L'accelerazione dell'AI e le sue contraddizioni

Chi segue le notizie sull'intelligenza artificiale si trova spesso di fronte a narrazioni contrastanti: una corsa all'oro, una bolla speculativa, una minaccia per i posti di lavoro o una tecnicia ancora immatura. Il rapporto annuale AI Index 2026, pubblicato dallo Stanford University's Institute for Human-Centered Artificial Intelligence, si propone di fare chiarezza in questo panorama complesso. Nonostante le previsioni di un possibile rallentamento, il documento evidenzia come i Large Language Models (LLM) di punta continuino a migliorare a ritmi serrati, superando le aspettative.

L'adozione dell'AI sta avvenendo più rapidamente rispetto a quella del personal computer o di internet, con aziende che generano ricavi a una velocità inedita per i precedenti boom tecnicici. Tuttavia, questa crescita esponenziale è accompagnata da investimenti massicci, nell'ordine di centinaia di miliardi di dollari, destinati a data center e chip. I benchmark progettati per misurare i progressi dell'AI, le politiche volte a governarla e il mercato del lavoro faticano a tenere il passo. L'AI avanza a ritmi serrati, mentre il resto del mondo fatica a tenere il passo.

Costi infrastrutturali e fragilità della supply chain

Questa accelerazione comporta costi significativi, soprattutto in termini di risorse. I data center AI a livello globale assorbono attualmente 29,6 gigawatt di energia, una quantità sufficiente a soddisfare la domanda di picco dell'intero stato di New York. Il consumo annuale di acqua per il solo funzionamento di GPT-4o di OpenAI potrebbe superare il fabbisogno di acqua potabile di 12 milioni di persone. Per le organizzazioni che valutano un deployment on-premise, questi dati sottolineano l'importanza di un'attenta analisi del TCO, che deve includere non solo i costi di acquisizione hardware, ma anche le spese operative legate all'energia e al raffreddamento.

Parallelamente, la catena di fornitura dei chip si rivela estremamente fragile. Gli Stati Uniti ospitano la maggior parte dei data center AI globali, ma un'unica azienda taiwanese, TSMC, produce quasi tutti i chip AI di punta. Questa dipendenza critica evidenzia un punto di vulnerabilità strategica per l'infrastruttura AI mondiale. La competizione geopolitica tra Stati Uniti e Cina è quasi alla pari per quanto riguarda le performance dei modelli AI, con gli USA che vantano modelli più potenti, maggiori capitali e un numero di data center dieci volte superiore a qualsiasi altro paese, mentre la Cina eccelle in pubblicazioni di ricerca, brevetti e robotica. Questa dinamica rende la sovranità dei dati e il controllo sull'infrastruttura ancora più cruciali per le aziende e i governi.

L'evoluzione dei modelli e le sfide dei benchmark

Nonostante le previsioni di un plateau, i modelli AI continuano a migliorare costantemente. In alcune misurazioni, raggiungono o superano le prestazioni degli esperti umani in test che valutano la comprensione scientifica, matematica e linguistica a livello di dottorato. Ad esempio, il benchmark SWE-bench Verified per l'ingegneria del software ha visto i punteggi massimi salire da circa il 60% nel 2024 a quasi il 100% nel 2025. Tuttavia, l'AI mostra ancora una cosiddetta "intelligenza frastagliata", faticando in aree che richiedono esperienza nel mondo fisico; i robot, ad esempio, riescono solo nel 12% delle attività domestiche.

Un aspetto critico evidenziato dal rapporto è l'inadeguatezza degli attuali benchmark. Molti sono obsoleti, mal costruiti (un popolare benchmark matematico ha un tasso di errore del 42%) o possono essere manipolati, con i modelli che imparano a ottenere buoni punteggi senza necessariamente diventare più intelligenti. Inoltre, le aziende AI condividono sempre meno informazioni sui metodi di training, sul numero di parametri o sulle dimensioni dei dataset, rendendo difficile per i ricercatori indipendenti studiare la sicurezza e l'affidabilità dei modelli. Questa mancanza di trasparenza è particolarmente problematica per chi deve valutare l'idoneità di un LLM per carichi di lavoro sensibili, specialmente in contesti air-gapped o con stringenti requisiti di compliance.

Impatto sul lavoro e complessità della regolamentazione

L'AI è stata adottata da oltre la metà della popolazione mondiale e dall'88% delle organizzazioni, con quattro studenti universitari su cinque che ne fanno uso. Sebbene sia ancora presto per misurare l'impatto complessivo sul mercato del lavoro, alcuni studi suggeriscono che l'AI stia iniziando a influenzare i lavoratori più giovani in determinate professioni. Ad esempio, l'occupazione per gli sviluppatori software tra i 22 e i 25 anni è diminuita di quasi il 20% dal 2022. Le aziende prevedono che l'AI ridurrà la forza lavoro in settori come i servizi, la supply chain e l'ingegneria del software, pur aumentando la produttività in aree come il servizio clienti (+14%) e lo sviluppo software (+26%).

La percezione pubblica sull'AI è complessa e ambivalente: il 59% delle persone ritiene che porterà più benefici che svantaggi, ma il 52% si dichiara nervoso. Esiste un divario significativo tra esperti e pubblico, in particolare sull'impatto dell'AI sul lavoro (73% degli esperti ottimisti contro il 23% del pubblico). I governi di tutto il mondo faticano a regolamentare l'AI, anche se si registrano alcuni progressi, come le prime proibizioni dell'EU AI Act e nuove leggi nazionali in Giappone, Corea del Sud e Italia. Negli Stati Uniti, mentre il governo federale si muove verso la deregolamentazione, le legislature statali hanno approvato un numero record di 150 leggi sull'AI nel 2025. Tuttavia, la regolamentazione è in ritardo rispetto alla tecnicia, principalmente perché non si comprende ancora appieno il funzionamento di questi sistemi complessi.