CHI HA PAURA DELL’INTELLIGENZA ARTIFICIALE?

 

CHI HA PAURA DELL’INTELLIGENZA ARTIFICIALE?

DAL SOFTWARE GENERATIVO AGLI AGENTI, DALLA MEDICINA ALLA ROBOTICA: CHE COSA L’AI SA GIÀ FARE, DOVE STA ANDANDO E QUALI RISCHI DOBBIAMO PRENDERE SUL SERIO

Ogni tecnologia realmente trasformativa produce due errori speculari. Il primo consiste nel sottovalutarla, considerandola una moda destinata a rientrare. Il secondo consiste nel sopravvalutarla, attribuendole capacità che ancora non possiede e trasformando una tecnologia in una mitologia. Nel 2026 l’intelligenza artificiale si trova esattamente fra questi due estremi. Non è più ragionevole descriverla come un semplice chatbot evoluto; è altrettanto poco ragionevole presentarla come una mente universale prossima a sostituire l’essere umano in ogni attività. La questione interessante, per chi lavora nell’informatica, nella ricerca, nell’impresa o nelle professioni ad alta intensità di conoscenza, non è dunque stabilire se essere ottimisti o pessimisti. È capire che cosa stia realmente cambiando.

I dati più recenti indicano una tecnologia che continua a migliorare rapidamente, ma in maniera irregolare. Lo Stanford AI Index 2026 descrive una «frontiera frastagliata»: sistemi capaci di risultati eccezionali in matematica, programmazione, ragionamento multimodale e scienze possono contemporaneamente fallire in compiti apparentemente elementari. Gli agenti software hanno compiuto progressi notevoli nell’uso autonomo del computer, ma rimangono lontani dall’affidabilità richiesta per delegare senza controllo processi critici. La robotica mostra ancora più chiaramente questa asimmetria: prestazioni elevate negli ambienti strutturati e difficoltà molto maggiori nel mondo domestico e imprevedibile. È forse questa la premessa più importante: l’AI del 2026 non è una nuova intelligenza generale uniforme. È una costellazione di capacità molto potenti, distribuite in modo diseguale.

DALLA GENERAZIONE DI TESTO ALLA GENERAZIONE DI LAVORO

La prima fase dell’AI generativa è stata dominata dalla produzione di contenuti: testo, immagini, codice, voce, musica e video. La fase che si sta aprendo è diversa. Il punto non è più soltanto generare un risultato, ma eseguire una sequenza di operazioni necessarie per raggiungere un obiettivo. È la transizione dai modelli generativi agli agenti. Un agente può ricevere un incarico, scomporlo in passaggi, interrogare fonti, utilizzare applicazioni, scrivere o modificare file, controllare l’esito delle proprie azioni e correggere il percorso. In altre parole, l’unità economica dell’AI si sta spostando dal «contenuto prodotto» al «lavoro completato».

La distanza fra dimostrazione e affidabilità industriale resta però decisiva. Nel 2026 l’adozione organizzativa dell’AI è ormai molto ampia: lo Stanford AI Index registra l’uso dell’AI nell’88% delle organizzazioni considerate e l’impiego dell’AI generativa in almeno una funzione nel 70%. Ma l’adozione degli agenti rimane molto più bassa. La più recente indagine McKinsey mostra che sono soprattutto le grandi imprese a portarli in produzione: il 40% delle organizzazioni con ricavi superiori al miliardo di dollari dichiara di stare scalando sistemi agentici, mentre nelle aziende più piccole la quota rimane intorno al 22%. Questo divario è significativo: per utilizzare seriamente gli agenti non basta acquistare un modello. Occorrono dati, integrazioni, autorizzazioni, sistemi di verifica, cybersecurity e una ridefinizione dei processi.

IL SOFTWARE È IL PRIMO LABORATORIO DEL NUOVO LAVORO

La programmazione è probabilmente il settore nel quale il cambiamento è più visibile. Gli assistenti di coding non si limitano più al completamento automatico: leggono repository, propongono architetture, generano test, individuano errori, documentano funzioni e possono affrontare autonomamente ticket relativamente complessi. Sul benchmark SWE-bench Verified le prestazioni dei sistemi di punta sono cresciute in modo impressionante in un solo anno. Parallelamente, gli studi di produttività citati dall’AI Index riportano incrementi medi rilevanti nello sviluppo software, pur con differenze importanti fra compiti, livelli di esperienza e modalità d’uso.

