L’intelligenza artificiale corre più velocemente dei benchmark con cui la misuriamo, delle competenze con cui la insegniamo e forse perfino degli investimenti con cui la finanziamo. Il problema non è stabilire se l’AI sia una bolla o una rivoluzione: è capire quanto duri una verità sull’AI prima di diventare obsoleta.
La domanda scomoda: se un benchmark diventa vecchio in diciotto mesi, un corso universitario in tre anni e un data center deve essere ammortizzato in molti anni, chi sta correndo alla velocità giusta?
T — Tecnologia: quando invecchia perfino il metro
Un caso concreto mostra quanto sia difficile fotografare questa trasformazione.
Nel luglio 2025 METR pubblicò un esperimento condotto tra febbraio e giugno: sviluppatori open-source esperti, lavorando su repository che conoscevano, risultarono mediamente il 19% più lenti utilizzando strumenti AI.
Una conclusione apparentemente perfetta per chi sosteneva che l’AI nel coding fosse sopravvalutata.
Poi è arrivato il 24 febbraio 2026.
METR ha comunicato che, sulla base dell’esperimento successivo e delle testimonianze dei partecipanti, riteneva probabile che gli strumenti AI stessero ormai accelerando maggiormente gli sviluppatori rispetto all’inizio del 2025. Il problema? Lo stesso progresso tecnologico aveva complicato l’esperimento: alcuni sviluppatori non volevano più partecipare se costretti a lavorare senza AI e altri utilizzavano più agenti contemporaneamente, rendendo difficile persino misurare il tempo. METR considera quindi insufficienti i nuovi dati per stabilire con precisione l’entità dell’accelerazione.
Non è l’unico caso.
Nell’agosto 2024 SWE-bench Verified era stato creato con il contributo di esperti per valutare la capacità dei modelli di risolvere problemi software reali.
Il 23 febbraio 2026, OpenAI ha dichiarato di non considerarlo più adeguato per valutare i modelli di frontiera. Un audit ha rilevato problemi materiali nel 59,4% dei 138 task problematici esaminati e ha trovato evidenze di contaminazione dei dati di training.
Cinque mesi dopo è arrivato un altro paradosso: OpenAI ha comunicato di avere riscontrato problemi anche in circa il 30% dei task di SWE-Bench Pro, proprio il benchmark che aveva indicato come alternativa.
Non stanno diventando obsolete soltanto le risposte. A volte diventa obsoleto perfino il modo di fare la domanda.
E — Etica e persona: il professore scade davvero dopo tre anni?
Qui occorre separare provocazione e dato.
Non esiste evidenza che dimostri che “un professore diventa obsoleto dopo due o tre anni”.
Esiste invece un problema reale di obsolescenza delle competenze.
Il Future of Jobs Report 2025 del World Economic Forum, basato sulle aspettative di oltre mille aziende, stimava che entro il 2030 il 39% delle competenze fondamentali dei lavoratori sarebbe cambiato o diventato obsoleto. AI e big data risultavano tra le competenze in maggiore crescita.
Ma lo stesso rapporto collocava fra le competenze fondamentali anche pensiero analitico, creatività, resilienza, leadership e capacità di apprendimento.
Il professore che insegna nel 2026 soltanto dove cliccare nell’interfaccia dell’AI di oggi rischia quindi davvero di insegnare archeologia digitale nel 2028.
Chi insegna come verificare una fonte, comprendere un algoritmo, formulare un problema, falsificare un’ipotesi e riconoscere i limiti di una risposta, invece, potrebbe diventare ancora più importante.
L’AI non rende necessariamente obsoleto il docente. Può rendere obsoleto un certo modo di insegnare.
S — Standard e misurazione: prima di entusiasmarci…
C’è un altro numero che aiuta a capire il problema.
Lo Stanford AI Index 2025 ha calcolato che il costo per interrogare un modello capace di raggiungere prestazioni equivalenti a GPT-3.5 sul benchmark MMLU era sceso da circa 20 dollari per milione di token nel novembre 2022 a 0,07 dollari nell’ottobre 2024.
Una riduzione superiore a 280 volte in circa 18 mesi.
Nel frattempo, la performance dell’hardware per machine learning cresceva secondo Stanford di circa il 43% l’anno, mentre il rapporto prezzo/prestazioni migliorava di circa il 30% annualmente.
Ecco il problema industriale.
Un’infrastruttura fisica viene progettata pensando agli anni. Una generazione tecnologica AI può cambiare radicalmente in mesi.
T — Tutele ed economia: miliardi investiti in cosa?
Qui il commento ricevuto centra probabilmente il punto più sottovalutato.
Nel gennaio 2025, Microsoft annunciava di essere sulla traiettoria per investire circa 80 miliardi di dollari nell’anno fiscale 2025 nella costruzione di data center AI.
Alphabet prevedeva inizialmente circa 75 miliardi di dollari di CapEx nel 2025, poi portati a circa 85 miliardi nel luglio dello stesso anno per sostenere, fra l’altro, domanda Cloud e AI.
Meta, nel gennaio 2025, prevedeva 60-65 miliardi, successivamente elevati a 64-72 miliardi, citando ulteriori investimenti nei data center per l’AI e maggiori costi dell’hardware.
E non riguarda soltanto le aziende.
L’11 febbraio 2025, la Commissione europea ha annunciato InvestAI, con l’obiettivo di mobilitare 200 miliardi di euro, compresi 20 miliardi destinati a un fondo per le gigafactory AI.
