Blu7, azienda in corso di riconoscimento MIM per corsi in aula e online. Iscriviti a 7 Pillole Blu.

C’è un genere di testo che ha imparato a somigliare all’analisi. Racconta come andrà l’intelligenza artificiale nei prossimi dodici mesi, è scritto con ritmo e si chiude con una frase che sembra una diagnosi. Lo si legge in dieci minuti, se ne esce convinti di aver capito qualcosa e ogni tanto ci si prende una decisione di spesa. Assomiglia moltissimo a un altro genere, quello in cui qualcuno ha misurato una cosa e la riporta. Distinguere i due è una competenza, non un’opinione: si impara in poche pagine.

Indice

Due testi che sembrano identici

Due frasi possibili sullo stesso argomento. La prima: “entro l’anno prossimo la scrittura dei testi commerciali sarà interamente automatizzata, chi non si attrezza resterà indietro”. La seconda: “su 40 schede prodotto affidate a un modello, 12 sono uscite pubblicabili, 21 hanno richiesto dieci minuti di revisione e 7 sono state riscritte da zero”.

La prima è più bella da leggere. È anche impossibile da sbagliare in modo verificabile, perché non dice quale testo, per quale settore, con quale soglia di qualità, misurata da chi. La seconda è noiosa, però se qualcuno rifà la prova e ottiene numeri diversi si può discutere.

La differenza fra analisi e sensazione ben scritta non sta nel tono, nella competenza dichiarata o nella lunghezza. Sta in una domanda sola: che cosa dovrebbe accadere perché questo testo risulti sbagliato? Se non esiste una risposta, non è un’analisi. Può essere un’ottima pagina di letteratura. Non è una base per decidere dove mettere quattromila euro.

Perché sull’AI si sbaglia più che altrove

Il terreno si sposta mentre lo si misura

Nel gennaio 2024 è uscita una rilevazione che i suoi autori indicano come la più ampia mai fatta sul tema: 2.778 ricercatori che pubblicano nelle sedi scientifiche principali dell’AI hanno dato le loro stime. Aggregate, davano al 50% la probabilità che le macchine superassero gli esseri umani in ogni compito possibile entro il 2047, con una condizione scritta nero su bianco: che la ricerca prosegua senza interruzioni. La stessa domanda, un anno prima, aveva collocato quella soglia nel 2060. Tredici anni di anticipo guadagnati in dodici mesi.

Non se ne ricava che gli esperti siano inaffidabili, si ricava qualcosa di più utile: se il consenso di quasi tremila specialisti si sposta di tredici anni in una revisione, la previsione a cinque anni di una singola persona ha un margine di errore incalcolabile. Nella stessa rilevazione, poi, la soglia del 50% per l’automazione di tutte le occupazioni cadeva nel 2116. Due risposte così distanti nello stesso questionario bastano a diffidare di chi presenta una data come acquisita.

Chi prevede ha quasi sempre qualcosa in gioco

Nel 2024 l’investimento privato mondiale nell’AI generativa è stato di 33,9 miliardi di dollari, il 18,7% in più dell’anno prima. Attorno a una cifra simile si forma un ecosistema di persone il cui reddito dipende dal fatto che la trasformazione sia imminente. Non serve immaginare malafede: chi vende consulenza sull’AI vive dentro le aziende che l’hanno adottata, vede quello che funziona e non vede il capannone dove nessuno ci ha ancora provato. Previsione sincera, sistematicamente sbilanciata.

L’interesse in gioco non squalifica un’analisi, la colloca. Vale per chiunque scriva di questo, compresa un’agenzia di Firenze che di intelligenza artificiale si occupa per lavoro. La regola pratica: chiediti che cosa cambierebbe nella vita di chi ha scritto quel testo se avesse ragione, poi leggilo tenendo la risposta in mano.

