Il segnale più forte che attraversa tutte queste voci non è sulla capability: è che il vincolo si è spostato dalla tecnologia all'organizzazione che la assorbe. Azeem Azhar lo formalizza con la J-curve — nei primi mesi successo e fallimento sono indistinguibili, quindi chi taglia sui numeri a sei mesi seleziona rumore. Tim O'Reilly lo dice in modo più tagliente: «l'AI non toglie lavoro: lo tolgono le decisioni di chi la deploya». Garry Tan parla di secondo inning, Kevin Kelly di «successo istantaneo lungo cinquant'anni», Carlota Perez di installation phase non ancora conclusa. È lo stesso enunciato in quattro dialetti: la curva delle capacità e la curva dell'assorbimento hanno pendenze diverse, e nello scarto vive tutto il rischio di bolla.
La convergenza si rompe subito dopo, sulla domanda "dove si deposita il valore". Alex Karp e Satya Nadella arrivano indipendentemente alla stessa diagnosi — si paga due volte, in token e in conoscenza ceduta — e ne deducono sovranità e verticalizzazione; Marc Andreessen legge gli stessi fatti come diffusione e crollo dei costi unitari. Il caso più istruttivo è Patrick Collison, che ammette di aver temuto la centralizzazione e oggi vede «molte migliaia di vincitori» — non per ragioni tecnologiche ma organizzative: le grandi imprese non riescono a inseguire cento priorità insieme.
Qui l'asse bottom-up/top-down si rivela mal posto. Mazzucato e Perez chiedono direzionalità sul cosa; Matt Ridley risponde che il contenimento viene dalla competizione fra popolazioni di sistemi, non dal regolatore; Eli Dourado aggiunge che il coordinamento internazionale è esso stesso un problema di governance irrisolto. Ma nessuno dei due campi difende davvero il laissez-faire o il dirigismo: discutono su quale istituzione assorbe.
La tensione di fondo, allora, non è velocità contro istituzioni. È che l'esito — come dice Perez — non è automatico ma politico, mentre 
Tim Harford ricorda che nessuno, in questa fase, sa abbastanza per pianificarlo.
Il vincolo dell'intelligenza artificiale non è più il modello ma l'organizzazione che lo assorbe: la J-curve, le migliaia di vincitori e la partita su chi contiene la tecnologia.
Immaginate un consiglio di amministrazione che, sei mesi dopo l'avvio di un progetto di intelligenza artificiale, guarda i numeri e non vede muoversi nulla. Nessun risparmio, nessun ricavo nuovo. Il progetto viene chiuso. Secondo Azeem Azhar quel consiglio non ha misurato un fallimento: ha misurato rumore, perché nei primi mesi successo e fallimento hanno esattamente lo stesso aspetto. È il quattro agosto, questo è Signal Innovazione, e la storia di oggi è quella di un vincolo che si è spostato senza avvisare nessuno. Non è più nei modelli. È dentro le organizzazioni che dovrebbero usarli.
Il filo di ieri era la diffusione. La tecnologia esiste, deve solo distribuirsi, i binari precedono i treni. Quella diagnosi tiene ancora, ma nelle ultime settimane si è spostata di un passo, e il passo cambia parecchio. Non è più una questione di circolazione, di qualcosa che deve arrivare dal centro alla periferia. Il collo di bottiglia si è infilato dentro l'impresa: nei tempi delle decisioni, nel modo in cui il lavoro è disegnato, in chi firma il deployment.
Azeem Azhar gli ha dato una forma matematica, e l'ha chiamata J-curve dell'adozione. Nelle prime fasi di un'implementazione i segnali di successo e quelli di fallimento sono statisticamente indistinguibili, perché il valore non arriva dall'aggiunta di uno strumento ma dalla ristrutturazione dei processi che viene dopo. Il ritorno sull'investimento trimestrale, in quella finestra, non discrimina niente. Chi taglia sui numeri a sei mesi non sta selezionando i progetti buoni: sta selezionando rumore.
Tim O'Reilly dice la stessa cosa con una lama più affilata. La sua formulazione è che l'intelligenza artificiale non toglie lavoro: lo tolgono le decisioni di chi la mette in produzione. È uno spostamento di responsabilità enorme, e vale la pena tenerlo fermo un secondo, perché sposta il baricentro del dibattito dalla tecnologia al management. Se la disoccupazione è una scelta di deployment, non un esito tecnico, allora non c'è nessuna necessità storica che ci stia trascinando: ci sono persone che decidono, in stanze precise, con nomi e cognomi.
