Chi misura e chi racconta

Chi misura e chi racconta

Il software diventa effimero, l'agency vale più dell'intelligenza pura, e Block ha già licenziato il quaranta per cento. La settimana in cui le narrazioni sull'AI si sono separate dai dati.

Un analista dice che non esistono dati reali sull'adozione dell'intelligenza artificiale. Il fondatore di Stripe dice di averli, e che dimostrano di essere già dentro la singolarità. Nel mezzo, Jack Dorsey ha mandato a casa quaranta per cento del suo staff senza aspettare che i due si mettessero d'accordo. È il quattordici maggio, e questo è Signal Brief.

Benedict Evans è uno degli osservatori più metodici che il settore tecnologico abbia prodotto. Pubblica analisi da vent'anni, legge i dati con la stessa diffidenza con cui un medico legge un'anamnesi. Qualche giorno fa ha scritto una cosa semplice: non esistono dati operativi reali sull'adozione dell'AI. Le aziende che costruiscono i modelli non pubblicano metriche di utilizzo. Quelle che li adottano non dicono quanto li usino davvero. I segnali che circolano vengono da sondaggi — che misurano le intenzioni, non i comportamenti.

Dall'altra parte c'è Patrick Collison, il fondatore di Stripe. Lui vede ogni transazione che passa sulla sua piattaforma. Sa quante startup nascono, quante sopravvivono, quante guadagnano. E in aprile ha detto qualcosa di molto pesante: è ragionevole aspettarsi che il primo trimestre del 2026 venga ricordato come il primo trimestre della singolarità. Non è retorica — lo dice guardando i numeri di pagamento reali.

Questa frattura — tra chi non trova i dati e chi li ha, tra chi narra e chi misura — è il filo conduttore di questa settimana.

Sotto, tre correnti si intrecciano e si sostengono a vicenda.

La prima: il software sta diventando effimero. Non nel senso che sparisce — nel senso che smette di essere un prodotto da acquistare, conservare e aggiornare, e diventa un gesto. Pensate a come è cambiata la fotografia: fino a trent'anni fa ogni scatto aveva un costo fisico, si aspettavano giorni per vedere le foto sviluppate, ogni immagine pesava. Oggi scattate cento foto per sceglierne una e le scartate non le vede nessuno. Il software sta facendo la stessa transizione. Andrej Karpathy racconta di aver costruito un'app per il suo allenamento cardiaco — non l'ha scaricata, l'ha generata al volo, l'ha usata per otto settimane, poi non esiste più da nessuna parte. Patrick Collison usa un'immagine diversa ma identica nella sostanza: il software dovrebbe funzionare come una pizza fatta al momento, non come qualcosa prodotto industrialmente e stoccato.

La seconda corrente: se il software vale meno come prodotto, dove si sposta il valore? Naval Ravikant ha risposto in una frase che ha fatto circolazione per settimane: il software puro è diventato non-investibile. Se chiunque assembla un'app funzionante in una sessione con un agente AI, non ci sono più barriere. Il valore si sposta dove non puoi copiare — hardware, reti, dati esclusivi.

La terza intuizione è la più sottile: in questo nuovo mondo, la capacità di agire — di decidere, di muoversi, di eseguire — vale più dell'intelligenza pura. John Carmack, uno dei programmatori più rispettati degli ultimi trent'anni, ha scritto qualcosa di apparentemente controintuitivo: una persona di intelligenza media con una capacità di azione eccezionale batterà una persona brillante ma passiva. François Chollet la traduce in modo ancora più diretto: chi usa l'AI come leva cresce, chi le delega il pensiero si atrofizza.

È come la differenza tra un idraulico che conosce ogni cantiere in città e un ingegnere brillante che aspetta che le cose si risolvano da sole. Il vantaggio cognitivo si sta commoditizzando. Quello operativo no.

E mentre tutto questo avviene in modo graduale e distribuito, qualcuno sta già agendo.

Jack Dorsey non è il tipo che aspetta. A febbraio ha licenziato quattromila persone da Block — la sua azienda, quella che gestisce Cash App e i pagamenti digitali. Quaranta per cento dello staff. Citando esplicitamente l'intelligenza artificiale come sostituto strutturale, non come ottimizzazione temporanea.

Ha detto: "Credo che entro un anno la maggioranza delle aziende arriverà alla stessa conclusione." Non una previsione cauta. Una certezza operativa.

Pochi mesi dopo, con Roelof Botha di Sequoia, ha pubblicato un saggio intitolato "Dalla gerarchia all'intelligenza". La tesi è semplice: il management intermedio esiste per instradare informazioni e precomputare decisioni. L'AI elimina quella funzione. La struttura aziendale che conosciamo — con i suoi livelli, i suoi direttori, i suoi responsabili — è paragonata nel saggio alla struttura militare romana. Duemila anni di gerarchia, nata per coordinare eserciti in assenza di comunicazione istantanea. Oggi quella comunicazione istantanea esiste, l'AI la elabora meglio di qualsiasi coordinatore umano, e la gerarchia sopravvive per inerzia più che per utilità.