Il fenomeno più interessante è però industriale. Secondo McKinsey, quasi un terzo delle organizzazioni intervistate dichiara di avere rinunciato all’acquisto di almeno un prodotto o di una funzionalità software perché poteva costruirla internamente con strumenti di coding agentico. Se questa tendenza continuerà, non cambierà soltanto il mestiere del programmatore: cambierà il mercato del software. Molte funzioni oggi vendute come prodotti standard potrebbero diventare software generato o adattato direttamente all’interno dell’organizzazione. Il valore si sposterebbe dalla scrittura manuale del codice alla definizione dell’architettura, alla verifica, alla sicurezza, alla comprensione del dominio e alla capacità di specificare correttamente ciò che il sistema deve fare.

L’IMPRESA: DALL’ASSISTENTE ALL’ORCHESTRATORE

Nel lavoro d’ufficio l’AI è già entrata in attività che fino a pochi anni fa sembravano difficili da automatizzare: sintesi documentale, analisi di contratti, preparazione di presentazioni, ricerca interna, customer service, marketing, traduzione, gestione della conoscenza, supporto alle vendite, analisi di dati non strutturati. La novità è che queste funzioni cominciano a collegarsi. Un sistema può leggere una richiesta di un cliente, recuperare la documentazione tecnica, verificare lo stato di un ordine, predisporre una risposta e aprire una pratica. Non è ancora prudente eliminare il controllo umano nei processi ad alto impatto, ma l’automazione non riguarda più soltanto singoli compiti: riguarda flussi di lavoro.

I risultati economici, tuttavia, invitano alla sobrietà. Molti dipendenti dichiarano aumenti di produttività individuale, mentre l’impatto sui profitti aziendali è ancora molto meno uniforme. McKinsey rileva che il 37% delle organizzazioni attribuisce all’AI un contributo all’EBIT, una quota sostanzialmente stabile rispetto all’anno precedente. È un promemoria importante: comprare intelligenza artificiale non equivale a produrre valore. Il valore nasce quando tecnologia, organizzazione, dati e responsabilità vengono riprogettati insieme.

MEDICINA: L’AI È GIÀ ENTRATA NELLA CLINICA

La medicina è uno dei campi nei quali bisogna distinguere con maggiore attenzione fra realtà e promessa. L’AI è già utilizzata in radiologia, cardiologia, neurologia, oftalmologia, analisi di immagini, segmentazione anatomica, supporto diagnostico e monitoraggio. L’elenco della FDA dei dispositivi medici abilitati dall’intelligenza artificiale continua ad aggiornarsi e mostra una presenza particolarmente forte nella diagnostica per immagini. Nel frattempo si stanno diffondendo sistemi di ambient clinical intelligence che ascoltano la conversazione medico-paziente e producono automaticamente la documentazione clinica, riducendo il carico amministrativo.

Più ambiziosa è la prospettiva dei digital twin clinici: rappresentazioni computazionali dinamiche di un paziente, alimentate da dati longitudinali, che potrebbero consentire simulazioni e previsioni personalizzate. La ricerca cresce rapidamente, ma il divario fra pubblicazioni promettenti e validazione clinica rimane ampio. Lo Stanford AI Index segnala che, in una revisione di oltre cinquecento studi sull’AI clinica, quasi metà utilizzava domande simili a quelle d’esame e soltanto una piccola percentuale impiegava dati clinici reali. La medicina ricorda quindi a tutto il settore una regola fondamentale: un modello può essere brillante in laboratorio e non essere ancora pronto per decidere sulla vita di una persona.

SCIENZA: UNA MACCHINA CHE NON SI LIMITA A LEGGERE LA LETTERATURA

In biologia, chimica, fisica e scienza dei materiali l’AI sta assumendo un ruolo che va oltre la classificazione dei dati. I modelli possono suggerire strutture molecolari, prevedere proprietà, ridurre lo spazio delle ipotesi, aiutare a progettare esperimenti e analizzare quantità di letteratura impossibili da seguire manualmente. La prospettiva più interessante è quella dei laboratori parzialmente autonomi, nei quali un sistema propone un esperimento, un apparato robotizzato lo esegue, i risultati vengono analizzati automaticamente e il ciclo ricomincia.

