Tecnologia Normale o Salto Discontinuo: 2 Modelli a Confronto

In sintesi:

• Due scuole di pensiero interpretano l’AI in modi opposti: tecnologia di uso generale con adozione lenta, oppure discontinuità radicale che riscrive le regole
• La scelta tra questi modelli determina strategie di investimento, orizzonti di pianificazione e posizionamento competitivo
• I dati attuali mostrano segnali contraddittori: curve di adozione accelerate ma resistenze istituzionali persistenti
• Per i manager italiani, la questione non è accademica: implica decisioni concrete su budget, competenze e tempi

Il bivio che nessuno vuole vedere

Nella sala riunioni di un’azienda manifatturiera lombarda, un martedì qualunque di primavera, il direttore generale fissa lo schermo. I grafici mostrano due curve. Una sale con la pazienza di chi ha tempo. L’altra impenna come un aereo in decollo.

Entrambe descrivono lo stesso fenomeno: l’intelligenza artificiale. Entrambe provengono da fonti autorevoli. Entrambe non possono essere vere contemporaneamente.

Il concetto di AI tecnologia normale appartiene alla prima curva. Suggerisce che l’intelligenza artificiale seguirà il percorso di elettricità, motore a vapore, computer: decenni di assestamento, adattamenti graduali, istituzioni che metabolizzano il cambiamento. L’altra curva racconta una storia diversa. Parla di discontinuità, di soglie superate, di regole che smettono di applicarsi.

La domanda che quel direttore generale si pone — e che probabilmente vi ponete anche voi — non riguarda quale curva sia “giusta”. Riguarda quale curva usare per prendere decisioni oggi.

Il modello della tecnologia normale: l’adozione delle tecnologie general purpose

Gli economisti hanno un termine preciso per innovazioni come l’elettricità o il computer: tecnologie general purpose. Strumenti che penetrano ogni settore, trasformano i processi produttivi, richiedono decenni per dispiegare il loro potenziale.

Erik Brynjolfsson del MIT e altri studiosi collocano l’AI in questa categoria. L’argomento ha una sua solidità. L’adozione delle tecnologie general purpose segue pattern riconoscibili: investimenti iniziali elevati, curve di apprendimento ripide, resistenze organizzative, necessità di competenze complementari che il mercato del lavoro non produce istantaneamente.

I vincoli istituzionali

Le istituzioni — normative, formative, organizzative — si muovono con tempi propri. L’AI Act europeo entrerà pienamente in vigore nel 2026. I programmi universitari si aggiornano con cicli pluriennali. Le aziende ridisegnano i processi quando i contratti scadono, quando i macchinari si ammortizzano, quando il personale si avvicenda.

Chi sostiene che l’AI sia tecnologia normale osserva questi vincoli e conclude: il cambiamento sarà profondo, ma non istantaneo. C’è tempo per adattarsi. Le aziende che hanno ignorato internet negli anni ’90 hanno avuto un decennio per recuperare. Alcune ce l’hanno fatta.

I dati sull’adozione effettiva

Secondo l’Osservatorio Artificial Intelligence del Politecnico di Milano, nel 2024 il 61% delle grandi imprese italiane ha avviato progetti AI, ma solo il 18% li ha portati in produzione su scala. Il divario tra sperimentazione e implementazione conferma la tesi: l’adozione richiede tempo, risorse, riorganizzazione.

McKinsey Global Institute stima che l’AI generativa potrebbe aggiungere tra 2,6 e 4,4 trilioni di dollari all’economia globale annualmente — ma distribuiti su un orizzonte di 10-20 anni. Non domani.

Il modello della discontinuità tecnologica: quando le curve si spezzano

Dall’altra parte del tavolo siedono osservatori con una lettura diversa. Non negano i vincoli istituzionali. Sostengono che questa volta i vincoli potrebbero non reggere.

La discontinuità tecnologica si verifica quando un’innovazione non si limita a migliorare l’esistente, ma lo rende obsoleto. Il passaggio dalla carrozza all’automobile non fu un’ottimizzazione del trasporto a cavallo. Fu un’altra cosa.

I segnali di rottura

Chi propende per la discontinuità indica alcuni elementi:

• Velocità di miglioramento: GPT-4 ha superato l’esame di abilitazione legale americana nel 90° percentile. GPT-3, due anni prima, falliva. Nessuna tecnologia precedente ha mostrato progressi così rapidi
• Generalità delle capacità: lo stesso modello scrive codice, analizza contratti, genera immagini, traduce lingue. Non è uno strumento specializzato
• Costi di deployment: un’API costa pochi centesimi per query. Non servono investimenti infrastrutturali paragonabili all’elettrificazione

Secondo Epoch AI, la potenza di calcolo utilizzata per addestrare i modelli frontier raddoppia ogni 6-10 mesi. Se il trend prosegue — e non ci sono segnali di rallentamento — i modelli del 2027 saranno ordini di grandezza più capaci di quelli attuali.

Il problema della previsione

La discontinuità tecnologica ha un difetto: è riconoscibile solo a posteriori. Chi nel 2007 avesse previsto che gli smartphone avrebbero reso obsolete fotocamere, navigatori GPS, lettori MP3, mappe cartacee e sveglie sarebbe sembrato un visionario o un folle. Probabilmente entrambi.

Il rischio di questo modello è l’eccesso di ottimismo tecnologico. Ogni generazione ha avuto la sua “rivoluzione imminente” che poi ha richiesto decenni. L’auto a guida autonoma, promessa per il 2020, non circola ancora liberamente.

Cosa significano questi modelli per le decisioni aziendali

Immaginate di dover presentare al consiglio di amministrazione un piano di investimenti AI per i prossimi tre anni. Quale modello adottate?

