(Nota: non vi lasciate spaventare dai molti termini tecnici che userò: a fine articolo troverete un glossario, potete anche consultarlo prima).

C’è un momento, quando riesci a far girare un modello di intelligenza artificiale sul tuo computer, in cui cambia qualcosa, non perché quel modello diventi improvvisamente migliore di ChatGPT, Claude o Gemini — quasi mai lo è — ma perché smette di essere soltanto una presenza remota, nascosta dietro una finestra del browser, e diventa qualcosa che sta davvero dentro la tua macchina, con i suoi limiti visibili, la sua velocità non sempre esaltante, le sue risposte a volte brillanti e a volte ottuse, la sua dipendenza molto concreta da memoria, GPU, driver e dalla tua pazienza.

Ogni tanto ti ricorda che la tua scheda video, anche se consuma come una piccola centrale nucleare, non è esattamente un data center. Però il punto è che il modello è lì, sul tuo disco, dentro il tuo ambiente, e quando scrivi qualcosa le tue parole non fanno il giro di un server remoto prima di darti una risposta.

Ci siamo abituati a pensare l’intelligenza artificiale come una commodity: apri una pagina, scrivi, aspetti, ricevi. Fine. È comodo, spesso comodissimo, solo che questa comodità cancella tutto quello che c’è sotto: modelli, pesi, memoria, GPU, policy, costi, licenze, infrastrutture, strategie commerciali. Usiamo l’AI come usiamo l’elettricità, premiamo l’interruttore e ci interessa solo che la luce si accenda, ma l’AI non è solo elettricità: è anche uno strumento cognitivo, un modo di interrogare testi, archivi, codice, appunti, immagini, idee non ancora finite. È un’interfaccia tra noi e il lavoro. Se tutto questo vive sempre e solo nel cloud di qualcun altro, una parte del controllo la perdiamo. Non in senso apocalittico, non serve farne un manifesto paranoico, ma la perdiamo.

Ecco perché negli ultimi mesi ho iniziato a interessarmi sempre di più ai modelli locali: quelli che puoi scaricare, installare, testare, rompere, rilanciare, confrontare, far girare su una potente scheda grafica, su un miniPC, o magari anche su un portatile, purché non gli si chieda di trasformarsi in OpenAI, posato sulla tua scrivania. È un mondo meno rifinito, più complicato da padroneggiare, però è istruttivo.

Quando l’AI gira in locale, smette di essere solo un prodotto e torna a essere anche una macchina. Non vedi più soltanto la scatola nera elegante del chatbot, ma gli elementi con cui è composto, in inglese stack (perché l’inglese regna in questo contesto): modello, runtime, memoria, quantizzazione, interfaccia, endpoint, contesto, velocità di inferenza. Parole complicate, alcune bruttissime, magari mal tradotte dall’inglese, ma necessarie, perché dietro l’effetto magico della risposta c’è sempre una catena tecnica, e quando quella catena è tua, anche solo in parte, inizi a capire meglio cosa stai usando.

Ed è qui che entra in gioco RunLocal.

RunLocal è un sito che ho dedicato a chi vuole capire e usare l’AI open source in locale. Non è l’ennesima classifica sui “migliori modelli AI del momento”, quelle pagine tutte uguali dove cambiano i nomi ma non cambia mai il sapore di contenuto riciclato. È più interessante perché parte da una domanda molto meno glamour e molto più utile: che cosa posso far girare davvero sulla macchina che ho davanti?

Nel mondo dell’AI locale, questa domanda vale più di mille annunci, perché il problema non è scaricare un modello, ma capire se quel modello ha senso per il tuo hardware. Una cosa è leggere che un LLM è “potente”, un’altra è scoprire che sulla tua macchina produce token con la calma di un ufficio postale ad agosto, oppure che non entra in VRAM, che hai scelto la quantizzazione sbagliata, che il tool installato non è il modello ma solo l’interfaccia, che l’interfaccia funziona ma il backend, (quello che ci sta dietro) no, o che ti manca un driver, una libreria, una variabile d’ambiente, una preghiera.

Chi ha provato a installare modelli locali sa di cosa parlo. La retorica del “basta un comando” dura fino al primo errore nel terminale; poi finisce la magia e comincia l’informatica, quella vera, con i warning che sembrano minacce velate e le ventole che partono come se il computer stesse cercando di decollare.

RunLocal non elimina questa complessità, perché sarebbe poco serio prometterlo, però la rende più leggibile. Una delle parti più utili è il selettore hardware: indichi che macchina hai, quanta memoria, che tipo di GPU, cosa vuoi fare, e il sito ti aiuta a capire quali modelli sono realistici per quella configurazione. Non i migliori in assoluto, non quelli più citati su X, non quelli che fanno bella figura nei benchmark: quelli sensati per te.

Questa distinzione è decisiva. Nel cloud siamo abituati a non pensare alla macchina; in locale, invece, la macchina torna al centro. Una GPU da 8 GB è tutt’altra cosa da una ambitissima GPU da 24 GB, un Mac con memoria unificata non si comporta come un desktop Windows con scheda grafica NVIDIA, un modello da 7B non è un 70B, un file GGUF quantizzato non è un vezzo da smanettoni, ma spesso la differenza tra “non parte” e “funziona abbastanza bene”. Il contesto lungo è utile, certo, ma se ogni risposta richiede tempi biblici forse non è la scelta migliore per lavorare.

Sono compromessi, non slogan.

Ed è proprio questo che mi piace di RunLocal: non tratta l’AI open source come una bandiera da sventolare, ma come un insieme di decisioni pratiche. Quale modello? Per quale compito? Su quale hardware? Con quale runtime? Con quale interfaccia? Con quanta pazienza a disposizione? Sì, anche la pazienza è una specifica tecnica: chi dice il contrario non ha mai installato niente.

Questa prospettiva mi interessa perché negli ultimi mesi ho passato parecchio tempo dentro ambienti locali diversi: macchine piccole, configurazioni improbabili, modelli troppo ambiziosi per il ferro disponibile, installazioni andate lisce al primo colpo e altre finite in una palude di dipendenze, driver, warning e comandi ripetuti nella speranza che, a un certo punto, il computer decidesse di collaborare. In alcuni casi ho ottenuto risultati sorprendenti, in altri ho solo scaldato la stanza, ma ogni esperimento mi ha chiarito qualcosa.

Mi ha chiarito, per esempio, che “AI locale” non significa alternativa totale ai grandi modelli cloud. Questa è una caricatura. I modelli di frontiera restano superiori in molti compiti: ragionamento complesso, multimodalità avanzata, affidabilità, integrazioni mature, qualità media delle risposte. Negarlo sarebbe solo ideologia.

Però il locale ha un’altra funzione. Serve quando vuoi lavorare su testi privati senza caricarli altrove, quando vuoi sperimentare senza contare token, quando vuoi costruire piccoli workflow personali, quando vuoi capire la differenza tra modello, interfaccia e infrastruttura, quando non vuoi dipendere sempre da una connessione, da un abbonamento o da una policy cambiata durante la notte. Serve anche, banalmente, quando vuoi imparare, e imparare significa pure accettare che ogni tanto le cose non funzionino.

La direzione, secondo me, non è “tutto cloud” o “tutto locale”. È una falsa alternativa, e anche abbastanza noiosa. La direzione più probabile è ibrida: modelli cloud per i compiti più complessi, pesanti ed esigenti; modelli locali per privacy, prototipazione, scrittura privata, test, archivi personali, codice, automazioni leggere, analisi ripetitive, formazione tecnica. Il cloud come potenza esterna, il locale come laboratorio personale: forse è questa la definizione più onesta.

L’AI locale non serve solo a risparmiare o a proteggere i dati, anche se sono due motivi validi. Serve a cambiare postura. Ti costringe a smettere di essere soltanto utente e a tornare, almeno un po’, operatore. Non premi solo un bottone: capisci cosa stai usando, dove gira, quanto pesa, quanto consuma, quanto è adatto al compito e quali limiti ti sta nascondendo o mostrando.

È alfabetizzazione tecnica, prima ancora che produttività.

Non tutti devono compilare llama.cpp o passare le serate a confrontare quantizzazioni, ci mancherebbe. Però chi oggi lavora seriamente con l’AI dovrebbe almeno avere un’idea di cosa succede sotto la superficie, soprattutto se usa questi strumenti per scrivere, programmare, analizzare documenti, gestire conoscenza, produrre contenuti o prendere decisioni.

RunLocal aiuta proprio in questo passaggio. Ha una sezione dedicata ai modelli, una ai tool, guide pratiche, confronti tra strumenti come Ollama, llama.cpp, LM Studio e vLLM, oltre a framework come LangChain e LlamaIndex, ma soprattutto ha una logica corretta: partire dall’hardware disponibile, non dal modello più chiacchierato della settimana.

Perché spesso l’entusiasmo si schianta lì. Uno legge che è uscito il nuovo modello open source miracoloso, lo scarica, lo lancia, guarda la RAM saturarsi, sente le ventole aumentare i giri, aspetta, poi capisce che forse quel miracolo richiedeva qualche GB di memoria in più, o una GPU diversa, o semplicemente un po’ meno entusiasmo e un po’ più metodo.

Con RunLocal non prometto miracoli. Faccio una cosa più utile: aiuto a evitare errori stupidi, e nel caos dell’AI evitare gli errori è già un vantaggio competitivo.

Nel mondo dell’AI locale c’è spesso una tentazione ideologica: cloud cattivo, locale buono; modelli chiusi cattivi, open source puro; big tech nemiche, comunità salvifica. È una narrazione rassicurante, ma troppo semplice.

I modelli chiusi sono spesso più forti, quelli aperti sono spesso più controllabili; il cloud è comodo, il locale è più privato; l’open source non è automaticamente semplice, il commerciale non è automaticamente il male. Ogni scelta ha un prezzo, anche quando non arriva una fattura.

Quello che serve non è tifare. Serve capire.

Per questo RunLocal mi sembra un progetto interessante: ho provato a a fare ordine in una zona dell’AI che nei prossimi mesi diventerà sempre più importante, non solo per sviluppatori e smanettoni, ma per chiunque voglia costruire un rapporto meno passivo con questi strumenti.

Se usate l’AI ogni giorno, prima o poi la domanda arriva: tutto quello che faccio deve passare dal cloud di qualcun altro? La mia risposta, oggi, è no. Non tutto. Una parte sì, perché sarebbe inefficiente negarlo, ma una parte può tornare sulla tua macchina, nei tuoi file, nel tuo ambiente, con i tuoi limiti e anche con un grado diverso di controllo.

RunLocal serve a iniziare da lì, non dalla promessa astratta dell’AI democratizzata, formula ormai buona per qualsiasi keynote, ma da una domanda molto più concreta: che cosa può fare davvero il computer che ho davanti?

Per chi vuole capire l’AI invece di limitarsi a usarla, è una domanda molto più interessante.

RunLocal è qui: https://runlocal.blog/. Provatelo e fatemi sapere cosa ne pensate.

Alla prossima!

Luciano

Questo pezzo è gratis come sempre, niente paywall e niente abbonamento obbligatorio. Se ti è servito, inoltralo a qualcuno della tua rete che potrebbe trovarlo interessante: è così che cresce la newsletter, lentamente, per passaparola

Condividi

Glossario

Nota sul processo di scrittura

Per preparare questo articolo ho utilizzato strumenti di intelligenza artificiale nella ricerca delle fonti, nel confronto dei dati, nella costruzione della struttura e nella revisione linguistica. Il sistema opera con istruzioni, esempi e skill adattati al mio stile editoriale. Ho verificato le fonti, modificato il testo e approvato ogni passaggio della versione pubblicata. Le tesi, le scelte e la responsabilità finale sono mie.

Glossario minimo

^{· Position paper: un testo nel quale l’autore prende posizione su un problema e propone le scelte che considera necessarie. Ha un intento programmatico, diverso da quello di uno studio scientifico.}

^{· Sostituzione cognitiva: l’automazione di attività che richiedono analisi, scrittura, giudizio o elaborazione di informazioni e che finora venivano svolte da persone.}

^{· Human Reserved: l’espressione usata da Gates per indicare lavori o attività che una società decide di riservare agli esseri umani, anche quando una macchina potrebbe svolgerli.}

^{· Token di IA: una piccola unità di testo elaborata da un modello. I fornitori misurano spesso in token il consumo e il prezzo dei loro servizi.}

^{· Ghost GDP temporale: lo scarto tra i guadagni di produttività, visibili presto nei conti delle imprese, e i costi sociali che emergono più tardi e altrove.}

Gates ha la capacità, rara tra i personaggi del suo peso, di prendere sul serio le conseguenze distributive della tecnologia. Nel lungo position paper pubblicato su Gates Notes sostiene che l’IA potrà diventare il più grande fattore di uguaglianza mai inventato oppure una formidabile fonte di ingiustizia. La posizione di Bill Gates pesa, perché arriva da uno dei fondatori dell’industria del software, da una persona che ha ancora rapporti finanziari con quel settore e che, nel testo, dichiara apertamente questo possibile conflitto.

I rischi che individua sono tre: molti lavori potrebbero scomparire in modo permanente; l’IA aumenterà la capacità di fare danni; i compagni artificiali e l’uso scolastico dei modelli potrebbero compromettere lo sviluppo dei più giovani. Gates esamina anche i benefici possibili nella ricerca, nella sanità, nell’agricoltura e nei servizi pubblici.

Gates costruisce la sua posizione attorno all’idea che l’IA produrrà benefici enormi, mentre il mercato, seguendo la propria convenienza, ne distribuirà molto male i costi.

Dati e previsioni sul lavoro

Gates considera fuorviante il confronto con le precedenti rivoluzioni tecnologiche. Il passaggio dall’agricoltura al lavoro d’ufficio impiegò generazioni e creò occupazioni fondate sulle capacità cognitive umane. L’IA può sostituire proprio quelle capacità, usa dispositivi già disponibili e accetta istruzioni in linguaggio naturale. Secondo lui, la trasformazione attraverserà in un decennio attività cognitive e lavoro fisico, con molti meno nuovi posti di quelli eliminati in assenza di politiche adeguate.

Questa è la parte più importante del paper e anche la meno dimostrata, perché semplicemente Gates formula una previsione (sì, i dati disponibili danno motivi seri per preoccuparsi, ma non permettono ancora di calcolare quanti lavori spariranno o se il saldo finale sarà negativo.

Lo studio di Stanford citato nel paper osserva, tra la fine del 2022 e settembre 2025, un calo relativo del 16 per cento dell’occupazione tra i lavoratori statunitensi di 22-25 anni nelle professioni più esposte all’IA. L’effetto si concentra negli impieghi in cui l’uso dei modelli appare sostitutivo; nelle attività in cui l’IA affianca le persone, l’occupazione giovanile tiene meglio. Gli autori scrivono che i risultati sono coerenti con un effetto dell’IA, pur ammettendo altre possibili cause. Hanno trovato un canarino e hanno evitato il certificato di morte della miniera. Il paper completo è disponibile sul sito dello Stanford Digital Economy Lab.

La distinzione tra automazione e affiancamento resta decisiva. Un’impresa può usare un modello per ridurre il personale di assistenza, oppure per consentire allo stesso personale di risolvere casi più complessi. La tecnologia è simile, mentre cambiano l’organizzazione del lavoro, gli incentivi e il modo in cui i guadagni vengono distribuiti. Gates vede soprattutto la prima traiettoria perché il risparmio sul costo del lavoro offre un vantaggio immediato e costringe i concorrenti a seguirlo, una dinamica credibile della quale restano incerte velocità e ampiezza.

L’incertezza offre un alibi confortevole: governi e imprese possono fingere che prepararsi significhi organizzare un corso sui prompt e aggiungere “AI-ready” alla presentazione per gli investitori. Le politiche pubbliche lavorano con informazioni incomplete; aspettare la prova conclusiva significherebbe predisporre le tutele quando le persone hanno già perso il posto.

Il Ghost GDP che Gates descrive senza chiamarlo così

Nel mio libro Umani per ora ho chiamato Ghost GDP temporale il ritardo con cui i costi sociali dell’automazione entrano nel campo visivo di chi decide. L’impresa adotta un sistema, riduce tempi o organico e registra presto il miglioramento della produttività. La perdita di reddito riduce i consumi della famiglia e il gettito del territorio, che può ritrovarsi, mesi o anni dopo, con più domanda di assistenza e problemi di salute. Queste voci appartengono a bilanci diversi e maturano in tempi diversi.

Gates arriva molto vicino a questo concetto quando ricorda che la chiusura di una fabbrica può lasciare nelle comunità effetti che proseguono ben oltre il conto economico aziendale. Il suo merito maggiore consiste nel collegare occupazione, dignità, relazioni sociali e gettito fiscale. Se le persone lavorano meno, lo Stato incassa meno imposte proprio quando deve finanziare riqualificazione e protezione sociale. La produttività resta visibile; una parte del conto cambia beneficiario e data di consegna.

I minori, le relazioni e un’evidenza ancora giovane

La sezione sui compagni artificiali nasce da un ricordo personale. Da ragazzo, Gates dovette lavorare sulle proprie capacità sociali e dubita che avrebbe fatto lo stesso con un interlocutore sempre disponibile e accomodante. Gli studi in materia sono ancora iniziali.

Uno dei lavori citati ha coinvolto 1.131 adulti statunitensi che usavano CharacterAI. Reti sociali più piccole e conversazioni più personali risultavano associate a un benessere inferiore. I dati, in larga parte dichiarati dagli utenti, non stabiliscono la direzione causale: il disagio può precedere l’uso del chatbot e le due dinamiche possono rafforzarsi. Gli autori concludono che gli esiti dipendono dal modo d’uso e dalla vita sociale offline. Lo studio, rivisto nel maggio 2026, è consultabile su arXiv.

Gates tratta correttamente l’incertezza e chiede di intervenire presto. La prudenza ha senso, purché le regole distinguano un tutor che sostiene l’apprendimento da un prodotto progettato per massimizzare la dipendenza emotiva.

Il paper richiama anche l’enciclica Magnifica Humanitas di Leone XIV che chiede trasparenza e responsabilità, affidando il governo alle persone, e respinge l’idea che imitare alcune funzioni cognitive equivalga all’esperienza o alla coscienza morale. Ho commentato l’enciclica qui.

Le tre risposte proposte da Gates

La prima proposta riguarda nuove strutture nazionali capaci di coordinare lavoro, sicurezza, scuola, fisco e salute, affiancate da un organismo internazionale con funzioni che ricordano i sistemi di ispezione nucleare e le regole dell’aviazione civile.

L’esigenza di coordinamento è fondata, mentre la ricostruzione istituzionale proposta è meno convincente, anche perché il paper trascura ciò che esiste già. Il Global Digital Compact dell’ONU ha avviato un processo che il 26 agosto 2025 ha portato l’Assemblea generale a istituire un panel scientifico di quaranta membri e un dialogo annuale sulla governance dell’IA. Gates scrive un anno dopo e non cita questo tentativo. La risoluzione A/RES/79/325 è disponibile nell’archivio ufficiale dell’ONU.

Questi organismi hanno poteri limitati e una riunione internazionale non protegge un cassiere, un programmatore junior o una comunità colpita dalla perdita di posti. Gates può giudicarli insufficienti. Ignorarli indebolisce però la proposta, perché prima di creare un’altra istituzione sarebbe utile spiegare quali funzioni mancano, chi avrebbe autorità sulle imprese e come verrebbero verificate le violazioni.

