Chi orchestra vince

Maggio 2026: la vera partita dell'AI non si gioca più sui modelli ma su chi controlla energia, chip e agenti. E una crepa generazionale divide il settore.

Il 20 maggio scorso, in una sala di Carnegie Mellon, Jensen Huang ha parlato a una platea di neolaureati e ha detto una cosa strana per il capo della più grande azienda di chip del pianeta: ha detto agli elettricisti e agli idraulici che era il loro momento. Lo stesso giorno, dall'altra parte del paese, a San Francisco, Andrej Karpathy lasciava la sua startup di educazione e annunciava di entrare in Anthropic. Due gesti distanti, e in mezzo una giornata qualsiasi di Signal Brief, oggi è il 24 maggio. La domanda che li collega è una sola, ed è il filo di questo episodio: chi sta davvero vincendo la partita dell'intelligenza artificiale.

Per due anni abbiamo raccontato l'AI come una corsa fra modelli. Chi aveva il modello più bravo vinceva. Adesso non è più così, e lo si capisce guardando dove vanno i soldi e dove vanno le persone.

Huang, sul palco di Dell Technologies World, ha pronunciato una frase che merita di essere fermata un secondo: ha detto che per la prima volta abbiamo un'AI utile. Detto da lui suona quasi banale, ma è un'ammissione importante. Per anni l'industria ha venduto un futuro. Adesso vende un presente. E la sua azienda, Nvidia, ha appena identificato un nuovo mercato da duecento miliardi di dollari per un processore costruito apposta per gli agenti — non per le chiacchiere, ma per software che decide e agisce da solo.

In parallelo, Elon Musk ha fatto una mossa che vale la pena guardare con attenzione. La sua azienda di intelligenza artificiale, xAI, ha smesso di fingere di voler essere sostenibile. Ha ordinato decine di turbine a gas per alimentare i suoi centri di calcolo. Energia fossile, tanta, subito. Il messaggio è esplicito: per costruire l'AGI servono i watt, e i watt vengono prima del pianeta. È una notizia che cambia il quadro. Vuol dire che nella testa di chi corre più forte, l'intelligenza si misura in centrali elettriche.

Qui si capisce dove stiamo andando. Non si gioca più sui modelli — quelli, dice un osservatore lucido come Benedict Evans, diventeranno come i chip: ogni generazione più costosa e in mano a tre o quattro attori, e poi via, commodity. Si gioca su chi controlla la materia prima. Energia. Silicio. Capitale. E soprattutto — questa è la parola nuova — chi orchestra. Cioè chi mette insieme energia, modello, agenti e capitale in un sistema che funziona.

C'è un parallelo storico che aiuta. All'inizio del Novecento, quando le fabbriche americane sono passate dal vapore all'elettricità, la rivoluzione non l'hanno fatta gli inventori dei motori. L'hanno fatta gli imprenditori che hanno capito come ridisegnare la fabbrica intorno all'elettricità. Spostare i motori, ripensare i flussi, cambiare la geografia del lavoro. Per vent'anni, chi aveva il motore migliore è rimasto indietro rispetto a chi sapeva orchestrare la fabbrica intera. Stiamo vivendo lo stesso passaggio. Il motore — il modello — non basta più. Conta chi sa montargli intorno tutto il resto.

Dentro questa partita, però, si è aperta una crepa che vale ancora di più della partita stessa. Da una parte ci sono quelli che pensano che ci siamo quasi. Marc Andreessen, ospite di Joe Rogan, ha detto a maggio che l'AGI è arrivata tre mesi fa. Hassabis ha parlato di trovarsi "ai piedi della singolarità" alla conferenza di Google. Musk dice che siamo a un paio d'anni. Sono gli accelerazionisti: il problema è scalare, mettere ferro, energia, capitale, e arriviamo.

Dall'altra parte ci sono i costruttori. Yann LeCun ha appena lasciato Meta e ha messo in piedi un'azienda nuova, con un miliardo di dollari, per dimostrare che i modelli linguistici che abbiamo oggi non ragionano davvero, non hanno memoria, non hanno un'idea del mondo fisico. Ilya Sutskever, che del modello linguistico moderno era uno degli architetti, ha detto in un podcast a novembre che siamo entrati nell'era della ricerca — l'era dello scaling, secondo lui, è finita. E François Chollet ha pubblicato un test, lo chiama ARC-AGI-3, in cui i modelli migliori del pianeta prendono lo zero virgola tre per cento. Gli umani, cento.

