Intelligenza Artificiale in stallo? Perché lo scoppio della bolla rischia di travolgere l’economia

Da anni il settore privato investe cifre enormi nell’intelligenza artificiale con l’aspettativa di progressi rapidi e dirompenti, ma una parte crescente della comunità scientifica invita alla cautela, mettendo in discussione l’effettivo ritmo di miglioramento dei modelli di ultima generazione. In questa cornice, il giudizio di Gary Marcus, neuroscienziato e tra i più noti critici dell’impostazione “scaling-first”, è netto: il lancio di GPT-5 ha rappresentato un passo avanti incrementale, percepito come “in ritardo, sovra-pubblicizzato e deludente” rispetto alle aspettative gonfiate dell’industria.

Il punto controverso non è tanto l’assenza di miglioramenti tecnici, comunque rivendicati con i risultati dei benchmark, quanto l’utilità reale per gli utenti e l’assenza di un salto di qualità tangibile nell’esperienza d’uso rispetto ai modelli precedenti, che continuano a eccellere soprattutto come “compagni di chat” ma mostrano limiti persistenti in ragionamento, affidabilità e accuratezza. La critica si estende alla validità e all’interpretazione dei benchmark stessi, la cui attendibilità viene messa in dubbio da ricercatori e osservatori indipendenti quando non si traduce in benefici concreti e riproducibili in scenari non addestrati.

Secondo questa linea di lettura, si starebbe esaurendo quella paventata scalabilità dell’approccio dominante negli Stati Uniti e in aziende come OpenAI e Anthropic, basato sull’aumento massivo di GPU, data center, energia e capitale con l’aspettativa di miglioramenti quasi esponenziali verso l’AGI. AGI che come sappiamo è quasi un'ossessione per Sam Altman e abbracciata dai mercati, ma che oggi incontra confutazioni crescenti sul piano empirico. Per Marcus e altri studiosi, questo paradigma privilegia la crescita finanziaria e l’hype rispetto a progressi davvero sostanziali, e il suggerimento di spostare il baricentro verso approcci più mirati e integrati.

Una posizione che fino a poco tempo fa appariva minoritaria oggi trova nuovi sostenitori accademici e industriali. Michael Rovatsos, professore di IA all’Università di Edimburgo, ha evidenziato come l’introduzione in GPT-5 di un “router” per instradare le domande verso componenti più adatti indichi un ripensamento strutturale: invece di puntare su modelli sempre più opachi e monolitici, si torna a principi di meta-ragionamento e composizione di capacità specializzate, un segnale che potrebbe marcare un punto di svolta e il riconoscimento implicito di un limite nel rendere i soli LLM “molto più intelligenti”. In quest’ottica, alcuni risultati pratici, come possono essere quei casi eclatanti di errori in compiti apparentemente semplici, nonostante il miglioramento su test standardizzati, suffragano ulteriormente l'ipotesi del raggiungimento di un cosiddetto plateau funzionale e di una necessità di nuovi ingredienti architetturali.

Le perplessità non arrivano solo dal mondo accademico: già nel 2023 Bill Gates aveva parlato di una sorta di stallo della "AI scalabile", una tesi che oggi risuona maggiormente alla luce di lanci percepiti come meno rivoluzionari del previsto e di una crescente prudenza degli investitori di fronte a promesse ambiziose sul raggiungimento dell’AGI. Il quadro macro-finanziario rende queste dinamiche ancora più sensibili: secondo una serie di analisi riportate recentemente dal Wall Street Journal, la fortissima espansione di spese per capitali legata all’IA ha contribuito in modo rilevante alla crescita recente dell’economia statunitense e in misura maggiore rispetto alla spesa complessiva dei consumatori, tra l'altro in una realtà odierna dove i grandi attori dell’infrastruttura cloud e dei semiconduttori coincidono con le aziende a più alta capitalizzazione dei listini. Di seguito i primi 8 titoli dell'indice S&P500:

• Nvidia (NVDA)
• Microsoft (MSFT)
• Apple (AAPL)
• Amazon (AMZN)
• Meta Platforms (META)
• Broadcom (AVGO)
• Alphabet Class A (GOOGL)
• Alphabet Class C (GOOG)

Proprio per questo, gli scostamenti tra aspettative e risultati operativi vengono osservati con attenzione. Ci sarebbe un primo campanello d'allarme, quello di CoreWeave, partner infrastrutturale chiave per OpenAI: nonostante ricavi in forte aumento, il titolo ha subito un calo significativo a seguito della pubblicazione dei primi risultati trimestrali come società quotata in borsa a maggio, dopo che la società aveva fornito previsioni inferiori sull'utile operativo rispetto a quanto previsto da Wall Street. Previsioni che hanno iniziato ad alimentare qualche dubbio sulla sostenibilità del modello in un contesto di debito elevato e costi crescenti. E anche ieri, con la presentazione della nuova trimestrale, la società ha registrato un crollo fino al 20% dopo aver riportato perdite superiori alle aspettative di Wall Street. Questa dinamica è sintomo della sensibilità degli investitori a eventuali dati finanziari deludenti che possano suggerire un riallineamento delle aspettative iniziale.

E quindi il punto nodale riguarda la catena di trasmissione del valore: se i grandi clienti non riusciranno a monetizzare su larga scala le applicazioni di IA, specie in un mercato in cui molti utenti finali gravitano su offerte freemium, il rischio è che l’intero sistema, dai chip ai data center fino ai layer applicativi, debba ricalibrare ambizioni e ritorni attesi, con impatti potenzialmente più ampi di quelli visti nella bolla dot-com per via della profondità raggiunta dagli investimenti infrastrutturali e dall’integrazione nelle dinamiche macroeconomiche. In questo scenario, il dibattito si sposta dalla corsa ai record nei benchmark alla verifica di valore d’uso, sostenibilità dei costi (compresi quelli energetici) e all’urgenza di un’agenda di ricerca capace di superare i limiti strutturali degli attuali LLM.