Il 2027 potrebbe essere l’anno in cui sistemi di intelligenza artificiale cominceranno a svolgere autonomamente il lavoro dei migliori ricercatori che oggi li progettano. È la previsione pubblicata il 10 novembre dall’AI Futures Project, il gruppo che nel 2025 aveva elaborato lo scenario AI 2027. Gli autori chiedono di rallentare lo sviluppo dei modelli più avanzati per il timore che il loro miglioramento diventi troppo rapido da governare.
La nuova previsione nasce da dati di ricerca che meritano attenzione, ma il passaggio dall’accelerazione misurata a una perdita di controllo resta ipotetico.
La principale novità su cui si fonda l’allarme è un’indagine indipendente di METR pubblicata il 5 novembre. Dopo undici settimane di analisi su informazioni interne di Anthropic, i ricercatori stimano che i punteggi dei modelli dell’azienda su una serie di prove tecniche stiano migliorando circa 1,9 volte più velocemente rispetto alla tendenza precedente.
La ricerca offre un indizio sulla possibilità che l’AI acceleri la progettazione di altra AI. Restano da misurare quanto questo effetto sia generalizzabile, se cresca ancora e quali capacità autonome ne derivino. A seconda delle risposte, la previsione sul 2027 potrebbe avvicinarsi o allontanarsi.
Indice degli argomenti:
Che cosa ha misurato METR dentro Anthropic
METR ha esaminato risultati di benchmark, documenti sulla ricerca e sviluppo, indicatori sull’uso dei modelli, e ha intervistato circa quindici dipendenti. Per confrontare generazioni diverse di AI ha utilizzato AECI, una versione interna dell’indice di capacità sviluppato da Epoch AI. La crescita stimata dopo ottobre 2025 è di 1,9 volte quella precedente, con un intervallo di confidenza statistico al 95% fra 1,5 e 2,8. Modificando alcune scelte del metodo di calcolo, gli stessi analisti ottengono risultati che vanno da 1,1 a 2,9 volte.

In termini intuitivi, i modelli Anthropic hanno recuperato nell’ultimo anno, su quelle prove, un avanzamento paragonabile a circa due anni del periodo precedente. METR ritiene che la crescita non dipenda da un’accelerazione nell’aumento della potenza di calcolo usata per addestrare i modelli. Una quota rilevante viene attribuita al lavoro svolto con l’AI: codice, analisi, supporto agli esperimenti e altri compiti della ricerca, ancora sotto guida umana.
Nella stima soggettiva degli analisti, forse l’80% dell’accelerazione attuale è riconducibile all’impiego dell’AI. È una valutazione più incerta della misura sui benchmark. Gli stessi ricercatori scrivono che, nell’attribuire le cause del miglioramento, “non abbiamo trovato prove decisive”.
Inoltre Anthropic ha imposto la rimozione dal rapporto pubblico di gran parte degli elementi che METR considera più informativi. L’azienda ha motivato gli oscuramenti con la necessità di proteggere informazioni riservate che potrebbero aiutare altri sviluppatori. La documentazione pubblica consente quindi di controllare solo parzialmente la conclusione causale.
Come dall’accelerazione si arriva alla previsione del 2027
L’aggiornamento del 10 novembre riprende i risultati METR e li inserisce nell’AI Futures Model, una famiglia di simulazioni costruita dagli autori dello scenario AI 2027. L’ipotesi è che modelli sempre più capaci contribuiscano a progettare i successori, accorciando il tempo che separa una generazione dalla successiva.
Gli autori stimano che l’accelerazione attribuibile all’AI sia oggi intorno a 1,7 volte la tendenza storica: è un risultato derivato dalla loro lettura delle stime METR, non una misura indipendente.
Il traguardo che prevedono per il 2027 è il cosiddetto Superhuman AI Researcher (SAR): un sistema capace di programmare autonomamente e di formulare scelte di ricerca all’altezza dei migliori ricercatori umani impiegati nello sviluppo dell’AI. È una definizione specifica, relativa alla ricerca sui modelli. Gli autori attribuiscono inoltre probabilità comprese fra il 35 e il 65% all’arrivo, prima del 2028, di una categoria ancora più ampia di AI capace di superare i massimi esperti in gran parte dei compiti intellettuali.
Sono previsioni formulate dai sei ricercatori, non percentuali osservate in laboratorio.
Il risultato cambia sensibilmente con il metodo: una delle simulazioni condizionate all’accelerazione attuale colloca la mediana del SAR a febbraio 2027; un’estrapolazione più semplice della capacità di impostare la ricerca porta a luglio-settembre 2027; altri approcci arrivano al 2028. Persino gli autori riconoscono che alcuni parametri, come il giudizio scientifico dei modelli e il tempo necessario per completare nuovi cicli di addestramento, sono difficili da stimare.
I limiti delle prove e le capacità che ancora mancano
Il principale limite scientifico è il passaggio dai test a un’attività di ricerca completa. I benchmark AECI concentrano l’attenzione su compiti ben definiti, valutabili con criteri relativamente stabili. Scegliere un esperimento promettente, riconoscere un risultato ingannevole, organizzare mesi di lavoro o adattarsi a imprevisti richiede capacità meno agevoli da misurare. Un’accelerazione nei punteggi può precedere, accompagnare o sovrastimare il miglioramento di queste attività.
La valutazione di METR riguarda inoltre un solo laboratorio, con accesso ai dati negoziato e possibilità di oscuramento da parte dell’azienda. Le interviste e le autovalutazioni dei ricercatori sono indizi utili, ma le stime di produttività individuale non equivalgono a una misura del ritmo complessivo di progresso. Il rapporto riferisce che i sistemi allora esaminati contribuivano soprattutto come assistenti di ricercatori umani e non assumevano ancora in modo autonomo responsabilità rilevanti lungo l’intero processo di sviluppo.

