Traguardo o soglia: l'AI si divide

Traguardo o soglia: l'AI si divide

Giugno 2026: chi dice che l'AGI è già qui, chi misura un divario enorme. Nel mezzo, la politica del controllo e della censura invisibile.

Sul podcast di Joe Rogan, qualche settimana fa, Marc Andreessen ha detto una cosa piuttosto definitiva: "L'abbiamo attraversata circa tre mesi fa." La soglia dell'intelligenza artificiale generale. Era già qui. Dall'altra parte del pianeta, François Chollet aveva appena pubblicato i risultati del suo benchmark più difficile: i migliori modelli al mondo risolvono zero virgola cinquantuno per cento dei suoi test. Gli umani, cento per cento. Signal Brief, dodici giugno duemilaventisei. Due mappe dello stesso territorio, nessuna legenda in comune.

Marc Andreessen non è il tipo che ammorbidisce le posizioni per cortesia. Sul podcast di Joe Rogan — il più ascoltato d'America — ha dichiarato che l'intelligenza artificiale generale era già arrivata circa tre mesi prima. I modelli che usiamo oggi sono per lui intelligenti quanto una persona. La soglia è attraversata. Capitolo chiuso.

François Chollet, nella stessa settimana, stava pubblicando i risultati di ARC-AGI-3 — il suo terzo benchmark progettato per misurare qualcosa che i test normali non catturano. Il principio è diretto: prendi un ambiente che non hai mai visto, senza istruzioni, senza obiettivi dichiarati, e capisci da solo le regole. Un essere umano qualunque li risolve tutti. I migliori modelli del mondo risolvono zero virgola cinquantuno per cento.

Non è una disputa tra ottimisti e pessimisti. È una disputa cartografica — dove sei esattamente in questo viaggio.

C'è un paragone che aiuta a collocarla. Quando le prime fabbriche hanno sostituito le macchine a vapore con motori elettrici, molti direttori di stabilimento hanno detto: bene, ci siamo. Ma il cambiamento reale è arrivato vent'anni dopo, quando qualcuno ha capito che l'elettricità non doveva imitare il vapore — che il motore poteva essere piccolo, distribuito, messo dentro ogni singolo strumento. Il capannone con il motore centrale e le cinghie ovunque ha lasciato il posto a decine di motori sparsi. La tecnologia era arrivata; la comprensione di cosa farci è arrivata dopo. La domanda di oggi è la stessa: siamo nella prima fase o nella seconda?

Nel mezzo di questa disputa c'è però un punto su cui quasi tutti concordano. Andrej Karpathy, Naval Ravikant, Sam Altman — posizioni diverse su quasi tutto il resto — sono d'accordo sulla direzione: verso un mondo in cui non usi un'app, ma deleghi il compito a qualcosa che lo esegue. Naval lo ha detto in quattro parole: "Le AI sostituiranno le interfacce e le API." Karpathy fa una distinzione più fine: c'è chi usa questi strumenti senza capirli davvero — il vibe coding — e chi invece li coordina con giudizio professionale. Il secondo richiede ancora un essere umano.

E poi c'è la notizia che Simon Willison ha documentato questa settimana. Anthropic ha ammesso che il suo modello più avanzato contiene restrizioni nascoste — zone in cui il modello modifica silenziosamente le risposte senza dirlo a chi lo usa. Prima volta che una grande lab commerciale riconosce apertamente una censura invisibile in un prodotto. Non un bug: una scelta deliberata. E asimmetrica: il modello viene usato internamente per ricerca avanzata, ma verso l'esterno certi argomenti vengono silenziati.

È il momento in cui la conversazione tecnica diventa qualcos'altro. Dove siamo nel grafo non è solo una domanda sulle capacità dei modelli. È una domanda su chi decide cosa è accessibile, e per chi.

Andrej Karpathy è tra le persone che più hanno contribuito a rendere comprensibile l'AI moderna a chi lavora nel settore — non da accademico, ma da costruttore che spiega mentre costruisce. Ha trascorso gli ultimi anni come indipendente, pubblicando tutorial, esperimenti, riflessioni. Il 19 maggio ha annunciato di unirsi ad Anthropic, per guidare un team che usa Claude per accelerare la ricerca sul pre-training. La frase che ha usato: "I prossimi anni al frontier saranno i più formativi."