Dorsey descrive il futuro dell'azienda come una "mini-AGI": un sistema intelligente senza strati permanenti di coordinamento. Le riunioni che erano presentazioni sono diventate sessioni su prototipi con dati reali. I manager sono diventati "player-coach" — persone che fanno e guidano allo stesso tempo, senza un piano permanente di coordinamento sotto di loro.

Quello che colpisce non è la visione — molti hanno visioni simili. È la sequenza. Prima ha licenziato. Poi ha spiegato perché. La maggior parte delle aziende fa il contrario: annuncia i principi e poi, eventualmente, agisce. Dorsey ha saltato il primo passo.

La domanda che resta in sospeso è quella che Sam Altman sta cercando di rispondere dall'altra parte dello stesso problema. Altman propone un piano di redistribuzione sistematica, tasse sul lavoro automatizzato, un fondo pubblico alimentato dalle stesse aziende AI. Lo chiama un nuovo New Deal. I critici lo accusano di costruire copertura retorica per un cambiamento che ha già deciso di lasciare correre.

Quattromila persone che perdono il lavoro citando l'AI non sono una statistica astratta. Sono il costo concreto di una transizione che procede molto più veloce della capacità collettiva di gestirla.

Andrej Karpathy è ingegnere nel senso più preciso del termine — sa com'è fatto l'interno dei modelli, ha lavorato a Tesla e a OpenAI, ha scritto tutorial che milioni di programmatori hanno usato come punto di riferimento. Ma da qualche mese il centro di gravità dei suoi post si è spostato. Meno architetture, più flussi di lavoro. Meno come funzionano i modelli, più come cambia il modo in cui le persone ci lavorano.

L'esperimento cardio è diventato emblematico nel dibattito di questo periodo. Karpathy voleva abbassare la sua frequenza cardiaca a riposo. Invece di cercare un'app, ha chiesto all'AI di costruirne una — su misura, per lui, per quel programma specifico di otto settimane. L'ha usata. Poi è scomparsa. Non esiste più da nessuna parte perché non doveva esistere da nessuna parte: era un gesto, non un prodotto.

Da lì è arrivata la sua tesi: il modello dell'app store è già obsoleto come concetto di riferimento. Non nell'immediato, non per tutti gli usi — ma l'idea che il software si trovi in un catalogo, si scarichi, si impari e si aggiorni è un'idea che appartiene a una logica di produzione che sta cedendo. Karpathy stima che il novantanove per cento dei prodotti e servizi non abbia ancora un equivalente costruito su questa logica nuova. Il che non è una promessa, è una lacuna enorme.

L'altro segnale che vale la pena riportare riguarda il suo modo di lavorare. Oggi l'ottanta per cento del suo codice passa attraverso agenti AI. Il venti per cento è revisione e aggiustamenti. Lo chiama "agentic engineering" — distinto dal "vibe coding" che descriveva come fase iniziale, intuitiva, non strutturata. La differenza è sostanziale: la fase due richiede di sapere abbastanza da capire cosa controllare, non solo cosa chiedere. Non puoi delegare completamente se non riesci a valutare il risultato.

Dice di non essersi mai sentito così indietro come programmatore. Non perché stia peggiorando — ma perché il ruolo si sta ridefinendo più in fretta di quanto riesca a tenersi aggiornato. È una confessione rara, in un ambiente dove l'aggiornamento continuo è dato per scontato e quasi mai ammessa l'inadeguatezza del momento.

François Chollet ha lanciato a marzo il terzo capitolo di ARC-AGI — il suo benchmark per misurare qualcosa che si avvicina all'intelligenza fluida reale. I dettagli tecnici sono secondari. Il risultato no: gli umani risolvono i puzzle al cento per cento. Il miglior modello disponibile oggi si ferma allo zero virgola trentasette per cento.

Non è un gap che si chiude aumentando la potenza di calcolo. Chollet, Ilya Sutskever e Yann LeCun convergono sulla stessa posizione: i modelli attuali hanno raggiunto un soffitto architetturale. Funzionano bene su tutto ciò per cui sono stati addestrati. Ma generalizzare — affrontare un problema davvero nuovo, senza schemi riconoscibili — è un'altra cosa. È come il soffitto che i motori a vapore hanno raggiunto alla fine dell'Ottocento: la fisica non lasciava margine, e per andare oltre ci voleva un principio diverso. L'elettricità. Non più vapore della stessa qualità.

Sutskever lo ha detto formalmente: l'era dello scaling è finita. LeCun ha fondato una nuova azienda, con un miliardo di dollari di finanziamenti, per scommettere su un approccio alternativo alle reti neurali. Chollet mette i soldi dove mette le parole: due milioni di dollari di montepremi per chi supera la soglia. Nessuno ha ancora vinto.

Ma questa settimana Chollet ha scritto qualcosa su un piano completamente diverso — non tecnico, quasi politico. La dicotomia tra come si usa l'AI e cosa succede a chi la usa. La frase è breve: chi ha poca capacità di azione la perde, chi ne ha tanta la guadagna. L'AI non livella il campo — lo inclina.

