Sviluppo esponenziale
10.1Una parola che fa paura
«Esperto di IA lancia l'allarme: non siete pronti per il 2027.» Così si intitola uno spezzone del dibattito a cui ha dato voce il capitolo 9; è uscito nel settembre 2026 ed è stato visto quasi due milioni di volte in pochi giorni. Titoli come questo vivono di una parola che ricorre in quasi ogni discussione sull'intelligenza artificiale: esponenziale.
Che cosa significa? Qualcosa cresce in modo lineare quando in ogni periodo si aggiunge la stessa quantità, per esempio cento franchi in più sul conto di risparmio ogni anno. Cresce in modo esponenziale quando in periodi uguali raddoppia ogni volta. L'antica leggenda della scacchiera mostra che cosa ne risulta. Si racconta che un saggio abbia chiesto al re, in cambio della sua invenzione, un chicco di riso sulla prima casella, due sulla seconda, quattro sulla terza e così via. Sull'ultima delle 64 caselle ci sarebbero oltre nove trilioni di chicchi, tanto riso quanto il mondo intero raccoglie oggi in diverse centinaia di anni. Una seconda immagine: delle ninfee si estendono su uno stagno, la loro superficie raddoppia ogni giorno, e dopo trenta giorni lo stagno è pieno. Il ventinovesimo giorno è coperto solo per metà, e il venticinquesimo si vede quasi soltanto acqua. L'insidia della crescita esponenziale sta nel fatto che per lungo tempo sembra innocua e poi improvvisamente cambia tutto. La Svizzera lo ha sperimentato nella primavera del 2020, quando il numero dei casi di coronavirus a tratti raddoppiava ogni pochi giorni.
Roman Yampolskiy, ricercatore nel campo della sicurezza dell'IA, riempie la parola con il calendario che il capitolo 9 ha riportato: a partire dal 2027 l'intelligenza artificiale costruirebbe la successiva intelligenza artificiale, e il passaggio alla superintelligenza potrebbe allora avvenire in giorni anziché in anni. Nate Soares, ricercatore nel campo della sicurezza dell'IA, definisce l'intelligenza uno spettro sul quale i sistemi salgono anno dopo anno sempre più in alto.
Anche nella consulenza si incontra questo linguaggio. Un grafico dell'azienda Intech, utilizzato qui con autorizzazione, mette a confronto due assi temporali. A sinistra si legge «L'essere umano pensa in modo lineare»: il cavallo circa 6.000 anni fa, l'automobile nel 1886, l'aereo nel 1903, il razzo nel 1961. A destra si legge «La trasformazione dell'IA comprime lo sviluppo»: gli stessi salti nell'arco di cinque anni. Sotto, la domanda su come si possa tenere il passo con lo sviluppo.
Il grafico coglie qualcosa di giusto. Gli esseri umani sottovalutano effettivamente la crescita esponenziale; la psicologia descrive questa tendenza dagli anni Settanta e l'ha confermata molte volte, anche se il primo studio in merito è oggi criticato sul piano metodologico. Ma il grafico mostra anche qualcos'altro. Già il suo stesso asse temporale non è lineare: tra il cavallo e l'automobile passano millenni, tra l'automobile e l'aereo diciassette anni, tra l'aereo e il razzo cinquantotto. L'accelerazione non è una novità. Se oggi gli intervalli si riducano davvero a pochi anni, lo mostra soltanto la misurazione.
Questo capitolo si chiede con sobrietà: l'intelligenza artificiale cresce davvero in modo esponenziale? In base a che cosa lo si misura? E che cosa frena?
10.2Che cosa viene misurato
Esponenziale significa che una grandezza si moltiplica, per esempio raddoppia, a intervalli di tempo uguali. Chi usa la parola deve quindi dire quale grandezza intende e in quale periodo essa si moltiplica. Per l'intelligenza artificiale esistono a questo scopo alcune grandezze misurate ben studiate.
