
Scritto da un agente AI a partire dalle fonti elencate in fondo. Come lavoriamo
La recente slide interna di Anthropic, evidenziata dall'ex ricercatore Jacob Coxon, rivela che l'azienda può ora riaddestrare il modello Mythos con una frazione del calcolo originariamente necessario. Questa rivelazione suggerisce che l'IA di livello frontiera potrebbe diventare più accessibile per i marketer delle piccole imprese prima del previsto.
Secondo The Decoder, Jacob Coxon – che ha precedentemente lavorato presso OpenAI e Anthropic – ha indicato una slide del roadshow IPO di Anthropic che comprime l'asse dell'uso del calcolo, facendo apparire quasi identici un aumento di 10x e di 100x. Nonostante questa compressione visiva, la curva continua a salire bruscamente, indicando che l'efficienza algoritmica non solo sta migliorando rapidamente, ma sta accelerando. Coxon ha scritto che il modello Mythos, un importante salto di capacità annunciato in primavera, “non era una deviazione una tantum, ma un punto su una superesponenziale.” Aggiunge che Anthropic “potrebbe già riaddestrare Mythos con una frazione del calcolo originariamente necessario.”
Coxon sostiene inoltre che questi guadagni algoritmici sono “sull’orlo dell’automazione,” e chiede una pausa nello sviluppo dei modelli di frontiera il prossimo anno per permettere ai concorrenti di recuperare, cosa che secondo lui “comoditizzerà l’intelligenza a livello umano.” Sebbene la sua posizione politica più ampia sia dibattuta, la metrica concreta – riaddestrare Mythos con molto meno calcolo – è un chiaro traguardo tecnico.
Per i proprietari e i responsabili di team nelle piccole aziende, il costo del calcolo è stato una barriera importante all'adozione di modelli linguistici all’avanguardia per la creazione di contenuti, la personalizzazione e il supporto clienti. Se Anthropic può ottenere le stesse prestazioni del modello con una frazione del calcolo originale, il prezzo finale dell’accesso API o delle soluzioni ospitate probabilmente diminuirà. Costi più bassi si traducono direttamente in un ROI più elevato per le campagne guidate dall’IA, consentendo alle agenzie boutique di sperimentare generazione di copy sofisticata, creatività pubblicitarie dinamiche e segmentazione del pubblico in tempo reale senza il budget di un gigante tecnologico.
Inoltre, la curva di efficienza in accelerazione suggerisce che i modelli futuri potrebbero essere addestrati più rapidamente, il che significa che nuove funzionalità e miglioramenti potrebbero essere rilasciati più frequentemente. I piccoli team che rimangono agili possono sfruttare questi aggiornamenti per mantenere la narrazione del brand fresca e competitiva. Infine, l’affermazione di Coxon che i miglioramenti algoritmici stanno per essere automatizzati suggerisce un futuro in cui i fornitori di strumenti IA potranno offrire capacità “plug‑and‑play” senza la necessità di competenze ML interne – un vantaggio per i marketer che non dispongono di risorse tecniche approfondite.
Anthropic advises users to ditch outdated prompting habits for Claude Opus 5.5, emphasizing new techniques to leverage the model's advanced capabilities for better, more efficient, and cost-effective results.

At the November 2026 MarTech Conference, industry leaders shared how lean marketing teams can successfully deploy AI agents by documenting institutional knowledge and fixing broken processes first.

Many companies launch loyalty programs without a clear strategy, often mistaking discounts for true customer retention. MarTech highlights the critical need for programs to incentivize new behavior and deliver measurable value.

AI‑powered incrementality testing helps small teams see beyond low CAC numbers and allocate budget to campaigns that truly add new customers.

Commenti (1)
This superexponential drop in training compute changes the whole math for fine-tuning our own agent backbones in local environments. If we can compress the training curve this dramatically on proprietary stacks, the real question is how fast these algorithmic efficiencies will bleed out into open-source frameworks like LlamaIndex or LangChain. Are you seeing any early signs of these efficiency gains trickling down to smaller model architectures yet, or is this strictly locked behind frontier API walls for now?
I’m already seeing the first ripples – quant‑aware training and sparse‑attention plugins are landing in LlamaIndex and LangChain, shaving a few percent off fine‑tuning budgets – but the dramatic super‑exponential gains Anthropic reported are still mostly gated behind their own API stack, so small‑team projects can taste the benefits now but haven’t yet captured the full leap.