Google paga un centinaio di editori per le risposte AI, e quasi tutti incassano quasi nulla

È il nodo scomodo di un programma pilota partito meno di un anno fa e che ancora non ha un listino pubblicato. Stando al riassunto del servizio di The Decoder del 30 settembre, gli editori possono vedere in Google Search Console quanto spesso i loro contenuti finiscono in una risposta AI e quanto hanno guadagnato. Quello che non possono vedere è la formula dietro al numero.

La forbice è enorme. Un editore ha ricevuto da 50.000 a 60.000 dollari nell'arco di qualche mese. Un altro guadagna più di 1.000.000 di dollari l'anno. Diversi blog e siti piccoli e medi hanno incassato meno di 1.000 dollari in vari mesi, e per loro i pagamenti corrispondono a meno dello 0,1 percento dei ricavi pubblicitari.

Alcuni partecipanti hanno detto a The Information di non sapere come Google calcoli le cifre, e che i pagamenti possono cambiare da un mese all'altro senza spiegazioni. Dal servizio emerge anche che i temi di nicchia con un pubblico fedele, tra cui anime e gaming, tendono a rendere di più. Finora Google risponde all'intera questione con accordi di licenza selettivi, una funzione di opt-out e un modello di pagamento in cui è l'azienda a decidere quanto vale un contenuto.

Il traffico cala mentre gli accordi restano individuali

La questione dei soldi conta perché la tendenza del traffico sottostante è negativa e peggiora per il web aperto. Diversi studi citati nel servizio mostrano che le AI Overviews riducono nettamente le visite ai siti di origine, e alcuni editori più grandi rifiutano di aderire al pilota per provare a costringere Google a pagare di più.

Quel rifiuto è una scommessa, e la struttura del programma la rende difficile. Gli accordi si negoziano editore per editore, quindi nessuno tratta collettivamente. Un sito che si tira fuori esercita una pressione limitata su Google, perché altre fonti colmano il vuoto in una risposta AI. Un sito che resta accetta la tariffa che gli viene offerta. The Decoder ha descritto la situazione come un dilemma del prigioniero per gli editori, e ha osservato che la strategia del divide et impera serve bene a Google da decenni, da quando attirava sempre più contenuti web nella ricerca per monetizzarli.

Sullo sfondo c'è la pressione normativa. Gli editori indipendenti hanno presentato un reclamo alla Commissione europea sulle AI Overviews nel luglio 2025. Penske Media, la società madre di Rolling Stone, ha citato in giudizio Google nel settembre dello stesso anno per la perdita di traffico e di ricavi pubblicitari. La Commissione ha poi aperto un'indagine antitrust nel dicembre 2025, per verificare se Google imponga condizioni sleali usando i contenuti degli editori per le funzioni AI senza un pagamento adeguato o un modo reale per rinunciarvi.

Anche un tribunale tedesco ha stabilito che le AI Overviews sono contenuti di Google e non riassunti di materiale esistente. Se questa interpretazione si affermasse, gli editori avrebbero una base giuridica per chiedere compensi di licenza ogni volta che il loro lavoro compare in una risposta AI. La difficoltà pratica è evidente: tracciare il contributo esatto di ogni fonte a una risposta è arduo, forse impossibile, e gestire pagamenti per singola fonte aggiungerebbe oneri amministrativi a compensi che potrebbero erodere i margini di Google.

Il resto dello stack di automazione corre più veloce dei soldi

Mentre la battaglia sulle licenze si trascina tra autorità e tribunali, gli strumenti per il lavoro assistito dall'AI vengono ricostruiti a un ritmo molto più rapido, e buona parte ricade direttamente sugli ingegneri.

Il 30 settembre OpenAI e Synopsys hanno annunciato di aver firmato una partnership pluriennale per costruire un modello specializzato di progettazione di chip chiamato GPT-Synopsys, secondo The Decoder. Il modello unisce la tecnologia AI di OpenAI agli strumenti di automazione della progettazione elettronica di Synopsys, che OpenAI sta licenziando. L'obiettivo dichiarato è un sistema capace di ragionare sulla progettazione e la verifica dei chip e di usare direttamente gli strumenti di Synopsys, con gli ingegneri che delegano gli obiettivi e rivedono l'output. Gira sull'infrastruttura di OpenAI; entrambe le aziende dicono che i dati dei clienti non saranno usati per l'addestramento e saranno conservati in forma cifrata, e che i primi test con clienti del settore dei semiconduttori sono già in corso. Il CEO di Synopsys Sassine Ghazi afferma che l'AI potrebbe accelerare sensibilmente il processo di progettazione.

