L’intelligenza artificiale non sta fallendo, ma sta iniziando a presentare il conto. È questa la tesi implicita dell’intervento di Franco Bernabè nell’intervista pubblicata da HuffPost il 21 luglio 2026, una riflessione che rompe il consenso quasi religioso costruito intorno all’idea che ogni problema dell’AI possa essere risolto semplicemente aggiungendo più GPU, più capitale e più data center. In un settore abituato a misurare il progresso in miliardi di parametri e trilioni di operazioni al secondo, Bernabè introduce una variabile spesso ignorata dalla Silicon Valley: la realtà fisica.
L’ex manager di Telecom Italia e figura storica dell’industria tecnologica italiana non mette in discussione l’utilità dell’intelligenza artificiale, ma critica il modello industriale che si è sviluppato attorno alla generative AI. La sua posizione si inserisce in un dibattito sempre più ampio, alimentato anche da analisi come quella pubblicata da The Atlantic con il titolo “Generative AI Is an Engineering Disaster”, dove vengono evidenziati i limiti strutturali dell’attuale corsa allo scaling. L’idea centrale è semplice: costruire modelli sempre più grandi richiede quantità crescenti di memoria, energia e infrastrutture, mentre i benefici marginali potrebbero ridursi.
Il problema non è soltanto economico, ma ingegneristico. I grandi modelli linguistici basati sui transformer hanno portato risultati straordinari, ma la loro architettura presenta costi crescenti quando aumenta la dimensione del contesto e la complessità dei calcoli. La famosa ipotesi dello scaling, sostenuta dagli studi sulle scaling laws di Jared Kaplan nel 2020 e poi adottata come strategia industriale da aziende come OpenAI e Anthropic, ha dimostrato che aumentare dati, parametri e potenza computazionale produce miglioramenti misurabili. Il punto controverso è capire fino a dove questa curva possa continuare prima che il costo superi il beneficio.
Il settore ha trasformato il calcolo in una nuova materia prima geopolitica. La memoria HBM, componente fondamentale per gli acceleratori AI moderni, è diventata una risorsa strategica al pari dei semiconduttori avanzati. La crescente domanda di HBM da parte dei produttori di sistemi AI sta riducendo capacità produttiva disponibile per altre categorie di memoria, contribuendo alla pressione sui prezzi della DRAM tradizionale. La promessa di un’intelligenza artificiale sempre più potente rischia quindi di avere effetti molto concreti anche sul mercato consumer, dai computer economici fino ai dispositivi elettronici quotidiani.
Bernabè coglie un punto spesso trascurato nel racconto dominante: l’intelligenza artificiale non vive nel cloud immateriale delle presentazioni aziendali, ma dentro enormi fabbriche digitali che consumano elettricità, acqua e materiali. I data center progettati per l’AI stanno diventando infrastrutture paragonabili alle industrie pesanti del passato. L’energia necessaria per alimentare e raffreddare questi sistemi rappresenta una delle principali sfide per governi e operatori tecnologici, con stime internazionali che indicano una crescita significativa dei consumi elettrici dei centri dati entro il 2030.
La parte più interessante dell’analisi riguarda però la competizione con la Cina. Pechino ha compreso che inseguire gli Stati Uniti sul terreno della forza bruta computazionale potrebbe essere una strategia inefficiente. Aziende cinesi come DeepSeek e Alibaba con Qwen stanno puntando su modelli più efficienti, tecniche come mixture of experts, quantizzazione e distillazione, oltre a un ecosistema open-weight che consente una maggiore diffusione. Non significa che la Cina abbia superato gli Stati Uniti nei modelli frontier, dove i laboratori americani mantengono ancora un vantaggio importante, ma dimostra che esiste una strada alternativa allo schema “più chip, più server, più capitale”.
Qui emerge una delle intuizioni più interessanti di Bernabè: il futuro dell’AI potrebbe non appartenere necessariamente a chi costruisce il modello più grande, ma a chi riesce a renderlo più efficiente e integrarlo meglio nei processi economici. Una lezione che l’industria tecnologica ha già imparato in passato con il passaggio dai mainframe ai personal computer e successivamente dal software proprietario al cloud. La storia dell’informatica è piena di giganti convinti che la potenza pura fosse la risposta definitiva, salvo scoprire che l’efficienza spesso cambia le regole del gioco.
La critica alla creatività dell’intelligenza artificiale merita invece qualche cautela. L’osservazione secondo cui i modelli generativi tendono a ricombinare conoscenza esistente è fondata, ma il dibattito resta aperto. Yann LeCun, uno dei padri del deep learning, sostiene da tempo che gli attuali LLM non siano sufficienti per arrivare a una vera intelligenza generale e che servano sistemi capaci di costruire modelli del mondo, pianificare e comprendere la fisica della realtà. Tuttavia, la ricerca sta esplorando nuove direzioni, dal test-time compute ai modelli multimodali, e potrebbe modificare ancora una volta il panorama.
Il merito dell’intervento di Bernabè è soprattutto quello di riportare l’AI dal territorio della narrativa finanziaria a quello dell’economia industriale. La Silicon Valley ha spesso raccontato la tecnologia come una forza quasi magica capace di abbattere ogni limite, ma ogni rivoluzione digitale ha sempre incontrato vincoli materiali: energia, infrastrutture, capitale, competenze. L’intelligenza artificiale non sarà diversa.
Il rischio non è una fine dell’AI, ma una correzione delle aspettative. Le aziende che hanno costruito valutazioni miliardarie sulla promessa di una crescita infinita dovranno dimostrare che i loro sistemi producono valore proporzionato ai costi. La fase successiva potrebbe essere meno spettacolare sui social e più interessante nei bilanci: meno demo sorprendenti, più automazione reale, meno slogan sull’AGI imminente, più ingegneria applicata. In fondo, la tecnologia matura quando smette di promettere miracoli e inizia a pagare le bollette.