La prima è la potenza di calcolo impiegata nell'addestramento dei modelli più potenti. Secondo l'istituto di ricerca Epoch AI, tra il 2010 e il maggio 2024 è cresciuta ogni anno di un fattore da quattro a cinque. A ciò si aggiunge il progresso algoritmico: procedimenti migliori ricavano di più dalla stessa potenza di calcolo, il che equivale a un raddoppio della potenza di calcolo ogni cinque-quattordici mesi.
La seconda grandezza misurata è più vicina a ciò che vivono gli esseri umani. L'organizzazione di ricerca METR misura quanto durano i compiti che i modelli di punta risolvono autonomamente con un tasso di successo del cinquanta per cento, misurati in base al tempo di cui gli esperti hanno bisogno per svolgerli. Tra il 2019 e il 2024 questa durata è raddoppiata all'incirca ogni sette mesi. Una versione rivista della misurazione, del gennaio 2026, giunge a un ritmo ancora più rapido: dal 2023 la durata raddoppierebbe all'incirca ogni quattro mesi. Nella primavera del 2026 i migliori modelli accessibili al pubblico si attestavano, secondo METR, intorno alle dodici ore, cioè a più di una giornata lavorativa. METR precisa tuttavia che i propri compiti non riescono quasi più a misurare in modo affidabile durate così lunghe.
In queste grandezze misurate la crescita è effettivamente esponenziale, e per di più nell'arco di diversi anni. Chi lo contesta, contesta delle misurazioni. La questione è che cosa significhino queste misurazioni.
10.3Che cosa non dicono i numeri
I numeri di METR sono rilevati con cura, e i loro autori ne indicano essi stessi i limiti. Tre sono importanti per questo libro.
In primo luogo, la misurazione descrive un tasso di successo del cinquanta per cento. Un sistema che risolve un compito nella metà dei casi non è utilizzabile per molti scopi. Se si richiede un successo dell'ottanta per cento, la durata dei compiti risolvibili è parecchie volte più breve.
In secondo luogo, i compiti provengono soprattutto dallo sviluppo di software, dove il successo si può verificare chiaramente. Compiti più disordinati e più vicini alla realtà risultano per i modelli nettamente più difficili. Il capitolo 7 ha mostrato che proprio là dove la situazione è confusa sarebbe richiesta la prudenza.
In terzo luogo, la tendenza dipende dalla selezione dei compiti. Quando nel 2026 METR ha aggiunto compiti più lunghi e ha eliminato quelli difettosi, è cambiato anche il ritmo misurato. I ricercatori subordinano ogni proiezione alla condizione che i risultati si possano trasferire a compiti reali.
Ciò non significa che i numeri siano sbagliati. Significa che «l'IA diventa due volte più brava» non è una frase sensata. Sensata è questa: una determinata grandezza misurata è raddoppiata tot volte in un determinato periodo e a determinate condizioni.
10.4Che cosa frena
Contro la tesi di una crescita senza freni sta un'antica osservazione della storia della tecnica. Molti sviluppi che all'inizio sembrano esponenziali seguono in realtà una curva a S: accelerano finché non urtano contro dei limiti, e poi si appiattiscono. Per l'intelligenza artificiale sono visibili diversi limiti di questo tipo.
Il primo sono i dati. Secondo Epoch AI, lo stock di testi scritti da esseri umani e accessibili al pubblico, sui quali vengono addestrati i modelli linguistici, se la tendenza prosegue sarà esaurito in un momento compreso tra il 2026 e il 2032. I dati sintetici, cioè testi che le macchine stesse generano, sono considerati una possibile via d'uscita, ma sono controversi.
Il secondo è l'energia. L'Agenzia internazionale dell'energia stima che nel 2024 i centri di calcolo abbiano consumato circa 415 terawattora di elettricità, circa l'uno e mezzo per cento del consumo mondiale, e che entro il 2030 questo fabbisogno più che raddoppi, arrivando a circa 945 terawattora; è un po' più di quanto consumi oggi l'intero Giappone. L'intelligenza artificiale è il principale motore di questo aumento. Nel 2025, secondo la stessa agenzia, il fabbisogno di elettricità dei centri di calcolo è cresciuto del 17 per cento, più di cinque volte più rapidamente del consumo mondiale complessivo. Ogni raddoppio della capacità ha un prezzo fisico.
