Washington e la Silicon Valley sono impegnate in una nuova disputa sul 'pacing' dell'intelligenza artificiale: il rallentamento deliberato dello sviluppo dei modelli di frontiera finché le misure di sicurezza, l'allineamento e la società possano raggiungere il passo. I critici descrivono il pacing come un disarmo unilaterale nella competizione con la Cina. I sostenitori lo considerano l'unico approccio responsabile per una tecnologia i cui stessi creatori mettono in guardia da rischi catastrofici.

Entrambe le parti, tuttavia, hanno abbracciato quella che può essere definita la 'Fallacia Compute-to-GDP'—l'assunzione che ogni miglioramento incrementale delle prestazioni dell'AI si trasformi immediatamente in output macroeconomico. Le precedenti tecnologie generiche—innovazioni fondamentali come l'elettricità, il computer e internet che attraversano ogni settore—hanno impiegato decenni per diffondersi nell'economia e produrre guadagni di produttività misurabili. L'AI sta seguendo un percorso simile a un ritmo accelerato, ma il dibattito pubblico spesso presume che i modelli storici ed economici non si applichino più.

L'America è già anni indietro rispetto alla frontiera dell'AI. Le fortune commerciali dei laboratori di frontiera saranno determinate meno dalla capacità grezza che dalla fiducia e dall'adozione. Un periodo di pacing costerebbe quindi relativamente poco all'economia, perché il dibattito centrale è focalizzato sul vincolo sbagliato.

Lo scetticismo sul pacing non è infondato. È una vera misura di sicurezza, o una strategia di marketing di laboratori di frontiera e aziende di cybersecurity che cercano di rafforzare i propri conti in vista delle quotazioni in borsa? Rallentare lo sviluppo consegnerebbe la leadership statunitense alla Cina, o Pechino risponderebbe con una propria forma di pacing?

Il problema della frontiera

L'AI ha raggiunto una pietra miliare critica in termini di capacità. Gli avvertimenti su rischi catastrofici o esistenziali non possono più essere liquidati d'autorità, anche se la loro probabilità a breve termine resta modesta. Tuttavia, concentrandosi così fortemente sui modelli all'avanguardia, i laboratori di frontiera hanno gestito male sia la propria comunicazione pubblica sia la questione della fiducia.

Più di 100 conversazioni recenti con CEO, leader politici e scienziati dell'AI, condotte per il libro imminente When Machines Act, hanno convinto gli autori che il dibattito sul pacing ha perso di vista i principi primi. Una distinzione chiave è stata oscurata: la ricerca avanzata che i laboratori conducono a porte chiuse non è la stessa dei prodotti che rilasciano al pubblico.

La domanda più rilevante potrebbe essere se i laboratori debbano davvero rallentare la ricerca, o se debbano semplicemente fare un lavoro migliore nel garantire che i prodotti commerciali siano sicuri per l'uso.

Il problema dell'allineamento

Da quando ChatGPT è stato rilasciato nel 2022, i leader aziendali si sono mobilitati con una velocità raramente vista nella storia commerciale moderna. Ma la struttura della tecnologia aziendale rende l'assorbimento economico su larga scala intrinsecamente lento. Silo di dati frammentati, sistemi ERP datati, rigorosi requisiti di conformità e scarsa igiene dei dati rappresentano tutti ostacoli.

Gli shock di budget aziendali causati dal 'tokenmaxxing' fuori controllo—la pratica di instradare compiti di routine attraverso modelli molto più grandi del necessario—hanno anche dimostrato che molti flussi di lavoro aziendali quotidiani richiedono modelli molto più semplici. pochissimi compiti in una tipica azienda Fortune 500 richiedono un sistema di frontiera. Il pacing quindi non danneggerebbe materialmente l'output economico né soffocherebbe i ricavi dei laboratori, perché le aziende hanno bisogno di tempo per assimilare le capacità già disponibili.

