Nei processi di adozione dell’AI da parte delle imprese, la fase iniziale caratterizzata da progetti pilota – condotti principalmente con lo scopo di sperimentare e comprendere le potenzialità della tecnologia –, “si può considerare sostanzialmente conclusa”, sottolinea ad AI4Business Giovanni Miragliotta, full professor e co-direttore dell’Osservatorio Artificial Intelligence del Politecnico di Milano.
“Con l’avvento delle più recenti famiglie di modelli AI di frontiera e la svolta verso le capacità agentiche, l’adozione ha fatto un salto di qualità”, rileva Miragliotta.
In che termini intende “un salto di qualità”?
“Le aziende hanno ormai compreso che la cosiddetta ‘augmentation’ dei lavoratori – o produttività personale, usando una terminologia più comune in passato – rappresenta un’evoluzione positiva e necessaria nei processi di lavoro. Tuttavia, è maturata ormai la consapevolezza che l’aumentazione del singolo dipendente non costituisce il fattore di svolta per la competitività aziendale, in quanto l’incremento di produttività individuale da solo non è sufficiente a generare dei differenziali competitivi difendibili, e quindi a incidere sulle dinamiche di mercato: se tutti hanno accesso a Copilot, ad esempio, e ai migliori modelli che sono disponibili tramite esso, ogni lavoratore fa di più, meglio e in meno tempo, ma un vantaggio di questo tipo è temporaneo, e poco difendibile. Il fulcro dell’attenzione si è di conseguenza spostato sul ripensamento del modello operativo aziendale, alla luce delle nuove potenzialità e opportunità portate dall’AI”.
Indice degli argomenti:
Trasformare l’operating model delle aziende
Cosa sta cambiando nelle imprese più innovative e al passo con le evoluzioni tecnologiche in corso?
“Le imprese in questa fase stanno investendo per trasformare il proprio operating model – ovvero il combinato disposto di processi, tecnologia e organizzazione del lavoro –, e questo in un’organizzazione complessa è un compito estremamente difficile, poiché include e tocca una stratificazione di lungo termine che ha codificato il modello operativo corrente in termini di competenze, risorse, processi, sistemi informativi, vincoli – ad esempio, di compliance – e dinamiche di mercato. Questa transizione verso il cuore dei processi aziendali ha generato due direzioni di lavoro prioritarie”.
Quali sono queste direzioni?
“Una è la centralità e qualità del dato: le imprese toccano con mano come dati disordinati o di scarsa qualità limitino drasticamente l’efficacia delle soluzioni di AI. Mantenere in ordine i sistemi ERP, CRM, la documentazione aziendale e i flussi transazionali è oggi la condizione fondamentale per abilitare l’AI agentica e trarne valore immediato”.
Nuove tecnologie, decisioni dei manager, investimenti e ritorni
Qual è l’altra direttrice prioritaria?
“L’altra è chiaramente rappresentata dalla tecnologia, e dalle numerose decisioni che è necessario valutare e poi finalizzare, per mettere a terra il ridisegno immaginato. Le variabili tecnologiche sono molto numerose: certamente vi è attenzione al tema di quali modelli adottare, ma restano molte altre scelte che richiedono consapevolezza e competenza: l’equilibrio tra soluzioni buy – già pronte –, e build – sviluppo su piattaforme di vendor verticali –, oppure make – fine tuning di modelli –, in area GenAI, oppure addestramento di modelli propri, in area Classical AI, le decisioni infrastrutturali, l’ottimizzazione nel tempo del ciclo di vita dei modelli – e più precisamente del trade off costo-prestazioni –, per non dimenticare i temi della sicurezza, della riservatezza del dato e della conversazione”.
Che considerazioni si possono fare riguardo alla sostenibilità economica dell’AI, e ai consumi di token?
“Nonostante i progressi nella conoscenza e nella pratica, l’estrazione di valore economico diretto dai progetti di intelligenza artificiale avanzata rimane un nodo complesso, come rilevato in tutte le ricerche sul tema. L’implementazione di soluzioni capaci di incidere sul modello operativo richiede infatti cicli di sviluppo e messa a regime prolungati, investimenti ingenti e la gestione di architetture tecnologiche complesse”.
Modello di sviluppo americano versus modello cinese
Cos’altro si sta verificando, che impatta sui costi e sui conti delle imprese?
“Inoltre, sebbene il costo unitario dell’elaborazione per singolo modello si stia abbassando, in relazione alle prestazioni, è altrettanto vero che le applicazioni di AI agentica richiedono un volume di token notevolmente superiore rispetto al passato, generando uscite rilevanti per i budget aziendali e sollevando dubbi sul ritorno effettivo dell’investimento. E, di pari passo con i dubbi per gli utilizzatori, vanno le perplessità sulla traiettoria economica seguita dai principali sviluppatori statunitensi di modelli proprietari di frontiera, la cui sostenibilità è messa a dura prova dalla strategia competitiva della Cina”.
Infatti, come si sta muovendo la concorrenza cinese?
“I benchmark prestazionali indicano che i migliori modelli AI cinesi si collocano a pochissima distanza dai modelli proprietari di frontiera statunitensi. Ma i primi, in virtù di un modello distributivo molto diverso e, assai probabilmente, delle sovvenzioni dello Stato sovrano cinese, hanno costi di utilizzo – alias, di inferenza – molto inferiori, in alcuni casi addirittura di due ordini di grandezza”.