Questi numeri non dimostrano né che gli investimenti saranno redditizi né che saranno sbagliati.
Dimostrano qualcosa di diverso: il capitale sta facendo scommesse di lungo periodo su una tecnologia il cui rapporto fra capacità, costo e infrastruttura cambia con straordinaria rapidità.
L’esempio del bar
È come spendere milioni per costruire il bar più grande della città perché tutti stanno bevendo caffè.
Poi qualcuno inventa una macchina che produce lo stesso caffè utilizzando un decimo dello spazio.
Ottima notizia per chi beve.
Un po’ meno per chi ha appena acceso un mutuo trentennale sul bar.
A — Ambiente: il software corre, la rete elettrica no
La stessa asincronia riguarda l’energia.
Nel 2025 la domanda elettrica mondiale dei data center è aumentata del 17%, mentre quella dei data center focalizzati sull’AI è cresciuta ancora più rapidamente. L’IEA prevede che il consumo globale dei data center possa passare da circa 485 TWh nel 2025 a 950 TWh nel 2030.
Ma l’IEA evidenzia anche l’incertezza della previsione.
Hardware e software diventano più efficienti, mentre contemporaneamente aumentano utenti e applicazioni molto più energivore, come reasoning, video e agenti. Alcuni di questi utilizzi possono richiedere centinaia o migliaia di volte l’energia di una semplice generazione testuale.
E soprattutto c’è un problema di velocità: secondo l’IEA un data center può diventare operativo in due-tre anni, mentre costruire l’infrastruttura energetica necessaria può richiedere tempi decisamente superiori.
Ancora una volta, due orologi differenti.
Il paradosso
Il mito più pericoloso potrebbe quindi non essere:
“l’AI farà tutto”.
E neppure:
“l’AI non è realmente capace di farlo”.
Il mito potrebbe essere credere che possiamo descrivere una tecnologia in accelerazione utilizzando categorie statiche.
Il risultato METR del 2025 era reale.
Il problema nasce quando “nel 2025 abbiamo misurato questo” diventa “l’AI è questo”.
Lo stesso vale al contrario: miliardi investiti, benchmark impressionanti e dimostrazioni spettacolari non dimostrano automaticamente produttività, sostenibilità economica o beneficio sociale.
Cosa sappiamo / cosa ancora non sappiamo
Sappiamo che capacità e costi dell’AI stanno cambiando rapidamente; che alcune metriche utilizzate appena due anni fa stanno mostrando limiti; che aziende e governi stanno impegnando capitali enormi; che la domanda energetica dei data center sta crescendo; e che il mercato del lavoro richiederà un aggiornamento continuo delle competenze.
Non sappiamo ancora quale quota degli investimenti infrastrutturali produrrà ritorni adeguati, quali professioni verranno trasformate più profondamente, quanto velocemente gli agenti diventeranno affidabili nel lavoro reale e quale sarà l’equilibrio finale fra aumento dell’efficienza e crescita della domanda.
Ed è proprio qui che il metodo dovrebbe precedere l’entusiasmo.
Non basta domandare:
“Quanto è potente questa AI?”
Bisognerebbe aggiungere:
Rispetto a quando? Con quale benchmark? A quale costo? Per quanto tempo resterà competitivo l’investimento? Quale competenza stiamo formando? E chi pagherà se la previsione era sbagliata?
Perché nell’AI del 2026 potrebbe esserci qualcosa che diventa obsoleto ancora più rapidamente della tecnologia: le nostre certezze sulla tecnologia.
Cronologia essenziale
2024: nasce SWE-bench Verified come benchmark curato per valutare il coding autonomo. Gennaio-febbraio 2025: Microsoft annuncia circa $80 miliardi di investimenti nei data center AI per FY2025; Alphabet indica inizialmente $75 miliardi di CapEx; Meta $60-65 miliardi; l’UE lancia InvestAI da €200 miliardi. Luglio 2025: METR pubblica il risultato del 19% di rallentamento nello studio sugli sviluppatori esperti. Febbraio 2026: METR segnala che gli strumenti più recenti probabilmente producono un’accelerazione maggiore; OpenAI abbandona SWE-bench Verified come metrica frontier. Luglio 2026: OpenAI segnala problemi anche in circa il 30% di SWE-Bench Pro.
Abstract: opportunità e rischi
Pro: AI più economica e capace può aumentare produttività, democratizzare strumenti sofisticati, accelerare ricerca e innovazione e creare nuove competenze.
Rischi: investimenti infrastrutturali costruiti su aspettative che cambiano rapidamente; competenze troppo legate a strumenti temporanei; benchmark incapaci di rappresentare le capacità reali; crescente consumo energetico; concentrazione economica e divario tra chi dispone di capitale e capacità computazionale e chi ne dipende.
La conseguenza sociale più interessante potrebbe essere una trasformazione del concetto stesso di competenza: sapere una tecnologia potrebbe valere meno; saper imparare, verificarla e metterla in discussione potrebbe valere molto di più.
_______
Nota sulla trasparenza: questo articolo è stato realizzato con il supporto di strumenti di Intelligenza Artificiale per la ricerca, l’organizzazione e la rielaborazione delle informazioni. Anche l’immagine di accompagnamento è stata realizzata con strumenti di Intelligenza Artificiale. I contenuti, le fonti e l’impostazione editoriale sono stati verificati e sottoposti a revisione umana.