Chi possiede il collo di bottiglia

Chi possiede il collo di bottiglia

I modelli diventano infrastruttura, il calcolo diventa potere. E le due paure opposte sull'intelligenza artificiale finiscono per annullarsi a vicenda.

Ci sono giornate in cui il dibattito sull'intelligenza artificiale smette di ruotare attorno a chi ha il modello migliore e comincia a ruotare attorno a chi possiede le fondamenta. È quello che racconta Signal Brief oggi, 2 settembre 2026: non una gara di prestazioni, ma una discussione su dove finisca il denaro e su chi tenga in mano l'interruttore.

Ieri la storia era l'agente diventato metodo di lavoro. Oggi la scena si sposta di un piano più in basso, dove ci sono i cavi, le turbine e i capannoni pieni di schede grafiche.

Elon Musk ha messo una data e un numero: dieci gigawatt di capacità di calcolo entro la fine del 2027. Dieci gigawatt sono, all'incirca, il consumo elettrico di un paese di medie dimensioni. Non è una previsione sul futuro dell'intelligenza artificiale, è un ordine d'acquisto. E nelle stesse settimane Musk ha detto che i ricavi dell'intelligenza artificiale potrebbero presto superare tutto il resto delle attività di SpaceX.

Dall'altra parte del ragionamento c'è Benedict Evans, che nel suo lavoro di quest'anno sostiene una cosa quasi opposta: i modelli diventeranno infrastruttura banale, una specie di merce, e il valore si sposterà su chi costruisce le applicazioni e su chi controlla la distribuzione. In mezzo, Mustafa Suleyman alla guida di Microsoft AI dice che i prossimi due o tre anni li definirà chi può permettersi di far girare questi sistemi su larga scala — non chi ha il modello più intelligente, ma chi riesce a pagarne il funzionamento quotidiano.

Ecco la novità rispetto a ieri. Fino al briefing precedente la discussione riguardava il lavoro: gli agenti, la delega, chi scrive il codice. Adesso è comparso un asse economico che prima non c'era, e riguarda dove si accumula il valore. O il modello è una commodity e conta quello che ci costruisci sopra, oppure il calcolo è tutto e il resto è contorno. Non possono essere vere entrambe.

È una discussione che l'industria elettrica ha già attraversato un secolo fa. Quando le fabbriche smisero di avere ciascuna la propria caldaia e cominciarono a comprare corrente dalla rete, il vantaggio competitivo migrò: non contava più possedere il motore, contava cosa ci facevi. Evans scommette che accadrà lo stesso ai modelli. Musk e Suleyman scommettono che stavolta la centrale elettrica resta il posto dove si guadagna, perché è l'unica cosa che non si può copiare in una notte.

Sotto questa disputa sul denaro ne corre un'altra, più scomoda, e ha una forma paradossale. Naval Ravikant il 15 agosto ha scritto che non si può creare Dio e mettergli il guinzaglio: per lui il pericolo non è la macchina, è il piccolo gruppo di persone che pretende di regolarla per il nostro bene. Yoshua Bengio, che ha co-guidato la prima valutazione scientifica globale delle Nazioni Unite sull'intelligenza artificiale, dice esattamente il contrario: il pericolo è che nessuno tenga il guinzaglio, e servono valutazione indipendente e coordinamento internazionale.

Chi teme la concentrazione del potere chiede meno regole. Chi teme la macchina ne chiede di più. Le due paure sono entrambe ragionevoli, e si neutralizzano a vicenda. Il risultato pratico è la paralisi, che è anche il motivo per cui in mezzo continua a decidere chi costruisce e basta.

E c'è un terzo filo, che riguarda cosa stiamo misurando. François Chollet ha spostato il suo lavoro dalla domanda "questi sistemi sanno imitare?" alla domanda "sanno adattarsi a qualcosa che non hanno mai visto?". Yann LeCun ha raccolto un miliardo di dollari per costruire macchine che capiscano il mondo fisico invece di prevedere la parola successiva. Sasha Luccioni ha messo in piedi un'impresa che misura il costo ambientale di tutto questo.

