Nel corso dell'ultimo anno, il dibattito sull'intelligenza artificiale ha assunto i contorni di un fenomeno quasi escatologico: da un lato, la promessa di un'era di abbondanza cognitiva senza precedenti; dall'altro, il timore che sistemi automatizzati possano svuotare intere categorie professionali nel giro di pochi cicli di aggiornamento dei modelli. Eppure, chi lavora concretamente con l'AI all'interno delle grandi aziende racconta una storia molto più prosaica, fatta di riunioni con Copilot in modalità "sorveglianza", report trimestrali e gerarchie manageriali che si estendono fino all'invisibile. La distanza tra il clamore mediatico che circonda i Large Language Models e la realtà operativa di chi li sviluppa e applica quotidianamente è, in molti casi, abissale.
La tensione più significativa non è quella tra umani e macchine, ma tra due modelli organizzativi del lavoro tecnologico: la startup ad alta velocità e la grande corporation lenta e ridondante. In ambienti come quello che potremmo chiamare cultura yAI — il tipico ecosistema di startup AI affamato di crescita — la pressione per portare qualsiasi output in produzione il più velocemente possibile trasforma l'AI da strumento in imperativo esistenziale. Se un modello genera codice più rapidamente del programmatore mediano disponibile sul mercato, l'incentivo economico a non assumere quel programmatore diventa immediatamente razionale. In questo contesto, l'arrivo di sistemi come GitHub Copilot o dei modelli di code generation basati su architetture transformer rappresenta effettivamente una perturbazione strutturale.
Le grandi corporation — le "MegaCorp" dell'economia digitale — funzionano secondo una logica radicalmente diversa. Qui la ridondanza non è un difetto del sistema, ma una sua caratteristica deliberata: i progetti vengono abbandonati per ragioni opache ai livelli inferiori della gerarchia, i manager misurano il proprio valore in funzione del numero di persone che coordinano, e l'introduzione dell'AI difficilmente intacca un apparato burocratico la cui inerzia è proporzionale alla sua dimensione. Il reinforcement learning può ottimizzare la generazione di codice, ma non scioglie facilmente la logica dei report trimestrali e delle performance review.
Vale la pena decostruire alcune delle narrative più in voga sulla traiettoria tecnologica dell'AI. Una tesi recentemente diffusa sostiene che i laboratori di ricerca abbiano deliberatamente prioritizzato la generazione di codice come "strategia" per accelerare lo sviluppo dei modelli stessi, innescando un ciclo di auto-miglioramento. La realtà tecnica è più banale: i modelli sono diventati efficaci nella generazione di codice perché il codice è un dominio particolarmente favorevole al reinforcement learning. Le risposte sono verificabili in modo oggettivo e quantitativo — il codice funziona o non funziona, impiega un certo tempo di esecuzione, consuma una certa quantità di memoria. Questa capacità di confronto quantitativo tra output è esattamente ciò che permette di fornire al modello un segnale di feedback preciso del tipo "quella differenza che hai generato? voglio più di quella".
Il contrasto con domini come la redazione di atti legali o la consulenza medica è illuminante. Dato un brief legale, come si stabilisce quale sia "migliore" rispetto a un altro, una volta soddisfatti i requisiti di base? Il percorso da "non falso" a "buono" non è mappabile in modo altrettanto chiaro, il che significa che non ogni task professionale è convertibile in un problema di reinforcement learning. Questa distinzione tecnica ha implicazioni dirette su quali professioni e quali flussi di lavoro sono più esposti alla disruption nel breve periodo.
Le conversazioni informali all'interno dei team AI delle grandi aziende non vertono sull'obsolescenza professionale imminente, ma su uno scenario molto più concreto: la possibilità che la bolla AI scoppi, e le sue conseguenze sul mercato. L'ecosistema delle startup — quelle che popolano il territorio semantico di "Uber for X" o "cambiamo il mondo con Y" — è identificato come il punto di maggiore vulnerabilità. Buona parte della liquidità che circola nell'economia tech in questo momento transita attraverso queste strutture, e un effetto domino potrebbe avere ripercussioni ben oltre la Silicon Valley.
Lo scenario più probabile non è quello della singolarità tecnologica né quello del collasso occupazionale, ma quello della consolidazione corporate: man mano che il costo marginale del software si avvicina allo zero e i modelli frontier diventano accessibili anche al di fuori dei grandi laboratori, le corporation più grandi assorbiranno le idee più remunerative sviluppate dalle startup, le reimballeranno con il proprio branding e le distribuiranno ai propri clienti. Il risultato pratico per gli utenti finali sarà un'intensificazione delle interazioni mediate da chatbot: contratti generati da LLM che coprono il 95% dei casi standard, servizi educativi e sanitari filtrati da strati crescenti di automazione conversazionale.
Dal punto di vista del contesto normativo europeo, questo scenario solleva questioni rilevanti per l'applicazione dell'AI Act: la progressiva intermediazione algoritmica in ambiti ad alto rischio come la sanità, l'istruzione e la consulenza legale rientra esattamente nella categoria di sistemi che il regolamento europeo intende assoggettare a requisiti stringenti di trasparenza, auditabilità e supervisione umana. La concentrazione di potere tecnologico nelle mani di pochi attori corporate amplifica le preoccupazioni già espresse dal Garante europeo della protezione dei dati riguardo all'asimmetria informativa tra fornitori di servizi AI e utenti finali.
La quotidianità del lavoro di ricerca AI in un contesto corporate è, per chi la vive, notevolmente più vicina alla normale ricerca scientifica che alle narrazioni LinkedIn: lettura di paper, scrittura di codice, produzione di visualizzazioni dei dati. Copilot viene occasionalmente consultato per fare debug su problemi specifici, non per generare intere pipeline di machine learning. La pressione a velocizzare artificialmente il processo produttivo — quella che aveva caratterizzato l'esperienza in startup — semplicemente non esiste nello stesso modo.
La vera differenza strutturale rispetto alla ricerca accademica non è la qualità intellettuale del lavoro, ma la sua visibilità e il suo impatto esterno. In un contesto accademico, anche un paper pubblicato su arXiv prima della peer review contribuisce alla conversazione globale della comunità scientifica; in un contesto corporate, anche il progetto più ambizioso rimane confinato nei confini dell'organizzazione, visibile soltanto ai destinatari interni e agli shareholder. Questo trade-off tra anonimato e rilevanza istituzionale è forse la riflessione più onesta che chi migra dalla ricerca all'industria AI sia chiamato ad affrontare. La vera domanda aperta, quella che nessun modello è ancora in grado di rispondere, è se questa concentrazione silenziosa di competenze AI all'interno delle grandi corporation stia costruendo qualcosa di duraturo, o stia semplicemente accumulando complessità in attesa che qualcosa — un cambio normativo, un crollo dei finanziamenti, un breakthrough inaspettato — ne ridisegni i confini.