Un’azienda acquista l’accesso a un modello avanzato di intelligenza artificiale, paga per ogni richiesta elaborata e riceve una risposta. Ma come può essere sicura che il servizio abbia utilizzato proprio il modello acquistato? La qualità del testo, da sola, non permette di verificarlo. Il fornitore potrebbe avere impiegato un sistema meno costoso oppure un intermediario potrebbe avere modificato la risposta.
Anthropic vuole affrontare questo problema attraverso FlashProve, un sistema open source che utilizza prove crittografiche per verificare l’identità del modello responsabile di una determinata elaborazione.
Il progetto è stato presentato il 2 novembre 2026 in una pubblicazione ufficiale di Anthropic, firmata da ricercatori della società insieme a collaboratori del Massachusetts Institute of Technology, del Politecnico federale di Losanna e di altre organizzazioni.
L’obiettivo è introdurre una garanzia verificabile nei servizi di intelligenza artificiale, con possibili conseguenze per i contratti commerciali, la sicurezza informatica e la valutazione indipendente dei modelli. FlashProve rimane però un prototipo di ricerca: Anthropic non ne ha annunciato l’impiego nei propri servizi.
Indice degli argomenti:
Perché verificare l’identità dei modelli di intelligenza artificiale
La distribuzione commerciale dell’intelligenza artificiale si basa su un rapporto di fiducia tra fornitori e clienti. Le imprese acquistano accesso a modelli con prestazioni, prezzi e caratteristiche differenti, normalmente attraverso interfacce di programmazione, piattaforme cloud o servizi intermediari.
Il cliente conosce il nome del modello dichiarato dal fornitore, ma non può controllare direttamente quale sistema abbia effettivamente eseguito il calcolo.
Questa asimmetria informativa può avere conseguenze economiche. Un operatore potrebbe sostituire un modello avanzato con uno meno costoso, mantenendo invariato il prezzo applicato. La sostituzione potrebbe anche riguardare un modello più potente, utilizzato durante una valutazione per ottenere risultati migliori di quelli del prodotto normalmente disponibile.
Anthropic descrive entrambe le situazioni come possibili applicazioni della verifica crittografica. Non presenta questi comportamenti come pratiche diffuse e documentate del mercato.
Per le imprese, la possibilità di verificare il modello utilizzato permetterebbe di associare il servizio acquistato a una prestazione tecnicamente dimostrabile, riducendo la dipendenza dalle sole dichiarazioni contrattuali.
Come funziona FlashProve: l’impronta digitale del modello
La tecnologia sviluppata da Anthropic si basa sulla provable inference, cioè sulla possibilità di dimostrare crittograficamente che una determinata risposta deriva dall’esecuzione di uno specifico modello.
Il meccanismo prevede tre operazioni.
- Prima di fornire il servizio, lo sviluppatore crea un’impronta crittografica, chiamata commitment, associata ai parametri del modello. Questa impronta identifica una configurazione precisa senza rendere pubblici i valori che ne determinano il funzionamento.
2. Quando il modello elabora una richiesta, il fornitore genera una prova matematica collegata all’input, alla risposta e all’impronta precedentemente registrata.
3. Infine, il cliente o un verificatore indipendente controlla la prova, senza dover eseguire nuovamente il modello.
Il sistema utilizza una famiglia di tecniche denominata zkSNARK, impiegata anche in alcune applicazioni blockchain. Queste tecniche permettono di verificare l’esecuzione di un calcolo senza rivelare determinate informazioni riservate.
Il modello può quindi conservare segreti i propri parametri, conosciuti come weights, che rappresentano uno degli asset industriali più importanti delle aziende di intelligenza artificiale.
La verifica conferma l’esecuzione del modello associato all’impronta. Non stabilisce, invece, se la risposta sia vera, corretta o adeguata allo scopo.
I risultati dei test: 110 token al secondo
Anthropic ha sperimentato FlashProve utilizzando Llama 4 Maverick di Meta, un modello con circa 400 miliardi di parametri basato sull’architettura mixture of experts, che attiva soltanto una parte dei parametri per ogni elaborazione.
Secondo i risultati pubblicati dai ricercatori, un sistema dotato di una gpu Nvidia H100 e 24 core cpu ha raggiunto una velocità di generazione delle prove pari a circa 110 token al secondo, elaborando gruppi di 24 richieste.
Ogni prova occupa circa 18,78 megabyte. Il test utilizza finestre di 1.024 token e verifica un token per prova.
Sul dispositivo incaricato della verifica non è necessaria una gpu. Anthropic dichiara tempi di circa 17 secondi utilizzando 24 thread cpu e 21 secondi con un singolo thread. L’impronta crittografica da acquisire inizialmente occupa circa 6,5 megabyte.
La produzione della prova richiede quindi infrastrutture considerevoli, mentre il controllo può avvenire con risorse decisamente inferiori.
I risultati rappresentano un progresso rispetto a precedenti sperimentazioni sulla verifica crittografica di grandi modelli linguistici, ma non dimostrano ancora la sostenibilità di un servizio commerciale su larga scala.