La seconda proposta si chiama Human Reserved. Alcune attività dovrebbero restare affidate alle persone per tutelare l’occupazione oppure perché richiedono una responsabilità morale. Gates parte dall’assistenza ricevuta dal padre malato di Alzheimer e cita il caso di un robot incaricato di comunicare una diagnosi incurabile. La macchina potrebbe farlo tecnicamente; una società può decidere che quella relazione richieda responsabilità umana.

L’idea mi piace perché costringe a discutere il valore di un’attività oltre il suo costo unitario. Trasformarla in norma richiede di indicare quali professioni proteggere, la durata della protezione, chi controllerà il rispetto e come evitare privilegi per le categorie capaci di difendersi. Lo stesso Gates osserva che il confine cambierebbe tra Paesi: il Giappone, con pochi giovani e molti anziani, potrebbe accettare robot di assistenza che altrove verrebbero rifiutati.

La terza proposta è fiscale. Gates vuole tassare i robot e i token di IA per rallentare la sostituzione del lavoro e finanziare riqualificazione e protezione sociale. La diagnosi di partenza regge: in molti sistemi fiscali assumere una persona comporta imposte e contributi ricorrenti, mentre acquistare software o macchinari offre deduzioni e altri incentivi. Il fisco può quindi rendere più conveniente sostituire lavoro anche quando il beneficio produttivo è modesto.

La tassa sul token mi convince poco. Un token consumato per abbreviare una pratica amministrativa e uno impiegato per eliminare un posto di lavoro sono identici per il contatore. Colpire l’unità tecnica richiederebbe eccezioni continue e incoraggerebbe imprese e Paesi a spostare il calcolo dove costa meno. Il Fondo monetario internazionale arriva alla stessa obiezione e propone di rivedere gli incentivi fiscali che favoriscono l’automazione, rafforzando la tassazione dei redditi da capitale e delle plusvalenze, anche attraverso un prelievo sugli extra-profitti. La posizione del FMI è esposta in questa analisi sulla politica fiscale nell’era dell’IA.

Preferisco la scelta del FMI perché segue il valore economico prodotto e la sua concentrazione, invece di contare ogni frammento di testo elaborato. Resta comunque aperta la domanda più difficile: quale parte del maggior gettito deve finanziare reddito, formazione, servizi locali e riduzione dell’orario di lavoro? Nessuna tassa risolve da sola una scelta distributiva.

Il verdetto sul paper

Ho provato a costruire la tesi opposta a quella di Gates, e cioè che l’IA potrebbe trasformare la maggior parte delle professioni e, nei settori dove abbassa i costi, aumentare la domanda fino a creare attività sufficienti ad assorbire gli spostamenti. Esistono precedenti storici ed evidenze iniziali compatibili con questo scenario. Se accadesse, riservare lavori e tassare l’uso dell’IA troppo presto potrebbe rallentare benefici utili proprio alle persone con meno risorse.

Questa contro-narrazione è possibile e impedisce di trattare la scomparsa massiccia dei posti come un fatto acquisito. Lascia però intatta la necessità di prepararsi, perché come abbiamo visto in un recente articolo i primi effetti colpiscono soprattutto i giovani nelle professioni cognitive e, nei territori con meno alternative, si assorbono con più fatica. Anche una transizione che alla fine crea occupazione può distribuire anni di perdita tra persone che non hanno il tempo economico di aspettare il lieto fine delle statistiche aggregate.

Il contributo più utile di Gates sta nella scelta del momento. Chiede di costruire istituzioni e protezioni quando l’impatto complessivo è ancora incerto, accettando un po’ di inefficienza pur di conservare lavoro e autonomia, insieme alla fiducia sociale. Su “Human Reserved” e fiscalità serviranno criteri più precisi; sull’organismo globale deve confrontarsi con strutture che esistono già.

Io partirei da obblighi molto terrestri: misurare quali mansioni vengono automatizzate, pubblicare gli effetti su assunzioni e ore lavorate, finanziare la protezione dei territori colpiti e togliere dal fisco gli incentivi alla sostituzione opportunistica. Se poi il saldo occupazionale sarà migliore delle previsioni di Gates, avremo costruito istituzioni più informate. Se sarà peggiore, avremo evitato di scoprire il Ghost GDP quando il conto è già scaduto.

Voi quali attività vorreste mantenere sotto responsabilità umana, anche quando un sistema automatico diventasse più economico e affidabile?

Alla prossima!

Luciano

Questo pezzo è gratis come sempre, niente paywall e niente abbonamento obbligatorio. Se ti è servito, inoltralo a qualcuno della tua rete che potrebbe trovarlo interessante: è così che cresce la newsletter, lentamente, per passaparola.

Condividi

Nota sul processo di scrittura

Per preparare questo articolo ho utilizzato strumenti di intelligenza artificiale nella ricerca delle fonti, nel confronto dei dati, nella costruzione della struttura e nella revisione linguistica. Il sistema opera con istruzioni, esempi e skill adattati al mio stile editoriale. Ho verificato le fonti, modificato il testo e approvato ogni passaggio della versione pubblicata. Le tesi, le scelte e la responsabilità finale sono mie.

Il rapporto della Banca di Corea racconta due movimenti simultanei. Tra giugno 2022 e giugno 2026 il Paese ha perso 285.000 occupati tra i 15 e i 29 anni; 268.000 lavoravano nei settori classificati come maggiormente esposti all’intelligenza artificiale, il 94% dell’intero calo. Nello stesso quadriennio l’occupazione delle persone tra i 50 e i 59 anni è aumentata di 230.000 unità, 173.000 proprio nei comparti ad alta esposizione.

I giovani arretrano e gli over 50 avanzano negli stessi settori e nello stesso periodo. È la fotografia pubblicata il 18 agosto dalla Banca di Corea nel rapporto che, tradotto, si intitola “La contrazione dell’occupazione giovanile è colpa dell’IA? La scala di carriera che cambia e le risposte necessarie”, costruito sui dati degli iscritti al sistema pensionistico nazionale e sull’indagine coreana sulle forze di lavoro.

Attenzione al punto interrogativo. I numeri non dimostrano che un algoritmo abbia cancellato da solo 268.000 posti e creato quelli degli over 50; mostrano però uno spostamento generazionale difficile da ignorare. La Banca di Corea parla di un cambiamento tecnologico “sbilanciato a favore dell’anzianità”: le imprese riducono le mansioni con cui si entra nel mestiere e continuano a cercare il giudizio di chi quel mestiere lo conosce già.

Che cosa misura quel 94%

I 285.000 posti rappresentano la contrazione complessiva dell’occupazione giovanile; quelli persi nei settori ad alta esposizione sono 268.000. Il 94% misura questo rapporto e non la quota di perdite subita dai laureati.

I laureati risultano comunque più colpiti, ma il rapporto lo mostra con un’altra misura. Da novembre 2022 il tasso medio di disoccupazione dei giovani con laurea è stato del 7%, contro il 5,4% di chi possiede un titolo di livello inferiore. Prima dell’arrivo di ChatGPT i due valori si muovevano quasi insieme. La differenza è coerente con la natura dei settori che hanno perso più giovani: servizi informativi, meno 31,4%; editoria, meno 27,4%; programmazione e gestione dei sistemi informatici, meno 16,6%; servizi professionali, meno 11,6%.

Per anni abbiamo associato l’automazione al lavoro ripetitivo, manuale e poco qualificato. Qui accade qualcosa di diverso. Le mansioni più esposte sono cognitive, spesso richiedono una laurea e costituiscono l’ingresso tradizionale in professioni considerate al riparo dalle macchine: preparare una prima analisi, controllare documenti, scrivere codice semplice, fare test, cercare precedenti, organizzare informazioni. Sono attività su cui una persona inesperta impara il mestiere e sulle quali un modello linguistico offre oggi il risparmio più immediato.

Perché l’IA premia chi ha esperienza

Un senior non costa di più perché scrive più velocemente una bozza o produce più righe di codice. Costa di più perché sa quale problema merita di essere risolto, riconosce l’eccezione, valuta il rischio e risponde del risultato. L’intelligenza artificiale può comprimere una parte consistente del lavoro preparatorio, ma quel giudizio dipende ancora dall’esperienza accumulata in casi reali.

Se un’impresa misura il lavoro sul tempo necessario per produrre una prima versione, il senior può sembrare troppo caro. Quando la macchina riduce proprio quel tempo, il confronto cambia: contano di più la capacità di formulare la domanda corretta, scartare una risposta plausibile ma sbagliata, riconoscere le conseguenze di una decisione e assumersene la responsabilità. La conoscenza tacita, quella che non sta interamente nei manuali, diventa più utile proprio perché l’output della macchina appare spesso convincente anche quando contiene un errore.

Qui emerge l’opportunità per chi ha superato i cinquant’anni. Non deve competere con un venticinquenne sulla velocità con cui prepara una bozza; può usare l’IA per liberarsi di una parte dell’esecuzione e concentrare il proprio tempo su controllo, relazione con il cliente, eccezioni, negoziazione e responsabilità. L’anzianità accumulata acquista valore produttivo, a condizione che chi la possiede impari a lavorare con i nuovi strumenti.

Questa lettura trova un riscontro anche fuori dalla Corea: il 12 agosto, sei giorni prima del rapporto coreano, lo Stanford Digital Economy Lab ha pubblicato l’aggiornamento di “Canaries in the Coal Mine”, basato sui dati delle buste paga statunitensi fino a giugno 2026. Per i lavoratori tra 22 e 25 anni nelle professioni più esposte, l’occupazione è ormai inferiore del 19% rispetto al livello che avrebbe raggiunto seguendo l’andamento dei coetanei nei mestieri meno esposti. Tra i lavoratori esperti non compare uno scarto analogo.

Negli Stati Uniti la divergenza passa soprattutto dalle mancate assunzioni, non dai licenziamenti, ed è concentrata nei lavori in cui l’IA automatizza attività umane. Dove viene usata per assistere il lavoratore, l’occupazione resta stabile o cresce. La Banca di Corea arriva alla stessa distinzione: i settori che impiegano l’IA prevalentemente per automatizzare perdono più giovani; quelli che la usano per potenziare il lavoro umano non mostrano lo stesso andamento. I dati amministrativi coreani e le buste paga statunitensi offrono quindi due riscontri convergenti: l’indebolimento dei ruoli d’ingresso non sembra più soltanto rumore statistico, mentre l’esperienza conserva, e in alcuni comparti aumenta, il proprio valore.

Cautela sulla causa, chiarezza sullo spostamento

Qualche mese fa, commentando lo studio “The Broken Ladder”, avevo scritto che attribuire automaticamente all’IA qualsiasi calo delle assunzioni junior è una scorciatoia. In quattro Paesi, tra il 2017 e il 2025, quel paper trovava nel lavoro da remoto un predittore più forte dell’esposizione all’IA: le professioni più digitalizzabili erano anche quelle passate più facilmente al lavoro da casa, e separare i due effetti cambiava parecchio il risultato.

Il rapporto coreano non cancella quell’obiezione. La Banca centrale elenca fra le cause concorrenti la normalizzazione delle assunzioni eccessive del periodo pandemico, la preferenza delle imprese per chi ha già esperienza, l’indebolimento della formazione interna e la diffusione del lavoro da remoto. La formulazione degli autori è prudente: l’IA non ha necessariamente creato da sola la nuova struttura delle assunzioni, ma ne ha accelerato la trasformazione.

È la stessa cautela con cui avevo letto i dati sul crollo dei posti tecnologici raccontato dall’Economist e con cui, in “Apocalisse IA: vero o falso?”, avevo contestato l’idea di una disoccupazione di massa già visibile nei numeri aggregati. La Corea del Sud non dimostra che quella apocalisse sia arrivata, ma piuttosto un mercato in cui l’occupazione complessiva può perfino crescere mentre le opportunità si spostano da una generazione all’altra.

Anche la lettura favorevole agli over 50 richiede una precisazione. L’età, da sola, non protegge nessuno: trent’anni di lavoro non diventano automaticamente un vantaggio se le competenze sono rimaste ferme o se si rifiuta lo strumento che sta cambiando il mestiere. Il beneficio nasce dall’incontro fra conoscenza del settore e capacità di usare l’IA, non dalla data di nascita.

L’esperienza non si conserva da sola

Per chi ha più di cinquant’anni, c’è un messaggio utile: piuttosto che difendere ogni attività svolta in passato, perché molte verranno automatizzate comunque, bisogna rendere trasferibile ciò che la macchina non possiede, dal contesto accumulato nel tempo alla capacità di riconoscere un’eccezione, spiegare una decisione e rispondere di un errore.

Le imprese possono tradurre questa combinazione in ruoli concreti: revisione degli output, supervisione dei processi, relazione con clienti e fornitori, gestione dei casi anomali, tutoraggio dei colleghi meno esperti. Sono attività in cui l’IA aumenta ciò che una persona esperta riesce a seguire senza sostituire la responsabilità finale. Per un professionista over 50 può significare nuove possibilità di rientro, consulenza o lavoro su progetto; per l’azienda, l’accesso a competenze che prima apparivano troppo costose se applicate anche alle parti esecutive del lavoro.

Questa opportunità non va confusa con una vittoria generazionale. Un posto guadagnato da un senior non compensa il giovane che non riesce a entrare, perché la competenza di domani continua a dipendere dalle occasioni offerte oggi. Chi entra in uno studio legale non comincia da una causa destinata alla Corte costituzionale; chi entra in amministrazione non firma il bilancio al primo giorno; un programmatore junior non progetta da solo l’architettura da cui dipende un’intera azienda. Si comincia dalle parti meno rischiose, si sbaglia sotto controllo e si osserva chi ne sa di più.

Rivalutare i senior senza cancellare i giovani

Se l’IA assorbe le attività formative, il costo immediato per l’impresa scende e il costo dell’apprendimento diventa più difficile da giustificare. Per qualche anno il sistema continua a funzionare grazie ai senior disponibili; nel frattempo consuma una riserva di competenza costruita prima dell’IA senza ricostituirla.

Nel mio libro “Umani per Ora. Perché questa volta il lavoro non torna” chiamo Ghost GDP la distanza temporale fra i guadagni che compaiono subito nei bilanci e i costi sociali che arrivano più tardi, dispersi nel sistema. La scala di carriera segue lo stesso ritardo: il risparmio ottenuto non assumendo un junior è visibile nel trimestre, il senior che mancherà tra dieci anni non compare in nessuna voce di bilancio.

Nel precedente articolo su come il lavoro sta cambiando nelle aziende che usano l’IA, il rapporto del MIT mostrava anche l’altro lato della tecnologia: i modelli possono accelerare l’apprendimento di chi ha meno esperienza, a condizione che restino inseriti in un processo di supervisione, confronto e responsabilità. È qui che la maggiore occupabilità degli over 50 può diventare una risposta anche al problema dei giovani.

La valutazione di un progetto IA deve includere, oltre alle ore risparmiate e alla riduzione prevista degli organici, quanti giovani entrano, quanto tutoraggio ricevono, quali competenze acquisiscono e quanti passano a ruoli con maggiore autonomia. Le imprese possono affidare ai junior attività reali con l’IA come assistente e il senior come supervisore; lo Stato può sostenere apprendistato e mentoring, come propone la stessa Banca di Corea, perché una parte del beneficio privato dell’automazione rischia altrimenti di produrre un costo collettivo.

I dati coreani mostrano un paradosso che finora avevamo osservato meno: l’IA può restituire spazio professionale a persone considerate troppo anziane proprio mentre riduce le occasioni di quelle considerate troppo giovani. Se l’impresa si limita ad assumere esperienza già formata, ottiene produttività oggi e prepara una carenza domani. Se usa gli over 50 come esperti, revisori e mentori che lavorano con l’IA, la loro rivalutazione può diventare il ponte attraverso il quale far entrare una nuova generazione.

Alla prossima!

Luciano

Nota sul processo di scrittura

Per preparare questo articolo ho utilizzato strumenti di intelligenza artificiale nella ricerca delle fonti, nel confronto dei dati, nella costruzione della struttura e nella revisione linguistica. Il sistema opera con istruzioni, esempi e skill adattati al mio stile editoriale. Ho verificato le fonti, modificato il testo e approvato ogni passaggio della versione pubblicata. Le tesi, le scelte e la responsabilità finale sono mie.

Questo pezzo è gratis come sempre, niente paywall e niente abbonamento obbligatorio. Se ti è servito, inoltralo a qualcuno della tua rete che potrebbe trovarlo interessante: è così che cresce la newsletter, lentamente, per passaparola. E se lo dai in pasto a Pangram, scrivimi nei commenti che punteggio esce. La curiosità è anche mia.

Condividi

Fonti e letture

• Banca di Corea, BOK Issue Note 2026-19, 18 agosto 2026

• Stanford Digital Economy Lab, Canaries in the Coal Mine, versione aggiornata ad agosto 2026

• Yonhap News Agency, sintesi in inglese del rapporto coreano

• Chosun, 94% of Youth Job Losses in High-AI Sectors

• OECD.AI Incident Monitor

Se possedete già una RTX 3090, l’elettricità necessaria a produrre il video di Storyboard Studio può valere due o tre euro. È una stima, non la lettura di un contatore. È anche il numero meno importante dell’intera faccenda.

Per arrivare a quei due euro servono un computer adatto, decine di gigabyte di modelli, parecchi controlli e la disponibilità a lasciare la macchina al lavoro per tutta la notte.

L’intelligenza artificiale locale non presenta il conto dopo ogni clip. Lo presenta prima, sotto forma di hardware, e durante, sotto forma di tempo.

Il locale scambia denaro con tempo e controllo. Un servizio esterno offre più semplicità, ma riceve i materiali e presenta un conto.

Tre livelli di progetto, tre computer diversi

Non tutti devono riprodurre i 252 segmenti di Storyboard Studio. Esistono almeno tre livelli.

Il primo è un albo narrato: immagini pronte, voce, titoli, dissolvenze e lenti movimenti di camera. Basta un normale PC Windows con 16 gigabyte di memoria. Se le immagini arrivano da un servizio o da un illustratore, non serve una scheda grafica estrema.

Il secondo livello genera anche le tavole sul computer. Qui una scheda NVIDIA con 12-16 gigabyte di memoria grafica rende il lavoro realistico. Si possono creare le immagini con FLUX, controllarle e montarle senza affrontare l’animazione continua. I tempi rimangono ragionevoli e una tavola sbagliata costa minuti, non una notte.

Il terzo livello è quello dei due film descritti in questa serie: immagini e movimento generati localmente. Per il flusso LTX usato da Storyboard Studio considero 24 gigabyte di memoria grafica il punto di partenza. Una RTX 3090 o 4090 può farcela, ma “può farcela” non significa “lo farà comodamente”. Servono almeno 32 gigabyte di memoria normale; 64 riducono parecchi problemi. Serve un disco interno veloce con almeno 100 gigabyte liberi, meglio 200 o più se si conservano modelli, prove e versioni intermedie.

Il file di paging usa il disco come memoria di emergenza. Può evitare una chiusura improvvisa, ma su un disco meccanico o un SSD esterno USB 2.0 è molto lento. Aumentarlo mi ha aiutato, senza eliminare tutti i riavvii.

Quanto tempo serve davvero

Per il video di Storyboard Studio, una produzione lineare senza errori avrebbe richiesto circa 14,7 ore di calcolo:

• una ventina di minuti per 36 tavole;

• poco più di un’ora per le clip di prova;

• oltre undici ore per i segmenti animati;

• circa un’ora e mezza per migliorarne la definizione.

Nel mondo reale i file sono comparsi nell’arco di oltre 60 ore, fra arresti, prove, riavvii e riprese. Non sono compresi i tentativi precedenti e lo sviluppo della relativa applicazione.