Non significa che il metodo scientifico venga sostituito. Significa che può accelerare il ciclo ipotesi-esperimento-verifica. La parte difficile continuerà a essere stabilire quali domande meritino di essere poste, distinguere correlazione e causalità, riconoscere errori sistematici e attribuire significato ai risultati. In questo senso l’AI può diventare un moltiplicatore della scienza, ma non elimina la necessità dell’epistemologia.

ROBOTICA: QUANDO L’INTELLIGENZA DEVE AVERE UN CORPO

Il passaggio dal mondo digitale a quello fisico è uno dei grandi fronti di sviluppo. La combinazione fra modelli multimodali, visione artificiale, apprendimento per rinforzo e robotica sta producendo sistemi capaci di interpretare istruzioni linguistiche e tradurle in azioni. Industria, logistica, agricoltura, edilizia, manutenzione e assistenza sono campi naturali di applicazione. I robot industriali operano da tempo con efficienza straordinaria in ambienti controllati; la sfida è renderli adattabili a situazioni non previste.

Qui l’entusiasmo deve confrontarsi con la fisica. Lo Stanford AI Index 2026 rileva che i robot raggiungono prestazioni molto elevate in benchmark simulati di manipolazione, ma riescono ancora soltanto in una piccola frazione dei compiti domestici. Un bicchiere fuori posto, un tessuto deformabile, un oggetto parzialmente nascosto o una persona che attraversa improvvisamente lo spazio introducono complessità che un ambiente digitale non possiede. La robotica generalista progredirà, ma probabilmente più lentamente dei sistemi puramente software.

INDUSTRIA, LOGISTICA, AGRICOLTURA ED EDILIZIA

Nella produzione industriale l’AI viene già impiegata per manutenzione predittiva, controllo qualità, ottimizzazione dei processi, pianificazione della produzione e gestione della supply chain. La visione artificiale individua difetti difficili da riconoscere a occhio; modelli predittivi stimano guasti; sistemi di ottimizzazione riducono scarti e consumi. Nella logistica, algoritmi e agenti coordinano inventari, percorsi e movimentazione. Nell’agricoltura, sensori, droni e sistemi di visione possono intervenire in modo selettivo su irrigazione, fertilizzazione, infestanti e malattie.

L’edilizia rappresenta un caso particolarmente interessante perché combina ambiente fisico non strutturato, sicurezza, progettazione e logistica. Robot mobili, droni di ispezione, modellazione digitale e AI possono trasformare il cantiere in un sistema cyberfisico capace di confrontare continuamente progetto e costruito. Non è necessario immaginare cantieri completamente privi di esseri umani: è più realistico prevedere una progressiva automazione delle attività ripetitive, pericolose, misurabili e logisticamente complesse, mentre alle persone resteranno supervisione, adattamento, decisione e gestione delle anomalie.

TRASPORTI: L’AUTONOMIA NON È UN INTERRUTTORE

La guida autonoma mostra bene perché parlare semplicemente di «AI che sostituisce l’uomo» sia fuorviante. L’autonomia è un continuum. In contesti geograficamente delimitati, con mappe accurate e condizioni controllate, sistemi senza conducente possono già offrire servizi reali. Generalizzare queste prestazioni a ogni strada, clima, comportamento umano e situazione eccezionale è molto più difficile. Lo stesso vale per droni, navi e sistemi ferroviari. Il futuro sarà probabilmente composto da isole di autonomia crescente, non da un passaggio improvviso da veicoli umani a veicoli totalmente autonomi.

FINANZA, DIRITTO E PROFESSIONI AD ALTA INTENSITÀ DI CONOSCENZA

Nella finanza l’AI è utilizzata per rilevare frodi, analizzare documenti, valutare rischi, assistere il servizio clienti e supportare la ricerca. Nel diritto può confrontare contratti, individuare clausole, ricostruire precedenti, predisporre bozze e organizzare grandi masse documentali. Nella consulenza, nell’ingegneria e nella contabilità svolge una funzione analoga: comprime il tempo necessario per passare dai dati a una prima interpretazione.

