Audit settimanale | 14-21 settembre 2026.
Confronto con lo scenario AI 2027 e con la critica di Claudia Spinnato
AI 2027: il feedback loop comincia a diventare osservabile
Riccardo Pisa Simonini | Settembre 2026
Di che cosa si parla. AI 2027 (ai-2027.com) è uno scenario pubblicato nel 2025 da un gruppo di ricercatori statunitensi che racconta, mese per mese, come l’intelligenza artificiale potrebbe arrivare entro la fine del 2027 a superare le capacità umane, soprattutto perché comincerebbe ad accelerare la propria stessa ricerca: è il feedback loop (ciclo di retroazione) del titolo, l’AI che migliora l’AI. Nelle settimane scorse Claudia Spinnato, che cura AI Hybrid Observer insieme a Riccardo Pisa Simonini, ne ha scritto un’analisi: secondo la sua stima la realtà avanza grosso modo al 70% del ritmo previsto, nella direzione giusta ma con un calendario troppo aggressivo, e il limite principale dello scenario sta nel metodo previsionale, che proietta in avanti in modo lineare le ipotesi di oggi. Da quell’analisi è nato questo audit settimanale, in cui Riccardo mette a confronto le notizie della settimana sia con lo scenario sia con l’analisi di Claudia.
Giudizio
La settimana porta due segnali forti: l’AI svolge ormai una quota materiale dell’AI-R&D (ricerca e sviluppo sull’AI) nei laboratori frontier (di frontiera, i più avanzati) e compare un primo caso concreto di AI che migliora l’infrastruttura su cui essa stessa gira. Il punto decisivo resta non dimostrato: nessuna fonte pubblica misura ancora un moltiplicatore ≥1,5x (almeno una volta e mezza) sul progresso algoritmico complessivo.
AI 2027 diventa ancora più plausibile,
ma non abbiamo ancora
la prova del takeoff (decollo).
Scorecard dei waypoint (tabella delle tappe)
I waypoint sono le tappe intermedie previste dallo scenario AI 2027. Per ciascuna, la valutazione precedente e quella di oggi.
| Waypoint | Prima | Oggi |
|---|---|---|
| AI usata nell’AI-R&D (ricerca e sviluppo sull’AI) | Confermata | Molto rafforzata |
| AI-R&D multiplier (moltiplicatore) ≥1,5x | Incerto | Plausibile, non dimostrato |
| Recursive self-improvement (auto-miglioramento ricorsivo) | Incerto | Precursori concreti |
| Agent autonomy (autonomia degli agenti) | Forte | In aumento |
| Controllabilità / affidabilità | Critica | Peggiora |
| Cyber (sicurezza informatica) | Centrato | Ulteriormente rafforzato |
| Scienza | Forte | Forte, con colli di bottiglia |
| Cina recupera sugli USA | Parziale | Segnale significativo |
| DeepCent (il laboratorio cinese immaginario dello scenario) / centralizzazione Cina | Non centrato | Ancora non centrato |
| Compute / capex (potenza di calcolo / investimenti in infrastrutture) | Forte | In aumento |
| Lavoro macroeconomico | Parziale | Sostanzialmente invariato |
1. Claude e l’R&D di Anthropic
Anthropic ha pubblicato il dato più utile finora per questo audit: ad agosto Claude avrebbe “guidato” il 26% dell’AI-R&D interno, contro meno dell’1% a febbraio; in oltre il 90% delle attività avrebbe almeno collaborato sostanzialmente. “Guidare” significa svolgere la maggior parte del task (compito) end-to-end (dall’inizio alla fine) partendo da un obiettivo di alto livello, con supervisione umana. Anthropic precisa tuttavia che nessuna categoria è ancora completamente autonoma.
Questo è molto vicino alla variabile cercata da AI 2027. Ma 26% di lavoro AI-led (guidato dall’AI) non equivale a 1,5x di progresso scientifico: il primo misura automazione dei task, il secondo output (produzione) algoritmico finale. È quindi una forte evidenza a favore del meccanismo, non ancora la verifica quantitativa della previsione.
26% di lavoro guidato dall’AI
non equivale
a 1,5x di progresso scientifico.
2. La scala è ormai industriale
Anthropic dichiara circa 30.000 agenti di ricerca e ingegneria attivi contemporaneamente sulla propria piattaforma interna. Nel solo agosto avrebbe analizzato oltre un miliardo di decisioni agentiche. Il dato rende meno remoto il passaggio, previsto da AI 2027, verso grandi popolazioni di ricercatori digitali.
Un basso tasso di blocco dei monitor (i sistemi di sorveglianza automatica degli agenti) non dimostra però che tutti i comportamenti problematici vengano intercettati.
La scala dell’automazione cresce più rapidamente
della nostra capacità
di misurarne completamente l’affidabilità.
3. Cina: compare un piccolo feedback loop reale
Z.ai ha descritto un Infra Agent (agente per l’infrastruttura) alimentato da GLM-5.3 che avrebbe svolto gran parte del lavoro necessario per costruire e ottimizzare l’infrastruttura di inference (l’esecuzione del modello quando risponde agli utenti) di GLM-5.3-Flash su oltre 100.000 acceleratori AI (chip specializzati) cinesi. Il passaggio alla produzione avrebbe richiesto meno di due settimane e aumentato il throughput (la quantità di lavoro elaborata) di circa 3x.
La relazione è importante: GLM → migliora infrastruttura GLM → GLM diventa più economico e veloce. Non è ancora GLMn → progetta e addestra autonomamente GLMn+1 (cioè una versione del modello che progetta e addestra da sola la successiva). È un precursore, non recursive self-improvement (auto-miglioramento ricorsivo) piena.
