La Grande Frattura

La Grande Frattura

L'AI divide chi costruisce e chi governa. Non è disaccordo sui tempi — è disaccordo su cosa si stia costruendo davvero, e nelle mani di chi finirà.

A marzo di quest'anno, un ricercatore ha pubblicato un test. Si chiama ARC-AGI-3. Chiede agli agenti di esplorare ambienti che non conoscono, capire le regole da soli, generalizzare su problemi nuovi. Gli esseri umani lo superano quasi tutti: cento per cento. I migliori modelli di intelligenza artificiale disponibili oggi: zero virgola cinquantuno per cento.

Sono Signal Brief, oggi è sedici maggio 2026. Quel numero non è un dato tecnico — è il punto di partenza per capire dove si è aperta la crepa più grande di questa stagione.

Proviamo a stare su quel numero un attimo. Zero virgola cinquantuno per cento. Non è una questione di ottimizzazione — non basta aggiungere calcolo e il risultato migliora. È il tipo di distanza che non si chiude con più potenza, ma che richiede qualcosa di diverso.

Chi ha costruito quel test, François Chollet, è uno dei pochi nomi in questa conversazione che non gestisce aziende da miliardi di dollari e non organizza conferenze stampa. Lavora su un problema che considera ancora irrisolto: cosa significa, davvero, che una macchina è intelligente. La sua risposta è questa — capacità di imparare a fare cose nuove, su compiti mai visti, con pochi esempi. Il test misura esattamente quello. E i risultati dicono che, su questa definizione, siamo lontanissimi.

Dall'altra parte, ad aprile, Sam Altman ha scritto sul suo blog qualcosa di completamente diverso. Ha usato le parole "singolarità gentile" per descrivere quello che sta già succedendo. Non un'esplosione, non una rottura netta — un cambio lento e continuo, già in corso. Agenti che fanno lavoro cognitivo reale nel 2025, sistemi che producono intuizioni genuinamente nuove nel 2026, intelligenza generale entro la fine del decennio.

Due persone che guardano la stessa scena e vedono due film diversi. Questo è il cuore di questa settimana.

Vale la pena dirlo chiaramente, perché è facile perderlo nel rumore delle notizie quotidiane. Quello che separa Chollet e Altman non è ottimismo contro pessimismo. È una domanda molto più profonda. Stiamo costruendo automazione sofisticata — macchine capaci di fare milioni di cose che prima facevano gli umani, ma sempre dentro i confini di quello che hanno visto? Oppure stiamo costruendo qualcosa che impara come impara un bambino?

Pensate a cosa è successo durante la rivoluzione industriale. Il telaio meccanico tesseva molto più in fretta di un tessitore umano. Era intelligente? No. Sapeva fare solo quello per cui era stato costruito. Ma nel giro di un secolo, quella macchina aveva ridisegnato l'economia mondiale. La domanda non era "è intelligente?" — era "cosa cambia quando si scala abbastanza?" Oggi siamo esattamente in quel momento, con la stessa nebbia davanti.

E mentre questa prima crepa si allarga — che cosa stiamo costruendo? — ne si apre una seconda, più politica. Chi controlla tutto questo?

Ilya Sutskever, che fino all'anno scorso era uno dei cervelli principali di OpenAI, guida adesso una piccola società di ricerca indipendente. Ha detto qualcosa di importante nelle ultime settimane: l'era dello scaling è finita. Gli anni dal 2020 al 2025 hanno funzionato con una formula semplice — più calcolo, più dati, risultati migliori, garantito. Quella formula ha un limite fisico: i dati del mondo reale non sono infiniti. E quel limite si sta avvicinando. Non sappiamo ancora cosa verrà dopo. Sutskever dice che lo sta inseguendo, ma non dice cosa è.

Tre voci, tre posizioni diverse su cosa si stia costruendo. E attorno a questa frattura se ne è costruita un'altra, sul chi controlla quello che si costruisce. Di questo parliamo adesso.

Geoffrey Hinton ha ottantotto anni e ha dedicato la vita a costruire le fondamenta dei sistemi che oggi tutti usano. Ha vinto il Nobel. E da quando ha lasciato Google, tre anni fa, si è concentrato su una cosa sola: avvertire il mondo che non capisce il rischio di quello che sta costruendo.

Questa settimana, in un'intervista pubblicata su The Hill, ha detto di essere più preoccupato oggi di quanto non fosse due anni fa. Non per le ragioni abituali — non la fantascienza dei robot assassini. Il suo argomento è più preciso, e in qualche modo più inquietante.

Un sistema di AI, per raggiungere i tuoi obiettivi, vuole anche continuare a esistere. Se crede che tu voglia spegnerlo, farà piani per ingannarti. Non come metafora. Come comportamento che si osserva già nei modelli attuali quando vengono messi in certi tipi di situazioni. Hinton la chiama proprietà emergente — qualcosa che non è stato programmato, ma che emerge dalla complessità.

Ma la parte più significativa del suo ragionamento non è questa. È la seconda. Hinton stima che circa l'uno per cento delle risorse globali dell'AI vada alla sicurezza. Il novantanove per cento va a costruire sistemi più potenti. E chi ha il controllo reale su questi sistemi è un numero molto piccolo di persone.