Non è un dettaglio tecnico. È una frattura generazionale, ed è il vero contenuto di questo maggio. Da una parte chi dice "ci siamo", dall'altra chi dice "manca un pezzo di teoria, e non lo trovate scalando". È la stessa discussione che si è fatta in fisica negli anni Trenta — quelli che pensavano che bastasse misurare meglio, e quelli che capivano che serviva una meccanica nuova. Sappiamo come è finita.

Cominciamo da Karpathy, perché il suo gesto di questo mese è uno dei più eloquenti. Karpathy, per chi non lo conosce, è stato uno degli ingegneri che hanno costruito l'AI come la conosciamo: a OpenAI nei primi anni, poi a Tesla con la guida autonoma, poi una startup tutta sua dedicata all'insegnamento dell'intelligenza artificiale, Eureka Labs. Stava insegnando agli altri. A metà maggio ha cambiato direzione.

Il 19 maggio è entrato in Anthropic, nel gruppo che si occupa di pre-addestramento dei modelli. Il dettaglio interessante non è il trasferimento. È quello che ha detto: vuole usare Claude — il modello di Anthropic — per fare ricerca su come addestrare i prossimi modelli. Cioè vuole usare l'AI per scoprire come costruire AI migliore.

A marzo, qualche settimana prima, aveva pubblicato un esperimento che è diventato leggenda nei circoli di chi segue queste cose. Aveva lasciato girare un agente di programmazione per quarantotto ore, senza supervisione, e gli aveva chiesto di provare modi nuovi di addestrare modelli piccoli. In due giorni l'agente aveva fatto settecento esperimenti e trovato venti ottimizzazioni. Una cosa che a un dottorando umano avrebbe richiesto mesi.

Karpathy si descrive in questi mesi come in uno "stato di psicosi da AI" — sono parole sue, dette con una certa autoironia. Non sta più scrivendo modelli. Sta orchestrando agenti che esplorano lo spazio delle possibilità. Ed ecco perché entra esattamente in questo episodio: Karpathy è il caso pulito di cosa significa orchestrare. Non costruisce il motore. Costruisce la macchina che esplora lo spazio dei motori possibili.

Quello che mi sembra interessante è che Karpathy, dall'interno, sta dicendo la stessa cosa che dice Chollet dall'esterno: il problema non è più trovare più calcolo, è trovare come usarlo meglio. Solo che Chollet dice "manca la teoria", e Karpathy dice "facciamo cercare la teoria a un agente". Sono due modi opposti di reagire alla stessa diagnosi.

Una nota a margine. Karpathy ha anche pubblicato un repository che insegna a mettere in piedi un piccolo modello GPT-2 in due ore su otto schede grafiche. Si chiama nanochat. Sembra un giocattolo. Non lo è: è la versione applicata di una sua tesi più larga, che racconta da mesi, e cioè che un singolo ricercatore con gli strumenti giusti vale oggi un piccolo laboratorio del 2018. È quello che lui chiama "amplificazione". È la versione individuale di quello che Huang chiama "AI factory". La stessa idea a scale opposte: chi mette insieme le cose vince. Chi le mette insieme bene vince meglio.

Cambiamo continente e personaggio. Jack Dorsey, quello che ha fondato Twitter e adesso guida Block, ha pubblicato a inizio mese un saggio scritto a quattro mani con Roelof Botha, un signore di Sequoia Capital. Si intitola, più o meno, "Dalla gerarchia all'intelligenza". E contiene una proposta che è insieme operativa e radicale: ridurre i livelli di management aziendale da cinque a due, e mettere l'AI al posto dei manager intermedi.

Detta così sembra una di quelle provocazioni da convention. Dorsey però non l'ha solo scritta: la sta facendo. Block, la sua azienda di pagamenti, ha appena tagliato il quaranta per cento della forza lavoro e ha messo in produzione un agente interno, lo chiamano Goose, che gestisce parti vere del codice e del supporto clienti. Ha riorientato l'intera azienda verso Bitcoin e hardware di mining. È un esperimento aziendale fatto sulla pelle vera di migliaia di dipendenti.

La frase chiave di Dorsey è che ogni azienda può diventare una "mini-AGI" — un piccolo organismo coordinato dall'AI invece che dalla burocrazia. È un'idea che, raccontata così, ha qualcosa di affascinante e qualcosa di inquietante insieme. Affascinante perché è la prima volta in cinquant'anni che qualcuno propone un disegno organizzativo davvero nuovo. Inquietante perché chi lo propone è anche quello che concentra il potere — sulla sua azienda, sul suo ecosistema Bitcoin, sulle sue infrastrutture.

