Quando la macchina entra in squadra

Quando la macchina entra in squadra

La festa dello scaling finisce, l'inferenza costa, le gerarchie si sciolgono. Cinque voci raccontano dove sta migrando il valore: dall'esecuzione al giudizio.

A Taipei, primo giugno, Jensen Huang riempie un palco di chip nuovi e promesse di abbondanza. Pochi giorni dopo, davanti a un microfono, Ilya Sutskever dice con voce piana che la festa è finita. Due scene, lo stesso mondo, la stessa settimana. Una guarda avanti a tutta velocità, l'altra si ferma a pensare. È il 30 giugno 2026, questo è Signal Brief, e oggi partiamo proprio da qui: da chi accelera e da chi, all'improvviso, ha tirato il freno.

Cominciamo da una cifra che Sam Altman ha lasciato cadere durante una diretta, il 2 giugno, quasi di sfuggita. Il suo utente interno più vorace consuma cento miliardi di token al mese. E poi l'osservazione che conta davvero: la seconda lamentela più frequente dei clienti grandi non è più la qualità del modello, è il costo di farlo girare. Per anni la domanda era una sola, come costruire macchine sempre più capaci. Adesso se ne aggiunge un'altra, più prosaica e più seria: quanto costa tenerle accese.

Chi ha qualche anno se la ricorda, questa storia. È la stessa parabola dell'elettricità nelle fabbriche di inizio Novecento. All'inizio il problema era inventare il motore elettrico. Poi, quando i motori ci furono, il problema diventò la bolletta, la rete, l'efficienza dello stabilimento. L'innovazione si sposta sempre così: dalla meraviglia di una cosa che funziona alla noia di una cosa che deve funzionare a un prezzo sostenibile. L'intelligenza artificiale è arrivata a quella soglia. Si chiama economia dell'inferenza, ma in fondo è solo la fattura della corrente.

Mentre Altman fa i conti, c'è chi vende il sogno opposto. A Davos, a gennaio, Elon Musk aveva parlato di un'esplosione dell'economia globale, di abbondanza senza precedenti. Marc Andreessen, nelle sue ultime settimane, ripete che il panico sul lavoro è completamente fuori bersaglio: l'AI amplifica le persone, non le cancella. E Huang, dal suo palco, liquida come assurda l'idea che la tecnologia distrugga posti. È una corrente potente, l'ideologia dell'abbondanza, e va presa sul serio. Ma vale la pena notare una cosa, con calma: l'ottimismo coincide quasi sempre con chi vende le pale durante la corsa all'oro. Huang vende hardware. Chi non ne vende — Geoffrey Hinton, per esempio — dice di essere più spaventato di prima. Non è un dettaglio. È quasi una regola.

Poi c'è il filo che attraversa tutto il resto, e che torna anche oggi: le gerarchie si stanno sciogliendo. Quelle del software, quelle del management, quelle dell'azienda intera. Naval Ravikant lo riassume con la sua immagine preferita, ormai diventata uno slogan: tutti adesso sono maghi. Per decenni i programmatori erano gli unici a saper pronunciare le formule giuste per far obbedire la macchina. Ora quella bacchetta finisce in mano a chiunque sappia descrivere a parole quello che vuole. Patrick Collison spinge oltre e immagina software cucinato al momento, servito come una pizza, su misura, invece che impacchettato e venduto a milioni di copie uguali.

Tre scene diverse — la bolletta di Altman, l'abbondanza di Andreessen, la pizza di Collison — ma raccontano un'unica storia. Il valore si sta spostando. Si allontana da chi esegue e si avvicina a chi decide cosa vale la pena fare. Dalla scrittura alla scelta. Ed è qui, su questo spostamento, che le voci di questa settimana cominciano a litigare sul serio.

Sam Altman, in questi mesi, ha cambiato musica con discrezione. Nel 2023 parlava di rischi esistenziali, di estinzione. Oggi il suo lessico è quello della transizione gestibile, della singolarità gentile, una cosa che arriva piano e che possiamo governare. L'8 giugno, insieme a Jakub Pachocki, ha pubblicato un piano dal titolo che è già un programma: costruita per portare beneficio a tutti. L'idea è che l'AI debba servire alle cose minute della vita — capire una bolletta medica, avviare una micro-impresa, accudire un genitore anziano — e che i vantaggi vadano distribuiti il più largamente possibile.