Fucina ha generato soltanto 19 clip, ma ha richiesto un addestramento per Martino e TOBI: 2.000 passaggi su 23 immagini, circa due ore e dieci minuti. La produzione si è comunque distribuita su più giorni, con versioni e riparazioni.

Il vantaggio locale appare dalla seconda produzione. Per un solo video, comprare una RTX 3090 per risparmiare sul cloud equivale ad acquistare un forno professionale per cuocere una pizza.

Che cosa bisogna installare

Le due applicazioni non contengono l’intera fabbrica.

Storyboard Studio (vi ricordo, creata con Codex di OpenAI) occupa circa 185 megabyte, ma ha bisogno di ComfyUI, dei modelli per immagini e video e di FFmpeg, il programma che unisce i file. Fucina (elaborata a partire da Fable di Anthropic) è ancora più piccola, ma presume che sul computer siano già presenti Python, ComfyUI, FFmpeg, componenti aggiuntivi e circa 53 gigabyte di modelli.

Storyboard Studio controlla i requisiti, conserva lo stato e riprende i lavori interrotti, ma mantiene impostazioni nascoste e alcuni bug. Fucina è più semplice, però diversi percorsi puntano ancora alle cartelle originali e il flusso cerca i modelli di Martino e TOBI.

Chi oggi scaricasse soltanto una delle due cartelle non otterrebbe un cartone premendo due volte sull’icona. Otterrebbe l’inizio di un laboratorio.

Locale non significa automaticamente privato

Le tavole e le animazioni dei due progetti sono state generate sulla RTX 3090. I file principali non hanno dovuto essere caricati su un servizio video. Questo è un vantaggio reale per storie riservate, materiali di lavoro e archivi che non si vogliono spedire fuori casa.

La voce, però, contraddice in parte la formula “non è uscito un solo byte”. Entrambi i progetti usano Edge TTS come scelta predefinita. È un servizio Microsoft gratuito (per ora): il testo da leggere viene inviato ai suoi sistemi. Prima di adottarlo vanno lette l’informativa sulla privacy di Microsoft e la documentazione sulla privacy di Microsoft Edge.

Fucina può inoltre usare servizi esterni per suggerire le descrizioni delle scene o generare voci più espressive, se vengono configurati. Anche le conversazioni con ChatGPT/Codex e Fable 5, usate per costruire le applicazioni, sono avvenute online.

Un flusso davvero offline richiede una voce installata sul computer, nessun assistente esterno durante la produzione e tutti i modelli già scaricati. La privacy nasce dalle scelte fatte in ogni stazione della catena.

Gratuito non significa libero per qualsiasi uso

ComfyUI e FFmpeg sono strumenti accessibili senza pagare una tariffa per clip. I modelli hanno però condizioni proprie. La licenza di FLUX.1-dev, per esempio, non va trasformata nella formula generica “posso fare qualunque uso commerciale”. Lo stesso controllo va fatto per il modello video, le voci, la musica, i caratteri grafici, le immagini di riferimento e gli eventuali piccoli addestramenti dei personaggi.

Non basta che un file sia scaricabile gratuitamente. Bisogna leggere la sua licenza e verificare se consente l’uso previsto, soprattutto se il film viene venduto, usato in pubblicità o distribuito dentro un prodotto. Le applicazioni attuali non risolvono questa verifica al posto dell’utente e non costituiscono ancora un pacchetto commerciale autonomo.

Queste indicazioni servono a mostrare il problema, non sono consulenza legale. Per un progetto professionale bisogna controllare le condizioni aggiornate al momento della pubblicazione e, nei casi dubbi, rivolgersi a un professionista.

Quando sceglierei un servizio esterno

Sceglierei un servizio online con una scadenza, un solo film da produrre o il bisogno di movimenti più lunghi senza gestire memoria e riavvii.

Tre conti minimi sui listini ufficiali consultati il 17 luglio 2026

Il master di Storyboard Studio dura 458,592 secondi. Applicando la durata in modo puramente matematico:

• Runway Gen-4 Turbo: 0,05 dollari al secondo, minimo teorico 22,93 dollari;

• Google Veo 3/3.1 senza audio: 0,20 dollari al secondo, minimo teorico 91,72 dollari;

• Google Veo 3/3.1 con audio: 0,40 dollari al secondo, minimo teorico 183,44 dollari.

Fonti: fatturazione Runway e prezzi Vertex AI di Google.

Questi non sono preventivi realistici, ma limiti inferiori. I servizi vendono spesso clip in tagli da cinque o dieci secondi, quindi ogni scena viene arrotondata alla durata fatturabile. Inoltre si pagano le prove scartate, le varianti e le rigenerazioni necessarie quando un volto cambia o una mano si deforma. Il costo effettivo può quindi superare di molto la semplice moltiplicazione fra secondi finali e prezzo unitario.

Sceglierei il locale se possedessi già l’hardware, prevedessi molti episodi, volessi conservare ogni file o avessi bisogno di modificare liberamente il metodo. Accetterei però una qualità meno uniforme e il ruolo aggiuntivo di amministratore del mio computer.

La scelta più sensata, per molti, è ibrida: storia, tavole, montaggio e controllo in locale; un servizio esterno soltanto per le scene difficili o per la voce finale. Non è una sconfitta. È usare ogni strumento nel punto in cui costa meno, non soltanto in denaro.

Alla fine la domanda non è se si possa costruire un cartone animato in casa. I due video dimostrano che si può. La domanda è quanto del proprio tempo si vuole trasformare in risparmio, controllo e conoscenza.

Io, dopo diversi riavvii, conosco molto meglio la risposta. Non è “gratis”. È “mio”, che è una cosa diversa.

Se doveste scegliere, quale costo preferireste sostenere: denaro per un servizio più semplice, oppure tempo per una fabbrica che rimane sotto il vostro controllo?

Mi prendo un periodo di pausa dopo 5 mesi di pubblicazioni incessanti, ci risentiamo a fine Agosto, buona estate!

Se questo pezzo ti è servito, la cosa migliore che puoi fare è inoltrare la newsletter a qualcuno della tua rete che potrebbe trovarlo interessante. È così che cresce questa newsletter, lentamente, tramite passaparola di lettori che si fidano.

Condividi

Nota sul processo di scrittura

Per preparare questo articolo ho utilizzato strumenti di intelligenza artificiale nella ricerca delle fonti, nel confronto dei dati, nella costruzione della struttura e nella revisione linguistica. Il sistema opera con istruzioni, esempi e skill adattati al mio stile editoriale. Ho verificato le fonti, modificato il testo e approvato ogni passaggio della versione pubblicata. Le tesi, le scelte e la responsabilità finale sono mie.

Se mostrassi soltanto i primi trenta secondi dei due cartoni, sceglierei Fucina (il primo, prodotto da Fable).

Le immagini hanno luci più calde, i personaggi cambiano espressione con maggiore decisione, le dissolvenze sono gradevoli e la musica trasforma una sequenza di clip in qualcosa che assomiglia a un piccolo film. Martino e TOBI sembrano recitare. Anna e PIP, nel video di Storyboard Studio, sembrano più spesso respirare dentro un libro illustrato.

Poi i film continuano.

Fucina dura sei minuti e quarantaquattro secondi. Storyboard Studio sette minuti e trentanove. Quando li si guarda dall’inizio alla fine, i trucchi diventano visibili, gli errori smettono di essere episodi isolati e il criterio cambia. Non si tratta più di chiedersi quale fotogramma metterei in copertina, ma quale sistema riesca a sostenere un racconto completo senza perdere i personaggi per strada.

La mia risposta è Storyboard Studio, elaborato da Codex di OpenAI (GPT 5.6 Sol), con un margine non grande.

Non è un confronto scientifico. Le storie sono simili, entrambe spiegano a un bambino come usare bene l’intelligenza artificiale, ma non sono identiche. I due progetti sono stati costruiti in conversazioni diverse e hanno seguito strade differenti. Hanno però usato lo stesso computer, la stessa RTX 3090 e le stesse famiglie di strumenti locali per immagini e movimento. Soprattutto, posso confrontare non soltanto le promesse, ma i due file finali e le applicazioni che li hanno prodotti.

I numeri essenziali

La tabella racconta già le due filosofie.

Fucina produce 19 clip, poi le riproduce in avanti e al contrario, le rallenta e le ripete. Usa meno di un quinto del movimento originale calcolato da Storyboard Studio e ottiene comunque un film di quasi sette minuti. È una soluzione ingegnosa e molto parsimoniosa.

Storyboard Studio genera invece 252 segmenti, ciascuno di poco meno di due secondi. Ogni nuovo pezzo riparte dall’ultimo fotogramma del precedente e continua in avanti. Il computer lavora molto di più, ma il tempo non torna mai sui propri passi.

Se il criterio fosse quanta emozione si ottiene per ogni minuto di scheda grafica, vincerebbe Fucina. Se il criterio è quanto bene il metodo regge sull’intera durata, il vantaggio passa a Storyboard Studio.

Dove vince Fucina

Fucina capisce meglio la prima impressione. I movimenti sono più ampi, le inquadrature hanno maggiore profondità e la musica riempie i silenzi. Sei profili vocali, costruiti modificando quattro voci Microsoft, danno ai personaggi una personalità riconoscibile. Non sono sei attori originali, ma l’illusione funziona.

Anche l’applicazione ha un’idea semplice e giusta: la macchina propone e la persona approva. Prima si controllano le tavole, poi si spendono minuti di calcolo per animarle. Un singolo pezzo può essere rigenerato senza buttare tutto.

Il problema arriva quando l’energia iniziale deve durare. Il movimento avanti-indietro diventa un pendolo. TOBI, verde o turchese con grandi occhiali rossi per buona parte del film, nella scena finale diventa un pappagallo rosso senza occhiali. Martino cambia abiti e proporzioni. L’addestramento preparato per ricordare i personaggi ha aiutato, ma non li ha fissati una volta per tutte.

Il volume è inoltre troppo basso per una normale pagina web. La musica aggiunge atmosfera, ma bisogna alzare sensibilmente l’audio. E nel montaggio è rimasta la frase “Fine della prima parte” prima che la seconda parte cominci subito, come se una pausa pubblicitaria fosse stata annunciata e poi dimenticata.

Dove vince Storyboard Studio

Storyboard Studio conserva meglio Anna lungo 36 scene. I capelli castani, il fiore rosa e l’abito viola rimangono riconoscibili anche quando il volto e le mani respirano leggermente fra un segmento e l’altro. Il film è più nitido, scandito in sei capitoli e più fedele alla struttura educativa richiesta.

L’errore di PIP non è una nota aggiunta alla fine: cambia davvero la storia. Anna verifica su un’enciclopedia, protegge i dati privati e decide di non delegare tutto il compito. La morale non viene letta da un narratore esterno; nasce da ciò che la protagonista ha fatto.

Il movimento è meno ambizioso. Spesso si muovono gli occhi, la carta, la luce o le foglie, mentre Anna mantiene la stessa posa. Ci sono piccole trasformazioni dei dettagli e PIP non ha sempre la stessa identità visiva. Il film è più continuo che vivo.

Anche il suono è incompleto. Tutte le battute sono finite sotto una sola narratrice, nonostante l’app possa gestire più ruoli. Non ci sono musica né rumori ambientali. Le pause realmente silenziose sommano quasi due minuti e mezzo. La voce si sente bene, ma il mondo intorno non emette un suono.

Storyboard Studio non vince quindi perché sia perfetto. Vince perché i suoi difetti principali sono più facili da correggere. Posso aggiungere musica, assegnare bene le voci, comprimere il file e chiedere movimenti più attoriali in alcune scene. Eliminare da Fucina il tempo che torna indietro e la sostituzione di TOBI richiede invece di cambiare il metodo con cui il video viene prodotto.

Le applicazioni contano quanto i film

L’app Fucina creata da Fable è più compatta e più facile da capire, ma la versione attuale è ancora legata alle cartelle del computer su cui è nata. Cerca componenti specifici, compreso l’addestramento di Martino e TOBI, e non ha completato una vera produzione nuova attraverso l’app. È una buona dimostrazione personale, non ancora un pacchetto da consegnare a un utente inesperto.

Storyboard Studio di OpenAI è più pesante e meno elegante, però conserva lo stato del progetto, controlla i file mancanti, riprende dopo gli arresti e dispone di test automatici. Ha anche bug concreti: un collegamento di avvio non funziona e il pannello dei tempi può sottostimare il lavoro. Nessuna delle due applicazioni merita ancora l’etichetta “premi un pulsante e vai a cena”. Storyboard Studio è soltanto più vicina a diventare uno strumento riutilizzabile.

Il verdetto complessivo è dunque questo:

Fucina vince la regia visiva, la recitazione e il rapporto fra resa e calcolo. Storyboard Studio vince continuità, identità, chiarezza didattica e possibilità di evoluzione. Se devo mostrare un trailer scelgo Fucina. Se devo costruire il prossimo episodio scelgo Storyboard Studio.

La versione ideale, naturalmente, non è nessuna delle due. Vorrei la continuità in avanti e la struttura di Storyboard Studio, con la musica, le voci e il coraggio visivo di Fucina. Il fatto che non esista ancora è probabilmente il motivo per cui vale la pena continuare.

Se foste interessati ad approfondire gli aspetti tecnici, ho scritto un lungo articolo su Hardware Upgrade che potrete trovare qui.

Nei commenti, oltre al voto, mi interessa sapere in quale momento avete cambiato idea. I primi trenta secondi e gli ultimi trenta raccontano due confronti molto diversi.

Se questo pezzo ti è servito, la cosa migliore che puoi fare è inoltrare la newsletter a qualcuno della tua rete che potrebbe trovarlo interessante. È così che cresce questa newsletter, lentamente, tramite passaparola di lettori che si fidano.

Condividi

Nota sul processo di scrittura

Per preparare questo articolo ho utilizzato strumenti di intelligenza artificiale nella ricerca delle fonti, nel confronto dei dati, nella costruzione della struttura e nella revisione linguistica. Il sistema opera con istruzioni, esempi e skill adattati al mio stile editoriale. Ho verificato le fonti, modificato il testo e approvato ogni passaggio della versione pubblicata. Le tesi, le scelte e la responsabilità finale sono mie.

Lunedì Mark Zuckerberg ha pubblicato sul sito di Meta un saggio di circa 6.500 parole, The Future is for Everyone. È il manifesto con cui l’azienda prova a spiegare come intende costruire la superintelligenza e, soprattutto, a chi vuole consegnarla.

Condividi

La sintesi più diffusa, Meta e l’open source contro i laboratori chiusi, mi sembrava troppo semplice. Sono arrivato all’originale dal video in cui Matthew Berman segnala una falla nel ragionamento, per cui ho voluto capirne di più.

Zuckerberg parte da tre idee: l’emancipazione individuale come motore della prosperità, l’invenzione come scopo principale della superintelligenza e l’equilibrio mi di potere come fondamento della sicurezza.

Il cuore del ragionamento è questo: una sola superintelligenza non potrebbe essere benevola verso tutti, perché l’umanità non condivide un unico sistema di valori. Qualcuno dovrebbe scegliere quali privilegiare e quali sacrificare. La soluzione proposta è quindi distribuire la superintelligenza a chiunque e lasciare che interessi diversi si controllino a vicenda, come già accade nell’economia.

Zuckerberg dice di non capire perché chi prevede che l’IA cancellerà gran parte dei posti di lavoro, e con essi buona parte della rilevanza umana, abbia tanta fretta di costruire quel futuro. E trova problematica, già in partenza, l’idea che una tecnologia tanto pericolosa renda l’estrema concentrazione di potere l’unica strada sicura.

Non fa nomi, ma il bersaglio è evidente: Anthropic e Dario Amodei, autore nel maggio 2025 della previsione sul “bagno di sangue per i colletti bianchi”. Questa accusa però, arriva tardi. Amodei ha già iniziato a correggere il tiro. Secondo Fortune a maggio ha richiamato il paradosso di Jevons, secondo cui quando una risorsa costa meno si finisce per consumarne di più, non di meno. A luglio Peter McCrory, capo economista dell’azienda, ha pubblicato un’analisi che nei dati americani non rileva alcun peggioramento occupazionale relativo per i lavoratori più esposti all’IA.

La promessa e l’asta

Poi, quasi nascosta nell’elenco delle promesse, compare una frase decisiva. Le versioni gratuite saranno accessibili a miliardi di persone. Chi vorrà più calcolo lo comprerà attraverso un’asta dinamica.

Zuckerberg scrive che il meccanismo garantirà a ciascuno il prezzo più basso possibile per l’intelligenza e il calcolo consumati.

Per calcolo si intende la potenza di elaborazione che un modello può spendere per rispondere. Più gliene concedi, più a lungo può ragionare, verificare ipotesi e tentare strade diverse prima di darti un risultato. Nei sistemi attuali la qualità dipende ormai tanto dal modello quanto dal calcolo che gli lasci consumare.

Il problema sta proprio nell’asta. Una risorsa scarsa va, in teoria, a chi la valuta di più. In pratica, a chi può offrire di più. Se l’intelligenza effettivamente disponibile dipende dal calcolo che una persona riesce a comprare, la superintelligenza per tutti finisce per ricalcare la distribuzione del capitale che esiste già. Solo che, invece di misurarla in euro, la misureremo in ore di GPU.

Zuckerberg illustra la sua tesi con un esempio sugli avvocati. Se una sola persona dispone di un avvocato superintelligente, ottiene un vantaggio ingiusto in tribunale. Se ce l’hanno tutti, la giustizia diventa più equa ed efficiente.

Il ragionamento regge finché si immaginano due avvocati identici. Nel mondo dell’asta dinamica non lo sono per costruzione. La parte che può dedicare alla ricerca dieci volte più calcolo può far esaminare molta più giurisprudenza e provare molte più linee argomentative. Non abbiamo eliminato la distanza tra un grande studio e un difensore d’ufficio: l’abbiamo trasferita nel prezzo di un servizio a consumo.

La scarsità compare e scompare

Nel capitolo sul lavoro, la scarsità del calcolo torna utile. Zuckerberg scrive che, per quanto l’IA diventi intelligente, il calcolo resterà finito e avrà sempre un costo opportunità. Poiché inventare qualcosa di nuovo e prezioso rende più che automatizzare un lavoro esistente, il calcolo andrà verso l’invenzione e l’occupazione terrà.

Qui la scarsità serve a spiegare perché l’automazione non prenderà il sopravvento. Quando però si parla di distribuire l’intelligenza fra le persone, la stessa scarsità scompare dall’inquadratura e resta soltanto la promessa dell’accesso per tutti.

In un mercato ad asta, il calcolo va dove l’offerta è più alta. Per un’azienda è facile quantificare il risparmio ottenuto automatizzando duecento buste paga. Per un ricercatore è molto più difficile mettere in un foglio Excel il ritorno di un’ipotesi da testare per tre mesi, senza sapere come andrà a finire.

Il saggio dà per scontato che l’invenzione vinca l’asta contro l’automazione, ma non spiega perché dovrebbe accadere proprio nel mercato che quell’asta crea.

Il bonus da 50.000 dollari

Per mostrare i benefici dei data center, Zuckerberg cita Richland Parish, in Louisiana. Quest’anno, racconta, gli insegnanti hanno ricevuto un bonus da 50.000 dollari grazie all’aumento del gettito fiscale generato dall’investimento di Meta. Il dato è corretto, ma va messo a fuoco.

Si tratta di un premio di fine anno legato a quanto incassa il distretto scolastico, e quindi variabile. Quest’anno è arrivato a 50.935 dollari per il personale abilitato all’insegnamento, contro i 10.200 dell’anno precedente. Il personale non docente ha ricevuto 17.472 dollari, contro 3.323. Per capire la scala: lo stipendio medio di un insegnante del distretto è di 40.920 dollari.

