AI 2027 slitta verso il 2028-2032 mentre le sue previsioni sulla superintelligenza si scontrano con la realtà

AI 2027 affronta un test decisivo sulla tempistica, nonostante la rinnovata attenzione di Google News suggerisca che il suo scenario di superintelligenza resti sostanzialmente sulla buona strada. Lo scenario originario collocava la programmazione sovrumana nel 2027 e la superintelligenza artificiale tra la fine del 2027 e l'inizio del 2028. I modelli aggiornati e i colli di bottiglia osservati sostengono ora più facilmente una finestra più ampia, dal 2028 al 2032, rispetto a quella drammatica sequenza iniziale.

Questo spostamento non rende AI 2027 irrilevante. Cambia ciò che i lettori dovrebbero ricavarne. Lo scenario appare sempre più utile come mappa delle dipendenze, non come calendario affidabile degli eventi.

Il conflitto centrale è tra il rapido progresso del software e i sistemi più lenti che lo circondano. Agenti di coding migliori sono una realtà, mentre gli esperimenti di ricerca, le valutazioni affidabili, la costruzione di data center, la fornitura di energia e l'adozione organizzativa continuano a seguire tempistiche umane e fisiche. Sono questi vincoli a decidere se agenti capaci innescheranno un miglioramento incontrollato o diventeranno semplicemente strumenti migliori.

Il risultato è un quadro più complesso di quanto suggerisca il titolo di Google News. Le capacità dell'AI avanzano, ma le prove che sistemi autonomi possano gestire programmi di ricerca completi restano limitate. Un rinvio dal 2027 al 2028-2032 manterrebbe il meccanismo centrale dello scenario, respingendone però le ipotesi più compresse.

Cosa è realmente cambiato nella timeline di AI 2027

Lo sviluppo importante non è una data confermata per la superintelligenza. È l'ampliarsi del divario tra il calendario narrativo dello scenario e le sue previsioni sottostanti.

L'AI Futures Project ha pubblicato AI 2027 nell'aprile 2025 come scenario dettagliato, non come previsione convenzionale. Il suo laboratorio fittizio di punta, OpenBrain, impiega agenti sempre più capaci per automatizzare la ricerca sull'AI. Questa automazione interna accelera la creazione di sistemi ancora migliori.

La versione competitiva procede attraverso quattro traguardi principali. Un programmatore sovrumano arriva nel marzo 2027, seguito da un ricercatore AI sovrumano ad agosto. A novembre compare un ricercatore AI enormemente migliore, e a dicembre segue la superintelligenza artificiale.

Il progetto definisce la superintelligenza artificiale come un sistema che svolge molto meglio dei migliori esseri umani ogni compito cognitivo. Si tratta di un criterio ben più elevato del superamento di benchmark, della scrittura di codice di produzione o dell'uso autonomo di un browser.

Persino la ricerca di supporto del progetto offre un quadro meno preciso della sua narrazione. La sua previsione sul decollo colloca l'arrivo mediano della superintelligenza artificiale nell'aprile 2028, condizionatamente alla comparsa di un programmatore sovrumano nel marzo 2027. Il suo intervallo di incertezza va dal giugno 2027 a oltre il 2100.

La stessa previsione indica novembre 2027 come mediana per un ricercatore AI superintelligente. Eppure l'intervallo dichiarato va dal maggio 2027 al 2034. Questi intervalli non sono semplici precisazioni marginali. Mostrano che le date più memorabili dipendono da valutazioni profondamente incerte.

Il progetto ha inoltre aggiunto un disclaimer nel dicembre 2025. Vi si afferma che la previsione sul decollo si basa in larga misura sul giudizio intuitivo, poiché le evidenze disponibili non consentono un'estrapolazione conclusiva. Questo riconoscimento conta più dello spostamento di qualche mese di una singola tappa.

Anche il suo modello temporale è cambiato. Un approccio aggiornato basato sugli orizzonti temporali ha spostato una stima mediana del programmatore sovrumano dall'agosto 2027 al febbraio 2029. Un modello separato basato su benchmark e lacune l'ha spostata dal dicembre 2028 al marzo 2030.

Queste revisioni non producono una previsione ufficiale per il 2028-2032. Rendono però quell'intervallo una sintesi ragionevole delle stime aggiornate del progetto per i programmatori e della prevista transizione dall'automazione del coding a una superintelligenza più ampia.

