Fino a poco tempo fa la narrativa dominante era che i modelli AI migliorassero in proporzione alla dimensione: più parametri, più GPU (Graphics Processing Unit), più dati. Conseguenza pratica: solo chi ha miliardi da spendere in infrastruttura può stare in prima fila. NVIDIA era (ed ancora è) il nuovo oro, e gli USA il nuovo monopolio.

A gennaio 2025 l’azienda cinese DeepSeek ha fatto saltare questa narrativa con R1: un modello open source che in base a vari benchmark eguaglia GPT-4, ma è addestrato con 2.000 GPU invece delle oltre 16.000 di OpenAI, con un costo dichiarato di 6 milioni di dollari contro le centinaia spese dai competitor americani. Il giorno del lancio, NVIDIA ha perso centinaia di miliardi di capitalizzazione in poche ore.

Com’è possibile? Con un’architettura chiamata Mixture of Experts (MoE): invece di attivare tutti i parametri del modello per ogni query, se ne usa solo una parte specializzata in base al tipo di problema. Più efficiente, non semplicemente più grande.

DeepSeek non ha risolto il problema dell’efficienza ma lo ha spostato, dimostrando che l’innovazione algoritmica conta quanto l’infrastruttura e che il monopolio tecnologico americano nell’AI non è garantito.

È emersa una famiglia di modelli con un approccio diverso: prima di rispondere, ragionano. OpenAI ha lanciato o1 a dicembre 2024 e o3 ad aprile 2025, modelli che simulano una catena di ragionamento interno prima di produrre l’output. Risultato: circa 20% di errori in meno su logica, matematica, programmazione complessa. Il costo per query è più alto, ma per applicazioni professionali dove la qualità conta davvero - diagnostica, pianificazione industriale, analisi legale - il trade-off ha senso.

DeepSeek R1 appartiene alla stessa categoria: risultati comparabili a o1, a una frazione del costo. E ora tutti i principali provider convergono su questo approccio.

Un agente AI non si limita a rispondere: pianifica, usa strumenti, esegue sequenze di azioni in autonomia, si corregge se sbaglia. Può cercare informazioni sul web, scrivere o eseguire codice, compilare form, inviare email, coordinare altri agenti senza intervento umano continuo. Per questo si discute spesso dell’impatto sociale di questi nuovi strumenti, tra chi li considera partner e chi competitor. 

Secondo McKinsey (State of AI 2025) l’88% delle organizzazioni usa già l’AI in almeno una funzione aziendale e il 62% sperimenta o scala AI agentica. Gartner stima che il 40% delle applicazioni enterprise integrerà agenti AI entro fine 2026 (erano meno del 5% nel 2025).

Ciò che deve preoccupare non è il rischio che gli agenti diventino “senzienti”, ma che vengano introdotti troppo velocemente in processi non riprogettati per usarli. Un agente che commette un errore in un flusso automatizzato può moltiplicare quell’errore senza che ci se ne accorga. Forse la domanda più giusta quindi non è se “posso usare un agente per questo” ma piuttosto “il mio processo è abbastanza robusto da tollerare questo tipo di errori?”

A gennaio 2025 Trump ha annunciato il Progetto Stargate: joint venture tra OpenAI, Oracle, SoftBank e Microsoft con 500 miliardi di dollari in infrastruttura AI negli USA nei prossimi quattro anni, con impegno di potenza energetica per vari gigawatt. I data center americani hanno consumato 183 TWh nel 2024 e le proiezioni 2030 parlano di 426 TWh, più del doppio.

I dati IEA 2025 amplificano il quadro: i data center globali hanno consumato circa 415 TWh nel 2024 e raggiungeranno i 945 TWh nel 2030. Buona parte di questa energia proviene ancora da fonti fossili. Un singolo data center AI tipico consuma quanto 100.000 famiglie: il problema ambientale non è più ipotetico, è in corso.

Stargate è esplicitamente posizionato come risposta alla Cina. Ma DeepSeek dimostra che i controlli alle esportazioni di GPU non fermano lo sviluppo cinese, lo rendono solo più creativo. Insomma, la battaglia per la sovranità tecnologica nell’AI è iniziata, anche se Europa e Italia sono ancora lungi dall’essere tra i protagonisti.

L’AI Act europeo è passato da riferimento definitorio a enforcement attivo, con date precise e sanzioni reali: divieto pratiche AI a rischio inaccettabile (febbraio 2025), obblighi per i modelli general purpose (agosto 2025), regole per sistemi AI ad alto rischio (agosto 2026). Le sanzioni arrivano fino a 35 milioni di euro o il 7% del fatturato globale. 

In Italia si aggiunge la Legge 132/2025, prima legge nazionale sull’AI (settembre 2025), centrata su human-centered AI, trasparenza e sicurezza. Lato incentivi, i programmi Transizione 5.0 stanno cercando di supportare chi investe in AI abbinata a sostenibilità, ma è un’opportunità che molti ancora non riescono a cogliere.

In questo ultimo periodo l’AI è passata dall’essere una promessa eccitante a tecnologia con conseguenze reali,  economiche, ambientali, geopolitiche, normative. Non è più un tema da tenere sotto osservazione: è già dentro le decisioni di investimento, i processi aziendali, i bilanci energetici e le politiche industriali.

Questa velocità di evoluzione tecnologica però non sembra essere accompagnata da una crescita di maturità nei processi di adozione. Le aziende implementano AI spesso senza riprogettare i processi coinvolti e senza governance chiara. La tecnologia è pronta, le organizzazioni in gran parte no — e per assurdo la stessa AI, se ben usata, potrebbe aiutare concretamente questo cambiamento.

Sul fronte opposto, chi aspetta che “le cose si stabilizzino” rischia di scoprire che non si stabilizzano ma semplicemente evolvono, e senza punti di equilibrio: più che mai serve imparare a muoversi su un terreno che a sua volta è in continuo movimento.

DeepSeek R1 — World Economic Forum 

Stanford HAI su DeepSeek 

The State of AI 2025 — McKinsey 

Gartner: AI Agents in Enterprise 2026 

Energy and AI — IEA 

The Stargate Project — OpenAI 

OpenAI o1 — Learning to reason with LLMs 

EU AI Act Implementation Timeline 

AI Act Service Desk — European Commission