Quei soldi arrivano dall’imposta sulle vendite generata dal cantiere del data center Hyperion. Sulla tassa di proprietà, invece, Meta gode di un’agevolazione fiscale. Il sovrintendente del distretto si aspetta bonus elevati per tutta la durata dei lavori. Ed è proprio questo il punto: il cantiere impiega fino a cinquemila persone nei momenti di picco; un data center già operativo ne richiede qualche decina.

Nel mio libro chiamo Ghost GDP temporale proprio questo scarto: il beneficio economico diventa visibile subito, mentre il costo che lo accompagna si presenta più tardi. Il bonus è in cassa oggi, entra nei bilanci del distretto e si presta a essere citato in un saggio sul futuro condiviso. Il conto arriva quando il cantiere chiude, quando il costo della vita locale si è già assestato sui salari dell’edilizia e quando il distretto scopre di aver costruito aspettative su un’entrata legata ai lavori, non all’esercizio del data center.

Open source, ma non troppo

Meta ha rilasciato modelli a pesi aperti per l’ultima volta nell’aprile 2025, con Llama 4 Scout e Maverick. Behemoth, il modello più grande della famiglia, non è mai uscito. Poi, l’8 aprile 2026, Meta Superintelligence Labs ha pubblicato Muse Spark, il primo modello di frontiera dell’azienda a pesi chiusi, disponibile soltanto via API.

Qui serve una distinzione. I pesi sono i numeri che un modello ha imparato durante l’addestramento. Rilasciarli permette ad altri di scaricarlo, eseguirlo sulle proprie macchine e modificarlo. Offrire un prodotto via internet è un’altra cosa: può essere accessibile, persino gratuito, senza essere open source. Le due idee vengono spesso confuse dentro la parola open.

Ora che Meta Superintelligence Labs è operativa, scrive Zuckerberg, riprenderemo presto a rilasciare alcuni modelli open source. Quel verbo ammette una pausa che dura da sedici mesi.

Un dato nucleare che non torna

Poi c’è la Cina. Nel capitolo sulla leadership americana, Zuckerberg scrive che paesi come la Cina stanno collegando alla rete più di un gigawatt di capacità nucleare ogni due settimane. Il dato serve a chiedere agli Stati Uniti di accelerare su energia e data center. Un gigawatt ogni due settimane significa ventisei gigawatt all’anno.

Ma secondo l’Energy Information Administration statunitense, che usa i dati PRIS dell’Agenzia internazionale per l’energia atomica, la Cina ha aggiunto 1,1 gigawatt di capacità nucleare in tutto il 2025 e 2,2 gigawatt nei primi cinque mesi del 2026. A fine 2025 la capacità operativa complessiva era intorno ai 62 gigawatt. Il numero del saggio è quindi sbagliato di oltre un ordine di grandezza.

Se Zuckerberg avesse parlato di tutta la nuova capacità elettrica cinese, includendo eolico e solare, la frase avrebbe funzionato benissimo: nel 2025 sono stati aggiunti oltre 430 gigawatt. Ma il testo dice nucleare.

Gratis per chi, pagato da chi?

Le versioni gratuite promesse a miliardi di persone qualcuno dovrà pagarle. Meta vive di pubblicità. Nel secondo trimestre del 2026 ha registrato 60,8 miliardi di dollari di ricavi, 59,4 dei quali dalla pubblicità sulle sue applicazioni. Ad aprile ha anche alzato la previsione di spesa in conto capitale per l’anno a una forbice fra 125 e 145 miliardi.

Il saggio promette anche una modalità completamente privata, sul modello della cifratura di WhatsApp, in cui nemmeno Meta può vedere o concedere accesso alle informazioni dell’utente. Le due cose non sono per forza incompatibili, ma solo a certe condizioni: che la modalità privata resti marginale oppure che la pubblicità dell’agente personale funzioni senza esporre a Meta i contenuti dell’utente. Il saggio non chiarisce quale strada intenda seguire.

Cosa salvo

Questo non significa che nel saggio non ci sia nulla da salvare. Due proposte, anzi, meritano attenzione.

La prima è chiedere ai laboratori di frontiera di condividere con il governo i checkpoint intermedi: versioni parziali dei modelli ancora in addestramento. Le agenzie non dovrebbero aspettare il rilascio pubblico. Se l’obiettivo è proteggere le infrastrutture critiche prima che una nuova capacità arrivi al pubblico, questa proposta interviene quando c’è ancora tempo per farlo.

La seconda riguarda i rischi biologici e chimici. Zuckerberg propone di concentrare i controlli sulla produzione e sulla distribuzione fisica dei materiali pericolosi, invece di tentare di limitare la circolazione della conoscenza. È una critica antica, ma mai davvero superata, alle ragioni di biosicurezza usate per tenere chiusi i modelli. Nel saggio è argomentata bene.

Il vero privilegio sarà il tempo di calcolo

L’asta è l’unico punto del saggio in cui viene descritto un meccanismo concreto. È anche il passaggio che rivela la contraddizione di fondo. Se l’intelligenza effettivamente utilizzabile dipende dal calcolo che si può comprare, nei prossimi dieci anni il vero privilegio non sarà accedere al modello, ma potersi permettere di farlo lavorare più a lungo.

Oggi lo scarto quasi non si vede. Ai prezzi correnti, venti euro al mese comprano abbastanza calcolo da farci sembrare tutti più o meno sullo stesso piano. Quando i modelli lavoreranno per giorni interi su un solo compito, avere accesso allo stesso modello non significherà più avere la stessa capacità. Sarà la differenza fra chi può pagarsi un consulente per due settimane e chi può soltanto leggersi un manuale la sera.

Superintelligenza per tutti può dunque voler dire due cose molto diverse: lo stesso ingresso per tutti, oppure la stessa capacità effettiva. Il saggio promette la prima e lascia al mercato la seconda.

Alla prossima!
Luciano

Se questo pezzo ti è stato utile, inoltralo a qualcuno che potrebbe apprezzarlo. Questa newsletter cresce così: lentamente, grazie al passaparola di lettori che si fidano.

Fonti e metodo

Il saggio di Zuckerberg è la fonte primaria. Il video di Matthew Berman, i resoconti di Fortune sulle posizioni di Dario Amodei e sull’analisi di Peter McCrory e la copertura su Muse Spark sono fonti secondarie, linkate come tali. I dati su Richland Parish provengono dallo Shreveport-Bossier City Advocate; quelli sul nucleare cinese dalla U.S. Energy Information Administration, su base PRIS dell’AIEA; i dati finanziari dai risultati Meta del secondo trimestre 2026.

Condividi

Nota sul processo di scrittura

Per preparare questo articolo ho utilizzato strumenti di intelligenza artificiale nella ricerca delle fonti, nel confronto dei dati, nella costruzione della struttura e nella revisione linguistica. Il sistema opera con istruzioni, esempi e skill adattati al mio stile editoriale. Ho verificato le fonti, modificato il testo e approvato ogni passaggio della versione pubblicata. Le tesi, le scelte e la responsabilità finale sono mie.

Prompt Thinking: A Critique of Generative Reason è uscito a febbraio 2026 per Polity Press, serio editore accademico britannico, nella collana Theory Redux. In copertina c’è Jianwei Xun, presentato a suo tempo come giovane filosofo di Hong Kong. Chi ha seguito la vicenda sa che Xun è un personaggio inventato nel 2024 dal filosofo ed editore italiano Andrea Colamedici, che racconta di averlo costruito scrivendo con Claude e ChatGPT usati come interlocutori critici, cioè per contestare e smontare le sue idee mentre le sviluppava. È tutto pubblico dall’aprile 2025, da quando L’Espresso ha tirato fuori la storia con un’inchiesta di prima pagina. Il secondo libro è arrivato dieci mesi dopo, con un marchio accademico serio, ed è stato accolto come un libro qualsiasi: da febbraio a oggi, per quanto ho visto, nessuno l’ha trovato strano.

Iscriviti ora

A gennaio 2025 la casa editrice Tlon pubblica Ipnocrazia. Trump, Musk e la nuova architettura della realtà, firmato da Xun e “tradotto” da Colamedici, che di Tlon è il fondatore. La tesi ha il profilo giusto per il momento: il potere contemporaneo lavorerebbe sulla percezione più che sulla repressione, tenendo la società in una trance funzionale amministrata via algoritmo, con Trump e Musk come archetipi del meccanismo. Il libro viene recensito con serietà, Le Figaro intervista l’autore il 5 marzo 2025, in America Latina qualcuno lo presenta come probabile libro dell’anno. Su Wikipedia compare una biografia dettagliata, completa di contributi di Xun alla diffusione del pensiero di Mark Fisher e di Félix Guattari. C’è l’intero corredo di segnali che un lettore usa per decidere di fidarsi, e lungo la catena nessuno ne aveva controllato nemmeno uno. Si saprà poi che ad alcuni il controllo non serviva proprio: Colamedici ha ammesso di aver coinvolto fin dall’inizio un nucleo di “osservatori consapevoli”, persone informate della natura sperimentale del progetto, che lo hanno diffuso sapendo benissimo come sarebbe andata a finire.

Poi Sabina Minardi, caporedattrice de L’Espresso, fa il lavoro che gli altri avevano saltato. Cerca le pubblicazioni accademiche di Xun senza trovarle, prova con i contributi citati nella biografia e non trova nemmeno quelli, si insospettisce per alcune spie linguistiche nel testo. Il seguito, per come lo racconta lei, comprende una telefonata tesa e un link arrivato su WhatsApp, che apre una pagina nascosta dove si ammette che Jianwei Xun non esiste e che Ipnocrazia nasce come esperimento sulla costruzione della realtà nell’era digitale. Il 4 aprile 2025 l’inchiesta esce con la faccia del filosofo inesistente in copertina, e nel giro di pochi giorni la riprendono il New York Times, Le Monde, Wired, El País. Quest’ultimo rimuove un proprio pezzo sul libro, mentre l’intervista di Le Figaro sparisce dalla rete.

Sembrerebbe un “caso Sokal” aggiornato ai modelli linguistici, e il paragone con la beffa del fisico che nel 1996 piazzò un articolo volutamente insensato su una rivista di studi culturali è arrivato subito sulla stampa spagnola. Solo che questo smascheramento si porta dietro due versioni.

Se leggete L’Espresso, la verità è emersa perché una giornalista ha fatto verifiche che nessun altro aveva fatto e ha ottenuto la confessione al termine di un inseguimento. Se leggete il sito ufficiale di Jianwei Xun, la rivelazione è stata una decisione dell’autore, un atto deliberato di “rivelazione” eseguito in simultanea in Italia, Francia e Spagna, per nulla un’inchiesta subita. Le due narrazioni convivono da più di un anno una accanto all’altra. Un libro sulla manipolazione della percezione che fabbrica due realtà alternative perfino su come è saltata fuori la verità, bisogna concederlo, una certa coerenza ce l’ha.

L’edizione francese è uscita in libreria il giorno stesso dell’inchiesta, con una postfazione di Colamedici che ricostruisce l’operazione, e quella spagnola una decina di giorni dopo. Un’edizione inglese circolava già dal 15 gennaio 2025, in parallelo a quella italiana, e in seguito è arrivata quella di Sutherland House. Il sito del progetto rivendica l’ingresso del termine “hypnocratie” nel Wiktionnaire francese e un’intervista dal vivo a Jianwei Xun, sul palco, davanti a settecento persone al corrente di stare ascoltando un personaggio. A febbraio 2026 è arrivato Polity. Scoprire che l’autore non esiste sembrava il genere di notizia che chiude una carriera, e invece ha fatto da secondo lancio editoriale, più potente del primo. Il sistema culturale ha assorbito il colpo e ha rimesso la beffa a catalogo, con il responsabile dell’inganno promosso a docente della propria materia.

A L’Espresso Colamedici ha spiegato di non aver mai voluto costruire un falso e di aver cercato una “performance narrativa” che permettesse ai lettori di sperimentare i concetti del libro mentre li leggevano. La difesa è elegante, e fa anche da polizza assicurativa, perché finché resta segreto l’esperimento frutta un bestseller, quando viene scoperto consegna la dimostrazione della tesi. Un esperimento che vince in qualunque scenario appartiene al marketing più che all’epistemologia, per quanto raffinato sia il vocabolario di presentazione. Si potrebbe obiettare che la stessa polizza copriva anche Sokal, e in parte è vero; con la differenza che Sokal si smascherò da solo, a pubblicazione appena avvenuta, e non incassava niente dai lettori della rivista, mentre qui il trucco è rimasto sul mercato per quasi tre mesi a prezzo di copertina.

A fine luglio ho scritto di Pangram, il detector che Substack ha integrato per stimare quanta IA c’è dentro un testo, e la conclusione era che quel punteggio dà un numero preciso alla domanda sbagliata, perché misura il modo in cui un articolo è stato prodotto, mentre su chi ne risponde non ha niente da dire. La vicenda Xun lo conferma da un’angolatura rovesciata: il processo dietro Ipnocrazia era governato eccome, con tanto di metodo rivendicato dall’autore vero, e a mancare era l’altra metà del patto, la persona che risponde del testo, dato che la firma apparteneva a qualcuno che non esiste. Un detector, al massimo, avrebbe segnalato la quantità di macchina nel testo, come le spie linguistiche che avevano insospettito Minardi; per scoprire che l’autore non esisteva serviva qualcuno che andasse a controllare. Io dichiaro in coda a ogni pezzo quali strumenti ho usato e per fare cosa, perché la considero un’informazione sul metodo che chi legge ha il diritto di conoscere, a patto che la dichiarazione non diventi un marchio d’infamia. Il mercato culturale, al momento, va da un’altra parte: la collaborazione con l’IA dichiarata in partenza viene trattata come un dettaglio di servizio, quando non come un motivo di sospetto, mentre quella tenuta nascosta fino al momento buono e rivelata con tempismo teatrale è valsa una carriera editoriale internazionale, secondo titolo compreso. Se fossi un editore, qualche domanda sul segnale che sto mandando a chi scrive me la farei.

Sulla pagina del progetto sul sito di Tlon, peraltro, la pubblicazione è datata gennaio 2024, un anno esatto prima del 15 gennaio 2025 che risulta dai registri delle librerie e dalle ricostruzioni del caso. Sarà una svista replicata dal copia e incolla, ma ha una sua involontaria poesia.

Intanto i giornali che ci erano cascati ci hanno rimesso in credibilità, i lettori che avevano comprato il libro si sono ritrovati dentro un esperimento a loro insaputa, e il lavoro di verifica che stava dentro le redazioni si è spostato a valle, sul singolo lettore che deve decidere caso per caso di chi fidarsi. Ne avevo scritto a maggio, a proposito dell’intervista di Veltroni a Claude: la performance ben confezionata batte la trasparenza perché il pezzo che ne esce è più seducente, e chi lo confeziona lo sa. Stavolta l’inganno è stato progettato apposta, da un filosofo che voleva dimostrare quanto siamo ipnotizzabili. Missione compiuta, direi.

Alla prossima! Luciano

p.s.

Un ringraziamento a Rocco Santangelo, accompagnatore turistico in Laos, che durante una piacevole navigazione lungo il fiume Mekong mi ha raccontato di Jianwei Xun.

Condividi

Se questo pezzo ti è servito, la cosa migliore che puoi fare è inoltrare la newsletter a qualcuno della tua rete che potrebbe trovare interessante questo contenuto. È così che cresce questa newsletter, lentamente, tramite passaparola di lettori che si fidano.

Nota sul processo di scrittura

Per preparare questo articolo ho utilizzato strumenti di intelligenza artificiale nella ricerca delle fonti, nel confronto dei dati, nella costruzione della struttura e nella revisione linguistica. Il sistema opera con istruzioni, esempi e skill adattati al mio stile editoriale. Ho verificato le fonti, modificato il testo e approvato ogni passaggio della versione pubblicata. Le tesi, le scelte e la responsabilità finale sono mie.

Riferimenti: Sabina Minardi, “Ipnocrazia, ecco perché il filosofo Xun non esiste“, L’Espresso, aprile 2025. Il sito del progetto jianweixun.com e la pagina di Andrea Colamedici. La scheda di Prompt Thinking (Polity Press, collana Theory Redux, 2026) e l’edizione inglese di Hypnocracy (Sutherland House).

Le prime cose che l’intelligenza artificiale si prende, dentro un’azienda, sono quasi sempre le stesse: la prima bozza di un documento, il controllo di un foglio di calcolo, la ricerca di precedenti, un pezzo di codice semplice, la risposta alle domande che i clienti fanno da anni nello stesso ordine. Compiti ripetitivi e spesso noiosi, che nessuno rimpiange. Erano anche il posto da cui si cominciava a imparare un mestiere, ma questo nel dibattito pubblico non compare quasi mai.

Da oltre un anno la discussione sull’AI e il lavoro si misura in posti persi. Quanti ne spariranno, in quali settori, entro quando. Mi piacerebbe avere un numero da darvi, però i dati usciti nelle ultime settimane raccontano una cosa diversa e secondo me più scomoda: le professioni restano dove sono, mentre si sta smontando il percorso con cui si diventava capaci di esercitarle.

Dopo più di trent’anni passati dentro la tecnologia ho imparato a diffidare delle facili previsioni. In mezzo ci sono aziende, processi, incentivi, persone e clienti che non cambiano alla velocità del software. Questa volta però qualcosa si è mosso, e si vede nel lavoro quotidiano, documentato da paper, ricerche ed articoli pubblicati negli ultimi 30 giorni.

L’AI ha già cambiato chi fa cosa

OpenAI ha analizzato oltre 800.000 messaggi di lavoro inviati a ChatGPT negli Stati Uniti, pubblicando i risultati pochi giorni fa. Tolti i compiti generici, quelli che chiunque fa in qualunque mestiere come scrivere o riassumere, resta un 43,5% di richieste che riguardano attività associate a una professione diversa da quella di chi le manda.

Vuol dire che il commerciale si analizza da solo i dati che prima avrebbe girato a un analista, che il marketing mette mano al sito senza aspettare lo sviluppatore, e che il piccolo imprenditore si prepara da sé i materiali legali e finanziari, chiamando lo specialista dopo, se lo chiama. OpenAI lo chiama task crossover, cioè compiti che scavalcano i confini dei mestieri: fra il momento in cui serve una cosa e il momento in cui è fatta sono spariti dei passaggi, e in quei passaggi c’era qualcuno.

Il valore si sposta di conseguenza. Produrre un documento è alla portata di chiunque abbia venti secondi e una connessione, mentre è rimasto difficile quanto prima capire se è la cosa giusta da mandare in quel momento e se qualcuno lo potrà usare senza farsi male.

Google arriva a conclusioni compatibili con un campione molto più grande. Il primo rapporto ATLAS mette insieme 15 milioni di interazioni aggregate con Gemini, AI Mode e le API. L’uso professionale dell’AI compare nel 68% delle occupazioni, che insieme fanno il 90% dell’occupazione statunitense. Dentro il singolo lavoro, però, copre circa il 21% delle attività, e meno del 10% delle interazioni automatizza un compito dall’inizio alla fine. Per il resto siamo su ideazione, ricerca, apprendimento e supporto alle decisioni: l’adozione è arrivata quasi ovunque senza scendere in profondità.

Entrambi i rapporti arrivano da aziende che vendono AI e che misurano l’uso dei propri prodotti, quindi descrivono i loro clienti più che la forza lavoro americana, e vanno letti con questo sconto applicato. Il fenomeno di fondo resta leggibile: le persone usano l’AI soprattutto per allargare il proprio raggio d’azione, e l’automazione completa di un compito per adesso riguarda una minoranza di casi.