Questa distinzione è essenziale. Nessun benchmark pubblico ha verificato un conto alla rovescia verso la superintelligenza. Ciò che è cambiato è il bilanciamento delle evidenze attorno alla prima tappa cruciale dello scenario.

La storia originaria trattava un programmatore sovrumano nel 2027 come punto di accensione. Il lavoro successivo attribuisce più peso alle capacità mancanti, ai requisiti di affidabilità e alle barriere di integrazione. Se l'accensione slitta al 2029 o al 2030, un modello di decollo in un anno spinge naturalmente le tappe successive verso l'inizio degli anni 2030.

La copertura di Google News può far apparire il cambiamento come un semplice rinvio. È più corretto interpretarlo come un passaggio dalla precisione narrativa all'incertezza previsionale.

Perché gli agenti AI mantengono vivo lo scenario

AI 2027 non è stato invalidato perché la tendenza delle capacità che lo motiva resta visibile, soprattutto nelle attività software.

Lo scenario si fonda in larga misura sull'idea di un orizzonte temporale dell'AI. Questa metrica stima la durata di un compito, misurata in tempo di completamento da parte di un esperto umano, che un agente può portare a termine con una determinata probabilità di successo.

METR, un'organizzazione indipendente di valutazione dei modelli, calcola orizzonti temporali al 50% e all'80% su una suite di attività software. La sua ricerca ha rilevato che, nell'arco di diversi anni, la durata delle attività che gli agenti di frontiera riuscivano a completare raddoppiava approssimativamente ogni sette mesi.

Questa tendenza ha contribuito a rendere plausibile la previsione originaria di un programmatore sovrumano. Se gli agenti continuano a gestire compiti più lunghi a un ritmo costante, alla fine passano dall'assistere su frammenti di lavoro al completare progetti di ingegneria sostanziali.

Le valutazioni recenti hanno rafforzato il caso delle capacità in senso stretto. METR ha riferito che i principali agenti pubblici valutati all'inizio del 2026 avevano orizzonti misurati superiori a due giornate lavorative equivalenti a tempo pieno nella sua suite aggiornata. Alcuni sistemi hanno gestito attività iniziali di reimplementazione software che avrebbero richiesto molto più tempo alle persone.

Questi risultati rappresentano progressi significativi. Suggeriscono che i sistemi di frontiera stanno andando oltre funzioni isolate e brevi esercizi di debugging. Possono sostenere catene più ampie di ragionamento, uso di strumenti e modifica del codice.

Tuttavia, l'orizzonte temporale non è un conto alla rovescia verso la ricerca autonoma. La stessa nota sui limiti di METR avverte che un orizzonte misurato non equivale al tempo per cui un'AI può lavorare in modo indipendente. Rappresenta lavoro umano seriale sostituibile in un contesto di valutazione definito.

Anche un tasso di successo del 50% resta inadeguato per molti ambienti di ricerca e produzione. Un esperimento fallito può sprecare costose risorse di calcolo. Un errore software sottile può corrompere risultati successivi senza rivelarsi immediatamente.

La metrica può migliorare mentre l'automazione affidabile avanza più lentamente. Compiti più lunghi producono fallimenti più complessi, e per diagnosticarli può servire un maggiore sforzo umano. La verifica diventa più difficile quando gli agenti operano su basi di codice più grandi e flussi di lavoro più lunghi.

AI 2027 presume che i laboratori possano eseguire molte copie di agenti di coding avanzati. Il parallelismo consentirebbe a tali agenti di proporre esperimenti, modificare sistemi di addestramento, analizzare risultati e sviluppare i propri successori. Questo ciclo di feedback è il motore dello scenario.

Le evidenze attuali sostengono parti di questo meccanismo. I sistemi di coding possono già generare test, ispezionare repository, correggere difetti e coordinare strumenti. Aiutano sempre più i ricercatori a implementare idee che altrimenti consumerebbero tempo ingegneristico.

Eppure un'organizzazione di ricerca fa più che scrivere codice. Sceglie domande utili, riconosce risultati fuorvianti, bilancia obiettivi in competizione, gestisce infrastrutture riservate e decide quando le evidenze sono sufficientemente solide da guidare un'altra esecuzione di addestramento.

La differenza ricorda il divario tra un eccellente programmatore e un laboratorio di ricerca efficace. Automatizzare il primo non riproduce automaticamente il secondo.

Ecco perché una data nei primi anni 2030 può restare compatibile con una rapida crescita delle capacità. Un percorso più lungo dà ai laboratori il tempo di migliorare l'affidabilità, costruire sistemi di gestione degli agenti, espandere il calcolo e riprogettare i flussi di lavoro della ricerca.