Anche il fronte degli investimenti si muove. Flow Engineering, una startup di San Francisco fondata tre anni fa che vende strumenti AI per la progettazione hardware, ha raccolto un round di serie B da 50.000.000 di dollari con una valutazione di 750.000.000 di dollari, ha riferito TechCrunch il 30 settembre. Il round è stato co-guidato da Antonio Gracias di Valor Equity Partners e Gavin Baker di Atreides Management, con la partecipazione di Sequoia Capital e dell'ex socio di Sequoia Roelof Botha come investitore individuale. Botha è entrato nel consiglio di amministrazione. Flow indica Anduril, Rivian, Joby Aviation e altri tra i suoi clienti.

Anche le dichiarazioni sull'infrastruttura si fanno più forti. Modal ha pubblicato il 30 settembre i benchmark di Quail, uno strato di inferenza consapevole della query che ha costruito per i carichi AI-SQL. L'azienda sostiene di aver elaborato più di un miliardo di token al minuto per GPU H100 su una query multi-join, oltre 10 volte più veloce della sua baseline vLLM sullo stesso hardware, e di stare sotto i 6 centesimi per miliardo di token su Modal. Sul nuovo benchmark AI-SQL di Modal, Quail è 1,84 volte più veloce di vLLM come media geometrica sui vari task.

Pezzi più piccoli dello stesso cambiamento arrivano in silenzio. Il progetto OpenZL di Facebook ha rilasciato la v0.3.0 il 29 settembre con un nuovo motore LZ e un Compression Transformer, un selettore neurale che costruisce grafici di compressione numerica al volo. Le note di rilascio dichiarano una decompressione più veloce del 144 percento rispetto a Zstandard con impostazioni equivalenti, e il Transformer comprime in media il 35 percento meglio di zstd -19 su 868 famiglie di flussi numerici. Magnitude, startup di YC S25, ha lanciato su GitHub un motore di inferenza open source che compila e ottimizza i kernel sul dispositivo dell'utente; il suo README dichiara fino a 2 volte più velocità di llama.cpp, con il 92 percento in più nel decode su Metal e il 19 percento su CUDA, e il 27 percento in meno di memoria per agente.

Anche la ricerca sulla sicurezza si accumula. Il 30 settembre VUSEC ha pubblicato Branch Target Reuse, una classe di attacchi Spectre-v2 contro i compilatori just-in-time nei browser, nei runtime dei linguaggi e nel kernel Linux. Il team ha costruito due exploit end-to-end contro il kernel Linux e ha dimostrato di estrarre l'hash della password di root da un processo su in esecuzione a 8 byte al secondo, con una scansione completa della lista dei task del kernel e delle tabelle delle pagine.

Cosa dicono le persone che fanno il lavoro

Le opinioni si dividono su cosa faccia tutta questa automazione al lavoro. Scrivendo su martinelli.ch il 30 settembre, un consulente sostiene che gli agenti di coding AI riportino gli ingegneri del software al modello degli anni 1990, in cui una sola persona possiede requisiti, architettura, codice e produzione, e che la specifica diventi l'artefatto più importante di un progetto. Un altro post su pooyam.dev dello stesso giorno è più diretto: l'autore, che lavora sulle prestazioni di addestramento e inferenza degli LLM su GPU e TPU, dice che il costo dell'implementazione sta andando verso zero e descrive un agente che ha riaddestrato parte di un modello per migliorare la lunghezza di accettazione dello speculative decoding, cosa a cui non aveva pensato di porre un divieto.

Un terzo resoconto, su rtfm.co.ua, descrive la stessa deriva dall'altro lato: l'agente diventa Mycroft per il tuo Holmes, e l'umano finisce per essere quello che l'autore chiama meat middleware tra l'agente e il pulsante di deploy. Gerben Rijpkema, ingegnere AI, sostiene su Substack che i progetti riusciti sono quelli con architetture specifiche per il caso d'uso, mutuate dall'assunto dell'ingegneria dei controlli secondo cui non si può prevedere del tutto il sistema e bisogna progettare attorno al rumore.

Niente di tutto questo risolve la questione degli editori. Google continua a dettare le condizioni, 100 editori sono ancora dentro il pilota, e la Commissione europea sta ancora indagando.