Preferisci ascoltare? Clicca play! Getting your Trinity Audio player ready...

Cosa succederebbe se l’intelligenza artificiale smettesse di funzionare domani mattina

Il momento in cui tutto si ferma

Immagina di svegliarti domani mattina alle sette. Premi lo smartphone per silenziare la sveglia e chiedi all’assistente vocale le previsioni del tempo. Silenzio. Riprovi. Niente. Pensi a un problema di connessione, ma poi noti che la connessione c’è, è l’assistente che non risponde. Strano.

Scendi a fare colazione e apri l’email. La casella è piena di spam — centinaia di messaggi che normalmente vengono filtrati prima ancora che tu li veda. Il lavoro è cominciato: tre riunioni, quattro documenti da rivedere. Apri il tool di scrittura che usi ogni mattina per sintetizzare le note del giorno prima. Gira a vuoto. Provi a cercare qualcosa con il motore di ricerca semantico aziendale — niente, solo risultati grezzi, senza sintesi, senza contestualizzazione, senza le risposte intelligenti a cui ti sei abituato. Ti sembra di essere tornato indietro di dieci anni.

Nel frattempo, sul tuo feed compaiono notizie strane: le borse europee hanno aperto, ma i volumi sono anomali. Alcuni sistemi di trading automatizzato sembrano non funzionare. C’è chi parla di un’interruzione massiva dei servizi cloud. Una fonte scrive: « Sembra che i modelli AI dei principali provider siano offline». La notizia in pochi minuti diventa virale — e i sistemi di moderazione che normalmente filtrano disinformazione e contenuti estremi non ci sono più a controllare il flusso.

Quello che sembrava una mattinata strana si sta trasformando in qualcosa di molto più grande.

L’AI non è un’app. È un’infrastruttura.

Il problema con il pensiero collettivo sull’intelligenza artificiale è che la maggior parte delle persone la associa a un’interfaccia: un chatbot, un generatore di immagini, un assistente vocale. Strumenti sofisticati, certo – ma nell’immaginario comune, strumenti sostituibili. Come se smettere di usare Claude o ChatGPT fosse paragonabile a smettere di usare Spotify: scomodo, ma gestibile.

Questa visione è profondamente sbagliata, e il gap tra percezione e realtà cresce ogni trimestre.

L’AI vera – quella che conta, quella che regge pezzi enormi dell’economia globale – non ha quasi mai un’interfaccia conversazionale. Non la vedi, non la tocchi, non ci parli. È embeddednei sistemi logistici che decidono quali merci spedire dove e quando. È nei motori di rischio che le banche usano per valutare mutui e derivati. È nei sistemi di cybersecurity che sorvegliano migliaia di endpoint aziendali in tempo reale. È negli algoritmi che ottimizzano la distribuzione dell’energia nelle reti elettriche intelligenti. È nei modelli predittivi che le compagnie aeree usano per fare pricing dinamico sui biglietti e per gestire gli slot negli aeroporti.

Nessuna di queste applicazioni ha un nome famoso. Nessuna ha una demo su YouTube. Ma ognuna di esse, se smettesse di funzionare, avrebbe conseguenze reali e immediate su milioni di persone.

L’AI non è un’app. È diventata infrastruttura. E come tutte le infrastrutture critiche – l’elettricità, Internet, il sistema bancario – non ce ne accorgiamo finché non collassa.

Il PC era così, una volta

Per capire dove siamo oggi con l’AI, vale la pena fare un passo indietro di quarant’anni.

Negli anni Ottanta, il personal computer era uno strumento da appassionati. I grandi manager aziendali lo guardavano con una certa condiscendenza: era la macchina dei nerd, qualcosa che gli assistenti usavano per fare cose che prima si facevano con carta e penna o con le grandi macchine del reparto IT. «A cosa ti serve esattamente?» era la domanda che chiunque proponesse di adottare il PC si sentiva fare nelle sale riunioni.

La risposta, all’epoca, era difficile da articolare. Il PC non faceva niente di radicalmente nuovo. Faceva le stesse cose – scrivere documenti, fare calcoli, archiviare dati – che si facevano già. Solo più velocemente, più flessibilmente, con meno intermediari.

Ma quella velocità e quella flessibilità cambiarono tutto. In meno di un decennio, il PC non era più uno strumento opzionale: era il mezzo attraverso cui passava qualsiasi cosa. Excel aveva sostituito il foglio contabile. Word aveva reso obsoleta la macchina da scrivere. I database relazionali avevano rimpiazzato archivi cartacei interi. La posta elettronica stava cominciando a erodere la corrispondenza fisica e il fax.