La finestra aggiornata non è quindi necessariamente una previsione pessimistica sull'AI. Può descrivere lo stesso meccanismo rapido che si sviluppa attraverso un numero maggiore di passaggi operativi.

La tesi di Google News incontra il vincolo fisico del calcolo

Il software può migliorare rapidamente, ma l'infrastruttura necessaria per addestrare ed eseguire sistemi di frontiera non può essere replicata alla velocità del software.

Il modello di calcolo di AI 2027 è aggressivo ancora prima che entrino in gioco le sue ipotesi sulla ricerca automatizzata. Prevedeva che lo stock globale di capacità di calcolo rilevante per l'AI crescesse di dieci volte tra marzo 2025 e dicembre 2027.

La previsione misura la capacità in equivalenti H100, un'unità normalizzata basata sull'acceleratore H100 di Nvidia. Stimava un aumento da 10 milioni di equivalenti H100 a 100 milioni durante quel periodo.

L'azienda AI leader avrebbe catturato una quota crescente di questa offerta. AI 2027 prevedeva che la capacità utilizzabile di quell'azienda salisse da circa 500.000 equivalenti H100 alla fine del 2024 a 20 milioni entro dicembre 2027.

La sua previsione sul calcolo prevedeva inoltre 60 gigawatt di domanda globale di energia per l'AI entro la fine del 2027. Attribuiva 50 gigawatt agli Stati Uniti e 10 gigawatt al laboratorio leader.

Si tratta di input dello scenario, non di risultati misurati. Gli autori descrivono esplicitamente le informazioni pubbliche come scarse e incerte. Affermano inoltre che le sezioni successive dipendono fortemente dalla progressione delle capacità presupposta dallo scenario.

L'energia sta già diventando un vincolo stringente. Nuova generazione, linee di trasmissione, sottostazioni, trasformatori, sistemi di raffreddamento e sale dati richiedono permessi e costruzione. Il lavoro segue processi di pianificazione regionale che i miglioramenti del software non possono comprimere allo stesso ritmo.

Gartner aveva stimato che le carenze energetiche avrebbero limitato il 40% dei data center AI entro il 2027. La sua previsione energetica descriveva la disponibilità di elettricità come una seria limitazione per le nuove strutture.

RAND ha esplorato una traiettoria altrettanto impegnativa. La sua analisi stimava che i data center AI avrebbero richiesto 68 gigawatt a livello globale entro il 2027 se fosse proseguita la crescita esponenziale dell'offerta di chip. Quel totale si avvicinava al doppio del fabbisogno energetico globale dei data center registrato nel 2022.

Queste stime convalidano in linea generale la preoccupazione di AI 2027 per la concentrazione del calcolo. Non convalidano l'affermazione secondo cui una maggiore capacità di calcolo genererà ricercatori sovrumani secondo un calendario fisso.

La disponibilità dell'hardware e l'efficienza algoritmica sono variabili distinte. Un laboratorio può possedere molti acceleratori senza conoscere il metodo di addestramento corretto per un sistema di ricerca ampiamente superiore. Al contrario, un progresso algoritmico può ridurre l'hardware necessario per una determinata capacità.

Lo scenario presuppone progressi in entrambe le dimensioni. La produzione di chip si espande mentre ricercatori automatizzati scoprono miglioramenti di efficienza. La combinazione consente a un'azienda leader di far funzionare enormi popolazioni di lavoratori AI a velocità accelerate.

Questo meccanismo crea un problema di finanziamento e implementazione. L'organizzazione deve allocare capacità tra addestramento, inferenza, dati sintetici, prodotti per i clienti ed esperimenti interni. Ogni acceleratore assegnato a un ciclo di ricerca speculativo non è disponibile per carichi di lavoro che generano ricavi.

AI 2027 prevedeva che solo dal 5 al 10% della capacità dell'azienda leader avrebbe eseguito direttamente agenti AI. Assegnava il 20% ai dati sintetici e il 35% agli esperimenti di ricerca. Tale allocazione rappresenterebbe un importante impegno strategico verso l'automazione interna.

Non vi è alcuna garanzia che un laboratorio commerciale faccia questa scelta. La domanda dei clienti, la pressione competitiva, i test di sicurezza e le aspettative degli investitori influenzano tutti l'allocazione della capacità.