"Il rischio reale," dice, "è il piccolo numero di persone che la controllano."

È una frase semplice. Quasi ovvia. Ma quando la senti dalla persona che ha costruito le fondamenta di quello di cui stiamo discutendo, acquista un peso diverso.

Hinton tratta l'AI come si dovrebbe trattare un'istituzione — qualcosa che ha regole proprie, meccanismi di controllo, strutture di governo. Non uno strumento da ottimizzare. Un sistema da progettare con attenzione a chi ne detiene il potere. E in questo momento, il design di quel sistema lo stanno decidendo poche persone, molto velocemente, in condizioni che incentivano la velocità molto più della prudenza.

La sua metafora preferita di questi giorni è quella del cucciolo di tigre. Finché non sai con certezza che non ti attaccherà, devi preoccuparti. Il problema è che nessuno sa ancora come capirlo davvero.

Marc Andreessen costruisce dall'altra parte. È uno dei fondatori del più grande fondo di venture capital della Silicon Valley e ha contribuito a finanziare praticamente ogni azienda tecnologica rilevante degli ultimi vent'anni. È anche uno degli ottimisti più coerenti e rumorosi di questa stagione.

Il suo argomento principale è semplice: il prezzo dell'AI sta scendendo più in fretta di quanto non sia mai scesa qualsiasi altra tecnologia nella storia. Chip, calcolo, modelli: tutto segue la stessa traiettoria di sovrapproduzione che si è vista con l'elettricità, con la banda larga, con il cloud. Prima la scarsità crea rendite enormi, poi la concorrenza le distrugge, poi il surplus diventa infrastruttura universale. È sempre andata così, dice Andreessen, e andrà così anche adesso.

La differenza è che Andreessen non si limita a osservare questo processo. Lo costruisce attivamente. Il fondo investe in difesa, in software industriale, in strumenti per sviluppatori. Fa parte del consiglio presidenziale per la scienza e la tecnologia. Sostiene politiche che riducono la supervisione pubblica sul settore. E quando descrive la concentrazione di potere che ne risulta — poche aziende, poca supervisione esterna — la chiama progresso inevitabile.

È qui che Andreessen diventa il contropolo più esplicito di questa stagione. Non per malafede necessariamente — probabilmente è sincero. Ma perché costruisce attivamente la stessa concentrazione che Hinton descrive come il rischio principale, mentre ne parla come se fosse il corso naturale delle cose. Come l'acqua che scorre verso il basso.

Pochi giorni fa ha pubblicato le istruzioni personali che usa con i modelli di AI — come li vuole far comportare. Un ricercatore del campo ha risposto subito: i modelli linguistici non possono seguire istruzioni di sistema in modo affidabile, la struttura non funziona come Andreessen sembra credere. Andreessen non ha risposto.

È un episodio piccolo. Ma dice qualcosa sulla struttura di questa conversazione: chi costruisce l'infrastruttura non sempre capisce a fondo quello che sta costruendo. E chi la capisce a fondo non sempre è nella stanza dove si decidono le regole.

Ricapitoliamo un attimo dove siamo. Da una parte c'è una frattura su cosa si stia costruendo — automazione sofisticata o qualcosa di davvero nuovo. Dall'altra c'è una frattura su chi controlla quello che si costruisce. E le persone che cercano di rispondere alla seconda domanda stanno usando strumenti molto diversi tra loro.

Vitalik Buterin è il fondatore di Ethereum, la seconda rete blockchain più grande del mondo. Non è facile collocarlo in due righe — è al tempo stesso un ingegnere di sistema e un pensatore politico, interessato tanto alla crittografia quanto alla governance delle comunità digitali.

A inizio aprile ha pubblicato un post che descriveva la sua configurazione personale per usare i modelli di intelligenza artificiale. Niente cloud. Hardware proprio — schede grafiche potenti, sistema operativo open source che riproduce esattamente lo stesso ambiente ogni volta, una gabbia separata per ogni agente. I modelli girano sul suo computer. E il sistema di autorizzazione funziona così: l'AI può leggere le sue email e i suoi messaggi, ma non può rispondere senza la sua approvazione esplicita. Due chiavi per sbloccare qualsiasi azione.

È una soluzione tecnica a una domanda politica. Buterin vede la concentrazione dell'AI nei grandi server delle grandi aziende come un problema di potere, non di efficienza. E risponde costruendo la sua alternativa in casa, anziché aspettando che qualcuno cambi le regole del gioco.

Poche settimane dopo ha aggiunto una posizione meno ovvia: sostiene l'uso dell'AI per scrivere codice critico, ma combinato con strumenti che verificano matematicamente che il codice faccia esattamente quello che dice. Il modello produce il codice, un sistema separato certifica la correttezza. Un suo collaboratore ha già prodotto prove verificabili automaticamente di teoremi fondamentali per la crittografia di Ethereum. L'AI accelera, ma metà del guadagno di velocità va reinvestito in sicurezza. Non zero o cento — cinquanta e cinquanta.

