Everything, everywhere, but not all at once

Contrariamente a gran parte delle analisi, che si concentrano su chi innova per primo, Ding sostiene che il vero fattore decisivo della potenza di una nazione sia la diffusione, ossia quel processo poco appariscente attraverso il quale una tecnologia di uso generale passa dai laboratori di frontiera alle linee di produzione. Prendendo in esame tre rivoluzioni industriali, Ding mostra come il vantaggio iniziale della Gran Bretagna nelle tecnologie del vapore abbia alla fine ceduto il passo al predominio di Stati Uniti e Germania e come, successivamente, gli Stati Uniti abbiano superato il Giappone nel campo dell’informatica grazie alla loro maggiore capacità di diffondere tecnologie di uso generale chiave in tutta l’economia.

La prospettiva di Ding ha implicazioni immediate nell’attuale corsa all’IA. Sposta l’attenzione dai risultati dei benchmark e dal rilascio dei modelli di frontiera verso questioni come i flussi dei talenti, i collegamenti istituzionali e la “infrastruttura delle competenze” (gli ecosistemi di istruzione e formazione), che determinano l’ampiezza e la profondità con cui una tecnologia può penetrare in un’economia.

Per gli investitori che cercano di capire chi uscirà vincitore dall’era dell’IA,

il lavoro di Ding rappresenta sia una correzione che una guida.

La sua prospettiva contribuisce a riformulare le domande rilevanti: non più quali siano i modelli più potenti, ma quali imprese, settori ed economie siano nelle condizioni migliori per trasformare quella potenza in produttività. Del resto, se sarà la diffusione a determinare quali saranno i vincitori sul piano economico, allora i segnali più importanti potrebbero non provenire affatto dai laboratori di frontiera, bensì dai processi di adozione più discreti che prendono forma nel resto dell’economia.

Una delle riflessioni centrali della mia analisi è che il successo non dipende tanto da quale Paese riesce a formare gli esperti migliori e più brillanti o a sviluppare la ricerca più all’avanguardia nei laboratori di frontiera. Dipende piuttosto da quale Paese è in grado di creare connessioni tra queste istituzioni di frontiera (grandi laboratori, imprese e università) e trasferire conoscenze, competenze e tecnologie specifiche a una piccola o media impresa del Midwest o a una società in una città sperduta della provincia cinese del Qinghai ignota ai media di lingua inglese.

Ogni volta che si parla di tecnologia nei rapporti sugli investimenti o sulle pagine del Financial Times o del Wall Street Journal, quasi sempre l’attenzione è rivolta a quel primo passo. Le analisi storiche contenute nel libro cercano di spostare l’attenzione verso la strada meno battuta.

Questo è un punto tanto fondamentale quanto difficile da misurare. Tuttavia, dei progressi sono stati fatti e ci sono alcuni indicatori che vale la pena monitorare.

Il primo è il capitale umano. Le offerte di lavoro per ingegneri di algoritmi, ingegneri di machine learning o specialisti in interazione uomo-macchina in un determinato settore stanno aumentando? E in che misura? Il prompt engineering è ormai un settore direttamente legato all’adozione dell’IA. Di conseguenza, i flussi di talenti (i settori in cui le imprese stanno effettivamente assumendo e per quali ruoli) possono costituire un indicatore anticipatore del fatto che l’IA viene integrata nelle attività produttive anziché essere sperimentata solo marginalmente.

Il secondo è l’utilizzo di token (un token è l’unità base di dati che un modello di IA legge e genera).

Sempre più organizzazioni stanno iniziando a misurare il numero di token consumati nei diversi settori e applicazioni.

Si tratta di un segnale imperfetto, poiché l’utilizzo dell’IA potrebbe essere inefficiente o puramente ricreativo, ma offre comunque una buona approssimazione di quanto le organizzazioni stiano investendo e implementando modelli di IA su larga scala. L’AI Economy Institute di Microsoft ha analizzato l’utilizzo dei token in diversi Paesi; benché reperire dati a livello di singola impresa sia più difficile, si tratta comunque di un ambito meritevole di attenzione.

