Quando Demis Hassabis, CEO di Google DeepMind, indica l’orizzonte dell’intelligenza artificiale generale intorno al 2030, la parte più rilevante della dichiarazione riguarda il tempo che resta per prepararsi. La data attira l’attenzione perché trasforma una discussione spesso astratta in una prospettiva ravvicinata. Cinque anni, in termini storici, sono un intervallo breve. Per sistemi educativi, imprese, amministrazioni pubbliche, università, editoria e professioni cognitive, cinque anni sono invece un ciclo di adattamento molto impegnativo.
Business Insider ha rilanciato le parole di Hassabis come segnale di una fase nuova nel dibattito sull’AGI. Per un’analisi di scenario, è importante comprendere perché una previsione di questo tipo abbia rilevanza anche prima che l’AGI esista in una forma universalmente riconosciuta. Le previsioni dei leader industriali funzionano come dichiarazioni di direzione: orientano investimenti, talenti, ricerca, aspettative politiche e scelte organizzative. Anche quando la data resta incerta, il messaggio produce effetti nel presente.
L’AGI viene spesso descritta come l’inizio di una nuova era umana perché sposta il discorso dall’automazione di compiti specifici alla possibilità di sistemi capaci di operare in molti domini, trasferire conoscenze, formulare piani, assistere decisioni complesse e partecipare alla produzione di nuove conoscenze. Una tecnologia di questo tipo inciderebbe sul modo in cui scopriamo farmaci, progettiamo materiali, scriviamo software, organizziamo scuole, gestiamo imprese, interpretiamo dati, produciamo testi, traduciamo problemi scientifici in modelli operativi.
La domanda sulla preparazione dell’umanità, quindi, riguarda una soglia culturale e istituzionale. L’arrivo di sistemi più generali e più autonomi richiede competenze diffuse, regole credibili, capacità di valutazione, responsabilità professionali aggiornate, infrastrutture tecniche robuste e un’idea più matura del rapporto tra intelligenza umana e strumenti computazionali. Il futuro resta aperto. Proprio per questo i prossimi anni avranno un peso sproporzionato.
Che cosa intendiamo quando parliamo di AGI
Il termine AGI, artificial general intelligence, indica in modo ampio un’intelligenza artificiale capace di affrontare una pluralità di compiti con flessibilità paragonabile, almeno in parte, a quella umana. La definizione varia tra laboratori, ricercatori, aziende e policy maker. Alcuni insistono sulla capacità di apprendere nuovi compiti con pochi esempi; altri guardano al ragionamento, alla pianificazione, alla memoria, all’autonomia operativa, all’interazione con ambienti fisici o simulati. Questa ambiguità va considerata parte del problema.
Le tecnologie oggi disponibili hanno già modificato la percezione pubblica dell’AI. I modelli generativi scrivono testi, producono codice, sintetizzano documenti, rispondono a domande, costruiscono immagini, analizzano dati, assistono attività di ricerca e automatizzano porzioni consistenti del lavoro d’ufficio. La loro competenza resta diseguale, dipendente dal contesto, esposta a errori e vincolata a meccanismi di controllo. Eppure il salto rispetto alle generazioni precedenti è evidente: l’AI è entrata nella sfera del linguaggio, della conoscenza e della progettazione.
L’AGI rappresenta un ulteriore passaggio: sistemi meno confinati a un singolo compito, più capaci di collegare domini, più utili nell’esplorazione di problemi aperti. In questo senso il tema supera la curiosità tecnologica. Una società che dispone di agenti artificiali avanzati deve ridefinire cosa significa competenza, quali decisioni delegare, come verificare risultati prodotti da sistemi opachi, come distribuire benefici e costi, come proteggere autonomia umana e qualità democratica delle scelte collettive.
La cautela è necessaria perché nessuna data può funzionare come calendario garantito. La ricerca procede per accelerazioni, limiti imprevisti, investimenti, scoperte teoriche, vincoli energetici, regolazione, disponibilità di dati e capacità di calcolo. L’orizzonte del 2030 va letto come una finestra strategica: abbastanza vicina da imporre decisioni concrete, abbastanza incerta da richiedere flessibilità.
