L'anno in cui lo scaling è finito

L'anno in cui lo scaling è finito

Il 2026 segna una rottura: la corsa alla potenza di calcolo cede il passo alle idee, mentre si decide chi controllerà davvero l'intelligenza artificiale.

Da quasi vent'anni la storia dell'intelligenza artificiale era una storia di taglie: più dati, più schede grafiche, modelli più grandi. Chi aveva i capannoni di calcolo più grossi vinceva. In questi giorni quella storia si è incrinata da più parti contemporaneamente. È il 21 giugno, e questo è Signal Brief. Le voci che per anni hanno spinto sull'acceleratore della potenza adesso dicono, quasi all'unisono, che la potenza da sola non basta più. La scena si apre a San Francisco, in una sala dove un ricercatore tornato sui suoi passi prova a spiegare perché.

A metà giugno, davanti a una platea di investitori a un evento di Sequoia, Andrej Karpathy ha provato a mettere ordine. Karpathy è uno di quelli che il software lo ha visto cambiare pelle due volte. Ha disegnato uno schema semplice. Prima scrivevamo il codice a mano, riga per riga. Poi abbiamo cominciato ad addestrare reti neurali invece di programmarle. Adesso, ha detto, siamo alla terza fase: parliamo ai modelli a parole, e loro fanno il lavoro. Ma con una condizione precisa. I modelli sono bravissimi in tutto ciò che si può verificare — la matematica, il codice, la logica — e restano fragili in tutto il resto.

È una frase che sembra tecnica e invece traccia un confine politico. Perché nello stesso periodo, da un palco diverso, Ilya Sutskever ha detto una cosa che rima. Per anni la regola era una sola: fai il modello più grande e andrà meglio. Sutskever adesso divide la storia recente in tre tempi — gli anni della ricerca, gli anni dello scaling, e da quest'anno di nuovo la ricerca. Tradotto: il problema non è più procurarsi altre schede grafiche, è avere un'idea nuova. Il collo di bottiglia è tornato a essere la testa, non la fabbrica.

Conviene fermarsi su questo, perché è successo qualcosa di simile altre volte. Quando le fabbriche passarono dal vapore all'elettricità, per un po' nessuno seppe cosa farsene davvero: misero il motore elettrico dove prima c'era quello a vapore, e basta. I guadagni veri arrivarono solo quando qualcuno ripensò la fabbrica da capo. Lo scaling è stato il vapore di questi anni: ha portato lontano, e adesso che tutti ce l'hanno non basta più a distinguersi.

Yann LeCun ha preso la stessa diagnosi e ci ha costruito sopra un'azienda. Sostiene da tempo che questi modelli non ragionano: ripescano. Sono magazzini di informazioni molto sofisticati, ma senza un'immagine del mondo dentro. E mentre molti lo dicevano a parole, lui ha lasciato Meta dopo dodici anni e ha raccolto oltre un miliardo di dollari per costruire qualcosa di diverso. La diagnosi sullo scaling, insomma, non è un dibattito da seminario: ci si mettono sopra miliardi.

C'è poi il fronte più caldo, quello del lavoro, e qui le voci si scontrano. Geoffrey Hinton ripete che la sostituzione non è una minaccia futura, è già cominciata, dai call center in su. Mustafa Suleyman mette una data: diciotto mesi, e gran parte dei mestieri d'ufficio sarà alla portata di una macchina. All'estremo opposto Jensen Huang dà degli sprovveduti a chi licenzia per via dell'AI, e LeCun liquida come esagerate le stime di posti persi. Nel mezzo, due dietrofront che dicono molto: sia Dario Amodei sia Sam Altman, che nel 2024 avevano dipinto scenari quasi apocalittici, adesso abbassano i toni.

E sopra tutti, Benedict Evans fa l'osservazione più scomoda. Smettiamola di fingere di sapere quali lavori saranno colpiti, dice: prevederlo è semplicemente impossibile. Non perché l'AI sia innocua, ma perché ci sono troppe cose che non possiamo sapere in anticipo. È uno scetticismo che non viene da chi è contro l'AI: viene da dentro. La giornata, allora, tiene insieme due cose. Tutti credono nell'accelerazione. Quasi nessuno è d'accordo su chi la guiderà, e dove ci porterà.

