Dal modello all'agente

Dal modello all'agente

Il baricentro dell'intelligenza artificiale si sposta dai modelli agli agenti e agli strumenti da riscrivere. E cresce una domanda antica: cosa resta prezioso quando pensare diventa un servizio.

C'è un momento, in ogni ondata tecnologica, in cui l'attenzione si sposta dall'oggetto a ciò che ci fai intorno. Questa settimana quel momento è arrivato per l'intelligenza artificiale. Signal Brief, tre luglio: mentre i laboratori si contendono i modelli più grandi, le persone che quei modelli li hanno costruiti guardano già altrove — agli agenti, agli strumenti da riscrivere, al costo di far girare tutto questo. E, sotto, una domanda più antica: cosa resta prezioso quando pensare diventa un servizio. Andrej Karpathy, davanti a una platea di investitori, l'ha messa a modo suo.

Palco della Sequoia, Silicon Valley, davanti a una sala di investitori. Andrej Karpathy — uno dei nomi che hanno costruito l'era dei grandi modelli — non parla del prossimo modello. Parla di quello che ci mettiamo intorno. La sua frase resta addosso: puoi esternalizzare il pensiero, non la comprensione. Detto da uno che ha insegnato alle macchine a pensare, suona quasi come una confessione.

È il segnale che attraversa tutta la settimana. Per anni la domanda è stata: chi costruisce il modello più grande. Adesso la domanda è diventata: chi costruisce il mondo di strumenti che quel modello userà. Lo dicono in tanti, e da direzioni diverse. Jensen Huang, sul palco di Taipei, chiama i data center fabbriche di intelligenza e prevede che fino all'ottanta per cento delle applicazioni di oggi sparirà o verrà ricostruita da capo. Patrick Collison usa un'immagine più domestica: il software come una pizza, non prodotto in serie ma cucinato al momento, quando serve, generato su richiesta. Nat Friedman, appena entrato in Meta, ripete che gli strumenti degli sviluppatori — le liste di lavori, il codice condiviso, perfino i sistemi con cui lo si conserva — sono stati pensati per gli umani e vanno riscritti per gli agenti.

Messi insieme, disegnano la stessa casa raggiunta da strade diverse. Il software preconfezionato, quello che compri già fatto e installi, sta lasciando il posto a qualcosa che si costruisce nel momento in cui lo usi. È un passaggio che somiglia a quello che successe alle fabbriche un secolo fa, quando smisero di produrre da sole la propria energia e cominciarono a prenderla dalla presa. L'elettricità diventò un servizio che arrivava quando serviva, nella quantità che serviva. Adesso è il software a incamminarsi su quella strada.

Ma ogni servizio ha un costo, e qui la storia si complica. Sam Altman, che fino a ieri raccontava soltanto la corsa alle capacità, in un incontro con i clienti di OpenAI ha ammesso una cosa nuova: a inizio 2026 nessuno si preoccupava di quanto costa far girare questi modelli, oggi è la seconda lamentela più frequente. Ha lasciato cadere un numero che dà la scala della faccenda: il suo utente interno più vorace consuma cento miliardi di parole-macchina al mese. Ilya Sutskever e Jack Clark arrivano allo stesso punto da un'altra angolazione — l'idea che si possa migliorare tutto semplicemente aggiungendo potenza di calcolo ha smesso di funzionare, e il conto dell'inferenza, il costo di ogni singola risposta, diventa un limite vero.

Sotto tutto questo corre un filo più sottile, ed è quello che mi interessa di più. Se il pensiero si può delegare — se una macchina scrive il codice, riassume il documento, prepara la risposta — cosa resta scarso? La comprensione, dice Karpathy. Saper fare le domande giuste, aggiunge Aravind Srinivas, che lo chiama con un'espressione felice: il premio alla curiosità. In un mondo dove le risposte diventano una merce a basso prezzo, il vantaggio che rimane è capire abbastanza da restare responsabili di ciò che si affida alle macchine. È lo stesso spostamento che vide chi, ai tempi delle prime calcolatrici tascabili, capì che il punto non era più fare i conti a mano, ma sapere quale conto avesse davvero senso fare.

Quattro persone, questa settimana, hanno raccontato quattro pezzi di questa storia. Conviene ascoltarle una alla volta.

Comincio da chi, tra tutti, ha cambiato tono nel modo più netto. Sam Altman guida OpenAI, il laboratorio che più di ogni altro ha acceso questa stagione. Per due anni il suo racconto è stato una corsa in avanti: modelli più capaci, più in fretta. Questa settimana due cose incrinano quella linearità.

