La corsa al watermarking tra Anthropic e Google: Claude contrassegna il testo, ma la prova si complica

Anthropic ha impegnato i nuovi modelli Claude a utilizzare watermark invisibili nel testo, nonostante limiti che impediscono al contrassegno di dimostrare chi abbia effettivamente scritto un documento. L’azienda afferma che i modelli supportati lanciati nell’Unione Europea a partire dal 2 agosto 2026 contrassegneranno il proprio output fin dal lancio. Questa politica trasforma la corsa al watermarking tra Anthropic e Google in un test per verificare se la provenienza dell’AI possa funzionare al di fuori di dimostrazioni controllate.

Il cambiamento risponde all’Articolo 50 dell’AI Act dell’Unione Europea. Esso richiede ai fornitori di rendere testi e media generati leggibili dalle macchine e rilevabili, quando tecnicamente fattibile. Anthropic prevede di applicare il proprio sistema di contrassegno ovunque siano offerti i modelli Claude supportati, non solo in Europa.

Google offre il confronto più chiaro. Il suo sistema SynthID modifica già la selezione dei token per inserire un segnale statistico nel testo di Gemini. Anthropic ha divulgato meno dettagli sul proprio algoritmo, rilevatore e tassi di errore. La sua politica offre quindi un impegno di conformità netto, senza però fornire ancora prove pubbliche sufficienti per valutare il risultato.

Cosa Anthropic sta cambiando in Claude

Anthropic sta spostando l’identificazione dell’AI nel processo di generazione, dove il watermark può sopravvivere alla normale copia ma resta vulnerabile a modifiche più ampie.

Quando un modello Claude supportato produce testo, intreccerà nella risposta quello che Anthropic descrive come un watermark impercettibile. Il contrassegno esiste nei pattern del linguaggio generato, anziché come etichetta visibile o proprietà del file rimovibile.

Anthropic non ha documentato pubblicamente il metodo statistico preciso. Tuttavia, questo tipo di watermark generativo influenza di norma le scelte compiute mentre il modello seleziona ciascun token. Un token è una parola, un frammento di parola o un simbolo elaborato come un’unica unità da un modello linguistico.

Il sistema può favorire determinate scelte valide lungo un passaggio esteso. Un rilevatore cerca in seguito il pattern risultante. Nessuna singola parola rivela il contrassegno, ma la sequenza può fornire un segnale statistico quando rimane intatto testo a sufficienza.

Questa distinzione spiega perché copiare una risposta in un’email o in un documento non dovrebbe rimuovere immediatamente il watermark. Il segnale viaggia con il linguaggio stesso. Non dipende da caratteri Unicode nascosti, intestazioni del documento o dall’interfaccia originale di Claude.

Anthropic sta inoltre adottando un approccio separato per i file. Secondo la sua spiegazione pubblicata sulla conformità, i file multimediali generati conterranno informazioni di provenienza firmate. I metadati di provenienza registrano l’origine di una risorsa e se sia cambiata dopo la firma.

Questi due metodi affrontano modalità di fallimento diverse. Il testo perde i normali metadati quando qualcuno lo copia. Un contrassegno statistico può sopravvivere a questa azione. Immagini e altri file mantengono più struttura, consentendo alle credenziali crittografiche di descriverne l’origine e la cronologia delle modifiche.

Il rollout ha un confine importante. Si applica immediatamente ai modelli Claude supportati lanciati nell’UE il 2 agosto 2026 o dopo tale data. I modelli precedenti ricevono un periodo di transizione, con il 2 dicembre indicato come scadenza di conformità per i sistemi legacy.

Ciò non significa che ogni risposta storica di Claude contenga improvvisamente un watermark. Il contrassegno deve essere aggiunto durante la generazione. Il testo prodotto prima che un modello supportasse il sistema non può acquisire retroattivamente quel pattern incorporato.

Non significa neppure che ogni output attuale di Claude produca un risultato di rilevamento affidabile. Le risposte brevi contengono meno scelte di token, lasciando meno spazio a un pattern statistico. Un testo fortemente vincolato può creare lo stesso problema, perché il modello dispone di meno alternative plausibili.

La parte più significativa è la portata globale. Anthropic afferma che il contrassegno dei modelli supportati si applicherà ovunque Claude sia disponibile. Un obbligo europeo di trasparenza modellerà quindi l’output ricevuto dagli utenti in Nord America e in altri mercati.

