Sam Altman dichiara: “Siamo già nella singolarità”. Cosa significa davvero e perché la domanda più importante è un'altra

“Siamo nella singolarità. Questo è il momento.” Con questa frase — pronunciata in modo quasi casuale, senza annunci trionfalistici e senza conferenze stampa elaborate — Sam Altman, CEO di OpenAI, ha descritto il presente come qualcosa che appena dieci anni fa sembrava ancora fantascienza accademica: un'ipotesi lontana discussa da filosofi e futurologi ai margini del mainstream scientifico. La dichiarazione ha generato immediatamente due reazioni opposte nella community tech: chi l'ha interpretata come l'annuncio che le macchine hanno già superato l'intelligenza umana, e chi l'ha liquidata come iperbole di marketing da parte di un imprenditore con un interesse personale nell'hype dell'AI. Entrambe le reazioni mancano il punto. La domanda non è se Altman abbia ragione: la domanda è se la singolarità fosse davvero un processo già iniziato, saremmo capaci di riconoscerla mentre accade? È questa la domanda che vale la pena esplorare a fondo, perché la risposta dice qualcosa di importante non solo sull'AI, ma su come gli esseri umani riconoscono i cambiamenti storici mentre li attraversano.

Prima di tutto è essenziale capire cosa Altman intenda con quella parola, perché “singolarità” porta con sé un bagaglio concettuale preciso che lui sta usando in modo deliberatamente diverso dalla definizione classica. Il termine “singolarità tecnologica” è stato popolarizzato dal matematico e scrittore Vernor Vinge nel suo saggio del 1993 e poi reso mainstream da Ray Kurzweil con “The Singularity Is Near” nel 2005. Nella formulazione classica è il punto in cui l'intelligenza artificiale supera quella umana in tutte le dimensioni rilevanti, dopodiché il progresso tecnologico accelera in modo così rapido da diventare imprevedibile e incomprensibile per gli esseri umani: una discontinuità, come una singolarità matematica, oltre la quale i modelli precedenti smettono di funzionare. Questa definizione implica un momento preciso e riconoscibile — il giorno in cui una macchina supera un essere umano nel test X, nel benchmark Y, nel task Z che definisce l'intelligenza generale. Un confine netto.

Altman usa il termine in un senso significativamente diverso, quello che aveva già chiamato in precedenti interviste “singolarità gentile”. Non un'esplosione improvvisa, non un momento cinematografico in cui una macchina si sveglia e decide di prendere il controllo, non una data sul calendario che potremo guardare retrospettivamente come il giorno in cui tutto è cambiato. Ma una curva: un processo graduale di accelerazione già in corso, dentro cui siamo già entrati senza che ci sia stato un singolo momento di svolta riconoscibile. Le capacità aumentano progressivamente, entrano nella vita quotidiana, e ciò che ieri sembrava impossibile diventa prima sorprendente, poi normale, poi ovvio. Nessun momento cinematografico, nessuna macchina che si risveglia all'improvviso: solo un'accelerazione continua che, se sei abbastanza attento, puoi già riconoscere guardando indietro di due o tre anni.

Al cuore della dichiarazione di Altman c'è un'osservazione tecnica precisa, non solo una metafora filosofica: l'AI oggi scrive codice, accelera la ricerca scientifica e aiuta gli stessi ingegneri che stanno costruendo modelli ancora più avanzati. Il progresso comincia quindi ad alimentare altro progresso. Questo è il meccanismo chiave — non l'intelligenza assoluta di un singolo sistema, ma il feedback loop tra AI e sviluppo dell'AI stessa. Fino a pochi anni fa il processo era lineare: ricercatori umani progettavano architetture, scrivevano codice, conducevano esperimenti, analizzavano risultati, pubblicavano paper, altri ricercatori leggevano e miglioravano. Un ciclo lento, limitato dalla capacità cognitiva e dal tempo disponibile delle persone.