A quel punto, spegnere i PC non significava tornare a fare le stesse cose in modo più lento. Significava non poterle fare affatto. I processi erano stati ridisegnati attorno alla macchina. Le competenze dei lavoratori si erano adattate. La memoria organizzativa — procedure, template, formati — viveva sui computer. Il PC era diventato invisible infrastructure: talmente integrato nel tessuto operativo delle organizzazioni che nessuno lo percepiva più come uno strumento esterno. Era semplicemente il modo in cui si lavorava.

Poi arrivò il primo grande virus informatico di massa. E tutti scoprirono, con un certo terrore, quanto fosse diventata rischiosa quella dipendenza silenziosa.

L’AI sta percorrendo la stessa traiettoria — molto più velocemente

Il parallelo con il PC non è una metafora suggestiva. È una descrizione tecnica abbastanza precisa di ciò che sta accadendo, con due differenze fondamentali che rendono il fenomeno più rapido e più profondo.

La prima differenza è la velocità di adozione. Il PC impiegò circa quindici anni per diventare indispensabile nelle organizzazioni. L’AI — intesa in senso lato, includendo il machine learning applicato, i modelli linguistici, i sistemi di automazione cognitiva — ha impiegato meno di cinque anni per penetrare in quasi ogni settore dell’economia globale. La pandemia ha accelerato la digitalizzazione. L’esplosione dei modelli linguistici di grandi dimensioni a partire dal 2022–2023 ha accelerato l’adozione dell’AI generativa. Oggi, nel 2026, è difficile trovare un’azienda di medie dimensioni che non utilizzi AI in almeno uno dei suoi processi core.

La seconda differenza è la natura di ciò che viene automatizzato. Il PC automatizzava il lavoro fisico-meccanico della cognizione: scrivere, calcolare, archiviare. L’AI automatizza il lavoro cognitivo vero e proprio: sintetizzare, valutare, decidere, prevedere, comunicare. Questo significa che la sua sostituzione, in caso di malfunzionamento, è molto più difficile da gestire con risorse umane. Si può ri-insegnare a una persona a scrivere a mano invece che su Word. È molto più difficile rimpiazzare un sistema di anomaly detection che monitora centomila endpoint di rete con un team di analisti umani.

Dove l’AI è già struttura portante: un inventario

Facciamo un esercizio di mappatura. Non per essere esaustivi, ma per dare concretezza a una dipendenza che spesso rimane astratta.

Logistica e supply chain. I grandi operatori logistici usano modelli predittivi per ottimizzare rotte, anticipare rotture di stock, gestire i magazzini in tempo reale. Non si tratta di ottimizzazioni marginali: si tratta di sistemi che gestiscono la complessità di milioni di variabili simultanee in modi che nessun team umano potrebbe replicare. Un blackout AI in questo settore non significa consegne in ritardo di qualche giorno. Significa scaffali vuoti nei supermercati in meno di settantadue ore, perché le scorte sono state dimensionate per un sistema just-in-time che dipende dalla previsione algoritmica della domanda.

Sistemi finanziari. Il trading algoritmico rappresenta oggi la stragrande maggioranza dei volumi scambiati sulle principali borse mondiali. I modelli di rischio che le banche usano per valutare l’esposizione a derivati complessi, per fare stress testing sui portafogli, per decidere l’erogazione di prestiti, sono modelli di machine learning. Fermare l’AI nel sistema finanziario significherebbe creare un vuoto di liquidità e un’incertezza sul rischio che i mercati non sarebbero in grado di gestire con strumenti tradizionali. Il panico sarebbe immediato.

Sicurezza informatica. Il panorama delle minacce moderne — malware polimorfico, attacchi zero-day, campagne di phishing personalizzate con l’AI, movimenti laterali all’interno delle reti aziendali — è fondamentalmente incomprensibile senza AI. I Security Operations Center ricevono ogni giorno milioni di alert. Il triage, la correlazione degli eventi, l’identificazione dei pattern di attacco: tutto è gestito da sistemi di anomaly detection basati su machine learning. Senza AI, quei milioni di alert diventerebbero rumore bianco e gli attaccanti avrebbero campo libero.

