La parola “inverno” suona dolce. Neve sui rami. Strade silenziose. Caffè caldo. Ma nell’IA, l’inverno significa qualcosa di brutale: laboratori che chiudono, ricercatori che scappano verso altri campi, finanziamenti che evaporano e interi decenni di progresso che si bloccano mentre il resto dell’informatica corre avanti.

L’IA ha attraversato due grandi inverni. Entrambi hanno quasi ucciso il settore. Entrambi sono stati causati dallo stesso schema di base: i ricercatori hanno promesso troppo, hanno consegnato troppo poco, e chi finanziava si è scottato.

Ora siamo in quello che potrebbe essere l’estate dell’IA più lunga della storia. Gli investimenti continuano a battere record. ChatGPT ha raggiunto 100 milioni di utenti più in fretta di qualsiasi applicazione mai costruita. La domanda che perseguita chiunque stia guardando: stavolta stiamo costruendo qualcosa di reale, o stiamo preparando l’inverno più grande di sempre?

Lo schema che nessuno voleva vedere

C’è una cosa strana. In entrambe le volte, le persone dentro il settore vedevano arrivare gli inverni. Hanno avvertito tutti. Nessuno ha ascoltato.

Nel 1984, i ricercatori di IA Roger Schank e Marvin Minsky presero la parola alla riunione annuale dell’American Association of Artificial Intelligence e lanciarono un avvertimento che si sarebbe rivelato profetico nel giro di tre anni. Avevano già vissuto il primo inverno dell’IA negli anni ’70, guardando i finanziamenti crollare dopo che i ricercatori non erano riusciti a mantenere le promesse sulla traduzione automatica e su altre ambizioni.

Ora vedevano la storia ripetersi. I sistemi esperti erano in voga. Le aziende spendevano oltre un miliardo di dollari all’anno in IA. Tutti volevano entrarci.

Schank e Minsky dissero al mondo delle imprese: questo entusiasmo è eccessivo, la delusione è inevitabile, e dovreste prepararvi a un altro inverno.

Il mondo delle imprese non si preparò.

Tre anni dopo, iniziò il crollo.

Miliardi evaporati

Il secondo inverno dell’IA, più o meno dal 1987 al 1993, devastò il settore in modi che oggi sembrano quasi impossibili, considerando i livelli attuali di entusiasmo e i flussi di investimento.

Nel 1986, i personal computer avevano al massimo 44MB di memoria di archiviazione, rendendo poco praticabile costruire le grandi basi di conoscenza che i sistemi esperti richiedevano, e i costi di sviluppo divennero impossibili da giustificare per le singole aziende quando approcci più semplici potevano coprire la maggior parte dei bisogni con una frazione della spesa.

Aziende di IA specializzate come Lisp Machines e Symbolics avevano creato hardware costoso ottimizzato per la programmazione IA e facevano pagare prezzi premium per i loro sistemi proprietari. Poi Apple e Sun Microsystems rilasciarono stazioni di lavoro di uso generale che ne eguagliavano le prestazioni a una frazione del costo. Il mercato dell’hardware specializzato crollò attorno al 1987. Non erano aziende piccole. Sparirono.

L’iniziativa giapponese Fifth Generation Computer Systems, che aveva investito circa $500 million per creare computer massicciamente paralleli per l’IA, fu chiusa dopo un decennio di lavoro. La U.S. Strategic Computing Initiative, che la DARPA aveva finanziato con il sogno di macchine capaci di “see, hear, speak, and think like a human,” vide il budget tagliato. Un resoconto descrisse i tagli come “deep and brutal.”

La compagnia assicurativa che ha vinto e perso

Su Hacker News, un utente di nome blankfrank ha condiviso una prospettiva che cattura la realtà complicata dei sistemi esperti in quell’epoca, raccontando la sua esperienza nel costruire IA in una compagnia assicurativa dal 1988 al 1996: “Our expert system ran on PCs in our 30 branches then migrated to a mainframe.”

Il sistema “captured $4 million in additional revenue.” Sembra un successo. Ma lo sviluppatore, più tardi, ha messo in dubbio il costo sociale quando l’organico fu ridotto dopo il completamento del progetto. La tecnologia funzionava. E eliminava posti di lavoro.

Questo era lo schema. I sistemi esperti producevano valore ristretto mentre fallivano nel trasformare interi settori come promesso. Il divario tra aspettative e realtà creò le condizioni per l’inverno.

Cosa hanno sbagliato i sistemi esperti

I sistemi esperti che alimentarono il boom degli anni ’80 sembravano una buona idea, e sulla carta il concetto aveva perfettamente senso. Cattura la competenza umana in regole. Lascia che i computer applichino quelle regole. Scala la competenza all’infinito.

Il sistema XCON della Digital Equipment Corporation configurava gli ordini per i computer VAX, e secondo quanto riportato fece risparmiare all’azienda $40 million in sei anni. Storie di successo come questa attirarono investimenti aziendali enormi e, entro il 1985, le aziende di tutto il mondo spendevano oltre un miliardo di dollari all’anno in hardware, software e consulenza per l’IA.