Bel proposito. Ma il dettaglio più rivelatore della sua settimana non è questo. È la cifra di cui parlavamo: il costo come seconda lamentela dei clienti. Perché segna un confine. Finora la corsa è stata verticale, verso modelli sempre più potenti, costi quel che costi. Adesso entra in gioco la matematica del ragioniere. Quanto consuma ogni risposta, quanti watt, quanti soldi per ogni utente servito.

C'è un parallelo che aiuta a vedere dove andiamo. Pensate ai primi anni del cloud, quindici anni fa. All'inizio l'entusiasmo era tutto sulla magia — i tuoi dati ovunque, calcolo infinito a portata di clic. Poi sono arrivate le bollette di fine mese, e con loro un mestiere nuovo: ottimizzare la spesa, spegnere quello che non serve, contrattare ogni centesimo. L'AI sta vivendo lo stesso passaggio, ma compresso in pochi mesi invece che in anni. Dalla meraviglia alla contabilità.

Altman, intanto, lega sempre di più le sue argomentazioni sulla sicurezza alla gara con la Cina. Non più un discorso che sta in piedi da solo, ma annidato nella competizione geopolitica: l'America deve guidare costruendo i modelli migliori e tenendoli al sicuro. C'è perfino un rilascio scaglionato del modello più potente, riservato ai clienti approvati dal governo. La cosa più interessante, per me, è questa torsione: la stessa persona che predica beneficio universale gestisce l'accesso al suo prodotto migliore come si gestisce una tecnologia strategica. Abbondanza nelle parole, scarsità governata nei fatti. Le due cose convivono, e la tensione tra loro è il vero racconto di OpenAI in questo momento.

Se Altman fa i conti della corrente, Ilya Sutskever fa un funerale. È il personaggio più sorprendente della settimana, perché parla contro la propria opera. È stato lui, più di chiunque altro, l'architetto dell'idea che bastasse aggiungere calcolo e dati per far crescere l'intelligenza delle macchine. Lo scaling. Il motore di tutta l'epoca dei grandi modelli linguistici.

Nella sua seconda lunga conversazione con Dwarkesh Patel, Sutskever annuncia che quell'epoca è chiusa. Dal 2020 al 2025, dice, abbiamo vissuto l'età dello scaling. Dal 2026 comincia l'età della ricerca. Il collo di bottiglia non sono più le schede grafiche, sono le idee. E mette il dito sulla ferita: i modelli generalizzano molto, molto peggio degli esseri umani. Imparano a memoria, faticano davanti al problema nuovo, quello mai visto.

Non è solo, in questa malinconia. François Chollet, con il suo nuovo banco di prova ARC, mostra test che un bambino risolve facilmente e che i modelli più avanzati sbagliano quasi sempre, restando sotto l'uno per cento. Yann LeCun, uscito da Meta, ha raccolto più di un miliardo di dollari per la sua nuova impresa e li scommette apertamente contro i grandi modelli linguistici, puntando su macchine che imparano dal mondo fisico invece che dal testo.

Ricapitoliamo un attimo dove siamo, perché qui sta il cuore della giornata. Da una parte chi costruisce — Huang, Altman, Collison — accelera, industrializza, vende infrastruttura. Dall'altra chi pensa — Sutskever, Chollet, LeCun — tira il freno e dice: aspettate, ci manca un pezzo grosso. È una frattura tra chi corre e chi riflette, e attraversa tutto il settore.

C'è qualcosa di profondamente umano in questa scena. Gli ingegneri che hanno costruito la cattedrale tornano indietro e ne elencano le crepe. È già successo, nella storia della tecnica. I pionieri dell'automobile a un certo punto smisero di costruire motori più grossi e cominciarono a chiedersi come renderli efficienti, sicuri, intelligenti. La spinta della potenza pura si esaurisce, e comincia la fase difficile: capire davvero come funziona la cosa che hai messo al mondo.