Tre gesti diversi, una stessa direzione: qualcuno ha cominciato a chiedere il conto.

Yann LeCun ha passato quarant'anni a costruire reti neurali e gli ultimi cinque a spiegare, con crescente insofferenza, che i modelli linguistici non porteranno da nessuna parte. Fino a poco fa era una posizione: autorevole, minoritaria, discussa nei convegni.

Adesso è un'azienda con un miliardo di dollari in cassa. AMI Labs, sede a Parigi, un miliardo e tre centesimi di seed su una valutazione di tre miliardi e mezzo — cifre che per una società senza prodotto sono, semplicemente, un'altra categoria di scommessa. L'obiettivo dichiarato sono i cosiddetti world model: sistemi che imparano causa ed effetto e logica dello spazio a partire da dati sensoriali grezzi, invece che da miliardi di frasi scritte da esseri umani. Non chatbot. Applicazioni industriali, robotica, biomedicina.

Il passaggio interessante non è tecnico, è di stato. Una critica architetturale è una cosa che si può ignorare educatamente. Un miliardo di dollari e un laboratorio che assume sono una cosa che le persone devono guardare, perché adesso c'è un risultato atteso e una data in cui verificarlo.

Vale la pena collegare questo alla giornata. Mentre Suleyman e Musk discutono di quanta corrente serva per far girare l'architettura attuale, LeCun sta dicendo che l'architettura attuale è quella sbagliata. Se ha ragione, dieci gigawatt di capacità sono dieci gigawatt spesi per scalare un vicolo cieco molto convincente.

La storia della tecnologia è piena di momenti così. Negli anni Ottanta l'industria dei computer aveva deciso che il futuro erano macchine sempre più grandi e potenti in stanze refrigerate, e chi diceva che sarebbe stato il piccolo calcolatore da scrivania a vincere veniva considerato un romantico. Poi il romantico aveva ragione. È successo anche il contrario, però, molte più volte di quanto si ricordi: dissidenti brillanti che avevano torto e sono spariti dai libri.

Quello che rende il caso di LeCun diverso dalle solite scommesse è che nessuno ha ancora un modo condiviso per stabilire chi stia vincendo. Non esiste un test che dica, oggi, se prevedere la parola successiva sia una scorciatoia geniale o un limite invalicabile. Ed è esattamente il vuoto che qualcun altro, questa settimana, ha provato a riempire.

François Chollet è l'uomo che da anni costruisce test che i modelli non riescono a passare. Non per dispetto: per capire dove finisca l'imitazione e cominci qualcos'altro.

L'ultima versione del suo lavoro si chiama ARC-AGI-3, e ha cambiato natura rispetto alle precedenti. Non sono più enigmi statici da risolvere, ma piccoli ambienti interattivi a turni in cui il sistema viene lasciato dentro senza istruzioni e deve capire da solo qual è l'obiettivo e quali sono le regole. Esplorare, formulare un'ipotesi, provarla, correggere.

Il risultato è il dato più netto che circoli in questo momento: gli esseri umani risolvono il cento per cento di questi ambienti, i modelli di frontiera restano sotto l'uno per cento. Non ottanta contro novantacinque. Cento contro quasi zero.

Chollet ha spiegato che la direzione del progetto è deliberata: spostare la misura dalla capacità di riprodurre a quella di adattarsi. La differenza è quella tra uno studente che ha memorizzato tutti i temi svolti degli ultimi vent'anni e uno che sa affrontare una traccia mai vista. Sul primo compito i modelli sono straordinari. Sul secondo, per ora, non ci sono.

Il collegamento con la giornata è diretto. Fino a ieri la critica architetturale di LeCun era una convinzione contro un'altra convinzione, e in una discussione così vince chi ha più capitale o più pubblico. ARC-AGI-3 le dà uno strumento: un numero pubblico, ripetibile, che chiunque può contestare misurando. È una cosa nuova rispetto al briefing precedente, e cambia il registro del dibattito.

