Come siamo arrivati qui: la breve storia del boom dell’IA

L’attuale ondata di intelligenza artificiale non è iniziata con un chatbot virale alla fine del 2022. Tutto è cominciato con uno specifico paper di ricerca pubblicato dagli ingegneri di Google nel 2017 intitolato “Attention Is All You Need”. Questo documento ha introdotto l’architettura Transformer, che ha cambiato il modo in cui le macchine elaborano il linguaggio umano. Prima di allora, i computer faticavano a mantenere il contesto di una frase lunga. Spesso dimenticavano l’inizio di un paragrafo prima di arrivare alla fine. Il Transformer ha risolto il problema permettendo al modello di pesare contemporaneamente l’importanza di diverse parole. Questo singolo cambiamento tecnico è il motivo principale per cui i tool moderni sembrano coerenti piuttosto che robotici. Stiamo vivendo le conseguenze su larga scala di quella decisione di abbandonare l’elaborazione sequenziale. Questa storia non riguarda solo un codice migliore, ma un cambiamento fondamentale nel modo in cui interagiamo con le informazioni a livello globale. Il passaggio dalla ricerca di risposte alla loro generazione ha alterato le aspettative di base di ogni utente di internet oggi.

Previsione statistica invece della logica

Per capire lo stato attuale della tecnologia, bisogna abbandonare l’idea che questi sistemi stiano pensando. Non lo fanno. Sono enormi motori statistici che prevedono il pezzo successivo di una sequenza. Quando digiti un prompt, il sistema guarda i suoi dati di training per determinare quale parola segue più probabilmente il tuo input. Si tratta di un distacco dalla programmazione basata sulla logica del passato. Nei decenni precedenti, il software seguiva rigide regole se-allora. Se un utente cliccava un bottone, il software eseguiva un’azione specifica. Oggi, l’output è probabilistico. Ciò significa che lo stesso input può portare a risultati diversi a seconda delle impostazioni del modello. Questo cambiamento ha creato un nuovo tipo di software flessibile, ma anche incline a errori che una calcolatrice tradizionale non commetterebbe mai.

La scala di questo training è ciò che rende i risultati simili all’intelligenza. Le aziende hanno effettuato lo scraping di quasi tutto l’internet pubblico per alimentare questi modelli. Ciò include libri, articoli, repository di codice e post di forum. Analizzando miliardi di parametri, i modelli imparano la struttura del pensiero umano senza mai comprendere il significato delle parole. Questa mancanza di comprensione è il motivo per cui un modello può scrivere un documento legale perfetto ma fallire in un semplice problema di matematica. Non sta calcolando, sta imitando i pattern di persone che hanno fatto matematica prima. Comprendere questa distinzione è vitale per chiunque utilizzi questi tool in ambito professionale. Chiarisce perché i sistemi siano così sicuri di sé anche quando sbagliano completamente.

La corsa globale agli armamenti per il silicio

L’impatto di questo cambiamento tecnologico va ben oltre il software. Ha scatenato una massiccia corsa geopolitica all’hardware. Nello specifico, il mondo dipende ora dalle GPU, le unità di elaborazione grafica di fascia alta. Questi chip erano originariamente progettati per i videogiochi, ma la loro capacità di eseguire molti piccoli calcoli contemporaneamente li rende perfetti per l’IA. Una singola azienda, NVIDIA, detiene ora un ruolo centrale nell’economia globale perché produce i chip necessari per addestrare questi modelli. Le nazioni trattano ora questi chip come petrolio o oro. Sono asset strategici che determineranno quali paesi guideranno il prossimo decennio di crescita economica.