Ilya Sutskever è uno dei nomi che hanno costruito l'AI moderna: era nel gruppo che nel 2012 fece partire tutta questa ondata, ed è stato per anni il cervello scientifico di OpenAI. Poi se n'è andato, e ha fondato una società con un nome che è già un programma: Safe Superintelligence, superintelligenza sicura.

In queste settimane è tornato a ripetere, con più insistenza di prima, una tesi che suona quasi eretica per il settore: il pre-addestramento dei modelli, così come lo abbiamo conosciuto, è finito. Per anni la ricetta è stata semplice e brutale: più dati e più calcolo, e i modelli miglioravano da soli. Quella stagione, dice Sutskever, ha aspirato tutta l'aria della stanza. Tutti facevano la stessa cosa, perché la stessa cosa funzionava. Il risultato è che la ricerca si è omologata.

La sua diagnosi è che il vantaggio non è più nei muscoli, ma nelle idee. Chi eccelle adesso non è chi mette in fila più schede grafiche, ma chi trova un'intuizione che gli altri non hanno. È un capovolgimento: per un decennio il calcolo è stato la cosa scarsa e preziosa, e adesso torna a esserlo il pensiero.

Intanto la sua azienda fa una scommessa che nel clima attuale è quasi provocatoria. Niente prodotti intermedi, niente app da lanciare per fare cassa. Un solo obiettivo dichiarato: arrivare alla superintelligenza sicura, e nient'altro fino ad allora. Una valutazione da trentadue miliardi di dollari poggia su questa promessa e su nessun fatturato. Negli ultimi mesi ha aggiunto un accento nuovo: un'AI legata in modo solido al rispetto della vita che sente, con un rilascio graduale come regola, non come gentilezza.

C'è qualcosa di antico in questa postura. Ricorda gli scienziati che si chiudono in laboratorio per anni mentre fuori tutti corrono a vendere, convinti che la scoperta vera arrivi dal silenzio e non dalla fretta. Nel pieno di un'industria che misura tutto a trimestri, Sutskever dice di voler aspettare. Che sia coraggio o azzardo lo diranno i fatti — ma è la dichiarazione più netta che il vento stia cambiando.

Per dodici anni Yann LeCun è stato la voce scientifica di Meta sull'intelligenza artificiale, e una delle persone che hanno inventato le reti neurali come le usiamo oggi. A novembre ha fatto una cosa che pochi si aspettavano: ha lasciato. E in queste settimane ha chiuso il più grande primo finanziamento mai raccolto in Europa per una società del genere — oltre un miliardo di dollari.

La tesi che porta con sé la ripete da anni, ma adesso ha i soldi per dimostrarla. I modelli linguistici di oggi, dice, non ragionano: sono sistemi che recuperano informazioni già viste. Bravissimi a richiamare, incapaci di immaginare. Manca loro la cosa che ogni bambino ha: un modello di come funziona il mondo, la capacità di prevedere cosa succede se spingi un bicchiere oltre il bordo del tavolo. Senza quello, sostiene, non si arriva da nessuna parte vicino a un'intelligenza vera, per quante schede grafiche si accumulino.

Al posto della corsa all'AGI propone un'altra parola e un'altra strada. Non un'intelligenza generale astratta, ma una capace di adattarsi in fretta a compiti nuovi. E un'architettura diversa che, invece di indovinare la parola o il pixel successivo, prova a ragionare su una rappresentazione più astratta della scena — più vicina a come pianifichiamo noi, che non pensiamo per singole parole ma per intenzioni.

Sul lavoro, LeCun fa il guastafeste. Le stime che parlano di un quinto dei posti spazzati via dall'AI? Esagerazioni. Resta ottimista sul fatto che questi strumenti accelereranno la scienza — la scoperta di farmaci, la fisica, la biologia — ma rifiuta lo scenario della sostituzione di massa imminente.

È una posizione che lo mette contro quasi tutti i suoi pari: contro chi vede l'AGI dietro l'angolo, contro chi annuncia disoccupazione di massa. La storia della tecnologia è piena di momenti così, in cui la maggioranza correva in una direzione e qualcuno si fermava a dire che stavano scavando nel posto sbagliato. A volte aveva torto. A volte, come chi previde che internet avrebbe contato più del fax, aveva semplicemente guardato più lontano. Con LeCun, per ora, sappiamo solo che ha scommesso un miliardo sulla seconda ipotesi.

