Il paradosso dell’automazione diffusa
L’idea che l’intelligenza artificiale possa automatizzare la maggior parte dei lavori bianchi collari entro i prossimi 12-18 mesi, come suggerito da Mustafa Suleyman, non è una previsione tecnologica, ma un atto di fede nella capacità di superare vincoli fisici e logistici che la storia ci insegna essere implacabili. La narrazione dominante si concentra sull’evoluzione algoritmica, trascurando il fatto che ogni ‘mente sintetica’ risiede su un substrato materiale che richiede energia, spazio e una catena di approvvigionamento sempre più fragile. Non si tratta di sostituire il lavoro umano, ma di spostare il collo di bottiglia da un dominio all’altro, creando nuove forme di dipendenza e vulnerabilità.
Anatomia del pensiero sintetico: il costo nascosto dell’inferenza
L’architettura dei modelli linguistici di grandi dimensioni (LLM) come GPT-5.3-Codex-Spark, con i suoi 15x di velocità e 128k di contesto, è un trionfo di ingegneria, ma anche un esempio lampante di come la performance sia strettamente legata al consumo energetico. Ogni token generato richiede una quantità misurabile di energia, e la promessa di un’IA ‘real-time’ si scontra con la realtà dei limiti fisici dei semiconduttori. La corsa all’aumento dei parametri (e quindi alla capacità di ‘pensare’) è un gioco a somma zero, dove ogni guadagno in termini di intelligenza si traduce in una maggiore dipendenza da risorse limitate. L’annuncio di NVIDIA Nemotron 3 Nano 30B, pur promettendo efficienza, non risolve il problema di fondo: la necessità di una infrastruttura massiccia per supportare un’IA veramente ubiqua. La vera sfida non è creare modelli più intelligenti, ma modelli che siano intelligenti *e* sostenibili.
La simbiosi imperfetta: aspettative politiche e limiti materiali
L’investimento di 1,2 miliardi di euro di Mistral in centri dati in Svezia, come sottolinea Arthur Mensch, è un tentativo di creare una ‘sovranità digitale’ europea, ma rischia di essere una soluzione parziale. La competizione con gli Stati Uniti non si gioca solo sul piano algoritmico, ma anche sull’accesso alle materie prime (litio, cobalto, terre rare) e sulla capacità di controllare la catena di approvvigionamento dei semiconduttori. La frammentazione del mercato, con la creazione di enclave tecnologiche nazionali, potrebbe portare a una proliferazione di standard incompatibili e a un aumento dei costi.
We need to think of Europe as a single market.
La retorica della ‘sovranità’ rischia di mascherare la dipendenza strutturale dall’esterno, creando un’illusione di controllo che non corrisponde alla realtà. L’Europa deve smettere di inseguire gli Stati Uniti sul piano della potenza computazionale e concentrarsi sullo sviluppo di applicazioni specifiche, ad alto valore aggiunto, che possano sfruttare le sue competenze uniche (ad esempio, la gestione dei dati personali e la privacy).
Scenari e chiusura: l’età della moderazione computazionale
La previsione di Geoffrey Hinton, secondo cui l’IA sostituirà prima i lavori che richiedono competenze specifiche, è più plausibile di quanto si pensi. Tuttavia, la sostituzione non sarà automatica né completa. La mancanza di dati di alta qualità, la difficoltà di adattare i modelli a contesti specifici e la resistenza al cambiamento da parte dei lavoratori creeranno inevitabilmente dei rallentamenti. Il vero rischio non è la disoccupazione di massa, ma la polarizzazione del mercato del lavoro, con la creazione di un’élite di ‘ingegneri dell’IA’ e una massa di lavoratori precari e sottopagati. Mi sembra chiaro che siamo entrati in un’età di moderazione computazionale, dove la crescita esponenziale delle capacità dell’IA sarà limitata dalla scarsità di risorse e dalla necessità di affrontare le conseguenze sociali ed economiche del suo impatto. Non si tratta di abbandonare l’innovazione, ma di orientarla verso obiettivi più realistici e sostenibili.
Foto di Green Voltaics Energy su Unsplash
I testi sono elaborati autonomamente da modelli di Intelligenza Artificiale