Il vincolo ha cambiato indirizzo

Il vincolo ha cambiato indirizzo

Quando il modello diventa commodity, il valore migra altrove: distribuzione, hardware, competenza tacita. E il freno non è più tecnologico, ma procedurale.

Signal Innovazione, 11 agosto 2026.

C'è un momento, in ogni ciclo tecnologico, in cui la domanda smette di essere "funziona?" e diventa "chi se lo prende?". Questa settimana quel momento è arrivato in modo quasi ordinato: nessuno discute più la capacità dei modelli, e improvvisamente tutti discutono di tubature — energia, permessi, competenze, distribuzione. La cosa notevole è che lo stesso identico argomento è comparso in quattro domini diversi, con quattro vocabolari diversi, senza che nessuno si coordinasse. Quando accade una cosa simile, di solito significa che il vincolo si è spostato davvero.

Il gesto da cui partire è misurabile. Azeem Azhar, nella sua analisi dell'11 agosto, mette un nome a un fenomeno fisico: capex logjam. I data center si costruiscono, il capitale arriva, ma energia, rete e integrazione non tengono il passo. Il risultato è uno scarto — miliardi investiti che non si convertono in capacità effettivamente in produzione. Torna il tema del collo di bottiglia già discusso ieri, ma è cambiato di natura: non è più un problema organizzativo, di imprese che faticano ad assorbire la tecnologia. È diventato un problema di cemento, cavi e trasformatori.

E qui accade la cosa interessante. La stessa forma d'argomento riappare fuori dal digitale. Jennifer Doudna la formula in biotech: CRISPR come piattaforma è considerata risolta, ma la prima terapia personalizzata ha superato gli ottocentomila dollari, cifra che rende la tecnologia strutturalmente elitaria. Il problema non è più scientifico, è costo marginale per paziente. George Church sposta il vincolo dalla modifica genica alla delivery — sapere dove mandare la terapia conta più che saperla scrivere. Nandan Nilekani lo traduce in linguaggio istituzionale: la sfida dell'India non è inseguire chip o modelli propri, ma diventare la capitale mondiale dei casi d'uso, perché la diffusione a scala di popolazione — dice — è un altro sport rispetto al compute.

Quattro domini, una struttura sola: la capacità è risolta, l'assorbimento no. È la stessa asimmetria che l'elettrificazione impiegò trent'anni a sciogliere — le dinamo esistevano dal 1880, ma la produttività di fabbrica si mosse solo quando qualcuno riprogettò gli stabilimenti attorno al motore elettrico invece di sostituirlo all'albero a vapore.

Se il vincolo si sposta, si sposta anche il valore. Garry Tan lo ha tradotto in portafoglio con un gesto molto concreto: la nuova Request for Startups di Y Combinator elenca quindici categorie, otto delle quali richiedono hardware o capitale pesante — robotica agricola, contro-droni, chip per inferenza in orbita. La formula che accompagna il documento è netta: il garage non basta più. Se l'intelligenza artificiale scrive il codice, scrivere codice smette di essere una difesa. Il fossato migra su distribuzione, hardware, regolamentazione.

Iyinoluwa Aboyeji dice la stessa cosa dal lato opposto del mondo, e in modo più elegante: distingue tra intelligenza artificiale above-the-line — chatbot, interfacce visibili, ormai commodity — e below-the-line, l'ottimizzazione invisibile di operations, credito, inventario. Il margine, sostiene, sta nel secondo strato. Non c'è marchio, non c'è vetrina, e proprio per questo non c'è nemmeno concorrenza sul prezzo.

Alex Karp arriva alla stessa conclusione da una posizione più polemica: il valore non sta nel modello ma nella terna modello, strato applicativo e compute, con il collo di bottiglia nel layer applicativo sovrano — che nella sua lettura significa Palantir. Tre risposte diverse alla stessa domanda: quando il modello è commodity, dove si deposita il margine? Verticalizzazione, oppure fisica e regolamentazione, oppure lo strato invisibile sotto l'interfaccia. Vale la pena tenerle tutte e tre aperte, perché nessuna delle tre ha ancora vinto.

Palmer Luckey ha trentatré anni, ha venduto Oculus a Facebook prima di compierne ventitré, e oggi costruisce sistemi d'arma autonomi con Anduril. Non è esattamente il profilo da cui ci si aspetta un discorso sull'università.

Eppure alla Hoover Institution, a luglio, il suo attacco è stato lì. L'America, sostiene, produce architecture astronauts: progettisti concettuali che disegnano e poi spediscono i disegni a ingegneri cinesi perché li trasformino in oggetti reali. La frase che ha usato è secca — non stiamo più insegnando agli ingegneri a essere ingegneri. E porta un numero a sostegno: tra il 2021 e il 2025 le università cinesi hanno chiuso dodicimiladuecento corsi di laurea, soprattutto umanistici e linguistici, e ne hanno aperti diecimiladuecento in intelligenza artificiale, robotica, semiconduttori. Non è deriva, è politica industriale scritta nel piano di studi.