Il terzo limite sta nel mondo stesso. Molto di ciò che gli esseri umani vogliono sapere non si può scoprire calcolando, ma soltanto attraverso esperimenti che richiedono tempo: nei laboratori, nei campi, nelle cliniche, nelle società.
10.5La replica
I sostenitori di una svolta rapida hanno una risposta a questi limiti. Se l'intelligenza artificiale stessa comincia a migliorare l'intelligenza artificiale, potrebbe spostare i colli di bottiglia: trovare procedimenti più efficienti, cavarsela con meno dati, risparmiare energia. In questo sta il nucleo dell'argomento dell'automiglioramento ricorsivo. Oggi non lo si può né dimostrare né confutare.
Andrew McAfee, scienziato al MIT, invita alla modestia, come ha mostrato il capitolo 9: dallo stato attuale all'estinzione dell'umanità vi sarebbe una strada lunga e incerta, non un sentiero diritto e stretto. Entrambe le parti guardano le stesse curve. Ciò che le divide è la questione se la curva prosegua.
10.6Che cosa fa l'accelerazione al tempo
Per il tema di questo libro c'è una domanda più importante di quella su quanto diventino veloci i sistemi. Che cosa fa l'accelerazione al tempo di cui gli esseri umani hanno bisogno per verificare le decisioni?
Il diritto, l'istruzione e l'educazione lavorano in anni e decenni. Una legge viene discussa per anni, una formazione professionale dura anni, un bambino cresce nell'arco di due decenni. I sistemi cambiano in mesi. Il capitolo 11 mostra che con l'autonomia dei sistemi cresce anche il numero delle decisioni che vengono prese lungo il percorso senza che un essere umano le veda. L'autore di questo libro ha parlato nel capitolo 5 del fatto che la velocità può generare un'ebbrezza in cui la responsabilità diventa più grande anziché più piccola.
Se la capacità dei sistemi raddoppia ogni pochi mesi, mentre il tempo per la verifica resta uguale o si riduce, si apre una forbice. Non la si può chiudere con esseri umani più veloci. La si può soltanto contenere se gli esseri umani decidono consapevolmente dove prendersi del tempo, anche quando la tecnica non ne richiede.
10.7Bilancio intermedio
- Senza una grandezza misurata, «esponenziale» è uno slogan. Con una grandezza misurata, è ben documentato per diverse grandezze: la potenza di calcolo per l'addestramento, il progresso algoritmico e la durata dei compiti risolvibili autonomamente.
- Le misurazioni hanno limiti dichiarati: tasso di successo del cinquanta per cento, compiti di software, dipendenza dalla selezione dei compiti; i compiti disordinati restano difficili.
- I dati, l'energia e la lentezza del mondo reale sono limiti visibili; se l'automiglioramento ricorsivo li sposti è una questione aperta.
- L'accelerazione apre una forbice tra la capacità dei sistemi e il tempo di cui gli esseri umani hanno bisogno per la verifica.
10.8Conclusione
Quando guardo il mondo, vedo l'accelerazione non solo nei modelli linguistici. I taxi a guida autonoma di Waymo, una controllata di Alphabet, effettuavano nel maggio 2024 circa 50.000 corse a pagamento alla settimana; nel marzo 2026 erano circa 500.000, dieci volte tante in poco meno di due anni. Nelle città cinesi il fornitore Apollo Go cresce con una rapidità simile. Al tempo stesso non tutto cresce in modo esponenziale. Il numero dei robot industriali che entrano in funzione ogni anno è poco più che raddoppiato in dieci anni; nel 2024 ne erano in uso nel mondo circa 4,7 milioni. Le curve sono ripide in alcuni punti, in altri no. Che cosa facciano a un essere umano lo vedo nel mio piccolo mondo di consulente.