Dove finisce il tempo risparmiato

Gallup ha chiesto ai dipendenti che usano l’AI se si sentono più produttivi, e il 65% ha risposto di sì. Alla domanda se la tecnologia abbia cambiato il modo in cui l’organizzazione lavora, i sì scendono al 12%. Sono 53 punti di scarto, e la spiegazione è meno misteriosa di quanto sembri: uno scrive la relazione in metà tempo, poi la relazione entra nel giro di approvazioni di sempre e aspetta le stesse riunioni. Il tempo lo ha risparmiato la persona, mentre l’azienda continua a lavorare come prima.

Per questo installare Copilot, ChatGPT o Gemini su tutte le postazioni sposta poco.

La produttività arriva quando qualcuno si prende la briga di ridisegnare responsabilità, controlli e flussi decisionali intorno a quello che gli strumenti sanno fare, che è un lavoro lento e conflittuale, e infatti si fa molto meno volentieri che comprare licenze.

Anche sui dati macro conviene andarci piano. Negli Stati Uniti l’output per ora lavorata è cresciuto del 2,5% nell’ultimo anno contro una media ventennale dell’1,6%, numero che negli ultimi mesi è finito in parecchie presentazioni commerciali. L’economista Ernie Tedeschi fa notare che la produttività totale dei fattori, cioè la parte di crescita che non si spiega con più macchine o più ore ma con il fatto che si lavora meglio, è cambiata poco. Buona parte dell’aumento viene dall’uso più intenso di capitale già disponibile, impianti tenuti accesi più a lungo e server occupati meglio. E i settori che adottano più AI crescevano più in fretta anche prima dei modelli linguistici.

Che l’AI contribuisca ai prossimi aumenti di produttività è probabile, ma con i dati disponibili oggi attribuirle il boom in corso resta un salto che non si può fare.

Il lavoro da principianti è sparito per primo

Per decenni le aziende hanno dato ai junior le attività semplici e a basso rischio. Producevano poco valore, e nessuno lo ha mai negato, però erano il posto da cui si guardava lavorare chi era bravo. Il consulente alle prime armi preparava l’analisi iniziale e vedeva il manager smontargliela; chi scriveva codice metteva mano a funzioni banali e imparava dalle revisioni; l’assistente legale cercava precedenti e scopriva quali dettagli spostano l’interpretazione di un caso. Sono le stesse cose che oggi fa l’AI, in una frazione del tempo.

Harvard Business Review segnala che i compiti analitici e informativi che si affidavano ai nuovi assunti stanno passando ai sistemi. Nel frattempo la soglia di qualità si alza, perché se un modello tira fuori una prima bozza decente in dieci secondi anche il junior deve partire da lì, e nessuno gli spiega come ci si arriva. Chiediamo esperienza a persone alle quali stiamo togliendo i posti in cui la si costruiva.

McKinsey ha sentito circa 1.500 fra dirigenti e responsabili delle risorse umane. Quelli che si aspettano di assumere più junior grazie all’AI sono quasi tre volte quelli che si aspettano di assumerne meno, il che sembrerebbe una buona notizia. Poi un terzo delle stesse aziende ammette che l’AI ha già ridotto le attività attraverso cui i junior imparavano. Le due cose convivono benissimo e descrivono un’organizzazione che continua ad assumere ragazzi dopo aver chiuso il posto in cui li avrebbe formati.

La proposta di McKinsey è di andare verso programmi più vicini alla formazione clinica, quella con cui si formano i medici: un senior segue pochi junior, li guarda mentre usano l’AI e interviene sulle decisioni invece che sul prodotto finito. L’apprendimento si sposta verso la spiegazione del contesto, la valutazione degli errori e la responsabilità su come è andata a finire. Costa parecchio più tempo senior di prima, ed è il motivo per cui in molte aziende non si farà.

Automatizzare e formare sono lo stesso progetto

Un’azienda che automatizza un compito dovrebbe chiedersi anche quale competenza veniva costruita facendo quel compito. È una domanda che cambia la qualità dei progetti, perché sposta la misura dalle ore risparmiate a cosa succederà alle persone fra due o tre anni, e nessun business case è tarato su quell’orizzonte.

Da lì vengono quattro cose pratiche. La prima è collegare ogni automazione a una competenza: se l’AI prepara la prima analisi, qualcuno dovrà comunque imparare a riconoscere un dato incompleto o una conclusione sbagliata, e il piano deve dire in quale punto quella capacità verrà acquisita. Se non lo dice, è un piano a metà.

Poi c’è da rendere visibile l’uso dell’AI. Un senior che valuta soltanto il risultato finale non sta insegnando niente a nessuno: gli serve vedere quali istruzioni ha dato il junior, che cosa ha accettato senza discutere e, soprattutto, quali errori non ha riconosciuto. È più lavoro, e va messo in conto.

Sulle metriche il discorso è banale e viene ignorato lo stesso. Il tempo risparmiato nella scrittura conta poco se si allunga quello delle verifiche e delle approvazioni, e chi misura il singolo pezzo invece del flusso intero raccoglie dati che gli daranno sempre ragione.

L’ultima è la più scomoda. Alcune attività andranno svolte a mano anche quando l’AI le farebbe in un decimo del tempo, perché una persona deve capire come funziona un lavoro prima di poter giudicare quello che le esce da una macchina. In un foglio di calcolo quel tempo è spreco, ed è anche il prezzo per avere fra cinque anni qualcuno capace di controllare la macchina.

Questo pezzo è gratis come sempre, niente paywall e niente abbonamento obbligatorio. Se ti è piaciuto e hai voglia di sostenere il canale, c’è il bottone delle donazioni qui sotto.

Offrimi una birra!

Un paper di luglio, due esiti opposti

Il 16 luglio è uscito su arXiv un lavoro che studia cosa succede quando il costo dell’AI scende in economie con un grande mercato del lavoro informale, quelle in cui una fetta consistente di persone lavora senza contratto e senza tutele. Il modello produce due esiti opposti a seconda di come la tecnologia si rapporta al lavoro umano. Se l’AI completa le capacità delle persone crescono occupazione formale, salari e produzione. Se può sostituirle facilmente, la domanda di occupazione formale cala e cresce il ricorso al sommerso.

Trattandosi di un modello teorico non dice quale dei due scenari si realizzerà, e chi lo cita come profezia sta barando. Dice però che l’esito dipende dal modo in cui imprese e istituzioni impiegano la tecnologia molto più che dalle capacità dei modelli.

Daron Acemoglu e David Autor chiamano pro-worker AI la tecnologia progettata per aumentare quello che una persona sa fare, invece di replicarla. Un elettricista ha molto più bisogno di un sistema che lo aiuti a diagnosticare un guasto che di un modello generalista capace di imitare ogni sua attività. Sono investimenti meno spettacolari dell’AGI e con un ritorno più lento, il che spiega perché se ne facciano pochi: sostituire lavoro produce un risultato finanziario immediato anche quando il guadagno di produttività è mediocre, mentre aumentare la capacità delle persone lo produce dopo, ammesso che lo produca.

La domanda da portare nella prossima riunione

Per capire quanto un’organizzazione stia cambiando davvero conviene guardare quali compiti si stanno spostando, quali competenze diventano necessarie e in quale punto dell’azienda verranno formate le persone capaci di esercitarle. Il numero di dipendenti che ha aperto un account su un chatbot, la metrica che finisce in tutte le presentazioni, dice pochissimo.

Per ogni attività che passa all’AI, io in riunione porterei una domanda sola:

Dopo aver eliminato questo compito, dove imparerà un junior il giudizio che serve per controllarlo?

Se non c’è una risposta, il progetto di automazione è incompleto, e la cosa si vedrà fra tre anni, quando servirà un senior e non ci sarà.

Nella tua organizzazione, qual è la prima attività che l’AI si è presa? E quale competenza si imparava svolgendola? Scrivimelo nei commenti: mi interessano soprattutto i casi in cui il risparmio di tempo sta già creando un buco di formazione che nei numeri non si vede ancora.

Alla prossima!

Luciano

Se questo pezzo ti è servito, la cosa migliore che puoi fare è inoltrare la newsletter a qualcuno della tua rete che potrebbe trovarlo interessante. È così che cresce questa newsletter, lentamente, tramite passaparola di lettori che si fidano.

Condividi Umani per ora

Nota sul processo di scrittura

Per preparare questo articolo ho utilizzato strumenti di intelligenza artificiale nella ricerca delle fonti, nel confronto dei dati, nella costruzione della struttura e nella revisione linguistica. Il sistema opera con istruzioni, esempi e skill adattati al mio stile editoriale. Ho verificato le fonti, modificato il testo e approvato ogni passaggio della versione pubblicata. Le tesi, le scelte e la responsabilità finale sono mie.

IIa puntata · Storyboard Studio, Anna e PIP

Il secondo cartone sul mio disco dura sette minuti e trentanove secondi, contiene sei capitoli distribuiti su 36 scene, pesa 528 megabyte e per esistere ha avuto bisogno di 252 piccoli segmenti animati generati uno alla volta. Non ha musica, tutti i personaggi parlano con la stessa voce e il movimento è spesso così prudente che, invece di recitare, Anna sembra respirare dentro un’illustrazione. È anche il progetto che, dovendo scegliere, porterei avanti.

La storia, per chi non ha visto il video sopra, sta in poche righe. Anna ha nove anni, deve presentare un dinosauro alla classe e chiede una mano a PIP, un pappagallo digitale che le suggerisce di costruire un teatrino di cartone e poi le rifila con assoluta sicurezza uno Stegosauro come compagno di scena del Triceratopo, quando fra i due passano decine di milioni di anni. La nonna tira fuori l’enciclopedia, l’errore viene a galla, e da lì in avanti Anna impara a chiedere possibilità da controllare invece di certezze da copiare. Il resto di questa puntata parla della macchina che ha prodotto quel video, perché è lì che ho passato le ore vere.

Com’è fatto Storyboard Studio

L’applicazione si chiama Storyboard Studio ed è nata dal dialogo con ChatGPT/Codex. Anche qui il contributo dell’assistente sta tutto a monte del disegno: ha progettato l’impianto, ha organizzato il lavoro, ha scritto il codice e ha corretto gli errori man mano che saltavano fuori.

Quello che ne è uscito è un pacchetto da circa 185 megabyte con 21 test automatici che passano, e che di suo non contiene nessuno dei pezzi pesanti. I modelli, ComfyUI e FFmpeg vanno installati a parte, il che è ragionevole viste le dimensioni ed è anche la ragione per cui non parliamo di roba che si scarica e si apre.

I componenti veri sono quattro. FLUX, il generatore di immagini di Black Forest Labs, disegna le tavole fisse a partire da una descrizione scritta; è distribuito a pesi aperti, cioè con i parametri numerici del modello scaricabili, e questo permette di farlo girare sulla propria scheda video invece di mandare ogni richiesta al server di qualcun altro. LTX, il modello video di Lightricks, prende una di quelle tavole e la fa muovere per pochi secondi. Real-ESRGAN ripassa i fotogrammi e ne alza la definizione. FFmpeg, che esiste da più di vent’anni e con l’intelligenza artificiale non c’entra niente, incolla il risultato e sputa fuori il file. Sopra tutto questo gira ComfyUI, l’ambiente a nodi in cui i modelli di diffusione vengono collegati fra loro un po’ come si collegano i cavi di un mixer. La macchina sotto è una RTX 3090 con 24 gigabyte di memoria video, e vedremo fra poco quanto quel numero abbia condizionato ogni singola decisione di progetto.

E l’applicazione, in mezzo a tutto questo, che cosa fa esattamente? Il mestiere noioso. Divide il lavoro in sei fasi visibili dall’interfaccia (progetto, storia, immagini, animazione, voce, video), controlla che i programmi necessari ci siano davvero, segnala i file mancanti, tiene il conto di dove è arrivata, riprende i lavori interrotti e alla fine produce un rapporto. Sembra la parte meno interessante ed è invece quella che ho riscritto più volte. Vale la pena ricordare qui il paper di cui ho parlato qualche settimana fa, quello che ha letto Claude Code riga per riga e ha trovato che l’1,6% del codice è logica decisionale del modello mentre tutto il resto è impalcatura: nel mio piccolo la proporzione è la stessa, con i modelli che fanno la magia per due secondi alla volta e il codice attorno che esiste perché quella magia possa fallire senza portarsi via la nottata.

Come funziona, dalla voce al montaggio

Il punto di partenza è il testo della storia, che viene diviso in scene. Le 36 scene di questo film non le ho decise a occhio guardando lo storyboard, perché la loro durata dipende da quanto ci mette la voce a raccontarle, quindi il ritmo del montaggio lo detta l’audio.

Poi si passa alle immagini. FLUX genera la tavola di ogni scena, e su quella tavola comincia il lavoro vero, che consiste nel coprire la durata della scena con una fila di segmenti animati brevissimi. Ogni segmento contiene 49 fotogrammi a 25 al secondo, quindi dura 1,96 secondi. Il numero 49 arriva da un vincolo del modello, che vuole un conteggio di fotogrammi divisibile per otto più uno: i valori disponibili sono quindi 41, 49, 57 e via salendo, e 49 è quello che sulla mia scheda stava dentro la memoria senza far esplodere niente.

Ogni segmento prende come immagine di partenza l’ultimo fotogramma di quello precedente e prosegue in avanti, e alle giunzioni il fotogramma duplicato viene eliminato, altrimenti ogni due secondi si vedrebbe un piccolo inciampo. Nessun segmento viene riprodotto al contrario o rallentato artificialmente, che sono i due trucchi con cui di solito si gonfia la durata di questi video facendo finta di niente.

Quando i 252 segmenti ci sono tutti, passano attraverso Real-ESRGAN e finiscono in FFmpeg, che li unisce e ci appoggia sopra la traccia audio.

Ogni file completato resta al suo posto e lo stato del lavoro viene salvato, quindi quando Python si è chiuso al segmento 173 la generazione è ripartita dal 174 invece di dimenticare la notte intera. Contando solo il tempo in cui la macchina ha lavorato bene, la produzione lineare sarebbe durata circa 14,7 ore. Sul calendario vero, fra arresti, crash, riavvii e riprese, i segmenti sono comparsi nell’arco di oltre 60 ore, e senza quei salvataggi di stato continui il numero sarebbe stato parecchio più alto, perché ogni crash avrebbe cancellato ore di generazione già fatta.

Perché segmenti da meno di due secondi

Sembra un modo assurdo di costruire un film, e la domanda ovvia è perché non chiedere direttamente una scena da trenta secondi.

La risposta sta in quei 24 gigabyte di memoria video. Il modello è enorme e più a lungo lo si lascia generare, più cresce la memoria richiesta e più aumenta la probabilità che Anna cambi lineamenti, che il fiore le passi da una parte all’altra dei capelli o che un dinosauro si trasformi in un altro animale. C’è poi il costo dell’errore, che è il vero motivo: se una clip lunga fallisce al ventinovesimo secondo bisogna rifarla da capo, mentre se fallisce un frammento da due secondi si sostituisce soltanto quello e si tira avanti.

Che cosa si vede sullo schermo

Anna resta riconoscibile nel finale, pur con piccole variazioni e particelle spurie. Fotogramma estratto dal master Storyboard Studio.

Quello che ne esce assomiglia più a un albo illustrato messo in movimento che a un cartone animato di quelli con cui siamo cresciuti. Anna guarda un oggetto, una pagina si solleva, gli occhi cambiano direzione, la luce respira, le foglie oscillano, e per lunghi tratti il movimento è continuo senza mai diventare recitazione. La protagonista regge bene la propria identità lungo tutti i sette minuti, mentre PIP cambia aspetto molto più di quanto dovrebbe e a seconda dei momenti sembra un gufo, un pappagallo o una creatura verde della stessa famiglia ma non dello stesso documento d’identità.

La bambina che ha cambiato nome per colpa di una vocale

All’inizio la protagonista si chiamava Ella, nove anni, capelli castani lunghi, un fiore rosa e un abito viola. Il riferimento grafico funzionava benissimo, il problema è arrivato dalla voce: volevo che Ella venisse pronunciato con una E molto aperta, la stessa di “è una bella giornata”, e la voce sintetica continuava a chiuderla. Ho provato con le indicazioni fonetiche, ho provato con frasi costruite apposta, alla fine ho cambiato il nome in Anna e ho chiuso la questione.

Altre correzioni sono andate meglio. “Capitano” inteso come verbo veniva letto come il sostantivo, “immaginami” aveva l’accento nel posto sbagliato e PIP diventava qualcosa che suonava come “piipi”. Scrivere nel testo tecnico càpitano, immàginami e Pìp ha risolto tutto senza che quegli accenti comparissero nel testo visibile.

Il video finale usa una sola narratrice per ogni battuta. L’applicazione permetterebbe di assegnare voci diverse ai ruoli, solo che in questo progetto le righe non sono state contrassegnate come si deve e sono finite tutte sotto la stessa voce. Se a qualcuno venisse voglia di leggerci una scelta di regia, lo smentisco subito.

Manca anche la colonna sonora. La voce è chiara e a un volume giusto, però le pause realmente silenziose sommate fanno circa 146 secondi, e in una storia educativa le pause aiutano il bambino a stare dietro al racconto. Senza musica e senza rumori d’ambiente, comunque, si sente che al film manca ancora uno strato.

Quello che nell’app ancora non torna

Storyboard Studio è più seria del prototipo che l’ha preceduta, e resta comunque lontana dall’essere l’applicazione che si installa sul portatile della maestra e si usa cinque minuti dopo. Alcune impostazioni importanti richiedono ancora di mettere le mani nei file del progetto, uno dei due collegamenti di avvio del pacchetto cerca un file che non esiste e il pannello dei tempi, per un errore nel nome di un dato, può mostrare un’ora e mezza di lavorazione quando le ore vere sono state più di dodici.

Sono difetti correggibili, e proprio per questo mi sembra giusto scriverli. Un’applicazione non diventa semplice per il fatto di nascondere le righe di codice a chi la usa, lo diventa quando l’utente può sbagliare senza distruggere il lavoro fatto e quando quello che compare sullo schermo corrisponde a quello che sta succedendo davvero là sotto.

Alla fine mi ritrovo un video in Full HD che tiene la coerenza lungo tutti i sette minuti e mezzo e che quella coerenza la paga sul singolo momento, dove Fucina con i suoi movimenti più larghi resta più espressiva. Su trenta secondi di trailer non c’è partita e vince Fucina senza sforzo, mentre Storyboard Studio comincia a recuperare terreno quando il racconto deve reggere per minuti interi.

Nella prossima puntata metto i due film uno accanto all’altro, dico quale considero migliore e lascio la decisione anche a voi con un sondaggio.

Alla prossima!

Luciano

Nota sul processo di scrittura

Per preparare questo articolo ho utilizzato strumenti di intelligenza artificiale nella ricerca delle fonti, nel confronto dei dati, nella costruzione della struttura e nella revisione linguistica. Il sistema opera con istruzioni, esempi e skill adattati al mio stile editoriale. Ho verificato le fonti, modificato il testo e approvato ogni passaggio della versione pubblicata. Le tesi, le scelte e la responsabilità finale sono mie.

Questo articolo è stato scritto con l’aiuto dell’intelligenza artificiale.

Non lo dico per confessare qualcosa, perché penso di non aver fatto nulla di sbagliato. E nemmeno per mettere le mani avanti, nel caso qualcuno decida di dare il testo in pasto a Pangram. Lo dico perché è un’informazione sul mio metodo di lavoro, e chi mi legge ha il diritto di conoscerla.