Ma i sistemi esperti avevano problemi fondamentali che divennero chiari solo su larga scala. Non potevano imparare. Ogni situazione nuova richiedeva che un esperto umano scrivesse nuove regole. Soffrivano del “problema della qualificazione”, che è solo un modo elegante per dire che non riuscivano ad anticipare input insoliti e producevano errori grotteschi quando si trovavano davanti a qualcosa di inatteso.

Un altro commentatore di Hacker News, KineticLensman, che lavorò sui sistemi esperti nei primi anni ’90, scoprì che l’approccio a regole funzionava bene per “getting domain experts to articulate the heuristics they used,” ma che il valore vero finiva per essere il processo di estrazione della conoscenza, più che il sistema di IA in sé. La GUI che costruirono per il loro componente a frame “was repurposed for a successful in-house modelling tool” che sopravvisse all’IA.

L’IA morì. Lo strumento sopravvisse.

Il momento del 2012 che ha cambiato tutto

Ciò che mise fine al secondo inverno dell’IA non fu un singolo colpo di genio, ma una convergenza che impiegò decenni a materializzarsi: algoritmi migliori, hardware più veloce e molti più dati, arrivati più o meno nello stesso momento.

L’evento decisivo arrivò nel 2012, quando un team dell’Università di Toronto, guidato da Geoffrey Hinton, vinse la competizione ImageNet usando una rete neurale profonda che chiamarono AlexNet. Il loro tasso di errore era del 15,3%. Il sistema arrivato secondo, basato su tecniche tradizionali, aveva un tasso di errore del 26,2%.

Quel divario cambiò tutto.

Le reti neurali esistevano dagli anni ’50. La backpropagation, la tecnica di addestramento che rende possibile il deep learning, fu resa popolare negli anni ’80. Ma l’hardware non era abbastanza potente. I dati non erano abbastanza abbondanti. Le reti restavano poco profonde.

Nel 2012, entrambi i vincoli si erano allentati. Le GPU progettate originariamente per i videogiochi si rivelarono perfette per l’addestramento delle reti neurali perché potevano eseguire migliaia di operazioni su matrici in parallelo. Internet aveva generato enormi insiemi di dati. Il solo database ImageNet conteneva oltre un milione di immagini etichettate, tutte categorizzate da esseri umani.

I ricercatori si resero conto che reti più grandi, addestrate su più dati, funzionavano in modo coerente meglio, e questa osservazione, poi formalizzata nelle leggi di scalabilità, guidò il progresso dal 2012 a oggi: più parametri, più dati di addestramento, e più potenza di calcolo producevano in modo affidabile risultati migliori.

L’estate più lunga

Siamo ormai in un’estate dell’IA continua da oltre tredici anni. Gli investimenti continuano a crescere. Nel 2025, si prevede che le grandi aziende tecnologiche spenderanno $364 miliardi in infrastrutture per l’IA, un numero che sarebbe sembrato inimmaginabile solo dieci anni fa.

Il boom attuale differisce dai precedenti in modi importanti, e questo conta quando si valuta se quest’estate durerà. Le estati dell’IA precedenti producevano articoli di ricerca e contratti governativi: lavoro interessante che raramente toccava le persone comuni. Questa sta producendo prodotti che centinaia di milioni di persone usano ogni giorno. ChatGPT ha 800 milioni di utenti attivi settimanali. Il 92% delle aziende Fortune 500 lo usa.

Ma un utente di Hacker News chiamato “jerf” ha offerto una distinzione utile in una discussione dell’ottobre 2024 su un possibile arrivo di un inverno dell’IA: “You seem to be unable to separate the concept of ‘hype’ from ‘value.’ The original ‘AI Winter’ was near-total devastation. But it’s probably reasonable to think that after the hype train of the last year or two we’re headed into the Trough of Disillusionment.”

Il ciclo dell’hype di Gartner descrive uno schema in cui le nuove tecnologie attraversano una fase di “aspettative gonfiate” seguita da un “baratro della disillusione” prima di arrivare, infine, a un “pianoro della produttività” in cui la tecnologia trova il suo ruolo reale. Molti osservatori pensano che l’IA stia entrando in quel baratro proprio ora.

I segnali d’allarme

Gary Marcus, ricercatore di IA e scienziato cognitivo che da anni è scettico sui grandi modelli linguistici, ha scritto nelle sue 25 AI Predictions for 2025: “Corporate adoption is far more limited than most people expected, and total profits across all companies (except of course hardware companies like NVidia, which profits from chips rather than models) have been modest at best. Most companies involved have thus far lost money.”

Questo riecheggia lo schema dei precedenti inverni con una precisione scomoda. Le aziende investono pesantemente. I rendimenti deludono. I finanziamenti si contraggono.