Più di due terzi delle aziende ad alte prestazioni identificano i dati come l'ostacolo principale all'implementazione dell'AI, secondo McKinsey. Quell'ostacolo si è rivelato persistente anche con il rapido avanzamento dei modelli. Solo il 7% delle aziende descrive i propri dati come 'completamente pronti' per l'AI, meno di un quarto ha una strategia dati, e il 63% o non dispone di una gestione dei dati adatta all'AI o non è sicuro di averla, secondo un rapporto di Cloudera e Harvard Business Review Analytic Services e un comunicato di Gartner.

La fallacia compute-to-GDP

Come ha sottolineato il Senior Partner di McKinsey Asutosh Padhi durante un'intervista con Fareed Zakaria, la disponibilità tecnica è fondamentalmente diversa dalla trasformazione economica. Le tecnologie generiche hanno storicamente richiesto decenni per riorganizzare i flussi di lavoro e generare ampi guadagni di produttività.

L'elettricità ha impiegato 75 anni per elevare lauttività in tutta l'economia. I computer hanno richiesto 50 anni, mentre internet e i dispositivi mobili 25 anni. I modelli di AI potrebbero essere pronti, ma la riorganizzazione organizzativa necessaria per utilizzarli su larga scala richiederà tempo considerevole. In un sondaggio sulla comunità imprenditoriale, McKinsey ha rilevato che solo il 6% delle aziende ha riportato un impatto 'significativo' e un modesto attribuzione degli utili. Il rapporto State of AI fornisce contesto aggiuntivo sull'adozione aziendale.

Le aziende si stanno concentrando su compiti di automazione ad alto rendimento e basso rischio che modelli di una o due generazioni fa possono già eseguire. Un ex CEO di Wall Street altamente rispettato ha detto che questi sistemi opereranno accanto ai sistemi legacy per anni, permettendo alle aziende di confermare che funzionano correttamente e che nessun rischio normativo viene assimilato inconsapevolmente.

Le aziende americane quindi determineranno esse stesse il ritmo del deployment, indipendentemente dalle decisioni dei laboratori di frontiera. Nessuna azienda di alcun settore dovrebbe rilasciare un prodotto che ritiene pericoloso, e l'AI non dovrebbe essere trattata diversamente.

Un modello simile sta emergendo nel mercato dei semiconduttori. I chip di generazione precedente, inizialmente accantonati nella corsa ai più recenti acceleratori, stanno trovando una seconda vita come cavalli di battaglia per carichi di lavoro di inferenza pratici—l'esecuzione quotidiana dei modelli distribuiti anziché il loro addestramento—che rappresentano gran parte della domanda aziendale.

Miro Dimitrov, fondatore e CEO di Growth Protocol, ha detto al CEO Caucus di Yale della scorsa settimana che le architetture neuro-simboliche avevano ridotto i costi di inferenza di circa 80 volte in deployment clienti dal vivo. I risparmi sono derivati in gran parte dallo spostare i carichi di lavoro lontano dalle costosissime GPU verso CPU aziendali standard.

Le tre fasi dell'adozione dell'AI

L'adozione aziendale può essere intesa come tre fasi, ognuna definita da quanto lavoro un'azienda può delegare in modo responsabile. Il progresso è vincolato dalla prontezza dei dati e dal livello di fiducia che i sistemi hanno guadagnato.

La prima fase è l'assistenza. Consiste in copilot pronti all'uso costruiti su piattaforme aziendali come Salesforce. Questi strumenti collegano i dati tra le applicazioni esistenti e aiutano i dipendenti a lavorare più velocemente senza ristrutturazioni estese. Il ritorno può arrivare rapidamente, mentre il rischio resta limitato perché un umano continua a eseguire gran parte del lavoro.