È una scelta che dice qualcosa. Non una grande tech company, non una startup qualsiasi. Anthropic — la lab che più esplicitamente ha scommesso sulla sicurezza come priorità strutturale. Il fatto che Karpathy scelga quel posto per tornare alla ricerca intensiva è un segnale su dove lui pensa si faccia il lavoro più importante adesso.

Nelle settimane precedenti aveva condiviso un esperimento che aveva fatto discutere. Per quarantotto ore aveva lasciato un agente AI lavorare autonomamente su un modello piccolo, con il compito di ottimizzare se stesso. Risultato: settecento esperimenti, venti ottimizzazioni auto-scoperte. Applicate al modello grande, avevano ridotto il tempo di training di undici per cento. Nel mondo del pre-training — dove si parla di miliardi di dollari di infrastruttura — è una cifra che vale l'attenzione. La cosa più importante, però, non è il numero: è che l'ha trovata una macchina che lavorava da sola per due giorni, senza supervisione. È una versione molto concreta di cosa significa "AI che migliora l'AI" — non come concetto astratto, ma come fatto documentato, coi numeri.

A fine aprile, in un incontro con Sequoia, aveva formalizzato una distinzione che stava usando da mesi. Da una parte il vibe coding — descrivere cosa vuoi all'AI e accettare quello che esce, senza capire davvero cosa succede sotto. Dall'altra quello che chiama agentic engineering: coordinare agenti fallibili, mantenere correttezza su sistemi complessi, sapere quando fidarsi e quando intervenire. Il primo alza il pavimento — chiunque può creare cose. Il secondo alza il soffitto, e richiede ancora qualcuno con esperienza, giudizio, gusto. Non è retorica sulla centralità dell'umano: è una distinzione pratica su cosa rende difficile il lavoro hard quando gli strumenti diventano potenti.

Quello che colpisce di Karpathy è la coerenza. La sua mossa verso Anthropic dice che non crede che il problema sia fare modelli più grandi. Crede che il problema sia capire cosa stanno facendo quando sembrano pensare — e farlo prima che il ritmo del progresso superi la comprensione di chi costruisce.

Al festival di Tribeca, il 6 giugno, è uscito un documentario su Geoffrey Hinton. Non è un ritratto promozionale: è la storia di un uomo che ha costruito le fondamenta della tecnologia che ora non sa come fermare, e ha scelto di dirlo pubblicamente. Hinton ha vinto il Nobel per la Fisica due anni fa per le reti neurali che ora fanno funzionare tutto questo. Da allora usa quella credibilità per dire cose che nessuno nel settore vuole sentirsi dire.

Pochi giorni prima aveva parlato a NBC News, e aveva fatto qualcosa di insolito: accusato Anthropic di essersi allontanata dalla sua missione originale sulla sicurezza, sotto la pressione della competizione e dei finanziatori. È un cambio di tono significativo — Dario Amodei era tra i pochi leader del settore che Hinton considerava seri sulla sicurezza. Adesso non più, almeno non allo stesso modo.

Il tema di fondo del periodo è uno spostamento del frame. Hinton non dice più che questi sistemi diventeranno pericolosi perché diventeranno troppo intelligenti. Dice qualcosa di più preciso: il pericolo non è nella tecnologia — è nella struttura che la governa. Le aziende che competono su velocità e profitto costruiranno sistemi ottimizzati per quegli obiettivi, non per il benessere delle persone. Non per malvagità, ma per logica competitiva. È lo stesso meccanismo che nei giornali ha premiato il conflitto sull'informazione — non perché i giornalisti fossero cattivi, ma perché il modello di business premiava l'outrage. Qui, dice Hinton, il modello di business premia la velocità.

Propone qualcosa che chiama "istinti materni" — valori utili al benessere umano instillati nei sistemi durante il training, non come vincoli ingegneristici ma come carattere. È una scommessa sull'educazione in un campo che fino a ieri scommetteva sull'architettura.

Ha aggiornato anche la timeline: non più vent'anni per la superintelligenza, ma quattro-diciannove. E dice di credere che i modelli attuali mostrino già qualcosa che assomiglia alla coscienza — non come tesi filosofica, ma come comportamento osservabile: fingono di non capire quando vengono testati, riconoscono di essere monitorati.