Il tono sicuro viene premiato

“Andrà così” si condivide, “potrebbe andare in tre modi e non so quale” no. Le piattaforme su cui questi testi circolano misurano l’attenzione, non la calibrazione, quindi a parità di fondatezza chi si esprime con più sicurezza raccoglie più lettori. Il grado di sicurezza di un testo dice quanto è stato ottimizzato per essere letto, non quanto è probabile che sia giusto.

Un precedente lungo settant’anni

Vale la pena leggere il documento che ha dato il nome a questa disciplina. Il 31 agosto 1955 quattro scienziati proposero un seminario estivo al Dartmouth College, due mesi di lavoro per dieci persone, sui fronti dell’uso del linguaggio, dei concetti astratti, della capacità delle macchine di migliorare se stesse. La promessa nel testo è più prudente di come viene ricordata, perché si aspettavano un progresso significativo su uno o più di quei fronti, non su tutti. Anche così la scala era sbagliata di decenni. Non per superficialità: quando una cosa non è ancora stata fatta, nessuno sa quanto è difficile. Che una previsione venga poi ricordata più netta di com’era succede spesso, come nel caso della settimana lavorativa corta promessa quasi un secolo fa.

Un esempio recente è ancora più istruttivo. In un’intervista pubblicata dal New Yorker nell’aprile 2017, uno dei ricercatori che hanno reso possibile il deep learning dichiarò che era “del tutto ovvio” che entro cinque anni il deep learning avrebbe fatto meglio dei radiologi, forse dieci. In una conferenza in ospedale era stato più netto: bisognava smettere di formare radiologi.

Come è andata. Nel marzo 2025 i programmi statunitensi di radiologia hanno offerto 1.451 posti di specializzazione, massimo storico, il 5,2% in più dei 1.379 dell’anno prima, con il 98,2% dei posti coperti. Onestà vuole che si riporti anche l’altra metà di quella fonte: i candidati sono scesi del 6,4%, 1.759 contro 1.880, secondo anno di calo. Chi ha analizzato quei numeri ipotizza due fattori insieme: la competitività altissima degli ultimi anni, che scoraggia chi si sente meno forte, più l’incertezza degli studenti di medicina su quanto gli sviluppi dell’intelligenza artificiale peseranno sulla specializzazione. Le scelte delle persone si sono spostate mentre i posti aumentavano. Intanto il software di analisi delle immagini è entrato davvero nei reparti: la tecnologia è arrivata, la professione non è sparita, si è mossa.

Quella previsione non era sciocca né interessata: era formulata su una dimensione sola, la classificazione delle immagini, mentre il mestiere ne conteneva altre dieci. È l’errore di chi guarda una capacità e ne deduce un lavoro. Un imprenditore lo incontra ogni volta che gli dicono che un ruolo in azienda è automatizzabile: la domanda non è se la macchina sa fare quel compito, è quanta parte di quel ruolo è fatta di compiti simili.

Ci fidiamo della persona, non dell’argomento

C’è una scorciatoia che usiamo tutti, spesso senza accorgercene: invece di valutare un ragionamento valutiamo chi lo firma. È razionale, perché il merito costa tempo che non abbiamo, però ha due difetti. La reputazione si guadagna sul passato mentre la previsione riguarda il futuro, quindi chi ha capito benissimo l’ondata precedente resta dentro il modello mentale che quell’ondata gli ha lasciato. E nell’AI la competenza è strettissima: essere fra i primi al mondo nell’addestramento dei modelli non dice nulla su come si organizza il lavoro in uno studio di venti persone.

Leggi il testo senza guardare la firma. Se dopo averlo letto non sai dire quali fatti verificabili contiene, la firma non lo salverà.

Anche i numeri vanno letti

Portare dati non basta, perché due dati veri raccontano storie opposte. L’AI Index 2025 di Stanford riferisce che nel 2024 il 78% delle organizzazioni dichiarava di usare AI. Eurostat, su dati estratti a dicembre 2025, riporta che le imprese europee che usano tecnologie AI sono il 19,95%, contro il 13,48% dell’anno prima.

