«Una macchina non lo farà mai» — e poi lo fa

C’è uno schema che non riesco a togliermi dalla testa. Una persona intelligente e rispettata guarda una tecnologia e dice con piena convinzione «questo non succederà mai» — e qualche anno dopo è diventato quotidiano.

Nel 1997 Piet Hut dell’Institute for Advanced Study di Princeton disse al New York Times a proposito del gioco da tavolo Go: “It may be a hundred years before a computer beats humans at Go — maybe even longer.” Nel marzo 2016 AlphaGo batté il giocatore di livello mondiale Lee Sedol 4 a 1. Non in cento anni. In diciannove.

Douglas Hofstadter, una delle menti più brillanti delle scienze cognitive, scrisse nel 2018 sull’Atlantic un saggio dal titolo “The Shallowness of Google Translate”. Citava con approvazione la frase “No reasonable person thinks that a machine translation can ever achieve elegance and style.” Nel 2023, in una conversazione pubblicata a giugno, lo stesso Hofstadter suonava così: “I don’t think it’s interesting. I think it’s terrifying. I hate it. I think about it practically all the time, every single day.” E: “It’s a very traumatic experience when some of your most core beliefs about the world start collapsing.”

Se questo ti suona familiare, forse lo conosci da un altro ambito. Nel 2017 Jamie Dimon definì Bitcoin una truffa a una conferenza Barclays: “It’s worse than tulip bulbs. It won’t end well. Someone is going to get killed.” A gennaio 2018 si è detto pentito di quell’affermazione. Warren Buffett, nel 2018, all’assemblea annuale Berkshire, definì Bitcoin “probably rat poison squared”; Charlie Munger definì il trading di criptovalute “just dementia”. E Paul Krugman scrisse nel 1998 che entro il 2005 sarebbe emerso che l’impatto di internet sull’economia era “no greater than the fax machine’s” — motivazione, tra le altre: “most people have nothing to say to each other!”

Non scrivo questo per sembrare più intelligente di queste persone. Non lo sono. Lo scrivo perché lo stesso schema si sta ripetendo proprio ora, e questa volta possiamo osservarlo mentre accade. Questa è la mia timeline di tutto ciò. È costruita apposta per continuare a crescere.

Com’era prima (perché il salto si senta davvero)

Prima che ChatGPT arrivasse nel novembre 2022, «l’IA che scrive testi» era una cosa per addetti ai lavori.

GPT-3, il modello dietro tutto questo, fu pubblicato come preprint il 28 maggio 2020 (“Language Models are Few-Shot Learners”), la beta dell’API partì l’11 giugno 2020. 175 miliardi di parametri — e una finestra di contesto di appena 2.048 token, quindi un paio di paragrafi: non aveva più memoria di questo. L’addestramento costò una stima di 4,6 milioni di dollari; su una singola GPU ci sarebbero voluti, calcolando, circa 355 anni.

E non era così facile accedervi. GPT-3 era dietro una lista d’attesa. Solo il 18 novembre 2021 — un anno e mezzo dopo — OpenAI rimosse la lista d’attesa e rese l’API disponibile a tutti.

Il testo più famoso di quel periodo dice molto sullo stato reale delle cose. L’8 settembre 2020 il Guardian pubblicò un editoriale scritto da GPT-3: “A robot wrote this entire article. Are you scared yet, human?” Iniziava con “I am not a human. I am Artificial Intelligence.” e conteneva la frase “I have no desire to wipe out humans.” Suona impressionante — finché non si legge la parte in piccolo. GPT-3 aveva prodotto otto tentativi (imboccati da uno studente di Berkeley), e la redazione ne aveva montato insieme le parti migliori. “Entirely written by AI” era quindi, diciamo, un arrotondamento piuttosto generoso.