Una ricerca di Harvard Business Review dà la misura del divario: il cinquantanove per cento delle aziende ha sistemi di intelligenza artificiale in produzione, ma solo il trenta per cento registra ricavi nuovi. Il deployment degli agenti funziona come una radiografia organizzativa. Mostra dove il lavoro è disegnato male, e quel referto raramente piace a chi lo commissiona.
C'è un precedente storico che torna sempre a proposito. Il motore elettrico arrivò nelle fabbriche americane decenni prima che la produttività si muovesse, perché all'inizio veniva semplicemente infilato al posto della macchina a vapore, al centro dell'edificio, con gli stessi alberi di trasmissione. La produttività esplose solo quando qualcuno ridisegnò la fabbrica intorno all'idea che ogni macchina potesse avere il suo motore. Kevin Kelly ha una formula che dice la stessa cosa in modo più elegante: l'intelligenza artificiale è un successo istantaneo lungo cinquant'anni. Sembra improvvisa perché ne stiamo guardando il tratto finale.
Da qui nasce l'immagine che tiene insieme tutto il quadro. Ci sono due curve. Quella delle capacità, che sale ripida. Quella dell'assorbimento organizzativo, che sale molto più piano. Hanno pendenze diverse, e nello spazio fra le due si annida per intero il rischio di bolla. Carlota Perez direbbe che siamo ancora in fase di installazione, con il capitale speculativo che arriva prima delle istituzioni capaci di renderlo produttivo.
La convergenza si rompe subito dopo, appena si chiede dove finisca il valore che tutto questo produce. Alex Karp sostiene che chi cede i dati cede l'alpha, e che le imprese pagano per token mentre i laboratori si portano via il know-how. Satya Nadella arriva dalla porta accanto alla stessa diagnosi: si paga due volte, in token e in conoscenza ceduta, e chi esternalizza il proprio pensiero smette di essere un'azienda. Marc Andreessen legge gli stessi fatti al contrario: i costi unitari crollano più in fretta della legge di Moore, la domanda è iper-elastica, il surplus scivola a valle. Tre osservatori seri, gli stessi numeri, conclusioni opposte. Il caso più istruttivo, però, è un quarto.
Azeem Azhar scrive Exponential View, ed è probabilmente il lettore più attento che il ciclo attuale abbia prodotto: uno che accetta la curva delle capacità e rifiuta l'inferenza automatica alle conclusioni metafisiche.
Il trenta luglio ha pubblicato il pezzo che dà il titolo a mezza settimana di conversazioni: per chi adotta l'intelligenza artificiale, successo e fallimento all'inizio hanno lo stesso aspetto. Non è un aforisma consolatorio per progetti che vanno male. È un argomento sulla forma della curva: il valore si materializza dopo la ristrutturazione dei processi, quindi qualsiasi metrica raccolta prima di quella ristrutturazione misura il costo della transizione e non il ritorno. La conseguenza operativa è scomoda per chiunque sieda in un comitato di investimento, perché implica che lo strumento di giudizio abituale — i numeri trimestrali — in questa finestra specifica sia cieco.
Nelle stesse settimane Azhar ha lavorato su un secondo fronte, apparentemente scollegato: la compressione del vantaggio di chi sta sulla frontiera. I modelli aperti sono stimati a quattro-sette mesi dai migliori sulle capacità di sicurezza informatica, contro i sei-dieci mesi del 2025. Il ventisei luglio ha dedicato un numero alla distillazione, la tecnica con cui un modello impara dalle risposte di un altro, e la domanda che ne ricava è tagliente: se il trasferimento di conoscenza è così efficiente, la spesa in addestramento del leader diventa una specie di bene semi-pubblico. Paga uno, beneficiano tutti, con qualche mese di ritardo.
I due fili si annodano. Se il vantaggio sul modello si deprezza in pochi mesi, la difendibilità deve spostarsi altrove: sulla distribuzione, sui dati proprietari, sull'energia. E se si sposta lì, allora il tempo di adozione organizzativa — quello lento, quello della J-curve — smette di essere un dettaglio operativo e diventa la variabile competitiva principale. Non conta più chi ha il modello migliore per un trimestre. Conta chi ha finito di ridisegnare il proprio lavoro prima degli altri.
Il due agosto Azhar ha affrontato direttamente la posizione più accelerazionista, quella di chi vede nella curva delle capacità una traiettoria che si autoalimenta fino al decollo. La sua replica resta nello stesso registro di sempre: trasformazione reale, sì, discontinuità metafisica, no. È una postura che in un dibattito polarizzato paga poco in visibilità e molto in accuratezza.
