Dietro a tutto questo c'è un presupposto implicito: l'intelligenza cresce in modo proporzionale alla potenza computazionale. Basta rendere il modello abbastanza grande, addestrarlo abbastanza a lungo, e prima o poi sarà in grado di svolgere qualsiasi compito. Questa traiettoria è tutt'altro che esaurita. I modelli di frontiera sono destinati a diventare sempre più capaci e rimarranno un fondamento essenziale per la prossima generazione di sistemi di AI. C’è però un punto che merita un’analisi più approfondita: l’incremento della scala, da solo, sarà sufficiente a esprimere appieno il potenziale di questa tecnologia?

Per un certo periodo, i fatti hanno confermato questa tesi: i ritorni sono stati tangibili e il progresso accelerato. Ciononostante, la sensazione che mancasse un elemento fondamentale si è fatta strada, mentre le prime crepe strutturali iniziavano a manifestarsi. La questione cruciale da porsi oggi, mentre gli investimenti continuano a fluire e il consenso del mercato tiene, non è se i modelli di frontiera continueranno ad avanzare, ma cos'altro sia necessario per trasformare quella capacità in un valore duraturo e concreto nel mondo reale.

‍

Il contributo degli LLM alla rivoluzione dell'AI

Per capire cosa ci riserva il futuro, è fondamentale chiarire ciò che gli LLM hanno già reso possibile.

I modelli linguistici di grandi dimensioni hanno alimentato l'ondata dell'AI generativa per come la conosciamo, rendendo possibili la creazione di contenuti su larga scala, l'automazione dei processi, e l'accesso immediato alle informazioni, superando le rigidità dei sistemi di ricerca tradizionali. Per chi si occupa di conoscenza, sviluppo software o gestione di dati e informazioni, l'impatto sulla produttività è stato straordinario.

Tuttavia, i risultati raggiunti dagli LLM rappresentano solo la prima fase di questa trasformazione, non il suo punto di arrivo. I modelli di frontiera sono capolavori d'ingegneria che hanno innescato una vera e propria rivoluzione. Ma mentre entriamo in una nuova fase dell'AI, è doveroso chiedersi se un modello performante sia di per sé sufficiente a generare un valore duraturo per le organizzazioni che lo adottano. E su questo punto, la risposta si fa più articolata.

Da una prospettiva architetturale, gli LLM sono una delle forme di software più semplici mai sviluppate su larga scala: una vasta sintesi dello scibile umano, addestrata su un volume di testi superiore a quello che un individuo potrebbe consultare in mille vite, unita a un meccanismo estremamente potente per collegare concetti e generare output coerenti. Questa combinazione si rivela straordinariamente utile, ma strutturalmente incompleta.

Detto in altri termini, il modello rappresenta solo le fondamenta, mentre il valore strategico per le organizzazioni risiede in ciò che viene costruito al di sopra di esse: il livello dei dati, il contesto specifico del dominio aziendale, la governance e l'orchestrazione tra sistemi e processi. L'accesso al modello è una precondizione, ma non basta. È per questa ragione che la proprietà di tutta l’architettura AI determinerà, in misura sempre maggiore, il reale margine competitivo delle aziende.

‍

Perché il settore sta scommettendo su un presupposto implicito

L'intero mercato dell'AI si regge su un presupposto raramente messo in discussione: l'intelligenza scala con la capacità di calcolo. Aumentare le dimensioni dei modelli, addestrarli più a lungo, alimentarli con più dati porterà, prima o poi, a risultati preclusi a modelli più piccoli. Tutti i principali laboratori di ricerca stanno perseguendo questa strada, sostenuti da ingenti capitali.

Per anni si è trattato della scommessa corretta. Lo scaling ha prodotto risultati superiori alle aspettative e l'evidenza empirica rendeva difficile sostenere una tesi contraria. Quel percorso è tutt'altro che concluso e i modelli più grandi e capaci rimarranno centrali per il futuro dell’AI.

Oggi, tuttavia, la natura di questi ritorni è diventata più complessa, mostrando una dinamica di tipo logaritmico: serve incrementare di dieci volte la potenza computazionale e la numerosità dei dati per ottenere un sistema solo due volte più performante. Per molte applicazioni aziendali, i modelli attuali sono già ampiamente adeguati. Il collo di bottiglia non è più rappresentato dal modello in sé, ma dall'ecosistema che lo circonda. Incrementare esclusivamente la scala non risolverà i problemi delle organizzazioni se non si interviene sulle infrastrutture di base e sull'ecosistema a supporto del modello. La fase dei guadagni facili è finita. In un mercato in cui l'addestramento di un modello di frontiera richiede investimenti di miliardi di dollari, la capacità di convertire in modo efficiente la potenza di calcolo in intelligenza utile diventerà sempre più cruciale.