La prima è un articolo sul Financial Times. Altman propone un forum internazionale, guidato dagli Stati Uniti, che fissi regole comuni per collaudare la sicurezza dei modelli, offra valutazioni indipendenti e metta la tecnologia a disposizione dei paesi che accettano quelle regole. È la vecchia analogia con l'agenzia atomica — un'autorità mondiale per una tecnologia troppo potente da lasciare a ciascuno — tradotta però in una proposta concreta e apertamente politica. Pochi giorni prima, al G7, aveva incontrato Trump insieme agli altri protagonisti del settore per spingere in quella direzione. Dietro la mossa, mi sembra, c'è anche un calcolo: OpenAI sta perdendo terreno verso Google e Anthropic, e diventare l'attore che scrive gli standard è un modo per riprendersi il centro della scena.

La seconda cosa è più tecnica ma più rivelatrice. In quell'incontro con i clienti aziendali, Altman ha ammesso che il costo è ormai la seconda lamentela più frequente di chi usa i suoi modelli. E ha detto una frase che vale la stagione intera: a inizio 2026 nessuno si preoccupava dei costi, adesso sì. Poi il numero: il suo utente interno più intenso brucia cento miliardi di parole-macchina al mese.

Ed è qui che il ritratto tocca il filo della giornata. Per anni il vincolo dell'intelligenza artificiale è stato costruirla. Adesso il vincolo diventa farla funzionare — pagare l'energia, il calcolo, il prezzo di ogni singola risposta. È lo stesso passaggio che vissero le ferrovie: prima la sfida è posare i binari, poi ci si accorge che il problema vero, tutti i giorni, è tenere in piedi i treni. Altman lo sta scoprendo in diretta, e lo dice ad alta voce. La corsa non si ferma. Ma ha cominciato a presentare il conto.

Dario Amodei guida Anthropic, il laboratorio rivale, e questa settimana ha scelto un terreno diverso dalla tecnica: la politica. Il suo saggio, uscito a giugno, è più o meno una linea di condotta per l'esponenziale, ed è l'intervento più esplicitamente politico che gli abbia visto fare.

Il punto di partenza è uno scarto di velocità. Le capacità delle macchine crescono lungo una curva ripida, mentre le regole si muovono al passo di sempre. Amodei sostiene che i rischi non sono un'ipotesi futura, sono già qui, e che è tempo di passare dalla semplice trasparenza a regole che obblighino davvero. La sua proposta prende a modello l'aviazione: i modelli più potenti, sopra una certa soglia, dovrebbero superare test obbligatori fatti da terze parti — sulla sicurezza informatica, sul rischio di armi biologiche, sulla possibilità di perdere il controllo. E il governo, dice, dovrebbe avere il potere di fermare un sistema pericoloso, come si tiene a terra un aereo che non ha passato i controlli.

Ma la parte che parla al filo di oggi è un'altra. Amodei mette in guardia sul lavoro: l'intelligenza artificiale, avverte, potrebbe scuotere l'occupazione molto più delle tecnologie di prima. E qui la sua posizione si stacca da quella dei tecno-ottimisti. Marc Andreessen, negli stessi giorni, rilancia l'idea opposta: l'AI allargherà tanto l'economia che le generazioni future non riconosceranno gli attuali lavori come lavoro, e il rischio vero è la regolazione che frena. Due mappe dello stesso territorio, tracciate al contrario.

Amodei non parla di posti che spariscono, parla di disuguaglianza che cresce, e chiede strumenti concreti: dati migliori su chi resta senza lavoro, una forma di assicurazione sui salari, incentivi a trattenere le persone. È lo stesso allarme che Geoffrey Hinton ha portato alle Nazioni Unite, con la sua immagine dell'auto lanciata senza volante. La cosa più interessante per me è che a suonarlo non sono i critici esterni, ma chi questi sistemi li costruisce. Come se l'ingegnere che progetta il motore fosse anche il primo a chiedere i limiti di velocità.

Aravind Srinivas guida Perplexity, nata come motore di risposte e diventata qualcosa di più ambizioso. Il suo annuncio della settimana si chiama Perplexity Computer, e il nome dice già la direzione: non più un posto dove fai domande, ma uno spazio dove fai cose. Ci ha collegato più di quattrocento strumenti — la contabilità, il negozio online, gli strumenti per pubblicare — con l'idea che una persona sola, o un piccolo gruppo in gamba, possa avviare e gestire un'azienda da dentro un unico ambiente.

È esattamente lo spostamento dal modello all'agente di cui parlavamo. Il modello che risponde diventa un modello che esegue. E Srinivas, parlando alla CNBC, ha cambiato anche il metro con cui misura la corsa: non più il modello più grande, ma quanto valore riesci a tirar fuori da ogni unità di energia, distribuendo il lavoro tra i dispositivi in tasca e il calcolo nella nuvola. È un modo diverso di pensare la partita — meno muscoli, più orchestrazione.

