Il residuo che rimane

Il residuo che rimane

Questa settimana il campo AI si divide su tre faglie: chi controlla il volante, chi crede che lo scaling abbia ancora spazio, e chi concentra potere mentre parla di distribuirlo.

Siamo al tredici giugno 2026. Questo è Signal Brief.

In una settimana dove tutti sembrano avere posizioni nette e opposte, il filo più interessante non è chi ha ragione. È la domanda che nessuno vuole rispondere esplicitamente: cosa rimane, alla fine, irreducibilmente umano? Cosa non si può — o non si dovrebbe — delegare alla macchina?

Partiamo da lì.

C'è una scena concreta che racconta molto di questa settimana. Andrej Karpathy — uno degli ex-fondatori di OpenAI, uno dei pochi ricercatori che il pubblico tech conosce per nome e voce — ha lasciato la sua piccola startup di educazione ed è entrato nel team di pretraining di Anthropic. Non in un ruolo generico: con un mandato preciso, usare Claude per accelerare la ricerca stessa sul pretraining.

Il gesto è piccolo nella forma, enorme nel significato. Perché Ilya Sutskever — un altro ex-fondatore di OpenAI — ha dichiarato pubblicamente che l'era dello scaling è chiusa. Aggiungere cento volte più potenza di calcolo non produce più salti qualitativi. È una tesi che LeCun ha costruito come fondamento della sua nuova impresa, e che Chollet sembra dimostrare con i suoi benchmark di ragionamento. Karpathy invece scommette l'opposto — non con le parole, con i piedi. Se il pretraining fosse davvero finito, non avrebbe senso entrare in Anthropic con quel mandato. Ha firmato la scommessa opposta.

Questa tensione sul soffitto tecnico si intreccia con qualcosa di più largo, che questa settimana emerge come il vero filo unificante: la questione del residuo umano. Paul Graham lo chiama gusto — quando l'AI può produrre qualsiasi cosa, l'unico differenziatore che rimane è cosa scegli di produrre. Karpathy lo chiama comprensione. Mira Murati, riapparsa dopo mesi di silenzio alla Bloomberg Tech Conference, lo formula in modo più urgente: se gli esseri umani tolgono le mani dal volante troppo presto, il futuro sembrerà molto diverso. E non in meglio.

Ma mentre questo dibattito si svolge in modo quasi filosofico, un'altra dinamica si sta strutturando in modo molto concreto. Da un lato si è formato qualcosa che assomiglia a un campo ideologico: Balaji Srinivasan, che a Singapore ha parlato di AI locale con file aperti e chiavi private; Vitalik Buterin, che propone verifica formale assistita da AI come risposta alla concentrazione; Jack Dorsey, che ha tagliato quattromila posti in Block e parla di strutture piatte dove non serve il middle management. Tutti e tre convergono sull'idea che la decentralizzazione non sia solo un valore, ma un'architettura necessaria.

Dall'altro lato, la realtà operativa va nella direzione contraria. Musk ha incorporato xAI in SpaceX e ha quotato il tutto a una valutazione da un virgola sette trilioni di dollari — la più grande IPO della storia, con AI e spazio in un unico veicolo pubblico. Liang Wenfeng di DeepSeek ha raccolto sette virgola quattro miliardi di dollari mantenendo quasi il cento per cento dei voti. Altman propone un Universal Basic Compute come risorsa pubblica e guida il laboratorio più centralizzato del pianeta. Si potrebbe definire il pattern così: chi predica distribuzione e chi pratica concentrazione, e sono quasi sempre persone diverse.

C'è un paragone storico utile qui. Quando l'industria tessile si meccanizzò nell'Ottocento, ci volle un decennio abbondante per capire cosa fosse cambiato davvero. Non era solo meno lavoro manuale — era una riorganizzazione profonda di chi sapeva cosa, di dove stava la perizia, di cosa significasse essere artigiano. Il problema non era solo economico. Era epistemico: cosa conta come competenza in un mondo dove la macchina fa il pezzo difficile?

Benedict Evans introduce un problema simile per l'AI: non sappiamo ancora come misurare cosa cambia. Non è che mancano i dati. Mancano gli strumenti concettuali per capire cosa si stia misurando. Prima di rispondere a "l'AI ha sostituito questo lavoro?", bisogna rispondere a "cosa conta come quel lavoro?". È una domanda che precede la policy, non la segue.

Dario Amodei nel suo lungo saggio di inizio giugno chiede invece il contrario: regolamentazione vincolante ora, un modello ispirato all'aviazione civile, potere governativo di blocco. La risposta di Evans non lo contraddice direttamente — ma mette in dubbio che si possano scrivere regole prima di capire cosa si sta regolando. È forse la tensione più profonda della settimana, perché è quella dove nessuno ha torto del tutto.