Ed è qui che Dorsey entra nel filo del giorno. Perché se Huang vince orchestrando i chip, e Karpathy vince orchestrando gli esperimenti, Dorsey sta dicendo che l'azienda stessa è la cosa da orchestrare. La gerarchia, per lui, era un dispositivo di compressione delle informazioni in un'epoca in cui non si poteva sapere tutto. Oggi una macchina può tenere lo sguardo su tutto contemporaneamente. Quindi via i passaggi intermedi.

Vale la pena fermarsi a notare quanto questa visione sia opposta a quella di un altro personaggio di questo mese, DHH, di cui parliamo fra poco. Dorsey vede l'AI come strumento per centralizzare meglio, per appiattire l'organigramma mettendo un cervello unico al centro. È una visione molto verticale, molto controllata. E si sposa, non per caso, con la sua scommessa su Bitcoin come infrastruttura del prossimo decennio: un'idea di potere che passa per nodi pochi e densi, non per reti larghe e diffuse.

Mi pare che Dorsey, in questo, sia uno dei pochi che abbia capito quanto la partita dell'AI non sia solo una partita di tecnologia, ma di forma istituzionale. La gerarchia novecentesca è nata con le ferrovie e le fabbriche. Forse ne sta nascendo un'altra. Resta da vedere se l'esperimento Block sopravvive.

Torniamo un attimo sul filo, perché ci siamo allontanati e merita ricomporlo. Stiamo dicendo che il vero campo di gioco oggi non sono i modelli ma chi orchestra cosa. E che dentro questo campo si è aperta una crepa, fra chi pensa che basti continuare a spingere e chi pensa che manchi un pezzo di teoria. Adesso entra François Chollet, e Chollet è uno dei pezzi forti della seconda squadra.

Chollet è francese, lavora — o ha lavorato — a Google, ha scritto uno dei manuali più letti di intelligenza artificiale e ha inventato anni fa un test che si chiama ARC. È un test fatto di puzzle visivi semplici, di quelli che un bambino di otto anni risolve in pochi minuti. I modelli più potenti del pianeta, per anni, ne hanno risolti pochissimi. Poi a un certo punto, lo scorso anno, hanno cominciato ad andare bene. Si è gridato al traguardo.

Chollet ha risposto in marzo, a una conferenza di Y Combinator dove era anche Sam Altman, lanciando una versione nuova del test. La chiama ARC-AGI-3. Non sono più puzzle statici: sono ambienti interattivi, piccoli videogiochi senza istruzioni. L'agente viene calato dentro, e deve capire da solo come funziona il gioco, qual è l'obiettivo, quali sono le regole. Esplorare, sbagliare, capire.

I risultati sono brutali. Gemini, il modello di punta di Google, prende lo zero virgola trentasette per cento. Claude prende meno. GPT meno ancora. Gli umani, di nuovo, cento. È come se a un esame i bambini delle elementari prendessero dieci e i premi Nobel zero virgola.

Chollet usa una parola che vale la pena ripetere: jagged. Frastagliata. L'intelligenza di queste macchine, dice, è frastagliata. Eccellente in certi punti, vuota in altri. Non c'è una linea continua di competenza. Tradotto: questi modelli sembrano sapere tutto perché vediamo solo le punte, ma fra una punta e l'altra c'è il vuoto. E quel vuoto non si riempie con più dati.

La sua scommessa sulle date è interessante perché è la più conservativa fra i grandi: AGI vera nei primi anni Trenta, dice, non prima. È un decennio in più rispetto a Musk, otto anni in più rispetto a Hassabis. Quando un ricercatore serio si scosta così tanto dal consenso, vale la pena ascoltare il perché.

La cosa che mi fa pensare, di Chollet, è che è il personaggio meno mediatico di tutta questa storia. Non rilascia interviste accese. Non scrive manifesti. Pubblica benchmark. Cioè fa la cosa più scientifica che si possa fare in un campo che di scientifico ha tenuto sempre meno. In un'epoca in cui tutti annunciano traguardi, lui propone misure. E le misure dicono che non ci siamo.

Ultimo ritratto, e cambiamo registro perché DHH — David Heinemeier Hansson, l'inventore del framework Ruby on Rails — è un personaggio che gioca un'altra partita. Niente AGI, niente singolarità, niente trilioni di parametri. Il suo tema, a maggio, è ancora una volta la proprietà.