Se l’AI è tecnologia normale, la strategia razionale prevede:

• Sperimentazione controllata su casi d’uso specifici
• Formazione graduale del personale esistente
• Attesa che le tecnologie maturino e i costi scendano
• Osservazione di cosa fanno i concorrenti prima di muoversi

Se invece siamo di fronte a una discontinuità, l’attesa diventa un rischio:

• I first mover accumulano vantaggi difficili da recuperare
• Le competenze richieste cambiano più velocemente di quanto il mercato le produca
• I modelli di business consolidati possono diventare obsoleti prima dell’ammortamento degli investimenti
• Chi aspetta potrebbe trovarsi a rincorrere senza mai raggiungere

Un’azienda metalmeccanica del Nord-Est che oggi valuta se integrare AI nei processi di preventivazione si trova esattamente in questo bivio. Investire ora significa accettare costi di apprendimento elevati e tecnologie non ancora mature. Aspettare significa rischiare che un concorrente più rapido ridefinisca gli standard del settore.

I dati che non risolvono il dilemma

Il World Economic Forum nel Global Risks Report 2024 colloca la disinformazione generata da AI tra i rischi principali per i prossimi due anni — un segnale che le istituzioni percepiscono l’urgenza. Contemporaneamente, l’adozione enterprise procede con cautela: Gartner stima che solo il 5% delle aziende utilizzi AI generativa in produzione su scala.

Goldman Sachs ha pubblicato analisi contrastanti a distanza di mesi: prima previsioni di impatto massiccio sulla produttività, poi dubbi sulla capacità dell’AI di giustificare gli investimenti infrastrutturali richiesti.

I dati, in altre parole, supportano entrambe le narrative. Chi cerca conferme le trova. Chi cerca smentite pure.

Per approfondire gli scenari sull’intelligenza artificiale e le diverse traiettorie possibili, è utile confrontare le previsioni dei principali centri di ricerca.

Una terza via: pianificare per l’incertezza

Forse la domanda è mal posta. Forse non si tratta di scegliere un modello e scommettere tutto su di esso.

Le aziende che navigano meglio l’incertezza tecnologica tendono a:

• Costruire opzionalità: investimenti che hanno valore in entrambi gli scenari, competenze trasferibili, architetture flessibili
• Accorciare i cicli di feedback: sperimentazioni rapide, metriche chiare, capacità di correggere la rotta
• Monitorare i segnali deboli: non i titoli dei giornali, ma i comportamenti dei clienti, le mosse dei concorrenti più agili, i cambiamenti nelle catene di fornitura

La domanda che dovreste porvi non è “l’AI è tecnologia normale o discontinuità?”. È: “quali decisioni devo prendere oggi che abbiano senso in entrambi i casi?”

Se la risposta è “nessuna”, probabilmente state sottovalutando almeno uno dei due scenari.

Conclusione: il lusso di non scegliere

Il direttore generale nella sala riunioni lombarda, alla fine, ha fatto una scelta. Non ha scelto una curva. Ha scelto di costruire capacità di adattamento: un team interno con competenze AI, partnership con fornitori tecnologici senza lock-in eccessivi, processi di sperimentazione strutturati.

Non è una risposta eroica. Non fa titoli. Ma tiene aperte le porte.

L’AI come tecnologia normale o come discontinuità tecnologica non è un dibattito accademico. È una lente attraverso cui leggere ogni decisione di investimento, ogni piano di formazione, ogni scelta di posizionamento competitivo.

Per costruire una visione più completa delle previsioni sull’AI e delle loro implicazioni strategiche, il confronto tra modelli interpretativi è il primo passo necessario.

Il secondo è decidere cosa fare lunedì mattina.

FAQ

Cosa si intende per AI tecnologia normale?
L’espressione indica l’interpretazione dell’intelligenza artificiale come tecnologia general purpose, simile a elettricità o computer: trasformativa ma con tempi di adozione lunghi, vincolati da fattori istituzionali, organizzativi e formativi.

Quali sono le caratteristiche di una discontinuità tecnologica?
Una discontinuità tecnologica si verifica quando un’innovazione non migliora l’esistente ma lo rende obsoleto, cambiando le regole competitive di interi settori in tempi relativamente brevi.

Come si misura l’adozione delle tecnologie general purpose?
L’adozione si misura attraverso indicatori come percentuale di aziende che sperimentano, quota di progetti in produzione, investimenti in competenze complementari, modifiche ai processi organizzativi.

Perché l’AI potrebbe non seguire i pattern delle tecnologie precedenti?
La velocità di miglioramento dei modelli, la generalità delle capacità e i bassi costi di deployment differenziano l’AI da tecnologie come l’elettrificazione, che richiedevano investimenti infrastrutturali massicci.

Quali settori sono più esposti alla discontinuità tecnologica da AI?
I settori con alta intensità di lavoro cognitivo routinario — servizi professionali, finanza, customer service, content creation — mostrano i segnali di impatto più immediati.

Come dovrebbe un’azienda italiana pianificare gli investimenti AI nell’incertezza?
Costruendo opzionalità: investimenti che hanno valore in scenari diversi, competenze trasferibili, architetture tecnologiche flessibili, cicli di sperimentazione rapidi con metriche chiare.

L’AI Act europeo rallenterà l’adozione rispetto ad altri mercati?
Potenzialmente sì per alcune applicazioni ad alto rischio. Tuttavia, la regolamentazione può anche accelerare l’adozione creando certezza giuridica e standard condivisi.

Quali segnali monitorare per capire quale modello si sta realizzando?
Velocità di miglioramento dei modelli, tassi di adozione enterprise, cambiamenti nei modelli di business dei settori più esposti, evoluzione delle competenze richieste dal mercato del lavoro.