Altman, Amodei, Hassabis e Huang: quattro idee diverse di AGI

L’AGI, l’intelligenza artificiale generale, è diventata un’etichetta ombrello per obiettivi molto diversi tra loro: un lavoratore autonomo economicamente utile, un ricercatore digitale di livello Nobel, una macchina con l’intera gamma delle capacità cognitive umane oppure un sistema eccellente nei test.

Questa distanza nelle definizioni spiega perché possano coesistere previsioni apparentemente sicure ma incompatibili. E spiega anche perché la fiducia pubblica dipenda sempre più da valutazioni indipendenti, non dalle dichiarazioni dei vertici aziendali.

Quattro leader, quattro soglie

Sam Altman: AGI come autonomia economicamente utile

La definizione più citata di OpenAI descrive l’AGI come sistemi «altamente autonomi» che superano gli esseri umani nella maggior parte del lavoro economicamente più prezioso. La soglia è quindi soprattutto pratica ed economica: conta se un sistema riesce a svolgere lavoro di valore su larga scala, non se riproduce perfettamente la mente umana.

Nella comunicazione pubblica più recente, OpenAI insiste sull’autonomia delle persone. Il suo obiettivo, afferma l’azienda, è costruire sistemi che aiutino gli individui a perseguire i propri obiettivi, senza sostituirsi al giudizio umano; automatizzare integralmente ogni cosa sarebbe insieme pericoloso e privo di soddisfazione. 23 Anche il quadro proposto da OpenAI sul lavoro avverte che automatizzare compiti non implica automaticamente cancellare una professione: le persone possono restare essenziali nella prestazione, nella supervisione o nell’assunzione di responsabilità. 25

Resta così una frontiera ampia e mobile fra strumenti evoluti, agenti autonomi e AGI. La definizione economica può aiutare a misurare l’impatto nel mondo reale, ma non è un test scientifico pubblico.

Dario Amodei: «IA potente» come insieme concreto ma straordinario di capacità

Dario Amodei, CEO di Anthropic, tende a preferire l’espressione powerful AI, cioè «IA potente», rispetto ad AGI. In una proposta di policy, Anthropic definisce così sistemi molto oltre le capacità attuali: intelligenza pari o superiore a quella di vincitori del Nobel nella maggior parte delle discipline; capacità di usare le interfacce digitali disponibili ai lavoratori umani; possibilità di eseguire autonomamente lavori complessi. 3

Anthropic prevede l’arrivo di questi sistemi tra la fine del 2026 e l’inizio del 2027. Amodei ha descritto lo scenario come un «Paese di geni in un data center», sottolineando le implicazioni economiche, di sicurezza e geopolitiche della concentrazione di una simile capacità. 6 7

È una definizione più precisa dell’etichetta AGI generica, ma unisce comunque affermazioni difficili da dimostrare: ampiezza della competenza, autonomia, uso degli strumenti e affidabilità mantenuta nel tempo. Un modello potrebbe soddisfarne alcune molto prima di soddisfarle tutte.

Demis Hassabis: AGI come intera gamma della cognizione umana

Demis Hassabis, CEO di Google DeepMind, mantiene un’asticella più alta: l’AGI dovrebbe avere tutte le capacità cognitive degli esseri umani. Ha detto che l’IA di livello umano potrebbe arrivare entro questo decennio, precisando al tempo stesso che i sistemi attuali non sono «nemmeno lontanamente vicini» a un’AGI umana. 33 38

In questa visione, l’AGI non è tanto un traguardo di prodotto quanto una soglia scientifica di generalità robusta. Non bastano risultati eccellenti agli esami o prestazioni impressionanti in alcuni ambiti professionali: il sistema dovrebbe operare sull’intero spettro della cognizione umana.

Jensen Huang: AGI come superiorità diffusa nei test

Jensen Huang, CEO di Nvidia, ha adottato un criterio più orientato ai benchmark. Nel 2024 ha detto che l’AGI avrebbe potuto arrivare entro cinque anni, se definita come un’IA capace di superare gli esseri umani essenzialmente in ogni test; nel 2026, alcune ricostruzioni hanno interpretato il suo punto di vista come una dichiarazione di AGI raggiunta secondo uno standard pratico molto più permissivo. 34

Il vantaggio è la chiarezza: i test producono punteggi. Il limite è altrettanto evidente. Superare molti esami non dimostra da solo autonomia affidabile per periodi lunghi, buon giudizio o sicurezza in contesti reali, disordinati e imprevedibili.

Perché queste previsioni non sono confrontabili direttamente

I quattro leader non stanno soltanto stimando date diverse per il medesimo evento: stanno indicando destinazioni differenti.

• Altman / OpenAI: prestazioni autonome nella maggior parte del lavoro economicamente prezioso.
• Amodei / Anthropic: lavoro intellettuale ampiamente di livello Nobel, più esecuzione digitale autonoma prolungata.
• Hassabis / DeepMind: l’intera gamma delle capacità cognitive umane.
• Huang / Nvidia: prestazioni superiori agli esseri umani in un ampio insieme di test.

Un’IA può primeggiare in molti benchmark senza completare da sola settimane di ricerca. Può automatizzare una quota rilevante del lavoro digitale senza mostrare l’intero repertorio cognitivo di una persona. Le date associate a queste dichiarazioni, dunque, non vanno lette come un singolo conto alla rovescia verso l’AGI.