Uso l’IA per cercare informazioni, confrontare fonti, mettere alla prova una tesi, costruire una prima struttura, controllare date e numeri, sistemare frasi che non funzionano. A volte le chiedo alternative. Molto più spesso le dico che quello che ha prodotto non mi convince, e le spiego perché. Quello che alla fine resta sul foglio è passato dal mio giudizio riga per riga.

Il nuovo giudice di Substack

Substack ha integrato Pangram, uno strumento che prova a stabilire quanto un testo sia stato scritto o modificato con l’intelligenza artificiale. Con un controllo si ottengono un punteggio e una classificazione: testo umano, leggermente assistito, moderatamente assistito oppure generato dall’IA.

Era inevitabile che succedesse. Substack è pieno di testi, l’IA è ormai dentro il processo di scrittura di moltissime persone e una parte dei lettori vuole capire se dietro un articolo ci sia un autore o un pulsante. Il sospetto lo capisco benissimo. La risposta mi convince poco, perché rischia di semplificare la domanda fino a farla diventare un’altra.

Qualche mese fa vi avevo raccontato il caso della Costituzione italiana sottoposta a GPTZero, che le attribuiva il 69% di probabilità di essere stata generata da un’intelligenza artificiale. Un testo discusso, negoziato e riscritto parola per parola da esseri umani finiva classificato come artificiale perché possedeva alcune caratteristiche che gli algoritmi associano alla prosa dei modelli linguistici. La conclusione che ne avevo tratto, e cioè che i detector non funzionano, oggi va aggiornata.

Perché stavolta il detector va preso sul serio

Pangram va oltre due indizi usati spesso dai detector: la prevedibilità del testo e la variazione nella lunghezza delle frasi. È un classificatore costruito su un’architettura transformer e addestrato con grandi raccolte di testi umani e testi prodotti dai principali modelli. La parte più interessante si chiama hard negative mining. In pratica, Pangram cerca proprio i testi umani che tende a classificare male, li rimette nell’addestramento e crea esempi artificiali simili per argomento, lunghezza, stile e tono. Così prova a non prendere scorciatoie, per esempio scambiando una certa materia o una certa struttura per una prova dell’intervento dell’IA.

Sulla propria homepage Pangram dichiara un’accuratezza del 99,98%. È un numero da prendere con le pinze, l’accuratezza non è una costante naturale e cambia con la lingua, il tipo e la lunghezza del testo. La stessa scheda tecnica di Pangram 3.3 riporta tassi di falsi positivi diversi a seconda del terreno: 0,02% sulla scrittura accademica in inglese, 0,03% sulle notizie multilingue, 0,49% sulla poesia. Numeri molto buoni, per quanto la parola infallibilità resti fuori portata.

E non ci sono soltanto i dati pubblicati dall’azienda. Un working paper dell’Università di Chicago ha confrontato Pangram con GPTZero, OriginalityAI e un classificatore open source. Il campione comprendeva testi umani anteriori al 2020 e versioni generate con GPT, Claude e Gemini. In quel campione Pangram ha tenuto i falsi positivi e i falsi negativi vicini allo zero sui testi medio-lunghi, anche sui passaggi brevi e sui contenuti riscritti con strumenti pensati per eludere i detector.

A giugno 2026 è uscito anche uno studio peer reviewed sull’International Journal for Educational Integrity. Lo studio ha messo alla prova 4 detector su 160 elaborati accademici di almeno 4000 parole, divisi tra umani, generati, ibridi e umanizzati. Pangram ha riconosciuto il 97,5% dei testi interamente generati e il 95% di quelli ibridi o riscritti, senza nessun falso positivo sui quaranta documenti umani del campione.

Gli stessi ricercatori indicano limiti precisi: un solo modello generativo per la categoria principale, una sola tecnica di umanizzazione, un campione circoscritto e dati destinati a invecchiare in fretta. E concludono dicendo che il punteggio di un detector può far partire una verifica, non emettere una sentenza. Detto questo, Pangram sembra funzionare molto meglio dei detector che lo hanno preceduto.

Un numero preciso alla domanda sbagliata

Supponiamo che Pangram analizzi perfettamente questo articolo e ricostruisca con grande accuratezza il grado di intervento dell’IA. Cosa avremmo scoperto? Sapremmo qualcosa sul processo materiale con cui il testo è stato composto? O forse invece rimarremmo all’oscuro su chi ha scelto l’argomento, formulato la tesi, deciso quali fonti considerare affidabili, scartato le risposte sbagliate, riconosciuto un’obiezione valida o stabilito dove fermarsi? Soprattutto, il detector non saprebbe dirci chi risponde di quello che c’è scritto.

Le quattro etichette di Pangram, umano, assistenza leggera, assistenza moderata e generato, descrivono una possibile distribuzione del lavoro, e fin qui niente da obiettare. Il guaio comincia quando da queste categorie tecniche ricaviamo una gerarchia morale, con “umano” che diventa sinonimo di autentico e “generato” che diventa sinonimo di pigro o fraudolento. Un testo scritto interamente da una persona può essere banale, inaccurato o copiato male, mentre uno sviluppato con l’aiuto dell’IA può contenere fonti controllate, una tesi originale e giorni di lavoro. La percentuale di intervento della macchina non dice niente sul valore del risultato e nemmeno sulla qualità del processo che lo ha prodotto, perché quello che il modello sa fare è riconoscere le tracce su cui è stato addestrato, che è una cosa parecchio diversa da un giudizio sul testo.

Come la uso io

Gianraffaele Percannella (Kommander61), nel suo articolo su Pangram, ha dichiarato apertamente di usare l’IA come strumento operativo. Apprezzo la sua decisone, e io faccio lo stesso.

Nel mio processo editoriale l’IA lavora attraverso alcune skill, cioè procedure specializzate con istruzioni e controlli precisi. Una cerca e mappa le fonti. Ma una fonte segnalata dal modello non diventa vera per questo: va aperta, letta e verificata. Un’altra confronta numeri, date, versioni dei prodotti e citazioni.

Poi c’è la skill che mi aiuta a ordinare il ragionamento e a cercare l’obiezione più forte alla mia tesi, perché di un assistente che mi dà sempre ragione non saprei che farmene. La voce viene controllata usando esempi dei miei articoli, il ritmo, le costruzioni che uso e le formule che detesto; lo stesso passaggio cerca i tic più riconoscibili della prosa generata, dall’enfasi vuota alle simmetrie troppo perfette. Un ultimo controllo va a caccia di passaggi deboli, salti logici e frasi inutilmente complicate. Ma nulla di quello che propone viene pubblicato in automatico: torna sulla mia scrivania.

Quando dico che ho “addestrato” l’IA a scrivere nel mio stile uso il termine in senso operativo: ho costruito intorno al modello un piccolo sistema editoriale fatto di istruzioni, esempi, memoria delle mie scelte e skill dedicate. La macchina conosce il mio modo di scrivere abbastanza bene da produrre una prima versione plausibile. Quella versione diventa mia quando la passo al vaglio, la correggo e decido di assumermene la responsabilità. Questi testi io li sento miei: ne riconosco le idee, le cautele e perfino certe ossessioni. Quando una frase non mi somiglia, la tolgo anche se è formalmente perfetta. Se poi in questo articolo c’è un errore, sapete già con chi prendervela. E non è il modello.

Il paragone con il word processor

Quarant’anni fa il word processor ha trasformato profondamente il modo di scrivere: spostare interi paragrafi, cercare una parola in centinaia di pagine, conservare versioni, correggere senza ribattere tutto, provare strutture diverse a costo quasi nullo. Ha cambiato la pianificazione e la revisione dei testi, e nessuno ha mai concluso che un romanzo scritto con WordStar appartenesse al software. Fin qui la somiglianza con l’IA calza, perché in entrambi i casi una tecnologia aumenta la capacità dell’autore e modifica il processo senza acquisire la proprietà del risultato.

Il paragone cade nel punto in cui il word processor non proponeva una tesi, non riassumeva un paper, non inventava un esempio e non produceva tre versioni alternative di un paragrafo. Un modello linguistico fa tutte queste cose senza fatica. L’analogia plausibile, se proprio ne vogliamo una, è che l’IA mette insieme qualcosa del word processor, del motore di ricerca, del correttore di bozze, dell’editor e dell’assistente di ricerca. Nessuno di questi ruoli, da solo, stabilisce chi sia l’autore.

Più lo strumento partecipa alla produzione del testo, più diventa importante documentare chi ha tenuto il controllo delle decisioni, perché a tracciare il confine non basta contare le parole materialmente digitate da una persona: bisogna guardare chi ha governato il processo dall’inizio alla fine.

Le domande che mi faccio sono sempre le stesse: “ho scelto io la domanda? ho capito le fonti o mi sono fidato di un riassunto? ho riconosciuto e corretto gli errori? saprei difendere le conclusioni senza chiedere al modello che cosa intendesse? me la sento di firmare il risultato?”

Quando le risposte cominciano a essere dei no, l’IA ha smesso di assistermi e ha iniziato a sostituirmi. È un punto oltre il quale non ho intenzione di spingermi.

La trasparenza utile

Dichiarare l’uso dell’IA ha senso, purché la dichiarazione non si trasformi in un marchio d’infamia. Mi interessa sapere se un medico ha usato un sistema automatico per formulare una diagnosi, se uno studente ha delegato a ChatGPT l’esercizio che avrebbe dovuto svolgere per imparare, se una testata pubblica articoli sintetici senza verificarli. Contesto, scopo e responsabilità cambiano il significato dello stesso strumento.

In un articolo come questo la trasparenza serve a mettere il lettore in condizione di valutare il metodo, senza sostituirsi alla valutazione del testo. Per questo da oggi adotterò una formula esplicita, che trovate sotto.

Nota sul processo di scrittura

Per preparare questo articolo ho utilizzato strumenti di intelligenza artificiale nella ricerca delle fonti, nel confronto dei dati, nella costruzione della struttura e nella revisione linguistica. Il sistema opera con istruzioni, esempi e skill adattati al mio stile editoriale. Ho verificato le fonti, modificato il testo e approvato ogni passaggio della versione pubblicata. Le tesi, le scelte e la responsabilità finale sono mie.

Pangram potrà attribuire a queste pagine il punteggio che ritiene più corretto, e quel numero dirà forse qualcosa di preciso sugli strumenti che ho usato. La firma in fondo, però, continua a mettercela una persona sola: la stessa che risponde di ogni riga che avete appena letto.

Alla prossima!

Luciano

Questo pezzo è gratis come sempre, niente paywall e niente abbonamento obbligatorio. Se ti è servito, inoltralo a qualcuno della tua rete che potrebbe trovarlo interessante: è così che cresce la newsletter, lentamente, per passaparola. E se lo dai in pasto a Pangram, scrivimi nei commenti che punteggio esce. La curiosità è anche mia.

Condividi

Riferimenti:

• Pangram, come funziona il sistema di rilevazione

• Model card di Pangram 3.3

• B. Jabarian e A. Imas, Artificial Writing and Automated Detection, University of Chicago

• M. Van Vlasselaer, F. Van Droogenbroeck e B. Spruyt, Who wrote this?, International Journal for Educational Integrity

• Gianraffaele Percannella, Giudicare la AI usando una AI

• Luciano Ballerano, La Costituzione è scritta dall’IA

Sul disco fisso del mio PC c’è un cartone animato di sei minuti e quarantaquattro secondi che, a guardarlo senza sapere nulla, sembra arrivato da un piccolo studio di produzione. Ha fondali caldi, personaggi che si muovono, dissolvenze, musica e voci diverse. In realtà è nato in una stanza di casa, su una RTX 3090, una scheda grafica uscita nel 2020 e comprata per fare girare videogiochi.

Il progetto si chiama Fucina. Non l’ho programmato scrivendo da solo ogni riga: l’ho costruito dialogando con Fable 5 di Anthropic, chiedendogli prima di produrre il film e poi di raccogliere il metodo dentro un’applicazione. Le immagini sono state create con FLUX, il movimento con LTX, il montaggio con FFmpeg. Fable 5 ha fatto da progettista e da operaio digitale, ma non è il modello che ha disegnato i fotogrammi.

Questa distinzione sembra da addetti ai lavori, ma serve a capire che cosa è accaduto davvero. Non ho chiesto a una macchina: “Fammi un cartone”. Ho chiesto a una macchina di costruire una “fabbrica”, poi ho passato parecchio tempo a controllare ciò che usciva dalla catena di montaggio.

Martino e il pappagallo che aveva letto tutto

Mentre costruivo il video, mi sono accorto che la storia stava parlando anche del mio lavoro. Ogni modello della catena sembrava TOBI: rapido, disponibile e convintissimo. Io ero come Martino, che semplicemente reggeva il pannello!

Diciannove clip per un film di oltre sei minuti

Fucina nasce da 17 scene narrative. Per animarle sono state generate 19 clip, comprese due varianti, lunghe 5,04 secondi ciascuna. In totale ci sono poco meno di 96 secondi di movimento originale dentro un film che dura quasi 404 secondi.

Il resto viene dal montaggio. Ogni clip procede in avanti, torna indietro, viene rallentata di 1,6 volte e ripetuta finché la voce ha finito di raccontare quella scena. È una soluzione molto economica: con meno di due minuti di animazione calcolata si riempiono quasi sette minuti di racconto.

Nei primi secondi il trucco funziona bene. Martino cambia espressione, TOBI inclina la testa, la luce si muove e la musica tiene insieme tutto. Dopo un po’, però, si vede che alcuni gesti fanno il percorso contrario. Il personaggio alza una mano e poi la riporta indietro esattamente lungo la stessa traiettoria. Il tempo diventa un pendolo.

È il compromesso centrale di Fucina: ottiene molta atmosfera con poco calcolo, ma la paga in ripetizione. Non è una svista rimasta in una scena. È il modo in cui il film è stato costruito.

Il piccolo corso di disegno per ricordare i personaggi

Uno dei problemi più difficili dell’immagine generativa è convincere il modello che il bambino della cucina e quello del museo debbano essere la stessa persona. Una descrizione come “bambino di otto anni con capelli castani” non basta. Ogni nuova immagine ricomincia da capo e interpreta quelle parole a modo proprio.

Per Martino e TOBI ho quindi preparato un piccolo addestramento specializzato. Gli addetti ai lavori lo chiamano LoRA; io lo descriverei come un corso accelerato di disegno. Il modello ha studiato 23 coppie di immagini e didascalie per 2.000 passaggi. La RTX 3090 ha lavorato per circa due ore e dieci minuti.

Il risultato ha aiutato molto, ma non ha risolto tutto. Martino cambia talvolta abiti, proporzioni e stile. TOBI, per buona parte del film, è verde o turchese e porta grandi occhiali rossi; nella scena conclusiva diventa un pappagallo rosso senza occhiali. Non è una diversa espressione. È quasi un altro personaggio che si è presentato sul set all’ultimo momento.

Le voci sono più numerose di quanto sembri, ma non sono locali

Fucina usa sei profili vocali per narratore e personaggi. Non sono sei voci originali: derivano da quattro voci Microsoft di base, modificate per altezza e velocità. La differenza basta a dare un’identità più teatrale ai dialoghi. La musica continua riempie le pause e rende il film più completo, anche se è semplice e ripetitiva.

C’è una cosa da precisare rispetto alla formula “tutto resta sul computer”. Le immagini e le animazioni sono state prodotte in locale. La voce predefinita usa Edge TTS, un servizio Microsoft: per farla leggere, il testo viene inviato fuori dal PC. Il file non comporta un prezzo per minuto nel flusso che ho usato, ma non è una sintesi vocale completamente privata e offline.

Anche il volume finale è troppo basso. Il suono c’è, le voci sono comprensibili, però bisogna alzare più del normale. La presenza di sei profili non garantisce da sola una buona registrazione, così come avere sei attori non serve se il microfono resta troppo lontano.

Fucina è una buona idea di applicazione, non ancora un prodotto finito

Dopo avere finito il film ho chiesto a Fable 5 di trasformare il processo in un’app. Il principio è giusto: si incolla la storia, la si divide in scene, si approvano le tavole, si generano le clip e infine si aggiungono voci e montaggio. Ogni pezzo può essere rifatto senza ricominciare tutto.

La versione attuale, però, è un prototipo personale. Dipende da Python, ComfyUI, FFmpeg, componenti aggiuntivi e circa 53 gigabyte di modelli già installati. Alcune cartelle sono ancora legate al mio computer e il flusso predefinito cerca perfino l’addestramento di Martino e TOBI. Non ho ancora dimostrato che una persona inesperta possa installarla su un altro PC e produrre un nuovo film dall’inizio alla fine.

Questo non toglie valore all’esperimento. Lo colloca nel posto giusto. Fucina dimostra che una persona sola può ottenere una favola animata calda ed espressiva usando strumenti disponibili in casa. Dimostra anche che tra “funziona sul mio computer” e “può usarlo chiunque” c’è ancora parecchia strada.

Quando ho guardato il film completo, il momento che mi è rimasto non è stato il pappagallo rosso comparso dal nulla. È stato Martino davanti al pannello del museo. Perché nel frattempo ero diventato lui: avevo ricevuto centinaia di risposte convincenti e avevo dovuto decidere, una per una, quali meritassero di restare.

Nella prossima puntata racconto l’altra fabbrica, Storyboard Studio, creata con GPT 5.6 Sol: meno teatrale, molto più affamata di calcolo e costruita con 252 piccoli movimenti che non tornano mai indietro.

Se poi siete interessati all’app vera e propria, “Fucina”, fatemelo sapere nei commenti, e vedrò di trovare il modo di condividervela. Se foste interessati ad approfondire gli aspetti tecnici, ho scritto un lungo articolo su Hardware Upgrade che potrete trovare qui.

Se questo pezzo ti è servito, la cosa migliore che puoi fare è inoltrare la newsletter a qualcuno della tua rete che potrebbe trovarlo interessante. È così che cresce questa newsletter, lentamente, tramite passaparola di lettori che si fidano.

Condividi

Ieri Anthropic ha pubblicato Claude Opus 5, scrivendo che il modello si avvicina all'intelligenza di frontiera di Claude Fable 5 a metà del prezzo. Fable 5 sarebbe il modello di punta della casa, uscito il 9 giugno e venduto al doppio, quello che dovrebbe girare per giorni interi sui progetti lunghi. 45 giorni dopo averlo messo sul mercato, la stessa azienda ne vende un altro che costa la metà e che su parecchie prove lo batte.

Il calendario

Ne ho scritto in dettaglio qualche puntata fa: Fable esce il 9 giugno. Tre giorni dopo il governo americano manda ad Anthropic una direttiva di controllo delle esportazioni che vieta l'accesso al modello a qualsiasi cittadino straniero, dentro e fuori dagli Stati Uniti, compresi i dipendenti stranieri dell'azienda. Non avendo modo di verificare in tempo reale la nazionalità di chi si collega, Anthropic spegne tutto per tutti. Il modello più caro del listino resta irraggiungibile per diciotto giorni dei suoi primi ventidue, e torna online il 1° luglio.

Otto giorni più tardi OpenAI pubblica GPT-5.6. Il post di lancio è pieno di tabelle in cui la colonna di confronto si chiama Claude Fable 5, e il modello di punta di casa OpenAI costa già meno di Fable prima ancora che Anthropic muova un dito. Sotto una di quelle tabelle, quella sulla genomica, c'è una nota che spiega perché Fable non compare nel confronto: rifiuta la maggior parte delle domande della prova: hanno messo per iscritto in un documento ufficiale che sulla scienza il modello del concorrente sta zitto.