Gli esperti erano di conseguenza sobri. Gary Marcus ed Ernest Davis titolarono il 22 agosto 2020 sulla MIT Technology Review: “GPT-3, Bloviator: OpenAI’s language generator has no idea what it’s talking about.” In una raccolta di test deliberatamente non sistematica — gli autori la definirono esplicitamente non un benchmark — GPT-3 era, sul ragionamento quotidiano, circa metà chiaramente corretto e metà chiaramente sbagliato. Nel marzo 2021 Emily Bender e colleghe coniarono alla conferenza FAccT il termine che è rimasto: “pappagalli stocastici” — macchine che ripetono schemi di parole senza capire nulla. Il giudizio di Marcus due anni dopo, nel marzo 2022: “For all its fluency, GPT-3 can neither integrate information from basic web searches nor reason about the most basic everyday phenomena.”

E le immagini? Il 5 gennaio 2021 OpenAI presentò DALL·E — una derivazione da 12 miliardi di parametri di GPT-3 che dipingeva immagini a partire da un testo. Bassa risoluzione, spesso fuori bersaglio. Una curiosità, non uno strumento.

Fissa bene questa immagine: lista d’attesa, pappagallo, testo curato, gattino pixelato. Questo era lo stato delle cose tre anni e mezzo fa.

La timeline

Da qui in poi si fa fitto. Elenco i rilasci chiave con la data — e accanto, cosa hanno reso possibile per la prima volta nella pratica. Questa lista continua a crescere; la aggiorno quando arriva qualcosa di nuovo.

Maggio/giugno 2020 — GPT-3 come preprint e beta API. Nel test interno di OpenAI, i valutatori riconobbero correttamente i brevi articoli scritti da una macchina solo nel 52% dei casi — a malapena meglio del lancio di una moneta. Per la prima volta: un testo che suona umano per la lunghezza di un paragrafo.

Gennaio 2021 — DALL·E 1. Per la prima volta: un’immagine da un testo qualsiasi — ma grezza e piccola.

21 giugno 2022 — GitHub Copilot diventa disponibile a tutti, 10 dollari al mese. Per la prima volta: un’IA che scrive insieme a te mentre programmi, alla portata di ogni sviluppatore.

Luglio/agosto 2022 — la svolta delle immagini arriva a raffica: DALL·E 2 (annunciato il 6 aprile, beta il 20 luglio), Midjourney (beta pubblica il 12 luglio), Stable Diffusion (22 agosto, open source, eseguibile localmente su hardware consumer). Per la prima volta: immagini fotorealistiche e componibili — e con Stable Diffusion, sul proprio computer, senza cloud.

Fine agosto / inizio settembre 2022 — l’immagine Midjourney di Jason Allen “Théâtre D’opéra Spatial” vince il primo posto alla Colorado State Fair (categoria fotografia digitalmente elaborata, 300 dollari). La giuria non sapeva che fosse IA. Il dibattito pubblico è seguito a settembre.

30 novembre 2022 — ChatGPT, anteprima gratuita basata su GPT-3.5. Un milione di utenti in cinque giorni, circa 100 milioni al mese dopo due mesi. Per la prima volta: il pappagallo ottiene una finestra di conversazione — e il mondo intero può entrarci.

14 marzo 2023 — GPT-4, multimodale (capisce anche le immagini), contesto fino a 32.000 token invece di 2.048. Nello stesso mese debutta Gen-2 di Runway, una delle prime beta utilizzabili di testo-a-video. Per la prima volta: un’IA che “vede” un’immagine caricata — e i primi secondi in movimento generati da un testo.

Ottobre 2023 — DALL·E 3, direttamente in ChatGPT. Per la prima volta: immagini che colgono davvero quello che scrivi, incluso testo leggibile.

15 febbraio 2024 — OpenAI annuncia Sora: fino a 60 secondi di video 1080p altamente realistico da un singolo prompt. Per la prima volta: un video che a un primo sguardo potresti scambiare per reale.

12 marzo 2024 — Cognition presenta Devin, il “primo ingegnere software IA” con una propria shell, editor e browser. Per la prima volta: un’IA che porta a termine da sola un compito di programmazione dall’inizio alla fine.

Marzo/aprile 2024 — Suno V3 (21 marzo, brani completi con voce fino a quattro minuti, anche gratuiti) e Udio (10 aprile, beta pubblica). Per la prima volta: un brano completo con voce, da una singola frase.

