Meta ha limitato l’accesso dei propri ingegneri a Claude Code e Codex. La motivazione non è tecnica, ma strategica: secondo documenti interni ottenuti da The Information, il problema è la distillation — il rischio che gli output di modelli rivali finiscano, attraverso il lavoro quotidiano degli sviluppatori, nei dati di training di Llama. In certi casi, Meta ha anche temporaneamente sospeso specifici progetti che coinvolgevano questi strumenti.
Il meccanismo che preoccupa Meta è sottile ma reale. Quando un ingegnere usa Claude Code per scrivere o revisionare codice, l’output che ne risulta porta l’impronta del modello di Anthropic. Se quel codice (o il ragionamento dietro) entra nel corpus di dati su cui Llama viene addestrato, si crea una trasmissione non autorizzata di capacità da un modello a un altro. Un memo interno cita “gravi escalation con le aziende partner” come rischio concreto in caso di fuga di output nei dati di training.
Il codice scritto con Claude porta una firma che Meta non vuole nel DNA di Llama.
La policy di Meta è già rigorosa: la politica aziendale vieta di usare output di AI per creare task di test o per analisi del codice. La revisione umana rimane obbligatoria. Ma la nuova restrizione su Claude Code e Codex aggiunge un livello: non si tratta solo di cosa fare con l’output, ma di quali tool possono essere usati in certi contesti produttivi. La preoccupazione non è l’output diretto, ma il flusso informativo che potrebbe contaminare il training attraverso percorsi indiretti.
Il progetto MetaCode — il coding assistant interno che Meta sta costruendo — è l’altra faccia della stessa decisione. Ridurre la dipendenza da strumenti esterni serve tanto per il risparmio quanto per il controllo dei dati. Secondo il memo, Meta è sulla traiettoria di spendere miliardi di dollari in uso interno di AI nel solo 2026 — una cifra che rende la costruzione di strumenti proprietari economicamente razionale già nel breve periodo.
La distillation è la nuova guerra industriale dell’AI
Il caso Meta non è isolato. La distillation sta diventando il principale terreno di conflitto legale e strategico nell’industria AI. Anthropic ha recentemente accusato Alibaba del più grande attacco di distillation noto: output di modelli Claude estratti sistematicamente e usati per costruire capacità in modelli concorrenti. Elon Musk ha dovuto ammettere ad aprile, durante il processo contro OpenAI, che xAI aveva parzialmente distillato modelli OpenAI nel training dei propri sistemi.
I termini di servizio dei principali provider — OpenAI, Anthropic, Google — proibiscono esplicitamente di usare gli output per costruire sistemi concorrenti. Ma far rispettare quella clausola è tecnicamente complesso: come si dimostra che il codice prodotto da un ingegnere che usa Claude è finito nel training di un modello rivale? La catena causale è difficile da tracciare, e i meccanismi di verifica non esistono ancora come standard di settore.
Vietare uno strumento ai propri ingegneri è l’ammissione che i confini del training sono ancora porosi.
Meta si trova in una posizione peculiare: Llama è open-weight, il che significa che il suo training data e i suoi pesi sono potenzialmente analizzabili in modo più diretto di un modello proprietario. Un’eventuale contaminazione da output Claude sarebbe più difficile da negare rispetto a un sistema closed. La scelta di blindare il training data è quindi anche una scelta di protezione legale preventiva, non solo di purezza tecnica.
Per il posizionamento di Llama 4 come alternativa competitiva ai modelli proprietari di Anthropic e OpenAI, la credibilità dell’approccio open-weight dipende anche dalla reputazione della pulizia dei dati di training. Un Llama “contaminato” da Claude sarebbe un problema legale, commerciale e reputazionale — ragione sufficiente per giustificare restrizioni che altrimenti sembrerebbero eccessivamente caute.
La vicenda Meta solleva un tema che riguarda qualsiasi organizzazione che usa tool AI su larga scala: dove finiscono gli output? Se gli ingegneri usano Claude Code su codebase proprietarie, e quegli output vengono poi usati per affinare modelli interni o per creare dataset, chi possiede quelle informazioni? La risposta dipende dai contratti, ma la consapevolezza del problema è ancora bassa.
Le aziende stanno costruendo infrastrutture AI sempre più potenti usando strumenti che pongono domande di governance dei dati che molte non hanno ancora risposto. La mossa di Meta è estrema nella forma — vietare uno strumento — ma risponde a una preoccupazione legittima che si può affrontare in modi meno invasivi: audit dei flussi di dati, politiche di data handling per l’AI output, revisione delle clausole nei contratti con i provider.
L’AI tool che usi oggi potrebbe diventare un problema legale domani se non sai dove vanno i suoi output.
Il tema della distillation involontaria — attraverso il lavoro ordinario, non attraverso un attacco deliberato — è il caso d’uso che nessun contratto ha ancora normalizzato. I provider di modelli frontier scrivono clausole che vietano l’uso degli output per costruire competitor, ma il meccanismo attraverso cui il lavoro quotidiano di un ingegnere potrebbe alimentare, anche inconsapevolmente, un processo di training è ancora un terreno grigio.
Meta ha scelto la soluzione più semplice: bloccare il problema alla fonte, vietando i tool che potrebbero creare il rischio. È una soluzione radicale (rinuncia a produttività reale in cambio di certezza legale), ma coerente con la scala del progetto Llama e con l’ambiente competitivo in cui Meta opera. La prossima domanda è quante altre aziende, più piccole e con meno risorse legali, stiano affrontando lo stesso rischio senza saperlo.
L’industria AI ha costruito in pochi anni un ecosistema straordinariamente interconnesso di modelli, strumenti, API e partnership. La distillation mostra che quella interconnessione non è neutrale: porta con sé trasferimenti di capacità — autorizzati o meno — che ridisegnano i confini competitivi tra i player. Meta ha capito il problema prima dei concorrenti. Gli altri lo stanno ancora scoprendo.
Dagli agenti AI personalizzati alla formazione.
C’è molto che possiamo fare insieme.
#Adessonews seleziona nella rete articoli di particolare interesse.
Se vuoi leggere l’articolo completo clicca sul seguente link
Giulia Bianchi
Source link
