Queste startup americane stanno aiutando la Cina nella corsa all’intelligenza artificiale

Quando, quest’anno, i team commerciali delle principali startup della Silicon Valley specializzate nell’etichettatura dei dati hanno partecipato all’International Conference on Machine Learning di Seul, in Corea del Sud, erano pronti a conquistare i maggiori investitori del settore. Queste aziende, che nel complesso valgono decine di miliardi di dollari e generano miliardi di ricavi annuali fornendo dati di addestramento a clienti come OpenAI e Anthropic, sono abituate a lavorare con laboratori di AI notoriamente esigenti, imprevedibili e difficili da soddisfare.

A Seul hanno però trovato un altro cliente particolarmente interessato: l’industria cinese dell’intelligenza artificiale. Alcune aziende cinesi si sono presentate con vere e proprie liste della spesa. Tencent — che in passato è stata indicata dal governo statunitense come società collegata all’esercito cinese, definizione contestata dall’azienda — ha distribuito ai potenziali fornitori una richiesta dettagliata di dati di addestramento nei settori della finanza, della cybersicurezza e di uno degli obiettivi più ambiziosi della ricerca sull’AI: sistemi capaci di migliorarsi autonomamente.

Il valore strategico dei dati di addestramento

Se da anni gli Stati Uniti vietano alla Cina l’acquisto dei chip necessari ad alimentare i modelli di AI più avanzati, non hanno adottato le stesse precauzioni per i dati utilizzati per addestrarli. Si tratta di competenze umane confezionate in dataset specializzati, costruiti attraverso reti di esperti, criteri di valutazione e controlli di qualità, che insegnano ai modelli a svolgere attività professionali complesse, come la modellazione finanziaria o la programmazione. Un mercato che vale centinaia di milioni di dollari all’anno e che sta contribuendo a ridurre il divario tra i modelli cinesi e quelli statunitensi.

“Dopo la capacità di calcolo necessaria per addestrare i modelli, la qualità dei dati è l’elemento più importante”, ha dichiarato a Forbes Nathan Lambert, ex ricercatore dell’Allen Institute for AI. “Man mano che i modelli vengono impiegati in ambiti sempre più complessi, disporre di dati di alta qualità è il fattore con il maggiore impatto sulla loro efficacia”.

Documenti e comunicazioni tra acquirenti di laboratori cinesi e dipendenti di piattaforme americane come Surge AI e Mercor, esaminati da Forbes, rivelano un mercato silenzioso da centinaia di milioni di dollari dedicato ai dataset di addestramento. Le stesse startup statunitensi che riforniscono OpenAI, Anthropic e, in alcuni casi, enti federali americani, stanno infatti fornendo dati anche ai principali laboratori di Pechino. Sempre più spesso, la Silicon Valley sta addestrando entrambi i fronti della corsa globale all’intelligenza artificiale.

Come la Cina accelera lo sviluppo dei propri modelli

Per i laboratori cinesi che puntano a raggiungere le prestazioni dei modelli americani esistono tre scorciatoie principali. La prima consiste nell’assumere ricercatori provenienti dagli Stati Uniti. La seconda è la cosiddetta distillation, ovvero utilizzare gli output di ChatGpt o Claude per addestrare nuovi modelli cinesi. Pur non essendo illegale, questa pratica viola espressamente i termini di servizio di OpenAI e Anthropic ed è stata recentemente segnalata anche dal consigliere scientifico dell’amministrazione Trump, Michael Kratsios.

La terza strada è più semplice e non presenta particolari rischi normativi: acquistare gli stessi dataset che i laboratori americani comprano dagli stessi fornitori.

Insegnare a un modello di AI a svolgere attività complesse, come la contabilità avanzata o i protocolli di laboratorio, non significa soltanto raccogliere esempi di lavoro. Il vero valore risiede nelle specifiche dei dataset: quali informazioni privilegiare, come strutturare gli esercizi e quali criteri utilizzare per guidare il modello nell’apprendimento delle attività professionali. Acquistando questi dataset, i laboratori cinesi ottengono anche il patrimonio di competenze e giudizi professionali sviluppato dalla Silicon Valley.

Sean Cai, consulente specializzato nei dati per l’intelligenza artificiale e autore di un blog dedicato ai dataset e al reinforcement learning, sintetizza così la situazione: “Se si analizza davvero l’industria dei dati in Cina e l’intera catena di approvvigionamento, ci si rende conto che gran parte degli stessi dati statunitensi che alimentano il progresso dei modelli americani viene venduta anche ai laboratori cinesi”.

Una filiera da 500 milioni di dollari

Secondo Forbes, questa filiera collega direttamente le aziende americane specializzate nell’etichettatura dei dati ai principali gruppi tecnologici cinesi, tra cui Tencent. In un messaggio visionato dalla rivista, un responsabile degli acquisti dati di Tencent afferma che l’azienda si affida a Surge AI — tra i cui clienti figurano l’esercito e l’aeronautica statunitensi, oltre ad Anthropic — per la fornitura di dati. Anche Mercor, che recentemente ha comunicato ai propri dipendenti di aver ottenuto un contratto con il governo federale degli Stati Uniti, lavora con Tencent.

Altre comunicazioni mostrano sovrapposizioni analoghe. Un dirigente di Ant Group, la società fintech che controlla Alipay, ha riconosciuto una stretta collaborazione con AfterQuery. Trascrizioni audio di conversazioni con un dipendente di Alibaba indicano accordi commerciali con AfterQuery e Mercor. Documentazione interna suggerisce inoltre che la startup americana Turing abbia collaborato con ByteDance, la casa madre cinese di TikTok.