Oggi il ciclo è cambiato strutturalmente su tre fronti. Primo: i modelli AI accelerano la ricerca AI. GPT-5.6, Claude Fable 5, Kimi K3 vengono usati quotidianamente dai team che stanno costruendo la prossima generazione di modelli — analizzano paper, suggeriscono ipotesi, scrivono codice sperimentale, identificano bug, spiegano risultati controintuitivi. I ricercatori che usano AI avanzata per fare ricerca sull'AI sono più produttivi di quelli che non lo fanno, in modo misurabile. Secondo: i modelli AI scrivono codice per se stessi. Una frazione crescente del codice che implementa i sistemi AI più recenti è stata scritta o significativamente assistita da AI; non siamo ancora al punto in cui un modello si riprogramma autonomamente, ma la distanza da quello scenario si sta riducendo. Terzo: i modelli AI accelerano la raccolta e l'analisi dei dati di training, che è uno dei bottleneck principali dello sviluppo — generano dati sintetici di qualità, identificano e correggono errori nei dataset esistenti, classificano e organizzano dati non strutturati.

Quando il sistema che deve migliorare contribuisce attivamente al proprio miglioramento, il tasso di progresso accelera. Non in modo indefinito — esistono limiti fisici e computazionali — ma abbastanza da produrre quello che Altman chiama il segnale della singolarità: il progresso che alimenta altro progresso.

Il concetto più sfidante nella dichiarazione di Altman è l'idea che il grande passaggio storico potrebbe non avere una data precisa. Non un momento che ricorderemo come “il giorno in cui l'AI ha cambiato tutto”, ma un processo graduale che potremmo attraversare senza accorgercene, riconoscendolo soltanto dopo, quando il mondo precedente ci sembrerà improvvisamente lontano. Pensiamo a Internet: quando esattamente ha cambiato il mondo? Non c'è una data. Non il 1969 con ARPANET, non il 1991 con il World Wide Web, non il 1995 con Netscape. Il cambiamento è avvenuto gradualmente finché, retrospettivamente, il mondo prima di Internet è sembrato un'altra era. Quante persone nel 1997 avrebbero risposto “sì, stiamo attraversando una trasformazione economica epocale in questo preciso momento”? Pochissime: la maggior parte vedeva siti lenti, allegati che impiegavano minuti a scaricarsi e connessioni dial-up che monopolizzavano la linea telefonica. Il quadro grande era invisibile dall'interno.

Lo stesso vale per la stampa a caratteri mobili. Gutenberg la inventa nel 1440, la Riforma protestante inizia nel 1517, la Rivoluzione scientifica prende piede nel corso del XVI e XVII secolo. La connessione causale è evidente retrospettivamente — la stampa ha democratizzato l'accesso all'informazione e reso possibili trasformazioni culturali e politiche radicali — ma nessuno nel 1440 avrebbe potuto prevedere con precisione l'esito di quell'invenzione. Chi stava dentro la singolarità della stampa nel 1460, quando le prime Bibbie di Gutenberg cominciavano a circolare, non la riconosceva come tale: vedeva un artigiano che produceva libri più velocemente. La trasformazione epocale era invisibile dall'interno.

Siamo in una situazione analoga? Altman suggerisce di sì, e la sua argomentazione è difficile da scartare in modo semplicistico. Nel luglio 2026 l'AI scrive una frazione significativa del codice prodotto globalmente, accelera la ricerca scientifica in biologia, chimica, fisica e matematica, gestisce milioni di interazioni di customer service al giorno, aiuta professionisti a svolgere task complessi in una frazione del tempo precedente e contribuisce attivamente allo sviluppo della prossima generazione di modelli. Guardato dall'interno, come lo guardiamo noi ogni giorno, sembra normale: il risultato naturale di anni di progressi tecnologici. Ma guardato da fuori — dalla prospettiva di qualcuno che vive nel 2016 e potesse vedere il 2026 — sembrerebbe straordinario. Quasi impossibile. Quasi come una singolarità.

La dichiarazione richiede però alcune precisazioni, altrimenti diventa facilmente fraintendibile. La prima: questo non significa che l'AGI sia già arrivata. I sistemi attuali, per quanto impressionanti, continuano a commettere errori elementari su task che qualsiasi bambino gestirebbe senza difficoltà, falliscono su compiti lunghi e complessi che richiedono pianificazione estesa, attenzione sostenuta e correzione adattiva degli errori, e mostrano incapacità fondamentali nella comprensione causale profonda del mondo fisico. L'intelligenza artificiale generale — un sistema che eguaglia o supera le capacità cognitive umane in tutte le dimensioni rilevanti — non è una realtà nel luglio 2026: tra i ricercatori non esiste consenso su quando arriverà né su come riconoscerla, e le definizioni stesse di intelligenza generale restano profondamente controverse. Altman non ha annunciato l'AGI: ha descritto un processo di accelerazione, la singolarità come curva e non come soglia superata.