È qui che l'inquadramento di Google News diventa troppo semplice. Monitorare la costruzione di data center non rivela se i laboratori si stiano avvicinando a un'esplosione dell'intelligenza. Mostra che le aziende si aspettano che la domanda di AI e lo sviluppo delle capacità giustifichino impegni infrastrutturali immensi.

L'espansione innalza il tetto massimo dei sistemi futuri. Non indica quando i laboratori troveranno gli algoritmi, i metodi di valutazione o gli agenti affidabili necessari per raggiungerlo.

La vera sfida è automazione contro attrito nella ricerca

Il principale avversario in questa storia non è un'azienda di AI contro un'altra. È il progresso del software automatizzato contro il persistente attrito della ricerca nel mondo reale.

La previsione di decollo di AI 2027 si chiede quanto rapidamente un programmatore sovrumano condurrebbe a un ricercatore AI sovrumano. La differenza sembra modesta, ma racchiude gran parte dell'incertezza della previsione.

Un programmatore può implementare una modifica specificata. Un ricercatore deve decidere quale modifica valga la pena implementare. Ciò richiede giudizio su evidenze incomplete, sensibilità scientifica e comprensione di come gli esperimenti precedenti si integrino tra loro.

Lo scenario presume che un programmatore sovrumano possa accelerare il lavoro software di circa 100 volte in condizioni favorevoli. Tuttavia, gli autori non si aspettano che l'intero processo di ricerca diventi 100 volte più rapido.

Gli esperimenti devono comunque essere eseguiti. I team devono discutere i risultati, confrontare ipotesi, diagnosticare comportamenti imprevisti e selezionare l'intervento successivo. Le code di calcolo e i guasti hardware aggiungono ulteriori ritardi.

Si tratta di un'applicazione della legge di Amdahl, che limita l'accelerazione totale quando solo una parte di un processo diventa più veloce. Se la programmazione occupa una frazione sempre minore del ciclo di ricerca, renderla più rapida produce infine rendimenti decrescenti.

AI 2027 sostiene che gli agenti successivi automatizzeranno una parte maggiore del ciclo. Un ricercatore AI sovrumano progetterebbe esperimenti e ne interpreterebbe gli esiti, rimuovendo i colli di bottiglia che limitano un agente dedicato unicamente alla programmazione.

Questa transizione è proprio ciò che non è stato dimostrato. Le valutazioni pubbliche si concentrano molto sui compiti software perché sono più facili da specificare, ripetere e misurare. Il giudizio scientifico aperto è molto più difficile da testare.

FutureSearch, che ha contribuito al lavoro previsionale del progetto originale, ha sottolineato questa lacuna. La sua critica alla previsione osserva che gli esperimenti nel mondo reale possono richiedere settimane, mesi o anni. Il contesto organizzativo e compromessi complessi possono rallentare ulteriormente l'automazione.

FutureSearch ha inoltre messo in dubbio che gli incentivi commerciali sosterrebbero l'allocazione delle risorse prevista dallo scenario. I laboratori di frontiera perseguono spesso prodotti, adozione da parte dei clienti e ricavi insieme alla ricerca di lungo periodo. Il miglioramento ricorsivo interno compete con questi obiettivi.

Il disaccordo non è tra progresso e stagnazione. Entrambe le parti accettano che gli agenti di coding miglioreranno e che i laboratori li distribuiranno più ampiamente.

Divergono sull'efficienza di conversione. AI 2027 attribuisce grandi guadagni di velocità nella ricerca ad agenti sempre più capaci. I suoi critici si aspettano che esperimenti, contesto, gestione e affidabilità assorbano una parte maggiore di tali guadagni.

Un intervallo 2028-2032 attribuisce implicitamente maggior peso all'attrito senza abbandonare l'automazione. Gli agenti di coding possono migliorare notevolmente in quel periodo. I laboratori possono integrarli nello sviluppo, nella valutazione e nelle operazioni.

Gli effetti pratici apparirebbero prima della superintelligenza artificiale. I team software delegherebbero progetti più ampi. I laboratori di AI condurrebbero più esperimenti per ricercatore. I cicli di prodotto si accorcerebbero, mentre aumenterebbe la domanda di valutazione e supervisione.

Anche i knowledge worker affronterebbero un nuovo problema informativo. Più ricerca generata dagli agenti significa più report, registri di esperimenti, modifiche al codice e conclusioni contrastanti. I team avranno bisogno di una base di conoscenza ricercabile affidabile per preservare il contesto e verificare le decisioni.