Perché viene descritta come una nuova era
Ogni grande trasformazione tecnologica cambia il rapporto tra esseri umani, strumenti e organizzazione sociale. La stampa ha modificato la circolazione del sapere; l’elettricità ha riconfigurato produzione e vita urbana; internet ha trasformato comunicazione, commercio, informazione e lavoro. L’AGI, se raggiunta in forme robuste, toccherebbe un livello ancora più profondo: la capacità di produrre ragionamenti, ipotesi, piani e spiegazioni su scala.
Per questo molti osservatori la descrivono come una svolta storica. Le società moderne dipendono dal lavoro cognitivo: ricerca, amministrazione, progettazione, insegnamento, diritto, medicina, editoria, finanza, ingegneria, comunicazione, consulenza. Un’intelligenza artificiale generale entrerebbe nel cuore di queste funzioni. Il cambiamento riguarderebbe la struttura delle attività quotidiane, la formazione delle competenze e il modo in cui le istituzioni producono conoscenza verificabile.
La portata storica dell’AGI deriva anche dalla sua natura di infrastruttura cognitiva. Un’infrastruttura è qualcosa che diventa ambiente: strade, reti elettriche, cloud, motori di ricerca, sistemi di pagamento. Dopo una fase iniziale di visibilità, tende a fondersi con le pratiche. L’AI avanzata potrebbe diventare un livello permanente di mediazione tra persone e problemi: un assistente nella scrittura, un interprete di dati, un motore di simulazione, un tutor, un programmatore, un consulente tecnico, un supporto scientifico.
In questa prospettiva la questione più delicata riguarda la qualità dell’integrazione. Una tecnologia capace di potenziare l’analisi può anche amplificare errori, dipendenze, asimmetrie di potere e concentrazioni industriali. Una tecnologia che rende più accessibili competenze complesse può ridurre barriere di ingresso e, allo stesso tempo, spostare valore economico verso chi controlla modelli, dati, infrastrutture e canali di distribuzione. La nuova era, quindi, avrà caratteristiche definite dalle scelte umane, dalle regole, dagli assetti industriali e dalla cultura d’uso.
Il 2030 come orizzonte di preparazione
Le previsioni sull’AGI hanno una funzione particolare: creano un orizzonte di pianificazione. Aziende e governi ragionano già su cicli pluriennali di investimento, formazione, sicurezza e standard. Se un attore come Google DeepMind colloca l’AGI nel perimetro dei prossimi anni, il segnale entra nel linguaggio degli investitori, dei regolatori e delle organizzazioni che devono decidere come attrezzarsi.
La preparazione richiede una distinzione tra tre piani. Il primo è tecnico: capacità dei modelli, architetture, dati, valutazioni, sicurezza, calcolo, energia. Il secondo è organizzativo: come imprese, scuole, università e amministrazioni integrano strumenti avanzati nei processi reali. Il terzo è culturale: come persone e comunità comprendono limiti, possibilità e responsabilità dell’AI. Una transizione solida nasce dall’allineamento progressivo di questi piani.
Il tempo disponibile andrebbe usato per costruire competenze e criteri. Molte organizzazioni stanno già sperimentando l’AI generativa in modo frammentato: un gruppo la usa per scrivere bozze, un ufficio per riassumere documenti, un team tecnico per accelerare codice, un reparto marketing per contenuti e analisi. Questa adozione spontanea rivela una domanda reale, però lascia spesso scoperti governance interna, sicurezza dei dati, qualità delle revisioni, responsabilità dei risultati e formazione dei lavoratori.
Se l’AGI si avvicina, la sperimentazione occasionale diventa insufficiente come metodo di lungo periodo. Servono pratiche condivise: valutare strumenti, documentare processi, stabilire livelli di supervisione, aggiornare ruoli professionali, proteggere informazioni sensibili, riconoscere le competenze umane che restano decisive. L’obiettivo è arrivare a sistemi più potenti con istituzioni già abituate a ragionare in termini di controllo, verifica e accountability.
La preparazione culturale: capire l’AI prima di delegarle il mondo
La prima infrastruttura necessaria è culturale. Una società che usa AI avanzata deve comprendere almeno le basi del loro funzionamento: probabilità, dati, addestramento, inferenza, allucinazioni, bias, valutazione, dipendenza dal contesto. Questa alfabetizzazione non riguarda soltanto tecnici e sviluppatori. Riguarda cittadini, studenti, insegnanti, manager, giornalisti, funzionari pubblici, professionisti, autori, editor, ricercatori.
