Un po’ di disillusione era inevitabile, non a caso si parla di “hype”(smania, montatura). Quando OpenAI ha rilasciato ChatGPT alla fine del 2022 ha cambiato il corso di un’intera industria—e di diverse economie mondiali. Milioni di persone hanno iniziato a parlare con i loro computer, e i loro computer hanno iniziato a rispondere. Eravamo incantati e ci aspettavamo di più. Le aziende di IA hanno presentato ogni nuova uscita di prodotto come una grande svolta, rafforzando la diffusa fiducia che questa tecnologia avrebbe continuato a migliorare, ma il 2025 è stato un anno di bilanci non sempre positivi.
Per cominciare, le principali aziende di IA hanno fatto promesse che non potevano mantenere. Ci hanno detto che l’IA generativa avrebbe sostituito i colletti bianchi, portato a un’era di abbondanza, fatto scoperte scientifiche e aiutato a trovare nuove cure per le malattie. La paura di “perdere il treno” ha spinto il management a strappare manuali e cautele e a buttarsi. Anche se la tecnologia è stata presentata come uno strumento universale in grado di ridurre i costi rinnovando i processi aziendali, diversi studi pubblicati quest’anno suggeriscono che le aziende non stanno riuscendo a far funzionare la bacchetta magica dell’IA. Sondaggi e tracker provenienti da diverse fonti, tra cui l’US Census Bureau e la Stanford University, hanno rilevato che l’adozione degli strumenti di IA dalle aziende è in rallentamento. E quando gli strumenti vengono effettivamente utilizzati, molti progetti restano bloccati nella fase pilota. Senza un ampio consenso in tutta l’economia, non è chiaro come le grandi aziende di IA riusciranno mai a recuperare le incredibili somme già spese in questa corsa. Allo stesso tempo, gli aggiornamenti alla tecnologia di base non sono più i momenti di discontinuità di un tempo.
OpenAI aveva promosso GPT-5 da mesi: “Esperto di livello PhD in tutto”, esultava il CEO Sam Altman. Le aspettative erano enormi. Quello che è seguito è stato il più grande cambiamento di tendenza da quando ChatGPT è apparso.
Molte persone hanno fatto l’analogia con i telefonini. Per circa un decennio, gli smartphone sono stati la tecnologia di consumo più entusiasmante al mondo. Oggi, nuovi prodotti escono da Apple o Samsung senza grande clamore. Negli ultimi anni l’IA ha avuto dei momenti di discontinuità significativi, dai salti sorprendenti nella qualità dei modelli di generazione video alle capacità di problem solving dei cosiddetti modelli di ragionamento, fino alle vittorie di livello mondiale in competizione dei modelli più recenti di programmazione e matematica. Ma (l’applicazione di) questa tecnologia ha solo pochi anni e, sotto molti aspetti, è ancora sperimentale, i suoi successi pongono dei grandi caveat e forse dobbiamo rivedere le nostre aspettative.
Il grande reset
Facciamo attenzione: il pendolo dall’entusiasmo (hype) all’indifferenza può oscillare presto e parecchio. Ma sarebbe comunque avventato scartare questa tecnologia solo perché è stata sopravvalutata, la risposta istintiva quando l’IA non è all’altezza delle (presunte) aspettative è dire che i progressi hanno raggiunto il loro limite. Ma questo non tiene in conto come funzionano la ricerca e l’innovazione tecnologica, il progresso è sempre stato discontinuo.
Non possiamo fare a meno di chiederci: quando il fattore sorpresa sparirà, cosa rimarrà? Come vedremo questa tecnologia tra uno o cinque anni? Pensiamo che sia valsa la pena sostenere costi colossali, sia finanziari che ambientali? Tenendo questo in mente, ecco quattro modi per pensare allo stato dell’IA alla fine del 2025: l’inizio di una necessaria correzione del (troppo facile) entusiasmo (hype).
