Il caso Amazon svela il dietro le quinte della Silicon Valley: tra costi di calcolo insostenibili e limiti probabilistici, l’industria scopre che l’efficienza non si compra a “token”.
(Nota: questo articolo è stato generato con Claude di Anthropic ma segue lo stile e le indicazioni editoriali dell’autore)
C’è un’immagine (quella che accompagna questo articolo), generata da un’IA che ironicamente non riesce a raccontare la verità nemmeno quando prova a deriderla, che circola da settimane: robot con le sembianze umane, tesserino Amazon al collo, escono da un palazzo di vetro con lo scatolone della cassa integrazione tra le braccia. Sotto, la scritta trionfante: hanno assunto undicimila persone dopo averne licenziate trentamila, perché — dice il meme, compiaciuto — l’IA è troppo cara per sostituire gli uomini. È il tipo di notizia che si vuole vera prima ancora di verificarla, perché conferma quello che molti aspettavano di poter dire da tre anni a questa parte: il gigante ha i piedi d’argilla, la bolla sta scoppiando, torniamo pure a fidarci delle mani umane.
Peccato che la realtà, come quasi sempre, sia più interessante della caricatura. I numeri sono veri — circa trentamila tagli tra fine 2025 e gennaio 2026, e poi l’annuncio di Matt Garman, CEO di AWS, di assumerne undicimila — ma la lettura è quasi rovesciata. Non è stato un passo indietro dettato dal fallimento dell’intelligenza artificiale: è stata una ristrutturazione delle competenze. Fuori i ruoli generalisti, i middle manager, le funzioni di supporto ridondanti; dentro ingegneri, specialisti, persone capaci di far funzionare — e soprattutto di governare — sistemi che da soli, ancora, non sanno stare in piedi. Il bluff non è quello che pensa il meme. Il bluff, semmai, è pensare che stia succedendo l’opposto di quello che sta davvero succedendo.
Primo atto: l’economia dei token e i costi che nessuno mostra negli slide
Dietro ogni risposta generata da un modello linguistico c’è un conto energetico ed economico che l’utente finale non vede mai, e che le aziende stanno iniziando a vedere fin troppo bene. Dentro Amazon, per stimolare l’adozione interna dell’IA, erano state introdotte classifiche aziendali basate sul consumo di token: chi ne usava di più saliva in classifica. Il risultato prevedibile — e in un’azienda che ha fatto della metrica una religione, persino comico — è stato il “tokenmaxxing”: dipendenti che gonfiavano artificialmente l’uso dei modelli, automatizzavano compiti inutili, chiamavano l’IA per problemi che non ne avevano bisogno, pur di scalare una leaderboard interna. Le fatture sono lievitate al punto da costringere i vertici a spegnere il sistema di tracciamento.
Non è un aneddoto isolato. Un progetto interno pensato per associare automaticamente i record degli autori ai prodotti del marketplace ha sforato il budget dell’860%, arrivando a costare 1,8 milioni di dollari prima di essere abbandonato per fallimento. Non è cattiva gestione episodica: è la prova che l’infrastruttura dell’IA generativa — GPU, data center, energia, e soprattutto l’imprevedibilità dei costi legati a un uso “creativo” non controllato — non si comporta come un software tradizionale, dove il costo marginale di un’operazione in più è quasi nullo. Uno studio ormai citato ovunque del MIT CSAIL lo conferma con freddezza contabile: nella stragrande maggioranza dei compiti visivi e linguistici complessi, sostituire integralmente l’uomo con un sistema automatizzato non è, oggi, economicamente conveniente.
Secondo atto: perché un Transformer non sa “eseguire ordini”
Qui si tocca il nervo scoperto, quello che nessun taglio di budget può risolvere perché non è un problema di soldi ma di architettura. Un software tradizionale fallisce in modo deterministico: se c’è un bug, fallisce sempre nello stesso identico punto, e proprio per questo è testabile, riparabile, prevedibile. Un modello linguistico — e con lui ogni agente costruito sopra di esso — fallisce in modo probabilistico. Può eseguire un compito correttamente novantatré volte su cento e fallire clamorosamente alla novantaquattresima, senza che nulla, nel comportamento precedente, lo avesse lasciato presagire.