Il problema economico: quanto costa certificare una risposta
L’ostacolo principale riguarda il costo delle risorse informatiche.
Nei test di Anthropic, la generazione delle prove ha richiesto circa 70-95 volte il tempo gpu necessario per l’inferenza ordinaria, secondo il confronto con il software vLLM. Questo rapporto non equivale automaticamente a un aumento della stessa proporzione del prezzo finale, ma indica un sovraccarico computazionale rilevante.
La tecnologia arriva mentre il mercato cerca di abbassare i costi dei servizi di intelligenza artificiale.
Secondo l’AI Index Report 2025 della Stanford University, il costo per interrogare un modello con prestazioni comparabili a GPT-3.5 nel benchmark MMLU è diminuito da 20 dollari per milione di token nel novembre 2022 a 7 centesimi nell’ottobre 2024. Una riduzione superiore a 280 volte.
L’AI Index Report 2026 ha inoltre stimato in 6,8 miliardi di dollari la spesa computazionale di Anthropic nel 2025, comprendendo ricerca, inferenza e altre componenti.
In un settore caratterizzato da investimenti infrastrutturali così elevati, introdurre verifiche crittografiche su ogni elaborazione comporterebbe costi aggiuntivi significativi.
Una possibile applicazione commerciale riguarderebbe quindi le richieste per le quali la garanzia sull’identità del modello giustifica una spesa superiore.
Contratti e acquisti di AI: cosa cambierebbe per le imprese
La possibilità di dimostrare quale modello abbia eseguito un’attività potrebbe modificare le modalità di acquisto e controllo dei servizi di intelligenza artificiale.
Attualmente, un contratto può specificare il modello utilizzato, le prestazioni attese, i livelli di disponibilità e le responsabilità del fornitore. La verifica dell’effettiva esecuzione rimane però complessa, soprattutto quando intervengono piattaforme che distribuiscono le richieste tra modelli differenti.
Con una tecnologia come FlashProve, un cliente potrebbe richiedere una prova associata alle elaborazioni considerate importanti.
Un istituto finanziario potrebbe controllare quale modello abbia partecipato all’analisi di documentazione aziendale. Un’impresa manifatturiera potrebbe verificare il sistema impiegato per esaminare specifiche tecniche. Una società di consulenza potrebbe documentare l’origine delle risposte utilizzate nei propri processi.
Sono applicazioni potenziali, non servizi già disponibili attraverso FlashProve.
La prova crittografica aggiungerebbe una garanzia sull’esecuzione, ma non sostituirebbe i controlli sulla qualità dei risultati, sulla protezione dei dati e sulla responsabilità delle decisioni.
Sicurezza informatica e verifiche indipendenti
Anthropic considera la sicurezza informatica uno degli ambiti nei quali la tecnologia potrebbe trovare applicazione.
Un fornitore di software potrebbe dichiarare di avere sottoposto una libreria a un modello avanzato specializzato nella ricerca di vulnerabilità. Senza strumenti di verifica, il cliente dovrebbe accettare questa dichiarazione oppure richiedere ulteriori controlli.
Una prova crittografica consentirebbe di verificare quale modello abbia effettivamente esaminato il codice.
Questo non garantirebbe, tuttavia, l’individuazione di tutte le vulnerabilità. Un modello certificato potrebbe commettere errori oppure non riconoscere problemi presenti nel software.
La stessa distinzione vale per le valutazioni indipendenti dei sistemi di intelligenza artificiale.
Gli organismi incaricati di misurare prestazioni e rischi devono sapere se il modello sottoposto ai test coincide con quello distribuito ai clienti. Un meccanismo di identificazione verificabile potrebbe rendere più affidabile tale confronto.
Per Anthropic, FlashProve potrebbe inoltre aiutare a individuare alterazioni delle risposte prodotte da sistemi compromessi, verificando l’integrità della sequenza rispetto al calcolo certificato.
Il contributo di Claude e il controllo matematico del codice
Un elemento rilevante della ricerca riguarda il contributo dell’intelligenza artificiale allo sviluppo della tecnologia stessa.
Nel documento del 2 novembre, Anthropic attribuisce a Claude il miglioramento di alcuni algoritmi crittografici che hanno consentito di accelerare la produzione delle prove.
La società ha accompagnato il prototipo con specifiche tecniche e dimostrazioni formali realizzate attraverso Lean, un linguaggio utilizzato per rappresentare e verificare proprietà matematiche.
Le proprietà considerate comprendono la correttezza dell’accettazione delle prove valide, la resistenza alla falsificazione e la protezione delle informazioni riservate.
La formalizzazione serve a rendere controllabili le garanzie teoriche anche quando il codice viene sviluppato con un contributo significativo dell’intelligenza artificiale.
Anthropic riconosce comunque un limite: la corrispondenza tra implementazione veloce, specifica tecnica e versione formalmente verificata non è garantita integralmente.
Le dimostrazioni matematiche non eliminano quindi la necessità di controllare il software utilizzato in produzione.
I limiti tecnici che impediscono l’adozione immediata
FlashProve presenta ancora restrizioni importanti.