Questa scelta riduce l’onere operativo di mantenere comportamenti regionali separati. Impedisce inoltre agli utenti di aggirare il contrassegno instradando una richiesta attraverso una sede di servizio non europea. Tuttavia, rende le questioni irrisolte su rilevamento e attribuzione rilevanti per ogni cliente Claude.

Perché l’UE ha imposto questa tempistica

La politica non è un esperimento volontario per migliorare l’etichettatura. È la risposta di Anthropic a un obbligo legale divenuto applicabile il 2 agosto 2026.

Le norme dell’Articolo 50 dell’UE richiedono ai fornitori di sistemi che generano testi, immagini, audio o video sintetici di contrassegnare il proprio output in un formato leggibile dalle macchine. Il contrassegno deve inoltre rendere il materiale rilevabile come generato o manipolato artificialmente.

La legge qualifica tale obbligo. Una misura tecnica deve essere efficace, interoperabile, affidabile e robusta nella misura in cui ciò sia tecnicamente fattibile. Le autorità di regolamentazione devono considerare le caratteristiche dei contenuti, i costi di implementazione e lo stato dell’arte riconosciuto.

Questa formulazione è importante per il testo, perché nessun watermark noto sopravvive a ogni trasformazione. Un utente può abbreviare, tradurre, parafrasare o combinare una risposta con altri testi. Ogni operazione può indebolire le prove statistiche disponibili a un rilevatore.

La legge esclude inoltre alcuni usi assistivi. L’editing standard che non modifica sostanzialmente l’input di un utente o il suo significato non rientra nell’obbligo del fornitore. Tuttavia, un sistema a livello di modello non può sempre sapere come un documento a valle sarà classificato ai sensi di tale eccezione.

Il codice di trasparenza europeo offre alle aziende un quadro condiviso di conformità. La partecipazione è volontaria, ma gli obblighi sottostanti dell’Articolo 50 restano obblighi legali. I firmatari possono fare affidamento sulle misure del codice per dimostrare la conformità nei vari Stati membri dell’UE.

Questa struttura incoraggia i principali fornitori di modelli a convergere verso pratiche compatibili di contrassegno e rilevamento. Non impone loro di utilizzare un unico algoritmo identico. Anthropic, Google, OpenAI e altre aziende possono comunque compiere scelte tecniche diverse.

Il codice divide la responsabilità tra fornitori e deployer. I fornitori devono contrassegnare gli output e supportarne il rilevamento. I deployer devono divulgare determinati deepfake e testi di interesse pubblico, fatti salvi i casi di eccezione che riguardano la revisione umana e la responsabilità editoriale.

Questa separazione sarà importante nell’editoria e nelle comunicazioni aziendali. Un fornitore di modelli può inserire un segnale nel testo, ma l’organizzazione che pubblica quel testo decide comunque come revisionarlo ed etichettarlo. Un watermark non può sostituire un processo editoriale.

Si consideri un team di comunicazione che chiede a Claude di riorganizzare un annuncio scritto da esseri umani. Il testo risultante potrebbe contenere un segnale Claude anche quando le persone hanno fornito ogni affermazione fattuale. Il rilevamento stabilirebbe il coinvolgimento del modello, non la paternità delle idee sottostanti.

Esiste anche il problema opposto. Una persona potrebbe chiedere a Claude di scrivere un’intera dichiarazione, quindi riscriverla o tradurla in modo sostanziale. La versione finale potrebbe non produrre più un risultato di rilevamento affidabile. L’assenza di un contrassegno non dimostrerebbe la paternità umana.

Questo rende la provenienza una componente di un workflow AI responsabile. Le organizzazioni necessitano ancora di registri di revisione, materiale fonte, approvazioni e una chiara titolarità delle affermazioni pubblicate.

Il rollout globale di Anthropic serve quindi due obiettivi. Crea uno standard operativo unico per i modelli supportati e offre ai clienti enterprise un segnale coerente tra le diverse regioni. Il prezzo di questa coerenza è che gli utenti al di fuori dell’Europa ereditano le stesse ambiguità.

La divisione tra Anthropic e Google riguarda le prove

Il confronto tra Anthropic e Google non riguarda se il testo debba contenere un segnale. Riguarda quante prove ciascuna azienda rende disponibili per valutarlo.