ByteDance, Alibaba, Moonshot, Tencent e Ant Group non hanno risposto alle richieste di commento. Mercor ha rifiutato di commentare. AfterQuery e Surge hanno dichiarato di non divulgare informazioni sui clienti. Turing ha invece affermato: “Lavoriamo con l’avanguardia dell’intelligenza artificiale, sia nel mondo dei modelli proprietari sia in quello open source. Crediamo che entrambi continueranno a crescere e che oggi alcuni dei migliori modelli open source provengano da laboratori al di fuori degli Stati Uniti”.

Secondo due imprenditori del settore, i sei principali laboratori cinesi spendono complessivamente circa 500 milioni di dollari all’anno presso aziende americane specializzate nell’etichettatura dei dati. Una fonte che ha lavorato con diversi laboratori sostiene inoltre che questi non si considerino concorrenti negli acquisti, ma parte di un unico bacino di domanda interessato ai migliori dataset occidentali.

Dataset standardizzati e margini elevati

Le aziende statunitensi non sembrano avere particolari remore a vendere questi dati. Secondo una fonte a conoscenza dei fatti, nel secondo trimestre i ricavi di Mercor provenienti dai laboratori cinesi rappresentavano circa il 2% del fatturato complessivo. L’azienda, il cui fatturato annualizzato ha superato i 2 miliardi di dollari a giugno, ha anche assunto un responsabile dedicato al mercato cinese.

Una quota ancora più significativa del business di AfterQuery — almeno 50 milioni di dollari di ricavi ricorrenti — proverrebbe dai laboratori cinesi. Surge AI, invece, avrebbe coltivato attivamente questi rapporti, con il ceo Edwin Chen che si è recato personalmente in Cina per incontrare i dirigenti delle aziende locali.

Oltre ai progetti personalizzati, i fornitori vendono anche i cosiddetti dataset Off-the-Shelf (Ots), ovvero pacchetti standardizzati e preconfezionati destinati a essere rivenduti a più clienti. Sebbene possano sembrare prodotti generici, questi dataset vengono realizzati utilizzando gli stessi processi, le stesse reti di esperti e gli stessi sistemi di controllo qualità sviluppati durante i progetti su misura per OpenAI o Anthropic.

Di conseguenza, le aziende cinesi che li acquistano beneficiano delle stesse competenze, degli stessi criteri di valutazione e delle stesse metodologie utilizzate per addestrare i principali modelli americani, evitando mesi di sperimentazione. “Bisogna capire che la struttura di questi dati deriva spesso dalle stesse aziende che hanno contribuito a definire le strategie iniziali di crescita di Anthropic”, spiega Cai. “Per un fornitore che ha lavorato con Anthropic è estremamente semplice utilizzare la stessa infrastruttura per produrre dati destinati a un laboratorio cinese.”

Per i fornitori di dati, i dataset Ots rappresentano anche il prodotto più redditizio, perché possono essere rivenduti più volte. Secondo un dirigente che ha avuto contatti con laboratori cinesi, questi ultimi chiedono esplicitamente di acquistare gli stessi dati già comprati dalle aziende statunitensi. Max Gazor, fondatore del fondo Striker Vc e investitore in numerose startup americane dell’intelligenza artificiale, riconosce che questa realtà pone interrogativi complessi: “La considero soprattutto una decisione etica: scegliere se vendere o meno questi dati alle aziende cinesi dell’intelligenza artificiale.”

Un vuoto normativo

Negli ultimi anni Washington ha costruito una vera e propria barriera geopolitica attorno ai chip più avanzati. Le competenze umane incorporate nei dati di addestramento, invece, continuano ad attraversare i confini quasi senza alcun controllo.

Questa situazione ha favorito la crescita di piattaforme come Mercor, fondata nel 2023 e oggi vicina a una valutazione di 20 miliardi di dollari, e Surge AI, che secondo indiscrezioni varrebbe almeno 25 miliardi. Anche AfterQuery, arrivata più tardi sul mercato, sarebbe passata in soli tre mesi da circa 100 milioni a diverse centinaia di milioni di dollari di ricavi ricorrenti annuali. Sebbene la maggior parte del fatturato provenga ancora da clienti americani, le vendite all’estero rappresentano una fonte di ricavi sempre più interessante.

Per alcuni osservatori, la vendita di dataset alla Cina è ormai una questione di sicurezza nazionale. “Alcune aziende che producono dati lavorano con Paesi avversari, e oggi ne vediamo i risultati in Kimi K3”, ha scritto recentemente su X Ali Ansari, ceo venticinquenne di Micro1. “È vergognoso parlare di supremazia americana nell’AI e contemporaneamente vendere milioni di dollari di dati a Paesi con cui siamo in competizione strategica”. Micro1 afferma di non vendere dati al di fuori degli Stati Uniti. Anche Scale AI aveva valutato una collaborazione con ByteDance, poi abbandonata nel 2024 per motivi legati alla sicurezza nazionale.

I sostenitori dell’attuale modello ritengono invece che limitare l’esportazione dei dataset rischierebbe di frenare l’innovazione open source a livello globale. “Non è semplice limitare l’esportazione di dati o di intelligenza artificiale senza danneggiare in modo significativo l’ecosistema open source americano”, conclude Cai, precisando di non avere una posizione definitiva sulla questione. “Il rischio è quello di rafforzare ulteriormente il duopolio di OpenAI e Anthropic, con tutti i problemi che ciò comporta”.