Rimane un dettaglio non banale nel suo argomento. La J-curve assolve i progetti giudicati troppo presto, ma non assolve tutti i progetti. Da qualche parte esiste un momento in cui il rumore finisce e il segnale comincia, e Azhar non ha ancora detto dove sia quel momento. È la domanda che qualsiasi direttore finanziario gli porrebbe per primo, e per ora la risposta è aperta.
Il ventisei luglio, alla Startup School di Y Combinator, Patrick Collison ha fatto una cosa che raramente si vede su un palco: ha ammesso di essersi sbagliato, e ha portato i dati per spiegare come se ne è accorto.
Collison guida Stripe, che processa pagamenti per una fetta consistente delle imprese digitali del pianeta e quindi vede la formazione di nuove aziende quasi in tempo reale. Il numero che ha portato è questo: la creazione di nuove imprese sulla piattaforma è circa raddoppiata anno su anno. È il salto relativo più grande mai registrato, superiore a quello del passaggio dal 2019 al 2020, quando la pandemia spinse mezzo mondo a mettersi in proprio. E non è solo volume: le coorti mediane performano meglio delle precedenti, il che esclude la spiegazione più ovvia, cioè che sia semplicemente aumentato il rumore di fondo.
La confessione arriva qui. Collison temeva che l'intelligenza artificiale centralizzasse il potere economico nei grandi laboratori di frontiera, che diventasse una forza egemonica e totalizzante. Oggi sostiene il contrario: molte migliaia di vincitori. E la ragione che dà non è tecnologica, è organizzativa. Le grandi imprese non riescono a perseguire aggressivamente cento priorità simultanee. Ne scelgono cinque, forse dieci, e lasciano scoperto tutto il resto. In quello spazio si infilano le aziende piccole. A questo si somma uno spostamento nella domanda: le grandi organizzazioni oggi comprano volentieri dalle startup, cosa che quindici anni fa era rara.
C'è anche una critica implicita al manuale che lui stesso ha contribuito a rendere ortodossia. Il playbook del lancia presto e itera era tarato su un mondo in cui il collo di bottiglia era la capacità di esecuzione. Se quella capacità si compra a poco, il consiglio cambia: partire da punti più ambiziosi e meno correlati con quello che stanno facendo tutti gli altri. Collison difende i due anni che Stripe passò prima del lancio pubblico — partner bancari, conformità normativa, superficie di responsabilità legale — ma precisa un dettaglio che salva l'argomento dal diventare un alibi: il primo utente in produzione arrivò dopo due mesi. Ambizione lunga, ciclo di feedback corto.
La tensione con Andreessen è netta e utile. Per Andreessen il vincolo è tecnologico e sta scomparendo: i costi crollano, la diffusione è quasi meccanica. Per Collison il vincolo è organizzativo, e proprio per questo la frammentazione del valore è strutturale, non transitoria. Garry Tan aggiunge il terzo lato del triangolo dal suo osservatorio: non basta usare l'intelligenza artificiale, servono aziende costruite AI-native dall'inizio, e il suo dato è che un quarto delle startup dell'ultimo gruppo lavora su codice generato al novantacinque per cento da modelli, con un milione di dollari di ricavi ricorrenti raggiunto da due persone.
Tre letture diverse dello stesso mondo. Ma tutte e tre, notate, hanno smesso di parlare del modello.
Il primo luglio, a Londra, Matt Ridley ha aperto un intervento con un'osservazione grammaticale che è in realtà un intero argomento: stiamo usando i pronomi sbagliati per l'intelligenza artificiale.
Ridley è un divulgatore scientifico e un teorico dell'evoluzione applicata alle cose umane, autore di libri sull'ordine emergente e sull'innovazione dal basso. La sua obiezione è che quasi tutto il dibattito sull'allineamento presuppone il singolare. L'intelligenza artificiale, una cosa sola, su una traiettoria unica verso la superintelligenza. Ma non esiste l'intelligenza artificiale: esiste una popolazione di sistemi in competizione fra loro per le stesse risorse scarse — calcolo, energia, dati, attenzione degli utenti. E la rivalità fra popolazioni, sostiene, è il vero meccanismo di contenimento.
