La scarsità si è spostata

La scarsità si è spostata

Generare costa poco, verificare costa moltissimo. Da Graham a Buterin, da Dorsey a Luccioni: chi prova a colmare il divario e con quale strumento.

C'è una domanda che questa settimana si affaccia da parti molto lontane fra loro, e la formulazione più asciutta arriva da Paul Graham: l'intelligenza artificiale corre dove il risultato si può controllare. Matematica e codice avanzano, la scrittura arranca. Non perché scrivere sia più difficile, ma perché nessuno sa dire con certezza se un testo è giusto.

È il 18 agosto 2026, questo è Signal Brief. E la scena da cui partire è proprio quella: un mondo che ha imparato a produrre qualunque cosa, e che si accorge di non sapere più come fidarsi di quello che produce.

Il 12 agosto Graham scrive che i consigli classici per chi fonda un'azienda restano quasi tutti validi anche adesso, con una differenza: l'intelligenza artificiale allarga quello che si può costruire e accorcia i tempi in cui scopri di aver sbagliato. Poco dopo aggiunge l'osservazione che conta davvero, quella sulla verificabilità. E la stessa idea, nello stesso periodo, spunta in altri due punti del pianeta, detta in due lingue completamente diverse.

Balaji Srinivasan ci arriva contando i costi. La sua tesi, formulata in primavera e ripresa da allora, è che creare sia diventato economico e verificare sia diventato caro. Quando il rapporto fra le due cose si ribalta, la fiducia si ritira: smetti di credere a quello che circola e cominci a credere solo a chi conosci. Reti più piccole, cerchie più strette, persone che puoi controllare di persona.

Vitalik Buterin ci arriva da un terzo lato ancora. Il 10 agosto ha aggiornato la mappa dei prossimi passi di Ethereum, e al centro ha messo una cosa che suona tecnica ma è semplicissima nell'intenzione: usare l'intelligenza artificiale per dimostrare, con la matematica, che un pezzo di software fa esattamente quello che dice di fare. Automatizzare il controllo, insomma, visto che il controllo è diventato il collo di bottiglia.

Tre linguaggi — l'economia delle startup, la teoria dei costi, la crittografia — e una sola diagnosi. Ieri il filo del racconto era lo spostamento dal modello singolo al sistema che lo orchestra: dal componente all'architettura. Quel filo continua, ma da oggi cambia di segno. Non è più solo una questione di scala tecnica, è una questione di valore e di controllo: se il modello è un pezzo qualunque, chi certifica la macchina che lo mette in fila?

C'è un precedente che aiuta a collocare tutto questo. Quando la stampa a caratteri mobili rese improvvisamente facile produrre libri, il problema non fu più stampare: fu capire cosa fosse attendibile. Ci vollero due secoli per costruire le case editrici, le riviste scientifiche, la revisione fra pari — l'intera impalcatura che oggi diamo per scontata e che serve solo a rispondere alla domanda «di questo mi posso fidare?». Stiamo rifacendo lo stesso lavoro, in compresso, su materiale generato a getto continuo.

E qui le strade si separano. Jensen Huang, l'11 agosto, si è messo alla testa di un'operazione da cinquecento miliardi di dollari con banche e fondi di Wall Street per finanziare la costruzione di centri di calcolo: la sua idea di fiducia passa dal capitale, se una cosa è finanziabile su quella scala allora è credibile. Dario Amodei, il 16 e 17 agosto, ha detto l'opposto: quello che sta succedendo è una crisi di fiducia, e si risolve con test obbligatori prima di rilasciare i sistemi e con risultati concreti, curare malattie invece di raccontarle. Jack Dorsey ha scelto la terza via, la più letterale: dare a ogni agente artificiale un'identità crittografica e un registro firmato di quello che ha fatto.

Capitale, regole, crittografia. Ognuno colma il vuoto con lo strumento che ha già in mano.

Jack Dorsey è quello che ha fondato Twitter e che oggi guida Block, l'azienda dei pagamenti. Da qualche anno la sua ossessione è costruire cose che nessuno possa spegnere dall'alto.

Il 21 luglio Block ha lanciato Buzz, e la descrizione più onesta è: un posto dove si lavora insieme, tipo Slack, ma dove metà dei colleghi non sono persone. Umani e agenti artificiali stanno nella stessa chat, accedono agli stessi file, alla stessa forge dove vive il codice. La parte interessante non è la chat, è l'anagrafe. Ogni agente ha una propria identità crittografica, permessi propri, una catena firmata di tutto quello che ha toccato. Dorsey l'ha definito indipendente dal modello, decentralizzato, sovrano e aperto. Il 5 agosto, alla presentazione dei conti trimestrali, ha detto che Buzz porta la cosa su un altro livello, e ha inquadrato l'intelligenza artificiale non come una funzione aggiunta al prodotto ma come la forma stessa dell'azienda: Block, nelle sue parole, sta diventando una società più piccola, più veloce, nativamente intelligente. Una formulazione che arriva insieme a licenziamenti importanti, e che va letta per quello che è.