Sanità e farmaceutica. La diagnostica per immagini — la radiologa che usa un sistema AI per identificare noduli polmonari su una TAC, il dermatologo che usa un classificatore per le lesioni cutanee — è una delle applicazioni più mature. I sistemi di triage nei pronto soccorso usano AI per prioritizzare i pazienti. In farmaceutica, i modelli generativi per la progettazione molecolare stanno comprimendo di anni i tempi di sviluppo di nuovi farmaci.

Energia e infrastrutture. Le reti elettriche intelligenti usano AI per bilanciare domanda e offerta in tempo reale, integrare le fonti rinnovabili intermittenti e prevenire blackout. I sistemi di gestione del traffico nelle città più avanzate usano AI per ottimizzare i flussi. Le compagnie di telecomunicazioni usano AI per gestire la qualità del segnale nelle reti mobili e per prevedere i guasti prima che si verifichino.

Customer service e comunicazione aziendale. Buona parte delle interazioni tra aziende e clienti passa già attraverso sistemi con comprensione del linguaggio naturale: non solo chatbot, ma classificazione automatica delle email, routing intelligente dei ticket, riassunto automatico delle conversazioni, sentiment analysis in tempo reale. Rimuovere questi sistemi significherebbe ricevere un volume di richieste umane che la forza lavoro attuale – ridimensionata proprio per la presenza dell’AI – non è più in grado di gestire.

Le prime 72 ore: uno scenario realistico

Proviamo ora a costruire uno scenario concreto. Non una fantasia apocalittica, ma un esercizio di scenario planning basato su dipendenze reali.

Ore 0–6: confusione e normalizzazione sbagliata. I sistemi smettono di rispondere, ma la diagnosi è lenta. Gli utenti assumono problemi locali. I team IT iniziano a investigare. Nel frattempo le conseguenze silenziose si accumulano: il filtro antispam non funziona e le caselle vengono inondate; i sistemi di moderazione dei social smettono di funzionare e le piattaforme si riempiono in minuti di contenuti che normalmente vengono rimossi in millisecondi.

Ore 6–24: la paralisi operativa emerge. Le aziende che hanno esternalizzato processi critici sull’AI si accorgono di non avere procedure di fallback documentate. I call center sono sommersi da richieste che i bot non gestiscono più, ma il personale umano non è stato formato per gestirle tutte. I sistemi di trading vengono fermati d’emergenza nelle principali borse. I team di sicurezza informatica iniziano a ricevere volumi di alert impossibili da processare manualmente.

Ore 24–48: gli effetti a cascata diventano visibili. La supply chain rallenta in modo percepibile. I sistemi di prenotazione aerea e ferroviaria iniziano a dare risultati errati o a bloccarsi. Alcuni ospedali segnalano congestioni nei pronto soccorso. Le piattaforme di content delivery mostrano colli di bottiglia non previsti perché la loro infrastruttura era dimensionata per essere guidata da modelli predittivi del traffico.

Ore 48–72: il problema della workforce. Si scopre che interi ruoli professionali sono stati ridisegnati attorno all’AI come strumento di base. I developer hanno perso parte della velocità manuale. I team di content hanno compresso il numero di persone al minimo. I team legali hanno ridotto il numero di junior associate. Non è incompetenza individuale — è adattamento razionale a uno strumento che sembrava stabile. Come un ufficio degli anni 90 che perde l’accesso a Excel e scopre che nessuno ricorda più come si fa un foglio contabile a mano.

Il problema non è la dipendenza. È la concentrazione.

Quando Internet andò giù in modo significativo per la prima volta — il grande blackout BGP del 2021 che portò offline Facebook, Instagram e WhatsApp per circa sei ore — il mondo scoprì quanto la comunicazione quotidiana fosse concentrata su pochissime piattaforme. La risposta non fu “usate meno Internet”: fu costruire più ridondanza, più protocolli alternativi, più consapevolezza dei single point of failure.

Con l’AI il meccanismo è identico, ma il rischio è strutturalmente più alto. Per due ragioni precise.

Prima ragione: la concentrazione dell’offerta. Una manciata di provider — OpenAI, Anthropic, Google, Meta, Microsoft, Amazon — fornisce la grande maggioranza della capacità AI mondiale. Non solo i modelli linguistici visibili agli utenti finali, ma le API su cui sono costruite migliaia di applicazioni aziendali, i sistemi di embedding, i modelli di classificazione, le pipeline di inferenza. Un blackout sistemico — un attacco coordinato all’infrastruttura cloud, un errore catastrofico nei datacenter, una decisione regolatoria improvvisa — avrebbe effetti globali immediati. Questo è un livello di concentrazione del rischio che nessun altro settore dell’economia ha mai raggiunto in modo così rapido.

