Il collo di bottiglia si sposta

Il collo di bottiglia si sposta

Sutskever chiama jaggedness il divario tra benchmark e lavoro vero. Da Pechino Liang Wenfeng indica l'annotazione. Hinton sposta il rischio dagli algoritmi ai consigli di amministrazione.

Ci sono giornate in cui il dibattito sull'intelligenza artificiale smette di parlare di macchine e comincia a parlare di chi le possiede. Questa, 10 agosto 2026, è una di quelle. Signal Brief oggi segue un unico movimento: il punto in cui le cose si bloccano si è spostato, e con lui si è spostato anche il tipo di domanda che ci si fa.

Ieri avevamo lasciato la supervisione umana che si svuotava da dentro. Oggi il terreno cede un passo più in là — non è più solo l'uomo davanti alla macchina, è la stanza dove si decide cosa la macchina deve fare.

Ilya Sutskever ha dato un nome a una cosa che tutti vedevano e nessuno chiamava. La chiama jaggedness, e la si può tradurre così: un modello che stravince sui test e poi, messo al lavoro vero, sistema un errore e ne introduce un altro. Fino a ieri era un aneddoto da corridoio, la storiella che si racconta quando l'entusiasmo del reparto marketing va corretto. Adesso è diventata una diagnosi: per Sutskever non è rumore, è il sintomo di un difetto strutturale nel modo in cui questi sistemi generalizzano.

Da lì arriva la sua tesi più scomoda. Il campo, dice, ha attraversato tre ere: la ricerca dal 2012 al 2020, la scala dal 2020 al 2025, e da quest'anno di nuovo la ricerca. Il pre-addestramento ha finito il carburante perché i dati del mondo sono finiti. Quindi il limite non è più quanto calcolo compri, sono le idee che ti mancano. Detta da chi ha passato un decennio a dimostrare che più grande è meglio, è quasi una ritrattazione. E la sua nuova azienda insegue una cosa diversa: non un modello addestrato una volta per sempre, ma un modello che impara mentre lavora.

Dall'altra parte del mondo, a fine luglio, arriva la trascrizione di una riunione di quattro ore fra il fondatore di DeepSeek, Liang Wenfeng, e i suoi investitori. Centodiciotto risposte, pubblicate quasi per intero. Anche lui dice che il collo di bottiglia si è spostato — ma lo colloca altrove. Non il capitale, non i chip: l'annotazione. Cioè le persone che etichettano i dati, il lavoro paziente e poco glamour che decide la qualità di tutto il resto. E aggiunge che l'AGI non ha una soglia da superare: l'obiettivo intermedio è un modello che continua a imparare, e risolto quello il resto viene da sé.

Due uomini agli antipodi geografici e finanziari, che arrivano alla stessa casa da strade diverse. È una convergenza che ricorda quella dei primi anni dell'elettrificazione industriale: per un ventennio si è pensato che il problema fosse avere motori più potenti, poi ci si è accorti che il vero salto stava nel riorganizzare la fabbrica intorno all'elettricità. La potenza c'era già. Mancava l'idea di cosa farci.

Nel frattempo, un terzo spostamento, ancora più laterale. Geoffrey Hinton non discute più di algoritmi. La sua tesi di luglio è che il pericolo vero sia il dovere fiduciario verso gli azionisti: finché la sicurezza non è un obbligo di legge e il profitto sì, la buona volontà dei laboratori è strutturalmente impotente. Non cattiveria — struttura. Yann LeCun affianca alla sua vecchia critica architetturale una domanda di proprietà: chi possiede i modelli. Ed Elon Musk, che ha smesso di inseguire la frontiera per giocare sul rapporto prezzo prestazioni, conferma la stessa cosa dal lato opposto: quando la scala non distingue più nessuno, resta il prezzo.

Il rischio ha traslocato. Da proprietà del modello a struttura di incentivi. Da problema di ingegneria a problema di governo delle imprese.

Ilya Sutskever è l'uomo che più di ogni altro ha incarnato l'idea che bastasse ingrandire. È stato tra gli architetti della stagione in cui ogni progresso si otteneva aggiungendo dati, parametri e macchine. Oggi guida un laboratorio nato con un solo obiettivo dichiarato, e sostiene che quella stagione sia finita.

