Jensen Huang: «Per molti compiti abbiamo già raggiunto l’AGI». Ma che cosa significa davvero?

Le parole di Jensen Huang sull’AGI non sono tanto una dichiarazione di consenso scientifico quanto una rilettura dal punto di vista del business. Durante la conference call sui risultati del secondo trimestre dell’anno fiscale 2027 di Nvidia, il CEO ha sostenuto che l’IA è ormai utile, che gli agenti possono svolgere attività di valore e che «per molti compiti, potremmo dire di aver già raggiunto l’AGI». Ha inoltre definito «piuttosto prive di senso» le tradizionali tappe-obiettivo associate all’intelligenza artificiale generale. 3448

Il punto decisivo, però, è ciò che Huang non ha detto: non ha indicato una soglia riproducibile, una serie di benchmark o un criterio condiviso per stabilire che l’AGI sia stata raggiunta. Non ha nemmeno sostenuto che i sistemi attuali possiedano un’intelligenza simile a quella umana in ogni ambito. Il suo ragionamento riguarda soprattutto ciò che l’IA riesce già a fare in modo produttivo e le conseguenze di questa utilità sulla domanda di infrastrutture informatiche.

Che cosa ha detto Jensen Huang sull’AGI

Huang ha aperto la call sottolineando che «l’IA è diventata utile» e ha posto l’accento sulla crescita dell’IA agentica: sistemi che non si limitano a rispondere a una richiesta, ma possono pianificare ed eseguire attività articolate in più passaggi. Secondo la sua stima, un agente può richiedere da circa 15 a 100 volte la potenza di calcolo necessaria per un’interazione guidata direttamente da una persona, a seconda del problema da risolvere. 3336

È in questo contesto che Huang ha affermato che l’AGI potrebbe essere considerata già raggiunta «per molti compiti». La formula è importante: parla di capacità presenti in aree selezionate, non di un singolo sistema in grado di svolgere in modo affidabile praticamente ogni compito intellettuale umano.

Il messaggio più ampio è che l’industria dovrebbe valutare l’IA sulla base dei risultati concreti. Anche i materiali finanziari di Nvidia hanno insistito sul fatto che l’IA sta svolgendo lavoro utile e che la domanda accelera man mano che le aziende la introducono nei sistemi reali. 47

In che cosa questa visione differisce dall’idea tradizionale di AGI

Non esiste una definizione universalmente accettata di intelligenza artificiale generale, o AGI. In genere, tuttavia, il concetto richiama la generalità: la capacità di trasferire conoscenze e competenze tra un’ampia varietà di compiti nuovi, anziché eccellere soltanto in settori specifici. 17

La prospettiva di Huang sposta l’attenzione da una soglia cognitiva unica all’utilità pratica. Seguendo questo criterio, un sistema può apparire simile all’AGI quando porta a termine attività economicamente rilevanti, anche se dipende da strumenti esterni, flussi di lavoro progettati con cura, supervisione umana o strutture specializzate.

La differenza può essere riassunta così:

• Visione tradizionale, centrata sulle capacità: l’AGI dovrebbe dimostrare competenze ampie e trasferibili, anche davanti a problemi intellettuali mai incontrati prima.
• Visione pratica di Huang: il traguardo rilevante è già vicino, o in alcuni casi già raggiunto, nei settori in cui gli agenti riescono a completare lavoro utile.
• Ciò che l’affermazione non dimostra: non prova da sola un ragionamento robusto, un’autonomia affidabile su orizzonti temporali lunghi o una competenza generale al di fuori di flussi di lavoro progettati appositamente.

In sostanza, Huang sostiene che la transizione economica potrebbe contare più dell’etichetta. Questo, però, non equivale a dire che la questione scientifica sia stata risolta.

Il confronto con Sam Altman e OpenAI

Anche la definizione storica di OpenAI ha una componente economica, ma fissa un’asticella più alta: «un sistema altamente autonomo che supera gli esseri umani nella maggior parte del lavoro economicamente rilevante». 17

La differenza riguarda soprattutto l’ampiezza e il livello di autonomia richiesti. Huang parla di IA efficace per molti compiti. La definizione di OpenAI richiede invece un sistema capace di superare gli esseri umani nella maggior parte del lavoro economicamente rilevante, con un alto grado di autonomia.

Secondo quanto riportato, Sam Altman ha detto che OpenAI potrebbe avere entro la fine del 2026 un sistema interno che l’azienda definirebbe AGI. Questa previsione va interpretata come un traguardo interno, valutato secondo i criteri di OpenAI: non implica necessariamente il lancio di un sistema pubblico né una trasformazione immediata dell’economia. 192228

Altman ha inoltre riconosciuto che il raggiungimento tecnologico e l’adozione economica possono seguire tempi diversi. Le ricostruzioni delle sue previsioni collocano la superintelligenza più avanti, verso la fine del 2028, a conferma del fatto che AGI, distribuzione pubblica, impatto economico e superintelligenza sono traguardi distinti. 1821

Il contrasto apparente tra i due dirigenti è quindi in parte una questione di definizioni e in parte di tempistiche. Huang mette in primo piano l’utilità già visibile oggi; Altman parla del momento in cui OpenAI potrebbe ritenere che un proprio sistema soddisfi uno standard più ampio di autonomia e prestazioni economiche.

