Secondo Gartner, quattro aziende su cinque hanno aumentato quest’anno la spesa in intelligenza artificiale — ma solo una su cinque riesce a dimostrare un ritorno concreto. Il divario è netto: quasi tutti mettono soldi, pochissimi raccolgono. E la spiegazione istintiva — “ci serve un modello più potente” — è quasi sempre quella sbagliata.

Il collo di bottiglia si è spostato, e in pochi se ne sono accorti. Per anni la partita si è giocata sulla scala: più dati, più parametri, più potenza di calcolo. Ha funzionato, fino a un certo punto. Ma il punto è arrivato. Oggi il modello che avete già è quasi sempre abbastanza intelligente per il vostro problema. Ciò che gli manca non è potenza. È sapere dove si trova.

Ecco il paradosso. Un grande modello conosce milioni di libri, spiega la relatività, redige un contratto, riassume in secondi mille pagine. Eppure, appena entra nella vostra azienda, diventa di colpo ignorante. Non sa che il consiglio ha cambiato priorità la settimana scorsa. Non conosce le ragioni, mai scritte, per cui un cliente storico se n’è andato. Non capisce perché quella scadenza marginale tenga in ostaggio l’intero progetto. Sa tutto del mondo e niente del posto in cui dovrebbe lavorare.

Un modello più grande non chiude questa distanza. La allarga soltanto sul lato che era già coperto.

Il problema facile — sapere — l’intelligenza artificiale l’ha in gran parte risolto. Il problema difficile — capire che tipo di informazione ha davanti, e cosa farci — no. E nessuna quantità di potenza lo risolve, perché non è un problema di quanto il sistema legge. È un problema di come lo interpreta. Due esempi lo rendono concreto, e sono esattamente i casi in cui le aziende oggi si bruciano.

Primo. Un agente prepara l’amministratore delegato per una riunione decisiva, leggendo sei mesi di email. Produce un dossier impeccabile, corretto in ogni fatto, e conclude che quella divisione va salvata. Ma tra le email ce n’erano duecento scritte dal responsabile di quella divisione — una persona intelligente, che da mesi sapeva che la riunione sarebbe arrivata, e che ha scritto ogni riga sapendo che un giorno qualcuno l’avrebbe letta. Nessuno ha mentito. Hanno solo scelto cosa mettere per iscritto. L’agente ha trattato una mossa strategica come una fotografia della realtà. Non ha sbagliato i conti: ha sbagliato il tipo di informazione. Possiede la categoria “documento”, non la categoria “fonte che ha un interesse a convincermi”. Un modello dieci volte più grande commette lo stesso errore, solo con più eloquenza.

Secondo. Un sistema clinico raccomanda la terapia più aggressiva: le statistiche parlano chiaro. Ma la paziente, settimane prima, aveva detto che vorrebbe esserci al matrimonio della figlia, a marzo. Il sistema quella frase l’ha registrata — e l’ha messa sullo stesso piano di un esame del sangue, un dato “morbido” da pesare contro gli altri. Errore. Quella frase non compete con la statistica: dice cosa conta come buon risultato. Non entra nel calcolo, lo definisce. Confondere un’informazione che fissa l’obiettivo con una che lo alimenta non è un errore di stima. È un errore di categoria — e qui si misura in mesi di vita.

In entrambi i casi il sistema fallisce non perché sappia troppo poco, ma perché non distingue. Tratta ogni informazione come se fosse dello stesso tipo: un fatto e una preferenza, un dato verificabile e una diceria interessata, qualcosa di vero e qualcosa di rilevante qui. Sono cose diverse, che vanno maneggiate in modi diversi. E finché un sistema non le tiene separate, più informazione gli date, peggio va: quella buona affoga in quella che non ha saputo qualificare.

È questo che sposta il valore, ed è qui che chi costruisce e chi compra dovrebbe guardare. La potenza dei modelli si sta rapidamente livellando verso l’alto — presto ne avremo tutti a disposizione di eccellenti, più o meno intercambiabili. Ciò che resta scarso, e quindi prezioso, è altro: la capacità di far dialogare la conoscenza generale del modello con quella dispersa, tacita, non scritta che vive dentro ogni organizzazione. Distinguere i tipi di informazione, e poi integrarli. Sono la stessa competenza vista da due lati: non si combina bene ciò che prima non si è saputo tenere separato.

Il che rovescia la domanda strategica. Non “quanto è potente il modello che sto usando”, ma “quanto bene il mio sistema capisce con che tipo di informazione ha a che fare”. La prima domanda ha una risposta che presto comprerete a poco da chiunque. La seconda è quella su cui, nei prossimi anni, si deciderà chi con l’intelligenza artificiale ci lavora davvero — e chi continua a comprare potenza per risolvere un problema che non era di potenza.

---