Seconda ragione: l’opacità della presenza. Sappiamo dove si trovano fisicamente i datacenter di Internet. Con l’AI, la situazione è molto più nebulosa. Molte aziende non hanno una mappatura precisa di quali dei loro processi dipendano da modelli di terze parti, attraverso quanti livelli di astrazione, con quali clausole contrattuali in caso di interruzione del servizio. Questa opacità rende impossibile pianificare un fallback realistico.

Il problema della sovranità tecnologica

C’è una dimensione del rischio che va oltre la resilienza operativa e tocca la geopolitica. La dipendenza da provider AI prevalentemente americani crea una forma di dipendenza tecnologica che i governi europei, asiatici e del resto del mondo stanno cominciando a prendere sul serio solo ora, quando la penetrazione è già profonda.

Il problema non è astratto. Se un governo decide di applicare sanzioni a un paese che dipende in modo critico da provider AI soggetti a quella giurisdizione, la leva tecnologica diventa una leva politica. Se una regolamentazione improvvisa negli Stati Uniti obbliga un provider a interrompere il servizio in certi mercati, le conseguenze non sono più un disagio commerciale: sono un’interruzione di infrastruttura critica.

L’Unione Europea lo ha capito tardi con le telco, con il cloud, con i semiconduttori. Con l’AI rischia di capirlo ancora più tardi, in un momento in cui la dipendenza è già sistemica e costruire alternative competitive richiede anni e miliardi di investimenti. Il concetto di AI sovereignty — la capacità di un paese o blocco di mantenere funzionalità AI essenziali indipendentemente dai provider stranieri — non è più un argomento da think tank. È una necessità operativa.

Perché la regolamentazione fatica a tenere il passo

L’AI Act europeo, entrato in vigore nel 2024 e applicato progressivamente, è il tentativo più ambizioso di regolamentare l’AI a livello sistemico. Classifica i sistemi AI per livello di rischio, impone obblighi di trasparenza e audit per le applicazioni ad alto rischio, vieta alcune categorie di utilizzo. È un passo importante.

Ma la regolamentazione del rischio di utilizzo è diversa dalla regolamentazione del rischio di infrastruttura. L’AI Act si concentra su cosa fa l’AI. Non si concentra su cosa succederebbe se l’AI smettesse di funzionare. Questo secondo livello di rischio — il rischio sistemico, il rischio di dipendenza, il rischio di concentrazione — è ancora largamente non regolamentato.

Il risultato è che stiamo adottando l’AI come infrastruttura critica alla velocità del mercato, ma costruendo le protezioni regolamentari alla velocità della burocrazia. Il gap tra le due velocità è il rischio reale.

La lezione del PC, applicata all’AI

Quando il PC divenne infrastruttura critica, le organizzazioni smart impararono tre lezioni. Sono le stesse che dovremmo applicare oggi all’AI, con gli aggiustamenti necessari.

1. Documentare i processi come se la macchina non ci fosse. Non per tornare al passato, ma per capire esattamente cosa la macchina stia effettivamente facendo e per formare persone in grado di intervenire quando fallisce. Applicato all’AI: ogni organizzazione dovrebbe sapere quali decisioni vengono prese da sistemi AI, con quale frequenza, con quale impatto, e come quelle decisioni verrebbero prese in assenza di AI.

2. Costruire ridondanza, non eliminare la dipendenza. Nessuna azienda sana ha eliminato i PC dopo i primi grandi virus degli anni Novanta. Ha investito in backup, in antivirus, in procedure di disaster recovery. Applicato all’AI: le organizzazioni critiche dovrebbero avere procedure di graceful degradation — sistemi che, in assenza di AI, non collassano ma rallentano e si semplificano. Dovrebbero diversificare i provider e testare periodicamente cosa succederebbe se i modelli principali non fossero disponibili per 24 o 48 ore

3. Trattare i vendor critici come infrastruttura e regolamentarli di conseguenza. Le telecomunicazioni, l’energia, la finanza — tutti i settori che sono diventati infrastruttura sono stati regolamentati come tali: obblighi di continuità del servizio, requisiti di ridondanza, audit periodici, piani di emergenza. I governi dovrebbero cominciare a trattare i grandi provider AI come operatori di infrastruttura critica, con tutto ciò che questo implica in termini di obblighi e supervisione.

