Nel teatro un po’ rumoroso dell’intelligenza artificiale contemporanea, dominato da keynote patinati, demo di chatbot e previsioni apocalittiche su una futura superintelligenza, il vero lavoro si svolge altrove. Non nelle sale conferenze di San Francisco o nei video virali su X, ma dentro piccoli laboratori distribuiti tra Hong Kong, Valencia, Manchester, Los Angeles e San Diego. Luoghi dove ingegneri pragmatici stanno costruendo qualcosa di molto meno spettacolare ma infinitamente più importante: sistemi di agenti che funzionano davvero.
Una recente serie di dimostrazioni tecniche provenienti dalla comunità internazionale di AI Tinkerers racconta una storia diversa da quella venduta dai comunicati stampa della Silicon Valley. Quindici build selezionate da venti città mostrano un pattern emergente che molti osservatori stanno iniziando a notare con crescente interesse. Il futuro dell’intelligenza artificiale non sarà dominato solo da modelli sempre più grandi; sarà dominato da architetture sempre più intelligenti nel modo in cui orchestrano quei modelli.
La distinzione è fondamentale. I modelli sono potenza. Gli agenti sono organizzazione. E nella storia dell’industria tecnologica, l’organizzazione ha spesso battuto la potenza pura.
Uno degli esempi più interessanti arriva da Hong Kong, dove Guenther Lomas ha presentato una pipeline che affronta un problema antico quanto l’informatica aziendale: trasformare documenti disordinati in dati strutturati. Il progetto utilizza PaddleOCR-VL per analizzare il layout visivo dei PDF, ricostruire tabelle in Pandas e poi delegare a un agente Python il compito di generare query SQL attraverso il modello ERNIE 5.0.
A prima vista potrebbe sembrare un esercizio tecnico tra tanti. In realtà il valore strategico è enorme. L’economia digitale mondiale è costruita su miliardi di documenti semi-strutturati: contratti, report finanziari, fatture, analisi tecniche. Ogni volta che un’organizzazione converte questi documenti in database interrogabili, crea un nuovo livello di automazione.
Lomas ha semplicemente dimostrato che questa trasformazione può essere industrializzata con una pila di strumenti open source. Il dettaglio interessante non è il modello, ma l’architettura. Visione artificiale, ragionamento linguistico e database sono orchestrati come componenti modulari. L’AI smette di essere un oggetto monolitico e diventa infrastruttura.
Gli ingegneri più esperti riconoscono immediatamente il parallelismo storico. Negli anni Novanta l’informatica aziendale ha vissuto la transizione dai sistemi monolitici alle architetture client-server. Negli anni Duemila è arrivata la rivoluzione delle API. Oggi l’AI sembra attraversare un passaggio simile: dalla magia dei modelli alla logica delle pipeline.
Se Hong Kong mostra il lato documentale dell’AI, San Diego racconta un’altra storia. Cameron Youngblood, ingegnere di Vercel, ha presentato una dimostrazione di agenti dedicati alle operazioni go-to-market costruiti su uno stack serverless basato su Next.js, TypeScript e Vercel AI SDK.
Il progetto potrebbe sembrare banale a chi osserva l’AI da lontano. Nessuna superintelligenza, nessun modello da centinaia di miliardi di parametri. Solo codice pulito, telemetria, orchestrazione leggera e automazione dei flussi.
Tuttavia proprio questa banalità è il segnale più interessante. L’AI sta entrando nel ciclo di vita del software come un componente ordinario, quasi noioso. Ed è esattamente ciò che accade quando una tecnologia matura.
La vera innovazione non è più nel modello che scrive poesia o simula Shakespeare. È nella capacità di orchestrare piccoli agenti che gestiscono form, routing, analisi dei dati e integrazioni backend. In altre parole, l’intelligenza artificiale si sta trasformando lentamente nel nuovo middleware dell’economia digitale.
Un’altra dimostrazione, presentata in Polonia da Piotr Karwatka, porta questo ragionamento ancora più avanti. Open Mercato, una piattaforma open source ERP e CRM scritta in TypeScript, è stata utilizzata come base per un esperimento di sviluppo assistito dall’intelligenza artificiale.
Durante la presentazione, nuove funzionalità sono state implementate in tempo reale con il supporto di modelli come Codex e Claude. Il punto non era impressionare il pubblico con generazione di codice, cosa ormai relativamente comune. Il punto era dimostrare come un sistema enterprise possa evolversi con l’AI integrata nel ciclo di sviluppo.
Il risultato suggerisce un cambiamento più radicale di quanto sembri. Per decenni il software enterprise è stato costruito come un prodotto relativamente statico. Nuove versioni, patch, aggiornamenti trimestrali. L’intelligenza artificiale introduce una logica diversa: piattaforme che evolvono continuamente con il supporto di agenti di sviluppo.
Una battuta circola da tempo tra i venture capitalist della Silicon Valley. In futuro il software non sarà più scritto una volta sola; sarà negoziato continuamente tra esseri umani e macchine.
