La traiettoria dell'AI è esponenziale. La nostra preparazione no

Cosa è successo?

METR, l'organizzazione nonprofit che misura le capacità dei modelli AI di frontiera, ha aggiornato il proprio indicatore chiave: il "time horizon", ossia la durata del task che un agente AI riesce a completare con il 50% di affidabilità. Claude Opus 4.6 di Anthropic ha raggiunto un orizzonte stimato di circa 14,5 ore su task software, con un intervallo di confidenza al 95% che va da 6 a 98 ore. È il valore più alto mai registrato da METR, ma il dato arriva con un caveat importante: la suite di test è quasi satura, il che rende la misurazione estremamente rumorosa — a tal punto che lo stesso David Rein di METR è intervenuto pubblicamente per dire che, con una distribuzione di task anche solo leggermente diversa, il risultato avrebbe potuto essere 8 ore o 20. Ciò che importa, però, è il doubling time, ossia il tempo necessario perché il time horizon raddoppi — sceso a circa 123 giorni (da 212 solo un anno fa).

Perché è importante?

Il dato METR va letto nel contesto di una convergenza di segnali che negli ultimi mesi ha reso il dibattito sulle traiettorie dell'AI molto più concreto.

• Sul Financial Times, Erik Brynjolfsson (Stanford) ha spiegato che il "decollo della produttività" legato all'AI è finalmente visibile nei dati macro statunitensi: la produttività nel 2025 sarebbe cresciuta del 2,7%, quasi il doppio della media del decennio precedente, mentre i dati occupazionali venivano rivisti al ribasso — il segno classico, secondo la sua "J-curve", di una transizione dalla fase di investimento a quella di raccolta. Brynjolfsson stesso riconosce però che la gran parte delle aziende usa l'AI ancora come un "glorified dictionary", mentre è un piccolo nucleo di power user a comprimere in ore settimane di lavoro.
• Il che solleva una domanda: se questi sono gli effetti con un'adozione ancora parziale e superficiale, cosa succede quando la curva delle capability — che raddoppia ogni quattro mesi — incontra un'adozione più profonda? Se lo è chiesto di recente Ajeya Cotra, giornalista e saggista esperta di AI. La sua tesi è che il vero disaccordo sul futuro dell'AI non riguarda più le timeline — quasi tutti concordano che sistemi molto capaci arriveranno entro pochi anni — ma la velocità del "takeoff", ossia quanto rapidamente le capability si tradurranno in trasformazione del mondo reale. Cotra distingue tre scenari: un takeoff rapido, in cui l'automazione della ricerca scientifica innesca un ciclo di feedback super-esponenziale; uno "lento" (che resta comunque radicale nell'arco di pochi anni); e uno nullo, in cui l'AI porta miglioramenti incrementali senza salti di paradigma.
• Da quale dei tre ci troviamo dipende tutto: dal vantaggio strategico tra nazioni, al rischio esistenziale, alla sensatezza o meno di rallentare lo sviluppo. Il problema è che gli esseri umani sono notoriamente pessimi nel cogliere le dinamiche esponenziali — come la pandemia di COVID ha dimostrato in modo piuttosto lampante — e tendono sistematicamente a sottostimare la velocità del cambiamento finché non ne sono travolti.

E adesso?

La risposta della governance, ad oggi, non è proporzionata a nessuno dei tre scenari di Cotra, nemmeno a quello più conservativo. Miles Brundage, ex responsabile policy di OpenAI e fondatore di AVERI, ha scritto che ci troviamo in una modalità “triage”: dopo un 2025 sostanzialmente perso sul fronte regolatorio — leggi annacquate dalle lobby, investimenti in biosicurezza tagliati, audit sui modelli di frontiera ancora inesistenti — l'obiettivo realistico non è più una governance ideale, ma un "80/20": mitigare l'80% dei rischi con il 20% dello sforzo che sarebbe stato necessario se ci fossimo mossi prima. Brundage si concentra sugli Stati Uniti, ma la diagnosi si estende senza difficoltà all'Europa e al resto del mondo: nessuno, ad oggi, richiede davvero alle aziende di AI di frontiera di dimostrare seriamente che i propri sistemi siano sicuri, né di condividere informazioni sufficienti perché qualcun altro possa verificarlo. Nel frattempo, i modelli superano la capacità stessa degli strumenti pensati per misurarli — come ammette METR. Il rischio più grande, a questo punto, potrebbe non essere l'AI in sé, ma il fatto che il divario tra la velocità del progresso tecnologico e quella dell'adattamento istituzionale continui ad allargarsi.