Questa dipendenza ha creato un divario tra chi può permettersi una potenza di calcolo massiccia e chi no. Addestrare un modello di alto livello costa oggi centinaia di milioni di dollari in elettricità e hardware. Questa alta barriera all’ingresso significa che poche grandi corporation negli Stati Uniti e in Cina detengono la maggior parte del potere. Questa centralizzazione dell’influenza è una preoccupazione importante per i regolatori di tutto il mondo. Influisce su tutto, da come vengono archiviati i dati a quanto deve pagare una startup per accedere a tool di base. La gravità economica del settore si è spostata verso i proprietari dei data center. Si tratta di un cambiamento significativo rispetto all’era iniziale di internet, dove un piccolo team poteva costruire un prodotto di classe mondiale con un budget limitato. Nel 2026, il costo di ingresso è più alto che mai.

Quando l’astratto diventa lavoro pomeridiano

Per la maggior parte delle persone, la storia di questa tecnologia è meno importante della sua utilità quotidiana. Consideriamo una marketing manager di nome Sarah. Qualche anno fa, la sua giornata prevedeva ore di ricerca manuale e stesura. Cercava trend, leggeva decine di articoli e poi li sintetizzava in un report. Oggi, il suo workflow è diverso. Usa un modello per riassumere i trend principali e abbozzare una scaletta iniziale. Non è più una scrittrice, è un’editor di contenuti generati dalle macchine. Questo cambiamento sta avvenendo in ogni settore che coinvolge una tastiera. Non è solo questione di velocità, è la rimozione del foglio bianco. La macchina fornisce la prima bozza e l’umano fornisce la direzione.

Questo cambiamento ha implicazioni pratiche per la sicurezza del lavoro e lo sviluppo delle competenze. Se un analista junior può ora fare il lavoro di tre persone usando questi tool, cosa succede al mercato del lavoro entry-level? Stiamo assistendo a un passaggio verso un modello “super-user” dove una persona gestisce molteplici agenti IA per completare compiti complessi. Questo è visibile nell’ingegneria del software, dove tool come GitHub Copilot suggeriscono interi blocchi di codice. Lo sviluppatore passa meno tempo a digitare e più tempo a revisionare. Questa nuova realtà richiede un diverso set di competenze. Non hai più bisogno di ricordare ogni regola di sintassi. Devi sapere come porre le domande giuste e come individuare un errore sottile in un mare di testo che sembra perfetto. La giornata tipo di un professionista nel 2026 è ora un ciclo costante di prompting e verifica. Ecco come appare nella pratica:

• Gli sviluppatori software usano i modelli per scrivere unit test ripetitivi e boilerplate code.
• Gli assistenti legali li usano per scansionare migliaia di pagine di discovery alla ricerca di keyword specifiche.
• I ricercatori medici li usano per prevedere come diverse strutture proteiche potrebbero interagire.
• I team di assistenza clienti li usano per gestire richieste di routine senza intervento umano.

I costi silenziosi della black box

Mentre facciamo sempre più affidamento su questi sistemi, dobbiamo porci domande difficili sui loro costi nascosti. Il primo è l’impatto ambientale. Una singola query a un large language model richiede molta più elettricità di una ricerca Google standard. Moltiplicato per milioni di utenti, l’impronta di carbonio diventa sostanziale. C’è anche la questione del consumo idrico. I data center richiedono enormi quantità d’acqua per raffreddare i server che eseguono questi modelli. Siamo disposti a scambiare la sicurezza idrica locale con una stesura più veloce delle email? Questa è una domanda che molte comunità vicino ai data center stanno iniziando a porsi. Dobbiamo anche guardare ai dati stessi. La maggior parte dei modelli è stata addestrata su materiale protetto da copyright senza il consenso dei creatori. Ciò ha portato a un’ondata di cause legali da parte di artisti e scrittori che sostengono che il loro lavoro sia stato rubato per costruire un prodotto che potrebbe eventualmente sostituirli.