La seconda precisazione: i benchmark non sono la realtà. I modelli che battono punteggi umani su test standardizzati non sono equivalenti a esseri umani nella vita reale. Un modello che supera il 99° percentile su un test di matematica può fallire completamente su task pratici che un tredicenne eseguirebbe senza pensarci: la generalizzazione rimane il tallone d'Achille dei sistemi attuali. La terza: l'accelerazione non è infinita. La singolarità come concetto matematico implica un'accelerazione che tende all'infinito, ma la realtà è più prosaica — limiti fisici, computazionali, energetici e cognitivi pongono tetti reali al progresso. La curva può essere ripida, ma non è una verticale.

E arriviamo alla domanda più importante di tutte: se la singolarità fosse davvero un processo già iniziato, saremmo capaci di riconoscerla mentre accade? La risposta onesta è probabilmente no, e ci sono buone ragioni cognitive e strutturali per cui è così. La prima è la normalizzazione progressiva: gli esseri umani si adattano rapidamente al nuovo normale. Ogni volta che una nuova capacità viene rilasciata — la prima volta che ChatGPT ha scritto un saggio di livello universitario, la prima volta che un modello ha generato immagini fotorealistiche, la prima volta che ha risolto problemi olimpici di matematica — la reazione iniziale è stupore. Sei mesi dopo è normale, un anno dopo è dato per scontato, due anni dopo sembra ovvio che le macchine possano farlo. Questa normalizzazione rende strutturalmente difficile percepire l'accumulo: ogni nuovo normale è molto più avanzato del precedente, ma la traiettoria cumulativa resta invisibile momento per momento.

La seconda ragione è il confronto con il passato immediato. Valutiamo il cambiamento confrontando il presente con il passato recente, non con quello lontano. Se un modello nel luglio 2026 è il 20% più capace di quello di gennaio 2026, la percezione soggettiva è “miglioramento incrementale”; se lo confrontassimo con ciò che era disponibile nel luglio 2023, la differenza sembrerebbe impossibile. La singolarità, se è in corso, si nasconde esattamente in questo bias: la tendenza a misurare il cambiamento rispetto al presente invece che rispetto a un orizzonte temporale abbastanza lungo. La terza ragione è il problema degli esperti nei silos: i ricercatori vedono ogni giorno le limitazioni dei modelli, sanno meglio di chiunque dove falliscono e quanto sia lontana l'AGI in senso tecnico, e questo li rende naturalmente scettici verso affermazioni come quella di Altman. I non esperti, invece — il medico che usa l'AI per supportare una diagnosi, l'ingegnere che le fa scrivere metà del codice, il piccolo imprenditore che automatizza l'assistenza clienti — percepiscono il salto in modo molto più diretto, perché lo misurano sul proprio lavoro e non sui benchmark. Nessuna delle due prospettive è completa da sola.

Cosa significa tutto questo in pratica per chi guida un'azienda o costruisce prodotti? Tre cose concrete. Primo: smetti di aspettare l'evento. Se la singolarità è una curva e non una soglia, non ci sarà un annuncio che ti dice quando è il momento giusto per adottare l'AI — il momento giusto è sempre “adesso, con l'ultimo stato dell'arte disponibile”. Secondo: misura su orizzonti lunghi. Rifai ogni sei mesi la valutazione degli use case che avevi scartato perché “l'AI non ce la fa”: una quota significativa di quei no diventa sì senza che nessuno te lo comunichi. Terzo: costruisci per la sostituibilità del modello. Se le capacità crescono e i prezzi crollano ogni pochi mesi, l'architettura vincente è quella in cui il modello è un componente intercambiabile e non il cuore inamovibile del sistema.

La dichiarazione di Altman, alla fine, è meno un annuncio tecnico e più un invito a cambiare unità di misura. Che lui abbia ragione o torto sulla parola “singolarità” conta relativamente poco: quello che conta è che il ritmo del cambiamento ha superato la nostra capacità di percepirlo in tempo reale. Ed è esattamente questo il rischio più concreto per chi lavora — non l'AI che prende il controllo, ma l'accorgersi troppo tardi che il mondo intorno ha già cambiato regole. Se c'è una cosa utile da portarsi a casa è questa: non chiederti se siamo nella singolarità. Chiediti cosa faresti diversamente oggi se lo fossimo.