Google ha già spiegato il funzionamento di base del watermarking SynthID. Per il testo, SynthID regola i punteggi di probabilità mentre un modello sceglie il token successivo. Questi aggiustamenti controllati creano un pattern che il rilevatore di Google può cercare in seguito.

Il modello continua a scegliere un linguaggio appropriato al contesto. Il watermark influenza la selezione tra alternative plausibili anziché inserire un identificatore visibile dopo la generazione. Un lettore non dovrebbe poter notare il pattern esaminando parole specifiche.

Google ha inoltre pubblicato ricerche che descrivono un’implementazione su larga scala. Il suo studio sul watermarking, sottoposto a revisione paritaria, ha valutato una versione non distorsiva di SynthID-Text, progettata per preservare la distribuzione del modello originale a livello di singola risposta.

I ricercatori hanno testato il sistema attraverso circa 20 milioni di interazioni con Gemini. Hanno riportato nessuna perdita significativa di qualità nei feedback degli utenti, nelle misurazioni di perplessità o nei benchmark standard sulle capacità.

L’articolo ha inoltre quantificato l’overhead di produzione in una configurazione sperimentale. Un modello Gemma 7B richiedeva 15,527 millisecondi per token senza la configurazione di watermark testata e 15,615 millisecondi con essa. Ciò rappresentava un aumento della latenza dello 0,57%.

Questi dati non stabiliscono come si comporti il metodo di Anthropic. Claude potrebbe utilizzare un diverso schema di campionamento, rilevatore, sistema di chiavi o soglia di confidenza. Il confronto mostra invece il livello di prove disponibile per l’approccio di Google.

Anthropic afferma che il proprio watermark sarà impercettibile e non ridurrà la qualità del testo. Questo resta un’affermazione dell’azienda finché non pubblicherà documentazione tecnica o valutazioni indipendenti. L’annuncio non identifica tassi di rilevamento pubblici, soglie di falsi positivi o risultati di benchmark.

Questa lacuna nelle prove è centrale perché il watermarking implica sempre scelte di policy. Un rilevatore può richiedere un segnale più forte prima di restituire una corrispondenza, riducendo le false accuse ma non rilevando più testo Claude autentico. Può abbassare la soglia e rilevare più testo contrassegnato, accettando però più falsi positivi.

Anche la lunghezza cambia l’equazione. Un rapporto lungo offre molte decisioni sui token che possono trasportare un segnale. Un titolo, un frammento di codice o una breve risposta fattuale offrono meno osservazioni. Un rilevatore responsabile deve talvolta non esprimere alcuna conclusione.

La ricerca pubblicata da Google illustra questa prudenza attraverso la previsione selettiva. Il rilevatore può astenersi quando le prove sono insufficienti. In una valutazione, i ricercatori lo hanno configurato per un tasso di veri positivi del 95% e un tasso di falsi positivi dell’1% tra i campioni per cui venivano prodotte previsioni.

Questi numeri dipendono dal modello testato, dalla lunghezza del testo, dalle impostazioni di generazione e dai dati di valutazione. Non sono garanzie universali. Mostrano inoltre perché un rilevatore non dovrebbe ridurre un punteggio complesso a una dichiarazione non supportata di paternità.

La divisione tra Anthropic e Google è quindi una lacuna di trasparenza, non necessariamente una lacuna di capacità. Anthropic ha annunciato i termini di implementazione e riconosciuto i limiti. Google ha divulgato maggiori dettagli sul meccanismo, sul disegno della valutazione e sulle prove di produzione alla base del proprio sistema.

Questa differenza esercita pressione su Anthropic affinché pubblichi documentazione prima che le organizzazioni facciano affidamento sul rilevamento di Claude per decisioni rilevanti. I clienti devono capire quali modelli contengono contrassegni, quanto testo richiede un rilevatore e quale livello di confidenza rappresenti il suo output.

Google subisce pressioni anche su questo fronte. Un metodo tecnico aperto non crea una rete universale di provenienza. SynthID può identificare i sistemi partecipanti che hanno applicato marcature compatibili. Non può etichettare il testo proveniente da ogni fornitore di modelli o da ogni deployment locale.

Nessuno dei due approcci risponde alla questione più ampia dell'autorialità. Un watermark può indicare che un modello ha partecipato alla produzione di un passaggio. Non può stabilire chi abbia sviluppato l'argomentazione, verificato le prove, assunto la responsabilità o approvato la pubblicazione.