Ma proprio questi settori mostrano il limite dell’automazione fondata soltanto sulla plausibilità linguistica. Una risposta giuridicamente elegante può essere falsa; una ricostruzione finanziaria coerente può poggiare su dati errati. Nei domini regolamentati l’AI efficace sarà quindi sempre più accompagnata da sistemi di retrieval controllato, tracciabilità delle fonti, validazione, logging e responsabilità esplicita. La competenza professionale non scompare: cambia posizione. Meno tempo nella produzione della prima bozza, più tempo nella verifica e nella decisione.

ISTRUZIONE: IL PROBLEMA NON È IMPEDIRE AGLI STUDENTI DI USARLA

L’istruzione si trova davanti a una contraddizione. L’AI può fornire tutoraggio personalizzato, spiegazioni adattive, esercizi, simulazioni, traduzioni, strumenti per studenti con disabilità e supporto agli insegnanti. Allo stesso tempo può trasformarsi in una macchina per evitare proprio lo sforzo cognitivo che dovrebbe produrre apprendimento. Nel 2026 oltre quattro studenti universitari su cinque negli Stati Uniti utilizzano strumenti generativi per attività scolastiche, mentre le politiche educative restano molto meno mature.

La domanda seria non è dunque come proibire l’AI, ma quali capacità debbano essere esercitate senza AI e quali possano essere amplificate con l’AI. Una scuola che ignorasse questi strumenti preparerebbe gli studenti a un mondo che non esiste più; una scuola che delegasse loro ogni esercizio di scrittura, calcolo, ricerca e ragionamento rischierebbe di produrre utenti efficienti ma cognitivamente dipendenti.

CREATIVITÀ, EDITORIA, MUSICA E AUDIOVISIVO

Nei settori creativi l’AI ha già abbassato drasticamente il costo della prototipazione. Testi, storyboard, immagini, voci sintetiche, musica, animazioni e video possono essere prodotti in tempi che pochi anni fa sarebbero stati incompatibili con un piccolo studio o un singolo autore. Questo democratizza alcune capacità produttive, ma produce contemporaneamente un’inflazione dell’offerta. Quando creare un’immagine tecnicamente corretta diventa quasi gratuito, l’immagine tecnicamente corretta perde valore.

Il valore tende allora a spostarsi verso ciò che rimane scarso: idea, gusto, selezione, riconoscibilità, reputazione, accesso ai diritti, capacità di costruire un universo coerente. Per editori, musicisti, fotografi, designer e produttori audiovisivi il conflitto decisivo riguarderà anche provenienza dei dati, licenze, remunerazione e riconoscibilità dell’autore. L’AI non elimina la creatività; rende più urgente stabilire che cosa intendiamo per creatività quando l’esecuzione formale può essere delegata.

CYBERSECURITY: L’AI ARMA ENTRAMBI I LATI

La sicurezza informatica è uno dei campi nei quali l’AI possiede una natura inevitabilmente duale. Può analizzare log, individuare anomalie, classificare malware, correlare segnali e accelerare la risposta agli incidenti. Ma le stesse capacità possono rendere più economiche campagne di phishing, social engineering, impersonificazione vocale e produzione di contenuti ingannevoli. La conseguenza più profonda potrebbe essere una crisi della fiducia digitale: fotografie, registrazioni, voci e documenti non potranno più essere considerati autentici soltanto perché appaiono convincenti.

La risposta sarà probabilmente infrastrutturale: firme crittografiche, provenienza verificabile, autenticazione forte, registri delle trasformazioni e sistemi capaci di attestare non soltanto che cosa vediamo, ma da dove proviene. Nell’epoca dell’AI la sicurezza dell’informazione diventa anche sicurezza dell’autenticità.

