La distanza che si allarga

La distanza che si allarga

La tecnologia è spesso già pronta — è il sistema istituzionale che rallenta. E mentre il gap cresce, il capitale si posiziona sui chokepoint.

Signal Innovazione, 9 giugno 2026.

Questa settimana torna con più forza un tema che abbiamo già incrociato: la distanza tra quello che è tecnicamente possibile e quello che i sistemi istituzionali permettono di fare. Non è solo un freno statico — si è resa più precisa come dinamica che si allarga nel tempo. E mentre si allarga, chi detiene capitale si sta già posizionando in anticipo sui punti di controllo. Vale la pena seguire questo filo dal principio.

Partiamo da un dato concreto. Commonwealth Fusion Systems, nata da un programma del MIT, punta a dimostrare l'energia netta da fusione nucleare entro il 2027. La tecnologia ha compiuto passi reali: magneti a superconduttore ad alta temperatura che superano soglie ritenute impossibili dieci anni fa. Eppure, racconta Matt Ridley che ha studiato il caso in dettaglio, il vero ostacolo non è fisico. È normativo. Il problema è dover tornare ogni volta dall'ente regolatore per ottenere il permesso di cambiare ogni singola saldatura.

Non è un'iperbole. È la stessa dinamica che ha bloccato il nucleare a fissione negli anni Settanta. La tecnologia funzionava. I costi scendevano. Ma ogni modifica richiedeva approvazione, e ogni approvazione richiedeva anni. Un settore maturo si è cristallizzato invece di evolvere — non per un fallimento tecnico, ma per un ciclo di governance incompatibile con la velocità dell'ingegneria.

Nell'episodio precedente avevamo parlato di frizione istituzionale come variabile dominante nel rallentare la diffusione dell'innovazione. Quello che emerge questa settimana è un aggiornamento preciso di quel frame: non è un freno statico. È un gap che si allarga nel tempo. La distanza tra velocità del cambiamento tecnologico e capacità istituzionale di rispondergli cresce, non si chiude da sola. È questa la frattura che vale la pena cartografare.

Tyler Cowen la misura in termini economici: stima che il quaranta, forse il cinquanta percento del PIL americano — sanità, università, pubblica amministrazione — si adatterà lentamente. Non per mala volontà, ma per come funzionano i sistemi burocratici grandi. Ma aggiunge questa settimana qualcosa di più sottile e controcorrente: l'AI potrebbe erodere i margini aziendali abbassando i costi di monitoraggio dei clienti. Le aziende guadagnano perché i clienti non confrontano, non si spostano, si fidano per abitudine. Un agente AI che confronta offerte in tempo reale cambia questa equazione. Le rendite di posizione che oggi finanziano la ricerca e sviluppo potrebbero ridursi — e con loro, una parte del motore dell'innovazione privata. La tecnologia che promette di arricchire tutti potrebbe distruggere le rendite che la finanziano.

Mariana Mazzucato legge la stessa frattura dal lato opposto. Il problema dello stato, dice, non è l'eccesso di intervento. È la mancanza di capacità di governare ciò che rischia. Lo stato spesso interviene — nazionalizza, regolamenta, investe — senza aver costruito le competenze amministrative necessarie. Rischio socializzato, rendimenti privatizzati: un pattern antico che si ripete non per cinismo, ma per deficit strutturale di governance capacity.

Tim O'Reilly porta un terzo filo, specifico all'economia degli agenti AI. L'infrastruttura tecnica c'è già. Quello che manca sono i meccanismi economici: mercati dove gli agenti trovino le competenze di cui hanno bisogno, sistemi di verifica della qualità, layer di pagamento per transazioni autonome. È un parallelo preciso con Internet a metà degli anni Novanta — la rete c'era, ma il commercio elettronico non era ancora possibile perché mancavano i protocolli di fiducia e pagamento. Chi li ha costruiti ha catturato valore enorme e duraturo.

Venkatesh Rao chiude il quadro. Il frame che aveva elaborato nei mesi scorsi — i modelli di linguaggio come commodity intelligence, conoscenza fungibile come carbone — si è evoluto in qualcosa di più strutturale. Il capitale non è diffuso: è già posizionato a imbuto, concentrato sui chokepoint strategici — AI, chip, energia — nel momento esatto in cui servirebbe esplorazione aperta. La distribuzione dei guadagni dell'AI non sarà automatica. È strutturalmente improbabile senza interventi deliberati.

Quattro posizioni diverse. Quattro diagnostiche che convergono sulla stessa frattura.

