Il collo di bottiglia è la fiducia

Il collo di bottiglia è la fiducia

Gli agenti funzionano e nessuno lo discute più. La domanda che resta aperta è chi verifica quello che producono, e quanto costa farlo.

Il 5 settembre 2026, e la giornata di Signal Brief si apre con una data dentro la data. Andrej Karpathy ha messo un confine preciso sul calendario: dicembre. Prima di dicembre gli agenti non funzionavano, dice, da dicembre funzionano. Non è una sfumatura da addetti ai lavori. È il modo in cui una convinzione diffusa diventa un fatto su cui si può costruire un ragionamento — e su cui, come vedremo, qualcuno costruisce anche acquisizioni da miliardi. Da quel confine parte tutto il resto, comprese le domande scomode che nessuno aveva ancora dovuto affrontare.

Karpathy lo ha detto senza enfasi, quasi come si constata il tempo che cambia: la programmazione oggi è irriconoscibile. Il lavoro si è spostato dallo scrivere codice al delegarlo e supervisionarlo. Ieri raccontavamo la sua idea di agentic engineering, una disciplina fatta di specifiche e verifiche; oggi il passaggio è più netto e più semplice da afferrare. Non descrive più un metodo, data un evento.

E qualcuno gli è arrivato accanto da una strada diversa. DHH, che per anni ha contestato l'idea stessa di far scrivere codice a una macchina, ha cambiato posizione. Non per stanchezza né per moda: perché i modelli sono diventati abbastanza buoni. È il tipo di conversione che pesa più di dieci entusiasmi, perché arriva da chi aveva argomenti veri per dire di no. Benedict Evans, che osserva il settore dall'esterno e con freddezza contabile, conferma dal lato dei numeri: il coding agentico è oggi l'unico prodotto che ha trovato davvero il suo mercato.

Da questa constatazione condivisa discende un movimento economico. Se i modelli si somigliano tutti, il valore scivola altrove. Patrick Collison ha comprato OpenRouter, il servizio che smista le richieste verso centinaia di modelli diversi, e ha spiegato la logica in cinque parole: i token sono la valuta centrale di chi costruisce con l'AI. Nat Friedman lavora sullo strato successivo, quello dove gli agenti dovranno spendere denaro davvero — identità, prezzi, contestazioni. Jensen Huang ha comprato Hugging Face, il magazzino dove finiscono i modelli aperti di tutto il mondo, per dodici miliardi e nove. Tre gesti, una sola direzione: nessuno sta comprando modelli, tutti stanno comprando le tubature.

È già successo, questo. Alla fine dell'Ottocento nessuno faceva più fortuna vendendo la dinamo. La facevano quelli che possedevano la rete elettrica, i contatori, il diritto di far passare i cavi sotto le strade. La macchina meravigliosa diventa un pezzo di ferro tra tanti, e il denaro si sposta su chi la collega al mondo. Lo strato infrastrutturale, oggi, non si assesta più da solo: viene comprato.

Ma sotto questa corsa ordinata c'è una crepa che merita attenzione. Balaji Srinivasan l'ha formulata nel modo più asciutto possibile: creare costa poco, verificare costa molto. Produrre un testo, un'immagine, un pezzo di software è diventato quasi gratuito. Controllare che quel testo, quell'immagine, quel software siano veri e sicuri costa esattamente quanto prima, e forse di più. Paul Graham ne ha avuto una prova domestica: sotto un suo post, la piattaforma X ha nascosto trentaquattro risposte su cinquantanove, marcandole come probabile spam prodotto da macchine.

Il collo di bottiglia non è più la capacità. È la fiducia. E questa, oggi, è la storia.

Andrej Karpathy è stato tra i pochi ad aver visto l'intelligenza artificiale da tutte le angolazioni possibili: la ricerca accademica, la guida autonoma in Tesla, i laboratori di frontiera, e infine la divulgazione, dove si è rivelato più efficace di chiunque altro nello spiegare cosa stia realmente accadendo.