La ragione è semplice da enunciare e difficile da accettare per chi vende automazione come panacea: un Transformer non “capisce” una regola nel senso in cui la capisce un essere umano o un compilatore. Calcola, istante per istante, la probabilità statistica del token successivo. Funziona magnificamente quando il compito è riassumere un testo o abbozzare una bozza — il margine d’errore è tollerabile, spesso invisibile. Funziona malissimo quando il compito è spostare fondi, gestire un inventario, generare codice che finirà in produzione: lì un tasso di successo del 90-95%, che altrove sarebbe un risultato eccellente, diventa un rischio inaccettabile, perché quel margine di errore imprevedibile può tradursi in danni legali o finanziari che nessun risparmio sul personale compensa. E nei compiti a catena — quelli in cui un passaggio si costruisce sul precedente — l’errore iniziale non resta isolato: si propaga, si amplifica, e finisce per far collassare l’intero risultato.
Terzo atto: la falsa soluzione degli strati aggiunti
Di fronte a questo limite, l’industria ha reagito come reagisce sempre di fronte a un problema strutturale: aggiungendo cerotti sopra la ferita invece di guardarla. I framework agentici e il test-time compute — i modelli che “riflettono” prima di rispondere, scomponendo un obiettivo in sotto-task, pianificazione, chiamate a strumenti esterni, osservazione dei risultati — promettevano di correggere dall’esterno ciò che l’architettura non risolve dall’interno. I rendimenti, però, sono decrescenti, e la letteratura scientifica recente — dagli studi pubblicati su arXiv alle sessioni dell’ACL Anthology — lo dimostra con una certa spietatezza: i Transformer restano strutturalmente limitati nella composizione logica a lungo raggio e nella generalizzazione. Più lunga è la catena di passaggi affidata a un agente, più esponenziale diventa la propagazione dell’errore.
Il mercato, che raramente ha pazienza per le dimostrazioni teoriche ma legge benissimo i bilanci, ne sta già traendo le conseguenze: le stime di società di consulenza come Gartner indicano che oltre il 40% dei progetti aziendali basati su agenti IA rischia l’abbandono entro il 2027, non per mancanza di ambizione ma per la debolezza cronica dei risultati concreti rispetto alle promesse.
Quarto atto: verso il salto evolutivo
La parte più interessante della storia, però, non è la crisi: è la consapevolezza che ne è nata nei laboratori. È ormai chiaro — e in parte dimostrato — che allucinazioni, incapacità di pianificazione spazio-temporale e assenza di apprendimento continuo (i pesi restano statici dopo l’addestramento, il modello non impara più nulla dall’esperienza quotidiana) non sono difetti di gioventù correggibili con più dati o più strati di calcolo. Sono proprietà strutturali dell’architettura Transformer. E quando un limite è strutturale, non lo si aggira: lo si supera cambiando architettura.
È qui che si concentra oggi la ricerca più seria. I modelli a spazio di stato — Mamba, o architetture ibride come Jamba di AI21 Labs — gestiscono i contesti lunghi con un’efficienza lineare che l’attenzione quadratica dei Transformer non può eguagliare. Laboratori come Google DeepMind lavorano su moduli di memoria neurale continua — il progetto Titans è l’esempio più citato — per permettere a un sistema di continuare ad apprendere senza subire il collasso catastrofico della memoria che oggi costringe ogni modello a restare, di fatto, congelato al giorno in cui è stato addestrato. E si affacciano, ancora ai margini ma con crescente credibilità, sistemi che integrano comprensione geometrica, causale, fisica del mondo reale: il tentativo di dare a queste macchine non solo statistica, ma un rudimento di determinismo logico.
L’era della coesistenza
Il bilancio, allora, non è quello urlato dal meme, e non è nemmeno l’opposto speculare — l’IA che trionfa comunque, sempre e ovunque. È una via più stretta e meno fotogenica: l’intelligenza artificiale non sostituirà i lavoratori dall’oggi al domani, ma chi la sa usare rimpiazzerà, gradualmente e senza clamore, chi continua a ignorarla. Le aziende che vinceranno questa fase non saranno quelle che licenziano gli umani per far posto agli algoritmi — lo racconta bene proprio il caso Amazon, che taglia generalisti e assume specialisti — ma quelle che ridisegnano i ruoli attorno a un’interazione uomo-macchina realmente simbiotica, mentre aspettano, senza illudersi che sia già arrivata, la prossima vera rivoluzione architetturale.