La seconda fase è l'orchestrazione. Coinvolge flussi di lavoro agentici—sistemi AI che pianificano ed eseguono compiti multi-step per conto di un lavoratore—che richiedono investimenti significativi nei dati proprietari e nel collegare data lake distanti mai progettati per lavorare insieme. Un umano rimane nel ciclo per approvare ogni passaggio consequenziale.

La terza fase è l'autonomia, in cui operazioni agentiche end-to-end girano attraverso sistemi perfettamente interconnessi mentre gli umani supervisionano per eccezione.

Il potenziale rendimento aumenta con ogni fase, ma aumentano anche i rischi associati e la fiducia richiesta. Ecco perché il tipico CEO di una Fortune 500 rimane nella di assistenza mentre effettua investimenti anticipati sostanziali per prepararsi all'orchestrazione. Le fasi inoltre non avanranno uniformemente in tutta un'azienda. La maggior parte delle imprese gestirà un portafoglio che copre più fasi, sperimentando l'orchestrazione in selezionati dipartimenti lungimiranti mentre il resto dell'organizzazione si abitua all'assistenza di base.

Tutte e tre le fasi dipendono dalla fiducia dei CEO che l'AI seguirà le regole del manuale del dipendente, obbedirà alla legge e manterrà un fondamento di valori e giudizio umani. Investitori, commentatori mediatici e mercati quindi diagnosticano male come viene creato il valore aziendale quando temono che il pacing per l'allineamento dell'AI ostacoli il progresso dei modelli di frontiera.

Il dibattito è ulteriormente complicato da promesse vaghe e avvertimenti attorno all'AGI, o intelligenza artificiale generale—sistemi che potrebbero eguagliare o superare le prestazioni umane nella maggior parte dei compiti cognitivi—così come dalle opportunità e dai rischi catastrofici associati al raggiungimento della 'singolarità'. L'allineamento è di per sé soggettivo, con laboratori e individui diversi che definiscono il termine in modo diverso. La risposta a ogni riferimento all'allineamento è un'ulteriore domanda: allineamento a cosa?

Se le tecnologie AI sono destinate ad automatizzare compiti umani, dovrebbero soddisfare gli stessi standard di valori, giudizio e condotta morale attesi da un dipendente attuale o potenziale. Se i modelli di frontiera più avanzati non possono soddisfare quegli standard nei test, non sono pronti per il rilascio. Quel principio è coerente con le leggi che gli Stati Uniti hanno sempre mantenuto per proteggere i consumatori dai prodotti pericolosi.

L'ex Presidente della Federal Trade Commission Lina Khan ha fatto un'osservazione simile su X: 'Esiste un ampio insieme di leggi che regolano i prodotti pericolosi e difettosi… rilasciare modelli o agenti AI non verificati può violare le leggi sulla protezione dei consumatori. Spedire strumenti AI difettosi senza implementare misure adeguate per rilevare e fermare agenti AI renitenti o difettosi può costituire un atto o pratica 'ingiusto o ingannevole' ai sensi dell'FTC Act (e leggi statali analoghe).' Il post è disponibile su https://x.com/linamkhan/status/2099204390548639960.

Queste leggi rendono le aziende responsabili dei danni a consumatori, dipendenti, investitori, pazienti e concorrenti, così come ai mercati e ai sistemi finanziari da cui dipendono.

America, Cina, velocità e fiducia

Indipendentemente dalla propria posizione nel dibattito sulla distillazione dei modelli AI da parte della Cina—la tecnica di addestrare modelli più piccoli a riprodurre gli output di sistemi di frontiera più grandi—la Cina dispone oggi di sistemi che rivaleggiano con i modelli di frontiera sul mercato. Il Partito Comunista Cinese ha anche segnalato che sta spostando l'attenzione verso la distribuzione dell'AI in tutta l'economia anziché continuare a spingere la frontiera.