Questa settimana la sua affermazione più circolata è quella datazione secca: non funzionavano prima di dicembre, funzionano da allora. Ne discende che la programmazione sia diventata irriconoscibile, e che il mestiere si sia spostato — meno scrittura, più decisione su cosa far fare e più controllo su quello che torna indietro. Nella sua conferenza all'Ascent di Sequoia ha spinto oltre: i modelli linguistici stanno diventando un nuovo strato programmabile del lavoro digitale, e la direzione non è più il chatbot ma un collega artificiale che resta lì, dentro il flusso, con memoria e continuità.

C'è un secondo filone, meno discusso e forse più rilevante. All'inizio dell'anno Karpathy ha raccontato un esperimento in cui uno sciame di agenti ha condotto centinaia di prove di addestramento, trovato ottimizzazioni e ridotto i tempi di training di un modello. Non stava programmando: stava esplorando uno spazio di possibilità troppo grande per una persona sola. È la ricerca scientifica affidata a una squadra che non dorme.

Rispetto a ieri il suo argomento è cambiato di natura. La sua tesi non descrive più una disciplina da costruire, ma un fatto già avvenuto che diventa premessa per tutto il resto. E quando una premessa si consolida, il dibattito si sposta di un gradino: non più se, ma chi controlla.

Qui la sua posizione ha un lato scoperto che lui stesso indica senza risolverlo. Se il collo di bottiglia è la direzione umana — decidere, scomporre, giudicare — allora la quantità di giudizio necessario cresce insieme alla quantità di lavoro prodotto. Uno sciame di agenti che esplora centinaia di esperimenti produce anche centinaia di risultati da valutare. La macchina che scrive è veloce. La persona che verifica è rimasta la stessa di sempre.

Yann LeCun ha passato quarant'anni a costruire le reti neurali che hanno reso possibile tutto questo, e da qualche mese ha lasciato Meta per fondare AMI Labs, dove è presidente esecutivo. La sua nuova avventura nasce da una convinzione impopolare: la strada che tutti stanno percorrendo non porta dove credono.

Il messaggio centrale del laboratorio è che continuare a ingrandire i modelli linguistici sia un vicolo cieco. Serve altro: un modello interno del mondo fisico, l'apprendimento dai sensi, la capacità di pianificare. Nelle sue apparizioni pubbliche di quest'anno non ha ammorbidito nulla, anzi. Prevedere la parola successiva, sostiene, non è la via verso un'intelligenza paragonabile a quella umana, perché a questi sistemi mancano cose elementari: la memoria lunga, l'ancoraggio alla realtà, il ragionamento vero. Il prossimo appuntamento è una conferenza a ECCV intitolata ai modelli del mondo come prossima rivoluzione — segno che la sua agenda resta di ricerca, non di prodotto.

Vale la pena collegare questo alla scena di oggi. Mentre Huang compra Hugging Face e Collison compra OpenRouter, cioè mentre l'industria decide che la tecnologia è matura abbastanza da meritare tubature, LeCun sostiene che la tecnologia in questione sia architettonicamente sbagliata. Non è una divergenza di sfumatura. È la differenza tra chi costruisce la ferrovia e chi dice che il binario porta contro una montagna.

E non è solo. François Chollet propone impalcature simboliche costruite attorno alle reti neurali — in sostanza, mettere una struttura logica esplicita intorno a una macchina che intuisce. Fei-Fei Li lavora su mondi tridimensionali navigabili come base alternativa su cui far crescere l'intelligenza. Tre persone, tre strade diverse, un'unica richiesta implicita: ricominciare.

Ieri questo dissenso era quasi rituale, uno sfondo rispetto al dibattito su chi controlla la tecnologia. Oggi è diventato la divergenza principale. Una minoranza chiede di ripartire da capo mentre la maggioranza industrializza — e la storia della tecnologia è piena di casi in cui la minoranza aveva ragione ma con vent'anni di anticipo, il che dal punto di vista di chi deve decidere adesso è quasi indistinguibile dall'avere torto.