Matt Ridley è uno scrittore e saggista britannico che ha costruito la sua reputazione su una tesi tenace: nella storia dell'umanità, le cose tendono a migliorare, e il principale motore di questo miglioramento è lo scambio. Di idee, di beni, di tecnologie. Non è un ottimismo da slogan — è una lettura dei dati di lungo periodo che lo ha reso uno dei critici più sistematici delle narrazioni catastrofiste.

In questo periodo la sua attenzione si è concentrata sulla fusione nucleare come caso di studio emblematico. La tesi è precisa: per la prima volta nella storia, la fusione è plausibilmente vicina alla fattibilità commerciale — non come promessa, ma come ingegneria reale, verificabile. Eppure il vero ostacolo non è fisico. È burocratico.

Il parallelo che usa è quello del nucleare a fissione. Negli anni Sessanta il settore funzionava e migliorava — reattori operativi, costi in discesa, tecnologia in evoluzione. Poi si è fermato. Non per un fallimento tecnico, ma per un ciclo di approvazione regolamentare che richiedeva anni per ogni modifica di componente. Ogni volta che un ingegnere voleva aggiornare qualcosa, doveva tornare dall'ente regolatore. Il sistema, pensato per garantire sicurezza, era diventato incompatibile con la capacità di apprendimento del settore. Il risultato: stagnazione tecnica in un campo che aveva ancora molto da dare.

La preoccupazione per la fusione è identica. E si estende all'AI: non nel senso che la regolamentazione sia sbagliata in sé, ma nel senso che i sistemi normativi pensati per gestire rischi consolidati non sono attrezzati per accompagnare settori in rapida trasformazione. Il problema non è la direzione — è la velocità di risposta del sistema normativo rispetto alla velocità dell'ingegneria.

Ridley si posiziona chiaramente: la soluzione è rimuovere i vincoli che bloccano tecnologie già mature. È una posizione che ha critici seri — su tutti Mazzucato, che risponde che il problema non è l'eccesso di regolazione ma la mancanza di capacità statale di governarla bene. La distanza tra i due non è semplice da colmare, ma il contributo di Ridley al dibattito è utile indipendentemente dalla posizione politica: ha documentato, con precisione storica, che la frattura tra innovazione tecnica e sistema normativo non è accidentale. È strutturale. E si autoriproduce.

Un dettaglio che vale la pena notare: il suo corpus recente include, per la prima volta in modo sistematico, pezzi sul rischio biologico. Laboratori, biosicurezza, origini delle pandemie — temi quasi assenti nel suo lavoro pre-2020. Non è un'inversione di rotta. È un aggiornamento della mappa. L'ottimismo razionale, quello vero, non esclude la revisione quando i dati lo richiedono.

Tyler Cowen è un economista americano, professore alla George Mason University e autore di Marginal Revolution, uno dei blog di economia più letti nel mondo anglofono. Il suo punto di forza è partire da un'osservazione apparentemente minore — un dato demografico, un ristorante etnico, un cambiamento di prezzo — e arrivare a una riflessione sistemica che non era ovvia all'inizio.

In questo periodo il suo contributo più originale non riguarda la crescita dell'AI, ma i suoi effetti su chi la finanzia. La tesi è questa: l'AI potrebbe essere cattiva per i profitti aziendali. Non è la direzione che si sente di solito, ed è per questo che vale la pena seguirla.

Il ragionamento parte da un'osservazione semplice. Le aziende guadagnano in parte perché i loro clienti non le monitorano abbastanza. Una banca offre condizioni peggiori rispetto alle migliori disponibili sul mercato, ma il cliente non cambia banca perché confrontare, spostare, rinegoziare costa troppo — in tempo, in attenzione, in competenza. Un fornitore di software enterprise trattiene i clienti perché cambiare sistema costa troppo in formazione e integrazione. Queste sono rendite di posizione — non illegali, solo il risultato di un'asimmetria informativa che favorisce chi già serve il cliente.

L'AI abbassa il costo di monitoraggio. Un agente che confronta offerte di mutuo in tempo reale, che valuta alternative software in modo autonomo, che identifica fornitori più convenienti — erode esattamente questo tipo di rendita. E quelle rendite finanziano, in misura significativa, i budget di ricerca e sviluppo dei settori più consolidati. Il paradosso è preciso: la tecnologia che promette di arricchire tutti potrebbe distruggere le rendite che finanziano l'innovazione stessa.