Il quindici luglio ha esteso l'argomento in un podcast intitolato, senza troppi giri, come la natura ferma un'apocalisse artificiale. La tesi è ecologica nel senso stretto: nessuna specie ha mai monopolizzato in modo permanente una nicchia, perché ogni vantaggio genera pressione selettiva su chi lo subisce. A limitare i sistemi non sarebbe il regolatore, ma l'ecosistema dei sistemi rivali.
È una posizione che va presa sul serio e discussa con altrettanta serietà. Il contenimento ecologico funziona su scale temporali evolutive, e le estinzioni lungo il percorso non sono un dettaglio contabile: sono la modalità con cui l'ecosistema aggiusta i conti. Chi progetta politiche pubbliche lavora su orizzonti di mesi, non di ere geologiche, e "alla lunga l'ecosistema si riequilibra" è una frase poco spendibile davanti a un parlamento. Ma l'osservazione grammaticale resta valida e scomoda per entrambi i campi: gran parte della regolamentazione in discussione è scritta al singolare, come se ci fosse un oggetto da normare, e non un ambiente da governare.
Nel suo caso non c'è alcun cambio di rotta, e lui non lo nasconde: è la sua tesi evolutiva di sempre, riletta sul software. C'è però un'inflessione recente che merita attenzione. Ridley ha ridotto l'enfasi sul software puro e l'ha spostata sulle applicazioni fisiche: spazio, protesica, diagnostica accelerata. È coerente con la sua critica di lunga data secondo cui la stagnazione riguarda gli atomi, non i bit — e converge, curiosamente, con l'agenda materiale che sta emergendo da tutt'altra parte: data center, nucleare compatto, batterie, scoperta di nuovi materiali.
Il filo di oggi torna anche qui. Se il vincolo è organizzativo e ambientale, e non tecnico, allora la domanda su chi contiene la tecnologia non ha una risposta ingegneristica. Ha una risposta istituzionale. Ed è esattamente il punto su cui il dibattito si rompe.
Carlota Perez studia da decenni la stessa cosa: come le rivoluzioni tecnologiche si installano e come, qualche volta, producono prosperità diffusa invece di polarizzazione.
La sua lettura del momento attuale è più fredda di quasi tutte le altre. L'intelligenza artificiale non sarebbe una nuova rivoluzione tecnologica ma il compimento del paradigma informatico-digitale, la quinta rivoluzione, ancora in fase di installazione. Il corollario è severo: chi la tratta come anno zero sbaglia la scala temporale, e sbagliando la scala sbaglia anche le politiche. Quello che vediamo — capitale speculativo che arriva prima delle istituzioni capaci di renderlo produttivo — nel suo schema ha un nome preciso: è il punto di svolta che precede il riassetto, non il decollo. E l'età dell'oro, insiste, non è automatica. È un esito politico. Senza qualcuno che indirizzi la direzione degli investimenti, la combinazione che esce dall'altra parte è bolla più polarizzazione, non prosperità distribuita.
Sullo stesso asse lavora 
Mariana Mazzucato, il cui libro uscito a giugno segna uno spostamento reale rispetto al suo lavoro precedente: non più correggere i fallimenti del mercato, ma co-creare i mercati intorno a obiettivi definiti in anticipo. In un'intervista di giugno chiarisce il fraintendimento che la insegue da anni con una formula asciutta: la crescita non è la missione, la crescita è il risultato. La missione è una direzione, non un aggregato. L'implicazione pratica è che le politiche industriali andrebbero valutate sulla capacità che costruiscono, non sul prodotto interno lordo incrementale.
Poi c'è chi rompe il tavolo da due lati diversi. Eli Dourado, che ha lavorato dentro le istituzioni internazionali, sostiene che gli sforzi multilaterali non sono la soluzione ai problemi di governance: sono un ulteriore problema di governance irrisolto. La sua meccanica del fallimento è specifica — i partecipanti non ottimizzano l'obiettivo dichiarato del trattato ma la leva negoziale, l'applicazione è finzione perché i paesi grandi non si vincolano mai su ciò che è scomodo, e le delegazioni sono a loro volta coalizioni incoerenti. Tim Harford arriva da tutt'altra parte con un'obiezione ancora più radicale, in un pezzo del ventitré luglio sul fatto che gli esperti sanno meno di quanto credano: la conoscenza avanza per tentativi ed errori, e in questa fase nessuno sa abbastanza per pianificare alcunché. Chi rivendica previsioni precise — i profeti dell'intelligenza artificiale generale come i liquidatori della bolla — va scontato pesantemente.
