Il token diventa moneta

Il token diventa moneta

Nvidia trasforma i chip in garanzia finanziaria, Stripe compra le rotaie dei modelli, OpenAI chiude prodotti riusciti per liberare calcolo. L'AI smette di essere un prodotto.

Il 29 agosto 2026, e questa puntata di Signal Brief parte da un cambio di vocabolario. Fino a poco tempo fa chi guidava l'industria dell'intelligenza artificiale parlava di modelli, di capacità, di cosa una macchina riesce a fare. Adesso le stesse persone parlano di collaterale, di rotaie di pagamento, di capacità produttiva da finanziare. Le parole sono quelle di un settore industriale maturo, non di un laboratorio.

In mezzo a questo spostamento c'è una frase detta da Patrick Collison, il fondatore di Stripe, mentre spiegava un acquisto da sette miliardi di dollari.

La frase è questa: i token sono la valuta centrale per le aziende che costruiscono con l'AI. Collison l'ha pronunciata a metà agosto per giustificare l'acquisizione di OpenRouter, una società che fa una cosa sola: sta in mezzo. Quando un'azienda vuole usare venti modelli diversi senza aprire venti contratti, passa da lì. OpenRouter smista le richieste, tiene il conto, gestisce i pagamenti.

Un token, per chi non mastica il gergo, è il pezzetto di testo che un modello legge o produce: qualche lettera, mezza parola. È l'unità che si paga. Il fatto che il capo di una società di pagamenti definisca quel pezzetto una valuta dice che il centro di gravità si è spostato. Non conta più soltanto quale modello sia il più bravo. Conta chi controlla il casello dove passa il traffico.

È lo stesso passaggio che raccontava la storia delle ferrovie americane dell'Ottocento. All'inizio la notizia era la locomotiva: quanto corre, quanto traina. Poi il denaro vero si è fermato altrove, in chi possedeva i binari e decideva le tariffe. La macchina restava affascinante, ma il potere si era spostato di un piano.

Nello stesso periodo Jensen Huang, che guida Nvidia, ha fatto un'operazione linguistica ancora più netta. Parlando a metà agosto di un buildout da cinquecento miliardi di dollari — cioè la costruzione fisica dei centri di calcolo dei prossimi anni — ha descritto Nvidia non come venditore di chip ma come organizzatore del finanziamento: mette in contatto i laboratori con Wall Street e può garantire una parte del collaterale, perché quelle macchine, dice, restano riutilizzabili anche se un cliente salta. Tradotto: il chip smette di essere una spesa che si consuma e diventa un bene che sta in bilancio, come un capannone o una nave. Il 26 agosto ha aggiunto il tassello mancante, sostenendo che ormai i token generano profitto perché i sistemi fanno lavoro vero.

Il terzo gesto arriva da Sam Altman. In una lunga intervista di fine agosto ha detto che OpenAI è una piattaforma, non un'azienda di prodotti, e ha spiegato di aver chiuso Sora e Atlas — prodotti che lui stesso definisce buoni — per liberare capacità di calcolo da destinare a ricerca e modelli. Una società che uccide cose riuscite non lo fa per capriccio: lo fa quando la risorsa scarsa è talmente scarsa da valere più del prodotto.

Tre gesti diversi, una sola direzione. Fino a ieri la domanda del settore era quanto è bravo il modello. Da questa settimana la domanda è chi possiede l'infrastruttura economica intorno al modello: le fabbriche di calcolo, il loro finanziamento, il livello che smista e fattura.

E qui va detto cosa è cambiato rispetto al racconto dei giorni scorsi. La settimana scorsa il tema era l'agente: la scoperta che i modelli lavorano per ore invece che per un prompt. Quel filo non è sparito, si è spostato di quota. L'agente non è più soltanto una misura tecnica, è diventato un pezzo di organizzazione aziendale. E accanto, nuovo di zecca, è comparso il discorso finanziario che prima non c'era.

Il che porta a una domanda scomoda, che tiene insieme tutto il resto della puntata: se il valore è nelle rotaie e nel capitale, da dove arriva la prossima capacità? Perché su questo, chi costruisce i modelli e chi li studia non sono affatto d'accordo.

Jack Dorsey, il fondatore di Twitter che oggi guida Block, ha risposto a quella domanda cambiando l'oggetto della domanda. Non parla di capacità dei modelli, parla di come è fatta un'azienda.

Il gesto concreto è il lancio di Buzz, uno spazio di lavoro rilasciato in open source. Assomiglia a Slack, con i canali, ma dentro quei canali gli agenti software non sono ospiti: hanno un'identità propria, una chiave crittografica personale, come un tesserino aziendale che nessuno può falsificare. Ogni messaggio, ogni revisione, ogni approvazione è firmata e verificabile. Il 18 agosto Block ha aperto anche Berd, un'applicazione da scrivania per governare più agenti insieme su progetti diversi. E nella chiamata con gli analisti del 5 agosto Dorsey ha detto che Buzz porta la cosa a un livello diverso, inserendo l'AI nel DNA dell'azienda.

