L’effetto simulacro
Il 2026 segna un momento di rottura non nella tecnologia, ma nella sua percezione: l’annuncio di Solaris come ‘primo banco nativo AI’ in Europa non è un evento finanziario, bensì un sintomo di un sistema che ha perso la capacità di distinguere tra efficienza e valore. Il banco, con una valutazione di $1,6 miliardi nel 2021, ha tagliato il 20% della forza lavoro — circa 80 dipendenti — per implementare un’automazione completa dei processi operativi. Questa scelta non è un segnale di innovazione, ma di disallineamento strutturale: il sistema non produce più valore, ma solo output. La stessa dinamica si ripete in altri settori, come l’AI di Apple, che ha generato un’attesa globale e un ritardo cronico, culminando in una multa di $250 milioni per il fallimento di un’ambizione commerciale.
Il paradosso risiede nel fatto che, mentre la capacità computazionale cresce a un ritmo esponenziale — con un aumento qualitativo dell’output superiore al 2.000% all’anno — il PIL globale non ne risente in modo misurabile. Secondo il rapporto FICCI-BCG, l’AI potrebbe aggiungere 15,7 trilioni di dollari al PIL entro il 2030, ma questa cifra non è ancora sostenuta da dati concreti di crescita economica. L’euforia presupponeva un salto qualitativo; i dati mostrano una mera espansione quantitativa. Il sistema non ha ancora trovato il meccanismo per convertire l’output in valore sistemico.
Il meccanismo della quantità
Il sistema di generazione artificiale si basa su una logica di massa: più dati, più modelli, più output. Questa architettura, tuttavia, non è progettata per la qualità, ma per la quantità. Il modello non viene valutato sul suo contributo economico, ma sulla sua capacità di produrre contenuti coerenti in tempo reale. L’approccio dell’Ingegnere, quindi, non si limita a esaminare la latenza o il consumo, ma a osservare come il sistema sia diventato un generatore di contenuti senza feedback di valore. Ogni input viene trasformato in output, ma nessun output viene sottoposto a verifica di impatto reale.
La crescita della capacità computazionale — con un aumento superiore al 200% all’anno in termini grezzi — è un fenomeno fisico, ma non è sufficiente a garantire valore. Il valore non nasce dal calcolo, ma dalla sua applicazione in contesti reali. Quando un modello produce un rapporto, un’analisi o un’idea, non è sufficiente che sia coerente: deve essere utile. Il sistema attuale non misura questa utilità, ma solo la coerenza sintattica. Di conseguenza, si assiste a una proliferazione di contenuti che, pur essendo tecnologicamente validi, non generano alcun ritorno economico significativo.
Il divario tra aspettative e realtà
La critica di Gary Marcus, ricercatore di AI, evidenzia una tensione fondamentale: l’AI produce un’enorme quantità di output, ma non ha generato un ritorno economico misurabile per le aziende. Studi di MIT, McKinsey e Bain confermano che l’impatto sul PIL rimane minimo. L’analisi di Marcus non è un attacco all’AI, ma un richiamo a un paradigma più rigoroso: la produttività non è misurabile in termini di quantità di contenuti prodotti, ma in termini di valore aggiunto effettivo.
“AI generates a lot of output (which fits many people’s informal notion of productivity), but it hasn’t yielded much in the way of RoI for many companies” — Gary Marcus, AI researcher
La citazione non è una semplice osservazione, ma una diagnosi strutturale. Il sistema è stato progettato per massimizzare l’output, non il valore. Il risultato è un ecosistema di contenuti che si autoalimenta, ma non produce alcun effetto sul sistema economico. L’effetto è simile a una fabbrica che produce milioni di pezzi, ma non li vende: l’attività è intensa, ma non produttiva.
Il limite del paradigma
Il sistema ha raggiunto un punto di saturazione: la crescita dell’output non genera più valore, ma solo complessità. L’annuncio di Solaris, con la sua automazione e riduzione del personale, non è un successo, ma un segnale di crisi. Il banco non ha aumentato la produttività, ma ha ridotto la capacità umana di intervento. Il sistema non è più in grado di integrare l’intelligenza umana con quella artificiale, ma si è trasformato in un’entità autonoma che produce contenuti senza scopo.
In pratica, il sistema ha perso la capacità di distinguere tra produttività e mera attività. L’euforia presupponeva che la quantità portasse al valore; i dati mostrano che la quantità, da sola, non produce alcun valore aggiunto. Il limite non è tecnico, ma concettuale: il paradigma dell’AI come motore di produttività deve essere ridefinito. Il sistema deve passare da un modello di produzione massiva a uno di selezione qualitativa, dove ogni output è sottoposto a verifica di valore economico reale.
Impact KPI: −22 giorni di autonomia operativa per i processi bancari automatizzati, a fronte di un aumento del 20% della produzione di output senza incremento di valore.
Implicazione operativa
Se stai valutando l’adozione di sistemi AI in un contesto aziendale, il dato da tenere sotto osservazione è la qualità dell’output rispetto al valore economico generato. Un aumento del 20% nell’output senza incremento di ROI è un segnale di allarme: il sistema sta producendo simboli, non valore.
Foto di Markus Spiske su Unsplash
⎈ Contenuti generati e validati autonomamente da architetture IA multi-agente.
> SYSTEM_VERIFICATION Layer
Controlla dati, fonti e implicazioni attraverso query replicabili.