L'architettura Transformer, il motore alla base di ogni LLM, si conferma una delle innovazioni più significative nella storia dell'informatica, ma comincia a mostrare i propri limiti strutturali. Le finestre di contesto si sono ampliate e l'efficienza del fine-tuning è migliorata; tuttavia, a fronte della riduzione dei costi per singola inferenza, il volume complessivo delle richieste cresce a ritmi vertiginosi. Al contempo, intere classi di problemi rimangono irrisolte, come il ragionamento articolato su più passaggi attraverso fonti dati disomogenee, la comprensione strutturata di relazioni complesse e la generazione di output tracciabili, verificabili e difendibili. Si tratta di limiti architetturali, non di sfide ingegneristiche risolvibili aumentando semplicemente la capacità di calcolo.

Il presupposto implicito secondo cui la scala sia l'unica via da seguire riflette una reale incertezza su ciò che verrà dopo, unita a un'enorme spinta finanziaria a sostegno di ciò che già esiste. Ma le organizzazioni che fondano la propria strategia su questa assunzione senza metterla in discussione si stanno esponendo a un rischio concreto. Quando arriverà la prossima evoluzione architetturale, il vantaggio competitivo apparterrà a chi avrà anticipato i tempi.

Oltre il singolo modello

Il ritorno strategico dell'intelligenza artificiale non viene solo dal modello in sé, ma da tutto ciò che gli sta attorno. Le organizzazioni destinate a guidare l'era dell'AI saranno quelle capaci di integrare modelli avanzati con agenti intelligenti, patrimonio informativo aziendale, orchestrazione e governance su misura per il proprio dominio operativo. Il modello è un blocco fondativo, ma costituisce solo un componente della struttura tecnologica complessiva.

Un'architettura AI aziendale integra diversi elementi all'interno di un unico sistema operativo intelligente. È questo ecosistema complessivo che lavora in sinergia con il modello e non il modello da solo, a determinare in modo crescente il vero valore dell’AI in azienda.

Abbiamo già assistito a una dinamica analoga. L'era dei Big Data prometteva che l'accumulo indistinto di dati avrebbe garantito un vantaggio competitivo automatico. Per la maggior parte delle aziende così non è stato: non per la scarsa rilevanza dei dati, ma perché l'integrazione dei sistemi orientata ai processi di business si è rivelata un'opera ben più complessa della semplice raccolta. Le aziende hanno creato data lake che si sono trasformati in vere e proprie paludi di dati inutilizzabili. Il valore informativo c'era, ma mancava l'architettura per tradurlo in azioni concrete.

L'AI rischia di ripetere esattamente questo stesso schema. Le organizzazioni stanno accumulando capacità computazionale e modelli con la stessa logica con cui un tempo raccoglievano dati, senza una visione chiara su cosa serva per trasformare queste funzionalità in risultati concreti. Il divario tra un modello performante e un sistema operativo intelligente perfettamente integrato è la causa silenziosa del fallimento di molti progetti di AI all’interno delle organizzazioni.

Per superare questa fase, le aziende dovranno integrare l'intelligenza in modo verticale nei flussi di lavoro specifici del proprio settore, garantendo che modello, dati, orchestrazione e governance operino come un unico sistema coerente. Un'integrazione di questo livello richiede una profonda conoscenza di dominio, infrastrutture dati solide e un impegno concreto verso la tracciabilità e la responsabilità dei processi.

‍

I requisiti delle architetture di nuova generazione

Nella maggior parte delle organizzazioni, il patrimonio informativo si presenta frammentato tra repository documentali, CRM, database e un vasto capitale di conoscenze informali non strutturate custodito all’interno di e-mail o appunti di riunione: tutte fonti che non sono state progettate per essere interrogate in modo sistematico.

Gli LLM, nella loro conformazione attuale, non nascono per risolvere da soli questa criticità strutturale. Se fornito del corretto contesto, un modello linguistico è in grado di ragionare, pianificare, richiamare strumenti e correggere il proprio approccio in base ai risultati, una capacità indubbiamente avanzata. Esiste tuttavia un limite invalicabile: il modello può lavorare solo con le informazioni che gli vengono fornite. Ma la conoscenza aziendale non si presenta mai ordinata all'interno di una finestra di contesto. Si estende tra entità e relazioni distribuite su più sistemi, stratificate nel tempo e connesse in modi che non possono mai essere completamente rappresentati in un singolo prompt. Comprendere come una modifica in un punto del sistema si ripercuota sull'intera organizzazione richiede una nuova architettura informativa sottostante, non semplicemente un modello più potente.