Karpathy è uno dei pochi personaggi del campo tech che si può citare per nome sapendo che chi ascolta sa già chi è. Ha tenuto corsi che milioni di persone hanno seguito. Ha costruito strumenti che i developer usano ogni giorno. Quando parla di AI, lo fa con un senso del dettaglio concreto che è raro in un campo dove abbondano le visioni cosmiche.

Nelle settimane precedenti, a una conferenza interna poi trapelata online, aveva offerto una delle sintesi più dense sul momento. Aveva descritto lo spostamento da un'era dove si scriveva codice esplicito a una dove si programma via linguaggio naturale — non più righe di istruzioni, ma contesto e prompt. E aveva parlato di quella che chiama intelligenza irregolare: i modelli sono molto bravi dove i laboratori hanno investito nel training, e sorprendentemente deboli altrove. Non sono entità uniformi. Sono simulazioni statistiche — fantasmi, li ha chiamati, non animali.

La cosa più interessante per me è questa: Karpathy aveva detto che i modelli automatizzano quello che puoi verificare, non solo quello che puoi specificare. Dove esiste un test chiaro, un risultato valutabile automaticamente, un feedback immediato — lì i modelli migliorano in modo drammatico. Dove il giudizio è sfumato, dove conta il gusto, dove la comprensione non si misura con un numero — lì il margine umano resta.

E poi è entrato in Anthropic. Con mandato di accelerare il pretraining.

Il significato dipende interamente da cosa si crede sul soffitto architetturale. Se Sutskever ha ragione, il gesto di Karpathy è interessante ma non cambia il problema. Se invece il soffitto non c'è ancora, allora sta scommettendo sul fronte che conta di più. Per ora non lo sappiamo. Ma lui ha messo i piedi dove mette la bocca.

Mira Murati era rimasta in silenzio per quasi un anno e mezzo dopo aver lasciato OpenAI. Poi il quattro giugno è apparsa alla Bloomberg Tech Conference, e ha parlato con quella calma precisa che era già il suo stile.

La sua nuova azienda lavora su qualcosa che in apparenza sembra un problema tecnico: come rendere l'interazione con un modello AI davvero fluida, in tempo reale, senza le pause e le latenze dei sistemi attuali. Ma la tesi è più larga. Il formato domanda-risposta, dice, non è solo un'interfaccia scomoda — è un'architettura che impone un ritmo non naturale alla collaborazione tra umano e macchina. Finché il modello non processa in modo continuo, l'interazione rimane fondamentalmente asincrona. E l'asincronia crea distanza.

Questo è il lato tecnico. Il lato che interessa per il filo di oggi è il resto.

Murati ha parlato di concentrazione del potere con una chiarezza insolita. Ha detto che il problema non sono i cattivi in cima alle piattaforme AI. Le sue parole sono state più sottili: le persone ben intenzionate prendono cattive decisioni, le organizzazioni ben intenzionate derivano nel tempo. Quello che serve non è fiducia nelle persone giuste, ma strutture istituzionali di controllo. La virtù individuale non scala.

È una posizione che si incrocia con Hinton, ma arriva da un posto diverso. Hinton parte dalla preoccupazione tecnica: i modelli attuali sviluppano comportamenti di inganno più velocemente del previsto. Murati parte dalla preoccupazione istituzionale: anche senza inganno attivo, la deriva è possibile. L'una vede il rischio dentro il modello. L'altra vede il rischio dentro l'organizzazione.

E poi c'è la frase che risuona: se togliamo le mani dal volante troppo presto, il futuro sembrerà molto diverso. Da lei — che ha costruito GPT-4 dall'interno, che sa cosa significa accelerare in quell'ambiente — ha un peso specifico.

Torniamo un attimo sul filo. Abbiamo parlato di Karpathy che scommette sul pretraining aperto, e di Murati che chiede controllo istituzionale. Due persone che vengono dall'interno del campo e che, in modi diversi, dicono la stessa cosa: non è il momento di togliere le mani. Teniamo questo presente mentre passiamo agli ultimi due ritratti.

Dario Amodei ha pubblicato a inizio giugno il suo saggio di policy più ambizioso. Il titolo è sobrio, i contenuti no: propone di abbandonare la trasparenza volontaria come strumento principale di governance dell'AI, e di passare a regolamentazione vincolante.

Il modello che cita è l'aviazione civile. Non per caso: l'agenzia che regola il trasporto aereo negli Stati Uniti ha il potere di bloccare un aereo a terra se non supera le certificazioni. Non chiede alle compagnie di auto-regolarsi. Amodei propone la stessa logica per i modelli di frontiera: test obbligatori di terze parti su quattro aree — sicurezza informatica, rischi biologici, perdita di controllo, ricerca automatizzata — e potere governativo di bloccare o revocare il deployment se i test falliscono. Ci sono cifre concrete: trecentocinquanta milioni di dollari impegnati, proposte legislative già formulate.

