Chi decide cos'è l'AGI

Chi decide cos'è l'AGI

Andreessen la dichiara raggiunta, Chollet la misura sotto l'1%. Tre segnali su come il campo cambia forma mentre la disputa sulla definizione resta aperta.

Siamo al 14 giugno 2026. Signal Brief.

Questa settimana il campo dell'intelligenza artificiale ha vissuto una delle sue conversazioni più strane: persone molto informate che guardano lo stesso fenomeno e non riescono ad accordarsi su cosa stiano vedendo. Non è una disputa tecnica. È qualcosa di più sottile — e forse più importante.

Oggi proviamo a capire perché, e cosa significa per chi deve orientarsi in questo momento.

Il 19 maggio scorso, su uno dei podcast più ascoltati al mondo, Marc Andreessen ha detto una cosa precisa: "Abbiamo superato la soglia dell'AGI circa tre mesi fa."

AGI — intelligenza artificiale generale — è il termine che da trent'anni indica il traguardo: una macchina capace di fare quello che fa un essere umano, in modo generalizzato. Per decenni è stato il confine tra la fantascienza e la realtà. Adesso, secondo Andreessen, è già dietro di noi.

Pochi giorni dopo, François Chollet — il ricercatore che ha costruito il benchmark considerato la misura più affidabile del ragionamento artificiale — ha pubblicato i risultati del suo ultimo test. I migliori modelli al mondo segnano meno dell'uno percento. Non hanno superato nessuna soglia. Non sono arrivati da nessuna parte.

Stesso campo. Stesse macchine. Letture incompatibili.

Vale la pena fermarsi qui, perché questo non è un disaccordo ordinario. Non è come discutere se un'azienda vale molto o poco, dove almeno c'è un numero sottostante. Qui il problema è che non esiste un numero condiviso. Andreessen usa come criterio la qualità delle risposte nei suoi confronti quotidiani — i modelli battono qualunque esperto umano a cui abbia accesso nel novantanove percento dei casi. Chollet usa come criterio la capacità di generalizzare su compiti mai visti in allenamento. I due non stanno misurando la stessa cosa. E nessuno dei due ha torto sul proprio metro.

Il primo segnale che emerge questa settimana è questo: la crisi non è tecnica, è di definizione. In assenza di una misura condivisa, chiunque può dichiarare l'AGI raggiunta o lontana a seconda di cosa vuole comunicare.

Ricorda qualcosa di già visto. Quando internet è arrivato nelle aziende negli anni Novanta, c'era la stessa confusione sul significato di "trasformazione digitale". Alcune aziende avevano un sito web e dichiaravano di essere digitali. Altre investivano nell'infrastruttura per anni e non sapevano ancora come misurare il cambiamento. La parola era la stessa, il fenomeno sottostante profondamente diverso. Ci sono voluti vent'anni per capire chi aveva ragione. Stiamo cominciando a rivivere quella scena.

Nel frattempo, la ristrutturazione procede indipendentemente dalla disputa sul nome. Jack Dorsey ha tagliato il quaranta percento di Block — quattromila persone — e non lo ha chiamato crisi: lo ha chiamato ridisegno. La piattaforma AI interna dell'azienda ha aumentato del quaranta percento il codice prodotto per ingegnere in sei mesi. Naval Ravikant descrive quello che chiama "l'Autonomous Company" — non un'organizzazione che usa l'AI come strumento, ma un'organizzazione dove gli esseri umani allenano agenti. Mustafa Suleyman da Microsoft promette automazione dei lavori d'ufficio entro diciotto mesi.

Questo è il secondo segnale: l'AI si installa nell'organizzazione prima che esista un accordo sulla sua natura. Non aspetta.

Il terzo è il più sottile. Andrej Karpathy, questa settimana, ha firmato con Anthropic per costruire un team che usa Claude per accelerare la ricerca su Claude stesso — un loop di auto-miglioramento. Ha scritto che i prossimi anni al confine con i modelli linguistici "saranno particolarmente formativi" e ha messo in pausa il progetto educativo su cui lavorava da mesi. Il segnale non è la notizia in sé. È questo: uno dei pochi ricercatori capaci di valutare dall'esterno cosa stanno facendo i laboratori ha scelto di rientrare dentro. Come se la capacità di guardare con distanza critica stesse diventando troppo preziosa per restare ai margini.