Poi, certo, ogni test genera la propria industria di persone che imparano a superarlo senza aver imparato nulla — è successo con ogni benchmark della storia dell'informatica, ed è il motivo per cui i test invecchiano in fretta. Ma finché quel divario resta così largo, il divario stesso è l'informazione.

Teniamo presente dove siamo arrivati: da una parte si costruiscono centrali per alimentare l'architettura di oggi, dall'altra si finanzia un'architettura diversa, e in mezzo qualcuno costruisce finalmente il metro per capire chi ha ragione. Rimane una domanda che nessuna di queste tre mosse affronta: quanto costa, tutto questo.

Sasha Luccioni si occupa da anni di una cosa che nell'entusiasmo generale tende a sparire: quanta energia consuma un sistema di intelligenza artificiale, e chi la sta pagando.

A maggio ha fondato Sustainable AI Group insieme a Boris Gamazaychikov, un'impresa che aiuta le organizzazioni a misurare e ridurre l'impronta ambientale dei loro sistemi. Non attivismo, consulenza e strumenti. Il suo lavoro recente è coerente: uno studio del gennaio scorso ha calcolato quanta energia costino le formule di cortesia nei messaggi ai modelli linguistici — sì, dire "per favore" ha un prezzo in kilowattora — e un altro ha mappato come i vari paesi stiano regolando l'impatto ambientale di questi sistemi. Circa una settimana fa ha firmato anche un lavoro sugli agenti autonomi.

Il passaggio che segna questa settimana è di posizione, non di argomento. Per anni l'energia è comparsa nel discorso come un vincolo: quanto possiamo crescere prima di finire la corrente. Adesso entra come voce di bilancio, qualcosa da rendicontare e mettere in un documento firmato.

È una differenza che l'economia industriale conosce bene. Le emissioni delle fabbriche sono state per decenni un fatto della natura, come la pioggia. Sono diventate una questione seria nel momento esatto in cui hanno cominciato a comparire in una riga di bilancio con un numero accanto. Non l'indignazione: la contabilità.

E qui il cerchio si chiude con Musk. Dieci gigawatt entro il 2027 è una promessa di potenza, ma è anche una bolletta che qualcuno scriverà. Se il lavoro di Luccioni prende piede, quella cifra smetterà di essere solo un segnale di ambizione e diventerà anche una misura di esposizione: verso i regolatori, verso gli investitori, verso chi compra.

Rimane il dubbio che accompagna ogni tentativo di questo tipo. Misurare è un atto politico solo quando qualcuno è obbligato a guardare il risultato. Finché la rendicontazione è volontaria, la faranno soprattutto quelli che hanno numeri presentabili.

Jack Dorsey ha fondato Twitter, poi Square, e negli ultimi anni ha costruito quasi solo cose decentralizzate — sistemi che funzionano senza un padrone al centro.

A luglio ha lanciato Buzz, ed è il gesto più concreto della settimana su come cambiano le organizzazioni. È uno spazio di lavoro open source, costruito su un protocollo distribuito, che mette insieme due cose finora separate: la chat di squadra e l'archivio del codice. Slack da una parte, GitHub dall'altra, nello stesso posto. La particolarità è che gli agenti non sono ospiti: hanno una loro chiave crittografica, un loro registro di attività, permessi propri. Sono membri del canale, con un'identità e una tracciabilità.

Dentro Block, l'azienda che guida, la stessa idea è già arrivata al bilancio: Dorsey ha legato un taglio del quaranta per cento dell'organico alla produttività ottenuta con questi strumenti, ha detto che l'azienda diventerà più piccola e più piatta, e ha sostenuto che il codice consegnato per ingegnere è cresciuto di circa il quaranta per cento. Insieme a questo ha specificato che continua ad assumere figure senior sull'intelligenza artificiale.

Ieri parlavamo dell'agente come metodo di lavoro personale. Il salto di oggi è che smette di essere una scelta individuale e diventa struttura: la stessa cosa successa alla posta elettronica trent'anni fa, quando è passata dall'essere un vezzo di qualche ingegnere a essere il luogo dove l'azienda decide.

