Anthropic è in trattative per acquisire Decart AI per circa 6 miliardi di dollari, secondo indiscrezioni riportate da Bloomberg. I colloqui sono ancora preliminari e potrebbero non portare a un accordo; nessuna delle due società ha commentato pubblicamente la possibile operazione.
Al di là delle dimensioni finanziarie, il profilo tecnologico di Decart permette di individuare una forte complementarità con Anthropic. La startup israeliana, fondata nel 2023, sviluppa contemporaneamente infrastruttura per ottimizzare training e inferenza dell’intelligenza artificiale e modelli che richiedono capacità di calcolo ad alta intensità e bassa latenza. Le tre principali linee tecnologiche sono Decart Optimization Stack, DOS, per sfruttare più efficacemente gli acceleratori AI, Lucy per la trasformazione video in tempo reale e Oasis per generare ambienti interattivi destinati alla physical AI.
Nel maggio 2026 Decart ha raccolto 300 milioni di dollari in un round guidato da Radical Ventures, con NVIDIA, Atreides Management, Valor Equity Partners, Adobe Ventures, Toyota Ventures ed eBay Ventures tra i nuovi investitori e Sequoia Capital, Benchmark e Zeev Ventures tra quelli già presenti. La società dichiarava allora di aver superato 450 milioni di dollari complessivamente raccolti.
Una possibile acquisizione da 6 miliardi collocherebbe quindi Decart su una scala molto superiore rispetto ai suoi precedenti round. Per Anthropic, tuttavia, il valore industriale può essere letto soprattutto nella capacità di Decart di intervenire su uno dei vincoli più importanti dei sistemi AI contemporanei: ottenere più inferenza dalla capacità computazionale disponibile, riducendo contemporaneamente latenza e costo per task.
DOS interviene tra modello e acceleratore
Il Decart Optimization Stack comprende tecnologie che intervengono lungo diversi livelli dell’esecuzione dei modelli: progettazione hardware-aware, kernel personalizzati, compilatori proprietari, ottimizzazione dell’inferenza, profiling e simulazione.
Il principio è sfruttare una quota maggiore delle prestazioni teoricamente disponibili sull’acceleratore. La capacità nominale di una GPU o di un altro chip AI non determina infatti da sola la velocità di un modello: architettura, bandwidth della memoria, precisione numerica, implementazione dei kernel, attention e comunicazione tra dispositivi possono lasciare inutilizzata una parte significativa delle risorse.
DOS supporta GPU NVIDIA, Google TPU, Amazon Trainium, acceleratori AMD e altre architetture, permettendo di adattare le ottimizzazioni al dispositivo utilizzato dal cliente senza richiedere necessariamente la sostituzione dell’infrastruttura esistente.
Decart offre sia ottimizzazioni applicabili a classi di workload sia interventi specifici, compresi custom kernel development e compiler tuning, oltre a strumenti di profiling e simulazione che consentono di misurare il comportamento del workload sull’hardware.
L’indipendenza dall’architettura del chip assume particolare rilevanza per i grandi sviluppatori di modelli, che stanno distribuendo training e inference su acceleratori differenti per controllare costi, disponibilità e dipendenza dai fornitori.
DOS 2.0 misura le prestazioni sugli agenti
Con DOS 2.0, presentato a maggio, Decart ha esteso lo stack a LLM, agenti, video generativo e world model.
La società dichiara oltre 1.600 token al secondo nell’inferenza agentica, confrontati con una media di settore indicata dalla stessa Decart intorno ai 200 token al secondo, e fino a 100 frame al secondo per inferenza Full HD su video e world model. Sono benchmark del produttore e il loro significato dipende da modello, hardware, batch size e configurazione utilizzati; descrivono però con chiarezza il tipo di problema sul quale Decart sta lavorando.
La latenza diventa particolarmente importante con gli agenti perché un singolo task può richiedere molte inferenze consecutive. Un sistema agentico può interrogare il modello, utilizzare uno strumento, leggere il risultato, aggiornare il piano e interrogare nuovamente il modello decine o centinaia di volte prima di completare il lavoro.
Il tempo richiesto dalla singola inferenza si accumula quindi lungo l’intera traiettoria dell’agente, mentre lo stesso fenomeno moltiplica anche il consumo computazionale. Throughput e latenza incidono direttamente sia sull’esperienza dell’utente sia sul costo economico dell’esecuzione.
Anthropic sta acquistando capacità computazionale su scala gigawatt
Il possibile interesse per Decart coincide con un’espansione molto consistente dell’infrastruttura di Anthropic. Nell’aprile 2026 la società ha annunciato un accordo con Amazon per assicurarsi fino a 5 GW di nuova capacità computazionale destinata al training e all’esecuzione di Claude.
Anthropic dichiara di utilizzare già più di un milione di chip Trainium2 e prevede quasi 1 GW complessivo di capacità Trainium2 e Trainium3 entro la fine del 2026. L’accordo comporta inoltre un impegno superiore a 100 miliardi di dollari nell’arco di dieci anni verso tecnologie AWS, comprendendo diverse generazioni di Trainium e Graviton.
