione hanno discusso del modello con i dirigenti bancari, mentre l'accesso inizialmente restava limitato a organizzazioni selezionate.

JPMorgan Chase è stata l'unica banca nominata tra i primi partecipanti a Glasswing. Morgan Stanley, Goldman Sachs e Bank of New York Mellon hanno poi confermato l'accesso durante le conference call sui risultati.

Questa distribuzione disomogenea è importante. Le istituzioni con accesso anticipato possono studiare la capacità, esaminare i propri sistemi e migliorare le procedure di risposta. Quelle senza accesso devono prepararsi utilizzando informazioni di seconda mano e strumenti di test convenzionali.

I divari internazionali rendono il problema più difficile. Harriet Rees, consulente bancaria britannica, ha dichiarato a luglio che le principali banche del Regno Unito non disponevano di una tempistica chiara per ricevere l'accesso a Mythos.

Anthropic ha dichiarato di aver iniziato a distribuire Mythos 5 oltre gli Stati Uniti, coordinandosi con il governo statunitense. L'accesso è rimasto legato a organizzazioni fidate e a decisioni politiche.

Questo trasforma la disponibilità del modello in una questione di resilienza. Se un sistema soggetto a restrizioni individua nuove classi di debolezze, le istituzioni al di fuori della sua rete approvata continuano comunque a fronteggiare il rischio sottostante.

La pressione non riguarda semplicemente Anthropic contro Google, o Claude contro Gemini. Si tratta di dinamiche competitive di supporto. Il conflitto principale è tra capacità in rapido progresso e un coordinamento istituzionale più lento.

I dirigenti bancari dovrebbero quindi porsi domande operative. Quanto rapidamente i team possono convalidare un risultato urgente generato da un modello? Quali sistemi possono ricevere patch di emergenza? Quali fornitori devono partecipare prima che inizi la correzione?

Dovrebbero inoltre testare i percorsi di comunicazione. Una grave vulnerabilità può coinvolgere team legali, autorità di vigilanza, clienti, fornitori di software e agenzie governative. I ritardi si verificano spesso tra le organizzazioni, piuttosto che all'interno di uno scanner di sicurezza.

Il rapporto infrastrutturale tra Anthropic e Google aumenta la probabilità che i nuovi modelli ricevano abbondante capacità di calcolo. Ciò non garantisce ogni capacità dichiarata. Tuttavia, rende debole la strategia di attendere che il progresso rallenti.

Le banche hanno bisogno di una governance che preservi la prudenza senza dipendere da cambiamenti lenti. La differenza conta perché gli aggressori non aspettano i calendari dei comitati.

Cosa non dimostrano i numeri del modello

Mythos rappresenta un serio avvertimento, ma i risultati riportati non dimostrano un sistema offensivo inarrestabile né una soluzione difensiva completa.

I conteggi delle vulnerabilità di Anthropic richiedono contesto. Un modello può produrre migliaia di potenziali segnalazioni, mentre solo un gruppo più ristretto si rivela sfruttabile, nuovo, raggiungibile e importante nelle distribuzioni reali.

Anche le stime di gravità dipendono dalle ipotesi. Un difetto classificato come critico in una configurazione può essere inaccessibile in un'altra. Al contrario, un problema moderato può diventare pericoloso se combinato con credenziali deboli o un'altra vulnerabilità.

I materiali pubblicati da Anthropic riconoscono le preoccupazioni relative alla distribuzione limitando i sistemi della classe Mythos. Questa politica sostiene l'argomento secondo cui la capacità merita attenzione. Non verifica però in modo indipendente ogni dichiarazione sulle prestazioni.

Le banche dovrebbero evitare due errori opposti. Liquidare il modello perché il fornitore ha riportato i propri risultati significherebbe ignorare un avvertimento credibile. Considerare ogni risultato come confermato distorcerebbe invece le priorità e consumerebbe una capacità di correzione limitata.

Un utile processo di controllo registra i tassi di convalida. I team dovrebbero misurare quante segnalazioni sono riproducibili, quante sono nuove, quanto tempo richiede la verifica e con quale rapidità le questioni confermate ricevono patch.

Queste misure operative contano più di un totale da titolo. Rivelano se un modello migliora gli esiti della sicurezza o si limita ad ampliare una coda di vulnerabilità già affollata.

L'accesso difensivo crea anche un rischio nella gestione delle informazioni. Un sistema che studia codice sorgente privato può imbattersi in credenziali, dettagli architetturali o debolezze che richiedono una divulgazione strettamente controllata.

Le banche necessitano di chiarezza contrattuale sulla conservazione dei dati, l'addestramento dei modelli, l'accesso al supporto e la segnalazione degli incidenti. Hanno inoltre bisogno di prove che le autorizzazioni restino allineate al ruolo di ciascun dipendente.

Il quadro più ampio dell'adozione contiene un ulteriore elemento di cautela. Un'indagine sui servizi finanziari guidata dall'Università di Cambridge ha rilevato che la maggior parte delle organizzazioni partecipanti si basava su modelli esterni anziché addestrare autonomamente modelli fondazionali.

OpenAI è stato il fornitore più utilizzato tra gli intervistati del settore, seguito da Google e Anthropic. Questo risultato mostra che le banche operano già in un mercato multi-fornitore.

Lo stesso rapporto ha individuato un divario di percezione sul rischio. Le autorità di regolamentazione attribuivano alle minacce avversariali e alla resilienza cyber o operativa una priorità maggiore rispetto ai fornitori di IA.

