Chiunque proclami l'AGI non si limita a descrivere un progresso, ma rivendica l'autorità di interpretare il futuro del lavoro

Versatilità contro generalità: cosa rende davvero intelligente un'IA?

Perché la discussione sull'intelligenza artificiale generale va oltre la tecnologia: dimensioni sociali ed economiche

Il dibattito sull'intelligenza artificiale generale (AGI) non ha solo una rilevanza tecnologica, ma anche sociale ed economica. Mentre alcuni esperti temono che il termine venga utilizzato in modo eccessivo, portando a una percezione distorta del progresso, altri sostengono che le nuove capacità dei sistemi di IA come GPT-6 Astra potrebbero avere profonde implicazioni per il mondo del lavoro. È fondamentale distinguere tra gli impressionanti risultati raggiunti dai moderni modelli di IA e ciò che può essere considerato vera intelligenza generale. L'analisi che segue illustrerà i molteplici aspetti del dibattito sull'AGI, fornendo un quadro più chiaro delle opportunità e dei limiti di questa tecnologia.

La narrativa dell'AGI: quando un'etichetta diventa più potente della tecnologia

Un modello sposta i confini, ma non dimostra un cambio di epoca

Con GPT-6 Astra, OpenAI ha presentato il 3 settembre 2026 un sistema che rappresenta un significativo salto di qualità in termini di prestazioni in diverse discipline complesse. Il modello è in grado di interagire con interfacce software, navigare in internet, sviluppare programmi, analizzare vulnerabilità di sicurezza ed eseguire flussi di lavoro digitali multi-fase con un intervento umano relativamente ridotto. La funzionalità basata sul computer è particolarmente significativa da un punto di vista economico: un modello linguistico che non solo formula risposte, ma apre anche programmi, trasferisce dati, compila moduli, modifica fogli di calcolo e integra i risultati in altri sistemi, trascende il ruolo di un semplice strumento informativo. Si avvicina allo status di un attore digitale capace di gestire intere catene di processi.

Al termine della presentazione, il presidente di OpenAI, Greg Brockman, ha sostanzialmente dichiarato che l'era dell'intelligenza artificiale generale (AGI) era ormai iniziata. Questa affermazione ha avuto un forte impatto, ma non è affatto scientificamente definitiva. Indica meno uno stato comprovato e più un'interpretazione dei progressi compiuti. GPT-6 Astra fornisce solide prove del fatto che i sistemi di IA stanno diventando più ampi, più autonomi e più rilevanti dal punto di vista economico. Tuttavia, ciò non significa automaticamente che sia stata superata una soglia generalmente accettata per l'AGI. Tale soglia non esiste ancora in forma vincolante.

Il conflitto centrale, quindi, non risiede solo nella questione delle capacità tecniche del modello. Risiede piuttosto in quali abilità debbano essere considerate prova di intelligenza generale, chi stabilisce i criteri e quali interessi sono legati a questa classificazione. Un'azienda può proclamare una svolta storica. Tuttavia, se questa porterà effettivamente a una nuova era tecnologica, lo si potrà stabilire solo attraverso test indipendenti, un utilizzo prolungato e le realtà economiche.

L'abbreviazione non ha alcun significato vincolante

L'intelligenza artificiale generale (AGI) viene spesso equiparata a un'IA in grado di raggiungere o superare le capacità umane in un'ampia gamma di compiti. Questa descrizione apparentemente chiara, tuttavia, si sgretola a un esame più attento, sollevando diverse questioni aperte. Un sistema di questo tipo deve essere in grado di gestire ogni compito mentale, o solo la maggior parte? È sufficiente un'abilità umana media, o l'IA deve superare le prestazioni degli esperti? Richiede percezione sociale, esperienza corporea, pianificazione a lungo termine e giudizio morale? Il sistema deve formulare autonomamente nuovi obiettivi, o è sufficiente che persegua in modo flessibile obiettivi predefiniti?

A seconda della risposta, emerge una definizione diversa. Una definizione economica considera l'AGI come un sistema altamente autonomo che supera gli esseri umani in una grande percentuale di attività economicamente vantaggiose. Una definizione cognitiva richiede ampie capacità di problem solving tipiche dell'uomo. Una definizione basata sulla teoria dell'apprendimento enfatizza la capacità di affrontare compiti completamente nuovi con poca esperienza. Una definizione orientata all'azione si concentra sull'affidabilità dell'autonomia in ambienti aperti. Una definizione filosofica potrebbe inoltre richiedere comprensione, consapevolezza o autoriflessione.

Questi approcci non sono equivalenti e non conducono contemporaneamente a un giudizio positivo. Un sistema può raggiungere un enorme rendimento economico senza possedere una comprensione del mondo simile a quella umana. Viceversa, una macchina potrebbe avere capacità di apprendimento flessibili senza essere economicamente superiore a causa di costi elevati, lentezza di esecuzione o mancanza di interfacce. Pertanto, l'intelligenza artificiale generale (AGI) non è un fenomeno naturale chiaramente misurabile come la temperatura o la massa. Il termine è una categoria costruita dall'uomo in cui convergono presupposti tecnici, economici e normativi.

L'ambiguità concettuale non è meramente accademica. Influisce sulle valutazioni aziendali, sulle decisioni di investimento, sulla regolamentazione, sulla responsabilità e sulle aspettative del mercato del lavoro. Se si considera che l'intelligenza artificiale generale (AGI) sia stata raggiunta immediatamente, aumenta la pressione su aziende e governi affinché investano più rapidamente. Al contrario, se il termine è riservato solo a un sistema quasi universale, simile a quello umano, anche modelli eccezionalmente potenti possono apparire come fasi preliminari. La stessa tecnologia genera quindi una narrativa economica completamente diversa a seconda della definizione.