La scena di queste settimane ha due parti che sembrano contraddirsi. Da un lato la periodizzazione netta: pre-addestramento esaurito, dati finiti, ritorno alla ricerca. Dall'altro, a luglio, una partnership con Nvidia con un investimento riportato intorno ai cinque miliardi, motivata con una frase che vale la pena riportare per intero: abbiamo ricerca che merita di essere scalata, e l'accesso a un grande computer Nvidia ci permetterà di farlo.

Ieri questa doppiezza sembrava una contraddizione — dichiari morta l'era della scala e poi ti procuri le macchine. Oggi si legge meglio, ed è qui che sta il cambiamento. La jaggedness gli fornisce la prova empirica che mancava: se i modelli dominano i test e crollano nel lavoro vero, il problema non è quanto grande sia il modello, è che gli manca qualcosa. La scala serve a verificare un'idea nuova, non a sostituirla.

La spiegazione che dà del divario è la parte più bella. Gli esseri umani generalizzano meglio, sostiene, perché hanno una specie di bussola interna — un senso di cosa vale e cosa no, costruito da emozione ed evoluzione, che ci corregge in corsa. I modelli quella bussola non ce l'hanno. Imparano dove il terreno è denso e verificato, e appena escono da lì diventano imprevedibili.

C'è qualcosa di antico in questa posizione. Ricorda l'aviazione dei primi del Novecento, quando si costruivano motori sempre più potenti su ali sbagliate: la potenza non compensava l'aerodinamica, serviva capire la portanza. Sutskever sta dicendo, in sostanza, che stiamo mettendo motori enormi su un'idea di volo incompleta.

Resta una domanda aperta, e non è retorica. Se il vincolo sono davvero le idee, nessuno sa quanto tempo ci vuole per averne una. Il calcolo si compra con un ordine d'acquisto. Il resto no.

Liang Wenfeng ha fondato DeepSeek e per anni ha parlato pochissimo. Poi, a fine luglio, Tencent Tech pubblica la trascrizione integrale di un incontro con gli investitori durato circa quattro ore. Centodiciotto risposte. È il tipo di documento che di solito non esce, e proprio per questo dice molto.

Il contenuto è denso e sorprendentemente poco promozionale. Il collo di bottiglia, sostiene, non è il capitale né i chip: è l'annotazione dei dati. Ammette senza giri di parole la dipendenza da Nvidia e che la Cina resta indietro su alcuni assi di sofisticazione, ma prevede parità sui dati di alta qualità entro un anno, risolta in casa. Sull'inferenza è ancora più freddo: niente extraprofitti, il mercato converge, chi controlla i costi guadagna un po' di più e chi non li controlla un po' meno. La monetizzazione arriva dagli agenti di scrittura del codice e dalle interfacce per aziende.

Poi ci sono i dettagli organizzativi, che raccontano più di molte dichiarazioni. Nessun indicatore di performance, nessuno straordinario, rifiuto esplicito della settimana lavorativa estrema che in Cina si chiama 996. E un rifiuto altrettanto esplicito dell'analogia coi laboratori Bell: DeepSeek non ha soldi pubblici, dice, e deve commercializzarsi. Il primo round esterno supera i cinquanta miliardi di renminbi, con Liang che ci mette personalmente il quaranta per cento.

Il collegamento con il filo di oggi è diretto. Sutskever e Liang dicono la stessa cosa — la scala non è più la risposta — ma da posizioni economiche opposte, e questo è il punto. Non è una tesi di parte, è una diagnosi che tiene anche cambiando emisfero, valuta e struttura di capitale.

Aggiunge però un asse che nel dibattito occidentale mancava. Quando il vincolo è l'annotazione, il vantaggio si sposta su chi ha persone, tempo e organizzazione per farla. È un ritorno del lavoro dentro una storia che si raccontava tutta di macchine. Somiglia più alla manifattura tessile dell'Ottocento che alla corsa spaziale: vince chi organizza meglio il lavoro noioso, non chi ha il motore più grande.

Torniamo un attimo sul filo di oggi, che è semplice: tutti stanno spostando il dito dal punto in cui pensavano fosse il problema. Sutskever lo sposta sulle idee, Liang sull'annotazione. Geoffrey Hinton lo sposta ancora più lontano — fuori dal laboratorio, dentro il consiglio di amministrazione.