La dimostrazione di Karwatka sembra una prima prova empirica di questa teoria.
Il quarto progetto interessante arriva da Los Angeles, dove Greg Schwartz ha mostrato una pipeline sorprendentemente economica per trasformare paper scientifici in riassunti audio di trenta secondi. Il sistema utilizza Claude Sonnet per la sintesi del contenuto e Kokoro per la sintesi vocale locale su dispositivo iOS.
Il costo complessivo per generare ogni riassunto è di circa dieci centesimi. Dieci centesimi per convertire un paper accademico complesso in un briefing audio.
A prima vista potrebbe sembrare un gadget per nerd accademici. In realtà è un esempio perfetto di ciò che gli economisti tecnologici chiamano compressione cognitiva. Quando il costo di trasformare informazione complessa in informazione accessibile scende drasticamente, cambia il modo in cui le persone consumano conoscenza.
Il mondo accademico produce circa tre milioni di nuovi paper all’anno. Nessun essere umano può leggerli tutti. Ma ascoltarne un riassunto di trenta secondi mentre si cammina o si guida è un’altra storia.
Il dettaglio più interessante della demo non è la tecnologia in sé, ma l’approccio ingegneristico. Schwartz ha parlato apertamente dei problemi di prosodia, degli errori di intonazione e delle difficoltà di segmentazione del testo.
Una lezione importante per chi segue l’AI da lontano. Le demo perfette non esistono. L’intelligenza artificiale reale è piena di bug, compromessi e soluzioni creative.
Questa imperfezione è esattamente ciò che rende il settore così fertile.
Il quadro complessivo che emerge da queste build racconta una storia che contraddice molti cliché della narrativa tecnologica contemporanea. L’AI non sta avanzando solo attraverso modelli giganteschi addestrati con potenza computazionale astronomica. Sta avanzando anche attraverso migliaia di piccoli esperimenti ingegneristici distribuiti nel mondo.
Manchester lavora su mappe di oggetti per costruire contesti operativi per gli agenti. Valencia sperimenta pipeline visive coerenti per la generazione di pittogrammi interpretabili. Hong Kong ottimizza l’estrazione strutturata dei dati. Los Angeles riduce il costo della sintesi vocale.
Nessuno di questi progetti cambierà il mondo da solo. Insieme però rappresentano qualcosa di molto più interessante.
Una nuova disciplina dell’ingegneria software.
Negli anni Sessanta il computer science pioneer Alan Kay disse una frase diventata leggendaria tra gli ingegneri: “Il modo migliore per prevedere il futuro è inventarlo”.
Oggi l’AI engineering sembra applicare lo stesso principio. Meno profezie sulla superintelligenza. Più pipeline che funzionano davvero.
La Silicon Valley ama raccontare storie di rivoluzioni improvvise. La realtà tecnologica è quasi sempre più lenta, più pragmatica e infinitamente più interessante.
Le rivoluzioni vere non arrivano con un keynote. Arrivano con migliaia di build che nessuno nota.
Finché un giorno diventano lo standard.
Document AI / OCR multimodale
PaddleOCR‑VL: Boosting Multilingual Document Parsing via a 0.9B Ultra‑Compact Vision‑Language Model
https://arxiv.org/abs/2510.14528
Il paper introduce un modello vision-language compatto (0.9B parametri) progettato per parsing di documenti complessi. Combina un encoder visivo stile NaViT con il language model ERNIE per riconoscere testo, tabelle, formule e grafici in oltre 100 lingue, con prestazioni state-of-the-art su benchmark di document understanding.
PaddleOCR‑VL‑1.5: Towards a Multi‑Task 0.9B VLM for Robust In‑the‑Wild Document Parsing
https://arxiv.org/abs/2601.21957
Versione evoluta del modello precedente con maggiore robustezza su documenti reali deformati (scan, foto da smartphone, pagine curve). Introduce benchmark dedicati come OmniDocBench per valutare OCR multimodale in scenari reali.
Speech AI e sintesi vocale neurale
Neural Codec Language Models are Zero‑Shot Text‑to‑Speech Synthesizers
https://arxiv.org/abs/2301.02111
Paper originale sul modello VALL-E. Introduce l’idea di trattare la sintesi vocale come un problema di language modeling su token audio discreti, consentendo voice cloning zero-shot con pochi secondi di audio di riferimento.
VALL‑E 2: Neural Codec Language Models are Human Parity Zero‑Shot Text‑to‑Speech Synthesizers
https://arxiv.org/abs/2406.05370
Versione avanzata del modello con miglioramenti nella stabilità di decoding e nella modellazione dei codec audio. I risultati mostrano sintesi vocale con qualità paragonabile a quella umana su benchmark standard come LibriSpeech e VCTK.
HALL‑E: Hierarchical Neural Codec Language Model for Minute‑Long Zero‑Shot Text‑to‑Speech
https://arxiv.org/abs/2410.04380
Estensione dei modelli TTS basati su codec audio per generare parlato di lunga durata, introducendo tecniche gerarchiche per ridurre la lunghezza delle sequenze audio generate.