Intelligenza artificiale: cos'è e come sta cambiando il mondo

Cos’è, in termini precisi, un sistema di intelligenza artificiale

Nel 2023 l’OCSE (l’Organizzazione per la Cooperazione e lo Sviluppo Economico) ha aggiornato la definizione ufficiale di “sistema di intelligenza artificiale”, ripresa - con adattamenti - anche dalla normativa dell’Unione Europea, del Giappone e degli Stati Uniti: “un sistema basato su macchine che, per un insieme di obiettivi definiti dall’uomo in modo esplicito o implicito, deduce dall’input che riceve come generare output - previsioni, contenuti, raccomandazioni o decisioni - che possono influenzare ambienti fisici o virtuali.”

La parola chiave è “deduce”. Un software tradizionale esegue solo le istruzioni scritte in anticipo da chi lo ha programmato - è quello che in gergo si chiama un algoritmo: una sequenza finita e precisa di passi. Un sistema di IA, invece, elabora i dati che riceve e ricava da solo, attraverso modelli statistici, il modo di arrivare al risultato. I suoi obiettivi possono essere scritti a mano da un programmatore, oppure acquisiti dal sistema stesso durante l’addestramento: l’esempio che l’OCSE stessa cita è un modello come ChatGPT, allineato al comportamento desiderato tramite un processo chiamato apprendimento per rinforzo dal feedback umano (RLHF).

L’aggiunta della parola “contenuti” tra i possibili output, nella revisione del 2023, non è un dettaglio casuale: la definizione precedente, del 2019, pensava soprattutto a sistemi che prevedono o decidono, e non copriva bene i sistemi capaci di creare testo, immagini o audio da zero. Un altro tratto della definizione riguarda la sua durata nel tempo: un sistema di IA può restare fisso dopo il rilascio, oppure continuare ad adattarsi, con “livelli variabili di autonomia e adattività”.

Le forme principali: da chi scrive le regole a chi le impara

Per decenni l’informatica ha risolto problemi con sistemi a regole (o sistemi simbolici): un programmatore scrive a mano ogni istruzione - se succede X, fai Y - e la macchina esegue. Funziona bene quando le regole si possono elencare per intero, molto meno quando il problema è troppo sfumato per stare in un elenco di “se… allora”.

Qui entra in gioco il machine learning: invece di scrivere le regole, si addestra un modello su grandi quantità di dati e si lascia che sia lui a trovarle. Un sottoinsieme del machine learning, il deep learning, usa reti neurali organizzate in molti strati - ispirate, con parecchie semplificazioni, alla struttura del cervello - e riesce a imparare anche da dati grezzi, senza che un umano debba prepararli ed etichettarli uno per uno.

La famiglia più recente è l’IA generativa: usa un’architettura chiamata Transformer, capace di elaborare intere sequenze di dati - come una frase intera - invece che una parola alla volta, per creare contenuti nuovi (testo, immagini, audio, codice) a partire da una richiesta scritta in linguaggio naturale. Non replica un archivio: ha imparato schemi e relazioni da enormi quantità di dati e li ricombina.

Forma di IA	Chi scrive le regole	Impara dai dati?	Esempio
Sistemi a regole	Un programmatore, istruzione per istruzione	No	Un termostato con orari programmati
Machine learning	Il modello, addestrato sugli esempi	Sì	Un filtro antispam che impara dai casi passati
Deep learning	Il modello, con reti neurali profonde	Sì, anche su dati grezzi	Riconoscimento di volti e voci
IA generativa	Il modello, su enormi quantità di testo o immagini	Sì	Un chatbot che scrive un testo su richiesta

Esempio pratico: un termostato che spegne il riscaldamento alle 22 perché gliel’hai programmato tu è un sistema a regole - fa esattamente e solo quello che è scritto. Un termostato che nota da solo a che ora di solito rientri in casa e anticipa l’accensione di conseguenza sta invece facendo machine learning: quell’orario non gliel’ha scritto nessuno, lo ha dedotto osservando le tue abitudini.

Come sta cambiando il lavoro

Il report Stanford HAI 2026 (“The 2026 AI Index Report”) fotografa un’adozione aziendale già ampia: l’88% delle organizzazioni intervistate aveva adottato l’IA nel 2025, e il 70% usava già l’IA generativa in almeno una funzione aziendale. Gli investimenti privati nel settore sono più che raddoppiati nello stesso anno (+127,5%), arrivando a rappresentare il 60% di tutto il finanziamento privato in IA; la sola IA generativa è cresciuta di oltre il 200% e ha catturato quasi metà di quei fondi. Gli Stati Uniti investono privatamente in IA 23 volte più della Cina.

Sui posti di lavoro il quadro è più sfumato. Un terzo delle organizzazioni intervistate si aspetta che l’IA porti a una riduzione della forza lavoro nel corso del prossimo anno, soprattutto nelle operazioni di assistenza clienti, nella supply chain e nell’ingegneria del software - ma il report segnala che riduzioni su larga scala non si vedono ancora nei dati occupazionali aggregati. Il segnale più netto, per ora, riguarda un gruppo specifico: l’occupazione degli sviluppatori software tra i 22 e i 25 anni è calata di quasi il 20% rispetto al 2024, il calo più marcato tra i segmenti collegati finora al cambiamento portato dall’IA - che resta comunque uno dei fattori in gioco, non l’unico spiegabile con questi numeri. Le competenze legate all’IA, intanto, compaiono già nel 2,5% di tutti gli annunci di lavoro statunitensi, il 297% in più rispetto a un decennio prima.