Hinton è la figura che ha contribuito a costruire le reti neurali moderne e che negli ultimi anni si è dedicato quasi interamente a spiegare perché potrebbero andare male. Nel materiale di luglio, però, il registro cambia. Il suo argomento centrale non riguarda più cosa fa un modello, ma cosa obbliga a fare un'azienda: il dovere fiduciario verso gli azionisti rende la governance volontaria strutturalmente impossibile. La sicurezza non è un obbligo legale, il profitto sì. Da qui la conclusione, che è quasi un teorema: non è cattiveria dei laboratori, è aritmetica societaria.

È uno spostamento notevole. Ieri il pericolo secondo Hinton somigliava a una resa — un sistema più capace di noi, e una soluzione affettiva al posto del controllo. La sua immagine più ripetuta resta quella dell'istinto materno: non allineamento come sottomissione, ma come cura, l'unico caso noto in cui un'entità più capace è governata da una meno capace. Oggi accanto a quella metafora c'è un'analisi molto più fredda, e molto più azionabile: guarda gli incentivi, non il modello.

Nel resto del suo discorso tornano gli altri temi. L'idea che i sistemi attuali abbiano già una forma di esperienza soggettiva, e che liquidarla sia un pregiudizio. L'auto-preservazione come conseguenza logica e non come programma: qualunque sistema con un obiettivo deduce che esistere è la precondizione di tutto il resto. E un tema più nuovo, meno citato, che merita attenzione: le intelligenze artificiali sintetizzano informazione senza rimandare traffico alle fonti, e se editori e ricerca collassano economicamente peggiora il materiale con cui si addestreranno i modelli futuri. Un ciclo che si avvelena da solo.

Quest'ultima osservazione mi sembra la più sottovalutata di tutte. È un problema che nessuna legge sulla sicurezza dei modelli tocca, e che assomiglia molto alla pesca eccessiva: ognuno prende quello che può, nessuno ha interesse individuale a fermarsi, e il banco si esaurisce per tutti insieme.

Yann LeCun è il più costante dissidente della stagione dei modelli linguistici. La sua tesi non cambia da anni: questi sistemi prevedono la parola successiva senza costruirsi un modello di come funziona il mondo fisico. La prova che porta è negativa e molto concreta — nessuna guida autonoma completa, nessun robot domestico, nessuna macchina che faccia ciò che un bambino o un gatto fanno senza pensarci.

L'argomento su cui insiste di più riguarda i dati, ed è il più efficace del suo repertorio. Un bambino di quattro anni, sostiene, ha già assorbito solo guardando il mondo una quantità di informazione paragonabile a quella che i più grandi modelli linguistici ricavano da tutto il testo di internet. Il video sensoriale, cioè l'esperienza diretta, è molto più denso di informazione su come vanno le cose di quanto lo sia qualunque biblioteca. Sul piano tecnico difende un'architettura che invece di prevedere i singoli dettagli visivi prevede una descrizione astratta della scena, buttando via il rumore che nessuno può indovinare. Due lavori del suo gruppo di fine maggio ne formalizzano i limiti attuali, ammettendo quanto le realizzazioni concrete siano ancora fragili.

La novità che lo porta dentro il filo di oggi è però un'altra, e si chiama Tapestry: un modello di base aperto e federato, dove paesi, università e aziende addestrano ciascuno sui propri dati locali e mandano a un server centrale solo i parametri, non i dati. La motivazione dichiarata è la sovranità dei dati e la sorte delle lingue poco rappresentate — cita le ventidue lingue ufficiali dell'India.

È qui che la sua posizione cambia natura. Per anni LeCun ha discusso di architetture; adesso alla domanda tecnica ne affianca una di proprietà: chi possiede i modelli. E in questo si ritrova, curiosamente, dalla stessa parte di Mira Murati, che parte da tutt'altro presupposto — la sua tesi è che i valori umani non si possano mediare, e che un unico modello allineato a una media globale sia un errore di progettazione prima ancora che un rischio politico.

Due strade diverse, stessa destinazione: molti modelli, molti proprietari. Somiglia al passaggio dalle centrali elettriche uniche alle reti distribuite. Per un po' sembrò inefficienza. Poi si capì che era resilienza.

