Stiamo sopravvalutando l’Intelligenza Artificiale?

𝘈𝘳𝘵𝘪𝘤𝘰𝘭𝘰 𝘢 𝘤𝘶𝘳𝘢 𝘥𝘪: 𝘕𝘪𝘤𝘰𝘭𝘢 𝘊𝘰𝘴𝘵𝘢𝘯𝘵𝘪𝘯𝘰, 𝘙𝘦𝘵𝘵𝘰𝘳𝘦 𝘥𝘦𝘭 𝘗𝘰𝘭𝘪𝘵𝘦𝘤𝘯𝘪𝘤𝘰 𝘥𝘪 𝘉𝘢𝘳𝘪, 𝘥𝘰𝘷𝘦 𝘩𝘢 𝘳𝘪𝘤𝘰𝘱𝘦𝘳𝘵𝘰 𝘪𝘭 𝘳𝘶𝘰𝘭𝘰 𝘥𝘪 𝘗𝘳𝘰𝘧𝘦𝘴𝘴𝘰𝘳𝘦 𝘖𝘳𝘥𝘪𝘯𝘢𝘳𝘪𝘰 𝘥𝘪 𝘐𝘯𝘨𝘦𝘨𝘯𝘦𝘳𝘪𝘢 𝘌𝘤𝘰𝘯𝘰𝘮𝘪𝘤𝘰-𝘎𝘦𝘴𝘵𝘪𝘰𝘯𝘢𝘭𝘦.

Il dibattito sugli impatti occupazionali dell’Intelligenza Artificiale (AI) si fa sempre più acceso, anche perché i dati al riguardo sono ancora parziali, e spesso contradditori. Secondo l’ISTAT, nel 2025 in Italia il 15,7% delle PMI ed il 53,1% delle grandi imprese dichiaravano di aver integrato l’AI nei propri processi produttivi, valori questi in forte crescita rispetto al 2024 (rispettivamente più 8% e più 20,6%), ma ciò non sembra aver (ancora?) inciso significativamente a livello aggregato, né sul PIL nazionale (aumentato solo dello 0,5% rispetto all’anno precedente), né sulla disoccupazione, che è addirittura calata. Sembra riproporsi ancora una volta la contraddizione tra ‘ragionevoli’ previsioni ed effettivi risultati.

Anche le opinioni dei massimi esperti sull’impatto occupazionale dell’IA non sembrano del tutto concordi: se da un lato Mark Zuckerberg afferma “Stiamo già osservando progetti che in passato richiedevano interi team venire completati da una sola persona di talento, affiancata da agenti AI”’, dall’altro Andrew Ng, cofondatore di Google Brain, dichiara: “La perdita di posti di lavoro causata dall’AI è stata finora sopravvalutata”.

Previsioni occupazionali senza riscontro

Nel 2013 ebbe molta risonanza uno studio di C.B. Frey e M.A. Osborne (Università di Oxford), secondo il quale, a seguito dei processi di automazione, Il 47% dei posti di lavoro in Usa. sarebbe stato a rischio sostituzione nei successivi 10 anni; secondo il World Bank Development Report del 2016, la percentuale saliva al 57% per i paesi OCSE, e addirittura al 77% per la Cina (a causa del minor livello iniziale di automazione in questi paesi). Naturalmente, si obiettò, la diffusione delle nuove tecnologie comporta anche la nascita di nuove professioni: secondo il Forrester Research, nei 10 anni successivi al 2015 negli Usa. sarebbero stati creati 13,6 milioni di nuovi posti di lavoro, a fronte però della perdita di 22,7 milioni di occupazioni più tradizionali, con un saldo comunque negativo di meno 9,1 milioni. Perché tutte queste previsioni non hanno trovato riscontro nella realtà (almeno nell’arco temporale previsto)?

Nel 1987 Robert Solow, che nello stesso anno riceveva il Nobel per l’Economia anche in virtù dei suoi studi sugli impatti produttivi degli sviluppi tecnologici, dichiarò: “Vediamo l’era dei computer dovunque, tranne che nei dati di produttività”, probabilmente a causa dell’enorme complessità delle variabili non solo tecnologiche, ma anche organizzative e sociali, in gioco. Ed effettivamente la storia delle Terza e Quarta Rivoluzione Industriale è costellata da esplosivi quanto imprevisti successi (come internet) ma anche da più o meno clamorosi fallimenti. Ricordiamo la follia della cosiddetta net-economy, a cavallo del 2000, con la bolla delle tante dot.com che raggiungevano quotazioni stratosferiche prima ancora di aver anche solo testato il (presunto) mercato di sbocco; o l’effimera (ma costosa) moda dei mercati immobiliari virtuali su Second Life; o ancora, più recentemente, le enormi aspettative sul metaverso, sul quale Mark Zuckerberg aveva alimentato enormi aspettative, al momento disattese. Certamente, rispetto a questi esempi, l’AI è una realtà ben più strutturata e consolidata, sulla quale sono tuttora in corso investimenti davvero giganteschi.