È una posizione che stride con la narrativa della democratizzazione dell'intelligenza. Chollet non dice che l'AI è pericolosa in sé. Dice che chi si aspetta che l'AI lo renda capace di cose per cui non ha le basi operative probabilmente resterà deluso. E chi invece sa già agire, decidere, eseguire — quella persona moltiplica la sua capacità.

Vale la pena tenere insieme questi due piani. Chollet costruisce il termometro più onesto disponibile per misurare cosa sanno fare i modelli. E al tempo stesso avverte che la domanda più importante non è quanto siano bravi i modelli — è come li usa chi li usa.

Torniamo un attimo sul filo di oggi, perché è facile perderlo nelle singole storie. Il software diventa effimero. Il valore si sposta da cosa si produce a come si produce. La capacità di agire — non solo di capire — diventa la variabile che distingue chi guadagna da chi perde in questa transizione. Questi tre fili si tengono insieme. E il quarto personaggio di oggi li tocca tutti e tre.

Naval Ravikant è difficile da classificare. Non è un ingegnere, non è un ricercatore. È un investitore con la tendenza rara di formulare intuizioni brevi che rimangono in circolazione per anni, come monete che passano di mano in mano. L'ultima: "il software puro è diventato non-investibile."

Ha scritto questa frase alla fine di aprile. L'argomento è semplice e difficile da confutare: se chiunque con un'idea chiara può costruire un'app funzionante in una sessione con un agente AI — e se quegli agenti migliorano abbastanza veloce da produrre architetture robuste entro diciotto mesi — non esistono più barriere all'entrata. Il codice si replica a costo zero. Dove cercare valore, allora? Nel hardware, nelle reti di distribuzione, nei dati che non puoi copiare, nei modelli di AI stessi.

Naval non lo dice come osservatore distante — lo fa. Ogni notte, da qualche mese, passa due ore a costruire software con agenti AI. Applicazioni per sé, per i figli, per la famiglia. Le distribuisce attraverso una pagina web sul suo telefono, senza passare dall'app store. Chiama questa cosa il suo "personal app store". Non lo dice come esperimento curioso — lo dice come prova di un modello distributivo che non ha ancora un nome ma che sta già funzionando.

La sua distinzione più netta è questa: non è junior contro senior, è bravo-con-AI contro non-bravo-con-AI. È la stessa intuizione di Chollet e Carmack, da un angolo economico. L'AI non democratizza le capacità — ridisegna il confine tra chi ha e chi non ha. E lo fa abbastanza in fretta da rendere irrilevante la storia precedente.

Su AI e potere ha una posizione che non cambia: non ha paura dell'AI in sé, ha paura di cosa farà un piccolo numero di persone che la controlla al resto di noi. È la stessa preoccupazione che Geoffrey Hinton misura in modo diverso — stimando che solo l'uno per cento delle risorse globali vada sulla sicurezza, mentre il novantanove percento accelera. Due angoli, la stessa domanda di fondo: chi ha in mano il volante?

Qualche progetto da tenere d'occhio, perché parlano la stessa lingua di questa settimana.

llm-wiki di Karpathy non è un'applicazione commerciale — è una ricetta pubblica. Karpathy ha descritto come costruirsi una base di conoscenza personale usando un modello linguistico: prendi materiali grezzi, puntali a un LLM, questo costruisce articoli collegati tra loro con backlink e struttura enciclopedica. Il suo wiki su un singolo argomento conta cento articoli e quattrocento mila parole. È l'opposto del chatbot: memoria esplicita, ispezionabile, che non sparisce tra una sessione e l'altra.

ARC-AGI di Chollet è il benchmark che misura il gap tra quello che i modelli sembrano capire e quello che capiscono davvero. Tenerlo d'occhio non è un esercizio accademico: è il termometro più onesto disponibile per orientarsi nel rumore delle dichiarazioni sui modelli. Zero virgola trentasette per cento contro cento per cento umano. Aggiornatelo mentalmente mentre leggete le prossime notizie sui progressi dell'AI.

Omarchy è il sistema operativo Linux curato da David Heinemeier Hansson — cinquantamila download settimanali, trenta mila persone nella community. Non è solo software: è la scommessa che il computer torni a essere qualcosa che si può modificare, adattare, controllare davvero. In un momento in cui le piattaforme grandi diventano più opache, è un segnale che vale la pena guardare.

llm di Simon Willison è uno strumento a riga di comando per interagire con modelli linguistici senza mandare dati a servizi esterni. Piccolo, preciso, aperto. È la versione pratica della stessa tesi — il controllo della propria infrastruttura computazionale come scelta, non come dato acquisito.

Benedict Evans dice che i dati non esistono. Patrick Collison dice di averli. Nel mezzo, Dorsey ha già agito, Karpathy ha già cambiato come lavora, Naval ha già smesso di investire nel software puro.

Il cambiamento che stiamo guardando riguarda chi costruisce l'AI, o riguarda tutti quanti?

È stato Signal Brief. Alla prossima.