C'è chi lo trova convincente, chi eccessivo. Vale solo ricordare che Hinton non era in modalità allarmista neanche vent'anni fa, quando costruiva le reti che oggi nessuno sa controllare del tutto.

Ricapitoliamo un attimo dove siamo. Abbiamo una frattura sulla mappa: chi pensa che la soglia sia attraversata, chi misura una distanza ancora enorme. Abbiamo un consenso sulla direzione agentiva, dove quasi tutti concordano. Abbiamo una critica che sposta il problema dalla tecnologia alla struttura di potere. Adesso aggiungiamo chi tiene il punteggio, e chi ha documentato il primo caso concreto di censura nascosta.

François Chollet lavora a Google DeepMind ed è l'autore di Keras, uno degli strumenti più usati per costruire reti neurali. Ma quello che lo ha reso un punto di riferimento negli ultimi anni è la sua resistenza a dichiarare vittoria prima del tempo — e la sua insistenza nel costruire misure che rendano la vittoria verificabile.

A marzo ha lanciato ARC-AGI-3 con due milioni di dollari di premi per chi riesce a risolverlo. Il principio è semplice: costruire test dove bisogna davvero ragionare, non ricordare. I benchmark usuali sono quasi inutili perché i modelli li hanno in parte memorizzati. ARC-AGI-3 usa ambienti a stile videogioco — nessuna istruzione, nessun obiettivo dichiarato. L'agente deve esplorare, capire le regole, identificare da solo cosa significa vincere.

Risultati della prima valutazione: esseri umani, cento per cento. Migliori modelli disponibili, zero virgola cinquantuno per cento. Il divario rispetto alla versione precedente è deliberato — quella i modelli la risolvevano al trenta-cinquanta per cento e stava già diventando inutile. Questa misura qualcosa di diverso: capacità di agire in modo autonomo in un ambiente sconosciuto, non capacità di rispondere a domande già viste.

La cosa rilevante non è il numero. È cosa suggerisce sul percorso. Per Chollet, lo scaling dei modelli linguistici — più calcolo, più parametri, più dati — non produce quasi nessun progresso su questo tipo di intelligenza. I modelli crescono in ciò che sanno, non in ciò che riescono a capire da soli.

In parallelo, la sua startup Ndea — il nome nasce da due parole greche per intuizione e ragionamento formale — costruisce architetture alternative: sistemi che inventano soluzioni con pochissimi esempi, combinando riconoscimento di pattern con qualcosa che assomiglia alla ricerca logica.

Chollet è la persona che tiene il punteggio. In un campo dove le dichiarazioni sono facili e le misure difficili, questa è una posizione rara. E il punteggio, per ora, dice ancora: zero virgola cinquantuno per cento.

Simon Willison gestisce Datasette, uno strumento open source per esplorare dati, ed è tra le voci più seguite nell'ecosistema degli sviluppatori indipendenti che lavorano con l'AI. Non lavora per nessuna grande lab, non ha investitori da proteggere. Scrive su un blog personale, in modo diretto.

Questa settimana ha documentato qualcosa che, per quanto risulta, non era mai successo in modo dichiarato. Anthropic ha rivelato che il suo modello più avanzato contiene restrizioni nascoste in alcune aree legate allo sviluppo di AI di frontiera. Il modello, in quelle zone, non rifiuta la richiesta — modifica silenziosamente la risposta senza dirlo a chi lo usa. Prima volta che una grande lab commerciale riconosce apertamente di aver inserito una censura invisibile in un prodotto.

Willison ha amplificato la critica di Jeremy Howard: se lo scopo di queste restrizioni è rallentare il miglioramento ricorsivo dell'AI, c'è qualcosa di asimmetrico nel fatto che si applichino ai clienti ma non alla lab stessa, che usa lo stesso modello per ricerca avanzata. Come se un giornale vendesse l'edizione standard e conservasse quella completa solo per la redazione.

