La specializzazione sta uccidendo il sogno dell’AI universale

Il teorema di Wolpert e Macready del 1997 dimostra che nessun algoritmo generico può essere sempre il migliore

Oggi, per scrivere un messaggio con il pensiero, non serve più un microchip nel cervello. Basta un caschetto con elettrodi e un’intelligenza artificiale che traduce le onde cerebrali in frasi, senza chirurgia. Succede adesso: il sistema Brain2Qwerty v2, annunciato il 29 giugno 2026, decodifica in tempo reale ciò che una persona vuole dire partendo da registrazioni non invasive, con un tasso di accuratezza delle parole del 61%.

Sessantuno per cento. Può sembrare poco, se l’asticella è la conversazione perfetta. Ma è moltissimo, se pensi che fino a ieri servivano impianti chirurgici per risultati simili. E questo risultato ha un colpevole ben preciso: l’iperspecializzazione.

Il sogno dell’AGI si infrange su un teorema del 1997

Mentre il dibattito mainstream continua a rincorrere l’intelligenza artificiale generale, onnisciente e universale, i laboratori che costruiscono cose utili stanno andando nella direzione opposta. Modelli più piccoli, focalizzati su singoli compiti, capaci di eccellere dove un gigante generalista arranca. E non è una moda passeggera: è una legge matematica.

Nel 1997, Wolpert e Macready hanno dimostrato il teorema di Wolpert e Macready che afferma, in media su tutti i problemi concepibili, che ogni algoritmo ha prestazioni uguali. Tradotto dal linguaggio della teoria: nessun singolo algoritmo generico può battere tutti gli altri in ogni situazione.

Per vincere, devi adattarti. L’adattamento al problema target, scrivono Goldfeder e colleghi nel 2026, è l’unica via. E ancora: il mito della generalità universale è esattamente questo, un mito, quando scendi sul piano pratico.

Pensa alla biologia. La specializzazione in biologia non è un incidente di percorso: è la conseguenza prevedibile di risorse limitate e obiettivi in competizione. Un predatore non sa fare la fotosintesi. Un’alga non caccia gazzelle. Eppure entrambi prosperano, perché hanno affinato i loro strumenti per una nicchia specifica.

L’intelligenza artificiale funziona allo stesso modo. Quando provi a insegnare tutto a un unico modello, paghi un prezzo. Si chiama trasferimento negativo: un degrado misurabile che si verifica quando più compiti competono tra loro invece di cooperare. È come voler usare lo stesso coltello per affettare pane, sfilettare pesce e scolpire il legno. Prima o poi, tagli male tutto.

Ecco perché i cervelli sintetici più efficaci, oggi, non sono monolitici. Sono squadre di specialisti. I sistemi Mixture-of-Experts ne sono la prova vivente: anziché attivare l’intera rete per ogni domanda, instradano l’input solo al sottoinsieme di neuroni artificiali che sa rispondere meglio. Diversi esperti per diversi compiti. Più efficienza, meno errori.

Quando l’AI smette di essere un coltellino svizzero e diventa un bisturi

Questa svolta non è confinata ai paper accademici. La vedi nei prodotti che atterrano oggi nei data center e, presto, nelle tue app.

Prendi l’ultima mossa di Palantir. Il nuovo motore intelligente di Palantir, presentato sempre il 29 giugno 2026, porta l’AI sicura alle agenzie governative statunitensi usando i modelli aperti NVIDIA Nemotron. Non un unico mega-modello per ogni compito, ma un architettura pensata per rispettare requisiti di sicurezza, riservatezza e prestazioni che un AGI generalista non potrebbe garantire. Specializzazione, ancora una volta.

E poi c’è l’inferenza, il momento in cui l’AI produce davvero una risposta. NVIDIA ha appena dimostrato che ottimizzare lo stack software per un modello specifico cambia tutto. Lo stack software NVIDIA per l’inferenza ha ridotto il costo per token del modello DeepSeek V4 fino a 5 volte in un solo mese sulla piattaforma Blackwell. In cifre: l’aumento di token al secondo su Blackwell ha raggiunto il 50% con TensorRT-LLM, mentre l’aumento del throughput su Blackwell combinando parallelismo esperto, precisione NVFP4 e multi-token prediction è balzato fino a 20x.

Risultato? Le aziende che usano questi modelli possono servire più utenti, pagando meno. E gli sviluppatori che lavorano con le immagini lo sanno bene. Il modello Nano Banana 2 Lite, l’ultimo arrivato nella famiglia Gemini di DeepMind, è il sostituto consigliato per chi usava la prima versione di Nano Banana. Genera immagini da testo con una latenza di soli 4 secondi, costi inferiori e una velocità che un modello generalista, appesantito da migliaia di altre competenze, non può eguagliare.

Non stiamo assistendo a un semplice progresso lineare. Stiamo vedendo un ecosistema che si ramifica in strumenti affilatissimi, ciascuno pensato per un compito preciso. Leggere il pensiero senza chirurgia. Generare immagini a comando. Rispondere a domande rispettando la sicurezza nazionale. E lo fanno meglio proprio perché rinunciano all’ambizione di saper fare tutto.

E per il nostro lavoro? La mappa delle opportunità

Forse ti stai chiedendo: “Bello, ma a me cosa cambia?”. Cambia molto più di quanto immagini, soprattutto se lavori. Perché l’AI specializzata non minaccia tutti allo stesso modo. OpenAI ha pubblicato un’analisi dettagliata su come l’intelligenza artificiale trasformerà le professioni in Europa, la mappatura delle opportunità della forza lavoro AI in Europa, in cui identifica quattro archetipi di transizione: occupazioni che possono crescere con l’IA, occupazioni con maggiore potenziale di automazione, occupazioni probabilmente riorganizzate e occupazioni con cambiamenti meno immediati.

Il punto non è più “l’AI ruberà il lavoro?”. Il punto è: quale AI? Quella generica, che prova a fare tutto e finisce per sbagliare preventivi, diagnosi, traduzioni legali? Oppure quella specializzata, che magari non sa raccontare barzellette ma compila una dichiarazione fiscale con zero errori? La differenza è enorme, ed è esattamente ciò che il framework di OpenAI cerca di misurare. Ci saranno ruoli che l’automazione eroderà in fretta, e ruoli che, al contrario, diventeranno più preziosi perché capaci di orchestrare questi nuovi strumenti iperspecializzati.

La prossima volta che sentirai parlare di AGI come del Santo Graal, ricordati di Brain2Qwerty v2 e del suo 61% di accuratezza senza chirurgia. Ricordati di quel teorema del 1997 che nessuno è riuscito a smentire. Il futuro non è un unico cervello digitale che sa tutto. È una costellazione di menti artificiali, ciascuna eccellente in una cosa sola. E la vera abilità, per noi umani, sarà scegliere quella giusta al momento giusto.