PUBBLICA AMMINISTRAZIONE E CITTÀ

Nella pubblica amministrazione l’AI può aiutare a classificare pratiche, interrogare normative, semplificare documenti, assistere cittadini, individuare anomalie, prevedere fabbisogni e ottimizzare servizi. Nelle città può contribuire a mobilità, energia, manutenzione, gestione dei rifiuti e monitoraggio ambientale. Ma quando un algoritmo influenza l’accesso a un servizio, una graduatoria, un controllo o una decisione amministrativa, trasparenza e possibilità di ricorso diventano essenziali. L’efficienza non può sostituire la legittimità.

LAVORO: SOSTITUZIONE O RICOMPOSIZIONE?

È il tema che alimenta più paura e sul quale le previsioni sono più fragili. Alcune mansioni verranno certamente automatizzate; altre saranno trasformate; altre ancora nasceranno. Il World Economic Forum colloca specialisti di AI e machine learning, big data, software e sicurezza fra le professioni a crescita più rapida verso il 2030. Contemporaneamente, lo Stanford AI Index rileva segnali di pressione soprattutto sui lavoratori più giovani in alcune professioni esposte, come lo sviluppo software. Un terzo delle organizzazioni intervistate prevede riduzioni di organico collegate all’AI nel prossimo anno, ma le perdite aggregate previste non si sono ancora manifestate con la stessa intensità nei dati complessivi sull’occupazione.

Probabilmente la domanda «quali lavori scompariranno?» è formulata male. I lavori sono insiemi di compiti. L’AI automatizza prima alcuni compiti, modificando il valore relativo degli altri. Un medico può dedicare meno tempo alla documentazione e più al paziente; un programmatore meno alla sintassi e più all’architettura; un avvocato meno alla prima ricerca e più alla strategia; un insegnante meno alla preparazione ripetitiva e più alla relazione educativa. Ma questa trasformazione non è automaticamente positiva: se le organizzazioni utilizzano l’AI soltanto per ridurre costi e personale, i guadagni di produttività possono concentrarsi. La tecnologia determina ciò che è possibile; istituzioni e imprese determinano come i benefici vengono distribuiti.

IL GRANDE LIMITE: L’AFFIDABILITÀ

La caratteristica più pericolosa dei modelli generativi non è che sbaglino. Tutti gli strumenti sbagliano. È che possono sbagliare con la stessa fluidità con cui producono una risposta corretta. Un sistema linguistico ottimizza la produzione di una continuazione plausibile; non possiede automaticamente un vincolo di verità. Retrieval, strumenti esterni, verificatori, esecuzione di codice e sistemi agentici possono ridurre il problema, ma non lo eliminano.

Per questo il futuro professionale dell’AI sarà probabilmente meno simile a un oracolo universale e più simile a un’architettura composta: modello, database, strumenti, regole, controlli, autorizzazioni, verificatori e supervisione umana. L’intelligenza apparente dell’interfaccia sarà soltanto la parte visibile di sistemi molto più complessi.

DATI, PRIVACY E POTERE

Ogni grande sistema di AI vive di tre risorse: dati, calcolo e capitale. Questo introduce una questione geopolitica. Lo Stanford AI Index 2026 mostra una forte concentrazione della produzione dei modelli di frontiera e dell’infrastruttura, mentre Stati Uniti e Cina competono sempre più da vicino sulle prestazioni. La dipendenza della filiera dei semiconduttori da pochi produttori e la concentrazione dei data center trasformano l’AI in una questione di sovranità tecnologica.

Per imprese e istituzioni europee il problema non riguarda soltanto quale modello sia migliore. Riguarda dove risiedono i dati, chi controlla l’infrastruttura, quali dipendenze strategiche vengono create, come vengono rispettati i diritti e quanto sia possibile cambiare fornitore. Il futuro dell’AI sarà anche una storia di standard, interoperabilità e capacità di evitare nuove forme di lock-in.

IL COSTO FISICO DELL’INTELLIGENZA DIGITALE

L’AI appare immateriale perché la incontriamo attraverso uno schermo, ma è una tecnologia profondamente fisica. Richiede semiconduttori, data center, reti, sistemi di raffreddamento ed elettricità. L’International Energy Agency rileva che nel 2025 il consumo elettrico globale dei data center è cresciuto del 17%, mentre quello dei data center orientati all’AI è aumentato molto più rapidamente. Allo stesso tempo l’efficienza per singolo compito migliora a velocità straordinaria.