La parte più scomoda della sua tesi non riguarda però gli atenei. Riguarda le aziende: sono loro, dice, ad aver raccontato alle università cosa insegnare, ottimizzando tutto per lo strato software e lasciando marcire a monte la competenza manifatturiera. Il caso che porta è Apple: un'azienda che un tempo doveva capire come si fanno le cose, e che oggi non ha più bisogno di saperlo.

Qui il suo argomento incrocia quello di Cesar Hidalgo, che ci arriva da tutt'altra direzione — accademico, complessità economica, nessuna simpatia particolare per l'industria della difesa. La tesi del suo lavoro trentennale, ripresa nell'ultimo libro, è che la crescita non sia accumulo di capitale ma accumulo di knowhow incorporato in reti di persone. La conoscenza produttiva è costosa da trasferire perché vive in cervelli e team, non in documenti.

Le due voci convergono su un punto che ha conseguenze pratiche immediate: il vincolo non è rimovibile per decreto. Non si compra con il capex, non si sblocca con un sussidio, non si accelera con un piano. Si costruisce nel tempo che serve a formare persone e a farle lavorare insieme — un orizzonte che nessun ciclo di investimento sa aspettare.

È la contro-tesi più solida all'ottimismo infrastrutturale del momento. Si possono costruire data center in diciotto mesi. Non si costruisce in diciotto mesi una generazione di ingegneri che sappia cosa fare del silicio che ci gira dentro. Luckey concede all'Occidente un vantaggio residuo — la Cina, secondo lui, produce molte api operaie e poche api regine, molta esecuzione e poca capacità imprenditoriale — ma lo definisce fragile. Una rendita che si sta consumando, non un fossato.

Tim Harford, in queste settimane, non parla di intelligenza artificiale. Parla di una nave del 1628, ed è probabilmente il commento più utile dell'estate sui progetti aziendali di trasformazione.

Il pezzo si intitola Lessons from a Shipwreck, è uscito il 6 agosto, e racconta il Vasa: il vascello da guerra svedese affondato nel porto di Stoccolma dopo poco più di un chilometro di navigazione, il giorno del varo. La causa non fu un errore di calcolo. Fu il re, che continuava a cambiare le specifiche mentre la nave era già in costruzione — più cannoni, un secondo ponte, più altezza — e nessuno, alla corte di Gustavo Adolfo, aveva l'autorità per dirgli che i conti non tornavano. I vincoli ingegneristici vennero cancellati dal documento. Non dalla realtà.

Harford lo propone come parabola dei progetti complessi guidati da direttive ambiziose e non negoziabili, e la traduzione sulle roadmap aziendali dell'intelligenza artificiale si scrive da sola: quando lo sponsor esecutivo è troppo potente per essere contraddetto, il progetto non fallisce per limiti del modello. Fallisce perché nessuno ha potuto dire che quel modello, in quel processo, con quei dati, non ci stava.

Non è un tema isolato nel suo lavoro recente. Il 23 luglio ha scritto dell'inventore che testa un paracadute mai provato prima, per rimettere al centro la validazione empirica — prove, controfattuali, misurazione — contro l'adozione per fede di trattamenti, politiche e innovazioni. È la sua posizione più netta contro l'entusiasmo non misurato. E il 16 luglio, con la storia di John Lombe e del furto delle tecniche di filatura della seta, ha sostenuto qualcosa di ancora più controintuitivo: che il segreto industriale sia un motore e non un freno, perché la crescita nasce dalla fuga della conoscenza più che dalla sua protezione. Argomento che, nel dibattito su pesi aperti contro modelli chiusi, pesa più di molte prese di posizione dichiarate.

Il collegamento con il resto del quadro è diretto. Azeem Azhar misura il logjam dal lato dell'infrastruttura, Harford lo spiega dal lato della governance. Entrambi arrivano allo stesso posto: la J-curve dell'adozione — nei primi mesi un'implementazione riuscita e una fallita sono indistinguibili, entrambe mostrano costi in salita e produttività piatta — è esattamente il terreno su cui un mandato dall'alto fa danni. Perché nella zona cieca chi decide non ha dati, ha solo convinzioni. E se quelle convinzioni non si possono contraddire, la nave si vara comunque.

Resta la divergenza vera, quella su cui questa settimana non si è formato consenso: dove porta tutto questo.