C'è però una conseguenza che il racconto entusiasta tende a saltare. Un organigramma è anche un sistema di responsabilità: qualcuno risponde di quello che è stato fatto. Se metà dei membri di un canale sono agenti con permessi propri, la domanda su chi risponda non ha ancora una risposta scritta da nessuna parte. Il registro delle attività è un inizio, non una soluzione.

DHH — Danish, per esteso David Heinemeier Hansson — ha creato il software con cui è stata costruita mezza internet degli anni Duemila, e per anni è stato tra le voci più taglienti contro l'entusiasmo sull'intelligenza artificiale.

A fine agosto ha invitato pubblicamente le persone a rivedere le proprie convinzioni su questi strumenti, dicendo che siamo nell'età degli agenti. Poi ha fatto qualcosa di più impegnativo di un post. Sul sistema operativo che sviluppa, Omarchy, ha rilasciato un aggiornamento che rende gli agenti cittadini di prima classe del computer: durante l'installazione si sceglie quale agente usare — Claude Code, Codex, Gemini, Grok, Copilot — e gli si concede il permesso di leggere, modificare, eseguire e verificare le modifiche al sistema. Ha mostrato l'installazione di un componente ottenuta semplicemente conversando.

Ieri il segnale era la conversione personale di uno scettico. Oggi è un'altra cosa: una decisione di piattaforma, cioè un'ipotesi imposta a tutti quelli che useranno quel sistema. Un conto è cambiare idea, un altro è mettere la nuova idea nel programma di installazione.

Questo è il punto dove i fili della giornata si toccano. Mentre Chollet dimostra che questi sistemi falliscono il novantanove per cento di un test di adattamento, DHH gli consegna i permessi di scrittura sul proprio computer. Non è una contraddizione: sono due domande diverse. Una chiede se la macchina sappia pensare, l'altra se sappia lavorare. Le risposte, a quanto pare, sono opposte — e in questo momento nessuno sa quale delle due conti di più.

Progetti da osservare.

AMI Labs è il laboratorio parigino di LeCun di cui abbiamo parlato: un miliardo di dollari per costruire macchine che imparino il mondo guardandolo, invece che leggendone la descrizione.

ARC-AGI-3 è il test interattivo di Chollet: piccoli mondi a turni senza istruzioni, dove le persone arrivano al cento per cento e i modelli migliori restano sotto l'uno. Il numero più onesto in circolazione sulla distanza che resta.

Buzz è lo spazio di lavoro di Block: chat, codice e agenti nello stesso posto, tutto aperto, con gli agenti dotati di identità propria. Claude Code, Codex e goose ci lavorano già dentro.

Autoresearch è un piccolo archivio pubblicato da Andrej Karpathy, ed è la sua tesi ridotta all'osso: un agente modifica il codice di addestramento, allena per cinque minuti, tiene solo le varianti che migliorano, ricomincia. L'umano scrive il prompt e le specifiche, la macchina gira in tondo. Un laboratorio che si autoalimenta, in una manciata di file.

Nemotron 3 Ultra è il modello aperto di Nvidia, cinquecentocinquanta miliardi di parametri, pensato per far lavorare molti agenti insieme. La strategia è trasparente: regalare il modello per vendere le macchine che lo fanno girare. È la stessa mossa dei produttori di lame che regalavano il rasoio.

E infine BenchMIRT, di AllenAI: un metodo per capire cosa i test sui modelli stiano davvero misurando, distinguendo le domande difficili da quelle che separano davvero i bravi dai mediocri. Risponde alla domanda più fastidiosa di tutte — chi valuta i valutatori.

Cento per cento contro meno dell'uno per cento: è il numero con cui vale la pena chiudere. Nello stesso mese in cui quel divario viene misurato, si progettano centrali elettriche per alimentare la tecnologia che lo produce e si consegnano ad essa le chiavi dei nostri computer. Forse stiamo scommettendo sulla cosa giusta per le ragioni sbagliate.

È stato Signal Brief. Alla prossima.