I ritorni di redditività

Le cinque imprese più capitalizzate al mondo sono tutte quotate a Wall Street: Nvidia, Apple, Alphabet (Google), Microsoft ed Amazon, tutte più o meno impegnate sul fronte della IA, con un valore azionario complessivo di oltre 18mila miliardi di dollari, destinato a crescere nella misura in cui continuano a raccogliere capitali da investire in infrastrutture informatiche sempre più gigantesche. Se un tempo eravamo abituati a considerare gli impatti ambientali delle ICT relativamente marginali (soprattutto in termini di consumi energetici) gli enormi data center di oggi (e ancor più quelli di domani) iniziano a incidere significativamente sui consumi elettrici (e anche idrici, per i raffreddamenti) dei territori in cui sono collocati, tanto da far cominciare a prendere in considerazione la fattibilità tecnico-economica di ipotesi fantascientifiche, come quella di collocarli nello spazio, al fine di ottimizzare la captazione di energia solare e la dispersione termica.

Tali enormi investimenti fanno affidamento su attese (quanto giustificate?) di altrettanto giganteschi ritorni di redditività, generati dalla messa a punto di strumenti di Intelligenza Artificiale Generale (Agi) capaci di comprendere e applicare la conoscenza umana quanto meno eguagliando, se non superando, le nostre capacità cognitive in qualunque ambito. Ci saranno tali ritorni?

La loro realizzazione è sostanzialmente fondata su alcuni presupposti, più o meno espliciti, che non è detto si realizzino in toto. Primo, le strade seguite dai colossi del settore, come OpenAI, nello sviluppo dell’Agi sono quelle di massima efficienza, e porteranno pertanto risultati di redditività ampiamente soddisfacenti. Secondo, la crescita delle capacità dell’AI, soprattutto in termini di Large language model (Llm) è illimitata, in quanto si arricchisce ogni giorno di nuovi contributi, cioè di nuova conoscenza digitalizzata, che rende tali modelli sempre più potenti, in una crescita esponenziale che non vede confini. Terzo, secondo alcuni, grazie a tale crescita illimitata, l’Agi è destinata a sfociare in Artificial Super Intelligence (Asi), una Superintelligenza destinata a superare l’intelligenza umana anche in termini di creatività, saggezza, capacità relazionali.

La crisi dei Large Language Model

Tali aspettative, certamente ragionevoli (almeno le prime due) sono però tuttora soggette ad alcune, altrettanto sostanziali, incognite. Siamo certi che lo sviluppo dell’Agi non possa essere realizzato in modalità complessivamente (molto) meno costose? L’esperienza di DeepSeek, l’IA cinese che, realizzata con investimenti molto minori dei competitor occidentali, offre prestazioni paragonabili a quelle di Chat-GPT, sembra sollevare dei dubbi a riguardo. La storia delle rivoluzioni industriali è ricca di esempi di macroscopici salti di efficienza, che hanno visto i follower superare i primi innovatori. Se succederà così anche per la IA, che fine faranno gli attuali colossi industriali che hanno concentrato investimenti di dimensioni da non avere precedenti nella storia umana?

Siamo certi che la crescita della conoscenza digitalizzata continuerà ai ritmi attuali? Si prevede che entro il 2030 pressoché tutta la conoscenza umana sarà stata messa a disposizione dei Llm. Dopo di tale data, l’ulteriore digitalizzazione continuerà ai ritmi dell’effettiva produzione ‘umana’ di nuova conoscenza, integrata dalla ‘autofagia’ (peraltro già in corso), cioè dall’alimentazione dei Llm con documenti prodotti dagli stessi Llm con una rapidità enormemente superiore a quella umana. Se però teniamo presente che i Llm producono documenti non ‘ragionando’, ma ‘pescando’ all’interno dei documenti acquisiti, parola per parola, le concatenazioni semantiche più probabili, è ragionevole aspettarsi che non possano produrre ‘nuova’ conoscenza, ma solo ricombinazioni delle conoscenze acquisite.

Non solo: le esperienze finora sviluppate sembrano dimostrare che iterando l’autofagia, si produca la cosiddetta Model Autophagy Disorder (MADness), che provoca il ‘collasso’ del prodotto informatico, cioè una progressiva perdita di senso. Se questo è vero, la crescita delle potenzialità dei Llm è destinata a rallentare moltissimo tra pochi anni, in quanto la ‘nuova’ conoscenza messa a loro disposizione non sarà più (come succede ora) determinata dall’immissione di grandi moli di dati già prodotti in passato (come quando carichiamo nel modello un testo scritto 10 anni fa), ma solo la nuova produzione ‘originale’ di esseri umani.

Sarà possibile sviluppare la Superintelligenza? Nel 1905 Albert Einstein pubblicò quattro articoli che rivoluzionarono completamente la conoscenza fisica del mondo. Giunse a questi risultati senza effettuare nuove sperimentazioni, ma ‘semplicemente’ (si fa per dire) ragionando sui risultati di esperimenti e su elaborazioni teoriche sviluppati da altri. Il concetto di relatività del tempo (per fare un esempio) non esisteva in precedenza, ed è molto improbabile (se non impossibile) che un Llm, alimentato dalle stesse conoscenze cui poteva accedere Einstein sarebbe stato in grado di generarlo, indipendentemente dalla quantità di risorse computazionali a sua disposizione.

In definitiva, è possibile prospettare una ragionevole ipotesi (nulla di più, certamente non una certezza): stiamo forse sopravvalutando un nuovo strumento, certamente molto potente ed estremamente pervasivo, ma che non potrà mai sostituire l’essere umano nelle attività più significativamente creative. È così? Ha scritto Niels Bohr (premio Nobel per la fisica nel 1922): “Le predizioni sono molto difficili, specialmente se riguardano il futuro”.