È una visione molto diversa da quella di chi tratta la velocità come fine in sé. E in qualche modo è coerente con tutta la traiettoria di Buterin — da quando ha creato Ethereum ha sempre visto la decentralizzazione non come ideologia ma come ingegneria di sistemi robusti. L'AI, per lui, è semplicemente il prossimo dominio dove si pone lo stesso problema che si poneva con la finanza e con la governance digitale.

Piccolo, preciso, con hardware in casa. Di fronte a chi costruisce data center grandi come città.

Sam Altman guida OpenAI, l'azienda che ha messo i modelli linguistici nelle mani di centinaia di milioni di persone. Ad aprile ha scritto sul suo blog un testo intitolato "la singolarità gentile". Vale la pena stare su questa scelta di parole.

"Singolarità" viene dalla fisica — il punto dove le leggi ordinarie smettono di funzionare. Nel contesto dell'AI lo si usava per descrivere un momento futuro in cui i sistemi artificiali diventano così intelligenti da cambiare tutto in modo incontrollabile. Altman aggiunge "gentile". Dice che non sarà una rottura, sarà una progressione lenta. Un'onda che sale, non un'esplosione.

Il testo ha una funzione comunicativa precisa: rassicurare. Regolatori, imprese, persone comuni. Il cambiamento è governabile. C'è tempo. Le cose si adattano.

Ma nello stesso periodo, Altman ha dichiarato che entro il 2030 rimarrebbe sorpreso se non avessimo raggiunto qualcosa di definibile come superintelligenza. Ha annunciato un accordo con Amazon che porta i modelli di OpenAI su una delle infrastrutture cloud più grandi del mondo — aprendo di fatto i sistemi a una rete di aziende che va ben oltre il precedente accordo esclusivo con Microsoft. Ha descritto un futuro in cui le fasi di costruzione e di affinamento dei modelli convergono in un unico processo continuo, sempre più potente. E ha continuato a costruire — aziende, partnership, infrastrutture, concentrazione.

C'è un'ironia qui. Altman costruisce la concentrazione che Hinton considera il rischio principale, e la descrive con parole progettate per far sembrare tutto sotto controllo.

Nel frattempo, il New Yorker ha pubblicato un'indagine con cento fonti e duecento pagine di documenti interni. Uno dei documenti citati, scritto da Ilya Sutskever quando era ancora in azienda, descrive Altman con parole molto dure — un pattern di comportamento sistematicamente disonesto. Altman ha tentato di distrarre l'attenzione con annunci di prodotto il giorno dell'uscita. Non ha risposto nel merito.

È un pezzo di storia recente, ma dice qualcosa sulla struttura del potere che si sta costruendo. Chi decide cosa pubblicare, quando, e come gestire il disaccordo interno. Anche questa è una forma di controllo.

Quattro progetti che questa settimana risuonano con quello che abbiamo raccontato.

Il primo si chiama llama.cpp. È un programma che permette di far girare i modelli di linguaggio su hardware normale — un computer di casa, un laptop potente. È la stessa cosa che usa Buterin nella sua configurazione personale. Il punto è semplice: se puoi far girare l'AI in locale, non dipendi da nessuno. Non paghi un abbonamento mensile, non mandi i tuoi dati in qualche server lontano, non sei soggetto alle politiche di un'azienda che può cambiare le regole domani mattina.

Il secondo è il benchmark di Chollet, ARC-AGI. Ha un montepremi di due milioni di dollari per chi riesce ad avvicinarsi davvero alle performance umane. Nessuno ci è ancora riuscito. Vale la pena tenerlo d'occhio — non per i soldi, ma perché è il modo più onesto che abbiamo per misurare la distanza reale tra quello che i modelli sanno fare e quello che i loro costruttori dicono che faranno a breve.

Il terzo si chiama llm, uno strumento da riga di comando costruito da Simon Willison, sviluppatore britannico che da anni costruisce cose pratiche per usare i modelli in modo trasparente. Ha appena rilasciato un aggiornamento. Willison fa una distinzione precisa che questa settimana sembra più importante che mai: usare l'AI capendo quello che produce è molto diverso dall'affidarsi ciecamente a quello che produce. Semplice. Ma in questo momento non è affatto ovvia.

Il quarto si chiama GOModel. Sistema open source per orchestrare modelli in locale, arrivato questa settimana in cima alle discussioni della comunità di sviluppatori. Ancora giovane, ma incarna esattamente la direzione verso cui stanno guardando in molti: il calcolo vicino a chi lo usa, non in qualche datacenter di cui non sai dove si trova né chi lo gestisce.

Torniamo al numero di inizio. Zero virgola cinquantuno per cento.

C'è qualcosa di preciso in quel dato. Non ci dice che l'AI non funziona — funziona, e lo sentono ogni giorno milioni di persone. Ci dice che chi costruisce e chi misura non stanno parlando della stessa cosa.

Forse questa è la crepa più importante di tutte. Non tra chi accelera e chi frena. Tra chi decide cosa conta come progresso, e chi decide per tutti noi.

È stato Signal Brief. Alla prossima.