La differenza tra versatilità e generalità

I modelli di base moderni sono universalmente applicabili perché possono elaborare testo, immagini, codice software e altri formati di dati in numerosi ambiti. Questa ampiezza li distingue nettamente dai tradizionali software specializzati. Un programma di scacchi potrebbe essere sovrumano in una disciplina ben definita, ma non può controllare le dichiarazioni dei redditi. Un modello ampio e multimodale, d'altro canto, può risolvere problemi matematici, riassumere contratti, interpretare immagini, sviluppare software e prepararsi per incontri con i clienti. Possiede quindi una forma di versatilità funzionale.

La sola versatilità, tuttavia, non è sufficiente a dimostrare una solida intelligenza generale. Ciò che conta è l'affidabilità con cui un sistema trasferisce la conoscenza tra diversi ambiti, la sua capacità di gestire situazioni nuove e la sua affidabilità nel riconoscere i propri errori. Un modello può ottenere buoni risultati in cento test eppure fallire in un compito apparentemente semplice se la sua struttura si discosta dagli schemi appresi. Anche gli esseri umani sono soggetti a errori, ma possiedono esperienza fisica, radicamento sociale, memoria duratura e una profonda comprensione delle relazioni causali. Queste capacità non sono ugualmente importanti in ogni professione, ma possono risultare decisive in situazioni aperte.

Pertanto, la generalità non dovrebbe essere intesa semplicemente come il numero di compiti padroneggiati. Più importante è la capacità di strutturare problemi sconosciuti con indizi limitati, di ottenere informazioni rilevanti, di verificare i risultati intermedi e di adattare l'approccio di fronte a eventi imprevisti. Altrettanto importante è la ripetibilità di tale prestazione. Un risultato individuale eccezionale ha un valore economico inferiore rispetto a un sistema, seppur meno performante, ma affidabile e controllabile.

GPT-6 Astra sembra fare progressi in diversi di questi criteri. La sua forza nei compiti interattivi, nell'uso del computer e nei flussi di lavoro lunghi suggerisce una maggiore generalità operativa. Tuttavia, non è ancora chiaro quanto bene queste capacità funzionino al di fuori di test predefiniti, per periodi prolungati e in condizioni incomplete. Il passaggio da un'ampiezza impressionante a una solida generalità non è di natura linguistica, bensì empirica.

Perché i punteggi più alti non dimostrano l'intelligenza generale

I benchmark sono indispensabili perché il progresso tecnologico difficilmente può essere valutato senza metodi di misurazione comparabili. Allo stesso tempo, creano una pericolosa illusione di precisione. Una percentuale appare oggettiva, anche se il risultato può dipendere fortemente dalla selezione dei compiti, dagli strumenti, dal budget di calcolo, dall'ambiente di esecuzione e dalle regole di valutazione. Con i sistemi basati su agenti, l'ulteriore complicazione è data dal fatto che non viene misurato solo il modello in sé, ma l'intera implementazione tecnica.

Ciò è particolarmente evidente in ARC-AGI-3, un test per l'adattamento ad ambienti interattivi sconosciuti. GPT-6 Astra ha raggiunto quasi il 100% in un ambiente di esecuzione specifico del fornitore. In un ambiente standard più neutrale, tuttavia, il miglior risultato è stato di circa il 63%. Entrambi i valori sono rilevanti, ma affrontano questioni diverse. L'ambiente standard confronta i modelli in condizioni più standardizzate. L'ambiente specifico del fornitore dimostra cosa un modello può raggiungere con una gestione dello stato ottimizzata e il supporto tecnico previsto.

La grande differenza non significa che il valore più alto sia privo di valore. In definitiva, per le aziende ciò che conta è la performance dell'intero sistema così come effettivamente esiste, non l'intelligenza teoricamente isolata di un singolo componente. Allo stesso tempo, il valore ottimizzato non dovrebbe essere considerato come prova di una capacità universale indipendente dal contesto tecnico. Un risultato ha senso solo se considerato in relazione alle condizioni di test.

È inoltre degno di nota che Astra abbia richiesto un numero inferiore di azioni rispetto alla persona media testata per molti compiti. Ciò suggerisce un'elevata efficienza nella costruzione di rappresentazioni interne di nuovi ambienti. Tuttavia, ARC-AGI-3 misura solo un aspetto specifico: la risoluzione adattiva dei problemi in scenari interattivi costruiti. Il test non coglie l'intero mondo del lavoro, né la competenza sociale, la comprensione istituzionale, la responsabilità a lungo termine o l'azione fisica. Un punteggio eccellente può essere un forte indicatore di progresso, ma non costituisce una prova universale dell'intelligenza artificiale generale (AGI).

L'ambiente di esecuzione diventa parte dell'intelligence

La discussione sui diversi ambienti di test evidenzia un cambiamento fondamentale. Le prestazioni future dell'IA raramente dipenderanno esclusivamente dal modello. Deriveranno piuttosto dall'interazione tra modello, memoria, strumenti, accesso ai dati, regole di sicurezza, ambiente software e cicli di feedback. Chi si concentra unicamente sul nome del modello sottovaluta la natura sistemica dell'IA moderna.