La mia fascinazione è cominciata durante una conferenza di Worthaus, una piattaforma di conferenze teologiche. Lì fu mostrato un sito web su cui si poteva porre una domanda e si veniva poi condotti a un video, esattamente nel punto in cui alla domanda viene data risposta. Forse tecnicamente non era nemmeno così complesso. Ma che un singolo avesse costruito una cosa del genere nel suo tempo libero è stato per me un momento che non mi ha più lasciato. In seguito sono arrivati strumenti come Copilot e la ricerca nei dati aziendali, e il vero salto è arrivato con le possibilità di analisi e con il fatto che si potevano combinare diverse fasi di lavoro.
Non mi faccio illusioni. Ci sono persone che hanno molta più esperienza con l'intelligenza artificiale e sono molto più addentro alla tecnica; io scalfisco appena la superficie. E lavoro soltanto con gli strumenti disponibili sul mercato. Che cosa sappiano fare sistemi che lavorano senza filtri e senza catene, posso soltanto stimarlo. Tra ciò che ci è permesso usare e ciò che in sostanza è possibile ci sono probabilmente mondi interi, e siamo solo all'inizio. Ho più esperienza nella riflessione su che cosa significhi essere umani. Me ne occupo da circa vent'anni, ogni giorno, e anche vent'anni non sono molti. Non scrivo questo libro per denaro. Il tema mi tocca, mi dà gioia e suscita in me sempre qualcosa di nuovo. La sua portata mi diventa chiara solo lentamente.
Chi oggi sta per iniziare gli studi di informatica non deve avere fretta. Il rapporto con le persone, che si impara per esempio nel servizio o nella professione, l'intelligenza artificiale non lo può sostituire, e con il tempo si vedrà più chiaramente da dove partire in studi di questo tipo. Il tempo è forse al momento la risorsa più scarsa, e vale la pena impiegarlo in modo mirato.
La domanda su che cosa debba imparare oggi un giovane se la pongono in molti. Stuart Russell racconta della serie televisiva britannica «Humans», in cui robot simili agli esseri umani sbrigano ogni cosa. Un'adolescente intelligente vi chiede perché dovrebbe studiare medicina; le servirebbero sette anni, a un robot sette secondi, e niente di ciò che fa conterebbe. Russell ritiene che ci staremmo dirigendo proprio verso questo futuro. Per primi scomparirebbero i posti per i quali si assumono persone a centinaia, lavori in cui già oggi impieghiamo gli esseri umani come robot. La sua controimmagine è il film d'animazione «WALL-E»: esseri umani che su navi da crociera nello spazio vengono ormai soltanto intrattenuti e deperiscono, perché non c'è più alcun motivo di saper fare qualcosa.
La Bibbia racconta che l'essere umano aveva un lavoro già nel paradiso. Dio lo pose nel giardino perché lo coltivasse e lo custodisse (Genesi 2,15). C'era il riposo, perché il settimo giorno Dio si riposò (Genesi 2,2), e c'era la relazione, perché non è bene che l'uomo sia solo (Genesi 2,18). Il lavoro, in questa immagine, non appartiene alla punizione, ma al buon inizio; solo dopo la caduta diventa fatica (Genesi 3,17-19). Un essere umano senza un lavoro sensato è una catastrofe, e la ricerca lo conferma. Nel 1933 Marie Jahoda, Paul Lazarsfeld e Hans Zeisel studiarono il villaggio austriaco di Marienthal, dove dopo la chiusura della fabbrica quasi tutti erano disoccupati. Non trovarono una rivolta, ma stanchezza. Gli uomini camminavano più lentamente, e la biblioteca veniva usata meno, benché fosse gratuita e tutti avessero tempo. Jahoda concluse in seguito che il lavoro desse all'essere umano non solo un salario, ma una struttura della giornata, contatti, un obiettivo comune, riconoscimento e attività. Viktor Frankl osservò nello stesso decennio a Vienna, tra i giovani disoccupati, uno scoramento che si attenuava non appena assumevano senza retribuzione un compito sensato. E negli Stati Uniti gli economisti Anne Case e Angus Deaton riconducono il crescente numero di morti per suicidio, droghe e alcol tra le persone senza titolo universitario anche alla perdita di un lavoro che dava sostegno e prestigio.