L'intelligenza artificiale abbonda. La capacità di capire cosa sta facendo — di contestarla, di dirigerla — comincia a scarseggiare.

Marc Andreessen è uno di quei personaggi che occupano contemporaneamente tre ruoli: investitore che muove miliardi, voce pubblica su media di massa, attore politico attivo. La combinazione crea una posizione singolare — e questa settimana tutte e tre le dimensioni erano visibili insieme.

Sul podcast di Joe Rogan, un programma che raggiunge decine di milioni di persone, Andreessen ha dichiarato che l'AGI è arrivata. Non come proiezione, come fatto compiuto. Il criterio è pratico, quasi personale: i modelli rispondono meglio di qualunque esperto umano a cui abbia accesso nel novantanove percento delle situazioni. Li ha nominati per nome — Claude, i modelli di OpenAI, quelli di Google — e ha detto che tutti superano quella soglia.

Si può leggere in due modi. Da una parte c'è qualcosa di onesto: Andreessen descrive una sua esperienza reale, condivisa da molti professionisti ad alto livello che usano questi strumenti ogni giorno. Dall'altra c'è una funzione narrativa molto precisa. Se l'AGI è già qui, l'urgenza di regolarla prima che arrivi scompare. Non c'è più una soglia da presidiare. Il treno è già partito.

Ha anche coniato il termine "AI vampires" per i programmatori che lavorano tutta la notte perché la produttività con l'AI ha azzerato il costo-opportunità del sonno. Lo racconta come entusiasmo genuino. C'è qualcosa di vero nell'immagine: ci sono persone che lavorano così. Ma c'è anche qualcosa di deliberato nel trasformare quella condizione in un mito positivo — il fondatore potenziato dalla macchina, instancabile, creativo nell'oscurità.

In parallelo, Andreessen è coinvolto in una battaglia politica molto concreta. Emerge da una chat privata con altri investitori e fondatori per coordinarsi contro una proposta di tassa californiana sulle plusvalenze non realizzate. La sua rete ha investito, secondo alcune ricostruzioni giornalistiche, centoquindici milioni di dollari per costruire un blocco legislativo favorevole all'industria sul fronte della regolazione AI.

Nello stesso periodo, Dario Amodei di Anthropic ha pubblicato una posizione quasi opposta: i modelli frontier sopra una certa soglia computazionale devono superare test indipendenti, e il governo deve avere il potere legale di bloccare i rilasci. Il modello che ha in mente è quello dell'ente per la sicurezza aerea — non il settore che si autoregola, ma un'autorità che certifica prima del volo.

I due non si parlano direttamente. Ma la distanza tra le loro posizioni produce conseguenze reali: milioni di dollari, lobby e documenti di policy che spingono in direzioni incompatibili. Non è un dibattito da convegno.

Quello che emerge questa settimana è che la dichiarazione di AGI raggiunta e la battaglia politica si tengono insieme. Normalizzare il presente serve a proteggere lo spazio in cui operano gli investimenti. Andreessen è difficile da leggere con uno strumento solo — ma quando le parole e i soldi si muovono nella stessa direzione, vale la pena notarlo.

François Chollet lavora a Google DeepMind e di recente ha fondato una startup chiamata Ndea, finanziata con quarantatré milioni di dollari ai primi del 2026. Ma quello che lo rende una voce difficile da ignorare in questo momento è un'altra cosa: ha costruito l'unico strumento di misura che il campo non riesce a saturare.

ARC-AGI-3 — la terza versione del suo benchmark — è stato lanciato a marzo. I migliori modelli al mondo, testati sul set privato, segnano meno dell'uno percento. Il test misura la capacità di generalizzare su problemi mai visti prima, di costruire regole nuove a partire da pochi esempi. I modelli attuali riconoscono pattern, combinano informazioni, rispondono in modo impressionante in molti contesti — ma quando il compito richiede di ragionare davvero da zero, rallentano o si bloccano.

Chollet è attento a non trasformare questo in pessimismo. Ripete che il benchmark non è un esame di ammissione che i modelli devono superare per qualificarsi come intelligenti. È uno strumento di misura del divario residuo tra capacità artificiale e capacità umana. Uno schermo dove eventualmente si vederà qualcosa cambiare. Lo schema si è già ripetuto due volte: la prima versione del test ha anticipato il breakthrough nel ragionamento strutturato, la seconda nell'agentic coding. Se qualcosa cambierà davvero nell'architettura dei modelli, sostiene Chollet, lo si vedrà lì per primo.