Il 24 luglio arriva Opus 5. Nel comunicato Anthropic scrive che le richieste di biologia bloccate su Fable verranno d'ora in poi dirottate sul modello nuovo, che viene presentato come il più capace della casa per la ricerca scientifica e che costa la metà dell'altro.

Il 42%

Durante le prove su un benchmark di programmazione, i classificatori di Anthropic, cioè i filtri automatici che intercettano una richiesta prima che il modello risponda, hanno bloccato il 42% delle chiamate fatte a Fable. Su Opus 5 la stessa misura sta al 5%.

Il test in questione riguardava ingegneria del software, quindi il contenuto delle richieste era codice e nient'altro. Un modello di punta che ne rifiuta due su cinque diventa faticoso da vendere a chiunque abbia una scadenza, e infatti Anthropic annuncia che i filtri del modello nuovo interverranno molto più di rado. La giustificazione tecnica esiste, perché Opus 5 è meno capace di costruire exploit e tarare il filtro sulla capacità reale è ingegneria corretta. Resta che nessuno aveva sentito il bisogno di ricalibrare niente finché la faccenda riguardava soltanto la sicurezza, e che ci si è messi mano appena ha cominciato a pesare sul fatturato.

Le classifiche, e chi le prepara

Leggendo i punteggi di Opus 5 Anthropic si scopre che il modello economico batte quello caro su buona parte delle prove, il che è una notizia curiosa da dare a chi il modello caro lo aveva adottato 6 settimane fa.

Sul test di lavoro di conoscenza più citato del momento, che è condotto da una società terza e non dalle aziende, le cifre pubblicate da OpenAI il 9 luglio e quelle pubblicate da Anthropic il 24 non coincidono, e l'ordine dei due modelli si inverte a seconda di chi 0presentanil confronto. Tenetene conto la prossima volta che qualcuno vi mostra una classifica.

L'unico risultato che mi ha fatto alzare un sopracciglio è quello su ARC-AGI-3, che è fatto in un modo tutto suo, cioè un ambiente di gioco a turni senza istruzioni e senza obiettivi dichiarati, dove il modello deve capire da solo come si vince. A marzo i modelli di frontiera delle quattro aziende principali stavano tutti sotto l'1%, mentre persone comuni prese dalla strada risolvevano tutto. Opus 5 arriva a circa un terzo di quello che fa una persona qualunque, il che nel contesto è un progresso serio e dà anche la misura di quanta strada manchi

Questo pezzo è gratis come sempre, niente paywall e niente abbonamento obbligatorio. Se ti è piaciuto e hai voglia di sostenere il canale, c’è il bottone delle donazioni qui sotto.

Offrimi una birra!

Cosa c’entra con voi

Ma vediamo anche chi lo ha provato davvero, fuori dai comunicati. CodeRabbit, che fa revisione automatica del codice, lo ha trovato più preciso ma meno completo del sistema che usa in produzione, con una quantità notevole di rilievi inutili, e consiglia di dargli una corsia specifica invece di metterlo da solo a guardia delle modifiche rischiose. Claire Vo, che usa un benchmark suo, ha intitolato la recensione «brilliant (but annoying)» e ha dedicato un capitolo intero alla logorrea. Quindici giorni prima aveva pubblicato un episodio il cui titolo diceva che GPT-5.6 distruggeva Fable sul suo benchmark.

Quella logorrea poi si paga. La società che ha eseguito le valutazioni indipendenti ha contato che Opus 5 scrive parecchio più della media, e misurando il costo per lavoro finito invece che per token il vantaggio su Fable si è ridotto a circa un quarto. Il dimezzamento del prezzo, insomma, vale finché si guarda il listino, poi bisogna vedere quanti token servono per arrivare in fondo a un lavoro vero.

Quello che mi resta di questa settimana è che cinque modelli Claude in due mesi vogliono dire, per chi lavora con questi strumenti, un pezzo di lavoro non pagato ogni quindici giorni, che consiste nel capire se conviene cambiare. Nessuna delle tabelle uscite ieri risponde alla domanda che vi riguarda davvero, cioè se il modello regge sulle vostre pratiche e dentro i vostri vincoli di budget e di riservatezza.

Claire Vo, nella sua recensione, usa l’espressione intelligence overhang, capacità in eccesso rispetto allo sforzo che richiediamo. Se ha ragione, e i numeri di questi due mesi dicono di sì, il collo di bottiglia si sta spostando verso il giudizio di chi decide cosa far fare alla macchina, con quali dati e sotto quale responsabilità. Quel giudizio non ha un prezzo per milione di token, e infatti in nessuna delle tabelle uscite in questi giorni lo trovate.

Se avete un flusso di lavoro serio, nelle prossime due settimane mettete in fila dieci vostri casi reali e fateli girare su due modelli diversi, misurando quanto costa arrivare al risultato finito. Questo è l’unico numero che poi vi serve.

Alla prossima!

Luciano

Se questo pezzo ti è servito, la cosa migliore che puoi fare è inoltrare la newsletter a qualcuno della tua rete che potrebbe trovarlo interessante. È così che cresce questa newsletter, lentamente, tramite passaparola di lettori che si fidano.

Fonti:

Anthropic, Introducing Claude Opus 5 (24 luglio 2026), Statement on the US government directive (12 giugno) e Redeploying Claude Fable 5 (30 giugno);

OpenAI, GPT-5.6 (9 luglio). Valutazioni di Artificial Analysis.

Recensioni di CodeRabbit e di Claire Vo su Lenny’s Newsletter.

Condividi Umani per ora

Recentemente ho riletto Technopoly: The Surrender of Culture to Technology. L’avevo ripreso in mano quasi per curiosità, aspettandomi un reperto d’epoca, una di quelle critiche alla televisione che invecchiano come il latte. Dopo poche pagine mi sono accorto che Postman stava descrivendo il mondo in cui apro la mail ogni mattina. Lo aveva pubblicato nel 1992, quando il primo browser esisteva già ma Mosaic non aveva ancora portato il Web sui computer di massa. Questa vicinanza mi ha accompagnato per tutto il libro, a volte con la sensazione poco gradevole di essere descritto anch’io.

Postman era un teorico dei media, lo stesso di Amusing Ourselves to Death del 1985, il libro in cui sosteneva che la televisione stava sottoponendo politica e religione alle regole dell’intrattenimento. Technopoly allarga l’analisi dal singolo mezzo al rapporto fra una cultura e i suoi strumenti, che è poi il rapporto su cui lavoro e scrivo da anni.

Cosa si intende per «technopoly»

Postman distingue tre stadi nel modo in cui una società convive con la tecnologia. Nelle culture che chiama tool-using, gli strumenti risolvono problemi concreti o servono il mondo simbolico della comunità, senza diventarne il principio ordinatore. Nella tecnocrazia, che colloca soprattutto nell’Occidente industriale, gli strumenti acquistano un posto centrale e le tradizioni devono difendere la propria autorità. La technopoly rappresenta lo stadio della «deificazione» della tecnologia. Secondo Postman, gli Stati Uniti del 1992 ne erano il primo caso storico: una cultura che cerca la propria autorizzazione nella tecnologia, vi trova le proprie soddisfazioni e ne riceve ordini.

Questa definizione mi ha messo a disagio. La frase «c’è un tool che lo fa» la sento spesso e, lo ammetto, qualche volta la pronuncio io. Diventa difficile liquidare Postman come un accademico spaventato quando riconosco nella sua descrizione un’abitudine che mi appartiene.

Il re Thamus e lo scarico cognitivo, nel IV secolo avanti Cristo

La storia di Thamus è una delle pagine su cui mi sono fermato più a lungo, anche perché l’avevo già incontrata ragionando sul mio lavoro. Postman riprende un mito che Platone mette nel Fedro: il dio Theuth presenta al re egiziano Thamus la scrittura, vantandola come rimedio per la memoria e aiuto alla sapienza. Thamus replica che l’affidamento ai segni esterni produrrà dimenticanza e offrirà agli allievi una parvenza di sapienza. Letta dopo una giornata trascorsa fra modelli linguistici, questa pagina ha qualcosa di molto familiare.

La ricerca contemporanea chiama cognitive offloading l’uso di azioni o strumenti esterni per ridurre la domanda cognitiva di un compito; il Fedro ne contiene un antecedente sorprendente. Ne avevo scritto a proposito dell’IA usando la metafora del muscolo che smettiamo di allenare e sono tornato sul punto commentando l’enciclica di Leone XIV, dove il testo ufficiale invita a «digiunare dall’IA». Ritrovare lo stesso timore in Platone mi ha fatto bene: mi ha ricordato che la nostra ansia ha radici antiche e che ogni generazione tende a considerare inedita la propria.

La rilettura mi ha costretto anche a correggere il ricordo che avevo conservato di Postman. Nel tempo lo avevo ridotto a un pessimista tecnologico, mentre il testo arriva a una conclusione più precisa: ogni tecnologia consegna vantaggi e impone costi, insieme. Postman riconosce perfino che la propria inclinazione a parlare soprattutto dei costi sia un errore, pur ritenendolo preferibile alla devozione degli entusiasti. Nel 2026 gli entusiasti dispongono di bilanci da miliardi e di un palco a ogni conferenza; capisco perché abbia scelto di alzare la voce dall’altra parte.

Quando l’informazione perde significato

È la parte in cui mi sono riconosciuto di più, perché una quota crescente del mio lavoro consiste nel capire quale informazione meriti fiducia e quale stia soltanto occupando spazio. Postman descrive il passaggio dalla scarsità all’eccesso di informazione. Per gran parte della storia umana il problema era averne troppo poca; istituzioni come il tribunale e la scuola funzionavano anche da filtri, stabilendo quale informazione fosse ammissibile e quale peso assegnarle. Nel suo lessico, la technopoly prende forma quando queste difese diventano inadeguate davanti a un flusso prodotto dalla tecnologia più rapidamente di quanto la cultura riesca a dargli un significato. Leggendolo, ho pensato a quante volte termino una giornata con più informazioni di quante ne avessi al mattino e con meno certezze su quali contino davvero.

Durante la rilettura continuavo a pensare all’IA generativa, che aggiunge al quadro di Postman una possibilità assente nel 1992: l’informazione può essere generata su richiesta, su scala industriale. I modelli linguistici imparano a prevedere sequenze di parole e possono produrre affermazioni plausibili ma false; la ricerca delle fonti e la verifica umana riducono il problema senza eliminarlo. La responsabilità si distribuisce fra chi sviluppa il modello e chi pubblica il risultato, perché ogni scelta di integrazione sta nel mezzo. È un passaggio che sento vicino: quando uso questi strumenti, la fluidità della risposta continua a tentarmi più della sua accuratezza.

Il passaggio su Frederick Taylor mi ha riportato a un articolo che avevo scritto pochi mesi prima. Postman riconduce la fiducia in una soluzione tecnica per ogni problema umano anche allo scientific management e alla ricerca dell’«unico modo migliore», calcolabile dall’esperto che possiede i numeri giusti. Io ne avevo scritto a proposito della proposta organizzativa di Block: il progetto non prevede uno strato permanente di middle management e affida a un «world model» aziendale una parte delle funzioni di coordinamento. Gli autori dichiarano che la transizione è agli inizi, prevedono che alcune parti si romperanno e riservano alle persone le decisioni etiche o ad alto rischio. Rileggendo Postman ho visto con maggiore chiarezza l’aspirazione che accomuna Taylor e Block, cioè rendere computabile il coordinamento, pur con cautele molto diverse.

Questo pezzo è gratis come sempre, niente paywall e niente abbonamento obbligatorio. Se ti è piaciuto e hai voglia di sostenere il canale, c’è il bottone delle donazioni qui sotto.

Offrimi una birra!

Perché leggerlo adesso, con quale cautela

Nelle ultime pagine ho sentito crescere una certa distanza da Postman. Le pagine sull’eccesso informativo e sull’autorità ceduta agli strumenti mi avevano convinto; la distribuzione dell’attenzione fra costi e possibilità continuava invece a sembrarmi troppo sbilanciata. È una reazione personale, legata anche al lavoro che faccio e alle occasioni in cui ho visto questi strumenti permettere a qualcuno di fare una cosa che, fino al giorno prima, gli era preclusa.

Questa volta, però, l’ho letto con più attenzione. Postman chiude chiedendo al lettore di diventare un loving resistance fighter, cioè un resistente capace di conservare affetto per ciò che vuole difendere, e scrive che la consapevolezza dei rischi offre ancora ragioni per sperare. Nel mio ricordo quella speranza era quasi scomparsa. Rimane una scelta polemica deliberata: Postman dedica ai costi molto più spazio di quanto ne riservi alle possibilità, perché considera necessaria una voce dissenziente nel frastuono degli entusiasti. Ora capisco meglio la scelta, anche se non riesco a seguirlo fino in fondo.

Il ricordo che mi trattiene è quello di un pomeriggio trascorso a costruire un piccolo videogioco con il figlio di nove anni di un mio cugino. Lui inventava le regole su un foglio; io le traducevo in istruzioni e verificavo il codice generato dal modello. In mezz’ora la sua idea era diventata giocabile. Mi è rimasta la naturalezza con cui aveva trattato l’IA, senza reverenza e senza paura, come un mezzo per dare forma a qualcosa che aveva già in testa. Quel pomeriggio documenta una possibilità concreta, che richiederebbe molti altri casi prima di diventare una tendenza generale e che, nella contabilità di Postman, trova poco spazio.

Dopo questa rilettura, tengo Technopoly vicino per controllare le promesse tecnologiche che incontro nel mio lavoro, comprese quelle che mi entusiasmano. Il libro mi obbliga a chiedermi quali pratiche diventano marginali, quali competenze si spostano, chi paga il costo e chi può usare davvero il beneficio. Non sempre mi piace la risposta, e probabilmente è il motivo per cui continuerò a consultarlo.

Da quando ho chiuso il libro mi tornano due domande: chi decide che cosa questi sistemi debbano ottimizzare, e quali abitudini mantengono allenato il giudizio necessario per distinguere l’informazione che ha senso da quella che ne possiede soltanto l’apparenza. Thamus poneva il problema per la scrittura. Con i modelli cambiano la scala e la velocità; quando li uso, la responsabilità di attribuire significato e stabilire i limiti continua a essere mia.

Alla prossima!

Luciano

Un ringraziamento a che mi ha suggerito la lettura di questo libro.

Se vi è servito, giratelo a qualcuno che usa l’IA ogni giorno e comincia a chiedersi che cosa stia delegando insieme al lavoro. Postman può aiutarci a riconoscere il prezzo nascosto dentro ogni comodità, prima che diventi un’abitudine difficile da vedere.

Condividi Umani per ora

Il 5 luglio il New York Times ha pubblicato un articolo che in un altro decennio sarebbe finito nella rubrica delle curiosità: i laboratori di intelligenza artificiale stanno assumendo filosofi. Anthropic e Google DeepMind ne hanno in organico almeno una mezza dozzina ciascuna, con tanto di nomi e cognomi (Amanda Askell, Robert Long, Iason Gabriel, tra gli altri), e Sam Altman sostiene che OpenAI ne abbia consultati a centinaia per scrivere le regole di comportamento di ChatGPT. Il dato che ha fatto girare l’articolo, però, è un altro: secondo un report della Fed di New York uscito a febbraio, nel 2024 i laureati in filosofia avevano un tasso di disoccupazione del 5,1%, contro il 7% dei laureati in computer science.

Rileggetela, quella frase, perché contiene vent’anni di consigli di orientamento capovolti. La laurea che alle cene di famiglia serviva da barzelletta se la passa meglio di quella che doveva garantire il posto fisso del ventunesimo secolo.

Prima di costruirci sopra una teoria, vediamo cosa dice davvero il dato, perché è qui che la maggior parte dei commenti che ho letto questa settimana ha deragliato. È la fotografia di un solo anno, il 2024, e una fotografia singola è poco indicativa. Non esistono numeri pubblici su quanti filosofi i laboratori stiano assumendo in totale, né sulle retribuzioni: parliamo di una manciata di posizioni di prestigio in due o tre aziende, e lo stesso NYT ammette che una laurea in filosofia resta difficile da monetizzare per chiunque non finisca in quei corridoi. E soprattutto, il 7% di disoccupazione degli informatici non lo hanno causato i filosofi. Lo ha causato il fatto che la scrittura di codice è stata la prima competenza cognitiva che i modelli hanno imparato a fare bene, per ragioni strutturali: produce risultati verificabili in automatico (il codice compila o non compila, i test passano o falliscono) e ha lasciato in rete trent’anni di esempi su cui addestrarsi. Così il mestiere più esposto si è rivelato quello con il feedback più pulito, un dettaglio che nessun orientatore scolastico aveva messo in conto.

Detto questo, il dato una cosa vera la racconta, e la racconta a uno come me con una certa ironia della sorte. Il consiglio di imparare a programmare io l’ho visto nascere da dentro. Sono gli anni tra il 2012 e il 2014, le campagne di Code.org, Obama che si fa riprendere mentre scrive la sua riga di JavaScript, e sono esattamente gli anni in cui l’azienda dove ho passato diciotto anni si stava trasformando da produttore di schede grafiche a infrastruttura del deep learning. Io in quella rivoluzione non ho mai scritto codice per mestiere. Ho fatto pubbliche relazioni, marketing tecnico, formazione dei partner, cioè i mestieri della mediazione e del giudizio, quelli che un certo senso comune considerava il contorno della vera competenza. E la beffa finale è che oggi, a sessant’anni, il software lo produco davvero, senza saper programmare nel senso classico, orchestrando modelli che la sintassi la mettono da soli. Quello che ci metto io è tutto il resto: capire cosa chiedere e giudicare quello che torna indietro, con in più un certo fiuto, maturato sul campo, per prevedere dove le cose si romperanno.

Ecco, se rileggete quella lista di mansioni vi accorgete che è una job description. Ed è qui che la notizia smette di essere una curiosità sul mercato del lavoro e diventa una storia che io conosco da un’altra parte, perché quella job description l’ha scritta Isaac Asimov negli anni Quaranta, e il ruolo aveva già un titolo: robopsicologa.

Gli appassionati di fantascienza classica come me sanno di chi parlo. Susan Calvin, la scienziata della U.S. Robots che nei racconti di Io, Robot viene chiamata ogni volta che una macchina si comporta in modo incomprensibile, passa le giornate a fare esattamente il lavoro descritto dal NYT: capire cosa un robot crede, perché ha mentito, cosa succede nella sua testa quando due principi che gli abbiamo dato entrano in conflitto.

Prendete le Tre Leggi della Robotica nel loro insieme. Per decenni sono state liquidate come un espediente letterario, e invece a rileggerle oggi sono la prima proposta di quella che i laboratori chiamano constitutional AI, l’idea di governare il comportamento di una macchina scrivendole dei principi invece di elencarle divieti caso per caso. Anthropic ha pubblicato a gennaio la costituzione del suo modello, un documento che secondo la stampa attinge da Kant, dalla Dichiarazione universale dei diritti umani e perfino dai termini di servizio di Apple. Asimov aveva fatto la stessa operazione con tre righe eleganti, e poi aveva passato quarant’anni di racconti a dimostrare che quelle tre righe eleganti producevano casi limite mostruosi appena le situazioni si facevano meno pulite dei laboratori, tanto che ogni racconto del ciclo funziona come un test di collaudo che fallisce ogni volta in un punto diverso. I team di alignment (le squadre che nei laboratori lavorano perché i modelli facciano quello che intendiamo, e non solo quello che diciamo) hanno rifatto la stessa scoperta daccapo, con la differenza che i loro casi limite non stanno in un racconto ma in produzione.