Perché l’AGI viene descritta come non verificabile, o perfino «spirituale»

L’obiezione non è che le capacità dell’IA non si possano misurare: si possono misurare. Il problema è che per l’AGI non esiste una regola condivisa, indipendente e pubblicamente governata che stabilisca il superamento della soglia.

Una proposta accademica descrive l’AGI come concetto controverso e la rende operativa come capacità almeno umana nella maggior parte dei compiti. È un tentativo di renderla misurabile, ma mostra anche le decisioni ancora aperte: quali compiti, rispetto a quali esseri umani, con quale affidabilità e in quali condizioni? 50

Un test pubblico credibile dovrebbe includere almeno:

1. una distribuzione di compiti definita con chiarezza, non una sequenza variabile di dimostrazioni;
2. soglie di prestazione e affidabilità, compresa la frequenza degli errori;
3. prove di autonomia a lungo orizzonte e uso degli strumenti, non solo risposte estemporanee;
4. protezioni contro l’addestramento mirato a superare la valutazione;
5. accesso indipendente sufficiente a riprodurre o verificare i risultati.

Senza questa infrastruttura, l’AGI rischia di diventare una rivendicazione di status fatta dalle organizzazioni che hanno il maggiore interesse a decidere dove sia il traguardo. L’AI Now Institute ha criticato molti degli indicatori disponibili perché ristretti, vaghi e favorevoli a chi li propone. 62

Il problema di fiducia dietro le definizioni

La disputa sull’AGI riflette un problema più generale di credibilità. Le aziende possono formulare dichiarazioni molto ampie su capacità trasformative, mentre lavoratori e clienti incontrano strumenti ancora discontinui, soggetti a errori e difficili da distribuire con affidabilità.

Questo scarto non dimostra che ogni previsione di lungo periodo sia errata. Significa però che affermazioni eccezionali richiedono prove osservabili e previsioni sottoposte a responsabilità.

Il dibattito sul lavoro chiarisce la tensione. OpenAI afferma che l’IA trasformerà l’occupazione, che alcuni posti scompariranno e che, finora, le evidenze indicano più un ruolo di supporto che di sostituzione. 17 Non è necessariamente una contraddizione: automazione dei compiti, trasformazione delle professioni ed eliminazione dei posti di lavoro sono esiti diversi. Ma la fiducia si indebolisce quando le proiezioni di cambiamento radicale non sono accompagnate da misure trasparenti degli effetti effettivi sul mercato del lavoro.

Dalle etichette AGI alla vigilanza basata sulle capacità

Un modello di governance più solido dovrebbe concentrarsi meno sulla domanda se un sistema abbia raggiunto l’AGI e di più sulle capacità e sui rischi specifici che presenta.

L’approccio AI Safety Levels di Anthropic usa una struttura condizionale esplicita: se un modello possiede una determinata capacità pericolosa, allora devono essere applicate precise salvaguardie prima della distribuzione o di un ulteriore aumento di scala. 5 Il successivo quadro di policy dell’azienda chiede trasparenza, valutazioni indipendenti e l’autorità pubblica per bloccare o scoraggiare distribuzioni pericolose. 10

Altman ha a sua volta chiesto validazione esterna e valutazioni indipendenti dei rischi per i modelli più potenti, compresi test prima del rilascio e pubblicazione dei risultati delle valutazioni. 49

Hassabis ha proposto un Frontier AI Standards Body guidato dagli Stati Uniti e modellato su FINRA, l’organismo di autoregolamentazione finanziato dal settore e sottoposto a vigilanza pubblica che controlla gli intermediari di Wall Street. L’ente dovrebbe valutare in modo indipendente i modelli di frontiera prima del rilascio. 52 Secondo le ricostruzioni della proposta, tra diversi leader dell’IA di frontiera sta emergendo un punto di accordo: terze parti dovrebbero testare i sistemi avanzati e contribuire a definire standard per le politiche pubbliche. 51

Tra le proposte e pratiche realmente vincolanti, tuttavia, resta un divario importante. L’AI Safety Index 2026 del Future of Life Institute ha rilevato l’assenza di regolamenti o standard nazionali vincolanti che affrontino esplicitamente i rischi dell’IA di frontiera e i relativi processi di valutazione. 59

Come dovrebbero apparire affermazioni credibili sull’IA

La domanda pubblica utile non è «L’AGI è arrivata?». È: che cosa può fare questo modello, con quale affidabilità, quali errori o danni può provocare e chi ha verificato in modo indipendente le risposte?

Da qui derivano requisiti mirati alle capacità:

• protocolli pubblici di valutazione per capacità cyber, biologiche e di inganno ad alto rischio;
• test indipendenti e red teaming prima della distribuzione;
• rendicontazione su affidabilità, incidenti e cambiamenti rilevanti nelle condizioni di impiego;
• salvaguardie e limiti di accesso collegati a soglie di rischio dimostrate;
• conseguenze legali per le violazioni, non soltanto impegni volontari.

L’AGI può restare un’ambizione potente, un termine di marketing e una questione filosofica. È però un debole criterio per regolare il settore se una sua dichiarazione non è sostenuta da prove pubbliche. La fiducia si conquisterà quando gli sviluppatori non potranno più ridefinire il traguardo, annunciare di averlo raggiunto e certificare da soli la propria sicurezza.