Questo requisito organizzativo apparentemente ordinario è importante. Un agente AI che non può accedere alla corretta cronologia interna può ripetere esperimenti falliti o ottimizzare rispetto ad assunzioni obsolete. La gestione del contesto diventa parte delle prestazioni della ricerca.

L'interpretazione dei primi anni 2030 poggia quindi su una sequenza plausibile. Gli agenti prima automatizzano attività di coding delimitate, poi partecipano a progetti più lunghi e infine gestiscono decisioni di ricerca più ampie sotto supervisione.

Ogni transizione richiede più di un punteggio di benchmark più alto. Richiede fiducia, integrazione, sicurezza ed evidenza che gli errori restino rilevabili.

Cosa la previsione 2028-2032 non può ancora dimostrare

Spostare la data non risolve l'incertezza centrale del modello, perché la velocità del decollo resta condizionata da una pietra miliare che nessuno ha raggiunto.

L'intervallo 2028-2032 può sembrare più credibile della fine del 2027 perché lascia più tempo per i progressi. Una finestra più ampia e più tarda non costituisce comunque una prova diretta.

Le previsioni spesso preservano la loro tesi centrale spostando la data dopo il mancato raggiungimento di tappe previste. Questa flessibilità può rendere una teoria difficile da falsificare. I lettori dovrebbero quindi valutare AI 2027 attraverso previsioni intermedie osservabili.

La prima è una programmazione sovrumana affidabile nell'intero lavoro svolto all'interno di un laboratorio di frontiera. Ciò richiede molto più del completamento di attività benchmark. Un sistema deve gestire repository non familiari, obiettivi ambigui, restrizioni di sicurezza e requisiti in evoluzione.

Deve inoltre superare i migliori ingegneri operando al contempo in modo sufficientemente rapido ed economico da consentire l'esecuzione di molte copie. Queste condizioni economiche e di affidabilità fanno parte della definizione del progetto.

La seconda previsione riguarda l'accelerazione della ricerca. I laboratori dovrebbero riferire o dimostrare che l'uso di agenti accorcia in modo misurabile il ciclo dall'ipotesi al risultato convalidato. La sola generazione di più codice non soddisferebbe questo standard.

La terza riguarda i guadagni ricorsivi. La ricerca assistita dall'AI deve produrre sistemi AI migliori, che a loro volta migliorino ulteriormente il processo di ricerca. I normali miglioramenti della produttività non dimostrano un'esplosione dell'intelligenza.

La misurazione pone un'altra difficoltà. I laboratori di frontiera possono mantenere privati i loro migliori sistemi interni. I modelli pubblici potrebbero restare indietro rispetto alle capacità interne, mentre le preoccupazioni per sicurezza e protezione potrebbero limitare la divulgazione.

Esiste anche il rischio opposto. Le aziende hanno incentivi a presentare gli agenti come più autonomi di quanto siano. Dimostrazioni accuratamente selezionate possono nascondere preparazione umana, tentativi ripetuti, progettazione ristretta dei compiti o verifiche estese.

I benchmark pubblici possono diventare meno informativi man mano che gli sviluppatori li ottimizzano. Il successo può riflettere familiarità con i modelli di valutazione anziché una capacità generale di condurre ricerca.

La cautela di METR è particolarmente pertinente in questo caso. I suoi ricercatori sottolineano che raddoppiare un orizzonte temporale non raddoppia la quantità di automazione economicamente utile. I requisiti di affidabilità e verifica variano tra i compiti.

Anche la più ampia comunità di esperti resta molto meno concentrata sul 2028. Un sondaggio condotto su 2.778 ricercatori AI ha attribuito alle macchine non assistite una probabilità del 10 per cento di superare gli esseri umani in ogni compito entro il 2027. La sua data mediana per una probabilità del 50 per cento era il 2047.

Quel sondaggio tra esperti non confuta AI 2027. L'aggregazione delle previsioni può non cogliere cambiamenti rapidi e molti rispondenti potrebbero non avere esperienza specialistica nelle previsioni. Il risultato mostra che lo scenario rappresenta una regione aggressiva all'interno di una distribuzione molto più ampia.

Le definizioni creano ulteriore confusione. Intelligenza artificiale generale, intelligenza artificiale di alto livello, coding sovrumano e superintelligenza artificiale descrivono soglie diverse. Un sistema può superare gli esseri umani in molte attività economicamente utili senza diventare migliore in ogni attività cognitiva.