La critica principale: utilità e intelligenza generale non sono la stessa cosa

L’obiezione più forte alla tesi di Huang è che il valore commerciale, da solo, non dimostra l’esistenza di un’intelligenza generale. Un sistema può essere molto redditizio e restare al tempo stesso limitato, inaffidabile o fortemente dipendente da infrastrutture progettate dagli esseri umani.

Huang non ha presentato una valutazione indipendente che dimostri il rispetto di un criterio di intelligenza generale da parte dei sistemi attuali. In assenza di un insieme di compiti condiviso, di uno standard di autonomia, di requisiti di affidabilità o di test validi in più domini, l’affermazione secondo cui «l’AGI è arrivata» resta difficile da verificare.

Questo non rende la tesi priva di significato. Significa piuttosto che si tratta di una reinterpretazione orientata al business, non di un risultato scientifico ormai acquisito. Poiché manca una definizione universale dell’AGI, aziende diverse possono usare la stessa etichetta per indicare livelli di capacità molto differenti. 17

Perché i risultati record di Nvidia rafforzano la versione più prudente della tesi

Nvidia ha riportato ricavi pari a 96,2 miliardi di dollari nel secondo trimestre dell’anno fiscale 2027, in aumento del 106% su base annua. I ricavi del segmento Data Center hanno raggiunto 89,0 miliardi di dollari, con una crescita del 117%. 1

Questi numeri non dimostrano l’esistenza dell’AGI. Dimostrano però che i clienti stanno investendo massicciamente nelle infrastrutture necessarie per addestrare e utilizzare i sistemi di IA. Sono quindi coerenti con la tesi più circoscritta di Huang: l’IA è già abbastanza utile da generare una domanda commerciale enorme.

La conference call ha collegato due idee:

1. Gli agenti IA stanno diventando capaci di svolgere lavoro produttivo.
2. Le attività più autonome e articolate richiedono molta più potenza di calcolo rispetto a una semplice interazione guidata da una persona. 3348

Per Nvidia, il secondo punto è essenziale. Se gli agenti compiono più passaggi, usano più strumenti e lavorano per periodi più lunghi, ogni attività utile può generare una domanda maggiore di inferenza e infrastrutture di supporto.

Il costo della memoria mette in luce i limiti dell’espansione dell’IA

L’economia dell’IA, tuttavia, non è a senso unico. Nvidia ha dovuto fare i conti anche con componenti di memoria costosi e difficili da reperire; secondo le ricostruzioni, l’aumento estremo dei costi della memoria stava esercitando pressione sulle aspettative relative ai margini. 15

Questo elemento cambia il modo in cui leggere le parole di Huang. Anche se gli agenti diventassero più capaci, la loro diffusione dipenderebbe dalla possibilità per le aziende di procurarsi GPU, memoria, energia e capacità nei data center a un costo compatibile con un ritorno soddisfacente sull’investimento.

La domanda centrale del settore si sta quindi spostando da «un modello può produrre una risposta impressionante?» a «un sistema di IA può svolgere lavoro utile in modo affidabile e redditizio, su larga scala?». I risultati di Nvidia offrono una prova forte della domanda. La scarsità della memoria e la pressione sui margini mostrano invece che i problemi di offerta e di sostenibilità economica non sono ancora risolti. 1315

Come interpretare nel modo più corretto la dichiarazione di Huang

La frase di Huang si comprende meglio come un rifiuto dell’AGI intesa come un unico, spettacolare traguardo finale. Il CEO sta dicendo che la transizione pratica è già cominciata: gli agenti IA possono svolgere lavoro utile, i clienti stanno pagando per le infrastrutture necessarie e la potenza di calcolo richiesta aumenta man mano che i sistemi diventano più autonomi.

È una tesi più limitata rispetto all’affermazione secondo cui «le macchine possiedono ormai un’intelligenza generale paragonabile a quella umana». Ed è diversa anche dalla definizione di OpenAI, secondo cui l’AGI richiede prestazioni altamente autonome nella maggior parte del lavoro economicamente rilevante.

La conclusione più solida è quindi duplice: l’IA utile e produttiva dal punto di vista economico è chiaramente arrivata; stabilire se sia arrivata anche l’AGI dipende dalla definizione adottata e dal livello di prova richiesto. Il trimestre da 96,2 miliardi di dollari di Nvidia dimostra lo slancio commerciale alla base della visione di Huang, ma da solo non può risolvere la questione del significato dell’AGI.