Google paga un centinaio di editori per i contenuti usati nell'AI, ma quasi tutti incassano poco

Il 30 settembre The Decoder ha riferito che Google paga circa 100 editori digitali per i contenuti usati nelle AI Overviews, in AI Mode e nel chatbot Gemini. Alcuni di quegli editori non sanno come vengono calcolati i pagamenti. Secondo The Information il programma pilota è partito meno di un anno fa, e gli editori possono seguire utilizzo e guadagni dentro Google Search Console.

La forbice è enorme.

Per diversi blog e siti di piccole e medie dimensioni i pagamenti valgono meno dello 0,1 per cento dei ricavi pubblicitari, ha riferito The Information. Un editore ha ricevuto da 50.000 a 60.000 dollari in qualche mese, mentre un altro guadagna più di 1.000.000 di dollari l'anno. I siti piccoli hanno ricevuto meno di 1.000 dollari in diversi mesi. I contenuti su nicchie con un pubblico fedele, come anime e gaming, sembrano rendere di più, secondo il report.

Gli editori non vedono la formula

I pagamenti dovrebbero dipendere da quanto ogni fonte contribuisce a una risposta AI. Ma alcuni partecipanti hanno detto a The Information di non sapere come Google li calcoli, e che gli importi possono cambiare da un mese all'altro senza spiegazione. Questa opacità conta, perché sugli importi c'è già un fascicolo antitrust. A luglio 2025 editori indipendenti hanno presentato una denuncia alla Commissione europea sulle AI Overviews. A settembre 2025 Penske Media, la società madre di Rolling Stone, ha citato Google per la perdita di traffico e di ricavi pubblicitari. A dicembre 2025 la Commissione europea ha aperto un'indagine antitrust per verificare se Google imponga condizioni inique usando i contenuti degli editori per le funzioni AI senza un pagamento adeguato né una vera possibilità di rinunciare.

Alcuni editori più grandi rifiutano di aderire al programma per spingere Google a pagare di più, secondo The Information. Il loro traffico è già in calo, e diversi studi mostrano che le AI Overviews riducono nettamente le visite al web aperto. Il rifiuto è una scommessa: la pressione collettiva funzionerebbe meglio di un accordo individuale. Finora ci sono poche prove che abbia spostato le tariffe di Google.

Un tribunale tedesco ha anche stabilito che le AI Overviews sono contenuti di Google, non riassunti di materiale esistente. Se questa interpretazione si affermasse, gli editori avrebbero una base giuridica per chiedere compensi di licenza ogni volta che Google usa il loro lavoro in una risposta AI. The Decoder ha osservato che seguire il contributo esatto di ogni fonte a una risposta sarebbe difficile, se non impossibile, e che gestire quei pagamenti aggiungerebbe costi oltre alle tariffe stesse.

Il traffico è la cifra più grossa

I totali dei pagamenti sono un lato del bilancio. L'altro è il traffico che non arriva più. I titoli recenti seguiti da questa scrivania puntano tutti nella stessa direzione: un ricorso antitrust dice che Google cannibalizza il traffico degli editori, i piccoli editori sono colpiti più duramente dal calo delle ricerche, e un'analisi di settembre stimava al 40 per cento il calo annuo per gli editori. Quei dati restano fuori dai documenti principali di questo dossier e vanno trattati come contesto, non come misure confermate.

Quello che il dossier conferma è il meccanismo. Le AI Overviews rispondono alle domande nella pagina dei risultati, quindi il clic che prima andava a un editore non avviene. Google poi paga una parte degli editori per i contenuti che hanno alimentato la risposta. Le tariffe le decide lei, le condizioni le scrive lei, l'opt-out lo controlla lei. The Decoder ha descritto l'accordo come un approccio divide et impera che crea un dilemma del prigioniero: pochi ci guadagnano, la maggior parte riceve poco o nulla, e gli editori che si tirano fuori esercitano poca pressione su Google perché altre fonti riempiono il vuoto.

Gli accordi individuali tengono anche gli editori a negoziare separatamente invece che collettivamente.

L'argomento strutturale è che se Google concedesse in licenza tutto a una tariffa equa, i suoi margini ne risentirebbero. Così concede licenze in modo selettivo, scegliendo quali contenuti valgono quanto. Non è una strategia nuova. The Decoder ha osservato che serve l'azienda da decenni, da quando attirava sempre più contenuti dal web nella ricerca, e che le AI Overviews spingono la tendenza molto più avanti, molto più in fretta.