Il paradosso è noto agli economisti dell’energia: rendere una tecnologia più efficiente può aumentarne l’uso complessivo. Una semplice richiesta testuale diventa sempre meno costosa, ma ragionamento prolungato, generazione video e sistemi agentici possono consumare centinaia o migliaia di volte più energia per operazione. La sostenibilità dell’AI non dipenderà quindi soltanto dall’efficienza dei chip, ma anche da quali applicazioni sceglieremo di moltiplicare.

LA PAURA PIÙ RAGIONEVOLE: NON CHE L’AI DIVENTI UMANA, MA CHE DIVENTI INFRASTRUTTURA

Gran parte dell’immaginario pubblico continua a concentrarsi sull’idea di una macchina che acquista coscienza. È una possibilità filosoficamente affascinante, ma non è necessario arrivare a quel punto perché l’AI modifichi profondamente la società. Una tecnologia può trasformare il potere senza essere cosciente. Gli algoritmi di raccomandazione lo hanno già dimostrato.

La questione decisiva è che l’AI potrebbe diventare un’infrastruttura invisibile incorporata in software, amministrazioni, imprese, ospedali, scuole, automobili e sistemi scientifici. Quando una tecnologia diventa infrastruttura, smettiamo di percepirla come tecnologia e cominciamo semplicemente a vivere al suo interno. È allora che governance, audit, trasparenza e responsabilità diventano più importanti delle dimostrazioni spettacolari.

E L’INTELLIGENZA ARTIFICIALE GENERALE?

Il dibattito sull’AGI resta aperto anche perché manca una definizione universalmente accettata. I progressi nei benchmark sono reali, ma la loro estrapolazione lineare è rischiosa. Sistemi eccellenti in matematica possono fallire in percezioni banali; agenti capaci di completare compiti informatici complessi possono perdersi in procedure semplici; robot impressionanti in laboratorio possono essere fragili in una cucina. Non sappiamo se queste irregolarità siano ostacoli temporanei risolvibili con scala, dati, memoria e nuovi algoritmi oppure indizi di limiti più profondi delle architetture attuali.

Per un addetto ai lavori, la posizione più razionale è quindi evitare sia il dogma dell’imminenza sia quello dell’impossibilità. Prepararsi a sistemi molto più capaci non richiede credere che diventeranno coscienti. È sufficiente osservare la velocità con cui stanno migliorando le capacità economicamente utili.

CHE COSA POTREBBE ACCADERE NEI PROSSIMI CINQUE ANNI

La previsione più plausibile non è l’arrivo improvviso di una superintelligenza che sostituisce ogni software. È la progressiva agentificazione dell’informatica. Sempre più applicazioni verranno utilizzate attraverso linguaggio naturale; i sistemi potranno operare su più programmi; memoria e personalizzazione diventeranno persistenti; modelli specializzati lavoreranno insieme; una parte crescente del software verrà generata al bisogno; robot e sistemi autonomi conquisteranno ambienti fisici ben delimitati; ricerca scientifica e progettazione utilizzeranno cicli sempre più automatizzati.

Vedremo inoltre una differenziazione. I modelli più potenti resteranno costosi e concentrati; modelli piccoli, locali e specializzati verranno eseguiti su computer, telefoni, automobili, macchinari e dispositivi medici. L’AI non sarà un unico cervello centrale: sarà un ecosistema di intelligenze distribuite, alcune connesse al cloud, altre residenti sul dispositivo, altre incorporate nelle macchine.

CHE COSA POTREBBE FRENARLA

Esistono almeno cinque freni strutturali: affidabilità, energia, disponibilità di dati di qualità, sicurezza e regolazione. A questi si aggiunge un sesto fattore spesso sottovalutato: l’economia. I modelli devono produrre valore superiore al costo di calcolo, integrazione e supervisione. Nel 2026 un’organizzazione su cinque, secondo McKinsey, dichiara già di limitare alcuni impieghi dell’AI a causa dei costi operativi. La corsa alle capacità dovrà quindi diventare anche una corsa all’efficienza.

CHI DOVREBBE AVERE PAURA, ALLORA?