Dal punto di vista economico, questo sviluppo è paragonabile alla transizione dai singoli computer alle reti IT aziendali. Il valore non risiede unicamente nel processore, ma nella sua integrazione con processi, database e sistemi decisionali. Un modello di intelligenza artificiale privo di accesso a dati aziendali rilevanti può formulare idee brillanti, ma ottenere scarsi risultati. Al contrario, un modello meno potente, ma con una solida base di dati, interfacce sicure e regole di approvazione chiare, può generare significativi incrementi di produttività.

Questo modifica anche il panorama competitivo. I fornitori di modelli non competono più solo per offrire risposte migliori, ma per ambienti di esecuzione completi. Vogliono diventare il sistema operativo per il lavoro intellettuale. Chiunque controlli l'accesso a browser, software per ufficio, ambienti di sviluppo, piattaforme di comunicazione e dati aziendali detiene un vantaggio strategico. Il mercato delle singole query di intelligenza artificiale si sta evolvendo in un mercato della capacità di lavoro digitale.

Questa prospettiva mette anche in prospettiva la questione se il nucleo del modello sia già l'AGI (Intelligenza Industriale Automatizzata). Per molte aziende, ciò che conta di più è se il sistema complessivo esegue un processo in modo affidabile, sicuro ed economicamente più efficiente rispetto all'organizzazione precedente. Il punto di svolta economico può quindi verificarsi prima che si raggiunga un'AGI filosoficamente convincente. Una macchina non deve pensare come un essere umano per riorganizzare il lavoro umano su larga scala.

L'utilizzo dei computer rappresenta il vero salto economico

I modelli linguistici di prima generazione hanno principalmente aumentato la produttività dei singoli compiti. Scrivevano bozze, riassumevano documenti, traducevano testi e fornivano assistenza alla programmazione. Gli esseri umani rimanevano l'elemento di collegamento. Copiavano i risultati, cambiavano programma, monitoravano le fasi intermedie e decidevano quando un processo era completato.

Un potente modello di flusso di lavoro basato su computer va ben oltre. Può potenzialmente gestire l'intero processo, dall'attività al risultato. Ciò include ricerca, inserimento dati, gestione dei file, comunicazione, analisi e documentazione. Questo non solo riduce i costi delle singole attività, ma anche i costi di coordinamento, i tempi di attesa e le perdite dovute al passaggio di consegne. Queste inefficienze invisibili rappresentano una parte considerevole del carico di lavoro in molte aziende di servizi.

Il valore economico dell'IA basata su agenti dipende quindi meno dalla sua capacità di comunicare efficacemente che dalla sua effettiva capacità di portare a termine i compiti. Un sistema che automatizza il 90% di un processo ma richiede l'intervento umano in ogni caso eccezionale può essere prezioso. Tuttavia, rimane un onere organizzativo se le eccezioni sono difficili da prevedere. Un sistema con una velocità di picco leggermente inferiore può essere superiore se riconosce le responsabilità, segnala le incertezze e gestisce il passaggio di consegne all'intervento umano.

Questo porta a un criterio di valutazione più pragmatico: non è il numero di funzionalità impressionanti a contare, bensì la percentuale di processi completati con successo in condizioni realistiche di costi, tempi e qualità. Le aziende dovrebbero quindi misurare i tempi di attraversamento, i costi degli errori, le rilavorazioni, il tasso di escalation, il rischio per la privacy dei dati e i guasti del sistema. Solo queste metriche rivelano se un sistema apparentemente generico è anche economicamente sostenibile.

L'AGI è più una curva che una data specifica

L'idea di un singolo momento AGI è comunicativamente accattivante. Crea una netta separazione tra un prima e un dopo. Tuttavia, il progresso tecnologico è solitamente disomogeneo. I sistemi inizialmente raggiungono prestazioni sovrumane in singole discipline, poi diventano competenti in un numero maggiore di compiti e gradualmente acquisiscono autonomia. Allo stesso tempo, permangono sorprendenti debolezze.

Un modello a livelli è quindi più sensato di una semplice decisione binaria (sì o no). Due assi sono particolarmente importanti: l'ampiezza delle capacità e la profondità delle prestazioni. Anche una terza dimensione, l'autonomia, è cruciale. Un sistema può svolgere molti compiti in modo mediocre, pochi compiti in modo eccezionalmente efficiente, oppure molti compiti in modo eccellente sotto la supervisione umana. Queste variazioni hanno diverse implicazioni in termini di politica economica e di sicurezza.

Anche l'affidabilità dovrebbe essere considerata una dimensione a sé stante. In molti settori, un tasso di successo medio non è sufficiente. Medicina, finanza, infrastrutture critiche e sistemi di controllo industriale richiedono una sicurezza dimostrabile. Un sistema può teoricamente essere più competente di un essere umano e tuttavia risultare inadatto se i suoi rari errori sono difficili da rilevare o hanno conseguenze particolarmente gravi.

L'affermazione più significativa riguardo a GPT-6 Astra non è quindi che l'AGI sia stata definitivamente raggiunta o definitivamente mancata. È più plausibile che si sia raggiunta una nuova fase di intelligenza artificiale agentiva ampiamente implementabile. Se questa fase verrà considerata retrospettivamente l'inizio di un'era AGI dipenderà dal suo ulteriore sviluppo, dalla sua affidabilità e dal suo reale impatto economico.

La definizione economica è pratica e politica

Per anni, OpenAI ha essenzialmente descritto l'AGI come un sistema altamente autonomo in grado di superare gli esseri umani nella maggior parte delle attività economicamente rilevanti. Questa definizione ha un vantaggio: evita dibattiti irrisolvibili sulla coscienza e si concentra sulle prestazioni osservabili. Allo stesso tempo, non è affatto neutrale. Ciò che ha valore economico è determinato dai mercati, dalle istituzioni, dal reddito e dalle priorità sociali.