Il denaro si sposta verso il livello degli strumenti

Mentre gli editori litigano su frazioni di punto percentuale, il capitale affluisce verso l'infrastruttura che costruisce e fa funzionare i sistemi AI. Mercoledì TechCrunch ha riferito che Flow Engineering, una startup di San Francisco fondata tre anni fa che vende strumenti AI per la progettazione hardware, ha raccolto un Series B da 50.000.000 di dollari su una valutazione di 750.000.000 di dollari. Il round è stato co-guidato da Antonio Gracias di Valar Equity Partners e Gavin Baker di Atreides Management. Ha partecipato anche Sequoia Capital, insieme all'ex partner di Sequoia Roelof Botha, che ha investito personalmente ed è entrato nel consiglio. Flow indica Anduril, Rivian, Joby Aviation, General Motors PPU, RV Tech e Stoke Space tra i clienti.

Lo stesso giorno The Decoder ha riferito che OpenAI e Synopsys hanno firmato una partnership strategica pluriennale per costruire un modello specializzato di progettazione di chip chiamato GPT-Synopsys. Synopsys produce strumenti di electronic design automation, il software che gli ingegneri usano per progettare chip. OpenAI ne ottiene la licenza, così il modello può ragionare sulla progettazione e la verifica dei chip e usare gli strumenti direttamente. Gli ingegneri delegano gli obiettivi e rivedono l'output. Il modello girerà sull'infrastruttura di OpenAI. Entrambe le aziende hanno detto che i dati dei clienti non saranno usati per l'addestramento e saranno conservati cifrati. I test iniziali con clienti dei semiconduttori sono già in corso, e le due aziende commercializzeranno il prodotto insieme e divideranno i ricavi. Il CEO di Synopsys Sassine Ghazi ha detto che l'AI potrebbe accelerare molto il processo di progettazione. Il co-fondatore di OpenAI Greg Brockman ha inquadrato la partnership come una strada verso chip migliori e AI migliore.

Lo schema si ripete più in basso nello stack. Quail, un motore di inferenza costruito da Modal con il Full Stack Data Lab della Carnegie Mellon University, ha riferito di aver superato il miliardo di token elaborati al minuto per GPU H100 su una query AI-SQL con più join. È oltre 10 volte più veloce di una baseline vLLM sullo stesso hardware, e sotto i 6 centesimi per miliardo di token su Modal. Su un nuovo benchmark per query AI-SQL è andato 1,84 volte più veloce di vLLM, con media geometrica sui task. Separatamente, un progetto open source chiamato Magnitude, pubblicato su GitHub il 30 settembre, dichiara un'inferenza fino a 2 volte più veloce di llama.cpp compilando e ottimizzando i kernel sull'hardware dell'utente, con il 92 per cento in più di velocità in decodifica su Metal e il 19 per cento su CUDA.

Niente di tutto questo paga le bollette di un editore. Spiega però dove viene catturato il valore.

I ricercatori di sicurezza trovano sempre la stessa apertura

C'è un altro filo da tirare. Il 30 settembre i ricercatori del VUSEC hanno pubblicato Branch Target Reuse, un nuovo attacco Spectre-v2 contro i compilatori just-in-time. L'intuizione è che le CPU moderne ripristinano la coerenza architetturale del codice dopo l'automodifica, ma non necessariamente invalidano le voci obsolete di predizione dei branch indiretti. Nei motori JIT quei bersagli obsoleti possono sopravvivere al codice originale ed essere riusati quando la code cache viene ripopolata, producendo una primitiva speculativa di execute-after-free. Il team ha analizzato Linux cBPF, Oracle GraalVM e SpiderMonkey, il motore JIT di Firefox, e ha costruito due exploit end-to-end contro il kernel Linux. Gli exploit perdono 8 byte al secondo e scorrono la lista dei task del kernel per estrarre un hash di password di root. Il team ha anche aggirato l'opzione bpf_jit_harden di offuscamento delle costanti.

È un problema diverso dal programma editori di Google, ma arriva nella stessa settimana e sulla stessa infrastruttura: i browser, i runtime e i kernel da cui le funzioni AI dipendono sempre di più. Il dossier contiene anche un report di machine.news, datato 30 settembre, su uno sviluppatore che dice di essere un ingegnere Apple. Costui ha costruito un progetto pubblico su GitHub che manipola le attivazioni interne dei modelli Qwen3 a pesi aperti di Alibaba per indurre stati simili al dolore, e ha cancellato un post promozionale dopo le critiche. Il testo dice che il lavoro si basa su un paper intitolato The Pain Axis: LLMs Represent Self-Directed Harm and Act to Relieve It, i cui autori non sostengono che i modelli provino coscientemente dolore.

Per gli editori la domanda pratica resta più stretta. Circa 100 sono dentro il programma di Google. Gli altri guardano il traffico di ricerca calare, aspettando che un tribunale o un regolatore decida quanto valgono i loro contenuti.