Compute: il collo di bottiglia si è spostato

Il compute ha smesso di essere il fattore decisivo nella corsa all'AI di frontiera. Questa è una traiettoria documentata, un dato che i costi di calcolo dell'ultimo decennio raccontano con chiarezza. Il consenso continua a prezzare la potenza di calcolo come il vincolo che ci separa dall'AI capace di migliorarsi da sola. La realtà si è spostata altrove.

Il consenso ha il frame sbagliato

Il consenso ha il frame sbagliato, e lo dimostro subito. Ogni previsione di crescita esplosiva dell'AI assume che l'auto-miglioramento ricorsivo arrivi appena avremo abbastanza cluster e abbastanza parametri. Il ragionamento suona logico: più calcolo, più capacità, quindi macchine che progettano macchine migliori. La catena nasconde un salto. Il calcolo produce esecuzione, non direzione. Nessuna quantità di parametri decide da sola quale problema vale il tempo di calcolo.

Uno studio recente rompe questo schema. 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 AI, e restano indietro sul giudizio e sulla creatività necessari a produrre ricerca originale.

Il divario suggerisce che le timeline gonfiate sull'automazione della ricerca corrono davanti alle prove. La macchina calcola. La macchina resta lontana dal saper scegliere quale domanda merita quel calcolo. La conseguenza per chi pianifica è diretta: un modello di crescita ancorato al solo compute misura la variabile sbagliata.

La curva di costo del compute

La curva di costo dice una cosa diretta: il calcolo si sta commoditizzando. Il prezzo per unità di lavoro utile scende ogni anno, un movimento che ricalca la caduta storica del costo dell'energia solare.

Tre forze spingono insieme lungo questa traiettoria: hardware più denso, software di inferenza più efficiente, competizione feroce tra fornitori cloud. Ognuna comprime il prezzo dello stesso risultato. Il calcolo diventa acqua corrente. Quando una risorsa si comporta così, il vantaggio non sta più nel possederla. Sta nel sapere dove indirizzarla.

Nello studio di Princeton gli agenti hanno ricevuto sei giorni, 3.000 dollari di crediti API Anthropic e un budget GPU per condurre gli esperimenti. Con quelle risorse hanno prodotto ingegneria competente. La barriera che li ha fermati riguarda il gusto, la capacità di decidere quali ipotesi valgono il tempo. Il compute era abbondante. Il giudizio mancava. Questo ribalta l'ordine dei fattori: la risorsa scarsa non era il calcolo, era la scelta.

Cosa misura davvero lo studio

Il metodo si chiama shadow evaluation. Gli agenti devono rispondere a una domanda di ricerca presa da un paper inedito, quindi impossibile da recuperare online o dalla memoria di addestramento. Il disegno chiude la porta al recupero mnemonico e isola ciò che conta: la capacità di generare risposte nuove, non di ricomporre risposte già viste.

I ricercatori hanno usato Claude Opus 4.8 di Anthropic su un software open source chiamato OpenClaw, applicato a due lavori sottomessi a NeurIPS 2026. La prima domanda riguardava il controllo delle personas di un modello attraverso l'editing dei pesi. La seconda chiedeva di progettare un rilevatore che segnala quando un modello su dati tabellari diventa inaffidabile.

Problemi reali e aperti, privi di una risposta pronta. Esattamente il terreno dove il calcolo abbondante incontra un muro di giudizio. Vale la pena segnare il limite delle prove: due domande, un modello, un run. Il campione è stretto. Non falsifica la tesi opposta, ma sposta l'onere della prova su chi promette automazione imminente.

Il cliff event: dal calcolo al gusto

Questo è un cambio di regime, e ha una direzione. Il collo di bottiglia migra dal compute al giudizio. Quando il costo del calcolo tende a zero, il valore si concentra dove la scarsità rimane: dati proprietari, gusto di ricerca, capacità di scegliere il problema giusto.

Cliff event: entro il 2027 il costo del calcolo di frontiera diventa una voce marginale nei budget di R&D dell'AI, e la competizione si sposta interamente sul talento che sa dirigere quel calcolo.

La curva dei prezzi rende questo esito inevitabile. Il timing resta la variabile aperta. Inevitable, not imminent.

Tre categorie che cambieranno forma

Tre categorie di aziende cambieranno forma prima di quanto il mercato prezzi:

• Fornitori di compute puro: i margini si comprimono man mano che il calcolo diventa commodity.
• Laboratori foundation model: il vantaggio si sposta dai parametri al gusto di ricerca e ai dati proprietari.
• Startup verticali con data moat: catturano il valore che abbandona il layer infrastrutturale.

Il pattern è chiaro. Chi vende capacità grezza vende ciò che diventerà economico. Chi possiede giudizio, dati e problemi ben scelti costruisce il vantaggio del prossimo decennio.

La mia posizione, e cosa la falsificherebbe

La mia posizione è esplicita: l'auto-miglioramento ricorsivo dell'AI arriverà più tardi di quanto promettono le timeline aggressive, perché il vincolo attuale è il giudizio, e il giudizio scala peggio del compute.

Il 90% degli analisti ha ragione sul presente. Ha torto sul ritmo del cambiamento. Il presente mostra agenti che scrivono codice, generano dati sintetici, ottimizzano chip. Il ritmo verso la ricerca autonoma resta legato a una qualità che il calcolo da solo fatica a produrre. C'è una controtesi onesta da mettere sul tavolo. Il giudizio potrebbe emergere come proprietà di scala, comparire di colpo oltre una certa soglia di parametri. Se accadesse, la mia timeline salterebbe. Ma finora nessun dato mostra quella soglia, e la shadow evaluation dice il contrario.

Cosa cambierebbe la mia opinione? Un agente che supera la shadow evaluation, che produce ricerca accettata a una conferenza top partendo da una domanda inedita, in piena autonomia dalla guida umana. Quel risultato ribalterebbe la tesi.

La previsione

Previsione: entro dicembre 2026 gli agenti AI autonomi resteranno lontani dal produrre ricerca originale accettata a una conferenza machine-learning di primo livello, partendo da una domanda inedita e operando in piena autonomia.

Confidence: alta. Orizzonte: dicembre 2026. Kill signal: un paper accettato a NeurIPS, ICML o ICLR la cui ricerca risulti condotta end-to-end da un agente in autonomia, verificabile e documentata.

Cosa significa per chi decide

Per il CTO: rivaluta i contratti di capacità di calcolo prima che il prezzo crolli sotto i tuoi piedi. Il tuo stack deve premiare i dati proprietari, la risorsa che resta scarsa.

Per il venture capital: la bet contrarian è la startup verticale con data moat, quella che oggi sembra piccola accanto ai laboratori di frontiera. Per il Chief Strategy Officer: un piano a tre anni costruito sulla scarsità di compute assume un mondo che sta svanendo.

Per il procurement: il vendor che stai per bloccare su calcolo grezzo ti vende una commodity al prezzo di un asset scarso. Leggi la curva prima di firmare. Trovi altre analisi di traiettoria nel nostro blog.