01: Gli LLM non sono tutto
In un certo senso, è l’hype intorno ai grandi modelli linguistici, non l’IA nel suo complesso, che necessita di essere corretta. È diventato ovvio che gli LLM non sono la porta d’ingresso all’intelligenza artificiale generale, o AGI, una tecnologia (futuribile) che alcuni sostengono un giorno sarà in grado di svolgere qualsiasi compito (cognitivo) che un essere umano possa fare. Gli LLM sono molto bravi a imparare a svolgere molti compiti specifici, ma sembrano non imparare i principi dietro quei compiti. È la differenza tra imparare a risolvere mille diversi problemi di algebra e imparare a risolvere qualsiasi problema di algebra. La cosa più fondamentale è che questi modelli in qualche modo generalizzano molto peggio rispetto alle persone.
È facile immaginare che gli LLM possano fare qualsiasi cosa perché il loro uso del linguaggio è così coinvolgente. È sorprendente quanto bene questa tecnologia riesca a imitare il modo in cui le persone scrivono e parlano. E noi siamo programmati per vedere intelligenza, che ci sia o meno, in cose che si comportano in certi modi. In altre parole, abbiamo costruito macchine con comportamenti umani e non possiamo fare a meno di vedere dietro di esse una mente umana o artificiale.
È comprensibile, gli LLM fanno parte della vita quotidiana solo da pochi anni. Ma in questo tempo, il marketing ha approfittato della nostra fragile percezione di ciò che la tecnologia può davvero fare, aumentando aspettative ed eccitazione. Man mano che conviviamo con questa tecnologia e la comprendiamo meglio, queste aspettative dovrebbero tornare con i piedi per terra.
02: L’IA non è una soluzione rapida a tutti i tuoi problemi
A luglio, i ricercatori del MIT hanno pubblicato uno studio2 che è diventato un punto di riferimento fondamentale relativamente alle reali aspettative nell’utilizzo dell’IA. Il risultato principale è stato che il 95% delle aziende che avevano provato a usare l’IA non ne aveva ricavato alcun beneficio. Il senso generale di questa affermazione è stato ripreso anche da altre ricerche. A novembre, uno studio condotto da ricercatori di Upwork3, un’azienda che gestisce un marketplace online per freelance, ha rilevato che gli agenti alimentati da importanti LLM di OpenAI, Google DeepMind e Anthropic non riuscivano a completare da soli molte attività semplici sul posto di lavoro. Questa è molto lontana dalla previsione di Altman: “Crediamo che, nel 2025, potremmo vedere i primi agenti IA ‘entrare nel mondo del lavoro’ e cambiare in modo significativo la produzione delle aziende”. Ma ciò che viene trascurato nello studio del MIT è che la base di ricerca era piuttosto ristretta: il tasso di fallimento del 95% si riferisce alle aziende che avevano tentato di implementare sistemi di IA personalizzati e non erano ancora passati oltre la fase pilota dopo sei mesi. Non dovrebbe sorprendere che molti esperimenti con tecnologia sperimentale non si concretizzino subito. Questo numero non include nemmeno l’uso degli LLM da parte dei dipendenti al di fuori dei siti pilota aziendali. I ricercatori del MIT hanno scoperto che in circa il 90% delle aziende intervistate c’era una sorta di rapporto ombra con l’IA, in cui i lavoratori utilizzavano, per lavoro, chatbot con account personali. Ma il valore economico di quell’economia ombra non è stato misurato.