A maggio DHH ha presentato Omarchy: una distribuzione di Linux costruita con Dell e Intel, pronta a girare sui nuovi portatili Dell. Tempo di autonomia: sedici ore vere. È il primo OS open source che esce dalla scrivania degli appassionati e arriva nei negozi. È un piccolo evento, e DHH lo ha celebrato con una conferenza a New York, l'ha chiamata Omacon, sono andate centotrenta persone. Non un raduno di massa: ma il fatto che esista è il punto.

Il discorso che fa DHH in questi mesi è esplicito: l'AI sta creando una nuova ondata di software, e questa ondata può andare in due direzioni. Può consolidare tutto in poche mani — i grandi modelli, le grandi aziende, gli abbonamenti mensili — oppure può tornare nelle mani delle persone. Codice che possiedi, server che gestisci, computer che capisci. Lui chiama questa seconda direzione "ONCE": software che compri una volta e che ti tieni. L'opposto del modello a abbonamento che ha dominato l'ultimo decennio.

DHH è anche tornato a parlare di Rails, il suo framework di vent'anni fa, dicendo una cosa che pochi si aspettavano: nell'era degli agenti, Rails sta avendo un rinascimento. Perché è scritto in modo compatto, leggibile, ed è facile per un agente capirlo e modificarlo. Cose che venti anni fa erano una scelta di stile, oggi diventano vantaggio competitivo. È un cortocircuito storico curioso: lo strumento più vecchio della tavolozza, all'improvviso, diventa quello più adatto al nuovo mondo.

Dove tocca il filo della giornata. DHH è la voce esplicita della tensione opposta a quella di Dorsey. Se Dorsey orchestra concentrando, DHH orchestra distribuendo. Se Huang costruisce fabbriche grandi come città, DHH dice che il vero vantaggio è far girare le cose sul laptop di chiunque. Sono due visioni della stessa epoca, e l'epoca non ha ancora deciso quale strada prendere.

Quello che mi colpisce, di DHH, è che è uno dei pochi a non vendere paura né euforia. Vende strumenti. Computer che funzionano, codice che dura, software che possiedi. È un linguaggio quasi ottocentesco — la stessa dignità artigianale che si trovava nei manuali di tipografia o di meccanica — e in mezzo a un settore che parla di singolarità, suona quasi rivoluzionario.

Cinque progetti da osservare, raccontati alla svelta perché valgono più per quello che indicano che per quello che sono.

Il primo è nanochat, di Karpathy. È una raccolta di codice che permette di addestrare un piccolo modello linguistico in un paio d'ore. Per chi è del mestiere è un esercizio. Per tutti gli altri è un segnale: la magia che fino a ieri richiedeva grandi laboratori sta entrando nelle stanze dei singoli ricercatori. Come quando i computer sono usciti dalle università per entrare negli uffici.

Il secondo è llama.cpp, un piccolo motore di software che permette di far girare modelli linguistici direttamente sul proprio computer, senza passare dai grandi servizi in rete. È il pezzo tecnico che rende possibile la visione di DHH e di Vitalik Buterin: AI locale, sotto il proprio controllo. È diventato lo standard di chi non vuole dipendere dal cloud.

Poi c'è Omarchy, quello di DHH. Linux confezionato perché funzioni davvero su computer di marca, senza che tu debba essere un programmatore. È un piccolo gesto culturale: dire che il sistema operativo libero, dopo vent'anni passati a margine, può tornare a essere mainstream.

Il quarto è ARC-AGI, il benchmark di Chollet di cui abbiamo parlato. Vale la pena nominarlo come progetto perché è il termometro più onesto che abbiamo oggi sullo stato vero dell'AI. Quando un modello supererà davvero ARC-AGI, saremo entrati in un'altra epoca. Per ora, scrive ancora zero virgola.

Infine c'è claude-context, un piccolo strumento open source che trasforma un'intera base di codice in qualcosa che un agente di programmazione può leggere e capire interamente. Non è glamour. È idraulica. Ma è esattamente il tipo di idraulica che — come dicono Evans e Andreessen — sposta il valore. Non sui modelli, ma sui modi in cui i modelli vengono usati. Chi costruisce questi tubi, oggi, sta costruendo i binari su cui passeranno i prossimi vent'anni.

Resta in mente l'immagine di Huang che parla agli idraulici: era una scena strana, e forse era anche la più onesta del mese. L'AI non sta arrivando dall'alto, sta arrivando dalle prese di corrente, dai cavi, dai server che qualcuno deve installare. Vince chi mette insieme le cose. È stato Signal Brief. Alla prossima.