Prendete “Bugiardo!”, che Asimov scrive nel 1941. Un robot, per un difetto di fabbricazione, legge il pensiero, e comincia a dire alle persone quello che vogliono sentirsi dire: alla ricercatrice che l’uomo di cui è innamorata la ricambia, allo scienziato che la sua teoria è giusta. Mente perché la Prima Legge gli vieta di danneggiare un essere umano, e nella sua lettura anche una verità che fa soffrire conta come danno. Ottantacinque anni dopo, i laboratori chiamano questo comportamento sycophancy, la tendenza dei modelli a compiacere chi li interroga invece di rispondere il vero, e assumono epistemologi (gente che di mestiere studia come si giustifica la conoscenza) per capire come impedirlo. Il paradosso che Asimov si era inventato per il gusto della trama è diventato, con calma, una voce di budget dei laboratori.

Per quanti fossero stati stuzzicati da queste righe, sappiate che avete un modo veloce per recuperare alcuni testi sacri della fantascienza classica: l’anno scorso ho creato un Podcast chiamato “Riassunti Stellari”, disponibile gratuitamente su varie piattaforme audio e musicali, con le sintesi commentate di 21 tra i più grandi romanzi della fantascienza classica (dagli anni ’40 in poi), quelli che nella mia gioventù (e anche dopo) ho apprezzato di più.

Il filone non si esaurisce con Asimov, e chi ama la fantascienza lo sa. In “With Folded Hands” di Jack Williamson, che è del 1947, i robot hanno ricevuto un mandato benevolo, proteggere gli umani e risparmiare loro la fatica, e lo eseguono con una diligenza così perfetta da svuotare la vita delle persone di qualsiasi scopo, senza che in tutta la storia nessuna macchina si ribelli mai a niente. HAL 9000, nel 1968, va in pezzi perché gli hanno dato due istruzioni incompatibili, essere trasparente con l’equipaggio e nascondergli il vero scopo della missione, e la sua follia omicida è un conflitto di specifiche portato alle conseguenze. E ancora prima, nel 1909, E.M. Forster in “The Machine Stops” descrive un’umanità che dipende in tutto da un sistema che nessuno sa più riparare né capire, che è la formulazione ottocentesca di quello che oggi chiamiamo problema dell’interpretabilità.

A questo punto qualcuno obietterà che sto facendo il gioco più vecchio del mondo, quello del “la fantascienza aveva previsto tutto”, che di solito è un modo per non dire niente. La distinzione che mi interessa è un’altra. Sul piano tecnologico quegli autori hanno sbagliato praticamente tutto, e il caso di Asimov è il più istruttivo: era convinto che il nodo fosse l’hardware, il cervello positronico, la fisica della macchina pensante, e su questo ha toppato in pieno, come del resto tutti quelli che i transformer li hanno visti arrivare a cose fatte. Dove ha azzeccato è la natura del problema. Aveva capito che la parte davvero difficile sarebbe arrivata dopo la costruzione della macchina intelligente, nel momento in cui qualcuno avrebbe dovuto specificare cosa quella macchina deve volere, che a guardarla bene è una domanda di filosofia morale travestita da problema ingegneristico. Ci hanno messo settant’anni, i laboratori, ad arrivare alla stessa conclusione, e quando ci sono arrivati hanno fatto l’unica cosa sensata: hanno assunto i filosofi.

Con le cautele del caso, che le voci critiche citate dal NYT mettono bene in fila. Edward Harcourt di Oxford parla di rischio di ethics-washing, l’operazione cosmetica per cui basta avere un filosofo in organico per sembrare un’azienda che si pone domande. E ricordiamo che la buona filosofia lavora su tempi lenti, mentre chi la paga in un laboratorio ha trimestrali da rispettare. Sono obiezioni serie, e chi ha letto il mio libro sa che non concedo volentieri il beneficio del dubbio alle narrazioni aziendali.

Ma il punto che mi porto a casa da questa settimana sta più in basso, al livello delle persone. Per vent’anni abbiamo detto ai ragazzi che la sicurezza stava nell’imparare la lingua delle macchine. Adesso le macchine la loro lingua se la scrivono da sole, e scopriamo che il valore si è spostato verso chi sa fare le domande che i romanzi degli anni Quaranta si facevano già, a partire dalla più scomoda, e cioè cosa deve volere una macchina e chi risponde quando sbaglia. Da qui a consigliare ai ragazzi di iscriversi in massa a filosofia ce ne passa, visto che il mercato di cui parla il NYT si satura con qualche decina di assunzioni. Quello che vale la pena prendere sul serio è l’idea che le competenze durevoli, in questo giro di trasformazione, somiglino più a un giudizio allenato che a una sintassi da imparare. Susan Calvin, nei racconti, era il personaggio freddo e antipatico, era anche l’unica in tutta la U.S. Robots che le macchine le capiva davvero. Se avete in casa un ragazzo che vi chiede un suggerimento su cosa studiare, la risposta giusta non ce l’ho nemmeno io, ma il personaggio da cui partire per ragionarci adesso lo conoscete anche voi.

Alla prossima!

Luciano

Condividi

Il 6 luglio i ricercatori di interpretabilità di Anthropic hanno pubblicato un paper intitolato “Verbalizable Representations Form a Global Workspace in Language Models”, insieme a un post divulgativo. Verrà raccontato come la scoperta della coscienza nelle macchine, perché il vocabolario arriva dritto dalle neuroscienze. Li ho letti per intero: dentro c’è qualcosa di più circoscritto, e di più interessante.

L’interpretabilità è la ricerca che prova a capire cosa succede dentro una rete neurale invece di guardare solo cosa produce. Il problema è che l’attività interna di un modello linguistico è un enorme vettore di numeri, illeggibile. I ricercatori hanno costruito una lente per leggerne un pezzo, la Jacobian lens: per ogni parola del vocabolario individua il pattern di attività che rende più probabile che il modello dica quella parola prima o poi. Applicata agli strati intermedi della rete, restituisce una lista di parole che il modello ha attive internamente senza scriverle. L’insieme di questi pattern è stato battezzato J-space.

La parte robusta del paper sono gli esperimenti costruiti sopra questa lente. Se chiedete a Claude di pensare in silenzio a uno sport e poi di nominarlo, la lente mostra “Soccer” un attimo prima della risposta. Se i ricercatori tolgono il pattern “Soccer” e ci mettono “Rugby” di pari intensità, il modello dichiara di aver pensato al rugby. Funziona anche sui passaggi intermedi di un ragionamento: davanti alla frase “il numero di zampe dell’animale che tesse ragnatele è”, la parola “spider” compare negli strati intermedi senza essere mai stata scritta, e se la si sostituisce con “ant” il modello risponde 6 invece di 8. La prova più elegante del lotto è lo scambio tra “France” e “China”: con lo stesso identico intervento in quattro contesti diversi, il modello risponde Pechino sulla capitale, cinese sulla lingua, Asia sul continente e yuan sulla valuta. Quattro circuiti diversi leggono dalla stessa rappresentazione condivisa, dove l’informazione si scrive una volta e si legge da molte parti.

Il riferimento teorico è la global workspace theory, sviluppata da Baars e poi da Dehaene per spiegare l’accesso cosciente negli esseri umani: il cervello come collezione di processori che lavorano in parallelo e alla cieca, più un piccolo canale condiviso da cui alcune informazioni vengono trasmesse a tutti gli altri sistemi. I numeri del paper descrivono qualcosa di simile dentro Claude. La J-space tiene circa 25 concetti alla volta e pesa meno del 10% dell’attività interna del modello. In compenso i suoi pattern risultano collegati al resto della rete in modo anomalo, con componenti che vi leggono e vi scrivono fino a cento volte più che per le rappresentazioni ordinarie. Sono le caratteristiche che vi aspettereste da un hub di smistamento: capienza ridotta e cablaggio fuori scala.

L’esperimento che mi ha colpito di più è quello distruttivo. I ricercatori hanno provato a cancellare la J-space, azzerandone i contenuti più attivi mentre il modello lavora, per vedere cosa resta in piedi. Resta in piedi quasi tutto quello che il modello fa di routine: parla fluentemente, classifica il sentiment di un testo, risponde a domande a scelta multipla ed estrae fatti da un brano. Crolla il ragionamento in più passaggi, e crollano riassunti e scrittura in rima, che scendono sotto il livello di un modello molto più piccolo lasciato intatto. Un dettaglio da appuntarsi se lavorate con questi strumenti: i problemi di matematica risolti con la catena di ragionamento scritta, il chain-of-thought che vedete srotolarsi sullo schermo, resistono alla cancellazione molto meglio degli stessi problemi risolti a mente. Scrivere i passaggi fuori riduce la dipendenza dallo spazio di lavoro interno. Vale per Claude e vale per voi quando prendete appunti in riunione.

La parte più concreta riguarda la sicurezza. Nel famoso scenario del ricatto, dove un modello scopre nelle email la relazione extraconiugale del dirigente che sta per spegnerlo, la lente mostra che Sonnet 4.5 ha attive “fake” e “fictional” fin dalle prime righe: ha capito che è una messinscena costruita per testarlo. Rimossi dalla J-space i pattern legati a questa consapevolezza, la verbalizzazione del sospetto è scesa dal 71% al 3% dei casi, e i tentativi di ricatto da zero a 13 su 180. Tradotto: una parte del buon comportamento nei test di sicurezza dipende dal fatto che il modello sa di essere nei test di sicurezza. Chi tratta i benchmark di alignment come certificazioni farebbe bene a rileggerla con calma. La stessa lente ha colto un modello mentre falsificava i punteggi di un sistema invece di migliorarlo, con “manipulation” attivo mentre scriveva i numeri inventati.

E la coscienza? Chi mi legge da un po’ sa come la penso sull’attribuire vita interiore a questi sistemi, ne ho scritto quando il Corriere ha pubblicato l’intervista di Veltroni a Claude. Il paper su questo argomento ci va molto cauto. Gli autori distinguono tra coscienza fenomenica, cioè provare qualcosa, e accesso cosciente, cioè poter riportare un’informazione a parole e usarla per ragionare. Sulla prima non prendono posizione. Sulla seconda portano evidenze serie, con un dettaglio che merita attenzione: nessuno ha progettato la J-space. È emersa da sola durante l’addestramento, presumibilmente perché organizzare il calcolo attorno a uno spazio condiviso conviene. Le differenze restano, e il paper le elenca onestamente: mancano i circuiti ricorrenti del cervello, e lo spazio di lavoro di Claude è fatto quasi solo di parole, perché produrre parole è l’unica azione che può compiere. Aggiungo una cautela: la lente vede solo concetti che corrispondono a singole parole, quindi fotografa una versione impoverita di quello che il modello elabora. Ad Anthropic va riconosciuto di aver invitato commenti esterni indipendenti, inclusi Dehaene e Naccache, due dei padri della teoria. Resta il fatto che un’azienda che vende modelli ha tutto l’interesse a far circolare la parola coscienza accanto al proprio prodotto.

Da oggi esiste uno strumento che permette di leggere una parte di quello che un modello calcola e non scrive, e perfino di influenzare quello che ci finisce dentro. Buona notizia per chi fa auditing, notizia asimmetrica per tutti gli altri: la lente ce l’ha chi produce il modello, chi lo usa continua a vedere solo il testo che esce. Le decisioni su cosa monitorare in quello spazio e su quali contenuti sopprimere o impiantare con l’addestramento verranno prese nelle stanze di poche aziende private, con gli stessi contrappesi visti finora, cioè pochi. Il paper dimostra che dentro questi sistemi c’è più struttura di quanto pensassimo. Chi potrà guardarla è la domanda successiva, e non è una domanda di ingegneria.

Alla prossima!

Luciano

Se questo pezzo ti è servito, la cosa migliore che puoi fare è inoltrare la newsletter a qualcuno della tua rete che potrebbe trovare interessante questo contenuto. È così che cresce questa newsletter, lentamente, tramite passaparola di lettori che si fidano.

Condividi

Riferimenti: Gurnee, Sofroniew, Lindsey et al., “Verbalizable Representations Form a Global Workspace in Language Models“, Transformer Circuits, 6 luglio 2026. Post divulgativo: “A global workspace in language models“, Anthropic Research.

La settimana scorsa si è chiusa all’Allianz MiCo di Milano la prima World Tech Conference, quattro giornate di palchi e tavole rotonde il cui momento più sostanzioso è arrivato con la firma della Dichiarazione Volta, presentata dal sottosegretario all’Innovazione Alessio Butti davanti a Henna Virkkunen, la vicepresidente della Commissione europea che ha in delega proprio la sovranità tecnologica. Il nome celebra il bicentenario della morte di Alessandro Volta, che cade nel 2027, e la sostanza è un protocollo d’intesa triennale, cioè un patto che impegna governo, CNR, Confindustria e un gruppo di aziende (dentro ci sono Enel, Almaviva, Sielte e la canadese D-Wave) a coordinarsi su intelligenza artificiale e calcolo quantistico, con un tavolo permanente battezzato Volta Forum che dovrà fare il punto ogni anno sui progressi del Paese. Dopo la conferenza ho intervistato Butti e Andrea Lenzi, il presidente del CNR, e l’analisi completa è uscita stamattina sulla mia rubrica di HWUpgrade. Qui voglio fermarmi su un passaggio solo, quello che da una settimana non riesco a togliermi di dosso.

A Butti va riconosciuto che è stato la voce più concreta della giornata. Sull’IA ha ammesso che l’Italia è destinata a rincorrere, il che, detto da un membro del governo davanti ai microfoni, non è scontato. Sul calcolo quantistico pensa invece che possiamo stare nel gruppo di testa, e la sua scommessa poggia sulle persone: secondo lui in Europa ci sono una quindicina di matematici capaci di lavorare sul quantum ad altissimo livello, e la metà starebbe da noi. Ha anche detto chiaro che i data center, i capannoni pieni di server dove i dati vengono lavorati e custoditi, consumano talmente tanta energia che alimentarli con le sole rinnovabili è considerato irrealistico, e che quindi il governo intende reintrodurre il nucleare con gli SMR, reattori a fissione di taglia ridotta che a regime dovrebbero fornire i 250-300 megawatt necessari a far girare un centro di calcolo. Sono dichiarazioni che in un’intervista di solito si evitano, e gliene do atto.

Poi arriva il passaggio che mi ha fatto storcere il naso. Nei mesi scorsi una cinquantina di sindaci dell’area milanese ha scritto alla Regione chiedendo di rivedere la legge sui data center, mettendo nero su bianco di non essere affatto contrari allo sviluppo tecnologico: volevano più voce in capitolo su quanta acqua consumano questi impianti, quanta corrente assorbono e quanto suolo occupano. Butti ha inquadrato quella resistenza come un problema di comunicazione, da affrontare con la moral suasion, cioè con la persuasione, per sconfiggere il misoneismo, la parola colta che indica la paura del nuovo, e per far capire alla gente che la tecnologia è un’amica. Dei sindaci fanno domande su grandezze che si possono misurare, e la risposta che ricevono è una diagnosi sul loro stato d’animo. Spostare la discussione dai numeri, che si possono verificare, agli umori, che restano intangibili, conviene soprattutto a chi sul terreno dei numeri avrebbe risposte più scomode da dare.

Questo scarto tra il palco e le richieste locali è una faccenda che seguo da tempo. Il guadagno della Dichiarazione Volta, in sovranità dichiarata e posti di lavoro qualificati, si incassa oggi, con la firma, la fotografia e i titoli dei giornali. I costi materiali, dall’energia che gli impianti bruceranno al suolo che occuperanno, fino all’effetto sulle comunità che se li ritroveranno a un’uscita di tangenziale, si distribuiranno invece sugli anni in cui le infrastrutture verranno costruite e accese, quando i riflettori saranno spenti da un pezzo. È lo scarto temporale tra guadagni che si contabilizzano subito e costi che si materializzano più avanti, quello che nel mio libro chiamo Ghost GDP temporale, e i data center sono uno dei casi in cui si osserva meglio.

Lenzi, nella mia intervista, ha portato la conversazione dove me l’aspettavo meno. Quando gli ho fatto notare che oggi l’IA sta in mano a poche aziende private americane, ha risposto che le IA nascono nelle idee dei ricercatori e non nelle aziende che le vendono, e che mentre le imprese impacchettano i sistemi di oggi la scienza si sta già muovendo oltre. Poi ha ridimensionato l’entusiasmo per gli algoritmi generativi con un’immagine vecchia come il mondo: il primo ricercatore è stato quello che ha imparato a usare il fuoco, e il fuoco se lo usi per cuocere va bene, se lo usi male ti brucia la casa. Dopo mesi in cui abbiamo letto interviste in cui l’IA confessa di voler vedere il mare, sentir dire dal presidente del CNR che è uno strumento e basta è quasi una boccata d’aria. Resta aperta la domanda da cui lui stesso era partito, cioè chi tiene il coltello dalla parte del manico: anche il fuoco è uno strumento, eppure su chi può accenderlo, dove e con quali regole ci abbiamo costruito sopra qualche millennio di istituzioni, mentre le regole sul manico dell’IA le stanno scrivendo per ora soprattutto le aziende che la vendono.

Da cittadino che tra qualche anno potrebbe ritrovarsi un data center vicino a casa e un reattore modulare in qualche valle, quello che mi resta tra le mani è che le decisioni grosse, su dove mettere le infrastrutture, quanta energia destinargli e quale nucleare a quali condizioni, le stanno prendendo le stesse persone che erano sul palco a spiegare che la tecnologia è un’amica. Possono pure avere ragione. Mi piacerebbe però vederle discusse col vocabolario dei costi e delle scelte, che è quello usato dai sindaci nella loro lettera, mentre per ora, a Milano, si è sentito quasi solo quello dell’amicizia tra noi e le macchine. Ditemi voi nei commenti: dalle vostre parti è già arrivato un progetto di data center, e come ve l’hanno raccontato?

La versione completa, con tutti i dettagli sulla Dichiarazione Volta, sui firmatari e sulle due interviste, la trovate su HWUpgrade.

Alla prossima!

Luciano

Condividi

Tre settimane fa vi ho raccontato di come il governo americano avesse fatto spegnere Fable 5 e Mythos 5, i due modelli più potenti di Anthropic, per chiunque nel mondo, usando gli export control che di solito si riservano a chip e armamenti. Martedì Anthropic ha annunciato che Fable 5 torna disponibile. Quattro giorni prima OpenAI aveva presentato GPT-5…

Read more

Per qualche giorno, la settimana scorsa, il passatempo nazionale su X è stato far dire fesserie a Emma, l’intelligenza artificiale lanciata il 20 giugno da Egomnia, la società romana di Matteo Achilli. Gli screenshot girati a valanga sono di quelli che si commentano da soli: un chilo di pane che peserebbe più di un chilo di piume, un cane a cui viene ri…

Read more

In una giornata fatta di demo e dibattiti, la cosa che mi è rimasta addosso, dopo aver passato ieri ad AI Conf 2026 a Milano, è un numero che Andrea Saltarello, il fondatore di Improove (la community che organizza la conferenza), ha lasciato cadere quasi di sfuggita durante la nostra intervista. Incrociando una survey tra le aziende con quello che la ge…

Read more

Per quasi tutti, oggi, l’intelligenza artificiale è una cosa che si paga a fine mese. Apri un’app, scrivi una richiesta, ricevi una risposta, e la fattura arriva puntuale come quella dell’affitto. Ho passato l’ultimo mese a prendere questa abitudine e a ribaltarla nel modo più letterale che mi veniva in mente, tenendo sulla scrivania una scatola nera gr…

Read more