Proactive AI, Tencent e l’inizio della sorveglianza cognitiva preventiva

La parte più interessante del progetto ProAct sviluppato da Shanghai Jiao Tong University e Tencent non è la riduzione del 14,8% nei turni conversazionali o il taglio delle allucinazioni del 28,1%. Quelli sono dettagli tecnici utili per i benchmark accademici e per convincere investitori già ipnotizzati dall’ennesima slide sul “future of agents”. Il vero punto strategico è un altro: per la prima volta un grande sistema AI non aspetta più il prompt umano come evento centrale dell’interazione. L’utente smette di essere il trigger operativo. Diventa invece una sorgente continua di segnali predittivi.

È una transizione sottile ma enorme.L’informatica ha funzionato secondo un paradigma relativamente semplice: input umano, computazione, output. Anche i chatbot generativi più sofisticati restavano fondamentalmente reattivi. ChatGPT, Claude, Gemini, Copilot; tutti aspettano una domanda. ProAct invece usa il silenzio. Sfrutta il tempo morto tra un messaggio e l’altro per costruire inferenze sul comportamento futuro dell’utente, preparare risposte anticipate, cercare informazioni, organizzare memoria contestuale e decidere autonomamente cosa mostrare, cosa archiviare e cosa tenere pronto. Non è più una chat. È una forma embrionale di precomputazione cognitiva.

L’industria AI sta convergendo rapidamente verso questo modello perché esiste un problema economico gigantesco dietro le quinte: la latenza. Gli utenti tollerano pochi secondi di attesa, ma i modelli avanzati diventano sempre più costosi e pesanti. Il trucco allora consiste nel distribuire la computazione nei momenti invisibili all’utente, trasformando il tempo inattivo in lavoro predittivo. È lo stesso principio che ha guidato Netflix con il pre-buffering video, Google con il predictive caching e Amazon con la logistica anticipatoria. La differenza è che qui non si precaricano film o pacchi Amazon; si precaricano pensieri plausibili.

Il dettaglio quasi inquietante è che la ricerca di Tencent formalizza questo approccio come una “closed-loop policy”, una politica continua di previsione, acquisizione e consegna delle informazioni. Tradotto in linguaggio meno accademico: l’agente AI sviluppa un modello probabilistico persistente della tua mente operativa. Analizza cosa chiedi, quando lo chiedi, quali informazioni ti mancano, quali pattern ripeti e quali bisogni emergeranno con maggiore probabilità nella conversazione successiva. A quel punto agisce prima che tu realizzi esplicitamente il bisogno.

La Silicon Valley racconta questo paradigma come comodità. “L’assistente che ti conosce meglio di quanto tu conosca te stesso” è una frase che nelle conferenze tecnologiche viene pronunciata con entusiasmo quasi religioso, spesso da persone che non ricordano nemmeno la password del Wi-Fi dell’hotel in cui stanno parlando. Però dietro l’estetica dell’efficienza emerge un cambiamento culturale più profondo: la progressiva esternalizzazione dell’intenzione umana.

Se un sistema anticipa continuamente le tue richieste, riduce inevitabilmente il numero di decisioni esplicite che prendi. Secondo i ricercatori, ProAct ha anticipato 703 bisogni prevedibili contro i 32 di sistemi precedenti. Impressionante dal punto di vista ingegneristico; meno rassicurante dal punto di vista cognitivo. La riduzione dell’attrito decisionale è sempre stata venduta come progresso tecnologico, ma esiste una linea sottile oltre la quale l’automazione non ottimizza più il comportamento umano: lo sostituisce gradualmente.

Il timing di questa ricerca non è casuale. Arriva mentre gli agenti autonomi come OpenClaw Github e Hermes Agent stanno trasformando i modelli linguistici da semplici interfacce conversazionali a sistemi persistenti capaci di eseguire task lunghi, coordinare workflow, scrivere codice, pianificare attività e interagire con software esterni. L’industria si sta spostando dal chatbot all’agente operativo permanente. ProAct aggiunge il pezzo mancante: l’anticipazione comportamentale.

Naturalmente Tencent e i ricercatori riconoscono i rischi. Nel 3% dei casi il sistema peggiora le risposte introducendo informazioni irrilevanti. Sembra poco, ma su scala miliardi di interazioni significa milioni di inferenze sbagliate ogni giorno. Ancora più importante è il problema della privacy strutturale. Un sistema del genere funziona soltanto se osserva continuamente le conversazioni, conserva memoria persistente e costruisce profili dinamici dell’utente. Non è un bug. È il requisito architetturale fondamentale.

Qui emerge il vero business model nascosto della prossima generazione AI. Non venderanno semplicemente modelli migliori. Venderanno continuità cognitiva. La memoria persistente diventerà il nuovo lock-in competitivo. L’assistente che accumula anni di contesto personale, preferenze operative, abitudini decisionali e relazioni professionali acquisisce un vantaggio quasi impossibile da replicare da parte dei concorrenti. Cambiare AI assistant potrebbe diventare psicologicamente simile a cambiare sistema nervoso digitale.

Le implicazioni economiche sono enormi. Un agente proattivo riduce il numero di prompt necessari, ottimizza i costi computazionali e aumenta la dipendenza funzionale dell’utente. È esattamente il tipo di infrastruttura che piace ai grandi gruppi tecnologici perché crea retention silenziosa. Non serve più convincere l’utente a tornare. L’assistente resta operativo in background, sempre pronto, sempre presente, sempre intento a prevedere il prossimo passo.

Il paradosso finale è tecnico prima ancora che filosofico. L’intera industria AI sta cercando di costruire sistemi che sembrino più umani attraverso la proattività, ma gli esseri umani reali non funzionano così. Le relazioni autentiche contengono ambiguità, silenzi inutili, esitazioni, errori e perfino inefficienze cognitive. Gli agenti proattivi invece puntano a eliminare l’incertezza attraverso la previsione continua. È una logica profondamente industriale applicata alla conversazione umana.

I ricercatori parlano di “idle-time acquisition budgets” e rendimenti decrescenti della computazione proattiva. Formula elegante per descrivere un problema che presto riguarderà ogni grande piattaforma AI: quanto vale economicamente prevedere il comportamento umano prima che accada? La risposta, osservando gli investimenti miliardari in agentic AI, sembra già chiara. Molto più di quanto il mercato sia disposto ad ammettere pubblicamente.