La narrazione dominante sul confronto tra Stati Uniti e Cina in intelligenza artificiale continua a essere drammatica, quasi cinematografica: chi costruirà per primo un’AGI con capacità “divine” conquisterà il mondo, o almeno il dominio tecnologico e militare globale. Jeffrey Ding, assistant professor alla George Washington University e autore di Technology and the Rise of Great Powers, smonta questo mito con la freddezza di uno storico tecnologico che ha visto decine di rivoluzioni industriali nascere e morire prima che il loro impatto reale fosse visibile. Per Ding, l’errore fondamentale degli Stati Uniti è correre lo sprint dell’innovazione mentre il vero vantaggio strategico risiede nella diffusione: portare l’AI in ogni angolo dell’economia, dalle imprese più piccole ai campus universitari meno noti, dai centri urbani ai territori più periferici.

La distinzione è cruciale. Lo “sprint dell’innovazione” è il sogno dei circoli di sicurezza nazionale: vincere la corsa all’AGI in pochi anni e ottenere un vantaggio permanente. La “maratona della diffusione”, invece, è un percorso di decenni che trasforma l’economia e moltiplica la produttività. L’elettricità, dice Ding, è un esempio classico: l’Unione Sovietica aveva ingegneri eccezionali, ma solo gli Stati Uniti riuscirono a diffondere la tecnologia così capillarmente da trasformare realmente la produttività nazionale, con effetti che si sono visti decenni dopo l’invenzione del generatore elettrico.

Nel contesto dell’AI, Ding introduce il concetto di “capacità di diffusione”. Non si tratta di contare i paper più citati o i laboratori più prestigiosi, ma di quanti atenei e imprese possano effettivamente adottare e adattare le tecnologie emergenti. Negli Stati Uniti, circa 150-160 università hanno almeno un ricercatore attivo nei principali convegni AI; in Cina, il numero oscilla tra 30 e 40. Questo indica un bacino di talenti molto più ampio e distribuito in grado di supportare una vera penetrazione economica della tecnologia.

Il problema è che le politiche statunitensi recenti hanno spesso minato questa infrastruttura. Restrizioni agli studenti internazionali, disinvestimenti nei college comunitari e nel sistema educativo diffuso riducono la capacità di coltivare ingegneri che possano trasformare un’innovazione in un’applicazione reale. Il Chips and Science Act del 2022 ne è un esempio lampante: produzione di semiconduttori implementata, sviluppo della forza lavoro STEM ancora incompleto. In pratica, si corre a costruire nuovi chip mentre si trascura chi li userà davvero per generare produttività.

La Cina, al contrario, ha puntato su un modello centralizzato di educazione AI, dai programmi scolastici alle nuove majors universitarie. Ma Ding mette in guardia: troppa pianificazione dall’alto può rivelarsi obsoleta se la traiettoria tecnologica cambia rapidamente. Inoltre, benché i numeri siano impressionanti, mancano ancora solide connessioni tra università, industria e piccole imprese, elementi chiave per una diffusione capillare. Il risultato è un “deficit di diffusione”: l’innovazione c’è, la penetrazione sistemica nell’economia resta più lenta del previsto.

Un fattore emergente è l’open-source. Ding lo vede come uno strumento per i “challenger”: permette a interi ecosistemi di sviluppatori di collaborare, accelerando la diffusione senza che ogni singola azienda debba partire da zero. DeepSeek in Cina o Llama negli Stati Uniti non sono interessanti solo come modelli, ma come infrastrutture su cui costruire applicazioni diffuse. SaaS resta la via principale di adozione, più dei robot fisici o dei droni, anche se le applicazioni embodied possono avere impatti settoriali specifici.

Ding resta scettico sui tempi di diffusione annunciati dalla Cina: una penetrazione del 90% entro il 2030 appare irrealistica, perché i GPT storicamente impiegano decenni per trasformare davvero la produttività economica. L’illusione di un “AI boom” immediato rischia di distogliere attenzione dalle politiche strutturali necessarie: formazione diffusa, collegamenti industria-accademia, strumenti software facilmente adottabili.

In sintesi, la vera corsa non è chi costruisce il modello più potente, ma chi sa trasformare ogni progresso tecnologico in vantaggio economico reale. La maratona della diffusione è lenta, poco spettacolare, e spesso sottovalutata. Ma è quella che determina il potere strategico duraturo. Secondo Ding, gli Stati Uniti restano in vantaggio grazie a una base educativa più ampia e diversificata, nonostante politiche miopi e oscillazioni politiche. La Cina è potente nella creazione, ma deve ancora dimostrare di saper trasformare il talento e l’innovazione in impatto sistemico.

Le sfide aperte rimangono: come misurare la diffusione reale tra piccole imprese? Quanto l’open-source viene realmente integrato nei processi produttivi? Ding continua a seguire questi indicatori con attenzione, ricordando che la storia dei GPT insegna un’unica lezione chiara: innovare è solo metà del gioco, diffondere è vincere la partita.