Il prototipo lavora con contesti fino a 1.024 token, una dimensione ridotta rispetto alle conversazioni e ai documenti elaborati dai modelli commerciali più avanzati.
Inoltre, verifica un’esecuzione basata su aritmetica intera e selezione deterministica dei token. Molti servizi commerciali utilizzano invece calcoli in virgola mobile e modalità di generazione che introducono variabilità nelle risposte.
Queste differenze possono impedire una corrispondenza esatta tra il risultato del sistema commerciale e quello certificato.
La tecnologia protegge i parametri del modello, ma non ne nasconde completamente l’architettura. Rimangono inoltre da approfondire possibili rischi derivanti da canali laterali, come l’analisi dei tempi di esecuzione.
Anthropic ha pubblicato il codice di FlashProve su GitHub con licenza Apache 2.0, insieme a un programma di generazione delle prove e a due verificatori, uno in C++ e uno in Lean.
Il repository identifica il progetto come un prototipo di ricerca non mantenuto e non aperto all’accettazione di contributi. La pubblicazione permette a ricercatori e aziende di studiare e riutilizzare il lavoro secondo le condizioni della licenza, senza offrire le garanzie di manutenzione di un prodotto commerciale.
La ricerca sulla verifica dei modelli coinvolge altri operatori
FlashProve si inserisce in una linea di ricerca già sviluppata da università e imprese specializzate nella crittografia applicata all’apprendimento automatico.
Nel proprio rapporto, Anthropic richiama zkLLM, un progetto del 2024 che aveva dimostrato la possibilità di generare prove per Llama 2 da 13 miliardi di parametri.
Tra i lavori successivi cita VerInf, che ha sperimentato prove su Llama 4 Maverick, e DeepProve, un sistema progettato per certificare sequenze generate da modelli linguistici.
Anthropic segnala anche i risultati dichiarati da Attestable, che nel 2026 ha raggiunto velocità comprese tra 53 e 77 token al secondo nella produzione di prove per Gemma 4 da 31 miliardi di parametri.
Le prestazioni non sono direttamente confrontabili, perché variano modelli, architetture, hardware e procedure di verifica.
Questi sviluppi indicano comunque un interesse crescente per le tecnologie che permettono di controllare i calcoli eseguiti dall’intelligenza artificiale senza accedere ai parametri proprietari.
La trasparenza dei modelli e le regole europee
La ricerca di Anthropic interessa anche il quadro normativo europeo.
L’AI Act ha introdotto obblighi specifici per i fornitori di modelli di intelligenza artificiale per finalità generali, tra cui documentazione tecnica, informazioni per gli operatori che integrano i modelli nei propri servizi e obblighi relativi al diritto d’autore.
Le disposizioni sui modelli di uso generale sono applicabili dal 2 agosto 2025, con l’avvio dei relativi poteri di controllo e applicazione delle sanzioni dal 2 agosto 2026, secondo la documentazione della Commissione europea.
L’articolo 50 del regolamento disciplina inoltre specifici obblighi di trasparenza, tra cui l’informazione agli utenti che interagiscono con sistemi di intelligenza artificiale e la marcatura di determinati contenuti sintetici.
FlashProve affronta però un problema differente. Le regole sulla riconoscibilità dei contenuti generati dall’intelligenza artificiale non equivalgono alla dimostrazione crittografica che una risposta provenga da uno specifico insieme di parametri.
La tecnologia potrebbe diventare uno strumento aggiuntivo per verifiche e audit, ma l’AI Act non impone l’utilizzo di FlashProve né di uno specifico sistema di prova crittografica dell’inferenza.
Un riferimento complementare è lo standard C2PA, sviluppato per documentare origine e modifiche dei contenuti digitali. Anche in questo caso, la certificazione della provenienza di un file va distinta dalla verifica matematica dell’esecuzione di un modello.
Dalla fiducia nelle dichiarazioni alla verifica dei servizi
L’applicazione commerciale di FlashProve dipenderà soprattutto dalla capacità di ridurre il costo delle prove, ampliare i modelli supportati e garantire la corrispondenza tra le dimostrazioni matematiche e il software utilizzato.
Una maggiore efficienza potrebbe permettere ai fornitori di offrire livelli di servizio differenti, riservando la verifica crittografica alle operazioni più sensibili oppure ai clienti che la richiedono espressamente.
Resterebbe necessario stabilire come registrare in modo affidabile l’identità dei modelli e collegare le impronte crittografiche alle versioni commerciali effettivamente distribuite.
Per le imprese che acquistano intelligenza artificiale, il beneficio potenziale riguarda la possibilità di verificare una caratteristica oggi affidata prevalentemente alla fiducia nel fornitore.
FlashProve non dimostra che una risposta sia corretta. Può invece dimostrare, entro i limiti del protocollo, quale modello l’abbia generata. È questa distinzione a rendere la ricerca rilevante per l’economia dei servizi di intelligenza artificiale, dove la qualità dichiarata di un prodotto e l’identità del sistema effettivamente utilizzato hanno conseguenze dirette sul valore del contratto.
Partecipa alla community