Poi, il 6 agosto, un dettaglio che vale più di un comunicato: ha scritto che «intelligenza artificiale» è il peggior nome possibile per questa cosa, e che preferirebbe «intelligenza simulata». Un uomo che sta ricostruendo la propria azienda attorno a una tecnologia e che nel frattempo ne contesta il nome.

Il collegamento con la giornata è diretto. Se il problema è che verificare costa più che creare, Dorsey non prova a rendere il controllo più intelligente: prova a renderlo inutile, registrando tutto alla fonte. Non è un giudice che valuta il risultato, è un notaio che certifica il gesto. È la differenza fra assaggiare il vino e leggere l'etichetta di provenienza — due modi diversi di rispondere alla stessa domanda.

Rimane una tensione aperta, e attraversa l'episodio. Andrej Karpathy racconta gli agenti come lo strato operativo del lavoro digitale, qualcosa da liberare perché produca. Dorsey vede la stessa cosa e ci mette attorno un registro. Abilitare o tracciare: non sono in contraddizione, ma decidono chi sarà responsabile quando qualcosa andrà storto.

Sasha Luccioni fa una cosa che quasi nessun altro in questo racconto fa: misura quanto costa, fisicamente, far funzionare tutto questo.

A maggio ha co-fondato Sustainable AI Group, di cui è responsabile scientifica, un'organizzazione che si occupa di misurare, confrontare e ridurre l'impatto ambientale dei sistemi di intelligenza artificiale. Fra giugno e luglio ha continuato a ripetere lo stesso punto, in un articolo su TIME dedicato a rendere più sostenibili i centri di calcolo e in un intervento pubblico alle Hawaii su intelligenza artificiale e clima: questa tecnologia consuma energia e acqua, e la maggior parte delle volte la usiamo per compiti che non ne avrebbero alcun bisogno. Non chiede di spegnerla. Chiede di sceglierla.

Il 12 agosto ha firmato un lavoro accademico con Travis LaCroix e Fintan Mallory su un fenomeno che riguarda le parole: il modo in cui il linguaggio del settore, quello che attribuisce alle macchine intenzioni e sentimenti, sposta il potere nel dibattito. È lo stesso terreno su cui si muove l'obiezione di Dorsey al nome, arrivata da una direzione politica opposta.

Nel filo di oggi, Luccioni occupa una posizione scomoda e utile. Mentre Graham discute di cosa si può verificare e Huang di quanto si può finanziare, lei ricorda che c'è una bolletta. Aravind Srinivas di Perplexity, per motivi completamente diversi, arriva vicino allo stesso punto: dice che la misura giusta di un sistema è quanto valore estrae per ogni watt consumato, e con Perplexity Computer coordina fino a venti modelli diversi cercando di mandare ogni compito al più economico che sappia farlo. Uno lo chiama efficienza, l'altra lo chiama impatto. È la stessa quantità, guardata da due lati del bilancio.

Le fabbriche a inizio Novecento non contavano il carbone come voce a sé, era sfondo. Poi diventò un numero, e da quel numero nacquero decisioni industriali intere. Qui siamo nel momento in cui il numero comincia a esistere.

Yann LeCun è il ricercatore che nega la premessa di quasi tutti gli altri.

In un'intervista alla BBC a luglio ha spiegato che AMI Labs, la società che presiede, sta costruendo un sistema pensato per capire il mondo fisico invece che il linguaggio: quest'anno rifinire il modello, l'anno prossimo il primo impiego industriale. A giugno, sul palco di VivaTech a Parigi, aveva già detto la cosa in modo più netto — i modelli linguistici sono utili ma non bastano, servono dati sensoriali e architetture nuove, qualcosa che vada oltre l'indovinare la parola successiva. Il 5 agosto è entrato come socio in 224 Ventures, una società di investimenti, mantenendo il ruolo alla guida di AMI. Fra il 7 e il 16 agosto, sui social, ha difeso la ricerca di lungo periodo contro la pressione a consegnare prodotti, con toni piuttosto combattivi.

