Un modello che vince le olimpiadi di matematica sbaglia a leggere un orologio analogico quasi una volta su due. Questo è uno dei dati del rapporto Stanford AI Index 2026 che ha spinto un gruppo di ricercatori a lanciare un appello: riportare la discussione pubblica sull'intelligenza artificiale su basi chiare e realistiche, lontano dalle narrazioni commerciali che la vendono come infallibile.
La frontiera dentellata dell'IA
Il Stanford Human-Centered AI Institute ha documentato quello che i ricercatori chiamano "frontiera dentellata". I modelli che ottengono punteggi record su test di fisica avanzata leggono un orologio analogico correttamente solo nel 50,1% dei casi. I sistemi di manipolazione robotica raggiungono l'89,4% di successo nelle simulazioni, ma nelle abitazioni reali il tasso scende al 12%. I benchmark più difficili si saturano in mesi: i migliori modelli hanno guadagnato 30 punti percentuali in un anno sull'esame più complesso mai progettato per testare l'IA.
Il punto non è che l'intelligenza artificiale non avanzi. Avanza, e rapidamente. Il problema è che avanza in modo disomogeneo, e le misurazioni disponibili spesso non riflettono la realtà operativa in cui gli strumenti vengono poi impiegati. In campo scientifico, dove l'AI supporta la scoperta di nuovi materiali o l'analisi di fenomeni complessi come l'impatto del sole sull'attività sismica, la validazione sperimentale rimane insostituibile: l'AI accelera l'analisi dei dati, ma l'esperimento fisico non si sostituisce. Secondo il rapporto Stanford, mancano metriche coerenti che colleghino le performance sui benchmark ai contesti con conseguenze reali: sanità, giustizia, istruzione.
Trasparenza in calo mentre i modelli avanzano
Il Foundation Model Transparency Index ha registrato un crollo del 31% in un solo anno: la media è passata da 58 a 40 punti su 100. I modelli più potenti sono anche i meno trasparenti. Codice di addestramento, dimensione dei dataset, parametri e durata del training: tutto viene progressivamente tenuto riservato. Questo include i principali sviluppatori mondiali, da OpenAI a Google. In un settore dove il modello diventa infrastruttura critica, la mancanza di trasparenza non è solo un problema etico: è un rischio operativo per chi lo usa senza sapere cosa c'è dentro.
L'Italia si è già mossa. L'Autorità Garante della Concorrenza e del Mercato ha avviato indagini su DeepSeek, Mistral AI e Scaleup Yazilim per la mancata comunicazione trasparente dei limiti dei propri sistemi, imponendo disclosure permanente. DeepSeek ha dovuto riconoscere che le allucinazioni non sono un bug correggibile: sono una caratteristica strutturale dei modelli generativi. Qualsiasi output, per quanto coerente, resta una previsione statistica, non una verità.
I tre punti dell'appello
L'appello dei ricercatori non riguarda il rallentamento dello sviluppo. Riguarda la qualità del dibattito attorno a esso. Tre richieste emergono: standard di misurazione comuni che riflettano l'uso reale, non solo i test di laboratorio; obbligo di trasparenza esteso a tutti i principali sviluppatori; investimento in governance proporzionale alla velocità di diffusione degli strumenti. Un modello che entra nei sistemi di selezione del personale, nella valutazione creditizia o nelle diagnosi mediche va valutato con metriche nate in quei contesti, non in una gara di fisica astratta o di olimpiadi di codice.
L'AI è già uno strumento prezioso per la ricerca scientifica pura: il suo contributo nell'accelerare la scoperta di nuovi materiali, come nei recenti studi su diamanti sintetici più duri del naturale, è documentato. Ma anche in questi casi il valore dell'AI sta nel supporto all'esperimento fisico, non nella sua sostituzione. Il rapporto Stanford AI Index 2026 avverte: senza investimenti proporzionali in misurazione e governance, il divario tra capacità tecnica e capacità istituzionale di gestirla si allargherà.
È una dinamica che accomuna ambiti diversi della scienza: anche l'appello degli esperti sulla preparazione a una pandemia di influenza aviaria parte dalla stessa premessa: la velocità dello sviluppo scientifico supera spesso i tempi della risposta istituzionale. I ricercatori non chiedono meno IA. Chiedono che i numeri reali siano al centro del dibattito, non quelli del marketing.