Con quali effetti e conseguenze?
“Ciò sta spingendo un numero crescente di aziende a spostare i propri consumi verso modelli open-weight, caratterizzati da maggiore sostenibilità economica per i flussi ad alto consumo di token. E questo mina alla base il modello di ritorno scelto dall’ecosistema americano, che forse sperava di scaricare sugli investimenti privati – venture capital prima, Borsa dopo – la raccolta del capitale necessario per spingere gli investimenti”.
Sistemi AI di frontiera e contraddizioni di fondo
Quali sono altre tendenze rilevanti in atto?
“A livello di ricerca e sviluppo, diversi studi confermano che siamo in una fase in cui il rendimento marginale degli investimenti nei modelli di frontiera sta stabilmente decrescendo. In altri termini, incrementare ulteriormente le prestazioni per la generazione successiva di modelli richiede di immettere nel sistema sempre più capitale finanziario ed energetico; in assenza di nuovi breakthrough scientifici – paragonabili alla scoperta del meccanismo di attenzione dei modelli transformer nel 2017 –, assisteremo dunque a uno scenario di maggiore stress dal punto di vista dei ritorni economici”.
Esiste anche un problema di sicurezza?
“La crescente potenza dei modelli pone seri problemi di sicurezza di sistema. I grandi laboratori di frontiera sviluppano capability sempre più avanzate che tuttavia non possono essere liberamente rilasciate sul mercato B2B e B2C per via dei rischi sistemici che tali modelli genererebbero, come evidenziato dalle limitazioni e dai mancati rilasci di alcuni modelli avanzati. Si delinea così una contraddizione di fondo: raccogliere e impiegare enormi capitali privati con la promessa di un ritorno economico sul mercato commerciale, per poi non poter distribuire le capability sviluppate per motivi di sicurezza”.
Per la ricerca di frontiera, adottare una logica da attore sovrano
Alla luce di tutto questo, quali possono essere i passi e gli sviluppi successivi?
“L’analisi dello scenario attuale evidenzia l’esigenza, per gli attori americani, di superare un modello di sviluppo basato esclusivamente sul capitale di rischio privato o sulla pressione borsistica, adottando per la ricerca di frontiera una logica da attore sovrano. La Cina adotta già una governance pubblica coordinata, dove lo Stato alloca direttamente le risorse per la supremazia tecnologica, e al tempo stesso crea le condizioni per un’adozione ampia e diffusa nelle imprese. Tra l’altro, a supporto di questa visione e impostazione strategica ci sono chiari e importanti precedenti storici”.
Quali sono questi precedenti?
“Ad esempio, quanto è già avvenuto in passato nel nucleare: le tecnologie nucleari per la supremazia militare non furono affidate alle dinamiche del mercato libero, ma gestite direttamente dallo Stato attraverso l’internalizzazione di laboratori, scienziati e risorse. O ancora, l’infrastruttura Internet: la rete web nacque originariamente come progetto di comunicazione riservato tra centri di ricerca e università per esigenze militari e strategiche, per poi essere aperta al mercato civile solo quando cambiarono le condizioni al contorno”.
Supremazia tecnologica sovrana da un lato, mercato libero dall’altro
E per quanto riguarda l’evoluzione dell’intelligenza artificiale?
“Se guardo al sistema americano, mi convinco che oggi può rendersi necessaria una biforcazione strategica nell’ecosistema dell’AI. Da un lato, lo sviluppo per la supremazia tecnologica, che andrà gestito e finanziato direttamente dallo Stato sovrano, con enfasi alla sicurezza nazionale e alla ricerca di frontiera, e slegato dalle aspettative di monetizzazione immediata a breve termine. Dall’altro lato, e in parallelo, lo sviluppo per il mercato commerciale, destinato alle imprese e ai consumatori, basato su modelli idonei, sicuri, con prestazioni rilasciate progressivamente, e figlio di investimenti economicamente sostenibili e anche calibrati sul tasso con cui la società civile può assorbire questa tecnologia così innovativa, senza eccessive tensioni”.
Il bivio strategico tra superintelligence statale e AI commerciale
Siamo di fronte a una svolta, un bivio, tra superintelligence statale e AI ordinaria commerciale?
“Io penso di sì: l’orientamento verso questa separazione trova un riscontro diretto nelle recenti direttive istituzionali statunitensi, come l’ordine esecutivo firmato dalla presidenza Trump. Il provvedimento introduce una distinzione formale a livello di governance tra la Superintelligence e l’AI ordinaria, dando mandato all’ufficio scientifico presidenziale di perimetrarne gli ambiti applicativi”.
Cosa significa questo?
“Una mossa di questo tipo può essere letta proprio come un segnale d’avvio della biforcazione strategica: isolare la governance delle capability di supremazia e superintelligenza avocandole allo Stato, e permettendo allo stesso tempo al mercato di adottare modelli proporzionati ed economicamente sostenibili per la trasformazione AI. Io penso che una migliore distinzione tra sforzo sovrano per la supremazia, tutelato da capitali e commesse pubbliche, e mercato commerciale, dove i ricavi dipenderanno dal valore effettivamente generato dagli strumenti AI, rappresenta un passaggio necessario perché gli USA possano affrontare con maggiore equilibrio rispetto a oggi le sfide della competitività e della sicurezza globale”.
Partecipa alla community