OpenAI, Google e NVIDIA hanno cambiato strategia sull’AI

OpenAI Presence incapsula modelli in flussi deterministici, sacrificando generalità per prevedibilità operativa

“Ogni deployment inizia con un lavoro specifico — risolvere problemi di fatturazione o supportare richieste IT — e non con una prompt generico.” Architettura, non marketing: è il dettaglio tecnico che separa il nuovo corso dell’AI dal rumore sull’AGI. Mentre gli ultimi paper generalisti inseguivano benchmark satinati, OpenAI ha spedito OpenAI Presence, un sistema che impacchetta ragionamento, policy, guardrail e regole di escalation dentro un perimetro operativo chiuso. Niente coscienza sintetica: qui si parla di modelli incapsulati in un flusso deterministico di escalation manager e validation layer.

Il risultato è un agente che non sogna, ma esegue — e lo fa dentro un programma di disponibilità generale limitata per clienti enterprise idonei.

L’agente figlio del vincolo: quello che Presence rivela sull’architettura post-AGI

La scelta architetturale ha un trade-off netto. Il deployment di Presence non parte da un modello fondazionale esposto al mondo: viene istanziato su un dominio di task circoscritto, con guardrail attivi a livello di reasoning e una catena di escalation che interrompe il flusso generativo quando il modello esce dal perimetro di competenza. È un design che sacrifica generalità per prevedibilità. Dentro lo stack, significa che il prompt engineering lascia spazio a una definizione dichiarativa di policy e a contratti di verifica su output e tool calling. Chi costruisce agenti oggi deve saper scrivere non solo istruzioni, ma vincoli formali e regole di routing. La flessibilità si sposta a monte, nella progettazione del dominio operativo, mentre l’esecuzione diventa sempre più un problema di orchestrazione compilabile.

Il dato che congela il mercato arriva da una rilevazione su scala enterprise: la definizione delle responsabilità per gli agenti AI è assente nell’85% delle aziende. Senza un proprietario della decisione, ogni architettura agentica resta un giocattolo ad alto rischio. Ecco perché il passaggio a modelli verticali non è solo una moda: è un requisito operativo per rendere auditabile il comportamento di un sistema che oggi non può essere lasciato “a ragionare” senza supervisione strutturale.

Dal customer service al laboratorio: la costellazione scientifica di DeepMind

Se OpenAI verticalizza sul customer service, Google DeepMind sposta l’asse sulla scoperta scientifica con un approccio che punta dritto alla riproducibilità computazionale. L’annuncio di un programma di accesso anticipato per i laboratori DOE porta strumenti concreti nei 17 centri di ricerca federali: non API aperte a ogni prompt, ma modelli pensati per pipeline sperimentali. AlphaEvolve è un agente di codifica e scoperta che sfrutta Gemini per progettare algoritmi avanzati in modo incrementale. AlphaFold 3 sposta la predizione strutturale su complessi di biomolecole e interazioni, non più solo singole proteine. E WeatherNext porta la previsione meteo dentro l’alveo dei modelli generativi addestrati su dati fisici.

La scelta architetturale comune è il dominio-specific scaffolding: ogni strumento esiste dentro un perimetro di validazione scientifica, non come oracolo generico. Per chi sviluppa pipeline di ricerca, questa verticalizzazione significa integrazione tramite contratti di input/output ben tipizzati piuttosto che conversazioni aperte. Lo stack si compone di modelli specializzati, interfacce di validazione e riproducibilità garantita dal perimetro applicativo. Niente AGI, ma produttività incrementale verificabile.

Il motore fisico: simulazione come dato di ground truth

Anche il fronte della robotica abbandona l’ambizione generale e si ripiega sulla specializzazione simulativa. L’addestramento di un sistema di AI fisica impone che un robot impari le conseguenze dell’interazione con il mondo materiale — collisioni, attrito, dinamica dei fluidi. Non è un problema di scala del modello, ma di qualità del dato di training. E qui NVIDIA ha costruito un ecosistema di simulazione dove la generazione di dati fotorealistici e fisicamente fondati diventa la vera unità di valore. Non si tratta di ambienti di gioco, ma di pipeline che producono asset con proprietà fisiche verificate, pronti per l’addestramento in the loop.

Sul mercato oggi convivono motori di simulazione per robot umanoidi, veicoli autonomi, quadrupedi e manipolatori, ciascuno con trade-off diversi su fedeltà fisica, latenza e real-time rendering. La frammentazione non è un difetto: è la prova che l’AI fisica non ha un ambiente di validazione universale, ma richiede domini di addestramento specializzati. Chi costruisce per la robotica oggi deve selezionare il motore di simulazione come una scelta architetturale di primo ordine, esattamente come si sceglie un runtime o un compilatore. L’impatto sullo stack è diretto: i dati sintetici generati in simulazione rimpiazzano la raccolta sul campo, spostando il costo da hardware fisico a potenza di calcolo e progettazione del gemello digitale.

L’addio all’AGI non è una sconfitta, è una razionalizzazione tecnica. Per chi sviluppa, il 2026 segna la fine del modello unico e l’inizio di pipeline composte dove l’agente è un componente di un sistema più ampio, non l’intero sistema. Le regole di escalation e i perimetri operativi diventano codice di prima classe, non controlli accessori. E la domanda cruciale per ogni architetto software non sarà più “quanto è grande il modello”, ma “quanto è stretto il suo contratto di esecuzione”.