Ma la cosa che gli è rimasta più addosso l'ha detta altrove, ospite del podcast di Joe Rogan. In un mondo dove le risposte diventano una merce, ha detto, il vantaggio che resta agli umani è saper porre le domande migliori. L'ha chiamato il premio alla curiosità, e ci ha messo dentro riferimenti all'epica indiana e a certi esperimenti sull'apprendimento. Detto dal capo di un'azienda che vende risposte, ha un che di paradossale — e proprio per questo suona sincero.

Torniamo per un attimo al filo di oggi. Karpathy dice che si può delegare il pensiero ma non la comprensione. Srinivas dice quasi la stessa cosa da un altro lato: quando la macchina risponde a tutto, il pregio raro diventa sapere cosa chiederle. È una vecchia verità travestita da novità. Il maestro socratico non sapeva più cose dei suoi allievi; sapeva fare domande migliori. Duemilaquattrocento anni dopo, l'uomo che ha costruito una macchina per rispondere a tutto arriva alla stessa conclusione. La scarsità si sposta, non scompare. Prima era l'informazione. Adesso è la buona domanda.

L'ultimo ritratto porta la storia altrove — lontano dai grandi laboratori, verso chi vuole costruire tecnologia che non dipenda da nessun centro. Jack Dorsey, il fondatore di Twitter, da tempo ha lasciato quel mondo per un'ossessione diversa: comunicare senza server, senza numeri di telefono, senza chiedere permessi.

Questa settimana ha annunciato una nuova app, White Noise: messaggi cifrati costruiti su Nostr, un protocollo aperto che nessuna azienda possiede. Fa il paio con Bitchat, la sua app che gira su una rete di dispositivi vicini via Bluetooth e funziona anche senza internet — i messaggi rimbalzano cifrati da un telefono all'altro finché uno trova connessione. Dentro ci ha infilato perfino i pagamenti in Bitcoin fatti offline: firmi la transazione, la lasci viaggiare nella rete di dispositivi, e prima o poi qualcuno la porta online. L'idea di fondo è il quartiere come rete autonoma, che non chiede il permesso a nessuno.

È una delle due risposte a una stessa paura — la paura che una tecnologia così potente finisca concentrata in pochissime mani. Dorsey, insieme a Balaji Srinivasan con il suo personale, privato, programmabile, risponde con la fuga: distribuire tutto, il denaro, i messaggi, l'identità, così che nessun centro possa spegnerli.

All'estremo opposto c'è chi, alla stessa paura, risponde stringendo invece di allargare. Mustafa Suleyman, che guida l'intelligenza artificiale in Microsoft, parla di una superintelligenza umanista — deliberatamente limitata, controllabile, tenuta al guinzaglio, con una cooperazione globale a fare da custode. Uno vuole disperdere il potere perché nessuno lo abbia tutto; l'altro vuole contenerlo perché resti nelle mani giuste. È la vecchia tensione tra chi si fida delle regole dall'alto e chi si fida solo di ciò che nessuno può controllare. La stessa che divideva, secoli fa, chi voleva un sovrano forte per garantire l'ordine e chi preferiva che il potere restasse sparpagliato tra le città. Cambia l'oggetto — allora la terra, oggi il calcolo — non la domanda.

Prima di chiudere, uno sguardo veloce ai progetti che continuano a crescere, senza sostare troppo su nessuno. Non è un caso che, mentre parliamo di spostamento dal modello all'agente, i nomi che tornano siano quasi tutti di chi costruisce gli attrezzi di questa nuova bottega.

In cima restano i lavori di Andrej Karpathy: nanochat, il suo modello di conversazione ridotto all'osso per capire la macchina da dentro; una piccola enciclopedia scritta con l'aiuto dei modelli; e un esperimento di ricerca automatica. Compaiono da settimane e continuano a salire — coerenti con l'uomo che ci invita a comprendere ciò che deleghiamo.

Tiene bene llama.cpp, il progetto che fa girare i grandi modelli su un computer normale, senza data center: l'altra faccia della storia sui costi di cui parlava Altman. Sale ancora la libreria di Simon Willison per lavorare con i modelli dalla riga di comando, e resta in vista ARC-AGI, il banco di prova di François Chollet su cui le macchine ancora arrancano.

Continuano a crescere anche cose meno tecniche e più di gusto: Obsidian, il quaderno digitale per costruirsi un secondo cervello di appunti collegati; Omarchy e Hyprland, per chi ama cucirsi addosso il proprio ambiente di lavoro; e superpowers, la raccolta che allarga le capacità degli assistenti. Nessuna novità clamorosa: piuttosto una corrente costante, che scorre tutta nella stessa direzione. Gli strumenti attorno al modello. Esattamente il tema di oggi.

Resta l'immagine di Karpathy sul palco, che invita a non delegare la comprensione proprio mentre insegna alle macchine a pensare al posto nostro. La scarsità si sposta, non sparisce: prima l'informazione, poi le risposte, adesso le domande giuste. Il mondo automatizza il pensare. Tocca a noi tenerci il capire. È stato Signal Brief. Alla prossima.