Secondo le stime di alcuni consulenti, l’attuale ondata di spesa in infrastrutture IA richiederà $2 trillion di ricavi annuali legati all’IA entro il 2030 solo per giustificare l’investimento, più dei ricavi combinati del 2024 di Amazon, Apple, Alphabet, Microsoft, Meta e Nvidia. La matematica è dura.

Persistono anche limiti tecnici. Le allucinazioni non sono ancora risolte. I sistemi generano informazioni false con sicurezza, senza alcun segnale che stiano inventando. Le capacità di ragionamento, nonostante dimostrazioni impressionanti che circolano ovunque sui social, crollano davanti a problemi nuovi che richiedono comprensione reale.

Perché stavolta potrebbe davvero essere diverso

I precedenti inverni dell’IA arrivarono perché la tecnologia semplicemente non poteva fare ciò che era stato promesso, indipendentemente da quanto denaro o tempo ci si investisse. I sistemi esperti non riuscivano a gestire input inattesi. Le reti neurali degli anni ’60 non potevano imparare schemi complessi. Il divario tra promessa e capacità era fondamentale.

Il divario di oggi è diverso. La tecnologia funziona in modo dimostrabile per molti compiti. La domanda è se funzioni abbastanza bene, abbastanza affidabilmente, per abbastanza compiti, a un costo abbastanza basso da giustificare i livelli attuali di investimento.

È una domanda di business più che una domanda tecnica.

Gli strumenti di IA stanno riducendo i costi dell’assistenza clienti in aziende di ogni dimensione. Stanno aumentando l’efficienza della programmazione gestendo il codice ripetitivo e individuando errori. Stanno automatizzando la produzione di contenuti, l’analisi dei dati e attività di ricerca che prima richiedevano ore di lavoro umano. Non sono progetti di ricerca chiusi in laboratorio. Sono prodotti in produzione che fanno risparmiare denaro alle aziende.

Le applicazioni sono reali anche se l’hype sull’intelligenza artificiale generale potrebbe non esserlo. Come un analista tecnologico l’ha messa, l’IA è diventata “the new Excel. Everyone uses it, but experts still dominate.”

La valutazione onesta

Un altro inverno dell’IA è possibile. Gli investimenti potrebbero contrarsi. Le startup potrebbero fallire. I blocchi nelle assunzioni potrebbero diffondersi nel settore. Il campo potrebbe entrare in una fase di consolidamento e ambizione ridotta.

Ma un inverno pieno, in cui la ricerca sull’IA si ritira in una manciata di laboratori accademici e la tecnologia scompare dall’uso mainstream? Sembra improbabile. Esistono troppe applicazioni reali. È stata costruita troppa infrastruttura. Troppe persone hanno integrato questi strumenti nel loro lavoro quotidiano.

Più probabile è ciò che un commentatore di Hacker News ha chiamato un “AI fall.” Un raffreddamento delle aspettative. Un passaggio da “AI will replace all jobs” a “AI is a useful tool that requires human oversight.” Una migrazione degli investimenti dalla ricerca speculativa verso applicazioni comprovate.

Cosa insegna la storia

Chi ha vissuto gli inverni precedenti ha una prospettiva utile che gli entusiasti dell’IA di oggi farebbero bene ad ascoltare. Anche allora la tecnologia venne venduta oltre misura. Ma ogni inverno fu seguito da progressi reali. Le reti neurali sopravvissero al secondo inverno e alla fine divennero la base dell’attuale boom.

La lezione non è che l’hype sia innocuo o che gli inverni non facciano male. La lezione è che la tecnologia utile sopravvive alla delusione.

Gli inverni dell’IA potano la crescita eccessiva. Mettono fine a carriere e chiudono aziende. Spazzano via gli speculatori e i ciarlatani. Non mettono fine al settore.

Indicazioni pratiche

Se lavori con l’IA professionalmente, la storia suggerisce alcune lezioni pratiche.

Costruisci su capacità che esistono oggi, non su quelle che potrebbero esistere domani. I sistemi esperti fallirono anche perché le aziende investirono in capacità teoriche future invece che in quelle attuali già dimostrate. Le organizzazioni che sopravvissero ai precedenti inverni si concentrarono su applicazioni ristrette in cui l’IA aiutava in modo dimostrabile.

Aspettati una selezione tra i fornitori. Non tutte le startup di IA sopravviveranno nei prossimi anni. Scegli strumenti di aziende con modelli di business sostenibili e ricavi reali, non solo demo impressionanti e capitali di rischio.

Sviluppa competenze vere. Quando l’hype svanisce, le persone che capiscono come funzionano davvero questi sistemi diventano più preziose, non meno. Gli sviluppatori che prosperarono dopo i precedenti inverni furono quelli che capivano le reali capacità e i limiti della tecnologia.

E riconosci che la storia dell’IA non è una linea retta verso l’alto. Il progresso arriva a ondate. Capire quelle ondate ti aiuta a posizionarti per beneficiare dell’estate mentre ti prepari alla possibilità dell’autunno.