Quando lo studio di Upwork ha esaminato quanto bene gli agenti svolgessero i loro compiti insieme a persone che sapevano cosa stavano facendo, i tassi di successo sono aumentati vertiginosamente. La conclusione sembra essere che molte persone stanno cercando di capire da sole come l’IA possa aiutarle nel loro lavoro. Questo si adatta a qualcosa che ha osservato il ricercatore e influencer dell’IA (e creatore del termine “vibe coding”) Andrej Karpathy: i chatbot sono migliori della media degli umani in diverse cose (dare consigli legali, correggere bug, fare matematica da liceo), ma non sono migliori di un essere umano esperto. Karpathy suggerisce che questo potrebbe essere il motivo per cui i chatbot si sono dimostrati popolari tra i consumatori, aiutando i non esperti con domande e compiti quotidiani, ma non hanno sconvolto l’economia, superando nei loro compiti i dipendenti più qualificati. Non sorprendiamoci che l’IA non abbia (ancora) avuto l’impatto sui posti di lavoro che i sostenitori avevano predetto, almeno pe rora. L’IA non è una bacchetta magica e non può sostituire gli umani, ma i modi in cui l’IA potrebbe essere integrata nei flussi di lavoro quotidiani e nelle pipeline aziendali sono ancora in fase di sperimentazione.
03: Siamo in una bolla? (Se sì, che tipo di bolla?)
Se l’IA è una bolla, è come la bolla dei mutui subprime del 2008 o quella di internet del 2000? Perché c’è una grande differenza. La bolla subprime ha spazzato via una grande parte dell’economia, perché quando è scoppiata non ha lasciato nulla se non debito e immobili sopravvalutati. La bolla dot-com ha spazzato via molte aziende, provocando onde in tutto il mondo, ma ha lasciato alle spalle l’internet nascente—una rete internazionale di cavi e alcune startup, come Google e Amazon, che sono diventate i giganti tecnologici di oggi. D’altra parte, forse siamo in una bolla diversa da entrambe queste cose. Dopotutto, al momento non esiste un vero modello di business per gli LLM. Non sappiamo ancora quale sarà l’applicazione killer, o se ce ne sarà una. E molti economisti sono preoccupati per le somme di denaro senza precedenti investite nelle infrastrutture necessarie per costruire capacità di calcolo che si prevede sia generata dall’IA.
Con questa lezione in mente, oggi le aziende di IA stanno cercando di finanziarsi la strada attraverso quella che potrebbe essere o meno una bolla: restare in gara e non restare indietro. Eppure, è pur sempre una scommessa…
04: ChatGPT non è stato l’inizio, e non sarà la fine
ChatGPT è stato il culmine di un decennio di progressi nel deep learning, la tecnologia che sta alla base di tutta l’IA moderna e i cui semi furono piantati negli anni ’80, anche se gli inizi dell’IA suo complesso risalgono almeno agli anni ’50. Se i progressi si misurano in questo contesto, l’IA generativa è appena iniziata. Cosa ci aspetta ? L’incessante, forte aspettativa (hype) non deriva solo dalla spinta delle aziende che cercano di generare affari per le loro nuove tecnologie estremamente costose, c’è un gran numero di persone, dentro e fuori dal settore, che vuole credere nella promessa di macchine capaci di leggere, scrivere e pensare. È un sogno vecchio di decenni, ma questo genere di aspettative non è mai stato sostenibile e questo è un bene. Ora abbiamo la possibilità di reimpostare le aspettative e vedere questa tecnologia per quello che è realmente, valutarne le vere capacità, comprenderne i difetti e prenderci il tempo necessario per imparare come applicarla in modi utili (e vantaggiosi). “Stiamo ancora cercando di capire come estrarre comportamenti utili da questa scatola nera incredibilmente ricca di informazioni e capacità,” dice Benaich. Questa correzione di approccio all’IA era attesa da tempo, ma sappiamo che l’IA non andrà in una direzione precisa, non comprendiamo nemmeno appieno cosa abbiamo costruito finora, figuriamoci cosa ci aspetta dopo.
Bibliografia
- “What is AI?”: Will Douglas Heaven, MIT Technology Review, 10 luglio 2024
- “State of AI in Business 2025”: Aditya Challapally et al., MIT NANDA Project , giugno 2025
- “UpBench: A Dynamically Evolving Real-World Labor-Market Agentic Benchmark Framework Built for Human-Centric AI”: Darvin Yi et al., UpBench, novembre 2025
- “These six questions will dictate the future of generative AI”: Will Douglas Heaven, MIT Technology Review, dicembre 2023
lateral thinking 