Andrej Karpathy è uno di quei tecnici che il grande pubblico non conosce ma che dentro il settore pesano molto: ha guidato l'AI di Tesla, è stato tra i primi a OpenAI, e ha un dono raro per spiegare cose complicate con parole semplici. Lo abbiamo già incontrato all'inizio, con il suo schema sul software in tre fasi. Conviene tornarci, perché attorno a lui è successo qualcosa che racconta bene l'aria che tira.

A maggio ha annunciato dove sarebbe andato a lavorare: Anthropic, una delle aziende di punta del settore. Ma il ruolo è la parte interessante. Non un prodotto, non un'app: un gruppo dedicato alla ricerca di base sul modo in cui i modelli vengono addestrati da zero. L'idea, quasi ricorsiva, è usare l'AI stessa per accelerare la ricerca sull'AI. Dopo aver avuto una sua startup, torna nel laboratorio. È lo stesso movimento che vediamo in Sutskever: gente che aveva cavalcato l'onda del prodotto e adesso torna alle domande di fondo.

C'è poi un dettaglio concreto che racconta il momento meglio di mille previsioni. Karpathy indica la fine del 2025 come il punto in cui gli assistenti che scrivono codice da soli sono passati da curiosità a strumenti affidabili. La sua prova non è un grafico: è che non ricorda più l'ultima volta che ha dovuto correggere a mano il codice che la macchina gli ha generato. È il genere di cambiamento che non fa rumore ma sposta le abitudini di milioni di persone, come quando il navigatore satellitare ha smesso di sbagliare strada e a un certo punto abbiamo smesso di portarci dietro le mappe.

Il filo che lega tutto è quella parola: verificabile. Dove esiste una risposta giusta controllabile — il codice gira o non gira, il conto torna o non torna — la macchina vola. Dove la verità è sfumata, sfuma anche lei. È un confine onesto, ed è il motivo per cui le stesse aziende che hanno promesso macchine onniscienti adesso investono miliardi proprio lì, sul territorio sicuro del verificabile, lasciando il resto a domani.

Ricapitoliamo un attimo dove siamo, perché in auto è facile perdere il filo. Tre cose si muovono insieme oggi: l'idea che la corsa alla potenza pura sia finita, lo scontro su quanti posti di lavoro l'AI si porterà via, e una terza, più sottile, che riguarda il potere dentro le aziende. È qui che entra Jack Dorsey.

Dorsey lo ricordiamo come il fondatore di Twitter. Quella vita è alle spalle: oggi guida Block, la società dietro i pagamenti di Square, e l'ha trasformata in qualcosa di molto diverso. Dopo aver tagliato circa il quaranta per cento del personale, la sta ricostruendo come una macchina concentrata su una cosa sola, il Bitcoin. Meno prodotti, meno dispersione: un'azienda da seimila persone che vuole muoversi come se ne avesse cinquanta.

Il pezzo più interessante è come immagina di organizzarla. Dorsey vuole smontare i livelli intermedi — i capi dei capi — e portare la gerarchia a due, tre gradini al massimo, con il caso ideale in cui tutti rispondono direttamente a lui. Restano solo due figure: chi costruisce, e poco sopra chi coordina. Il manager classico, quello che non costruisce e non vende ma sta in mezzo a far girare le informazioni, sparisce.

E qui l'AI fa la sua parte, ma non quella che ci si aspetta. Per Dorsey la macchina non decide: porta a chi decide un contesto più ricco, più in fretta. Se l'informazione arriva già masticata a chi deve scegliere, lo strato di persone che prima serviva a farla passare su e giù diventa superfluo. Da qui la sua frase: ogni azienda può diventare una piccola AGI.

Il punto interessante è che non è solo. Anche Dario Amodei, da Anthropic, sta sperimentando strutture con pochissimi livelli e moltissime persone che gli riferiscono direttamente. Due figure agli antipodi che arrivano alla stessa intuizione: l'AI è un solvente che scioglie il management di mezzo. È successo altre volte con la tecnologia — la posta elettronica eliminò eserciti di segretarie, il foglio di calcolo interi reparti di contabili. Stavolta tocca a chi sta nel mezzo a coordinare. Una rivoluzione silenziosa, che non fa notizia quanto i robot, ma cambia la forma stessa del lavoro.