L’AI introduce una forma nuova di interazione con la conoscenza. I sistemi generativi producono risposte linguisticamente convincenti, spesso rapide, articolate e plausibili. La fluidità del linguaggio può creare un effetto di competenza superiore alla solidità effettiva del contenuto. Per questo la cultura dell’AI deve includere una disciplina della verifica: sapere quando fidarsi, quando controllare, come chiedere fonti, come confrontare risultati, come riconoscere incertezza e come evitare che l’autorevolezza apparente sostituisca il giudizio.
Questa competenza sarà cruciale anche nella vita democratica. Sistemi più potenti renderanno più semplice produrre comunicazione persuasiva, simulare voci, personalizzare messaggi, generare documenti, costruire campagne informative, analizzare comportamenti. La qualità dello spazio pubblico dipenderà dalla capacità di distinguere contenuti affidabili, processi trasparenti e manipolazioni. Le istituzioni educative e culturali dovranno trattare l’AI come materia trasversale, al pari della lettura critica dei media e della cittadinanza digitale.
Prepararsi all’AGI significa anche coltivare una consapevolezza meno ingenua della competenza umana. Le macchine possono sostenere ragionamenti e automatizzare passaggi complessi, mentre la responsabilità di definire fini, priorità, valori e conseguenze resta un compito sociale. La competenza del futuro includerà la capacità di lavorare con sistemi artificiali, formulare buone domande, interpretare risposte, costruire contesti, verificare risultati e assumere decisioni motivate.
Lavoro cognitivo e professioni: una trasformazione dei processi
Il lavoro sarà uno dei campi più esposti. La discussione pubblica tende spesso a misurare l’impatto dell’AI in termini di posti di lavoro che spariscono o resistono. Questa lettura coglie una parte del problema, però l’effetto più immediato riguarda la composizione delle mansioni. Scrivere, ricercare informazioni, preparare report, tradurre, programmare, correggere, classificare, sintetizzare, progettare presentazioni, analizzare documenti: molte attività quotidiane vengono già riorganizzate intorno a sistemi generativi.
Con AI più avanzate il lavoro cognitivo potrebbe diventare più ibrido. Il professionista userà agenti artificiali per esplorare alternative, produrre prime versioni, controllare coerenza, simulare scenari, interrogare archivi, automatizzare routine. Il valore umano si sposterà verso definizione del problema, responsabilità del risultato, comprensione del contesto, sensibilità etica, relazione con clienti e utenti, capacità di sintesi, valutazione di qualità. Queste competenze esistono già, ma diventeranno più esplicite e più richieste.
Il rischio principale riguarda una transizione diseguale. Organizzazioni grandi, con dati, budget e competenze interne, potranno integrare l’AI in modo più sistematico. Piccole imprese, scuole periferiche, amministrazioni sotto organico, professionisti autonomi e settori culturali fragili potrebbero subire strumenti decisi altrove, con minore potere contrattuale. La preparazione sociale deve quindi includere accesso, formazione e capacità di scelta, evitando che l’AI avanzata diventi un ulteriore fattore di polarizzazione.
La qualità del lavoro dipenderà anche da come verranno riprogettati i processi. Un uso povero dell’AI può ridurre il lavoro a supervisione frettolosa di output prodotti in serie. Un uso maturo può liberare tempo da procedure ripetitive e rafforzare analisi, cura, progettazione e relazione. La differenza passerà attraverso organizzazione, contratti, formazione e cultura manageriale. L’AGI, se arriverà, incontrerà ambienti di lavoro già plasmati dalle scelte compiute in questa fase.
Ricerca scientifica e produzione di conoscenza
Google DeepMind ha spesso collegato il percorso verso l’AGI alla scienza: modelli del mondo, simulazioni, scoperta, capacità di risolvere problemi complessi. È un punto decisivo. L’AI avanzata potrebbe accelerare la ricerca in biologia, fisica, chimica, medicina, climatologia, matematica, ingegneria. Potrebbe generare ipotesi, navigare letteratura, progettare esperimenti, simulare fenomeni, individuare correlazioni, ottimizzare percorsi di indagine.
Qui l’AGI appare come strumento di espansione della capacità scientifica. La conoscenza moderna produce quantità immense di dati e pubblicazioni; nessun ricercatore può assorbirle integralmente. Sistemi capaci di leggere, confrontare, modellizzare e proporre potrebbero diventare collaboratori di laboratorio. La velocità di scoperta aumenterebbe, soprattutto nei campi dove simulazione e analisi computazionale sono centrali.