La stessa Anthropic ha collegato questa espansione alla crescita dell’utilizzo di Claude. Nell’aprile 2026 dichiarava un run-rate revenue superiore a 30 miliardi di dollari, rispetto a circa 9 miliardi alla fine del 2025, e riconosceva che l’aumento della domanda aveva esercitato pressione su affidabilità e performance dell’infrastruttura nei periodi di picco.
Su una base computazionale di questa dimensione, aumentare l’utilizzazione effettiva dell’hardware o ridurre il numero di acceleratori necessari per eseguire un workload può avere conseguenze economiche molto più importanti rispetto al guadagno osservabile su una singola macchina.
Decart conosce già Trainium
Il collegamento con l’infrastruttura Anthropic diventa ancora più concreto attraverso Amazon Trainium. Decart collabora con AWS e Annapurna Labs e ha adattato i propri modelli all’architettura dei chip Amazon.
Nel round di maggio, Decart ha dichiarato che Lucy 2 era già in esecuzione su Trainium3 e ha riportato per quella configurazione un Model FLOPS Utilization superiore all’80%. Il dato è associato alla collaborazione tecnica con AWS e non costituisce una misura indipendente, ma mostra una competenza specifica nell’ottimizzazione del tipo di acceleratore sul quale Anthropic sta impegnando una quota crescente della propria infrastruttura.
Il Model FLOPS Utilization, MFU, misura quanta parte della capacità teorica di calcolo del chip viene effettivamente utilizzata per le operazioni del modello. Una percentuale più elevata indica che una quota maggiore dell’hardware disponibile produce calcoli utili invece di rimanere inattiva a causa di colli di bottiglia software, memoria o comunicazione.
L’eventuale acquisizione potrebbe quindi portare dentro Anthropic competenze già esercitate sulla stessa famiglia di acceleratori che la società utilizza per training e serving di Claude.
Lucy 2.5 modifica un video mentre viene trasmesso
Lucy 2.5, pubblicato nel luglio 2026, applica lo stack di ottimizzazione di Decart a un problema nel quale la latenza è vincolante: modificare un flusso video mentre viene generato.
Decart dichiara per il modello 30 frame al secondo a 1080p. Lucy riceve un video live e può modificare continuamente elementi della scena attraverso prompt testuali e immagini di riferimento, intervenendo su personaggi, abbigliamento, oggetti, effetti visivi e ambiente.
Un personaggio può essere sostituito mantenendone il movimento, l’abbigliamento può cambiare durante la ripresa, un elemento può essere rimosso ricostruendo lo sfondo e l’intera scena può essere trasformata mantenendo geometria e identità dei soggetti.
Le applicazioni indicate da Decart comprendono virtual try-on, pubblicità dinamica, streaming, gaming e personalizzazione live del video. Tutte richiedono tempi di elaborazione molto diversi da quelli di un generatore video offline: il frame modificato deve arrivare abbastanza rapidamente da mantenere la continuità dell’interazione.
Self-Anchoring mantiene stabile la modifica
I video generati autoregressivamente presentano un problema di accumulo dell’errore: ogni nuovo frame dipende in parte da output precedenti e piccole incoerenze possono amplificarsi lungo la sequenza.
Lucy 2.5 utilizza una tecnica denominata Self-Anchoring. Dopo l’avvio della trasformazione, il modello adotta come nuovo riferimento uno snapshot del proprio output già modificato, prodotto nelle condizioni reali di illuminazione, inquadratura e movimento della scena.
In questo modo il segnale utilizzato per mantenere la trasformazione rimane più vicino ai frame effettivamente generati. Decart combina Self-Anchoring con Smart History Augmentation per conservare più stabilmente identità, geometria e texture nelle sequenze prolungate.
Il livello di inferenza utilizza inoltre quantizzazione MXFP8 e NVFP4, dynamic sparse attention e kernel fusion. La sparse attention elimina dinamicamente una parte dei calcoli considerati ridondanti, mentre la fusione dei kernel riduce overhead di lancio e trasferimenti verso la High Bandwidth Memory.
Lucy costituisce quindi anche una dimostrazione del rapporto tra le due aree di Decart: la capacità generativa del modello dipende dalle ottimizzazioni software necessarie per eseguirlo con la latenza richiesta dal video live.
Oasis 3 genera ambienti interattivi per la physical AI
Oasis 3 applica lo stesso principio ai world model, modelli che generano l’evoluzione di un ambiente in risposta alle azioni compiute al suo interno.
La prima applicazione riguarda la guida autonoma. Un prompt può specificare geografia, condizioni meteorologiche, illuminazione, traffico e caratteristiche della scena; il sistema riceve successivamente segnali di controllo come sterzo e accelerazione e produce in tempo reale gli stati successivi dell’ambiente.
Il modello genera viste sincronizzate da più telecamere sulla base di uno stesso stato del mondo, permettendo all’agente di agire, osservare la conseguenza e scegliere l’azione successiva in un ciclo chiuso.