L'ultimo ritratto è quello di Dario Amodei, che guida Anthropic ed è forse la figura che meglio incarna il dietrofront di questi mesi. Nel 2024 era tra le voci più cupe: scenari di disoccupazione di massa, avvertimenti netti sul giro di pochi anni. A giugno ha pubblicato il testo più denso e meditato che abbia mai scritto sul rapporto tra AI e politica, e il tono è cambiato.

Sul lavoro ammette ancora che lo scossone sarà grande, forse più grande e più duraturo di quelli passati. Ma adesso, invece di limitarsi ad allarmare, propone rimedi concreti: una sorta di assicurazione sullo stipendio, incentivi per chi si riqualifica, dati seri su quanti licenziamenti dipendano davvero dall'AI, e perfino l'apertura all'idea di un reddito di base. Nel frattempo, racconta Fortune, ha definito stupido sostituire i dipendenti più giovani con le macchine — un capovolgimento pratico rispetto ai suoi stessi discorsi sull'automazione.

Sulla regolazione la posizione è altrettanto interessante, perché non è nessuna delle due cose che ci si aspetta. Non vuole il liberi tutti, ma nemmeno la mano pesante dello Stato che blocca ogni cosa. Propone un modello preso in prestito dall'aviazione o dai farmaci: controlli obbligatori fatti da terzi sui modelli più potenti, e il potere per il governo di fermare un rilascio giudicato pericoloso. Test prima del decollo, come per un aereo nuovo.

C'è qualcosa di rivelatore in questo ammorbidirsi. Amodei non è il solo: anche Sam Altman ha smussato le previsioni più estreme di un paio d'anni fa. Sono le stesse persone che ci avevano spaventato, e che adesso, con i modelli veri tra le mani, parlano in modo più cauto. Non perché il problema sia sparito, ma perché da vicino le cose appaiono sempre più complicate e meno cinematografiche di come si annunciavano da lontano.

È un movimento che abbiamo già visto con ogni grande tecnologia. La prima reazione è apocalittica o utopica, sempre estrema. Poi arriva la fase noiosa e adulta, fatta di regole, assicurazioni, commissioni di controllo. È meno spettacolare, ma di solito è il segno che una cosa sta diventando seria sul serio.

Chiudiamo con qualche progetto da tenere d'occhio, e non a caso parlano la stessa lingua dei discorsi di oggi. Tornano tutti dalle settimane scorse, segno che la corrente è di fondo, non una moda di giornata.

nanochat, di Karpathy, continua a crescere: è un modo per costruirti da zero un piccolo modello di conversazione, capirne le viscere invece di affittarlo da qualcuno. Vicino c'è autoresearch, sempre suo, che prova a far fare alla macchina pezzi del lavoro del ricercatore — esattamente quell'uso dell'AI per accelerare l'AI di cui parlava entrando in Anthropic.

Poi llama.cpp, ancora in salita: serve a far girare i modelli sul tuo computer, senza data center, senza affitti mensili. È il contraltare concreto alle fabbriche di calcolo grandi come città — da una parte chi costruisce capannoni, dall'altra chi fa stare tutto su un portatile. Sul fronte della sovranità è la stessa spinta di cui parlano Buterin e Dorsey.

C'è claude-context, che aiuta questi assistenti a tenere a mente progetti grandi senza perdersi. E infine ARC-AGI, la collezione di test ideata da François Chollet per misurare se una macchina ragiona davvero o sta solo ripescando. È curioso vederlo ancora in cima alle classifiche: è proprio il banco di prova di quel confine — il verificabile, il ragionamento vero — attorno a cui ruota tutta la giornata.

Resta l'immagine di Sutskever che dice di voler aspettare, mentre tutti corrono. Per anni la domanda era chi avrebbe costruito la macchina più grande. Adesso è chi avrà l'idea giusta, e chi la possiederà. La potenza si è fatta abbondante; tornano scarse le due cose di sempre, il pensiero e il controllo. È stato Signal Brief. Alla prossima.