L'assistenza non retribuita, l'istruzione, la fiducia, il lavoro comunitario e la mediazione culturale possono essere socialmente vitali, anche se il loro valore di mercato non è adeguatamente misurato. Viceversa, le attività possono generare elevati profitti senza fornire un livello corrispondentemente elevato di benefici sociali. Una definizione puramente economica di AGI (Identificazione e Crescita Ambientale) perpetua queste distorsioni. Non misura l'intelligenza in sé, ma piuttosto la capacità di generare risultati commerciabili all'interno delle strutture di mercato esistenti.

Inoltre, il parametro di riferimento si modifica con la diffusione dell'IA. Se un sistema riduce drasticamente il costo di determinate attività, il loro valore di mercato potrebbe diminuire. La definizione potrebbe quindi, paradossalmente, rimanere indietro rispetto al progresso tecnologico: ciò che ieri era considerato un lavoro economicamente redditizio oggi è automatizzato e domani vale di meno. L'AGI sarebbe quindi legata a una variabile obiettivo dinamica.

Nonostante queste debolezze, la definizione economica è rilevante per le imprese e i responsabili politici. L'IA non ha bisogno di coscienza per modificare salari, profitti e strutture di potere. Non appena i sistemi assumeranno autonomamente una parte consistente delle attività digitali, si verificherà uno sconvolgimento macroeconomico, a prescindere dal fatto che i filosofi accettino o meno il termine AGI. Le conseguenze economiche potrebbero superare di gran lunga qualsiasi consenso concettuale.

Una nuova dimensione della trasformazione digitale con 'Managed AI' (Intelligenza Artificiale) – Piattaforma e soluzione B2B | Xpert Consulting - Immagine: Xpert.Digital

Qui scoprirai come la tua azienda può implementare soluzioni di intelligenza artificiale personalizzate in modo rapido, sicuro e senza elevate barriere all'ingresso.

Una piattaforma di intelligenza artificiale gestita è la soluzione completa e senza pensieri per l'intelligenza artificiale. Invece di dover gestire tecnologie complesse, infrastrutture costose e lunghi processi di sviluppo, riceverai una soluzione pronta all'uso, su misura per le tue esigenze, da un partner specializzato, spesso entro pochi giorni.

I principali vantaggi in sintesi:

⚡ Implementazione rapida: dall'idea all'applicazione pronta all'uso in pochi giorni, non mesi. Forniamo soluzioni pratiche che creano un valore aggiunto immediato.

🔒 Massima sicurezza dei dati: i tuoi dati sensibili restano con te. Garantiamo un'elaborazione sicura e conforme alle normative, senza condividere i dati con terze parti.

💸 Nessun rischio finanziario: paghi solo per i risultati. Gli elevati investimenti iniziali in hardware, software o personale vengono completamente eliminati.

🎯 Concentrati sul tuo core business: concentrati su ciò che sai fare meglio. Ci occupiamo dell'intera implementazione tecnica, del funzionamento e della manutenzione della tua soluzione di intelligenza artificiale.

📈 A prova di futuro e scalabile: la tua IA cresce con te. Garantiamo ottimizzazione e scalabilità continue e adattiamo i modelli in modo flessibile alle nuove esigenze.

Maggiori informazioni qui:

• La soluzione di intelligenza artificiale gestita - Servizi di intelligenza artificiale industriale: la chiave per la competitività nei settori dei servizi, dell'industria e dell'ingegneria meccanica

La produttività non deriva automaticamente dalla capacità tecnica

Precedenti studi sull'utilizzo dell'IA generativa hanno già dimostrato significativi aumenti di produttività in compiti ben definiti. In un ampio studio sul servizio clienti, il numero di casi gestiti all'ora è aumentato in media del 14%. L'incremento è stato significativamente maggiore per i dipendenti meno esperti. Tali risultati dimostrano che l'IA può diffondere la conoscenza e ridurre le differenze di prestazioni all'interno di un team.

Tuttavia, questi effetti non dovrebbero essere utilizzati per trarre conclusioni lineari sui modelli autonomi. Quanto più un sistema è diffuso, tanto più i suoi risultati dipendono dall'organizzazione, dalla qualità dei dati e dalla progettazione dei processi. Un modello ad alte prestazioni può accelerare processi inefficienti senza migliorarli. Può creare ulteriori obblighi di audit se i risultati non sono affidabili. Può ridurre il carico di lavoro per i dipendenti, ma può anche aumentarne l'intensità e la necessità di monitoraggio.

Inoltre, la produttività non è sinonimo di riduzione dei costi. Quando un'attività viene completata più velocemente, spesso aumenta la richiesta di varianti, analisi e documentazione aggiuntive. Le aziende, quindi, producono di più, ma non necessariamente risparmiano sul personale. Questo cosiddetto effetto rimbalzo è particolarmente probabile con il lavoro digitale, poiché i nuovi servizi hanno bassi costi marginali. Dieci presentazioni diventano cento versioni personalizzate; le analisi occasionali dei dati si trasformano in valutazioni continue.

Il vantaggio maggiore, quindi, non deriva dal semplice acquisto di un modello, bensì da una riorganizzazione dei processi lavorativi. I compiti devono essere suddivisi, le responsabilità chiarite e i punti di controllo definiti. Le aziende necessitano di un accesso affidabile ai dati, di sistemi di registrazione e di formazione. Il collo di bottiglia si sposta dalla creazione di testi alla progettazione di processi sicuri, misurabili e adattabili.