I laboratori di frontiera competono quindi in due corse: una per raggiungere l'AGI o la 'superintelligenza', e un'altra per conquistare la quota di spesa dei clienti. I loro clienti più consolidati, principalmente imprese Fortune 500, possono attest che riconquistare un cliente dopo che la decisione di acquisto è stata presa è estremamente difficile. La Cina comprende bene questa dinamica, che ha contribuito alla sua vittoria nelle telecomunicazioni globali—una corsa che gli Stati Uniti hanno largamente perso.

Il Partito Comunista Cinese ha anche espresso profonda preoccupazione per l'allineamento. La versione domestica di Pechino enfatizza il controllo statale, l'ortodossia di partito e la coerenza con le narrazioni ufficiali. L'allineamento occidentale si concentra più sull'affidabilità fiduciaria, sulla sicurezza dei consumatori e sulla responsabilità del prodotto. Sotto quella divisione ideologica giace la stessa realtà commerciale: agenti imprevedibili che 'allucinano', che non seguono le regole organizzative, non esercitano giudizio solido o non rispettano i guardrail istituzionali, non possono essere affidati a flussi di lavoro mission-critical né contati per produrre crescita economica durevole.

L'amministrazione Trump dovrebbe continuare a perseguire opportunità di collaborazione e coordinamento con il Presidente Xi per garantire che l'AI non causi distruzione di massa o catastrofi, intenzionali o accidentali. Se Trump solleverà la questione è un'altra questione.

Al CEO Caucus, 93 dei circa 100 CEO intervistati hanno detto di non credere che il presidente avesse ragione a definire 'hoax' gli avvertimenti sui pericoli dell'AI. Quasi il 90% ha detto che il presidente dovrebbe sottolineare la necessità di linee guida congiunte USA-Cina sulla sicurezza dell'AI durante la visita di Stato, mentre quasi tre quarti non si aspettavano che lo facesse. Secondo Axios, le discussioni preparatorie tra il Segretario al Tesoro Bessent e la sua controparte cinese potrebbero presto smentire quei circa 75 leader aziendali.

Un intervallo di pacing non sarebbe una vacanza passiva né un cessate il fuoco economico. Sarebbe un periodo attivo di rafforzamento difensivo. Washington e Pechino hanno bisogno di tempo per rafforzare le infrastrutture critiche contro gli exploit di agenti autonomi prima di sbloccare la prossima generazione di capacità di frontiera.

L'allineamento umano è solo metà della sfida. Durante un tale periodo, la priorità immediata dovrebbe essere rafforzare le istituzioni che sostengono la società. I sistemi finanziari, sanitari ed educativi dovrebbero essere testati alla ricerca di vulnerabilità dai modelli più avanzati, come Anthropic ha dimostrato attraverso il suo deployment ristretto di Mythos nell'ambito del Project Glasswing. Quei modelli hanno violato le difese con ingegneria sofisticata, ma gli exploit sono riusciti a causa di debolezze sistemiche nelle infrastrutture digitali aziendali.

I laboratori di frontiera possono credere di correre un'unica corsa verso la superintelligenza. La corsa che determinerà le loro fortune commerciali, tuttavia, è la più lenta contesa per guadagnare la fiducia delle imprese, dei regolatori e dei cittadini che dovranno convivere con ciò che costruiscono. La velocità può fare titoli, ma la fid conquista i clienti.

Quella corsa è una maratona, non uno sprint. La prima metà di una gara di lunga distanza serve per il pacing, la seconda per il sorpasso. In ogni rivoluzione tecnologica, dalle ferrovie a internet, le fortune più grandi sono andate a coloro che hanno capito che una frontiera ha poco valore finché non arrivano i coloni.

Le opinioni espresse nei commenti su Fortune.com sono esclusivamente quelle degli autori e non riflettono necessariamente le opinioni e le convinzioni di Fortune. Il rapporto è stato aggiornato con commenti aggiuntivi del co-autore David Siegel. Questa storia è stata originariamente pubblicata su Fortune.com: https://fortune.com/2026/09/22/ai-pacing-debate-how-fast-slow-wrong-debate-frontier