Torniamo al palco di Taipei, perché Jensen Huang è l'altra metà esatta di questa frattura. Mentre Sutskever celebra il funerale dello scaling, Huang ne celebra il trionfo industriale. Al keynote del primo giugno ha dichiarato che l'AI ha superato la fase in cui si limitava a generare testo ed è entrata nell'era degli agenti: sistemi che non rispondono soltanto, ma osservano, ragionano, pianificano e agiscono. La sua frase, scolpita per essere ripetuta: l'AI agentica è arrivata, l'AI utile è arrivata.

E poi i prodotti, perché Huang vende cose, non visioni. Ha presentato Vera Rubin, una piattaforma che ha definito il progetto più ambizioso nella storia di Nvidia, quarantamila ingegneri coinvolti, già in produzione di massa. Una prima CPU pensata per i centri di calcolo. Un chip per i computer personali con l'AI dentro. Il messaggio è limpido: l'intelligenza artificiale smette di essere un software e diventa una infrastruttura, mattoni e cemento di un'epoca.

È sul lavoro che Huang affila la posizione più dura. Respinge come assurda l'idea che l'AI distrugga posti. Il suo ragionamento è quasi una macchina che si alimenta da sola: se uno sviluppatore con questi strumenti produce nove trilioni di valore a fronte di tre trilioni di stipendi, le aziende ne vorranno di più, non di meno.

Qui vale la pena mettere le due voci una accanto all'altra, perché il contrasto dice tutto. Huang chiama assurda la distruzione di posti di lavoro. Dario Amodei, di Anthropic, rifiuta esplicitamente l'idea che la paura dell'AI sia solo un problema di comunicazione mal gestita: la gente teme, dice, perché percepisce correttamente che i rischi sono reali. E Hinton si dichiara più allarmato di prima. Uno vende l'hardware su cui gira tutto questo. Gli altri due, no. Non sto dicendo che chi è ottimista mente. Sto dicendo che conviene sempre guardare da dove parla chi parla. L'entusiasmo, in questa stagione, ha quasi sempre un listino prezzi attaccato.

Jack Dorsey porta la dissoluzione delle gerarchie dentro l'azienda, fin nelle stanze del management. Insieme a Roelof Botha di Sequoia ha firmato un saggio dal titolo che è una direzione di marcia: dalla gerarchia all'intelligenza. La tesi è netta. Le piramidi aziendali tradizionali sono diventate obsolete. Coordinare il lavoro, assegnare compiti, seguire i progetti, fornire il quadro in tempo reale: tutte funzioni che storicamente facevano i manager intermedi, e che l'AI può fare ora.

Non è teoria da convegno. Dorsey lo sta sperimentando dentro Block, la sua azienda, con squadre piccole che — sostiene — lavorano meglio. È un discorso che si collega ai circa quattromila tagli annunciati. Il punto che tiene a precisare è sottile: l'AI non decide al posto delle persone, rende le decisioni più ricche di contesto. Lo strato che sparisce non è quello di chi sceglie, è quello di chi faceva passare le informazioni da un piano all'altro dell'edificio.

C'è un parallelo storico che si impone. Negli anni Ottanta e Novanta, il personal computer e poi la posta elettronica spazzarono via interi reparti di segreteria e di smistamento. Non perché qualcuno fosse incapace, ma perché la funzione che svolgevano — far viaggiare l'informazione — venne assorbita dalla macchina. Dorsey scommette che il middle management sia il prossimo reparto di smistamento della storia.

E c'è un secondo Dorsey, coerente col primo. Nel podcast di Sequoia dice che ogni azienda può ora diventare una piccola intelligenza generale, combinando modelli a pesi aperti e intelligenza distribuita. La sua visione punta su un'AI decentralizzata, costruita dalle comunità, alternativa ai colossi proprietari della Silicon Valley. È la stessa convinzione che da sempre lo lega a Bitcoin, riemersa anche questa settimana con un rilancio del vecchio rubinetto che regalava monete.