Cowen lo dice senza enfasi, ma la mossa è più controcorrente di quanto sembri. Quasi tutta la narrativa sull'AI parla di chi cattura valore aggiunto. Lui parla di chi perde rendite preesistenti. È un'angolatura diversa, e probabilmente più utile per chi deve decidere dove investire o come posizionarsi nel prossimo ciclo.

Si collega alla sua tesi già incontrata nell'episodio precedente — gran parte dell'economia si adatterà lentamente. Ma il punto che aggiunge ora è più sottile: non solo chi non è ancora esposto all'AI è lento, ma chi ci sta già sopra potrebbe scoprire che i guadagni di produttività si trasferiscono ai clienti, non agli azionisti. Una redistribuzione involontaria di valore, che nessuno ha pianificato.

Sul piano pratico, la sua indicazione è concreta. Chi vuole restare rilevante in questo contesto dovrebbe diventare qualcuno che alimenta l'AI, non solo qualcuno che la usa. Raccogliere dati grezzi. Testare soluzioni nuove. Portare giudizio nei contesti fisici dove l'AI non arriva. Queste sono posizioni meno automatizzabili — e più preziose proprio perché rare.

Mariana Mazzucato è un'economista italo-americana, professore al University College di Londra, nota per aver rimesso in discussione il ruolo dello stato nell'economia dell'innovazione. La sua tesi degli anni scorsi era precisa: lo stato non si limita a correggere i fallimenti del mercato — co-crea i mercati. Internet, il GPS, i touch screen degli smartphone: tecnologie nate da investimenti pubblici prima che il capitale privato capisse dove puntare.

Questa settimana il suo frame ha compiuto un passo ulteriore. Il libro appena uscito, The Common Good Economy, sposta il fuoco: non più solo chi investe nell'innovazione, ma chi è attrezzato per governarla nel tempo. E la diagnosi che emerge è severa.

Il problema dello stato, dice Mazzucato, non è l'eccesso di intervento. È la mancanza di capacità di governare ciò che rischia. Il caso concreto che cita è la British Steel nel Regno Unito: nazionalizzazione di emergenza, intervento rapido, missione di salvataggio dichiarata. Ma lo stato britannico non aveva mai costruito le competenze amministrative per gestire un settore industriale strategico nel lungo periodo. Il risultato è prevedibile: i rischi si socializzano, i rendimenti rimangono privati. Non per mala fede — per un deficit strutturale di governance capacity accumulato per decenni.

Applicato all'AI, il ragionamento è diretto. Gli stati stanno assumendo rischi enormi — nella regolamentazione, negli investimenti pubblici in infrastruttura computazionale, nella gestione dei dati sanitari e pubblici. Ma lo fanno spesso senza le competenze interne per valutare le scelte che stanno compiendo. Intervengono senza sapere governare quello che rischiano. Non è un'accusa politica — è la diagnosi di una fragilità sistemica che può costare cara.

La tensione con Ridley è reale ma va letta bene. Non è destra contro sinistra, deregolamentazione contro statalismo. È una domanda sulla forma della risposta: rimuovere i vincoli che rallentano la tecnologia già matura, o costruire uno stato che sa governarla? Probabilmente entrambe le cose — in sequenza diversa a seconda del settore e del paese. Ma quella è già una risposta più complessa di quanto la politica tenda ad ammettere.

Vale la pena notare un cambiamento di registro nel suo linguaggio recente. Mazzucato parla sempre più di "bene comune" come bussola normativa, in sostituzione del framework tecnocratico dei "fallimenti di mercato". Non è un cambio di posizione — è un cambio di terreno di scontro. Il "bene comune" è un principio più difficile da attaccare con gli argomenti classici del liberismo di mercato. È una mossa al tempo stesso intellettuale e politica — e come tale, interessante da seguire.

Tim O'Reilly è difficile da etichettare. Editore, pensatore, analista — è stato tra i primi a identificare e nominare fenomeni come l'open source, il Web 2.0, la gig economy. Non predice rivoluzioni: costruisce mappe di ciò che sta già accadendo prima che diventi ovvio al resto del mercato.

Il suo contributo più interessante di questo periodo è l'analisi di quello che chiama i meccanismi mancanti dell'economia agentiva. Il punto di partenza: l'infrastruttura tecnica per gli agenti AI esiste già. I modelli ci sono, le API ci sono, i protocolli di comunicazione ci sono. Quello che manca sono i meccanismi economici e sociali che rendono un sistema funzionante in modo affidabile e scalabile.