13 maggio 2024 — GPT-4o, un modello “omni” per testo, audio e immagini insieme. Per la prima volta: una conversazione fluida in tempo reale con la macchina.

24 febbraio 2025 — Claude Code parte come research preview, disponibile a tutti da maggio 2025. Per la prima volta: programmare diventa un dialogo nel terminale — anche per me: questo sito nasce così.

25 marzo 2025 — OpenAI integra la generazione di immagini in modo nativo in GPT-4o. Il trend virale “Studio Ghibli” travolse il servizio al punto che la versione gratuita dovette essere rinviata. Per la prima volta: modificare un’immagine in una conversazione — “rendi il cielo più caldo”, e succede.

20 maggio 2025 — Google Veo 3: per la prima volta audio generato in sincrono — dialoghi, effetti sonori, sincronizzazione labiale. Veo 3.1 segue a metà ottobre 2025. Per la prima volta: un video che non si limita a sembrare vero, ma suona vero.

7 agosto 2025 — GPT-5, descritto da OpenAI come un “team di esperti di livello dottorato in tasca”.

30 settembre 2025 — Sora 2: audio sincronizzato, fisica migliorata, funzioni “Cameo” — più un’app propria in formato TikTok. Per la prima volta: il video IA come social media, non come demo da laboratorio.

Leggi tutti questi cinque anni di fila, e il pappagallo del 2020 sembra uscito da un altro secolo.

Quello che quasi nessuno tiene d’occhio

Di ChatGPT parlano tutti. Di questo, troppo pochi — eppure è probabilmente la parte più grande della storia.

Nel novembre 2020 AlphaFold 2 vinse la competizione CASP14 con un punteggio mediano intorno a 92 GDT_TS, risolvendo così un problema su cui la biologia aveva fallito per cinquant’anni: prevedere, a partire dalla sequenza degli amminoacidi, la struttura tridimensionale ripiegata di una proteina. Non è un gioco. Il ripiegamento delle proteine è la base per capire come funzionano le malattie e come i farmaci si legano ai loro bersagli. Dal 2022 il database di AlphaFold conteneva oltre 200 milioni di strutture, più di 214 milioni entro il 2024, usato da oltre due milioni di ricercatori in 190 paesi. L’8 maggio 2024 è arrivato AlphaFold 3, che prevede anche complessi di proteine, DNA, RNA e molecole farmacologiche.

Il riconoscimento è arrivato al livello più alto: il Premio Nobel per la Chimica 2024 è andato per metà a David Baker per il design computazionale delle proteine, e per l’altra metà congiuntamente a Demis Hassabis e John Jumper per la previsione delle strutture proteiche. Un sistema di IA sta al centro di un Premio Nobel per la Chimica.

E non si ferma alle proteine:

  • Medicina: Rentosertib, un farmaco scoperto dall’IA contro la malattia polmonare IPF, ha mostrato in uno studio di Fase IIa su 71 pazienti in 22 centri un miglioramento dose-dipendente della funzione polmonare dopo dodici settimane — pubblicato il 3 giugno 2025 su Nature Medicine. Nel 2023 un modello di deep learning (collaborazione tra McMaster University e MIT) ha identificato il farmaco abaucin contro un pericoloso batterio ospedaliero, tra circa 7.500 molecole analizzate.
  • Materiali: GNoME di DeepMind ha previsto alla fine del 2023 la stabilità di 2,2 milioni di nuovi cristalli. Lo stesso giorno, l’A-Lab di Berkeley ha mostrato un robot che, usando il machine learning, sintetizza nuovi materiali inorganici in 17 giorni. (Per onestà: entrambi i lavori sono oggi oggetto di critiche — per GNoME, molti ritengono gonfiato il numero di strutture davvero nuove, per l’A-Lab Nature ha dovuto pubblicare una correzione. La svolta è reale, il bilancio è controverso.)
  • Meteo: GraphCast prevede fino a dieci giorni di meteo in meno di un minuto su un singolo computer — ed è risultato più accurato del modello consolidato dell’ECMWF su oltre il 90% di 1.380 parametri di verifica testati. GenCast ha fatto seguito a fine 2024 con traiettorie dei cicloni migliori.
  • Matematica pura: AlphaProof e AlphaGeometry 2 hanno risolto alle Olimpiadi Internazionali di Matematica 2024 quattro problemi su sei, 28 punti su 42 — livello argento, un punto sotto l’oro. Uno dei problemi risolti era stato craccato per intero solo da cinque degli oltre 600 partecipanti umani. E FunSearch alla fine del 2023 ha trovato una soluzione dimostrabilmente nuova a un problema matematico aperto — la prima volta che un modello linguistico ha contribuito conoscenza nuova, genuina e verificabile.