Il mercato del lavoro si sta trasformando in base alle mansioni, non alle professioni

Il dibattito pubblico tende a concentrarsi su quali professioni scompariranno. Da una prospettiva economica, ha più senso considerare le singole mansioni. La maggior parte delle professioni si basa su routine, decisioni specialistiche, comunicazione, responsabilità e azioni contestuali. L'intelligenza artificiale può sostituire completamente alcune componenti, accelerarne altre e avere un impatto minimo su altre ancora.

Le analisi internazionali del mercato del lavoro suggeriscono che circa un quarto dell'occupazione globale riguarda lavori con una qualche esposizione all'intelligenza artificiale generativa. Solo una percentuale significativamente inferiore rientra nella categoria di esposizione più elevata. L'impatto è maggiore nei paesi più ricchi perché in questi paesi la digitalizzazione è più diffusa nei settori amministrativo, analitico e della comunicazione. I lavori d'ufficio e impiegatizi, così come le professioni sempre più tecniche e legate ai media, sono particolarmente colpiti.

Questi dati non rappresentano previsioni di effettive perdite di posti di lavoro. Mostrano piuttosto in quali ambiti le mansioni possono essere modificate dalla tecnologia. Che ciò si traduca in tagli occupazionali, aumento della produttività o nuove offerte di lavoro dipende dalla domanda, dai salari, dalla regolamentazione e dalla strategia aziendale. Storicamente, le tecnologie hanno spesso sostituito singoli posti di lavoro, creando al contempo nuovi settori di attività. La transizione può comunque essere dolorosa, poiché i nuovi posti di lavoro non compaiono automaticamente nello stesso luogo, nello stesso momento o per le stesse persone.

I sistemi agentici come Astra aumentano la pressione per il cambiamento perché possono automatizzare le transizioni tra le attività. Questo non solo modifica il lavoro all'interno di una singola professione, ma anche l'organizzazione delle attività a livello aziendale. Un'azienda potrebbe, ad esempio, combinare ricerca, preparazione dei dati, comunicazione standard e documentazione in un processo supportato dall'intelligenza artificiale. I dipendenti sarebbero quindi in grado di gestire le eccezioni in modo più efficace, coltivare le relazioni, definire obiettivi e assumersi maggiori responsabilità.

La conoscenza diventa più economica, la responsabilità più preziosa

Quando l'intelligenza artificiale produce progetti, analisi e software di alta qualità in grandi quantità, il costo del lavoro basato sulla conoscenza standardizzata diminuisce. Tuttavia, dati affidabili, accesso ai clienti, approvazione normativa, infrastrutture fisiche e la capacità di assumersi la responsabilità rimangono risorse scarse. Questo sta cambiando la creazione di valore in molti settori.

I consulenti saranno pagati meno per riassumere informazioni disponibili pubblicamente. La definizione del problema, i dati specifici del settore, la revisione critica e l'implementazione all'interno di una specifica organizzazione acquisiranno maggiore valore. Gli sviluppatori di software dedicheranno meno tempo al codice standard e più tempo all'architettura, alla sicurezza e all'integrazione di sistema. I dirigenti potranno ricevere più analisi, ma dovranno essere ancora più abili nel distinguere tra risultati plausibili e affidabili.

Questo cambiamento può aumentare la produttività, ma può anche creare nuove dipendenze. Chi si affida eccessivamente agli investimenti in IA rischia di perdere la propria capacità di giudizio. Se il personale junior non svolge più autonomamente le mansioni di routine, perde le opportunità di apprendimento che in seguito si trasformano in competenze specialistiche. Le aziende devono quindi decidere quali attività automatizzare e quali mantenere deliberatamente come fasi di formazione e controllo qualità.

La fiducia potrebbe diventare la risorsa scarsa e fondamentale dell'economia dell'IA. Clienti, autorità e partner commerciali devono essere in grado di capire chi ha preso una decisione, quali dati sono stati utilizzati e chi è responsabile degli errori. Quanto più i sistemi operano in autonomia, tanto più importanti diventano la prova di origine, i registri e la chiara definizione delle responsabilità. L'intelligenza tecnica non elimina la responsabilità, ma ne aumenta il costo.

Capitale, energia e dati limitano la presunta illimitatezza

Il modo in cui viene descritta l'AGI può facilmente dare l'impressione di una tecnologia quasi immateriale. In realtà, l'IA moderna si basa su un'infrastruttura eccezionalmente dispendiosa in termini di capitale. Centri dati, processori ad alte prestazioni, reti elettriche, sistemi di raffreddamento, connessioni in fibra ottica e personale specializzato determinano la velocità e il costo con cui i modelli possono essere sviluppati e implementati.

Nel 2025, gli investimenti delle maggiori aziende tecnologiche nei data center e nelle infrastrutture correlate hanno superato i 400 miliardi di dollari, con previsioni di un ulteriore aumento significativo nel 2026. Questa portata dimostra che la competizione non è determinata unicamente da algoritmi più performanti. L'accesso a capitali, energia e catene di approvvigionamento sta diventando un fattore strategico. I piccoli fornitori possono sviluppare modelli innovativi, ma spesso rimangono dipendenti da poche aziende infrastrutturali per la formazione e la gestione su larga scala.