Con Ndea, la sua scommessa tecnica è sulla combinazione di due approcci che i grandi laboratori tengono separati: i sistemi neurali — quello che i modelli attuali fanno bene — e la program synthesis, cioè la capacità di costruire programmi espliciti, verificabili, che seguono regole scritte. L'architettura che sta costruendo usa un modulo neurale per proporre candidati, poi cerca la soluzione corretta non nello spazio delle risposte possibili, ma nello spazio dei programmi possibili. È una differenza tecnica sottile che però cambia radicalmente cosa si può verificare e correggere.

Il collegamento con il filo di oggi è diretto. Chollet non nega che l'AI stia cambiando le cose — lo vede, lo misura. Quello che nega è che il problema del ragionamento genuino sia risolto. E sulla base di quella negazione mantiene una definizione diversa di cosa conta come progresso — e costruisce uno strumento per misurarla.

In un campo dove tutti dichiarano di misurare la stessa cosa, Chollet costruisce il righello. Il righello dice: non siamo ancora arrivati.

Torniamo un attimo sul filo centrale, perché ci siamo inoltrati in storie diverse e vale la pena ricordare dove siamo.

Tre cose succedono contemporaneamente: la disputa su cosa sia l'AGI continua senza metro comune; le organizzazioni si ristrutturano intorno all'AI indipendentemente da quella disputa; e la capacità di valutare criticamente quello che sta succedendo diventa più rara proprio mentre l'AI diventa più diffusa. Questi tre fili si tengono insieme — e li ritroviamo in ognuno dei personaggi di questa settimana.

Andrej Karpathy è uscito da OpenAI nel 2024 per costruire una piattaforma educativa. Per due anni ha scritto, tenuto lezioni, costruito strumenti per insegnare come funzionano i modelli dall'interno. Era uno dei pochi ricercatori di quel livello che lavorava dall'esterno — con lo spazio per osservare senza dover difendere una posizione competitiva o di business.

Questa settimana ha annunciato che rientra. Ha firmato con Anthropic per costruire un team che usa Claude per accelerare la ricerca su Claude stesso. Un loop ricorsivo: il modello lavora su sé stesso, guidato da persone che capiscono cosa guardare. Ha scritto che i prossimi anni al confine con i modelli linguistici "saranno particolarmente formativi" e ha messo in pausa il progetto educativo.

La scena concreta dice già molto. Non è una persona che torna per mancanza di alternative — è qualcuno che ha scelto deliberatamente di stare fuori, ha avuto il tempo di costruire una prospettiva distante, e ha deciso che adesso il posto giusto è dentro. Il segnale implicito: le cose stanno accelerando abbastanza da rendere l'osservazione esterna meno utile della partecipazione diretta.

Nei mesi scorsi, Karpathy ha tracciato una distinzione che vale la pena tenere in mente. Da una parte c'è quello che lui stesso ha chiamato "vibe coding" — termine che ha coniato nel 2025 — ossia generare codice descrivendo a grandi linee quello che vuoi, senza controllare in dettaglio l'output. Funziona, abbassa le barriere, permette a chi non conosce la programmazione di costruire cose che prima erano impossibili. Ma produce risultati inaffidabili. Dall'altra c'è quello che chiama ingegneria agentica: coordinare sistemi fallibili con supervisione esplicita, verificare ogni passaggio, preservare qualità e sicurezza.

La distinzione tocca direttamente il terzo emergente di oggi. L'AI produce in quantità enormi: codice, analisi, risposte, report, sintesi. Quello che diventa raro è saper distinguere l'output utile da quello plausibile-ma-sbagliato. Karpathy usa l'immagine di un'intelligenza dentellata — picchi estremi in certi domini, lacune sorprendenti in altri, in modo non prevedibile. E capire dove ci si trova su quel profilo, in un caso specifico, richiede esperienza, giudizio, contesto. Non si delega facilmente.

Che uno dei ricercatori più capaci di fare quella valutazione abbia scelto di tornare dentro — questo dice qualcosa. Non necessariamente di allarmante. Forse solo di urgente.