Dove l’IA viene usata, i guadagni di produttività misurati variano molto da compito a compito: +14-15% nell’assistenza clienti, +26% nello sviluppo software, +50% nel marketing, con risultati più modesti nei compiti che richiedono ragionamento complesso. Il report segnala anche un possibile rovescio della medaglia: affidarsi troppo all’IA per lavorare potrebbe, secondo alcune evidenze, comportare una perdita di apprendimento a lungo termine in chi la usa.

Come sta cambiando la scienza: il caso AlphaFold

Il 9 ottobre 2024 il Nobel per la Chimica è stato assegnato per metà a David Baker, per il design computazionale di proteine, e per l’altra metà, congiuntamente, a Demis Hassabis e John Jumper, per aver usato l’IA nella predizione della struttura delle proteine con un sistema chiamato AlphaFold. È stata la prima volta - e probabilmente non l’ultima - che una scoperta resa possibile dall’intelligenza artificiale riceve un Nobel.

La scala del cambiamento dà la misura di cosa significhi, in pratica, un impatto di questo tipo: in circa 60 anni di lavoro sperimentale, i biologi strutturali avevano determinato le strutture di oltre 190.000 proteine. AlphaFold2, disponibile dal 2020, ne ha predette circa 200 milioni, provenienti da oltre un milione di organismi diversi - quasi tutte le proteine note alla scienza. Il database dello strumento ha già superato il milione di utenti in quasi tutti i paesi del mondo, e migliaia di articoli scientifici lo citano, con applicazioni che vanno dallo studio della resistenza agli antibiotici a quello di enzimi capaci di degradare la plastica.

Anche il motivo conta, non solo il risultato. Come ha detto lo stesso John Jumper, “i dati pubblici sono stati essenziali per lo sviluppo di AlphaFold”: il sistema ha imparato dalle strutture proteiche che generazioni di biologi hanno condiviso pubblicamente nel corso dei decenni.

Come sta cambiando la medicina: adozione più veloce delle regole

Un report dell’OMS Europa, pubblicato il 19 novembre 2025 su un sondaggio condotto tra il 2024 e il 2025 sui 50 Stati membri della Regione Europea (non solo i paesi dell’Unione Europea), fotografa un settore che adotta l’IA più in fretta di quanto la regoli: la diagnostica assistita da IA è già in uso nel 64% degli Stati membri, e i chatbot di supporto ai pazienti nel 50%. Le strategie nazionali dedicate specificamente all’IA in sanità restano invece rare: solo l’8% degli Stati (4 su 50) ne ha una, mentre il 66% dispone solo di strategie trasversali che includono l’IA senza essere pensate apposta per la sanità.

Le due barriere più citate dagli Stati sono l’incertezza legale e normativa (86%, 43 Stati su 50) e la sostenibilità finanziaria (78%, 39 su 50); tra i fattori che considerano necessari per sbloccare l’adozione ci sono regole chiare sulla responsabilità legale (utili al 92%) e linee guida su trasparenza e spiegabilità dei sistemi (90%) - lo stesso terreno su cui si muove, in Europa, l’AI Act. Le priorità che gli Stati indicano per l’uso dell’IA in sanità sono la cura dei pazienti, la riduzione del carico di lavoro del personale sanitario e l’efficienza del sistema.

Come sta cambiando la vita quotidiana

Negli Stati Uniti, il sondaggio Pew Research Center pubblicato il 17 giugno 2026 (condotto tra il 17 e il 23 febbraio 2026) misura una crescita rapida: il 49% degli adulti statunitensi ha usato un chatbot di IA, contro il 33% nel 2024; ChatGPT da solo è usato dal 44% degli adulti (34% nel 2025). Circa un quarto degli utenti lo usa quotidianamente. Gli usi più comuni dichiarati sono cercare informazioni (42%) e, tra chi lavora, svolgere compiti lavorativi (38%); un 10% dichiara di usarlo anche per supporto emotivo. Il divario generazionale è netto: il 63% degli adulti under 50 lo usa, contro il 23% degli over 65. Accanto ai chatbot, crescono i dispositivi “smart” potenziati dall’IA: smartwatch (37%), smart speaker (35%), campanelli smart (18%).

Uno degli usi più visibili dell’IA generativa nella vita di tutti i giorni riguarda proprio la creatività: scrivere una bozza, generare un’illustrazione, comporre una base musicale sono gesti alla portata di chiunque abbia un browser. Non è stata reperita, però, una fonte solida e specifica sulla reale portata di questo cambiamento nei settori creativi - musica, arte visiva, scrittura, design - ed è per questo che qui ci limitiamo a registrarne l’uso diffuso, senza numeri che non abbiamo potuto verificare a fondo.

Lo stesso sondaggio Pew misura anche le preoccupazioni: il 40% degli intervistati si aspetta un impatto negativo dell’IA sulla società nei prossimi vent’anni (48% tra gli under 30, contro il 37% degli over 50), il 71% teme di perdere il controllo sui propri dati personali, il 63% pensa che lo sviluppo dell’IA stia correndo più veloce della capacità della società di adattarsi, e solo il 33% si fida che il governo la regolamenterà in modo efficace.