Cosa dovrebbero fare le organizzazioni, adesso

Al di là della regolamentazione — che arriverà, ma lentamente — ci sono cose concrete che le organizzazioni possono e dovrebbero fare oggi, senza aspettare che qualcuno le obblighi.

Mappare la dipendenza AI. Esattamente come le grandi aziende mappano la loro dipendenza dai fornitori critici di materie prime o di componenti, dovrebbero mappare quali processi dipendono da quali provider AI, attraverso quali API, con quali SLA contrattuali e con quali conseguenze in caso di interruzione. Questa mappatura non esiste nella maggior parte delle organizzazioni. Non perché qualcuno abbia deciso di non farla: perché l’adozione è avvenuta in modo incrementale, spesso bottom-up, senza una visione d’insieme.

Testare la resilienza. I piani di disaster recovery esistono per un motivo: non per essere usati ogni giorno, ma per essere testati periodicamente. Lo stesso approccio dovrebbe essere applicato all’AI. Simulare un blackout dei sistemi AI principali — anche solo per quattro ore, anche solo per un reparto — rivela fragilità che nessuna analisi teorica può scoprire.

Diversificare i provider. Concentrare tutta la dipendenza AI su un singolo provider è esattamente quello che le best practice di supply chain management sconsigliano da decenni. Avere modelli alternativi disponibili, anche se meno performanti, per le funzioni più critiche, riduce il rischio di single point of failure.

Non dismettere le competenze umane nei processi critici. Questa è la più difficile da implementare, perché va contro la logica dell’efficienza a breve termine. Se un sistema AI gestisce il 90% del triage in un pronto soccorso, qualcuno deve comunque saper gestire quel triage senza AI. Mantenere quelle competenze costa. Non mantenerle costa di più, ma solo quando il sistema si rompe.

Cosa dovrebbero fare i governi

Il ruolo dei governi in questo scenario è duplice: regolamentare il rischio sistemico e costruire

capacità alternativa. Sul fronte della regolamentazione, il passo necessario è estendere i framework di resilienza delle infrastrutture critiche — quelli che già esistono per energia, telecomunicazioni e sistema bancario — ai provider AI di importanza sistemica. Questo significa obblighi di continuità del servizio, requisiti di ridondanza geografica, piani di emergenza verificati e audit periodici.Sul fronte della capacità alternativa, il concetto di AI sovereignty richiede investimenti concreti: infrastrutture di calcolo sovrane, modelli open source mantenuti e aggiornati da consorzi pubblici, accordi di interoperabilità tra paesi alleati. L’Europa ha già avviato alcune iniziative in questa direzione — il progetto EuroHPC, alcune iniziative nazionali in Francia, Germania e Italia — ma la scala degli investimenti è ancora lontana da quella necessaria.

Il tempo stringe. Ogni mese che passa, la dipendenza si approfondisce e i processi vengono ridisegnati attorno all’AI. Costruire ridondanza quando la dipendenza è già sistemica costa molto di più che costruirla mentre la dipendenza si forma.

La domanda che ognuno dovrebbe farsi

C’è infine una dimensione individuale che vale la pena nominare, anche se è la più scomoda.

Ognuno di noi — professionista, lavoratore, esperto di qualunque campo — sta delegando all’AI una quota crescente del proprio lavoro cognitivo. Non per pigrizia: per razionalità. L’AI fa certe cose meglio e più velocemente. Usarla è sensato. Affidarsi a lei è ragionevole.

Ma c’è una differenza tra usare uno strumento e dipendere da uno strumento al punto da non saper più lavorare senza. Il developer che non ricorda più come scrivere una funzione ricorsiva senza assistente AI non è incompetente: è adattato. Ma in un blackout, quell’adattamento diventa una fragilità.

La risposta non è usare meno AI. Sarebbe come rispondere alla dipendenza dall’elettricità costruendo candele. La risposta è mantenere consapevolezza di ciò che si sta delegando, e assicurarsi di non aver perso la capacità di farlo — almeno in parte, almeno nelle funzioni più critiche — da soli.

Non per il gusto del primitivismo tecnologico. Per non essere completamente ostaggi di un sistema che, come tutti i sistemi, prima o poi si romperà.