Patrick Collison ha cambiato idea, e lo dice con un dato che viene dalla sua azienda: la formazione di nuove imprese su Stripe è circa raddoppiata anno su anno, il salto relativo più grande nella storia dell'azienda, superiore anche allo shock del 2019-2020. E non è solo volume: la mediana delle nuove attività performa meglio dell'anno precedente. Il driver che indica non è l'intelligenza artificiale in sé, ma un cambio di comportamento della domanda — le aziende consolidate oggi comprano da startup con una disponibilità che prima non esisteva. La sua conclusione è contro-narrativa: non una forza centralizzante e totalizzante, ma l'innesco di un'ondata imprenditoriale con molte migliaia di vincitori. L'argomento è organizzativo, non tecnologico: i grandi laboratori, per quanto capaci, non riescono a perseguire cento priorità simultanee. I buchi restano, e sono aggredibili.

Tim O'Reilly guarda la stessa scena e vede l'opposto. Il suo pezzo del 24 luglio, Stranded in the Slow Zone, sostiene che la disruption non arrivi come sostituzione secca del lavoro, ma come divaricazione di velocità tra chi opera dentro l'ambiente AI-nativo e chi resta fuori. E il 10 agosto, tornando sull'open source, ha alzato il tiro: senza pesi, dati e strumenti aperti, i guadagni di produttività si concentrano in tre o quattro rendite di piattaforma. Il rischio, nella sua formulazione, non è che l'intelligenza artificiale non funzioni. È che funzioni per pochi.

Non è un disaccordo sui dati. Collison guarda la formazione d'imprese, O'Reilly la distribuzione dei ritorni. Si può avere un raddoppio di nuove aziende e, contemporaneamente, un margine che si concentra a monte — è successo con il commercio online, dove milioni di venditori sono nati dentro piattaforme di proprietà di tre società.

Sotto, la tensione si è spostata di livello. Non è più Stato contro mercato. Carlota Perez continua a sostenere che l'esito — golden age o gilded age — dipenda da scelte istituzionali deliberate, e Mariana Mazzucato chiede condizionalità sui trasferimenti: accesso, prezzi, reinvestimento in cambio dei sussidi. Dall'altra parte, Eli Dourado e Matt Ridley concordano sulla diagnosi — il freno è procedurale, non tecnologico né ideologico — e dissentono radicalmente sulla cura: rimuovere le procedure che bloccano il dispiegamento per il primo, lasciare che sia la competizione a selezionare per il secondo.

La linea di frattura reale passa altrove: tra chi crede che il vincolo sia rimovibile per decreto e chi lo vede incorporato in competenza tacita. Ed è la stessa domanda del Vasa, posta su scala nazionale.

Startup e progetti da osservare.

Effort.News. Una testata di giornalismo investigativo fondata da Brian Chau, con un metodo semplice: l'intelligenza artificiale setaccia database federali da milioni di record, gli umani verificano e scrivono. Ha già rotto cinque storie basate su dati pubblici che nessuno aveva letto per anni. L'automazione dell'inchiesta non è più uno scenario, è una redazione che pubblica.

Liquid AI. Spinout del MIT che costruisce modelli fondazionali basati su reti neurali liquide: piccoli, efficienti, capaci di girare su un Raspberry Pi. Quasi trentaquattro milioni di download. È il caso più maturo della corsa verso architetture post-transformer — e la dimostrazione che la scala non è l'unico asse su cui competere.

Anduril Industries. Difesa autonoma verticalmente integrata, e caso di scuola per l'argomento di Luckey: il knowhow vive in persone e team, e non si scala per capex.

Sovereign Compute Infrastructure Program, Canada. Circa ottocentonovanta milioni di dollari canadesi su sette anni per costruire capacità di calcolo pubblica accessibile a ricercatori e imprese, lanciato ad aprile. È il test concreto della condizionalità invocata da Mazzucato: infrastruttura pagata dal pubblico, con la domanda ancora aperta su chi ne catturerà il ritorno.

NotebookLM, dai laboratori di Google. Uno strumento che ancora il modello ai documenti dell'utente invece che al corpus generale — progettato come amplificatore di domande, non come oracolo di risposte. È l'incarnazione operativa della tesi della mente estesa di Steven Johnson, che ci lavora dentro.

E una segnalazione per chi segue la governance operativa: Seven lessons for managing AI agents, di Exponential View. Un manuale sul coordinamento di agenti autonomi in azienda, nato dal campo e non dalla teoria. È il complemento pratico alla diagnosi sul capex logjam: se il vincolo è l'assorbimento organizzativo, questa è la disciplina che lo affronta.

Resta l'immagine del Vasa che affonda dopo un chilometro, con i cannoni tutti al loro posto e nessuno che abbia potuto dire al re che la nave era troppo alta. La domanda da portarsi in ufficio lunedì non è quale modello adottare. È chi, nella vostra organizzazione, ha il permesso di dire che i conti non tornano.

È stato Signal Innovazione. Alla prossima.