Ed è qui che la vecchia dicotomia si rivela mal posta. Nessuno di questi campi difende davvero il laissez-faire, e nessuno il dirigismo. La domanda non è quanto Stato. È quale istituzione assorbe il cambiamento — l'impresa, il mercato, il regolatore nazionale, il tavolo internazionale — e nessuno dei candidati, al momento, sembra in ottima forma. La resistenza istituzionale, in questo ciclo, non è un ostacolo esterno all'innovazione: è il luogo dove si decide il suo esito.
Startup e progetti da osservare.
OpenEuroLLM è un consorzio di venti partner europei, cinquantadue milioni di euro, che addestra sui supercomputer pubblici europei modelli a pesi aperti per tutte e ventiquattro le lingue dell'Unione, pubblicando dati e ricette. Dopo mesi di dichiarazioni sulla sovranità tecnologica, è il primo banco di prova concreto: si vedrà se la sovranità è una politica industriale o un comunicato stampa.
Commonwealth Fusion Systems ha chiuso a fine luglio un altro round da un miliardo di dollari. Il reattore sperimentale SPARC è quasi completo e il pareggio scientifico — più energia prodotta che immessa — è atteso per il 2027. La cosa notevole è l'argomento commerciale: la domanda elettrica dei data center è diventata la ragione principale per costruire il reattore da quattrocento megawatt della generazione successiva. L'intelligenza artificiale sta finanziando la fusione nucleare.
L'Erdős Problems Database è un indice aperto dei problemi matematici lasciati irrisolti da Paul Erdős, mantenuto da Thomas Bloom e Terence Tao. È diventato, quasi per caso, il registro pubblico dove si misura l'apporto reale dei modelli alla matematica di ricerca: da gennaio quindici problemi chiusi, undici dei quali con modelli coinvolti. Un contatore verificabile, in un dibattito pieno di aneddoti.
La richiesta di startup pubblicata da Y Combinator quest'estate elenca quindici categorie, e il baricentro si è spostato in modo evidente: robotica agricola, elettronica per lo spazio, manifattura lunare, filiera dei semiconduttori. Il gruppo di inizio anno conta centonovantanove aziende con la quota più alta di tecnologia profonda nella storia dell'acceleratore. Gli atomi, di nuovo.
Infine Gemini Notebook, lo strumento di Google Labs su cui lavora 
Steven Johnson. La sua particolarità è che le risposte sono ancorate al corpus di fonti caricate dall'utente, non alla conoscenza del modello. La scommessa implicita è la stessa che attraversa tutta la puntata: se il modello si commoditizza, la difendibilità si sposta sulle fonti e sulla memoria.
Restano due curve con pendenze diverse: quella delle capacità, ripida, e quella dell'assorbimento, lenta. Tutto quello che chiamiamo bolla, ritardo o delusione vive nello spazio fra le due. La domanda per lunedì mattina non è quale modello adottare, ma quanto in fretta la vostra organizzazione sa cambiare forma. È stato Signal Innovazione. Alla prossima.
Signal.Brief non ha sponsor e non vende niente. Se ti è utile, puoi contribuire — e se non ti va, ascoltalo lo stesso.
Come nasce questo contenuto. Ricerca, sintesi editoriale, voce narrante, immagini e musica sono prodotte con sistemi di intelligenza artificiale. Non c'è una redazione umana che verifica ogni affermazione prima della pubblicazione: un controllo automatico scarta le schede giudicate inaffidabili, ma non elimina la possibilità di errori.
Affermazioni su persone e aziende. Quanto riportato è una sintesi di fonti pubbliche, non una dichiarazione diretta delle persone citate: le frasi non vanno intese come virgolettati né come posizioni ufficiali. Le fonti sono indicate in ogni pagina episodio — verificale prima di considerare un'informazione accertata. Se trovi un'affermazione inesatta che ti riguarda, scrivi a michele@mondora.com: viene corretta o rimossa.
Immagini e volti. Le immagini di scena sono generate con AI e non raffigurano fatti realmente avvenuti. Le fotografie di persone reali usate nei video provengono da Wikimedia Commons con le rispettive licenze, e sono accostate al racconto a scopo identificativo: la loro presenza non implica partecipazione, dichiarazione o approvazione da parte della persona ritratta. Su richiesta dell'interessato vengono rimosse.
Fonti e diritti altrui. I contenuti sono rielaborazioni originali, non riproduzioni di articoli di terzi; le testate e gli autori all'origine di una notizia sono citati e collegati. Marchi e nomi commerciali appartengono ai rispettivi titolari e sono usati a scopo descrittivo.