Decart dichiara per Oasis 3 22 frame al secondo su tre stream da 512 × 768 pixel e una latenza end-to-end inferiore a 200 millisecondi. Il modello è disponibile tramite API ed è utilizzabile anche come ambiente per reinforcement learning.
La distinzione rispetto al video generativo è importante: un filmato viene prodotto secondo una sequenza e successivamente riprodotto, mentre un world model deve aggiornare continuamente l’ambiente in funzione delle azioni ricevute, mantenendo abbastanza coerenza da consentire a un agente di apprendere o essere valutato al suo interno.
La simulazione permette di moltiplicare gli edge case
Robotica e guida autonoma richiedono esposizione a situazioni rare, costose o pericolose da riprodurre sistematicamente nel mondo reale. Neve, scarsa visibilità, comportamento anomalo degli altri veicoli o ostacoli improvvisi possono essere generati attraverso il prompt e ripetuti in differenti varianti.
Oasis 3 permette di modificare queste condizioni senza dover registrare fisicamente ogni scenario e mantiene un’interazione closed-loop, nella quale le azioni dell’agente influenzano direttamente ciò che viene generato dopo.
Decart indica applicazioni per reinforcement learning online, valutazione delle policy e teleoperazione, iniziando dai veicoli autonomi e prevedendo l’estensione a droni, veicoli off-road, sistemi marittimi e robot umanoidi.
Il vantaggio potenziale dipende però ancora una volta dall’economia dell’inferenza. Generare grandi quantità di simulazione interattiva richiede un numero enorme di frame e quindi molta capacità computazionale: la possibilità di usare world model su larga scala dipende direttamente dall’efficienza con cui quei frame possono essere prodotti.
Un’unica architettura collega DOS, Lucy e Oasis
Le tre linee di Decart condividono la stessa base tecnica. DOS interviene sull’efficienza dell’hardware, Lucy utilizza quella capacità per trasformare video live e Oasis la applica alla generazione continua di ambienti interattivi.
Decart integra quindi progettazione dei modelli, data pipeline, kernel, compilatori, inferenza e prodotto finale, evitando una separazione netta tra ricerca sul modello e sistema che deve eseguirlo in produzione.
Questa struttura rende la società interessante anche indipendentemente dal video generativo. Un’acquisizione potrebbe portare ad Anthropic performance engineering, ottimizzazione dei compilatori e dei kernel, esperienza multi-hardware e competenze su workload real time, insieme a ricerca e prodotti nei world model.
Lucy e Oasis aggiungono una dimensione multimodale e physical AI oggi distante dal nucleo di Claude, ma un loro eventuale impiego nei prodotti Anthropic rimane puramente ipotetico: nessuna integrazione è stata annunciata e la stessa acquisizione è ancora oggetto di indiscrezioni.
Anthropic ha già acquisito infrastruttura e tecnologie per gli agenti
Una possibile operazione Decart sarebbe coerente con diverse acquisizioni realizzate da Anthropic nell’ultimo anno.
Nel dicembre 2025 la società ha acquisito Bun, runtime JavaScript che integra runtime, package manager, bundler e test runner e viene utilizzato anche nell’infrastruttura di Claude Code.
Nel febbraio 2026 è stata la volta di Vercept, il cui team si è unito ad Anthropic per lavorare sulla capacità di Claude di percepire e interagire con le applicazioni attraverso computer use.
A maggio Anthropic ha poi acquisito Stainless, specializzata nella generazione di SDK, CLI e server MCP a partire dalle specifiche API, rafforzando il livello con cui Claude e gli agenti possono collegarsi a dati e strumenti.
Le tre operazioni hanno incorporato competenze sull’infrastruttura dello sviluppo software, sull’interazione degli agenti con le applicazioni e sull’accesso programmatico a sistemi esterni. Decart aggiungerebbe un livello ancora più vicino all’esecuzione dei modelli e agli acceleratori che la sostengono, oltre a una linea di ricerca nei world model.
Sei miliardi per una tecnologia che interviene sull’economia del compute
Il possibile prezzo di circa 6 miliardi di dollari appare elevato per una società fondata nel 2023, ma Anthropic sta già assumendo impegni infrastrutturali misurati in decine di miliardi di dollari e gigawatt di capacità.
Quando un servizio utilizza più di un milione di acceleratori, anche miglioramenti percentuali nell’utilizzazione dell’hardware possono tradursi in quantità rilevanti di capacità liberata, riduzione dei costi o aumento del volume di inferenza disponibile.
È questa la parte di Decart più direttamente collegabile alle esigenze attuali di Anthropic. DOS lavora sul rapporto tra modello, software di sistema e chip; Lucy e Oasis dimostrano la stessa tecnologia su workload nei quali bassa latenza e generazione continua sono requisiti fondamentali.
La possibile acquisizione resta un rumor e i colloqui potrebbero interrompersi senza produrre alcuna operazione. Il profilo tecnico di Decart indica però perché una startup conosciuta soprattutto per video real time e world model possa avere un valore strategico per Anthropic: le sue tecnologie intervengono sul livello che determina quanto velocemente, con quale costo e su quali acceleratori possono essere eseguiti modelli e agenti su larga scala.