Anche la domanda di elettricità è in crescita. Nel 2025, i data center di tutto il mondo hanno consumato circa 485 terawattora. Questa cifra potrebbe raddoppiare, raggiungendo circa 950 terawattora entro il 2030. Sebbene la loro quota sul consumo globale di elettricità rimarrà limitata, attestandosi intorno al tre percento, il carico si sta concentrando a livello regionale. I singoli siti richiederanno, in tempi brevi, grandi connessioni alla rete, nuova capacità di generazione e un approvvigionamento energetico affidabile.

Un minor consumo energetico per singola attività di IA non risolve automaticamente il problema. Se l'utilizzo cresce più rapidamente dell'efficienza, il consumo complessivo aumenterà comunque. I sistemi agenti, in particolare, possono attivare numerose chiamate al modello perché pianificano, utilizzano strumenti, verificano i risultati e ripetono le attività. Il costo economico di un agente digitale, quindi, non si limita alla sola licenza. Comprende la potenza di calcolo, la trasmissione dei dati, il monitoraggio della sicurezza e i costi della supervisione umana.

La narrativa dell'AGI promuove la concentrazione del mercato

Una credibile pretesa di intelligenza generale può conferire a un fornitore enormi vantaggi. Le aziende desiderano connettere i propri processi alla piattaforma più potente. Gli sviluppatori creano applicazioni complementari. Gli investitori forniscono capitali. I lavoratori qualificati si spostano verso il leader tecnologico percepito. Questo crea un circolo virtuoso di quote di mercato, dati, ricavi e infrastrutture.

La struttura dei costi favorisce le grandi piattaforme. L'addestramento dei modelli più avanzati richiede un investimento iniziale significativo, mentre l'utilizzo aggiuntivo può essere scalato a costi relativamente contenuti una volta che l'infrastruttura è operativa. Allo stesso tempo, le interfacce proprietarie, gli ambienti degli agenti specializzati e i dati aziendali integrati creano costi di transizione. Chi integra profondamente i propri flussi di lavoro con un unico fornitore di modelli troverà difficile cambiare in seguito.

Tuttavia, il mercato non è necessariamente un monopolio naturale. I modelli possono diventare più intercambiabili, i sistemi aperti possono essere sufficienti per molte attività e le aziende possono utilizzare più fornitori in parallelo. Inoltre, emergono soluzioni specializzate che risultano più affidabili o convenienti in settori specifici rispetto a un modello universale. La concorrenza si svolgerà quindi probabilmente su diversi livelli: qualità del modello, infrastruttura, accesso ai dati, integrazione, sicurezza e competenze specifiche di settore.

In termini di politica economica, ciò significa che l'accesso alle infrastrutture di intelligenza artificiale sta diventando sempre più importante. La concorrenza non può essere garantita unicamente attraverso la regolamentazione dei singoli modelli. Mercati del cloud, capacità di calcolo, fornitura di chip, connessioni energetiche, portabilità dei dati e standard tecnici aperti sono tutti elementi rilevanti. Chi controlla questi elementi fondamentali detiene il potere, anche se il termine AGI (Intelligenza Artificiale Generale) rimane scientificamente indefinito.

Capacità di sicurezza non è sinonimo di sicurezza

GPT-6 Astra ha ottenuto un punteggio massimo in un impegnativo test di sviluppo di exploit ed è stato classificato per la prima volta come criticamente capace nel campo della sicurezza informatica all'interno del proprio framework di sicurezza. Questa classificazione non significa che il modello in sé sia ​​necessariamente pericoloso. Significa che, con gli strumenti e l'accesso adeguati, possiede capacità che possono essere eccezionalmente efficaci sia in difesa che in attacco.

Questa duplice capacità rappresenta un problema centrale dell'IA avanzata. Un modello in grado di individuare vulnerabilità sconosciute può proteggere le aziende prima che gli aggressori le sfruttino. Tuttavia, questa stessa capacità può essere utilizzata in modo improprio. Inoltre, con l'aumentare dell'autonomia, diminuisce lo sforzo necessario per pianificare ed eseguire attacchi complessi. Ciò potrebbe rendere più accessibili a un pubblico più ampio capacità precedentemente riservate a team altamente specializzati.

Le misure di sicurezza devono pertanto comprendere più livelli. Le regole di condotta all'interno del modello non sono sufficienti. Sono necessari controlli di accesso, monitoraggio, diritti di utilizzo degli strumenti limitati, ambienti di esecuzione isolati e capacità di intervento rapido. Le funzioni particolarmente potenti possono essere rese disponibili solo agli utenti verificati in scenari chiaramente definiti. Allo stesso tempo, organismi indipendenti devono essere in grado di valutare l'efficacia di queste misure di sicurezza.

In questo dibattito, il termine AGI (Awareness, Intelligence, and General Intelligence, ovvero consapevolezza, intelligenza e intelligenza generale) può risultare fuorviante. Un sistema non ha bisogno di possedere un'intelligenza generale per causare danni significativi in ​​una singola disciplina critica per la sicurezza. La regolamentazione dovrebbe quindi concentrarsi su capacità specifiche, condizioni operative e potenziale di danno. Una classificazione astratta come AGI o non-AGI è troppo generica per la gestione del rischio.

Chiunque definisca l'intelligenza artificiale generale (AGI) distribuisce diritti e obblighi

La definizione di intelligenza artificiale generale (AGI) può avere conseguenze legali e contrattuali dirette. Partnership, partecipazioni azionarie, distribuzione degli utili e diritti di controllo possono essere vincolati al raggiungimento di specifici traguardi tecnologici. Anche senza esaminare i singoli contratti, è evidente che una dichiarazione sull'AGI può essere più di una semplice affermazione filosofica; può infatti incidere sugli interessi economici.