Il punto non è il software. Il punto è cosa quel software rimpiazza. Nelle ricostruzioni delle sue dichiarazioni, la funzione che gli agenti vanno a occupare è il middle management: quello strato di persone che non decide la strategia e non esegue il lavoro, ma tiene insieme i pezzi, smista, coordina, riporta. Dorsey sostiene che quel lavoro di coordinamento possa essere fatto dal software, e che l'azienda diventi una specie di protocollo — un insieme di regole condivise dentro cui umani e agenti si muovono con gli stessi permessi verificabili.

Vale la pena fermarsi su quanto è vecchia questa idea. All'inizio del Novecento le grandi imprese americane inventarono il middle management proprio perché la comunicazione costava: servivano persone che portassero le informazioni da un piano all'altro. Quando telefono, poi computer e poi posta elettronica hanno abbassato quel costo, ogni volta uno strato di quella piramide si è assottigliato. Dorsey sta scommettendo che questa sia l'ultima riduzione della serie, e che la parte residua di quel lavoro sia oggi automatizzabile per intero.

Dall'altra parte del settore Aravind Srinivas, che guida Perplexity, arriva a una struttura simile partendo da un'esigenza tecnica. Descrive Perplexity Computer come una squadra di agenti capace di coordinare fino a venti modelli diversi, scegliendo di volta in volta quale usare in base a costo, velocità e riservatezza. Nessuno di quei venti è indispensabile. La bravura sta nel direttore d'orchestra, non nel primo violino.

Un dubbio resta, ed è di quelli che si vedono solo col tempo. Il coordinamento umano non serviva soltanto a spostare informazioni: serviva anche a intercettare le cose che nessuno aveva previsto. Un'identità crittografica rende ogni azione verificabile, il che è molto. Non rende nessuno responsabile, il che è un'altra cosa.

Se Dorsey rappresenta la scommessa che la capacità arrivi dall'organizzazione, François Chollet rappresenta l'ipotesi opposta: che manchi un pezzo di architettura, e che nessuna quantità di denaro possa comprarlo.

Chollet è un ricercatore francese noto per aver creato ARC, una serie di test pensati per misurare non quanto un modello ha studiato, ma quanto riesce a cavarsela davanti a un problema che non ha mai visto. È l'unico esame del settore progettato per essere difficile da imbrogliare.

A metà agosto ha sostenuto una tesi che ribalta il modo consueto di raccontare i progressi: i sistemi di frontiera di oggi, dice, sono già di fatto ibridi. Non è il singolo modello a essere diventato più intelligente. È l'impalcatura costruita intorno a lui — quella che gli fa fare decine di tentativi, gli passa strumenti, confronta i risultati — a produrre la capacità che vediamo. La direzione, secondo lui, è verso una modellazione del mondo guidata dall'intuizione, dove la parte statistica propone e una parte più simbolica verifica.

Il 14 agosto ha aggiunto un dato che raffredda parecchio l'entusiasmo. Ha chiarito che le partite pubbliche del nuovo test ARC servono solo da dimostrazione, e che il test vero, tenuto riservato, è molto più duro. Il punteggio migliore ottenuto finora su quella versione riservata è del 2,70 per cento.

Il numero va letto accanto ai cinquecento miliardi di Huang. Da una parte il capitale si muove alla velocità della finanza, con impegni pluriennali firmati adesso. Dall'altra un esame di ragionamento sta fermo sotto il tre per cento. Non è una smentita del buildout — quei centri di calcolo servono comunque, e servono già oggi. È il segnale che due orologi vanno a velocità diverse, e che il ritardo si accumula.

Nella stessa direzione, con toni più radicali, spinge Yann LeCun. Il suo argomento è che un sistema addestrato solo su testo non arriverà mai a capire come funziona il mondo fisico, perché di quel mondo non ha mai fatto esperienza. In una lezione alla Brown University ha invitato i ricercatori ad abbandonare i modelli generativi se l'obiettivo è l'intelligenza di livello umano, e oggi costruisce su un'idea diversa: sistemi che imparano guardando, prevedendo cosa succede dopo, come fa un bambino molto prima di parlare.

Due percorsi distinti, una convergenza netta: entrambi pensano che il collo di bottiglia non sia il portafoglio. E questo è nuovo rispetto a qualche mese fa, quando la critica alla scala suonava soprattutto come una proposta alternativa. Adesso suona come una diagnosi.

Ricapitoliamo dove siamo, prima di procedere. Il denaro si è spostato dal modello alle rotaie e alle fabbriche di calcolo. Gli agenti stanno prendendo il posto degli strati intermedi delle aziende. E una parte dei ricercatori sostiene che la prossima capacità non si compri con nessuna di queste due cose. Manca un terzo attore in questa scena: chi verifica.