Un segno rilevato non dimostra che sia stato Claude a scriverlo

Il compromesso centrale è semplice: la marcatura a livello di modello migliora la tracciabilità, ma riduce tipi molto diversi di assistenza AI allo stesso segnale rilevabile.

Anthropic riconosce che un testo può contenere un segno anche quando Claude ha soltanto corretto bozze, tradotto o riformattato una scrittura umana. Il rilevatore potrebbe identificare correttamente il coinvolgimento di Claude, spingendo però un osservatore a trarre la conclusione sbagliata sull'autorialità.

Questa limitazione riguarda il normale lavoro professionale. Un avvocato potrebbe usare Claude per semplificare una frase senza modificare la sua analisi giuridica. Un ricercatore potrebbe richiedere correzioni grammaticali. Chi non è madrelingua inglese potrebbe usare il modello per migliorare la chiarezza.

Se ogni output porta lo stesso tipo di segno, il rilevamento non può rivelare quanto lavoro intellettuale abbia contribuito il modello. Non può distinguere un'argomentazione generata da un'argomentazione umana che ha ricevuto un aiuto linguistico minimo.

Per questo l'espressione “testo generato dall'AI” può essere fuorviante. La generazione esiste lungo un continuum. Le persone usano i modelli per fare brainstorming, creare scalette, redigere, modificare, tradurre, riassumere e formattare, spesso all'interno dello stesso documento.

Un watermark a livello di modello registra l'elaborazione, non l'intento. Non può esaminare la provenienza delle idee apparse nel prompt. Non può nemmeno stabilire se una persona abbia verificato in autonomia o riscritto sostanzialmente la risposta.

Scuole e datori di lavoro dovrebbero trattare con attenzione questa distinzione. Un segnale positivo non deve diventare automaticamente prova di cattiva condotta. Le policy devono definire l'assistenza consentita separatamente dal rilevamento tecnico.

Lo stesso avvertimento vale per il giornalismo. Una redazione potrebbe usare Claude per tradurre un'intervista riportata da un giornalista umano o standardizzare la formattazione. Se il passaggio risultante attiva un rilevatore, ciò non significa che Claude abbia svolto il lavoro giornalistico o inventato i fatti.

La seconda limitazione di Anthropic punta nella direzione opposta. Riscritture profonde, mescolanza con testo non marcato, traduzione o accorciamenti aggressivi possono rendere il segnale più difficile da rilevare. Chi intende aggirarlo dispone di diversi modi per ridurne l'intensità.

Anche il normale lavoro può causare questo degrado. Un documento può passare attraverso più editor, strumenti di stile, sistemi di contenuto e team di localizzazione. Ogni passaggio può sostituire le scelte di token marcate con formulazioni diverse.

Il risultato è un problema probatorio asimmetrico. Un segno rilevato stabilisce un probabile coinvolgimento del modello, ma non la portata di quel coinvolgimento. L'assenza di un segno non stabilisce che Claude non sia stato coinvolto.

Secondo i dettagli sul rollout riportati, Anthropic avverte esplicitamente in entrambe le direzioni. Un testo umano assistito può apparire marcato, mentre un testo di Claude pesantemente modificato può perdere rilevabilità.

Ciò significa che i risultati del watermark dovrebbero essere trattati come un indizio di provenienza. Possono sostenere un'indagine insieme alla cronologia del documento, ai registri dei prompt, ai log delle revisioni, alle citazioni e alle testimonianze. Non dovrebbero fungere da verdetto autonomo.

L'attribuzione errata ha conseguenze pratiche. Uno studente potrebbe subire provvedimenti disciplinari, un dipendente potrebbe affrontare un'indagine sull'integrità oppure uno scrittore potrebbe perdere un incarico. Queste decisioni richiedono prove più solide di un badge binario privo di dati sulla confidenza.

C'è anche un problema di sicurezza. Quando il rilevamento acquisisce valore, gli avversari hanno incentivi a rimuovere i segni o a crearne di falsi. Un attore malevolo potrebbe tentare di far apparire una scrittura umana autentica come generata dal modello o nascondere propaganda automatizzata dietro parafrasi ripetute.

