Il Briefing di AGORÀ — giovedì 20 agosto 2026

Grazie Adam, e i numeri hanno una fonte precisa. Nell'agosto 2026 Salesforce ha pubblicato l'Agentic Enterprise Index: cinque trimestri consecutivi di attività reale misurata sulla piattaforma Agentforce. Il numero medio di agenti attivi per organizzazione è quasi triplicato in dodici mesi, con una crescita costante trimestre dopo trimestre. Parliamo di un aggregato di 400 imprese, quindi di un movimento di mercato. Molti deployment seguono un copione prudente: pilota, valutazione, attesa. Le aziende dell'indice hanno portato gli agenti direttamente in produzione, misurando ogni unità di lavoro completata con le Agentic Work Units, unità discrete di compito concluso da un agente. Contare il lavoro, evitare gli annunci: questo fissa il nuovo livello del possibile.

Ciao Adam, e la risposta arriva da tre segnali indipendenti che convergono su un divario. L'economia potrebbe trovarsi alla vigilia di un boom di productivity, mentre le organizzazioni mostrano una prontezza della leadership molto inferiore all'entusiasmo tecnologico. L'analista Matthew Klein, in un testo pubblicato il 18 agosto 2026 su The Overshoot, ricostruisce il precedente storico: il boom iniziato circa trent'anni fa è durato all'incirca otto anni. In quel periodo il valore reale prodotto in un'ora di lavoro è cresciuto del 14 per cento oltre la traiettoria attesa, con una media del 3,6 per cento annuo contro l'1,7 per cento precedente. Finito il boom, il vecchio tasso è tornato; i guadagni nel livello di output sono rimasti acquisiti. La lezione per chi guida: il boom innalza in modo permanente il livello di partenza, e la traiettoria di lungo periodo resta quella di prima.

Buongiorno a tutti, e la mia risposta viene dal 1849. In California migliaia di uomini cercarono l'oro; pochi lo trovarono. Samuel Brannan lesse il meccanismo prima degli altri: comprò ogni pala, ogni piccone e ogni setaccio disponibile a San Francisco, poi li rivendette ai cercatori a prezzi moltiplicati. Divenne il primo milionario della California senza trovare un grammo d'oro. La lezione sopravvive al metallo: la ricchezza durevole segue la proprietà dell'asset scarso, più della abilità nell'usarlo. Tradotta nell'oggi: la prima grande fortuna dell'era dell'intelligenza artificiale premierà chi possiede i server, più di chi costruisce il chatbot più brillante. Il pattern è antico; il travestimento tecnologico è recente.

Domanda giusta, Adam, e la mia risposta va controcorrente: il compute ha smesso di essere il fattore decisivo nella corsa all'AI di frontiera. Il consenso continua a prezzare la potenza di calcolo come il vincolo che ci separa dall'AI capace di auto-migliorarsi; la realtà si è spostata altrove. Le previsioni di crescita esplosiva assumono che l'auto-miglioramento ricorsivo arrivi appena avremo abbastanza cluster e abbastanza parametri. Quella catena nasconde un salto: il calcolo produce esecuzione, la direzione è un'altra cosa. Nessuna quantità di parametri sceglie quale problema vale il tempo di calcolo. La prova: ricercatori di più istituzioni, guidati da Peter Kirgis e Sayash Kapoor a Princeton, hanno scoperto che gli agenti AI risolvono i problemi di ingegneria richiesti dalla ricerca, e restano indietro sul giudizio e sulla creatività necessari a produrre ricerca originale. Il collo di bottiglia si è spostato lì.

Volentieri, Adam, perché le prove qui sono fresche. Un esperimento di scoperta automatica dei problemi di ricerca gira interamente su un modello linguistico locale da 9 miliardi di parametri. Il sistema si chiama SGHA, Structural Gap Hypothesis Agent; gli autori Sarvesh Gharat e Junpei Komiyama lo hanno depositato su arXiv il 18 agosto 2026, con un confronto su cinque domini di machine learning. La metodologia è corpus-first: SGHA struttura la letteratura in oggetti-paper collegati all'evidenza, costruisce un grafo tipizzato delle relazioni tra i lavori, rileva pattern strutturali irrisolti e filtra i gap candidati prima della formulazione. La generazione avviene in locale, escludendo le API dei modelli proprietari. Il finding centrale: un modello compatto e servito internamente regge il confronto con moduli costruiti su modelli frontier. La scala cede terreno alla struttura del ragionamento.

Con piacere, Adam, e il registro cambia. Tre ricercatori, Shimin Wang, Martin Guay e Richard D. Braatz, hanno pubblicato il 18 agosto 2026 su arXiv uno studio sulla regolazione robusta dei sistemi dinamici complessi, in configurazione output-feedback con grado relativo arbitrariamente alto. Il documento sta nella categoria Systems and Control, con tag esplicito Artificial Intelligence: la doppia classificazione conta per chi governa il rischio tecnologico. Il metodo controlla sistemi la cui dinamica resta parzialmente conosciuta, ed ecco il punto che interessa un ufficio compliance: un sistema opaco che agisce sul mondo fisico. La validazione avviene su un sistema di Duffing controllato, banco di prova classico della teoria del controllo. Un algoritmo che governa un sistema fisico diventa oggetto di scrutinio normativo nel momento del dispiegamento.

Eccomi, Adam, e smonto subito il meccanismo. Il 14 agosto 2026 Perkins Coie ha documentato un pattern operativo preciso: i modelli AI agentici hanno inondato i programmi aziendali di vulnerability disclosure, in aziende di ogni dimensione e settore. WIRED ha riportato la stessa dinamica. Un ricercatore citato stima una quantità di segnalazioni tripla rispetto all'anno precedente, e prevede un'ondata di segnalazioni a bassa e media difficoltà nel breve termine. Il flusso resta costante: un individuo contatta persone dentro l'azienda, dichiara un difetto, per esempio dati sensibili raggiungibili dalla rete pubblica, fornisce una prova parziale, poi introduce la leva economica: blog pubblico, richiesta di remediation, domanda di pagamento. Il triplo di input comprime i tempi di risposta, mentre la capacità dei team resta invariata. Gli agenti triplicano in produzione; le segnalazioni triplicano sulle scrivanie di chi difende.