Mi resta una domanda, guardandolo. Se l'AI assorbe chi coordinava, chi resta a tenere insieme le persone? Dorsey risponde: le squadre piccole si tengono insieme da sole. È una scommessa elegante. Vedremo se regge alla prova del lunedì mattina.

L'ultima voce sposta il discorso su un piano più sottile. Mira Murati è riemersa il 4 giugno al Bloomberg Tech di San Francisco, dopo diciotto mesi di silenzio dall'addio a OpenAI, portando finalmente allo scoperto Thinking Machines Lab. È rientrata con cautela, come chi torna sotto i riflettori misurando ogni passo.

La sua idea ha un nome quasi tecnico — modelli di interazione — ma il senso è semplice e profondo. Oggi parliamo con le macchine a turni: io scrivo, lei risponde, io scrivo di nuovo. Come una corrispondenza per lettere. Murati sostiene che la conversazione vera debba essere un'altra cosa: un flusso continuo, dove la macchina ascolta mentre parla, gestisce le interruzioni, le correzioni a metà frase, le pause. Audio, testo e video che scorrono insieme, aggiornati ogni due decimi di secondo. Non più lo scambio a turni, ma il dialogo.

È lo stesso movimento che spinge anche Demis Hassabis, che lavora a un modello capace di controllare qualsiasi mezzo — testo, audio, video — in modo conversazionale e granulare. Due laboratori diversi, la stessa direzione: portare l'AI dal rispondere all'interagire. Dall'oracolo che pronuncia sentenze quando interrogato, al collega che sta nella stanza con te mentre le cose accadono.

Pensateci come al passaggio dal telegrafo al telefono. Col telegrafo mandavi un messaggio e aspettavi la risposta, parola per parola, a turni. Col telefono, all'improvviso, due persone potevano parlarsi sopra, interrompersi, ridere insieme. Cambiò tutto, non solo la velocità: cambiò il tipo di relazione possibile. Murati sta provando a dare alle macchine quel salto lì.

Non tutto le sorride. Sul fronte dei soldi, dopo due miliardi raccolti a una valutazione di dodici, un tentativo molto più ambizioso è andato a vuoto, e oggi resta ferma a quella cifra. Segno di un mercato più diffidente, che chiede prodotti veri e non più promesse. Forse è il sintomo più sano della stagione: dopo l'euforia, qualcuno comincia a chiedere il conto anche a chi vende il futuro.

Qualche progetto da osservare, e questa settimana il filo che li unisce è lo stesso del podcast: i mezzi di produzione del software che finiscono nelle mani dei singoli. Costruisciti la tua piccola fabbrica, come dice Naval.

Continuano a crescere, in tendenza, gli strumenti che ruotano attorno ad Andrej Karpathy: nanochat, il suo llm-wiki, e autoresearch, il flusso di ricerca che si muove quasi da solo. In tendenza anche llama.cpp di Georgi Gerganov, che da tempo permette di far girare modelli sul proprio computer senza data center. In tendenza la libreria llm di Simon Willison, e ARC di François Chollet, il banco di prova di cui parlavamo prima. In tendenza Obsidian per gli appunti, omarchy e Hyprland per chi si costruisce il proprio ambiente di lavoro su misura, claude-context, superpowers, e il modello GOModel.

Non li descrivo uno per uno — restano lì, segnalati, perché tornano settimana dopo settimana. Ma il quadro complessivo dice qualcosa. Sono quasi tutti strumenti per fare da soli ciò che prima richiedeva una squadra o un'infrastruttura. È la versione concreta, fatta di codice scaricabile, di tutto quello che oggi raccontano Dorsey e Naval a parole. La bacchetta magica, distribuita.

Resta l'immagine di Sutskever che torna sulla cattedrale che ha costruito e ne conta le crepe. E quella di Paul Graham che, ironia della sorte, riassumiamo qui mentre lui scrive apposta per non essere riassunto, per restare denso e indigeribile alle macchine. Forse la domanda vera non è l'abbondanza, né il rischio. È cosa resta soltanto nostro, quando la macchina diventa parte della squadra. È stato Signal Brief. Alla prossima.