Poi c’è il problema della black box. Nemmeno gli ingegneri che costruiscono questi modelli comprendono appieno perché prendano certe decisioni. Questa mancanza di trasparenza è pericolosa quando l’IA viene usata per compiti sensibili come assunzioni o approvazioni di prestiti. Se un modello sviluppa un pregiudizio contro un certo gruppo, può essere difficile trovare e correggere la causa principale. Stiamo essenzialmente esternalizzando decisioni sociali importanti a un sistema che non può spiegare il proprio ragionamento. Come riteniamo responsabile una macchina? Come garantiamo che i dati usati per addestrare questi sistemi non stiano rinforzando vecchi pregiudizi? Questi non sono problemi teorici. Sono questioni attive che i ultimi sviluppi dell’IA stanno cercando di affrontare con vari livelli di successo.

Hai una storia, uno strumento, una tendenza o una domanda sull'IA che pensi dovremmo trattare? Inviaci la tua idea per un articolo — ci piacerebbe sentirla.

Latenza e la token economy

Per chi cerca di integrare questi tool nei workflow professionali, i dettagli tecnici contano. La maggior parte dell’interazione con questi modelli avviene tramite un’Application Programming Interface o API. È qui che incontri il concetto di token. Un token corrisponde a circa quattro caratteri di testo inglese. I modelli non leggono parole, leggono token. Questo è importante perché la maggior parte dei provider addebita i costi in base al numero di token elaborati. Se stai costruendo un tool che analizza documenti lunghi, i tuoi costi possono scalare rapidamente. Devi anche gestire la context window. Questa è la quantità di informazioni che il modello può “ricordare” in una volta sola. I primi modelli avevano finestre piccole, ma le versioni più recenti possono elaborare interi libri in un singolo prompt. Tuttavia, finestre più grandi portano spesso a una maggiore latenza e a un aumento delle probabilità che il modello perda il filo di dettagli specifici nel mezzo del testo.

Un’altra area critica è il processo di storage locale e privacy. Molte aziende sono esitanti a inviare dati sensibili a un server di terze parti. Questo ha portato all’ascesa di modelli locali come Llama 3 che possono girare su hardware interno. Eseguire un modello localmente richiede una VRAM significativa sulla tua GPU. Ad esempio, un modello da 70 miliardi di parametri richiede tipicamente due schede di fascia alta per girare a una velocità utilizzabile. È qui che entra in gioco la quantizzazione. È una tecnica che riduce la dimensione del modello diminuendo la precisione dei numeri usati nei calcoli. Ciò permette a un modello potente di girare su hardware consumer con solo un leggero calo di precisione. Gli sviluppatori devono bilanciare questi fattori:

• Costi API contro la spesa hardware per eseguire modelli localmente.
• La velocità di un modello più piccolo contro la capacità di ragionamento di uno più grande.
• La sicurezza di mantenere i dati on-premise contro la comodità del cloud.
• I limiti di rate-throttling sulle API pubbliche durante le ore di punta.

La strada da percorrere

La storia del boom dell’IA è la storia dello scaling di una singola buona idea. Prendendo l’architettura Transformer e gettandoci sopra enormi quantità di dati e calcolo, abbiamo creato qualcosa che sembra una nuova era del computing. Ma siamo ancora alle fasi iniziali. La confusione che molti provano oggi deriva dal divario tra ciò che la tecnologia può fare e ciò che ci aspettiamo che faccia. È uno strumento per l’aumentazione, non un sostituto del giudizio umano. Le persone di maggior successo nei prossimi anni saranno quelle che comprenderanno la natura statistica di questi sistemi. Sapranno quando fidarsi della macchina e quando verificare il suo lavoro. Ci stiamo muovendo verso un futuro in cui la capacità di gestire l’IA sarà fondamentale quanto la capacità di usare un word processor.

Nota dell'editore: Abbiamo creato questo sito come un hub multilingue di notizie e guide sull'IA per le persone che non sono esperti di computer, ma che desiderano comunque comprendere l'intelligenza artificiale, usarla con maggiore fiducia e seguire il futuro che sta già arrivando.