Due ricercatori hanno lasciato Anthropic dopo appena un anno e hanno fondato Mirendil, raccogliendo 200 milioni di dollari con una valutazione di 1 miliardo. La scommessa è chiara: portare sul mercato quella capacità di auto-miglioramento che oggi i grandi laboratori di AI usano esclusivamente per sé.

Il segreto di casa diventa prodotto

I principali laboratori di ricerca—da Anthropic a OpenAI, passando per DeepMind—condividono una convinzione: il modo più rapido per ottenere modelli migliori è usare l’AI stessa per allenare l’AI. Si tratta di tecniche come il reinforcement learning con feedback umano, la generazione di dati sintetici e il fine-tuning iterativo, tutte orientate a far sì che ogni nuova iterazione del modello produca dati di addestramento più ricchi e allineati agli obiettivi. Questi metodi sono considerati un vantaggio competitivo e restano lontani dagli scaffali delle soluzioni commerciali.

Mirendil vuole colmare questo vuoto. Non si tratta di vendere un LLM già pronto, ma di fornire l’infrastruttura intellettuale—e probabilmente software—perché un’organizzazione possa innescare un ciclo di miglioramento continuo sui propri modelli. L’idea è tanto semplice quanto ambiziosa: ciò che Anthropic e soci fanno per sé stessi, Mirendil intende offrirlo a chiunque abbia dati proprietari e la volontà di costruire un vantaggio specifico di dominio.

Cosa comporta l’auto-miglioramento per un’azienda

Implementare processi di self-improvement non è un upgrade banale. Serve un’architettura capace di gestire più pipeline parallele: inference per generare output, valutazione automatizzata della qualità, raccolta di segnali di preferenza (umani o simulati), e nuova fase di training. In un contesto on-premise o self-hosted, questo si traduce in un moltiplicatore di carico computazionale. Non basta più una GPU per l’inference; serve un cluster che possa alternare cicli di training e valutazione senza strozzature.

Chi valuta un deployment di questo tipo deve affrontare trade-off che AI-RADAR analizza abitualmente nei suoi framework per LLM on-premise. La scelta tra cloud e infrastruttura locale ruota attorno a tre assi: sovranità dei dati, prevedibilità dei costi nel lungo periodo e capacità di personalizzare l’hardware per carichi specifici. I laboratori che sviluppano queste tecniche operano su migliaia di GPU interconnesse con reti ad alta banda. Trasferire una frazione di quella complessità in azienda richiede attenzione a ogni componente dello stack, dalla quantization dei modelli ai sistemi di orchestrazione.

Il nodo della sovranità e della proprietà intellettuale

L’ascesa di startup come Mirendil si inserisce in una tendenza più ampia: il mercato cerca modi per replicare le capacità interne dei giganti senza cedere il controllo sui dati. In settori regolamentati—finanza, sanità, difesa—l’idea di addestrare un modello su dati sensibili usando API esterne è spesso inaccettabile. Un sistema di auto-miglioramento che giri interamente su infrastruttura di proprietà ha il potenziale per sbloccare casi d’uso oggi impraticabili. Tuttavia, porta con sé costi operativi e di integrazione che raramente vengono catturati da un semplice TCO hardware.

L’operazione Mirendil, con la sua valutazione miliardaria dopo appena un seed round, indica che investitori e imprese intravedono un mercato di nicchia ad alto valore. L’esito dipenderà dalla capacità di incapsulare ricette complesse in prodotti gestibili senza un esercito di ricercatori. Per le aziende significa entrare nell’era in cui l’AI non è solo un servizio da consumare, ma un processo produttivo da internalizzare.

Oltre il finanziamento: quale direzione per chi sviluppa on-premise

L’apparizione di attori che mettono a disposizione tecniche di self-improving cambia il panorama per chi pianifica un’infrastruttura AI di proprietà. Non si tratta più solo di selezionare un modello pre-addestrato e metterlo in produzione; il ciclo di vita si allunga e richiede feedback loop continui. Questo sposta la discussione dalla potenza di calcolo per il training iniziale alla sostenibilità di un sistema che impara giorno dopo giorno.

AI-RADAR dedica ampi approfondimenti alle scelte architetturali per questo genere di workload, confrontando soluzioni di serving, strategie di quantization e profili di latenza in ambienti self-hosted. Il messaggio per i decisori tecnicici è che il self-improving non si compra semplicemente con un finanziamento: va costruito su basi solide di infrastruttura, competenze e governo dei dati. La partita, insomma, è appena cominciata.