Quello che mi sentirei di non considerare in alcun modo sono i dati ricavati dai sondaggi. Quando il 90% delle imprese di un settore dichiara di “utilizzare l’IA”, quel dato rischia di essere più fuorviante che informativo. Il modo in cui gli intervistati interpretano la domanda e la misura in cui enfatizzano le risposte rendono questi dati pressoché insignificanti ai fini di un’analisi rigorosa.

Il parallelismo che viene subito in mente è la competizione tra Stati Uniti e Giappone nel settore dell’informatica e il modo in cui le tecnologie dell’informazione e della comunicazione sono state adottate in modo più efficace nell’economia statunitense rispetto a quella giapponese. In quella transizione non mancarono cicli di espansione e recessione, il più famoso dei quali fu il crollo delle dot-com, ma

nel lungo periodo l’informatica e Internet trasformarono davvero la produttività.

Questo precedente potrebbe essere un utile termine di paragone per gli attuali dibattiti sulla bolla dell’IA.

Esiste probabilmente il rischio concreto che molti degli attuali investimenti in conto capitale in data center e cluster su vastissima scala non ripaghino nel breve termine le imprese che li stanno realizzando. Tuttavia, questo potrebbe essere semplicemente il normale corso degli eventi quando una tecnologia rivoluzionaria suscita grande entusiasmo e speculazione. Nel lungo periodo, sono convinto che l’IA continuerà ad assorbire una quota sempre maggiore della spesa energetica e che, alla fine, assisteremo a un aumento generalizzato della produttività in tutti i settori dell’economia.

Quello che è interessante monitorare, in parallelo, è la spesa in conto capitale della Cina. I maggiori laboratori di IA in Cina non stanno investendo neanche lontanamente quanto i loro omologhi statunitensi e questo per diversi motivi: accesso limitato a chip all’avanguardia, relativa mancanza di risorse finanziarie delle società cinesi di IA rispetto alle loro omologhe statunitensi e, forse la ragione più importante, domanda più debole da parte delle imprese.

Le società cinesi sono semplicemente meno inclini a sottoscrivere abbonamenti su larga scala per modelli linguistici di grandi dimensioni e questo frena i fattori che spingono la domanda di investimenti di capitale.

Il primo aspetto che considero è l’ampiezza del bacino di talenti: più precisamente, quante persone sono in grado di svolgere compiti di AI engineering in modo abbastanza buono. Per andare sul concreto: uno sviluppatore che sappia prendere un modello open source, adattarlo a un dataset specifico di un settore e realizzare una proof of concept di come potrebbe essere integrato in un determinato flusso di lavoro aziendale. Questo è il livello minimo. La vera domanda è quanto sia ampio quel bacino, non quanto siano eccezionali le sue punte di eccellenza.

La seconda dimensione è la sistematizzazione. In altre parole, in che misura un Paese o un’impresa può prendere quelle conoscenze e diffonderle tra diversi settori o divisioni, anziché lasciarle confinate in un unico team o in un’unica istituzione. A livello nazionale, questo significa forti legami tra industria e università e canali efficaci per il trasferimento delle tecnologie. Gli istituti di ricerca applicata Fraunhofer in Germania sono un ottimo esempio concreto di questo meccanismo: istituzioni di raccordo che standardizzano e diffondono il know-how ingegneristico dalla frontiera al resto dell’economia.

A livello aziendale, la sistematizzazione potrebbe tradursi in una serie di standard e protocolli comuni sulla strutturazione e l’aggiornamento dei dati, in modo che possano alimentare pipeline di IA, oppure in benchmark condivisi per valutare quale modello implementare per un determinato compito. Il grado in cui un’impresa riesce a garantire che tutti (e non soltanto il team dedicato all’IA) siano allineati sull’integrazione dell’IA nei processi aziendali costituisce di per sé una misura dell’infrastruttura delle competenze.