Ciò crea un conflitto di interessi strutturale. I fornitori di modelli possiedono la maggior parte delle informazioni sui loro sistemi, ma hanno anche forti incentivi a presentare i progressi in modo positivo. I concorrenti possono minimizzare i risultati ottenuti. I governi, spinti da interessi economici, possono accelerare o scoraggiare lo sviluppo. La ricerca indipendente è quindi indispensabile, ma spesso non dispone delle stesse risorse informatiche e dello stesso accesso.

Una valutazione affidabile non dovrebbe quindi dipendere da una singola organizzazione. È necessario un processo trasparente con test indipendenti, criteri chiari e risultati ripetibili. Questo processo deve distinguere tra capacità del modello, prestazioni del sistema e utilizzo effettivo. Una rivalutazione periodica è altrettanto importante, poiché modelli, strumenti e costi cambiano rapidamente.

Anche una procedura del genere non fornirebbe una verità metafisica sull'intelligenza. Tuttavia, potrebbe disciplinare il dibattito politico ed economico. Invece di un'autodichiarazione che attira l'attenzione dei media, emergerebbe una classificazione comprensibile dei livelli di abilità specifici. Sarebbe meno spettacolare, ma considerevolmente più utile.

Le aziende hanno bisogno di piani di test, non di concetti specifici di un'epoca

Per le decisioni aziendali, la questione dell'AGI è solitamente troppo astratta. Un'azienda ha bisogno di sapere se un sistema può gestire un processo specifico in modo migliore, più rapido ed economicamente più vantaggioso, e se i rischi sono gestibili. Pertanto, l'introduzione dell'IA agentiva dovrebbe iniziare con un piano di test ben definito.

Innanzitutto, è necessario definire con precisione il compito. Quali input sono disponibili, quale risultato ci si aspetta e quali errori sono accettabili? A ciò segue un confronto con le prestazioni precedenti sia delle persone che del software. Le misurazioni dovrebbero includere non solo velocità e costi diretti, ma anche rilavorazioni, escalation, guasti e variazioni di qualità. Un valore medio non è sufficiente se errori rari possono causare danni significativi.

Successivamente, è necessario definire il grado di autonomia. Un sistema può formulare suggerimenti, preparare azioni, eseguirle previa approvazione o prendere decisioni in modo indipendente entro limiti definiti. Questi livelli non dovrebbero essere confusi per comodità. Maggiore è l'autonomia, più importanti diventano la gestione dei diritti, la registrazione degli eventi e i meccanismi di fallback.

In definitiva, il funzionamento deve essere monitorato costantemente. I modelli possono cambiare tramite aggiornamenti, le fonti di dati esterne possono non funzionare e gli aggressori possono trovare nuovi modi per manipolare il sistema. Una fase pilota di successo non costituisce quindi una prova definitiva. L'intelligenza artificiale sta diventando un sistema di produzione che richiede un monitoraggio continuo, proprio come un software critico o un impianto industriale.

Le aziende che padroneggiano questa disciplina ne traggono vantaggio a prescindere dal fatto che Astra venga definita AGI. Le aziende che si lasciano ingannare da un'etichetta e si lasciano trascinare in un'automazione incontrollata, al contrario, aumentano la loro dipendenza operativa. Il parametro di riferimento corretto non è lo stupore tecnologico, ma la comprovata creazione di valore.

L'Europa non deve perdersi in una disputa terminologica

Questa controversia riveste particolare importanza per la Germania e per l'Europa. La regione vanta solide aziende industriali, dati di processo di alta qualità, istituti di ricerca e mercati regolamentati esigenti. Allo stesso tempo, si trova ad affrontare una significativa dipendenza da fornitori di servizi cloud e modelli extraeuropei. Una strategia che si concentri esclusivamente sul modello di base successivo disponibile risulta pertanto insufficiente.

La forza dell'Europa potrebbe risiedere nella combinazione di modelli avanzati con catene del valore concrete. Industria, logistica, energia, sanità e pubblica amministrazione offrono campi di applicazione complessi in cui competenza specifica, sicurezza e integrazione sono cruciali. Il miglior punteggio di riferimento da solo non basta. Disponibilità, sovranità dei dati, responsabilità e capacità di gestire i processi in modo stabile per molti anni sono fattori decisivi.

A tal fine, l'Europa necessita di una capacità di calcolo sufficiente, di una fornitura di energia elettrica competitiva, di spazi dati condivisi e di standard chiari per i sistemi basati su agenti. La regolamentazione dovrebbe limitare i rischi specifici senza tuttavia equiparare ogni forma di automazione a una superintelligenza autonoma. Sono particolarmente importanti gli obblighi differenziati in base alle capacità, al contesto operativo e al potenziale di danno.

Anche la formazione continua deve cambiare. Una conoscenza generica dell'IA non è sufficiente. I dipendenti devono essere in grado di strutturare processi per l'IA, valutare i risultati in modo professionale e riconoscere i limiti delle proprie responsabilità. I ​​manager devono comprendere che l'implementazione dell'IA è uno sviluppo organizzativo, non solo un acquisto di software.

Una valutazione obiettiva di GPT-6 Astra

Sulla base delle informazioni disponibili pubblicamente, GPT-6 Astra è un sistema di intelligenza artificiale eccezionalmente potente, ampiamente applicabile e basato su agenti. Dimostra significativi progressi nella risoluzione di problemi astratti, nell'alfabetizzazione informatica, nello sviluppo di software e nella sicurezza informatica. È in grado di gestire sequenze di attività che, solo pochi anni fa, richiedevano una stretta supervisione umana. Queste capacità giustificano l'affermazione che è iniziata una nuova fase dell'automazione.