Non esiste una risposta unica. Dovrebbe preoccuparsi chi svolge un’attività interamente composta da operazioni digitali standardizzabili e pensa che il proprio mestiere resterà identico. Dovrebbe preoccuparsi l’impresa che affida processi critici a sistemi non verificati. Dovrebbe preoccuparsi lo Stato che diventa tecnologicamente dipendente senza comprendere l’infrastruttura che utilizza. Dovrebbe preoccuparsi la scuola che confonde l’uso di uno strumento con l’apprendimento. Dovrebbe preoccuparsi il cittadino che non sa più distinguere un documento autentico da una simulazione.

Ma dovrebbe preoccuparsi anche chi decide di non utilizzare l’AI per principio. In molti settori il rischio non sarà soltanto essere sostituiti dall’intelligenza artificiale. Sarà essere superati da persone e organizzazioni che hanno imparato a utilizzarla meglio.

NON UNA MACCHINA CONTRO L’UOMO, MA UNA NUOVA DIVISIONE DEL LAVORO COGNITIVO

La contrapposizione «uomo contro macchina» è probabilmente l’eredità meno utile dell’immaginario novecentesco. La trasformazione più realistica riguarda una nuova divisione del lavoro cognitivo. Alle macchine saranno affidati sempre più spesso ricerca estensiva, trasformazione, calcolo, generazione di alternative, simulazione e controllo di grandi spazi informativi. Agli esseri umani resteranno - e diventeranno più preziosi - definizione degli obiettivi, responsabilità, giudizio nei casi ambigui, comprensione del contesto, relazione, negoziazione, valori e capacità di decidere che cosa non debba essere ottimizzato.

Naturalmente anche questa divisione potrà cambiare. Ma il punto fondamentale è che l’AI non arriva in una società immobile. Modifica contemporaneamente strumenti, competenze, organizzazioni e aspettative. Per questo non basta insegnare a «usare ChatGPT» o qualsiasi altro prodotto del momento. Occorre sviluppare una cultura dell’intelligenza artificiale: comprendere modelli, dati, probabilità, limiti, sicurezza, diritto, costi e conseguenze organizzative.

CHI HA PAURA DELL’INTELLIGENZA ARTIFICIALE?

Forse quasi tutti, per ragioni differenti. Il lavoratore teme di perdere il proprio ruolo. Il professionista teme di perdere l’esclusività della propria competenza. L’artista teme la svalutazione dell’opera. L’impresa teme di investire troppo tardi o troppo presto. Il legislatore teme di regolare una tecnologia che cambia più rapidamente delle norme. Il ricercatore teme che sistemi sempre più potenti diventino difficili da comprendere e controllare.

Sono timori legittimi. Ma la paura diventa poco utile quando sostituisce l’analisi. L’intelligenza artificiale del 2026 non è né un giocattolo né una divinità tecnologica. È una tecnologia generale che sta penetrando progressivamente nelle infrastrutture cognitive della società. Alcune promesse verranno ridimensionate; alcune applicazioni falliranno; alcune professioni saranno meno sconvolte del previsto. Altre trasformazioni arriveranno invece più rapidamente di quanto oggi immaginiamo.

La domanda decisiva, quindi, non è se l’intelligenza artificiale diventerà più intelligente di noi in un astratto confronto universale. È molto più concreta: quante decisioni, attività e infrastrutture saremo disposti ad affidarle, con quali controlli e a vantaggio di chi?

Forse è questa la formula con cui leggere i prossimi anni: non dobbiamo avere paura di una macchina che pensa come un uomo. Dobbiamo imparare a governare una società nella quale uomini e macchine penseranno sempre più spesso insieme. E la parte più difficile, come accade con tutte le grandi tecnologie, non sarà costruire la macchina. Sarà decidere che cosa vogliamo diventare usandola.

RIFERIMENTI ESSENZIALI

Stanford Institute for Human-Centered Artificial Intelligence, AI Index Report 2026; McKinsey & Company, The State of AI: Global Survey 2026; U.S. Food and Drug Administration, Artificial Intelligence-Enabled Medical Devices, aggiornamento 2026; International Energy Agency, Key Questions on Energy and AI, 2026; World Economic Forum, Future of Jobs Report 2025.