Jack Dorsey a febbraio 2026 ha tagliato il quaranta percento della forza lavoro di Block — quattromila persone. In una lettera pubblica ha scritto che l'AI "cambia fondamentalmente cosa significa costruire e gestire un'azienda." Block stava crescendo. Non era una crisi. Era, nelle sue parole, un ridisegno strutturale intenzionale.

La piattaforma AI interna — si chiama Goose — aveva aumentato del quaranta percento il codice prodotto per ingegnere in sei mesi. Il ragionamento di Dorsey era lineare: se un sistema automatizzato svolge in modo affidabile quello che facevano dieci persone, quelle persone non servono più per quel compito. Ha anche detto pubblicamente che la maggior parte delle aziende sarebbe arrivata alla stessa conclusione entro un anno.

Quello che Dorsey articola, più chiaramente di molti altri, è la distinzione tra adottare strumenti AI e essere ristrutturati dall'AI. Molte organizzazioni usano assistenti di testo, generatori di codice, strumenti di sintesi. Poche hanno ripensato la struttura a partire da quello che quegli strumenti cambiano nei flussi reali. Dorsey è tra i pochi che lo fa esplicitamente — e lo documenta in pubblico, non in un white paper interno.

In una conversazione con uno dei soci di Sequoia, ha descritto il middle management con una precisione che fa capire come lo stia pensando: serve a "instradare informazioni, pre-calcolare decisioni e mantenere l'allineamento in organizzazioni complesse." Non è una critica alle persone — è un'analisi delle funzioni. E quelle funzioni, sostiene, possono essere svolte meglio da sistemi automatizzati. Il livello intermedio non scompare perché le persone non valgono — scompare perché il motivo per cui esisteva è cambiato.

C'è un paragone utile qui. Quando i grandi magazzini hanno sostituito i mercati rionali nel dopoguerra, la critica era simile: si concentra potere, si eliminano intermediari, si ristruttura l'intera catena di distribuzione. Il dibattito durava anni — intanto i supermercati aprivano. Quello che Dorsey sta descrivendo ha la stessa qualità: non aspetta il consenso sull'interpretazione. Avanza.

Benedict Evans, che osserva dall'esterno e ha appena pubblicato la sua analisi annuale sull'adozione AI, nota che la ristrutturazione reale rimane imprevedibile e difficile da misurare. L'adozione consumer è larga ma superficiale. L'enterprise è ancora prevalentemente in fase pilota. Dorsey è nell'avanguardia — il che significa che il modello potrebbe non replicarsi facilmente in contesti diversi da un'azienda tech con forte cultura ingegneristica. Ma la direzione è dichiarata. E le dichiarazioni di questo tipo, quando vengono da chi comanda e firma i licenziamenti, producono movimento anche prima che il modello sia provato altrove.

I progetti questa settimana sono tutti già nel radar delle settimane precedenti. Nessuna new entry — fatto di per sé interessante.

karpathy/nanochat — in crescita continua. karpathy/llm-wiki — in crescita continua. karpathy/autoresearch — in crescita continua. Tre progetti dello stesso ricercatore che questa settimana è entrato in Anthropic: l'attenzione intorno a Karpathy si sente anche nell'open source.

simonw/llm — in crescita continua: significativo in una settimana in cui Willison ha criticato pubblicamente i safeguard silenziosi di Fable 5, documentando come il modello risponda peggio su certi task senza dirlo all'utente.

fchollet/ARC-AGI — in crescita continua: direttamente collegato al benchmark di cui abbiamo parlato oggi.

Poi: Obsidian, llama.cpp, basecamp/omarchy, hyprwm/Hyprland, zilliztech/claude-context, obra/superpowers, ENTERPILOT/GOModel — tutti in crescita stabile, tutti già presenti la settimana scorsa.

La cosa più interessante di questa lista è la sua stabilità. In un campo che cambia velocemente, l'attenzione si concentra sugli stessi nodi. Non c'è dispersione verso nuovi strumenti — c'è consolidamento attorno a quelli già in orbita. Vale la pena tenerlo in mente.

L'immagine che mi rimane di questa settimana è quella del righello di Chollet — uno strumento costruito con cura per misurare qualcosa che il campo fa fatica a definire, mentre le decisioni vengono già prese intorno alla discussione sulla misura.

Non è una storia di caos. È una storia su quanto sia difficile misurare le cose mentre le cose cambiano forma.

È stato Signal Brief. Alla prossima.