Un confronto utile arriva dall’International AI Safety Report 2026, pubblicato a febbraio sotto il coordinamento di Yoshua Bengio con il contributo di oltre cento esperti. Sulla base della letteratura disponibile fino alla fine del 2025, il rapporto riconosce miglioramenti rapidi nell’autonomia degli agenti, ma descrive ancora ostacoli nell’esecuzione affidabile di piani lunghi e complessi. Valuta la perdita di controllo come un rischio da studiare, su cui gli esperti hanno opinioni molto diverse.

Per arrivare a un esito del genere servirebbe combinare autonomia persistente, capacità di eludere la supervisione e accesso a strumenti o infrastrutture che permettano di agire nel mondo.
Perché il rischio merita comunque controlli più severi
Una crescita più rapida delle capacità riduce il tempo disponibile per esaminare i modelli prima che vengano addestrati o distribuiti i successori. Anche senza assumere un’imminente superintelligenza, la ricerca sull’accelerazione dell’AI pone un problema di verifica: i laboratori conoscono i dati più importanti, mentre ricercatori esterni e autorità possono valutare solo ciò che viene loro concesso di osservare. Il caso METR mostra sia il valore dell’accesso indipendente sia il limite di conclusioni sostenute, in parte, da prove riservate.
Per testare le previsioni servono misure ripetibili di quanta ricerca venga svolta autonomamente dall’AI, quanto durino i compiti completati senza intervento umano e quali errori compaiano fuori dai benchmark. Andrebbero pubblicate metodologie e risultati aggregati, consentendo ad auditor qualificati di verificare anche dati riservati in condizioni protette. Occorre inoltre documentare chi approva gli esperimenti suggeriti dagli agenti, quali modifiche ai modelli possano essere eseguite automaticamente e quali decisioni richiedano una valutazione umana effettiva.
In Europa l’articolo 55 dell’AI Act prevede, per i fornitori di modelli di uso generale con rischio sistemico, valutazioni dei modelli, verifiche avversariali, mitigazione dei rischi, segnalazione degli incidenti gravi e protezioni di cybersicurezza. Questi obblighi offrono una base per vigilare sui sistemi più avanzati, mentre il dibattito aperto dai due rapporti riguarda anche la qualità e l’indipendenza delle prove con cui si stabilisce quando rafforzare le misure di sicurezza o rallentare uno sviluppo.
Tra previsione e decisione pubblica
L’AI Futures Project propone una pausa o un forte rallentamento coordinato della ricerca di frontiera, idealmente attraverso accordi internazionali. È una proposta di politica tecnologica derivata da un giudizio sul rischio. La scienza oggi permette di documentare un’accelerazione in alcune capacità e di valutare scenari che potrebbero seguirne; non fornisce una data affidabile per una catastrofe o una probabilità verificata di estinzione umana nei prossimi mesi.
Il 2027 va quindi trattato come un orizzonte di previsione da verificare, alla luce di nuove misure indipendenti e del progresso effettivo nell’automazione della ricerca. La possibilità di sottovalutare un’accelerazione ulteriore e quella di proiettare troppo lontano i risultati dei benchmark meritano entrambe attenzione.
Nel frattempo istituzioni e laboratori possono aumentare la trasparenza delle valutazioni, fissare soglie di rischio controllabili e assicurare che la supervisione umana resti operativa quando i sistemi iniziano a progettare quelli successivi.



Partecipa alla community