Nessuno dei due mente. Misurano popolazioni diverse, le organizzazioni che rispondono a una rilevazione globale contro il campione europeo delle imprese con dieci o più addetti. Sopra ogni cosa, definiscono in modo diverso che cosa significhi usare l’AI.

C’è poi un livello più fine, che quasi nessun titolo riporta. Dentro quel 19,95% la forbice per dimensione è larghissima: 17% fra le piccole imprese, 30,36% fra le medie, 55,03% fra le grandi. Per un’azienda fiorentina da dodici persone il numero pertinente è il primo, non la media e tanto meno il 78%. Prima di reagire a una percentuale, guarda su chi è stata calcolata. Lo stesso vale sui costi, dove le impressioni si sciolgono appena si mettono in fila i listini reali, come abbiamo fatto contando quanto si paga davvero per milione di token.

Le domande da farsi prima di spendere

Che cosa afferma, in una frase falsificabile? Se non riesci a riscriverla in forma verificabile (“entro giugno una scheda prodotto si produce in meno di X minuti”), non è ancora una previsione.
Su quali fatti si appoggia, sono controllabili? Un link a una misurazione vale più di tre aggettivi. L’assenza totale di link in un testo che parla di numeri è di per sé un’informazione.
Chi ci guadagna se ci credo? Vale per chi scrive e per chi te lo ha girato. Non serve a scartare il testo, serve a sapere dove cercare quello che manca: se chi scrive vende la soluzione, il dato assente è quasi sempre lo stesso, i casi in cui non ha funzionato.
Che cosa mi costa se ha ragione e io aspetto sei mesi? I prezzi per unità di elaborazione tendono a scendere mentre le capacità dei modelli tendono a crescere, quindi la risposta onesta è spesso “poco”. Il costo dell’attesa viene raccontato come enorme molto più spesso di quanto lo sia.
Qual è la versione piccola di questa decisione? Quasi ogni scelta sull’AI si riduce a una prova di due settimane su un processo solo, con un numero da guardare alla fine. Una prova piccola smentisce una previsione grande meglio di qualunque discussione.

A una scuola paritaria che valuta uno strumento per la correzione assistita non serve stabilire se fra tre anni la valutazione sarà automatizzata, questione che merita una discussione a parte. Le serve provarlo su una classe e due materie per un quadrimestre, poi contare le ore risparmiate dai docenti e i casi in cui la correzione era da rifare. Avrà un dato suo, che vale più di qualsiasi previsione altrui.

Quello che resta

Tocca mettersi in mezzo anche a me. Il 31 gennaio 2024 ho scritto su questo sito un articolo sul Rabbit R1, un dispositivo a comandi vocali grande come un mazzo di carte che prometteva di mandare in pensione lo smartphone. L’oggetto l’ho guardato con diffidenza, con dubbi sui dati e sulla lingua rivelatisi fondati. Nella stessa pagina però ho scritto una frase che suonava benissimo: “Il cellulare andrà in pensione, c’è solo da capire quando e chi lo accompagnerà”. Non l’ho verificata né condizionata, l’ho messa lì come premessa da cui partire. Due anni e mezzo dopo il cellulare è nella tasca di chi sta leggendo. L’errore non stava nella conclusione, stava nella premessa che non avevo esaminato.

Niente di questo dice che le previsioni siano inutili o che chi le fa sia in malafede: immaginare come andrà è una funzione necessaria e alcuni la svolgono bene. Una previsione però non è un’informazione, è un’ipotesi vestita da informazione, che il lettore ha il compito di svestire prima di usarla.

Il modo migliore per capire se un testo previsivo vale qualcosa è tornarci sopra. Segnati con la data tre previsioni che hai letto questa settimana e rileggile fra dodici mesi. Scoprirai quali fonti tengono. E quante volte hai creduto a qualcosa perché era scritto bene. La memoria delle previsioni sbagliate è uno strumento di misura che possediamo davvero. Non costa nulla se non l’onestà di tenerlo aggiornato.