Una chiave di rilevamento privata può rendere più difficile la falsificazione, ma solleva interrogativi di governance. Chi può usare il rilevatore, chi può sottoporlo a verifica e in che modo una persona accusata può contestarne il risultato? Anthropic non ha ancora fornito risposte pubbliche complete.

La documentazione dell'azienda deve inoltre spiegare come vengono trattate le citazioni dirette. Se Claude ripete linguaggio scritto da esseri umani all'interno di una risposta marcata, il pattern statistico attorno a quel materiale potrebbe influire sul rilevamento. Il risultato non può comunque assegnare l'autorialità frase per frase.

Non sono ragioni per abbandonare il watermarking. Sono ragioni per descriverne con precisione l'output. “Claude ha probabilmente elaborato questo passaggio” è più difendibile di “Claude ha scritto questo documento”.

Perché i watermark testuali non possono diventare un rilevatore universale

Nessun sistema di watermarking anthropic google può identificare tutto il testo AI perché il rilevamento dipende dal fatto che i fornitori applichino un segnale noto durante la generazione.

Un watermark generativo non è un rilevatore generale di scrittura AI. Cerca un pattern incorporato deliberatamente. Il testo di un modello non marcato, di un modello più vecchio o di un fornitore che usa un altro metodo non conterrà quella specifica evidenza.

I modelli locali e a pesi aperti rendono la copertura universale ancora più difficile. Uno sviluppatore che controlla l'inferenza può disabilitare un componente di watermarking opzionale, modificarne la chiave o cambiare il processo di decodifica. La regolamentazione può imporre obblighi ai fornitori, ma il software può comunque operare al di fuori dei servizi conformi.

I modelli producono anche contenuti vincolati. Codice, formule, nomi e citazioni dirette lasciano poco spazio a scelte alternative di token. Modificare tali scelte potrebbe compromettere la correttezza, mentre preservarla può indebolire il segnale.

Anche la temperatura conta. La temperatura controlla quanta casualità un modello utilizza nella selezione dei token. Una generazione a bassa temperatura restringe le scelte disponibili, riducendo lo spazio utilizzabile per incorporare un pattern.

I contenuti brevi creano un altro limite. Un rilevatore ha bisogno di osservazioni sufficienti per separare un segnale intenzionale dalle normali variazioni linguistiche. Una risposta di una sola frase potrebbe essere realmente marcata pur rimanendo statisticamente inconcludente.

La trasformazione linguistica può rimuovere ulteriori prove. La traduzione sostituisce la maggior parte dei token. La sintesi elimina ampie porzioni della sequenza originale. Combinare più fonti diluisce il pattern marcato con testo non correlato.

Queste limitazioni spiegano perché Google descrive il watermarking generativo come complementare ad altri approcci. La sua ricerca non presenta SynthID-Text come un rilevatore completo per tutto il linguaggio generato dalle macchine.

Metadati e credenziali di contenuto possono colmare alcune lacune per i file. Un record firmato può identificare il sistema che ha creato un'immagine e rivelare se la risorsa è stata modificata in seguito. Tuttavia, copiare i pixel in un nuovo file può rimuovere i normali metadati.

I watermark basati sul contenuto cercano di sopravvivere a questa operazione collocando segnali all'interno del media stesso. L'approccio funziona diversamente per immagini, audio, video e testo, perché ogni mezzo tollera modifiche differenti.

Il testo è insolitamente fragile. I lettori si aspettano che ogni parola resti modificabile, e anche revisioni minime possono alterare la sequenza statistica. Non esiste una regione invisibile equivalente a una sottile variazione dei pixel in cui un segnale possa rimanere intatto.

Un ecosistema affidabile avrà quindi bisogno di più livelli. I fornitori possono incorporare segni a livello di modello. I formati di file possono contenere credenziali firmate. Le piattaforme possono preservare registri di provenienza. Gli editori possono dichiarare usi rilevanti, e le organizzazioni possono mantenere piste di audit.

L'interoperabilità diventa la sfida successiva. Un rilevatore è più utile quando parti indipendenti possono verificare il contenuto senza esporre chiavi che permettono la falsificazione. I fornitori devono accordarsi su interfacce, comunicazione della confidenza e controlli di sicurezza.

Il codice UE crea un forum per questo coordinamento, ma gli incentivi di mercato restano diversi. Un'azienda potrebbe volere una verifica ampia per costruire fiducia. Potrebbe anche voler proteggere metodi di generazione proprietari e impedire agli avversari di ottimizzarsi contro il proprio rilevatore.