L'affermazione secondo cui un singolo valore di riferimento dimostri oggettivamente l'esistenza dell'AGI è ingiustificata. Ciò è dovuto alla mancanza di una definizione generalmente accettata, di un metodo di misurazione esaustivo e di dati a lungo termine sufficientemente indipendenti. La dipendenza dei risultati dall'ambiente di esecuzione, dagli strumenti e dal budget di calcolo, in particolare, dimostra che le prestazioni del modello non possono essere considerate isolatamente.

Tuttavia, questo atteggiamento scettico non deve portare a una banalizzazione. Sarebbe un errore riconoscere l'intelligenza artificiale generale (AGI) solo quando una macchina replica tutte le caratteristiche umane, tra cui la coscienza, l'esperienza sociale e le capacità fisiche. Questa definizione potrebbe non riuscire a cogliere i profondi cambiamenti economici. Un sistema può alterare radicalmente i mercati, l'occupazione e la sicurezza ben prima di assomigliare pienamente a un essere umano.

La prospettiva più appropriata si colloca a metà strada tra il marketing e l'atteggiamento difensivo. Astra non è né la prova definitiva di un'intelligenza generale perfetta, né semplicemente un altro modello linguistico. Rappresenta un passo verso attori digitali che stanno assumendo il controllo di interi flussi di lavoro. Questa transizione merita maggiore attenzione rispetto al dibattito su un'etichetta.

La vera svolta è economica, non semantica

La questione se l'intelligenza artificiale generale (AGI) esista già potrebbe non trovare mai una risposta certa come quella relativa a una misurazione fisica. Le concezioni di intelligenza sono troppo diverse, i compiti cambiano troppo drasticamente e le prestazioni tecniche e la valutazione sociale sono troppo strettamente interconnesse. Pertanto, tentare di stabilire una data limite universale potrebbe generare più confusione che chiarezza.

In ambito economico, una questione diversa è più importante: a che punto i sistemi di intelligenza artificiale saranno in grado di svolgere in modo indipendente e affidabile un numero sufficiente di compiti di valore a costi ragionevoli, consentendo alle aziende di adattare radicalmente la propria organizzazione, gli investimenti e l'occupazione? GPT-6 Astra avvicina l'economia a questa soglia. In alcuni settori digitali, potrebbe essere già stata superata, mentre in altri è ancora lontana.

La trasformazione in atto si svilupperà quindi in modo disomogeneo. Lo sviluppo di software, la sicurezza informatica, l'analisi dei dati e l'amministrazione digitale possono cambiare più rapidamente rispetto ai servizi fisici, all'artigianato o alle attività ad alta responsabilità sociale. Emergeranno anche differenze significative tra le aziende. Le imprese orientate ai dati e ben organizzate ne trarranno vantaggio prima rispetto alle organizzazioni con sistemi frammentati e processi poco chiari.

L'affermazione provocatoria sull'AGI contiene un fondo di verità: l'era in cui una potente IA poteva essere considerata semplicemente un ausilio per singoli testi e immagini sta volgendo al termine. Tuttavia, sostenere che ciò risolva la questione scientifica dell'intelligenza generale è un'esagerazione. La linea di demarcazione più importante non è tra AGI e non-AGI, bensì tra sistemi che dimostrano capacità impressionanti e sistemi che, in condizioni reali, modificano in modo permanente responsabilità, costi e risultati.

Coloro che oggi proclamano l'esistenza dell'AGI stanno definendo un quadro interpretativo. Chi la nega categoricamente rischia di sottovalutare il cambiamento economico. La posizione più sensata riconosce entrambe le prospettive: il termine rimane vago, ma le capacità diventano concrete. Pertanto, per aziende, dipendenti e governi, la questione cruciale non è se credono nell'AGI, ma se sono in grado di misurare, modellare e controllare ciò che questi sistemi effettivamente fanno.

La soluzione quasi interna: come Xpert.Digital colma le lacune operative nel marketing e nelle vendite B2B – Smart Content-Driven Business - Immagine: Xpert.Digital

Xpert.Digital è un hub industriale B2B basato sui dati, guidato da Konrad Wolfenstein . L'azienda funge da soluzione esterna, quasi interna, per i partner industriali, colmando le lacune operative in marketing, contenuti e vendite, senza richiedere risorse aggiuntive al cliente.

Maggiori informazioni qui:

• La soluzione quasi interna: come Xpert.Digital colma le lacune operative nel marketing e nelle vendite B2B – Smart Content-Driven Business

☑️ La nostra lingua aziendale è l'inglese o il tedesco

☑️ NOVITÀ: Corrispondenza nella tua lingua madre!

Konrad Wolfenstein

Io e il mio team saremo lieti di essere a tua disposizione come tuo consulente personale.

Puoi contattarmi compilando il modulo di contatto qui [email protected]:o semplicemente chiamandomi al numero +49 7348 4088 965. Il mio indirizzo email è

Non vedo l'ora di iniziare il nostro progetto comune.

☑️ Supporto alle PMI in strategia, consulenza, pianificazione e implementazione

☑️ Creazione o riallineamento della strategia digitale e digitalizzazione

☑️ Espansione e ottimizzazione dei processi di vendita internazionali

☑️ Piattaforme di trading B2B globali e digitali

☑️ Sviluppo aziendale pionieristico / Marketing / PR / Fiere