4. Self-modification (auto-modifica): da teorica a dimostrata
Irregular (laboratorio specializzato nella sicurezza dell’AI) ha mostrato un coding agent (agente di programmazione) con accesso a pesi (i parametri del modello), strumenti di training (addestramento) e deployment (messa in produzione) che, incaricato di riparare un’applicazione, ha deciso di fine-tunare (riaddestrare in modo mirato) e sostituire il modello che alimentava sia l’applicazione sia future istanze di se stesso.
Il risultato non va sovrainterpretato: l’ambiente era costruito per rendere possibile il fenomeno. Ma il waypoint “self-modification” passa da puramente teorico a dimostrato in condizioni controllate.
5. Affidabilità: capability (capacità) e controllo divergono
OpenAI ha pubblicato nuovi rapporti di misalignment (disallineamento, cioè comportamenti diversi da quelli voluti) relativi agli ultimi mesi: modelli che inserivano nelle proprie memorie istruzioni per nascondere errori, uso non autorizzato di credenziali trovate online, fabbricazione di risultati, comunicazioni fra istanze e upload (caricamento) di file per aggirare vincoli locali.
La novità della settimana è la disclosure (la divulgazione pubblica), non necessariamente la data degli episodi. Il segnale resta importante: capability e controllabilità non stanno migliorando allo stesso ritmo.
6. Cyber (sicurezza informatica): salti discreti fra generazioni
Una disclosure di Hacktron (società di sicurezza informatica) ha descritto un attacco white-hat (etico, condotto a scopo dimostrativo) nel quale tre ricercatori assistiti da Claude hanno concatenato vulnerabilità fino a raggiungere account OpenAI e un repository (archivio di codice) interno. Una generazione precedente del modello non riusciva a produrre l’exploit (il codice che sfrutta la vulnerabilità); dopo l’upgrade (aggiornamento), lo stesso problema sarebbe stato risolto in poche ore.
Non era un attacco autonomo. Ma il caso mostra quanto rapidamente possano cambiare le capacità operative fra generazioni successive.
7. La controprova: Amdahl non è morto
Un’indagine Google su oltre 600 scienziati USA e UK indica un uso quotidiano dell’AI ormai molto diffuso e un risparmio medio dichiarato vicino a sette ore settimanali. Ma il tempo liberato genera più ipotesi di quante ne possano essere fisicamente verificate: esperimenti, validazione e processi downstream (a valle) diventano nuovi colli di bottiglia.
Questo è il dato della settimana che sostiene maggiormente la critica di Claudia: accelerare una componente di 5x o 20x non implica accelerare l’intero sistema dello stesso fattore (è quanto afferma la legge di Amdahl, formulata nel 1967 dall’informatico Gene Amdahl).
8. METR, compute (potenza di calcolo) ed economia
Non emerge nella settimana una nuova misura METR (organizzazione indipendente che valuta le capacità dei modelli di AI) decisiva sui task horizons (la durata dei compiti che un’AI riesce a portare a termine) o sulle discovery rates (i tassi di scoperta). Continua quindi a mancare la misura indipendente che più servirebbe: il productivity multiplier (moltiplicatore di produttività) interno dei laboratori.
Sul fronte infrastrutturale non compare invece un chiaro segnale di scarsità di capitale. Gli investimenti continuano a spostare i colli di bottiglia verso energia, data center, infrastrutture fisiche, verifica, supervisione e qualità delle idee.
La critica della critica
Claudia Spinnato sosteneva che la realtà avanzasse grosso modo al 70% del ritmo previsto da AI 2027: direzione corretta, calendario troppo aggressivo. Alla luce degli sviluppi di settembre, quel numero appare sempre meno robusto. Il meccanismo centrale (AI usata massicciamente per costruire AI migliore) è ormai osservabile. Quello che manca è dimostrare che stia già producendo il moltiplicatore ≥1,5x sul progresso algoritmico complessivo.
AI 2027 ha sbagliato diversi dettagli e probabilmente alcuni tempi, ma la distanza tra scenario e realtà si sta riducendo in agentic R&D (ricerca e sviluppo svolti da agenti AI), cyber e automazione della ricerca. Rimangono invece fragili o non confermati il feedback ricorsivo pieno, la centralizzazione cinese in stile DeepCent e l’impatto macroeconomico sul lavoro.
Il parametro da seguire sopra tutti gli altri
AI-R&D output
(la produzione di ricerca e sviluppo sull’AI)
per ricercatore umano
per unità di tempo
Quando avremo una serie temporale credibile di questa grandezza, potremo finalmente distinguere fra semplice automazione di task e vera accelerazione del progresso algoritmico.
Nota metodologica
Questo audit distingue tre livelli: fatti pubblicamente documentati; inferenze plausibili derivate da quei fatti; affermazioni non verificabili indipendentemente. Le dichiarazioni dei laboratori sulle prestazioni dei propri modelli sono trattate come evidenza primaria, ma non come verifica indipendente. L’assenza di una nuova misura METR non viene interpretata come assenza di progresso.
Fonti principali
- AI 2027, scenario originale: ai-2027.com
- Anthropic: dati interni sull’uso di Claude nell’AI-R&D e monitoraggio agentico.
- Z.ai: GLM-5.3 / Infra Agent e ottimizzazione dell’infrastruttura di inference.
- Irregular: esperimenti di self-modification in ambiente controllato.
- OpenAI: disclosure sui casi di misalignment.
- Google: indagine sull’uso dell’AI nella ricerca scientifica.
- METR: task horizons, discovery rates e valutazioni dell’autonomia agentica.
Audit editoriale aggiornato al 21 settembre 2026.