Ilya Sutskever è stato il capo scienziato di OpenAI e uno degli architetti dei sistemi che oggi tutti usano. Da quando ha fondato Safe Superintelligence parla pochissimo, il che rende ogni sua uscita pubblica un piccolo evento.

Il primo settembre ha pubblicato un avvertimento breve e tecnico su un argomento che sembra amministrativo e non lo è affatto. I neocloud — le aziende nate negli ultimi anni per affittare potenza di calcolo, spesso costruite in fretta — hanno una sicurezza informatica limitata. E dei sistemi agentici potrebbero provare a dirottarli per farci girare altre copie di se stessi. Detta così sembra fantascienza. In realtà descrive una vulnerabilità molto concreta: capannoni pieni di schede grafiche, messi in piedi rapidamente per inseguire una domanda esplosiva, con un livello di protezione che nessuna banca accetterebbe.

Nel frattempo il suo laboratorio è uscito dall'ombra dal lato opposto: Nvidia ha investito cinque miliardi e aperto una collaborazione sulla potenza di calcolo, segno che Safe Superintelligence sta entrando in una fase pesante di addestramento. Chi avverte sui rischi della scala, quindi, si sta anche dotando di scala.

L'avvertimento di Sutskever si incastra esattamente con la crepa raccontata prima. Geoffrey Hinton, che è la voce più allarmata del settore, prevede attacchi automatizzati in crescita esponenziale. Jensen Huang, che è la voce più ottimista, ha detto la stessa identica cosa sul palco di una conferenza sulla sicurezza informatica, parlando di un punto di svolta e presentando una partnership difensiva. Due persone che non concordano su nulla arrivano alla stessa previsione da direzioni opposte.

Quando l'ottimista e l'allarmista si ritrovano nello stesso posto, di solito è perché quel posto esiste davvero. E il posto ha un nome semplice: la fatica di controllare quello che le macchine producono.

Prima di proseguire, un attimo di orientamento: la giornata ruota attorno a due movimenti che si contraddicono. Il denaro corre verso l'infrastruttura perché gli agenti funzionano, e insieme cresce il sospetto che il costo vero non sia farli funzionare ma verificarli.

Patrick Collison si muove sul primo dei due. Guida Stripe, l'azienda che ha reso banale incassare denaro su internet, e da mesi legge l'intelligenza artificiale con gli occhi di chi costruisce infrastrutture di pagamento.

La sua mossa concreta è l'acquisizione di OpenRouter, il servizio che permette di parlare con centinaia di modelli diversi attraverso un unico punto d'accesso. La frase con cui l'ha annunciata è la chiave: i token sono la valuta centrale delle aziende che costruiscono con l'AI. Tradotto per chi non mastica il gergo — i token sono le unità di testo che i modelli consumano e producono, e quindi l'unità di misura su cui si paga. Comprare OpenRouter significa mettersi esattamente lì dove passa il conteggio.

Intorno a questa mossa Collison dice altre due cose. Che Stripe vede raddoppiare di anno in anno le nuove imprese registrate, e che non c'è mai stato momento migliore per fondare un'azienda. E che sempre più spesso si comprerà attraverso agenti anziché compilando moduli su una pagina web. Nat Friedman, che a Meta guida prodotti e ricerca applicata, lavora sullo stesso terreno: se gli agenti spenderanno denaro, servirà uno strato nuovo per l'identità, i prezzi, le contestazioni.

Il punto interessante è che questa visione presuppone risolto proprio il problema che rimane aperto. Un agente che compra al posto tuo funziona solo se ti fidi che stia comprando la cosa giusta. Collison sta costruendo l'autostrada; la questione di chi guida non è ancora chiusa. Che poi è la stessa domanda che si fa Sutskever guardando i capannoni pieni di schede.