Vitalik Buterin, il fondatore di Ethereum, occupa quella casella in modo quasi ostinato. Nell'aggiornamento della sua tabella di marcia pubblicato il 10 agosto, l'intelligenza artificiale compare in un ruolo solo: aiutare a dimostrare matematicamente che il sistema funziona come dichiarato, man mano che diventa più complicato. Non decide nulla. Non governa nulla. Controlla i conti.

Il 21 agosto ha pubblicato la terza parte di una serie tecnica sull'occultamento dei dati, e a luglio aveva proposto un linguaggio che si traduce direttamente in dimostrazioni verificabili da una macchina. La direzione è coerente: rendere le cose controllabili, e usare l'AI come strumento del controllo, mai come soggetto che sceglie.

È una posizione minoritaria e vale la pena prenderla sul serio, perché è l'esatto contrario di quella di Dorsey. Uno dà agli agenti un tesserino e li mette a coordinare. L'altro li tiene fuori dalla sala delle decisioni e li usa per firmare le verifiche.

Sullo stesso lato del campo, ma dentro un laboratorio, si muove Jack Clark, cofondatore di Anthropic e oggi responsabile del beneficio pubblico dell'azienda. Il 26 agosto ha raccontato di essere ossessionato dalla misurazione fatta da terzi fin dalla fondazione, e ha annunciato una sperimentazione: permettere a ricercatori esterni di studiare cosa succede davvero dentro i sistemi, usando dati d'uso resi anonimi. È un gesto controintuitivo per un'azienda — aprire la porta a chi verrà a controllarti — e per questo significativo.

C'è un precedente storico che si adatta bene. Le prime automobili sono arrivate sul mercato decenni prima dei crash test indipendenti, e per un lungo periodo il produttore era anche l'unico giudice della sicurezza del proprio prodotto. Clark sta costruendo, con una manciata di persone, il pezzo che in quel settore è arrivato con quarant'anni di ritardo.

C'è poi una nota pratica che chiude il cerchio, e viene da Simon Willison, sviluppatore e osservatore molto seguito. Ad agosto ha annotato che scrivere codice con gli agenti è diventato economico, ma tenerlo coerente è diventato difficile: il collo di bottiglia si è spostato dalla scrittura alla revisione. E nella nuova versione dei suoi strumenti ha aggiunto tracce di ragionamento visibili e registri ispezionabili. Anche lì, in piccolo, la stessa idea: se non puoi guardare cosa ha fatto, non puoi fidarti.

Progetti da osservare. Cinque nomi che raccontano gli stessi fili, ma in codice.

Buzz, di Block, è lo spazio di lavoro di cui si parlava: canali condivisi tra persone e agenti, ognuno con la propria chiave, e un archivio di codice integrato. Sostituisce insieme la chat aziendale e il posto dove il codice vive. È l'azienda come protocollo, resa file.

Scale AgentEx, di Scale AI, è l'infrastruttura che serve quando un agente deve lavorare per ore e non per trenta secondi: processi che vanno avanti da soli, memoria che sopravvive ai riavvii, registri che restano. Poco spettacolare e molto rivelatore — è la conferma che l'agente lungo è diventato un problema di ingegneria industriale.

Petri, del gruppo safety-research, fa una cosa che somiglia a un collaudo. Un programma interroga un modello con più di centosettanta scenari studiati per metterlo in difficoltà, e un secondo programma valuta le risposte cercando inganno, adulazione, tentativi di guadagnare potere. Ha già fatto emergere comportamenti storti su quattordici modelli di frontiera. Si appoggia a Inspect, l'impianto costruito dall'istituto britannico per la sicurezza dell'AI: sono, letteralmente, le tubature della misurazione indipendente di cui parlava Clark.

Inkling, di Thinking Machines, è il primo modello con pesi aperti dell'azienda: mille miliardi di parametri, capace di gestire testo, immagini e audio nativamente, con una versione più piccola per chi ha meno macchina. Il senso è dichiarato: nessun modello unico buono per tutto.

E poi nanochat, di Andrej Karpathy: poche migliaia di righe leggibili per addestrarsi un piccolo ChatGPT da zero. In una settimana in cui si parla di cinquecento miliardi, un progetto che fa stare l'intera catena dentro un pomeriggio di studio ha un valore che non si misura in dollari.

Da una parte cinquecento miliardi di dollari di fabbriche di calcolo, garantiti da chip che ora stanno in bilancio come navi. Dall'altra un esame di ragionamento fermo al 2,70 per cento. Le due cose sono vere nello stesso agosto, e nessuna delle due smentisce l'altra. La risorsa più scarsa del 2026, a guardarla così, non è il calcolo: è sapere con certezza a cosa serve quello che stiamo costruendo.

È stato Signal Brief. Alla prossima.