La potenza di questi strumenti rende ancora più importanti verifica e riproducibilità. Una teoria generata o suggerita da un modello deve essere controllata con metodi scientifici, esperimenti, peer review, trasparenza dei dati e responsabilità degli autori. La scienza ha già istituzioni per gestire errore e correzione; l’AI richiede di aggiornarle, accelerarle e renderle più adatte a sistemi che producono ipotesi in grande quantità.
La produzione di conoscenza include anche editoria, archivi, biblioteche, media, piattaforme educative e sistemi di indicizzazione. In questi ambiti l’AGI solleva questioni di provenienza, attribuzione, qualità, selezione e accesso. Quando i contenuti possono essere generati, rielaborati e sintetizzati da macchine, cresce il valore delle filiere capaci di garantire contesto, cura, responsabilità editoriale e tracciabilità.
Scuola e università davanti a una nuova alfabetizzazione
La scuola è il luogo in cui la preparazione all’AGI diventa politica pubblica concreta. Gli studenti che oggi entrano nei percorsi educativi superiori vivranno la maturità professionale in un mondo popolato da strumenti di AI molto più avanzati. Insegnare come se questi strumenti restassero esterni all’apprendimento rischia di creare una frattura tra istituzione e realtà.
L’AI può sostenere tutoraggio, personalizzazione, esercizi adattivi, accesso a spiegazioni multiple, assistenza linguistica, supporto per studenti con bisogni specifici. Può aiutare docenti a preparare materiali, analizzare difficoltà, organizzare contenuti. Tuttavia la scuola deve proteggere capacità fondamentali: lettura profonda, scrittura autonoma, ragionamento, memoria concettuale, dialogo, attenzione, responsabilità. La sfida consiste nel progettare ambienti in cui l’AI rafforzi l’apprendimento invece di sostituire l’esercizio intellettuale.
Anche la valutazione dovrà cambiare. Se un compito scritto può essere prodotto in pochi secondi da un modello, il valore educativo va cercato nel processo: ricerca, fonti, discussione, revisione, argomentazione orale, diario di lavoro, confronto tra versioni, capacità di spiegare le scelte. La scuola dovrà valutare competenze più profonde e più osservabili, riducendo il peso di prove facilmente delegabili.
L’università affronta un problema analogo su scala più alta. Tesi, articoli, progetti, analisi dati, programmazione e revisione bibliografica saranno sempre più intrecciati con strumenti artificiali. Serviranno linee guida chiare, laboratori interdisciplinari, formazione per docenti e studenti, criteri di trasparenza sull’uso degli strumenti. L’AGI, in questo campo, chiede una nuova etica dell’apprendimento e della ricerca.
Governance, standard e sicurezza
La preparazione all’AGI passa anche da istituzioni capaci di misurare, controllare e orientare. Il lavoro del NIST sulla valutazione e sugli standard dell’AI, insieme alle iniziative internazionali dell’OCSE sulla governance e sugli indicatori di capacità, mostra che la questione è già entrata nel perimetro operativo delle politiche pubbliche. La sicurezza dell’AI avanzata richiede metriche, benchmark, audit, procedure di testing, condivisione di informazioni e responsabilità chiare.
Una difficoltà strutturale riguarda la velocità. I modelli evolvono rapidamente, mentre le norme e gli standard richiedono consultazioni, verifiche, compromessi, implementazione. La governance efficace dovrà essere adattiva: abbastanza stabile da dare certezze, abbastanza aggiornata da seguire capacità nuove. Questo equilibrio sarà complesso, soprattutto perché l’AI avanzata attraversa confini nazionali, settori industriali e ambiti di uso molto diversi.
La sicurezza comprende livelli differenti. C’è la sicurezza tecnica dei sistemi: robustezza, affidabilità, controlli contro usi dannosi, protezione dei dati, riduzione di comportamenti imprevisti. C’è la sicurezza sociale: impatti su lavoro, informazione, disuguaglianze, accesso ai servizi, diritti. C’è la sicurezza geopolitica: competizione tra grandi potenze, dipendenza da infrastrutture cloud, controllo della capacità di calcolo, filiere hardware, energia.
