I modelli linguistici di grandi dimensioni passano dalla novità all’utilità quotidiana, facendo risparmiare tempo agli utenti ma rimanendo ancora soggetti a difetti

I grandi modelli linguistici hanno superato una soglia, passando da curiosità a utilità quotidiana — almeno per alcune persone con la pazienza di configurarli e l’hardware per farli girare. Nel mio flusso di lavoro, la “IA” è diventata una sorta di maggiordomo dell’informazione: a poco più del costo dell’elettricità, mi fa risparmiare in modo affidabile circa un’ora al giorno, smistando il flusso costante di articoli, link e messaggi che dovrei seguire per fare il mio lavoro e restare un cittadino informato.

Non è perfetta. Secondo la mia stima approssimativa, non riesce a intercettare o a gestire correttamente forse il 5% di ciò che vorrei da un assistente davvero affidabile. Eppure, quel 95% restante basta per risultare trasformativo. Oltre al supporto nella lettura, questi strumenti mi fanno risparmiare grosso modo un’altra mezz’ora al giorno generando prosa di routine, completando testi standard, e — cosa più sorprendente — aiutandomi a recuperare il mio stesso pensiero passato su domande ricorrenti di uno, cinque o persino 25 anni fa.

Ciò che rende questo momento speciale non è soltanto che gli strumenti funzionano, ma quanto rapidamente siano diventati accessibili. Cinque anni fa non avrei previsto che un simile livello di capacità sarebbe arrivato nel corso della mia vita. Anche solo poco più di due anni fa, avrei potuto credere che sistemi del genere fossero lontani da cinque a dieci anni e probabilmente costosi. Invece, modelli linguistici a pesi aperti (open-weight) che girano in locale su macchine consumer — va detto, nella fascia alta di ciò che “consumer” significa — si sono trasformati in un’alternativa pratica che, una volta in possesso dell’attrezzatura, sembra quasi gratuita.

Detto questo, la comodità di oggi non è la prova che la previsione più grande e più spettacolare — macchine che, in senso ampio, superano gli esseri umani nel ragionamento in molti ambiti — sia imminente. Continuo a dubitare che questo tipo di “pensiero” generale appaia presto e, se dovesse accadere, mi aspetto che emerga solo in aree circoscritte. La ragione è semplice: non comprendiamo ancora fino in fondo che cosa intendiamo per “pensare”, ed è facile scambiare una produzione linguistica fluente per una cognizione più profonda.

Un utile schema interpretativo viene dal tecnologo Ramez Naam, in un testo messo in evidenza da Noah Smith, che si chiede perché non abbiamo visto una “esplosione di intelligenza” — il ciclo di retroazione fuori controllo in cui l’IA migliora rapidamente se stessa. Naam sostiene che i progressi più forti vadano attesi nei compiti in cui la correttezza può essere verificata in modo economico e oggettivo. Giochi come gli scacchi e il Go rientrano in questa descrizione, così come alcune parti della matematica formale e segmenti della programmazione. In questi ambienti, i sistemi possono generare enormi quantità di dati di addestramento e ricevere un feedback quasi perfetto su giusto contro sbagliato, tutto nel software senza dover attendere esperimenti fisici o validazioni umane. Prestazioni superumane in ambiti ristretti esistono già nel gioco, e schemi simili sono ora visibili negli angoli più formali della matematica, incluso il lavoro sulle dimostrazioni e la ricerca di controesempi.

Lo sviluppo software si colloca a metà strada: alcune parti sono altamente verificabili, mentre altre — come interpretare ciò che gli esseri umani vogliono davvero — sono sfumate. Questa indeterminatezza limita la velocità con cui strumenti migliori si traducono in un’IA radicalmente migliore.

Anche all’interno dei principali laboratori di IA, grandi aumenti della produzione non si traducono automaticamente in balzi proporzionali delle capacità. Naam richiama un’affermazione sorprendente: Anthropic ha riferito che i suoi ingegneri producono circa otto volte più righe di codice per persona rispetto al 2024. Eppure, la stessa system card “Mythos Preview” dell’azienda avverte che i guadagni di produttività non si mappano uno-a-uno sul progresso alla frontiera. La loro stima suggerisce che, per raddoppiare il progresso complessivo tramite questa via, servirebbero aumenti di produttività di circa un ordine di grandezza superiori a quelli attualmente osservati—nell’ordine di 40 volte rispetto a una baseline senza assistenza dell’IA.

Uno dei motivi per cui emergono questi limiti è che il linguaggio umano stesso porta con sé molta ridondanza—segnalazione sociale, ripetizione e correzione degli errori incorporata. Gran parte di ciò che resta è il riconfezionamento di idee che le persone hanno già prodotto, recuperate dall’archivio collettivo della scrittura umana. La parte più difficile—la “parola inattesa” che cambia davvero ciò che sappiamo—spesso dipende da qualcosa di più del semplice rimescolamento del testo: o un solido modello del mondo al di fuori del linguaggio, oppure pensieri autenticamente nuovi che non erano già presenti nei dati di addestramento.

Perché è importante

Per i knowledge worker, i modelli linguistici eseguibili in locale stanno già cambiando il modo in cui, giorno per giorno, avvengono lettura, scrittura e recupero della memoria, comprimendo ore di lavoro di routine in minuti. Ma le stesse evidenze suggeriscono che una codifica più rapida e una generazione di testo più fluida non innescheranno automaticamente un’auto-miglioramento incontrollato dell’IA. La prossima domanda chiave è dove si espandono i domini verificabili a ciclo chiuso (closed-loop domains)—e dove l’ambiguità sugli obiettivi umani continua a rappresentare il collo di bottiglia.