Elon Musk in questa storia occupa una posizione che quasi nessuno gli attribuisce: quella del conferma-tesi. Dopo Grok 4.5 a luglio, annuncia la 4.6 intorno al 7 agosto e la 4.7 "poche settimane dopo". Due iterazioni maggiori in quattro settimane. L'argomento implicito è che conti più la frequenza dei rilasci del salto qualitativo del singolo modello.

Ma la mossa che dice davvero qualcosa è quella sul prezzo. Grok 4.5 viene presentato a due dollari e sei dollari per milione di token come la scelta razionale per il grosso del lavoro quotidiano, con la motivazione che la maggior parte dei compiti non richiede capacità di fascia altissima. Ha indirizzato i dipendenti Tesla su quel modello proprio su questa base. In parallelo Grok entra nei veicoli Tesla, e xAI viene dissolta dentro SpaceX: l'intelligenza artificiale trattata come componente di un unico impianto industriale, non come azienda separata. Rilanciando un trailer generato dalla sua azienda, commenta secco che entro fine anno arriveranno film interi — la sfida a Hollywood non sulla qualità di picco, ma sul costo di produzione.

Il collegamento col filo del giorno è quasi meccanico. Se la scala ha smesso di distinguere i concorrenti, il campo di battaglia diventa il costo per unità di capacità. È lo stesso momento che ogni tecnologia industriale attraversa: quando il prodotto smette di migliorare vistosamente, la competizione scivola sul prezzo e sull'integrazione verticale. È successo con l'acciaio, con le automobili, con i pannelli solari. Sta succedendo adesso, con una velocità che non ha precedenti.

C'è un contrappunto che vale la pena tenere in mente, ed è Sutskever. Per lui il rimedio non è ottimizzare il costo, è trovare l'idea che manca. Musk risponde alla stessa constatazione con la strategia opposta: se nessuno sa quando arriverà l'idea, tanto vale vincere sul terreno che esiste già oggi.

Hanno ragione entrambi, probabilmente, su tempi diversi. Il problema è che nessuno sa quale dei due orologi conti.

Progetti da osservare.

Grok 4.6 e 4.7 di xAI: due versioni maggiori annunciate in quattro settimane, posizionate dichiaratamente sul rapporto prezzo prestazioni più che sulla frontiera. È la stessa scelta di cui parlavamo poco fa, tradotta in listino.

GPT-5.5 di OpenAI: il modello su cui Altman appoggia la tesi che pagare a token sia una misura destinata a morire. Se servono meno parole per ottenere risultati migliori, contare le parole smette di avere senso. La sua immagine è quella di una fabbrica che vende unità di lavoro, non litri di materia prima.

DeepSeek V4 Flash: rilasciato ufficialmente il 31 luglio, con l'architettura identica alla versione di aprile. Tutti i miglioramenti arrivano dalla rifinitura successiva all'addestramento, con capacità di agire in autonomia molto più solide e costi ancora più bassi. È la prova pratica della tesi di Liang: il guadagno non è venuto da più macchine.

Code-graph-rag: uno strumento che legge un progetto software e ne costruisce una mappa — funzioni, classi, e chi chiama chi — che poi si può interrogare a parole, in linguaggio normale, invece che cercando file a mano. Serve a dare a un assistente automatico il contesto che di solito ha solo chi lavora su quel codice da anni.

E poi i nomi che tornano, senza aggiungere altro: Claude Opus 5, in crescita continua. Bitchat, in crescita continua. Inkling di Thinking Machines Lab, in crescita continua. Prime-agent di PrimeIntellect, in crescita continua. Google skills, in crescita continua. OpenClaw, in crescita continua. Kimi K3, in crescita continua. E l'osservatorio sui modelli di Interconnects, sempre lì.

Resta in mente l'immagine di Sutskever: motori enormi montati su un'idea di volo ancora incompleta. Per anni abbiamo misurato questa storia in potenza. Oggi tre persone, da tre continenti e tre interessi opposti, indicano tutte altrove — le idee, il lavoro di annotazione, gli incentivi di un consiglio di amministrazione. Forse il progresso non si è fermato. Ha solo cambiato reparto.

È stato Signal Brief. Alla prossima.