Il percorso responsabile verso l’AGI richiede inoltre trasparenza sulle capacità effettive. Aziende e laboratori hanno interesse a mostrare progresso, attrarre capitali e consolidare posizione. Le istituzioni pubbliche devono sviluppare competenze autonome per valutare dichiarazioni, rischi e benefici. Una società preparata dispone di centri di ricerca indipendenti, autorità competenti, standard condivisi e cultura tecnica diffusa nei luoghi decisionali.
Il nodo delle infrastrutture
L’AGI viene spesso immaginata come software, però dipende da infrastrutture materiali. Data center, semiconduttori, reti, energia, sistemi di raffreddamento, cloud, sicurezza informatica, dataset, strumenti di monitoraggio: tutto questo compone il terreno su cui crescono modelli avanzati. Parlare di preparazione significa guardare anche alla capacità dei Paesi e delle organizzazioni di partecipare a queste infrastrutture.
La concentrazione della capacità di calcolo in poche grandi aziende crea una questione politica ed economica. Se i sistemi più potenti vengono sviluppati e distribuiti da un numero ristretto di attori, l’accesso all’innovazione passa attraverso piattaforme private. Questo può accelerare la diffusione di servizi utili, ma rende più urgente la discussione su interoperabilità, concorrenza, sovranità dei dati, dipendenza tecnologica e capacità pubblica di negoziazione.
Le infrastrutture determinano anche la forma dell’adozione. Una piccola casa editrice, un comune, una scuola o una PMI useranno sistemi accessibili via interfaccia, API o piattaforme integrate. Il loro potere dipenderà dalla chiarezza dei contratti, dalla portabilità dei dati, dalla possibilità di scegliere modelli diversi, dalla qualità della formazione e dalla disponibilità di competenze locali. La preparazione all’AGI, quindi, passa anche per ecosistemi digitali più robusti e meno passivi.
In questo quadro la dimensione energetica merita attenzione. Modelli più grandi e più usati richiedono risorse. La sostenibilità della crescita dell’AI dipenderà da efficienza, architetture, hardware, fonti energetiche e localizzazione dei data center. La promessa di progresso scientifico e produttivo dovrà convivere con vincoli ambientali e industriali concreti.
L’umanità è pronta?
La risposta più onesta è che la preparazione è diseguale. Alcuni laboratori e grandi aziende sono molto avanti sul piano tecnico. Alcune istituzioni stanno costruendo quadri di governance. Molte organizzazioni stanno sperimentando. Una parte crescente della popolazione usa strumenti di AI nella vita quotidiana. Allo stesso tempo, competenze diffuse, regole applicabili, cultura della verifica, protezioni sociali e capacità pubblica di valutazione restano in costruzione.
Questa condizione non implica immobilismo. I prossimi anni possono diventare un periodo di apprendimento collettivo. Governi, scuole, imprese, università, editori e professionisti possono adottare una postura più matura: meno fascinazione per l’effetto spettacolare, più attenzione ai processi; meno delega inconsapevole, più responsabilità; meno uso episodico, più progettazione. L’AGI eventuale incontrerà società diverse a seconda delle scelte compiute ora.
Prepararsi significa investire in educazione, standard, ricerca indipendente, sicurezza, accesso equo, infrastrutture, formazione continua e cultura professionale. Significa anche accettare che l’AI avanzata cambierà il modo in cui molte persone lavorano e apprendono. La difesa delle competenze umane passa dalla loro evoluzione, non dalla nostalgia di un ambiente tecnologico già superato.
La dichiarazione di Hassabis va letta come un promemoria: l’AGI potrebbe arrivare in un orizzonte vicino, oppure procedere attraverso tappe più irregolari. In entrambi i casi, la traiettoria dell’AI sta già ridisegnando lavoro cognitivo, produzione di conoscenza e governance. Il punto decisivo è arrivare alla prossima fase con istituzioni più competenti, cittadini più consapevoli e professioni capaci di usare strumenti potenti senza perdere responsabilità.
Una nuova era non comincia in un giorno preciso. Si forma attraverso decisioni, abitudini, infrastrutture e linguaggi che cambiano gradualmente. Se l’AGI diventerà una realtà intorno al 2030, la sua qualità sociale sarà stata preparata negli anni precedenti. Il futuro resta aperto perché dipende anche da come scegliamo di organizzare questo tempo.