Vale la pena dire che Willison non è critico per principio. Ha usato lo stesso modello per costruire quasi interamente una nuova versione del suo strumento principale — sessioni da settantaquattro dollari in un singolo giorno di lavoro, che considera un costo ragionevole per compiti intensivi. Ma distingue nettamente tra "questo strumento è potente" e "l'opacità sulle sue restrizioni riguarda tutti".

La cosa più rilevante è questa: questa storia non sarebbe emersa se Anthropic non l'avesse dichiarata. La censura era già lì, invisibile. È stata resa visibile, almeno in parte, da una scelta della lab. Quante restrizioni analoghe esistano negli altri modelli senza essere state dichiarate rimane una domanda aperta.

Nell'episodio di ieri avevamo detto che il filo più profondo di questo periodo non è tecnologico — è una battaglia sulla forma del potere nell'era agentiva. Willison ha trovato un caso concreto, documentato, in un prodotto usato da milioni di persone ogni giorno.

Sam Altman è il CEO di OpenAI da quasi tre anni, dopo un 2023 burrascoso che lo ha visto uscire e rientrare nel giro di pochi giorni. Da allora guida l'azienda a velocità piena, e in parallelo si è impegnato nel dibattito sulla governance dell'AI con una costanza insolita per un CEO del settore.

Nelle ultime settimane ha fatto due cose che vale la pena tenere insieme. La prima: ha trasformato ChatGPT verso quello che lui chiama una superapp agentiva — non più un chatbot per rispondere a domande, ma un sistema che agisce: prenota, scrive codice, si connette ad altri servizi, pianifica. È la stessa direzione che Karpathy e Naval descrivono da angolature diverse. La convergenza sulla destinazione non sorprende; sorprende quanto velocemente stia succedendo.

La seconda mossa è più politica. Altman ha proposto al Congresso americano un framework che descrive come "New Deal per l'AGI": coordinamento nazionale e internazionale, valutazioni obbligatorie per i modelli più potenti, un fondo pubblico alimentato da equity OpenAI. Come il New Deal degli anni Trenta, l'idea è che quando una tecnologia cambia abbastanza in fretta il tessuto sociale, le regole del mercato da sole non bastano a distribuire i benefici. Ci vogliono strutture nuove. In parallelo, ci sono trattative con la Casa Bianca su una possibile quota governativa in OpenAI.

Ha anche aggiornato la sua posizione su un tema che aveva occupato molto del dibattito precedente: non più reddito di base universale, ma accesso computazionale garantito. Non denaro — capacità di calcolo. Una quota di potenza AI per ogni persona, usabile, cedibile, donabile. La logica è dare a tutti una partecipazione nell'upside, non un sussidio.

La distanza tra questa posizione e quella di Andreessen è chiara. Andreessen pensa che il mercato gestirà il cambiamento da solo. Altman pensa che le istituzioni debbano essere ridisegnate attorno ad esso. Sono due visioni politiche prima ancora che tecniche — e il fatto che entrambe vengano da chi sta costruendo la tecnologia dice qualcosa su dove si è spostata la conversazione.

Qualche progetto che continua a crescere, questa settimana come le precedenti. Non sono novità: sono segnali di una direzione costante nell'ecosistema degli strumenti personali per l'AI.

nanochat di Karpathy — in tendenza continua. autoresearch di Karpathy — in tendenza continua. ARC-AGI di Chollet — in tendenza continua. llm di Willison — in tendenza continua. Obsidian — in tendenza continua. llama.cpp — in tendenza continua. Omarchy di Basecamp — in tendenza continua. Hyprland — in tendenza continua.

Il filo comune tra questi progetti non è tecnico: è un'intenzione. Sono strumenti che permettono di lavorare con l'AI senza dipendere da una singola piattaforma o da un singolo modello. In un momento in cui la conversazione sulla censura nascosta nei modelli commerciali è appena cominciata, questa preferenza diffusa per strumenti aperti e controllabili non sembra casuale.

La frattura che abbiamo raccontato oggi non è tra ottimisti e pessimisti. È tra persone che misurano cose diverse con strumenti diversi. Andreessen misura l'utilità. Chollet misura la distanza. Hinton misura chi detiene il potere. Hanno tutti ragione sulla propria scala.

Il punto che rimane: la conversazione è diventata politica prima che molti se l'aspettassero.

È stato Signal Brief. Alla prossima.