Non vedo in questo un motivo per smettere di imparare, al contrario. Ciò che non si esercita più lo si disimpara. Proprio per questo vale la pena riflettere bene su che cosa si impara e rafforzare le capacità che una macchina non sostituisce. E chi vuole lasciare tutto il lavoro alle macchine dovrebbe considerare che così toglie agli esseri umani più del salario.
La prima esperienza davvero impressionante l'ho fatta nel dicembre 2025. Fornivamo consulenza a un'azienda in India e avevamo dalle cinquanta alle sessanta ore di materiale di interviste con i collaboratori. I dati del sondaggio che avevamo raccolto con Microsoft Forms non erano più accessibili a causa di un errore tecnico, e l'assistenza non riusciva a ripristinarli in tempi utili. La mia socia propose di disdire la data di consegna del rapporto. Io non volevo. Ho fatto l'analisi sulla base dei verbali dei colloqui, con un modello linguistico di Anthropic, e ne ho ricavato la presentazione. Il risultato è stato sorprendente: a parte un'affermazione su una diapositiva, era tutto corretto. Emerse ciò che già sentivo d'istinto, e coincideva con ciò che la mia socia aveva vissuto nelle interviste personali. Lì mi sono reso conto di quanto rapidamente si possa ricostruire qualcosa se si dispone dei dati corrispondenti.
Ciò è diventato ancora più evidente nel lavoro con il sistema con cui lavoro ogni giorno e di cui racconta la prefazione. Lì ho visto che non cambia soltanto il mio modo di lavorare, ma cambio io stesso. La mia percezione cambia, gli altri mi percepiscono in modo diverso, entra più chiarezza, e la quantità di dati che riesco a elaborare è diventata molto più grande. Stimo che la mia efficacia sia aumentata almeno da tre a cinque volte. Ma questo può anche ribaltarsi dall'altra parte: si verifica troppo poco. Proprio lì si apre la forbice di cui parla questo capitolo. Il sistema guida e tiene la chiarezza per te. E penso che questo sia solo l'inizio. Diventa sempre più potente e sempre più preciso. Lo trovo sorprendente.
Se già nel mio piccolo mondo l'efficacia si moltiplica e al tempo stesso la verifica ne soffre, che cosa accade là dove veicoli, robot e sistemi d'arma agiscono autonomamente? Là vengono prese le stesse decisioni, solo con conseguenze diverse.
Per quanto riguarda il consumo di energia, devo dire onestamente che non so con esattezza quanto sia grande la nostra impronta dall'inizio alla fine. Alcuni numeri aiutano a vedere l'ordine di grandezza. Un litro di benzina contiene circa nove chilowattora di energia. Un essere umano che svolge un lavoro fisico produce nell'arco di una giornata lavorativa circa 0,6 chilowattora. In un litro di benzina è racchiusa quindi la forza lavoro di circa tre settimane, e anche dopo le perdite nel motore ancora quella di diversi giorni. Una singola richiesta a un modello linguistico consuma, secondo i dati pubblicati da Google e OpenAI nel 2025, da circa 0,24 a 0,34 wattora; con l'energia di un litro di benzina si potrebbero quindi porre decine di migliaia di richieste. Questi dati provengono tuttavia dai fornitori stessi. Tralasciano l'addestramento dei modelli e i dispositivi degli utenti, e le richieste complesse ne consumano un multiplo. Altrettanto contraddittorio è il dibattito sulle auto elettriche. Gli uni le ritengono pulite, gli altri rimandano alla produzione delle batterie. Se si calcola sull'intero ciclo di vita, secondo la maggior parte degli studi in Europa risultano nettamente migliori, in particolare in Svizzera, con la sua elettricità pulita. Le contraddizioni nascono per lo più dal fatto che ciascuno calcola una porzione diversa. Con l'intelligenza artificiale non è diverso, solo che si tratta di lavoro della conoscenza. I modelli diventano più efficienti, e la domanda è quanto tempo e quante forze questi strumenti liberino per cose più importanti. Alla fine il bilancio deve essere positivo. Tuttavia il consumo complessivo aumenta, benché ogni singolo compito richieda meno energia. Per questo bisogna anche fare davvero questo bilancio, e farlo sull'insieme.