Il contrasto con François Chollet è la tensione più pulita della giornata. Chollet il 6 agosto ha descritto i sistemi di frontiera come un programma da un milione di righe che coordina moltissime chiamate al modello, e il 7 ha aggiunto una cosa che gli costa qualcosa: le sue vecchie critiche ai modelli linguistici puri non si applicano più allo stesso modo, perché le dimostrazioni di fine 2024 gli hanno mostrato una forma di intelligenza fluida vera. Stessa constatazione di partenza, i modelli linguistici da soli non arrivano lontano. Conclusioni opposte: per Chollet basta avvolgerli in un'architettura che li governi, per LeCun è una deviazione e bisogna cambiare strada.

Vale collegare questo al resto. Chi pensa che la soluzione sia l'orchestrazione sposta il problema sul controllo dell'orchestratore — e quindi torna alla domanda sulla verifica. Chi pensa che serva un'architettura diversa scommette che il problema si dissolva a monte. Il primo campo sta costruendo strumenti oggi, il secondo promette risultati industriali fra un anno. Non sapremo chi ha ragione prima di allora, e questo di per sé è un dato interessante: nel settore più veloce del mondo, la disputa centrale ha tempi lunghi.

Ricapitoliamo dove siamo, per chi ci ha lasciato un momento: generare è diventato facile, verificare no, e ogni protagonista sta tappando quel buco con lo strumento che possiede già. Dorsey con le firme, Buterin con le dimostrazioni matematiche, Amodei con i test, Huang con i soldi.

Andrej Karpathy sta su un altro asse ancora: il suo interesse è cosa succede quando smetti di scrivere codice a mano.

Alla conferenza Sequoia Ascent 2026 ha presentato i modelli linguistici come un nuovo strato operativo del lavoro digitale — non un assistente a cui chiedere cose, ma il livello su cui il lavoro viene eseguito. Ha parlato di software di terza generazione e di intelligenza a denti di sega, capace di prestazioni brillanti e cadute assurde nello stesso pomeriggio. Ha portato come esempio un esperimento fatto con Claude, la costruzione di una scena tridimensionale ispirata al Signore degli Anelli, per sostenere che i banchi di prova si stanno spostando dai compitini alla costruzione di software vero e complesso. All'inizio dell'anno era entrato nel gruppo che si occupa di addestramento in Anthropic, dicendo che i prossimi anni sono insolitamente formativi e che voleva tornare a fare ricerca.

La sua postura pubblica è coerente da mesi: meno digitazione manuale, più capacità di specificare l'intenzione, più valutazione, più infrastruttura attorno agli agenti. Notare la parola: valutazione. Anche l'ottimista più convinto sull'automazione, quando descrive il proprio mestiere, mette il controllo al centro. È il passaggio dall'artigiano al direttore dei lavori: non tocchi più il materiale, ma devi saper riconoscere una parete storta.

Progetti da osservare, e sono quasi tutti la stessa idea scritta in codice.

Il primo si chiama llm-as-a-verifier ed è la risposta letterale alla diagnosi del giorno: un sistema che controlla il lavoro fatto da un agente artificiale e gli dice con precisione dove ha esitato, senza bisogno di addestramenti aggiuntivi. Ottiene i risultati migliori su banchi di prova che vanno dal software alla medicina alla robotica.

Petri va dalla stessa parte con metodo opposto: uno strumento aperto che interroga i modelli mandandogli contro altri agenti in scenari lunghi, per vedere dove si rompono. Lo usa anche l'istituto britannico per la sicurezza dei sistemi nelle valutazioni prima del rilascio. È l'infrastruttura concreta dietro l'idea di Amodei che la fiducia si costruisca testando, non dichiarando.

MirrorCode, di Epoch AI e METR, cambia il metro: chiede ai modelli di riscrivere da zero venticinque programmi reali senza mai vederne il sorgente, dando loro un budget di calcolo paragonabile a settimane di lavoro umano. Esattamente lo spostamento che Karpathy descriveva.

Buzz, il progetto di Block, è quello di cui abbiamo già parlato: chat e repository di codice condivisi fra persone e agenti, ognuno con la sua identità firmata.

E poi due cose che dicono quanto in fretta si muove il terreno sotto: il 13 agosto DeepSeek ha pubblicato un'infrastruttura per agenti completamente aperta, con la filosofia che ogni pezzo sia sostituibile, e in tre giorni ha raccolto oltre centoventimila stelle su GitHub. Il giorno dopo Alibaba ha rilasciato Qwen3.8-27B, un modello di qualità elevata con licenza libera che gira su una macchina locale: tre milioni di download nel primo fine settimana.

Un uomo che riscrive la propria azienda attorno a una tecnologia e nel frattempo contesta il nome che le abbiamo dato. È un gesto piccolo, ma somiglia al problema più grande della giornata: stiamo costruendo velocissimi qualcosa che non sappiamo ancora né misurare né chiamare. Le parole, di solito, arrivano dopo. Speriamo non troppo dopo.

È stato Signal Brief. Alla prossima.