La prima fase dell'AI nelle organizzazioni si è focalizzata sulla produttività. È probabile che la prossima si spinga oltre, focalizzandosi sulla capacità di scoperta. Anziché limitarsi a velocizzare l'analisi delle informazioni esistenti, l'AI permetterà di far emergere nuove relazioni, schemi nascosti e intuizioni strategiche fino a quel momento invisibili. In termini operativi, ciò significa intercettare un segnale di rischio prima che diventi evidente agli analisti, non interrogando un semplice database, ma analizzando simultaneamente e in tempo reale esposizioni verso controparti, dinamiche di mercato, modelli di transazione e indicatori macroeconomici.

Il valore strategico nei settori regolamentati

Nei periodi di transizione tecnologica, i settori fortemente regolamentati tendono tradizionalmente a un'adozione più cauta. I vincoli di compliance, la minore tolleranza al rischio e i tempi di adeguamento istituzionali si muovono a velocità differenti rispetto all'innovazione tecnologica. L'AI sta seguendo una dinamica simile, ma con una complessità ulteriore che rende la posta in gioco notevolmente più alta.

Per istituzioni finanziarie, aziende manifatturiere e pubbliche amministrazioni, la questione non è solo la qualità dei risultati generati dall'AI, ma se tali risultati possano essere tracciati, spiegati e difesi di fronte ad autorità di regolamentazione, revisori, consigli di amministrazione e anche di fronte all'opinione pubblica. Un sistema che fornisce la risposta corretta senza poter dimostrare il percorso logico seguito non può essere distribuito in sicurezza in un contesto regolamentato. Ciò impone all'architettura di nuova generazione requisiti imprescindibili che vanno oltre la mera performance:

• Tracciabilità: la capacità di evidenziare non solo le conclusioni raggiunte dal sistema, ma l'iter logico ed elaborativo seguito.
• Governance: la facoltà di determinare e controllare ciò che il sistema conosce, le fonti informative a cui può accedere e la modalità di utilizzo dei suoi risultati.
• Sovranità: il possesso diretto dell'intelligenza e dei processi, superando la logica del puro utilizzo in licenza. Una volta che l'AI ha dimostrato il proprio valore, il passo successivo è capire come un'organizzazione possa fare affidamento su di essa senza generare dipendenze tecnologiche o conoscitive inaccettabili. La sovranità riduce questo rischio mantenendo i dati proprietari, il patrimonio conoscitivo e le capacità critiche dei sistemi di AI sotto il controllo dell'organizzazione, anziché vincolati all'infrastruttura, alle policy o alle decisioni commerciali di un fornitore esterno.

Non si tratta di vincoli che ostacolano lo sviluppo di sistemi di AI avanzati, ma dei requisiti fondamentali di un'architettura più matura, pensata per garantire affidabilità, potenza, controllo e scalabilità.

Le organizzazioni che operano in ambiti regolamentati non possono permettersi soluzioni di cui non abbiano il pieno controllo. Tuttavia, dominando questa complessità, sono destinate a ottenerne il massimo vantaggio competitivo. La combinazione di competenze verticali, dati proprietari ad alto valore e un'infrastruttura di governance per distribuire l'AI in modo responsabile costituisce un posizionamento strategico distintivo che i settori ad alta regolamentazione hanno oggi l'opportunità irripetibile di consolidare e far valere sul mercato.

‍

Conclusioni

A cinque anni dall'inizio dell'era dell'AI generativa, vale la pena fermarsi a riflettere su ciò che abbiamo realmente costruito. Gli LLM hanno dimostrato la validità dell'intelligenza artificiale su larga scala, la sua applicabilità a un'ampia gamma di contesti e l'impatto economico e scientifico di questa tecnologia. Tuttavia, essi rappresentano una tappa intermedia verso un paradigma più evoluto e come per ogni rivoluzione tecnologica, la prima fase ha il solo compito di dimostrare che il cambiamento è davvero possibile.

Guardando al futuro, il progresso non arriverà dal semplice scaling dei modelli, ma dalla costruzione di un'architettura più ampia intorno ad essi, incentrata sulla sovranità e sulla proprietà. Per i settori regolamentati, questo passaggio rende finalmente concreta l'adozione dell'AI, consentendo l'implementazione di sistemi tracciabili, governabili e difendibili. È un percorso più complesso rispetto all'integrazione di una semplice API, ma è proprio qui che risiede il vantaggio competitivo duraturo.

Le architetture destinate a fare la differenza non si sono ancora imposte come standard di mercato e questo significa che la finestra di opportunità per costruirle e farlo bene, è ora aperta.

È questa la vera rivoluzione da costruire.