I titoli dei giornali spesso appiattiscono queste distinzioni. Ciò rende una storia più facile da condividere ma più difficile da valutare. Un'affermazione secondo cui AI 2027 sta procedendo bene potrebbe riferirsi ai progressi degli agenti di coding, alla spesa infrastrutturale o ai miglioramenti dei benchmark dei modelli.

Nessuna di queste osservazioni conferma indipendentemente l'intera sequenza. Esse supportano premesse selezionate dello scenario.

La conclusione scettica è quindi precisa. Le evidenze supportano continui rapidi miglioramenti nelle capacità software dell'AI. Non supportano ancora una data specifica tra il 2028 e il 2032 per la superintelligenza artificiale.

Tre segnali che decideranno se AI 2027 è sulla buona strada

Il prossimo giudizio dovrebbe dipendere da cambiamenti misurabili nel lavoro autonomo, nell'accelerazione della ricerca e nell'uso delle infrastrutture, non da un'altra drammatica affermazione sul calendario.

Il primo segnale è un salto verificato negli orizzonti temporali affidabili degli agenti. I valutatori dovrebbero mostrare che i sistemi di frontiera completano progetti software di più giorni su compiti diversificati e resistenti alla contaminazione.

L'affidabilità conta quanto la durata. Risultati prossimi ai requisiti di produzione rafforzerebbero l'argomentazione a favore di un programmatore sovrumano. Orizzonti più lunghi associati a frequenti fallimenti nascosti la indebolirebbero.

La replica indipendente sarà essenziale. Le dimostrazioni di laboratorio non possono sostituire i test esterni, poiché i valutatori hanno bisogno di accedere a tassi di errore, intervento umano, budget di inferenza e politiche sui tentativi ripetuti.

Il secondo segnale è l'evidenza di automazione end-to-end della ricerca AI. Un laboratorio di frontiera dovrebbe mostrare agenti che propongono ipotesi, implementano esperimenti, interpretano risultati e selezionano attività di follow-up produttive.

L'evidenza più forte sarebbe un aumento misurabile del progresso algoritmico per ricercatore umano. Un nuovo modello creato principalmente attraverso ricerca diretta dagli agenti rafforzerebbe materialmente il meccanismo di AI 2027.

Un grande volume di esperimenti generati sarebbe meno persuasivo. La domanda rilevante è se gli agenti individuino direzioni di ricerca migliori, non se consumino più calcolo.

Osservate come i laboratori descrivono le implementazioni interne. Le affermazioni su migliaia di agenti di coding meritano esame se gli esseri umani continuano a definire ogni compito e a verificare ogni decisione significativa.

Il terzo segnale è il modo in cui le aziende allocano nuovo calcolo. AI 2027 prevede che i principali laboratori concentrino una capacità sostanziale su dati sintetici, agenti interni ed esperimenti di ricerca diretti dall'AI.

La sola espansione pubblica dei data center è insufficiente. La previsione diventa più solida se le aziende spostano esplicitamente capacità dall'inferenza per i clienti verso l'automazione della ricerca interna.

Diventa più debole se la maggior parte del nuovo hardware supporta la domanda cloud convenzionale, prodotti per consumatori e addestramento incrementale dei modelli. Questi usi possono sostenere un boom dell'AI senza produrre auto-miglioramento ricorsivo.

Anche la disponibilità di energia pone un limite pratico. Ritardi nelle connessioni alla rete elettrica o nella distribuzione degli acceleratori spingerebbero lo scenario più avanti, anche se gli algoritmi continuassero a migliorare. Guadagni di efficienza più rapidi potrebbero ridurre questa pressione.

I lettori che seguono Google News dovrebbero considerare il 2028-2032 come una finestra da monitorare, non come un appuntamento. L'intervallo di date combina stime aggiornate delle tappe con un modello di decollo incerto. Non è stato verificato in modo indipendente.

La domanda utile non è più se ogni scena di AI 2027 arriverà nei tempi previsti. È se il coding autonomo si trasformerà in ricerca autonoma prima che i vincoli fisici, economici e organizzativi assorbano i guadagni.

Seguite questi tre segnali nei prossimi mesi: agenti di più giorni testati in modo indipendente, accelerazione della ricerca documentata e calcolo dedicato al miglioramento ricorsivo. Se tutti e tre avanzano insieme, l'ipotesi dei primi anni 2030 si rafforza. Se aumentano soltanto benchmark e spesa per data center, il celebre decollo rimane uno scenario convincente anziché una traiettoria osservata.