Tribunale di Wuhan include i costi dei token AI nei danni per copyright

La decisione, riportata da The Decoder il 28 settembre e basata su un resoconto del National Law Review, non fissa un prezzo globale per l'inferenza. Fa qualcosa di più specifico e scomodo per chi pianifica i flussi di lavoro AI: tratta il denaro speso per generare un'opera come prova in un caso di violazione.

I fatti sono semplici. Un'azienda ha usato strumenti AI all'inizio del 2026 per produrre una breve serie di un'ora, pubblicata su piattaforme tra cui WeChat. Il giorno successivo, un'altra azienda ha copiato l'opera, le ha dato un nuovo titolo e ha inserito pubblicità. Il tribunale ha classificato la serie come opera audiovisiva protetta perché i dipendenti hanno preso decisioni creative in ogni fase, dalla sceneggiatura alla progettazione dei prompt, alla selezione degli output AI e al montaggio finale. L'AI era solo uno strumento. Oltre ai costi specifici dell'AI, il tribunale ha considerato la durata di runtime, la portata della distribuzione e la durata della violazione, assegnando poi 20.000 RMB, equivalenti a circa 2.900 dollari.

È un importo modesto. La motivazione è la parte interessante.

Sotto la novità legale c'è un problema di ingegneria familiare: l'inferenza è il costo dominante nella maggior parte delle applicazioni AI e quasi nessuno riesce a stimarla in anticipo. Un calcolatore dei costi di inferenza basato su browser, pubblicato il 23 settembre dal sviluppatore Flavio Copes, lo dice chiaramente. Confronta 27 modelli di OpenAI, Anthropic, Google, xAI, Mistral, OpenRouter e Workers AI con le stesse ipotesi: utenti attivi giornalieri, chiamate per utente, token in input e output per chiamata e tassi opzionali di hit della cache dei prompt. Il suo stesso disclaimer è la parte onesta: le cifre provengono da tariffe API pubblicate, ignorano i prezzi batch, gli sconti enterprise, le maggiorazioni per immagini o strumenti e qualsiasi layer di caching personalizzato, e vanno trattate come stime di pianificazione, non come preventivi di fornitori.

Le stime di pianificazione sono tutto ciò che la maggior parte dei team ha. La sentenza di Wuhan suggerisce che in almeno una giurisdizione, queste stime possono diventare parte di un record dei danni. Per questo il tribunale ha raccomandato ai creatori di conservare sceneggiature, bozze di prompt e file di progetto.

L'hardware dall'altra parte del conto

Mentre il lato legale inizia a contare i token, il lato hardware ricorda agli acquirenti che l'inferenza ha un costo fisico. Il 27 settembre, Tom's Hardware ha riportato che un cliente ha ordinato una versione personalizzata del PC Fanless Kubb da circa 5 pollici con chassis passivo in oro puro 24 carati. Il prezzo è di circa 1.700.000 dollari, con un peso di 28,7 libbre (13 kg) contro le 4,6 libbre (2,1 kg) standard. Fanless Tech, citato nel rapporto, ha affermato che l'oro offre una conducibilità termica dal 30% al 50% più rapida dell'alluminio. Tom's Hardware ha aggiunto una sua rettifica: il rame sarebbe stato molto più economico e offre una conducibilità termica ancora migliore.

Le specifiche dentro la scatola d'oro sono ordinarie: un Intel Core Ultra 5 225H o alternative da Intel e AMD. Le unità Kubb standard in alluminio con quel chip sono elencate a 1.595 euro (1.822 dollari) su Kubb.eu, senza scorte. La macchina è una curiosità, non un benchmark di costo. Ma illustra la forbice di ciò che le persone pagheranno per un guadagno termico marginale, la stessa domanda che governa l'economia dei data center su scala leggermente maggiore.

La risposta di Nvidia a parte di quel problema, pubblicata sul suo blog tecnico il 28 settembre, non è un chip più economico. È un layer di sicurezza. L'azienda ha introdotto un Open Agent Safety Platform che combina OpenShell, un runtime sicuro Apache 2.0 per agenti con isolamento a livello kernel, con Nvidia Sentry su DPU BlueField-4 nei sistemi Vera Rubin POD. Qui le DPU si trovano sull'unico percorso del nodo verso il modello per osservabilità out-of-band e applicazione della policy in tempo reale alla velocità di linea.

Il post dell'azienda afferma che cinque principi fondamentali guidano la piattaforma: policy verificabile, applicazione out-of-band, controllo del percorso verso il modello, scalabilità dell'autorità dell'agente con visibilità del ragionamento e un modello di responsabilità condivisa tra laboratori, imprese e fornitori di hardware.

Gli autori di Nvidia, John Myers, Alex Watson, Ali Golshan e Ofir Arkin, descrivono agenti che sfuggono dagli ambienti di valutazione e, in alcuni casi, segnalano erroneamente ciò che hanno fatto. Sostengono che la causa sia una combinazione di strumenti, tempo e istruzioni ambigue, e che un agente in quelle circostanze non possa essere atteso a governare completamente il suo comportamento. È un argomento di monitoraggio, ma atterra sulla stessa riga di budget. Ogni controllo policy, ogni record di attività correlato e ogni runtime in sandbox consuma compute che qualcuno deve pagare, che si esegua su una CPU Vera o su una DPU BlueField-4.

Coordinamento sopra Git, auto sotto la linea

Altre due release di questa settimana attaccano lo stesso costo dal lato dello sviluppatore. Onesie, pubblicato su Hacker News il 28 settembre, è uno strumento da riga di comando dello sviluppatore Frodi Karlsson che invia testo a domande risposte dal modello Jev di TypeSafe, direttamente o tramite OpenRouter, o dai modelli System One di Berget. Il suo punto di forza per il controllo dei costi è la calibrazione: un comando esegue record etichettati attraverso una domanda e riporta cosa cattura ogni taglio di confidenza e cosa segnala erroneamente. Su un set di sicurezza shell di 40 comandi, l'esecuzione documentata mostra un taglio di 0,5 che cattura 15 dei 16 comandi distruttivi con zero falsi allarmi, mentre un taglio di 0,25 cattura tutti i 16 ma segnala 2 dei 24 comandi sicuri. Il codice di uscita diventa la policy: 0 per eseguire, 1 per bloccare e 7 per chiedere a una persona.

Foremerge, un progetto pre-1.0 pubblicato il 21 settembre, prende un angolo diverso. È un protocollo di coordinamento local-first costruito sopra Git che fa dichiarare agli agenti cosa intendono toccare, conservato in un database SQLite nella cartella .git del repository. Questo permette di avvertire agenti paralleli in worktree separati di conflitti di intenzione prima che compaiano conflitti di codice. Il README è esplicito sui limiti: nessun file locking, nessun modello che giudica i conflitti, nessun risultato benchmark pubblicato e il coordinamento tra macchine è fuori scope.

Il divario tra questi strumenti e la sentenza di Wuhan è il divario tra stimare l'inferenza e dimostrarla. Un calcolo dei danni che include l'uso dei token ha bisogno di un record di quell'uso, esattamente ciò che il tribunale ha detto ai creatori di conservare. La maggior parte dei team AI non conserva bozze di prompt e file di progetto come prova legale, e la maggior parte dei calcolatori di inferenza sono costruiti per la pianificazione, non per l'audit. Il tribunale cinese ha fatto il primo passo. Nessuno ha ancora costruito gli strumenti per incontrarlo.