Il pappagallo che a quanto pare ripete soltanto ha dunque ripiegato proteine, trovato farmaci e fatto matematica che quasi nessun umano riesce a fare.

I numeri

Quando voglio sapere se una tecnologia fa sul serio, seguo i soldi — e i posti di lavoro.

Gli investimenti aziendali globali in IA hanno raggiunto nel 2024, secondo Stanford HAI, circa 252 miliardi di dollari. Nel 2025 sono raddoppiati a 581,7 miliardi. I soli investimenti privati sono balzati del 127,5% a 344,7 miliardi. L’IA generativa — la parte che produce immagini, testo e video — è cresciuta nel 2025 di circa il 200% arrivando a circa 171 miliardi di dollari, quasi la metà di tutti gli investimenti privati in IA. Gli Stati Uniti guidano con 285,9 miliardi di investimento privato, 23 volte quello della Cina.

L’utilizzo tiene il passo: il 78% delle organizzazioni ha riportato l’uso dell’IA nel 2024 (dal 55% dell’anno precedente); McKinsey è arrivata nel 2025 all’88%, con un uso regolare in almeno una funzione aziendale. Il problema — e lo nomino deliberatamente: solo circa un terzo delle aziende scala oltre i progetti pilota, e solo una minoranza dimostra un effetto misurabile sui profitti. Si sperimenta molto, si porta a termine poco.

E il lavoro? Lì sta il punto dolente. L’FMI stima che circa il 40% dell’occupazione mondiale sia esposta all’IA, nelle economie avanzate circa il 60%. Metà di questi posti dovrebbe trarne beneficio, l’altra metà potrebbe perdere compiti centrali. La direttrice dell’FMI Kristalina Georgieva l’ha riassunto così: “We are on the brink of a technological revolution that could jumpstart productivity, boost global growth and raise incomes around the world. Yet it could also replace jobs and deepen inequality.”

Il WEF prevede entro il 2030 170 milioni di nuovi posti di lavoro e 92 milioni persi — un saldo netto di più 78 milioni. Quindi non solo perdita. Crescono più velocemente gli specialisti di big data (+110%), gli ingegneri fintech (+95%), gli esperti IA/ML (+85%); si riducono più fortemente i classici lavori d’ufficio come impiegati e cassieri. Il 39% delle competenze chiave richieste oggi sarà considerato obsoleto entro il 2030.

Un dettaglio che mi rende ottimista: l’Anthropic Economic Index ha analizzato all’inizio del 2026 circa due milioni di conversazioni con l’IA. Per la prima volta l’augmentation (52%) — l’IA che aiuta una persona nel suo lavoro — ha superato l’automation (45%), dove l’IA si occupa interamente del compito. Più spesso assistente che sostituto. Almeno per ora.

Prima vs. oggi — il mio calcolo personale

Ora si fa concreto, perché è esattamente qui che vivo io. Uno shop IA, un blog — le immagini che ci sono sopra devono venire da qualche parte. Quindi ho guardato cosa richiede davvero un classico servizio fotografico pubblicitario. Non il cliché, ma il conto.

Cominciamo dai diritti, perché è quello che quasi tutti trascurano. Per usare un’immagine, al compenso si aggiunge un “buy-out” — una maggiorazione scalata in base a portata e durata, “longer period, higher buyout”, come lo formulano le agenzie. Le licenze durano tipicamente da uno a cinque anni; dopo, l’immagine non si può più usare. E negli USA serve un model release per ogni persona riconoscibile — senza, l’uso commerciale è semplicemente illegale, che si tratti di una celebrità o no.