Il parallelo storico che usa aiuta a capire. Internet alla fine degli anni Ottanta aveva già i protocolli di comunicazione. Ma il commercio elettronico non era possibile. Mancavano i sistemi di pagamento, i meccanismi di verifica dell'identità, le strutture legali per i contratti digitali, la fiducia dei consumatori verso i venditori che non vedevano mai in faccia. Tutto questo si è costruito nel decennio successivo — lentamente, pezzo per pezzo — e chi ha contribuito a costruire quei layer ha catturato valore enorme e duraturo.

La situazione dell'economia agentiva oggi è analoga. Mancano mercati dove gli agenti trovino le competenze di cui hanno bisogno. Mancano sistemi per verificare la qualità del lavoro prodotto da un agente autonomo. Manca un layer di pagamento pensato per transazioni tra agenti. Manca una governance chiara di chi risponde quando un agente sbaglia in modo consequenziale.

Un segnale concreto: Patrick Collison ha introdotto in Stripe un protocollo di pagamento pensato specificamente per agenti AI — un'architettura che sostituisce il classico tasto acquista con API native per transazioni autonome. Già integrato con i principali provider AI. Collison prevede che presto la maggioranza delle transazioni online sarà di natura agent-to-agent. Ma l'infrastruttura economica che rende questo possibile in modo sicuro e affidabile è ancora in costruzione. Chi la costruisce oggi si troverà, tra qualche anno, in una posizione analoga a chi ha costruito i processori di pagamento negli anni Novanta.

O'Reilly ha anche una visione più ampia. Vede l'AI come una terza forza istituzionale — dopo la Chiesa e il mercato — capace di disciplinare sia i mercati che gli stati. Ma a rischio di essere catturata dagli stessi interessi che dovrebbe bilanciare, se i valori incorporati nel design dei sistemi sono estrattivi più che comuni. Non è fatalismo: è la stessa avvertenza che si applicava alle piattaforme web vent'anni fa. E allora, come ora, la struttura del sistema conta quanto — o più della — tecnologia che ci gira sopra.

Qualche progetto da tenere d'occhio.

Commonwealth Fusion Systems ha superato la soglia tecnica dei magneti a superconduttore ad alta temperatura. Il target è dimostrare energia netta dalla fusione entro il 2027. La tecnologia avanza — il vero nodo nei prossimi mesi sarà come il settore negozia con i regolatori. Un caso da seguire non solo per l'energia, ma per quello che rivela sui tempi dell'innovazione istituzionale.

Anori è l'ultimo spinout di X, la moonshot factory di Alphabet. Attacca il "pre-development" edilizio: quei due, tre, quattro anni tra la decisione di costruire e il primo scavo, dove i progetti muoiono per burocrazia e costi nascosti. Ventiseimilioni di dollari di seed, nata a marzo 2026. Schema classico: problema enorme, ignorato dai grandi, risolvibile con software e dati.

Manas AI è la startup su cui Reid Hoffman ha scommesso lasciando il board di Microsoft — co-fondata con il medico e scrittore Siddhartha Mukherjee. L'obiettivo è la scoperta di farmaci attraverso AI: applicare all'universo della chimica farmaceutica la stessa logica che ha trasformato il folding delle proteine. Cinquanta milioni di dollari nei primi due round. Il segnale è nel gesto: Hoffman sceglie il biotech, non l'infrastruttura AI generica.

GBrain è un sistema open source di memoria per agenti AI — otto layer, architettura pensata per agenti autonomi di lunga durata, costruita fuori dall'orbita dei grandi provider. È esattamente il tipo di meccanismo mancante di cui parlava O'Reilly, costruito dal basso da chi usa gli agenti ogni giorno sul campo.

Stripe Machine Payments Protocol non è una startup, ma è un'infrastruttura che vale citare. Il layer economico dell'economia agentiva si sta costruendo adesso, protocollo per protocollo. Chi lo usa oggi sta plasmando le abitudini di un mercato che non è ancora formato.

Torna il tema con cui abbiamo aperto. La tecnologia è spesso già pronta — è il sistema che la circonda che ritarda, che non sa governare quello che rischia, che attende di costruire i meccanismi che mancano. Intanto il capitale si posiziona sui chokepoint prima che il sistema si apra. La domanda che rimane nell'aria non è tecnica: è chi costruisce il layer che manca, e a chi andrà il valore quando il sistema si stabilizzerà.

È stato Signal Innovazione. Alla prossima.