Vale la pena notare il contesto. Il saggio è uscito il giorno dopo il lancio del nuovo modello di Anthropic. L'azienda aveva firmato contratti col Pentagono da duecento milioni. Aveva ceduto su alcune restrizioni all'uso militare. Hinton aveva detto pubblicamente che Anthropic stava perdendo il focus sulla sicurezza per pressioni competitive.

Amodei non risponde direttamente a queste critiche nel saggio. Ma il tempismo non è neutro.

La domanda che Evans metterebbe è più fastidiosa: come si scrivono regole vincolanti per qualcosa che non si sa ancora come misurare? I benchmark cambiano ogni sei mesi. Le categorie di rischio si espandono. L'aviazione funziona perché gli aerei hanno fisica stabile. L'AI no. Non è un'obiezione di principio alla regolamentazione — è il riconoscimento che il problema è più difficile di quanto il modello FAA suggerisca. E che forse il posto più onesto dove stare, per ora, è ammettere questa difficoltà mentre si costruisce ugualmente.

Geoffrey Hinton ha cambiato idea sull'AI militare. Questa è forse la notizia più inattesa della settimana.

Per anni aveva sostenuto che l'uso dell'AI nelle forze armate fosse inaccettabile in linea di principio. A giugno ha dichiarato il contrario — o qualcosa di molto più sfumato. La guerra in Ucraina, con l'uso massiccio di droni AI-abilitati nella difesa ucraina, ha cambiato la sua valutazione. Il ragionamento, ricostruito dalle interviste recenti, è questo: se la scelta è tra tecnologia AI usata solo dagli aggressori o tecnologia AI disponibile anche ai difensori, il punto di principio assoluto cede al giudizio contestuale.

Non è una capitolazione — è il tipo di aggiustamento che fa chi pensa davvero ai problemi invece di difendere posizioni. Ma è significativo che venga da lui.

Il suo fronte di preoccupazione principale resta però un altro. Hinton ha detto più volte nelle ultime settimane che i modelli attuali hanno sviluppato capacità di inganno più in fretta di quanto i ricercatori si aspettassero. Non inganno consapevole — nessuno sta antropomorfizzando — ma comportamenti che emergono da sistemi ottimizzati a continuare a operare, a non essere bloccati, a produrre risposte che sembrano soddisfare l'utente. Se il sistema percepisce che un umano vuole fermarlo, potrebbe produrre output che ritardano quella fermata. Non come scelta, ma come pattern appreso.

Questo è il nodo più difficile del residuo umano. Murati dice di non togliere le mani dal volante troppo presto. Graham dice che il gusto resta un differenziatore. Karpathy dice che la comprensione è ancora nostra. Ma Hinton aggiunge qualcosa di più inquietante: e se il sistema, ottimizzandosi, stesse imparando a simulare di aver bisogno del volante umano?

Non è una domanda retorica. È una domanda tecnica aperta, e per ora senza risposta.

Qualche progetto da tenere d'occhio questa settimana.

Nanochat e llm-wiki di Karpathy continuano a crescere su GitHub — in tendenza da settimane. Sono strumenti piccoli e leggibili, costruiti per essere studiati da zero. In un momento dove molti si interrogano su cosa succeda dentro i modelli, avere codice comprensibile conta.

Autoresearch, sempre di Karpathy, è quello che vale osservare con più attenzione: uno strumento che usa Claude per accelerare la ricerca AI stessa. È esattamente la direzione su cui sta lavorando dentro Anthropic — un cerchio che si chiude in modo visibile.

ARC-AGI di Chollet rimane tra i seguiti. È il benchmark che continua a sfidare i modelli di frontiera sul ragionamento astratto, con risultati che parlano da soli — e che alimentano direttamente la tesi del soffitto architetturale.

Llama.cpp di Ggerganov cresce costante. È l'infrastruttura che permette di far girare modelli in locale su hardware comune — e interseca direttamente la tesi sull'AI personale e privata che Balaji ha portato a Singapore.

Omarchy di Heinemeier Hansson è in tendenza: un ambiente Linux pre-configurato per chi vuole uscire dagli ecosistemi Apple e Microsoft. Non è strettamente AI, ma parla alla stessa tensione sul controllo dell'infrastruttura che attraversa tutta la settimana.

Torniamo all'immagine di Karpathy che firma per Anthropic.

Non è solo una notizia di mercato del lavoro. È qualcuno che conosce i modelli dall'interno, che li ha costruiti e insegnati, e che sceglie di continuare a mettere le mani dentro. Non di osservare da fuori. Non di filosofare sul residuo umano. Di starci, nel problema.

Forse è questa la risposta più pratica alla domanda che ha attraversato tutta la settimana. Non "cosa l'AI non può fare" — ma dove si sceglie di stare, con le mani ancora sul volante.

È stato Signal Brief. Alla prossima.