Poi le persone sul set. Un’agenzia prende il 15–20% di commissione dal modello e applica un ulteriore ricarico al committente. Un servizio di moda per un solo giorno si somma in fretta: fotografo 1.000–3.500 dollari (a New York o L.A. tranquillamente 3.000–8.000+), modello 500–3.000, studio 300–1.500, hair & make-up 400–1.200, stylist 400–1.800, ritocco per immagine in più. Una produzione essenziale si assesta intorno ai 2.600 dollari, una media intorno ai 12.700, quelle di fascia alta tra 25.000 e 100.000 dollari — al giorno. E il giorno di ripresa è, come osserva seccamente una società di produzione, “the smallest part”: per uno spot TV la preproduzione occupa il 40–50% del tempo, uno spot richiede in totale 6–10 settimane, una campagna 8–12. Casting, sopralluoghi con permessi e assicurazione, una troupe da 2 a 200 persone, contingenza meteo.

Un esempio che resta impresso: un hairstylist delle celebrità ha fatturato 12.000 dollari per due giorni di riprese — solo per la prestazione, senza viaggio e agenzia. Solo i capelli.

E oggi? Esattamente questo risultato — la persona, la luce, il luogo, l’atmosfera — è un prompt. Secondi invece di settimane. Nessun buy-out, nessun contratto di licenza in scadenza, nessun meteo. Questo sito e lo shop sono l’esempio vivente: le immagini che vedi qui, tre anni fa avrebbero significato una produzione a cinque cifre medie e un mese di preparazione. Come nascono queste immagini lo mostro sulla pagina IA — gli strumenti IA sono la cassetta degli attrezzi dietro tutto questo.

Non lo dico per negare a nessuno il proprio mestiere. Un bravo fotografo, un bravo stylist — quella resta competenza. Lo dico perché la soglia è scomparsa. Quello che prima richiedeva budget e contatti oggi richiede una buona idea e una frase precisa.

Il neo

Perché questo non diventi un testo pubblicitario, ecco la parte onesta. Lo Stato usa questi modelli pochissimo, e molte aziende nemmeno — per motivi di protezione dei dati. E questo non è stupido, è comprensibile. Chi digita dati sensibili in un modello cloud altrui cede un controllo che forse non ha il diritto di cedere. Un ufficio pubblico, una clinica, uno studio legale non possono semplicemente passare dati personali a un fornitore statunitense.

Solo che la risposta a questo non è «per niente», ma «come ci si arriva». Ricorda Stable Diffusion dell’agosto 2022 — funzionava fin dall’inizio in locale, su hardware normale, senza che un solo byte lasciasse la propria macchina. Esattamente questa direzione — modelli che girano sul proprio computer o in casa propria — è per le pubbliche amministrazioni e le aziende sensibili ai dati la strada per non perdere il controllo. La tecnologia per farlo migliora e si rimpicciolisce mese dopo mese. Chi lo ignora si limita a rimandare il problema, non a risolverlo.

Per concludere

Lo schema è sempre lo stesso. Prima «questo non succederà mai», poi «va bene, ma non conta», poi diventa quotidiano e nessuno si ricorda di averne mai dubitato. Go. Traduzione. Ripiegamento delle proteine. Immagini, voci, video con audio. E sì, a suo tempo anche internet e quel «denaro digitale» che a quanto pare era solo veleno per topi.

Non pretendo di sapere dove finirà tutto questo. Nessuno lo sa. Ma l’unica lezione di questi tre anni e mezzo che oso mettere per iscritto è questa: arriva più in fretta di quanto quasi tutti pensino — più in fretta anche di quanto pensino le persone intelligenti che dicono «mai».

Per questo continuo ad aggiornare questa timeline. Ogni volta che cade qualcosa che fino a ieri si definiva impossibile, si aggiunge una voce. Se vuoi crescere insieme a lei, passa a dare un’occhiata ogni tanto — e se hai visto qualcosa che manca qui, scrivimi tramite la pagina contatti. Questa lista non è finita. Sta appena cominciando.