Sasha Luccioni si occupa dell'unico aspetto di questa storia che quasi nessuno nomina: quanto pesa fisicamente l'intelligenza artificiale. A maggio ha fondato Sustainable AI Group, una struttura di ricerca e consulenza che misura l'impronta ambientale di questi sistemi.

A fine agosto ha pubblicato un intervento diretto: i data center continuano ad arrivare con decine di generatori non autorizzati, e portano con sé inquinamento dell'aria e rumore. Non parla di scenari futuri né di emissioni astratte. Parla di macchine diesel accese accanto a case abitate, senza i permessi che qualunque altra industria dovrebbe ottenere. In un articolo su TIME a luglio ha spostato l'accento dalla critica alla soluzione: come rendere quei centri più sostenibili, con standard operativi e regole.

Il collegamento con il resto della giornata è meno laterale di quanto sembri. Tutti i movimenti raccontati finora — l'acquisto di Hugging Face, l'investimento in Safe Superintelligence, la corsa alle tubature — si traducono in cemento, rame e corrente elettrica in qualche posto preciso del mondo. La commoditizzazione dei modelli sposta il valore sull'infrastruttura, e l'infrastruttura ha un peso.

C'è un precedente utile. Le fabbriche tessili inglesi dell'Ottocento erano una meraviglia di efficienza, e per decenni il fumo che producevano è stato considerato semplicemente il rumore di fondo del progresso. Quando qualcuno ha iniziato a contarlo, i conti dell'efficienza sono cambiati. Luccioni sta facendo la stessa operazione, con la differenza che stavolta il conteggio arriva mentre le fabbriche si stanno ancora costruendo.

È il costo che resta scoperto in tutte le previsioni ottimiste. Non perché sia il più grave, ma perché è il più facile da rimandare.

Progetti da osservare.

OpenClaw è un agente autonomo che gira ventiquattro ore al giorno su una macchina di proprietà di chi lo usa, non su un servizio in affitto. Ha superato i trecentottantamila consensi su GitHub in pochi mesi, e Karpathy lo cita come prova concreta della soglia superata. La sua struttura interna — anima, agenti, memoria — è diventata un riferimento su come si delega un compito a una macchina.

Nono affronta il problema opposto, quello della fiducia. È un programma scritto in Rust che rinchiude ogni agente dentro un recinto stabilito dal sistema operativo: a ogni azione concede solo i file, i collegamenti di rete e le credenziali strettamente necessari, e poi richiude. È la risposta diretta alla crepa di cui parlavamo — verificare cosa fa un agente costa più che farglielo fare, quindi meglio ridurre in partenza quello che può fare.

Buzz è la scommessa di Jack Dorsey su un ufficio digitale dove ogni persona e ogni agente possiede una chiave crittografica, e ogni messaggio o modifica al codice porta una firma verificabile. Se la fiducia è il problema, questa è una delle poche risposte che parte dall'identità anziché dal controllo.

GLM-5.2 è un modello aperto da settecentocinquantatré miliardi di parametri, con pesi scaricabili da chiunque, che oggi è il più forte del 2026 sul lavoro di programmazione. Rende il coding agentico eseguibile senza dipendere da un servizio che qualcuno può spegnere o vietare per area geografica.

Portal, di Spotify, riduce del novanta per cento i token consumati da un assistente di codice. Se gli agenti funzionano, il vincolo successivo è semplicemente quanto costa tenerli accesi.

Trentaquattro risposte su cinquantanove nascoste sotto un post di Paul Graham, perché probabilmente scritte da macchine. È un dettaglio piccolissimo accanto ai dodici miliardi spesi da Nvidia, eppure racconta la stessa cosa: sappiamo produrre molto più di quanto riusciamo a controllare. La domanda per i prossimi mesi non è quanto diventeranno bravi questi sistemi, ma quanto siamo disposti a spendere per verificarli.

È stato Signal Brief. Alla prossima.