Un aspetto spesso sottovalutato a livello di Paese è il contesto giuridico e istituzionale in cui si inseriscono i rapporti tra università e industria. Negli Stati Uniti, per i ricercatori è relativamente facile creare start-up senza cedere quote dominanti di diritti di proprietà intellettuale alle loro università. Questo ha permesso di stringere legami più solidi e permeabili tra il mondo imprenditoriale e quello accademico, contribuendo a sistematizzare il flusso di conoscenze all’interno dell’ecosistema tecnologico in modi che risultano determinanti per la diffusione.

A mio avviso gli Stati Uniti dispongono di un margine di errore molto più ampio. Sono infatti in una posizione particolarmente favorevole per guidare quella che definisco la maratona della diffusione dell’IA.

La diversa chiave di lettura di cui abbiamo parlato poco fa lo spiega in parte. Una volta compreso che la chiave della competizione sta nella capacità di diffondere una tecnologia di uso generale nell’intera economia, sarebbe molto sorprendente vedere la Cina affermarsi come leader.

La Cina è nettamente in ritardo rispetto agli Stati Uniti e ad altre economie più ricche per quanto riguarda l’adozione generale del cloud computing e la digitalizzazione di base dei dati aziendali. DeepSeek e altri casi mostrano che la Cina può contare su imprese all’avanguardia e solide università di frontiera. Ma in termini di diffusione (dalle istituzioni di frontiera alle piccole e medie imprese di tutto il Paese), gli Stati Uniti partono da una posizione di gran lunga più vantaggiosa.

Detto questo,

entrambi i Paesi stanno attuando misure che risultano controproducenti per i loro stessi interessi.

Ciò che mi preoccupa maggiormente delle politiche statunitensi attuali è la combinazione tra le restrizioni ai flussi internazionali di talenti e il taglio ai sostegni alle università, che storicamente hanno rappresentato il principale motore di formazione delle competenze legate alle tecnologie di uso generale. Nella competizione tecnologica tra Stati Uniti e Giappone, uno dei vantaggi decisivi degli Stati Uniti fu la capacità di accedere a un bacino globale di talenti nell’ingegneria del software, quando invece il Giappone operava in un contesto molto più ripiegato su sé stesso. Le attuali restrizioni statunitensi nei confronti degli studenti provenienti dall’estero, unite ai tagli ai programmi di mobilità accademica e ai community college, rischiano di erodere questo vantaggio.

Un tema su cui ho riflettuto sempre di più da quando il libro è andato in stampa riguarda il rischio di incidenti legati all’IA e gli insegnamenti che possiamo trarre da altre tecnologie ad alto rischio, come l’energia nucleare, l’aviazione civile e l’industria chimica.

In questi settori, le preoccupazioni legate alla sicurezza hanno giocato un ruolo significativo nel rallentare o limitare la diffusione.

L’IA presenta un profilo di rischio diverso e più sfaccettato, ma la questione di fondo è simile: quali Paesi o regimi normativi sono in grado di trovare il giusto equilibrio tra favorire l’adozione di questa tecnologia e prevenire il tipo di incidenti o perdita di fiducia dell’opinione pubblica che potrebbero diventare un ostacolo a lungo termine alla sua diffusione?

Se pensiamo all’energia nucleare, un quadro normativo più prudente in alcuni Paesi avrebbe potuto aprire la strada a un’adozione più intensiva nel lungo periodo. La stessa dinamica potrebbe verificarsi anche con l’IA. Un solo fallimento di grande risonanza, tale da minare la fiducia dell’opinione pubblica, potrebbe rallentare l’adozione a tal punto che servirebbero anni per riprendersi. Non sarebbe certo un colpo mortale, ma penso che il tema non riceva l’attenzione analitica che merita e potrebbe assumere un ruolo sempre più centrale nelle dinamiche di diffusione dell’IA nel corso del prossimo decennio.