Questo disaccordo incide sulla distribuzione. I fornitori si concentrano spesso sui controlli del modello e sulle protezioni documentate. Autorità di regolamentazione e banche devono considerare i guasti che interessano pagamenti, servizi ai clienti, mercati e istituzioni connesse.

La concorrenza offre una certa protezione. Le banche possono confrontare Claude, Gemini, i modelli OpenAI e strumenti di sicurezza specializzati. Possono indirizzare carichi di lavoro diversi verso servizi con controlli adeguati.

Tuttavia, il passaggio non è immediato. Il comportamento dei modelli, i prompt, le valutazioni, le integrazioni e i flussi di lavoro dei dipendenti creano un vincolo pratico. Spostare un processo materiale può richiedere nuovi test e documentazione normativa.

Anche la diversità dei modelli può introdurre ulteriore complessità. Ogni fornitore porta contratti, sistemi di monitoraggio, politiche di sicurezza e calendari di aggiornamento differenti. Più fornitori possono migliorare la resilienza aumentando al contempo il lavoro di governance.

La conclusione appropriata è misurata. Anthropic ha presentato prove di un cambiamento significativo nell'individuazione automatizzata delle vulnerabilità. L'impatto offensivo completo e il valore difensivo a lungo termine restano incerti.

Le banche dovrebbero prepararsi a un'individuazione più rapida senza presumere che un singolo modello risolva il problema. Verifica, applicazione delle patch, segmentazione e ripristino restano essenziali.

Tre segnali che le banche dovrebbero osservare in seguito

La fase successiva sarà determinata da risultati di sicurezza convalidati, da un accesso più ampio e da prove che le banche possano governare l'IA oltre i confini organizzativi.

Il primo segnale è la convalida indipendente dei risultati di Mythos. Le banche dovrebbero osservare quante vulnerabilità segnalate mantengono la loro gravità dopo la revisione da parte dei progetti interessati e dei ricercatori di sicurezza.

Tassi di convalida elevati rafforzerebbero l'argomento secondo cui i modelli specializzati hanno compresso in modo permanente le tempistiche di individuazione. Tassi bassi non eliminerebbero il rischio, ma sposterebbero l'attenzione verso la qualità del triage.

Le divulgazioni più utili includeranno più dei semplici totali. I revisori necessitano di dati su riproducibilità, novità, sfruttabilità, completamento delle patch e tempo di correzione. Queste misure collegano l'output del modello a un effettivo miglioramento difensivo.

Il secondo segnale è l'espansione dell'accesso fidato. La distribuzione di Anthropic oltre gli Stati Uniti mostrerà se una distribuzione limitata può sostenere un'ampia resilienza finanziaria senza rilasciare indiscriminatamente capacità sensibili.

Un programma più ampio e coordinato ridurrebbe il divario tra i partecipanti iniziali e le altre istituzioni. Una persistente divisione geografica rafforzerebbe le richieste di modelli nazionali, strutture di test condivise o accordi internazionali formali.

Le banche dovrebbero inoltre osservare se i governi creano criteri coerenti per la partecipazione. Approvazioni ad hoc possono lasciare le istituzioni nell'incertezza riguardo a tempistiche, responsabilità e trattamento delle vulnerabilità scoperte.

Il terzo segnale è la governance all'interno delle istituzioni finanziarie. Conference call sui risultati, revisioni normative e divulgazioni di incidenti dovrebbero rivelare se le banche collegano l'adozione dell'IA alla concentrazione cyber e di terze parti.

Le prove di progresso includerebbero inventari dei modelli collegati ai processi aziendali, procedure di ripiego testate, valutazioni specifiche per versione e flussi di lavoro per le patch più rapidi. Dichiarazioni generiche sull'IA responsabile rivelerebbero molto meno.

L'alleanza tra Anthropic e Google resterà centrale perché la scala dell'infrastruttura influenza il ritmo dei futuri rilasci. Anche le relazioni di Anthropic con AWS e Microsoft significano che la storia non può essere ridotta a una sola dipendenza esclusiva dal cloud.

Questa struttura multi-cloud offre alle banche delle opzioni, ma le opzioni aiutano solo quando i team sono in grado di esercitarle. Un fornitore di backup inutilizzato non costituisce resilienza se i carichi di lavoro non possono essere spostati in sicurezza.

Lo stesso principio si applica alla supervisione umana. Richiedere un'approvazione sembra rassicurante, ma fallisce quando i revisori non dispongono di tempo, contesto o autorità. Le banche devono testare se le persone possono interrompere flussi di lavoro automatizzati in condizioni realistiche.

I dirigenti dovrebbero porsi un'ultima domanda: la loro istituzione può rispondere a una debolezza scoperta da un modello più rapidamente di quanto un modello comparabile possa contribuire a sfruttarla?

Questa domanda collega cybersecurity, gestione dei fornitori, organico, infrastruttura e responsabilità dei dirigenti. Conferisce inoltre alla storia Anthropic Google un significato pratico che va oltre le classifiche dei modelli.

Le banche non devono prevedere quale laboratorio di IA sarà in testa il prossimo anno. Hanno bisogno di sistemi operativi che rimangano affidabili quando capacità, accesso e relazioni con i fornitori cambiano rapidamente.

Il campanello d'allarme non è quindi un'istruzione ad acquistare un modello. È una richiesta di mappare le dipendenze, convalidare le dichiarazioni, accelerare la correzione e praticare il ripristino prima che arrivi il prossimo salto di capacità.