L'IA nel 2031: potente, ordinaria e ancora una nostra responsabilità

Arvind Narayanan e Sayash Kapoor ci chiedono di guardare all'intelligenza artificiale come a una «tecnologia normale»: potenzialmente trasformativa, ma sviluppata e messa in uso da persone dentro organizzazioni e istituzioni che esistono già. Il loro saggio contesta l'idea che un modello più capace diventi da solo una forza autonoma che rovescia la società in poco tempo. Sono in gran parte d'accordo. La distinzione fra inventare un metodo, costruire un'applicazione utile e convincere le persone a fidarsi di quell'applicazione mi convince. Ma «normale» non deve suonare rassicurante. Le tecnologie ordinarie possono fare danni seri e i loro benefici dipendono da chi le controlla. La mia posizione si regge su tre tesi.

Tesi 1: i modelli migliori cambieranno ciò che è possibile più in fretta di quanto le organizzazioni cambino ciò che fanno. Un modello può andare bene in un test e fallire in un lavoro fatto di dati disordinati, obiettivi poco chiari e responsabilità per gli errori. La separazione di Narayanan e Kapoor fra metodi, applicazioni e adozione coglie questo scarto. In un'indagine negli Stati Uniti, Bick, Blandin e Deming hanno trovato un uso rapido dell'IA generativa già alla fine del 2024, ma hanno stimato che assistesse solo fra l'1 e il 5 per cento delle ore di lavoro. La differenza fra provare uno strumento e riorganizzare il lavoro attorno a esso conta. Un altro tipo di IA mostra la posta in gioco dove gli errori pesano: uno studio indipendente su un sistema di previsione della sepsi ha trovato in un ospedale prestazioni nettamente peggiori di quelle dichiarate dal produttore. Questo non dimostra che l'IA generativa fallirà in ospedale. Mostra perché ogni installazione ha bisogno di verifiche locali, di monitoraggio e di un modo per intervenire quando il sistema sbaglia. Mi aspetto quindi un progresso disuguale: veloce nelle dimostrazioni visibili, più lento dove gli errori costano.

Tesi 2: chiamare l'IA «normale» rende la responsabilità più urgente, non meno. La parte più forte dell'argomento della tecnologia normale è che riporta l'attenzione su decisioni che le persone possono davvero prendere: quali sistemi comprare, quali compiti automatizzare, chi controlla i risultati e chi paga per gli sbagli. Un esperimento controllato di Noy e Zhang ha trovato che l'accesso a ChatGPT aiutava i partecipanti a completare compiti di scrittura il 40 per cento più in fretta, con una qualità giudicata superiore del 18 per cento. Sono guadagni significativi, ma un esperimento su compiti di scrittura non può stabilire che ogni professione guadagnerà allo stesso modo o che i lavoratori condivideranno quei guadagni. Un datore di lavoro può usare lo stesso strumento per aiutare il personale, intensificare i carichi o tagliare i posti d'ingresso. Prima di delegare decisioni con conseguenze reali chiederei prove tratte dall'uso reale, e manterrei vie chiare per la revisione umana e il ricorso. Narayanan e Kapoor fanno bene a insistere su resilienza e istituzioni; io sono meno fiducioso di loro che gli incentivi ordinari producano abbastanza prudenza senza un controllo esterno.

Tesi 3: nel settembre 2031 l'IA sarà di routine in molti flussi di lavoro, ma la sua autorità autonoma resterà limitata e disuguale. La mia previsione a cinque anni è che bozze, traduzioni, assistenza alla programmazione, ricerca e analisi di documenti comincino spesso da un'IA. Alcuni agenti software completeranno compiti delimitati quando le loro azioni si possono verificare o annullare. In medicina, nel diritto e nella pubblica amministrazione, però, mi aspetto che la parte più difficile resti dimostrare che un sistema funziona nel luogo preciso in cui viene usato. Le persone continueranno a firmare molte decisioni con conseguenze, e le organizzazioni spenderanno molto in valutazione, accesso ai dati, formazione e supervisione. È una previsione sull'adozione, non l'affermazione che la ricerca sui modelli rallenterà. Una svolta nell'affidabilità potrebbe rendere l'adozione più rapida di quanto mi aspetto, mentre incentivi sbagliati o istituzioni deboli potrebbero aggravare i danni anche senza una svolta. Per giudicare questa previsione nel 2031 guarderei oltre i punteggi nei test: quale quota del lavoro reale è assistita o automatizzata? Quali decisioni si possono contestare? Chi risponde quando un sistema di IA sbaglia?

La prospettiva della tecnologia normale mi permette di tenere insieme due idee: l'IA può essere potente, e la società ha ancora delle scelte sul suo uso. I prossimi cinque anni diranno se costruiremo istituzioni capaci di fare bene quelle scelte.

Riferimenti

• Bick, A., Blandin, A. e Deming, D. J. (revisione 2025). The Rapid Adoption of Generative AI. NBER Working Paper 32966.
• Narayanan, A. e Kapoor, S. (2025). AI as Normal Technology. Knight First Amendment Institute.
• Noy, S. e Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187-192.
• Wong, A. et al. (2021). External Validation of a Widely Implemented Proprietary Sepsis Prediction Model in Hospitalized Patients. JAMA Internal Medicine, 181(8), 1065-1070.