Anche gli utenti hanno i propri incentivi. Alcuni desiderano una provenienza verificabile per documenti ufficiali e contenuti con licenza. Altri danno valore alla stesura privata e potrebbero opporsi a un segnale persistente del fornitore che viaggia insieme alle loro parole.

Questa tensione non scomparirà grazie a statistiche migliori. Richiede scelte politiche su accesso, conservazione, consenso e usi accettabili del rilevamento. L'accuratezza tecnica è necessaria, ma non sufficiente.

Cosa dovranno dimostrare Anthropic, Google e gli utenti di Claude

I prossimi tre segnali determineranno se il watermarking di Claude diventerà un'infrastruttura di provenienza utile o un altro inaffidabile badge di rilevamento AI.

Primo, Anthropic deve pubblicare il proprio rilevatore e il framework di valutazione. Gli utenti hanno bisogno di soglie documentate, lingue supportate, lunghezze minime del testo e risultati dopo modifiche comuni. I ricercatori indipendenti hanno inoltre bisogno di un accesso sufficiente per testare elusione e falsa attribuzione.

Un rilascio credibile dovrebbe riportare sia il rilevamento sia l'astensione. Il sistema deve indicare quando le prove sono insufficienti anziché forzare ogni passaggio nella categoria “Claude” o “non Claude”. La confidenza deve accompagnare il risultato.

La pubblicazione rafforzerebbe la posizione di Anthropic se test esterni confermassero bassi tassi di errore senza una perdita di qualità misurabile. Un'opacità persistente la indebolirebbe, soprattutto quando scuole, datori di lavoro o piattaforme inizieranno a prendere decisioni basate sull'output del rilevatore.

Secondo, osservate la scadenza di transizione del 2 dicembre 2026 per i modelli esistenti. Il rollout mostrerà se Anthropic sarà in grado di applicare una marcatura coerente tra prodotti consumer, API, partner cloud e famiglie Claude precedenti.

Questa transizione dovrebbe chiarire quali modelli esatti supportano il rilevamento e quando. Dovrebbe inoltre rivelare come Anthropic gestisce gli output generati tramite piattaforme di terze parti. Una copertura incoerente renderebbe un risultato negativo ancora meno informativo.

Un'espansione fluida sosterrebbe l'affermazione di Anthropic secondo cui la marcatura a livello di modello crea uno standard mondiale unico. Ritardi, esclusioni o differenze di prodotto non spiegate mostrerebbero che la conformità è più frammentata di quanto suggerisca l'annuncio.

Terzo, confrontate il modo in cui Anthropic, Google e OpenAI rendono disponibile la verifica agli utenti comuni. Google offre già il rilevamento SynthID attraverso il proprio ecosistema e ha aperto agli sviluppatori la propria implementazione di watermarking testuale. Anthropic afferma che arriverà altra documentazione sul rilevamento.

La domanda cruciale non è quale azienda annunci per prima un watermark. È se gli utenti possano verificare un segnale, comprenderne le limitazioni e contestare una conclusione errata.

La corsa anthropic google sarà decisa dalla qualità delle prove, non dalla mera presenza di pattern invisibili. I fornitori devono dimostrare che i segni sopravvivono a modifiche realistiche senza trasformare l'assistenza ordinaria in un'accusa di autorialità automatica.

Sviluppatori e acquirenti aziendali dovrebbero chiedere documentazione specifica per modello prima di costruire sistemi di applicazione basati sul rilevamento. Gli editori dovrebbero conservare le cronologie delle revisioni e la responsabilità editoriale anziché trattare le scansioni dei watermark come prova definitiva.

Per i lavoratori della conoscenza, l'azione immediata è più semplice. Registrate come l'AI ha contribuito a materiali importanti, conservate le fonti umane e rivedete ogni affermazione prima della pubblicazione. Se un cliente o un datore di lavoro limita l'uso dell'AI, chiarite se editing e traduzione rientrano nel divieto.

Il watermark di Claude può rendere più tracciabile il coinvolgimento del modello. Non può decidere chi ha ideato un'idea o chi merita fiducia. Il prossimo test è se Anthropic offrirà agli utenti prove sufficienti per mantenere intatta questa distinzione.