Il quadro dell'AI del Lowy Institute pone gli USA davanti alla Cina, ma con limiti

Il quadro dell'AI del Lowy Institute colloca gli Stati Uniti davanti alla Cina, nonostante i vantaggi cinesi nei minerali e nella distribuzione di modelli aperti. Pubblicata l'8 novembre 2026, la valutazione confronta 14 indicatori relativi a risorse, tecnologia, capacità di AI e adozione. La sua conclusione mette in discussione una scorciatoia diffusa: la popolarità tra gli sviluppatori non determina automaticamente la leadership nell'intero mercato dell'AI.

I ricercatori Jack Sato e Hunter Marston distinguono i punti di forza americani nel computing e nella distribuzione ai consumatori dai punti di forza cinesi in altri ambiti. Il confronto assegna agli USA un vantaggio complessivo, mostrando al contempo perché singoli indicatori possano sostenere titoli molto diversi. Nessuno dei due Paesi controlla ogni risorsa, canale di distribuzione o fonte di influenza.

Per sviluppatori e acquirenti aziendali, il significato va oltre le classifiche nazionali. Scegliere un sistema di AI significa scegliere dipendenze che riguardano infrastruttura, accesso al software, requisiti operativi e governance. Il rapporto offre un punto di partenza per esaminare tali dipendenze. Non stabilisce quale modello debba rientrare nel flusso di lavoro di ogni organizzazione.

Cosa cambia davvero il quadro dell'AI del Lowy Institute

La nuova valutazione modifica più il quadro del confronto che il panorama competitivo sottostante.

Il confronto sul potere dell'AI di Lowy riunisce indicatori che di solito compaiono in dibattiti separati. Colloca materiali, infrastrutture, capacità dei modelli e distribuzione nello stesso quadro. Le sue misure ricevono lo stesso peso a ogni livello e i punteggi degli indicatori confrontano i Paesi rispetto ai loro totali combinati.

Questo approccio propone un'interpretazione di come comprendere il potere tecnologico. La posizione di un Paese non può basarsi interamente sul lancio riuscito di un chatbot. Allo stesso modo, le sole risorse industriali non possono dimostrare che il suo software raggiunga più utenti o offra prestazioni migliori.

La distinzione è importante perché la competizione nazionale diventa spesso una sequenza di annunci isolati. Il rilascio di un modello genera un titolo sulle prestazioni. Una restrizione sui chip genera un titolo sulla sicurezza. Un traguardo nei download genera un titolo sull'adozione. I lettori incontrano quindi ogni sviluppo come prova di un unico vincitore complessivo.

Questi sviluppi rispondono a domande diverse. Combinarli richiede un giudizio esplicito sulla loro importanza relativa. Lowy rende visibile il proprio quadro, consentendo ai lettori di esaminare quel giudizio anziché trattarlo come un presupposto implicito.

Un punteggio complessivo dovrebbe quindi funzionare come interpretazione strutturata. Non dovrebbe sostituire l'esame delle categorie sottostanti. Un'organizzazione che seleziona software necessita di una ponderazione diversa rispetto a un governo che valuta la vulnerabilità industriale.

Si consideri un team che valuta un assistente per documenti di ingegneria riservati. La popolarità tra i consumatori offrirebbe prove limitate sulla capacità di quel sistema di soddisfare i suoi requisiti. Il controllo dell'implementazione, la gestione dei documenti, la qualità delle risposte e gli obblighi di manutenzione avrebbero un peso più immediato.

Un'azienda che introduce un assistente per i clienti si troverebbe di fronte a un altro calcolo. Facilità di accesso, affidabilità delle risposte, supporto all'integrazione e continuità potrebbero prevalere sulla capacità di gestire il modello in modo indipendente. Nessuna delle due decisioni contraddice una valutazione nazionale. Ciascuna applica un obiettivo più circoscritto.

La pubblicazione crea inoltre una base utile per le analisi successive. Le future affermazioni di leadership potranno essere verificate rispetto alla dimensione che effettivamente influenzano. Un progresso nella distribuzione dovrebbe aggiornare il dibattito sulla distribuzione. Non dovrebbe trasformarsi silenziosamente in prova di progressi equivalenti nella produzione.

Questo è il contributo centrale del quadro dell'AI del Lowy Institute: rende più difficile ignorare le definizioni concorrenti di leadership. La valutazione favorisce complessivamente gli Stati Uniti, lasciando al contempo spazio ai vantaggi cinesi rilevanti per specifici utenti e settori.

I lettori dovrebbero conservare entrambe le parti di questa conclusione. Rimuovere la conclusione complessiva sottovaluta l'argomentazione del rapporto. Eliminare le disuguaglianze trasforma un quadro analitico in un annuncio di vittoria che le prove non possono sostenere.

La competizione AI tra USA e Cina passa attraverso diversi canali di distribuzione

Conquistare l'attenzione degli sviluppatori e raggiungere gli utenti quotidiani sono risultati collegati, ma misurano tipi di influenza differenti.

Lowy riferisce che i modelli cinesi rappresentavano il 78% dei download combinati di modelli statunitensi e cinesi nel suo confronto. I modelli americani hanno attirato oltre il 90% del traffico web combinato e più dell'80% dell'uso misurato delle app. Questi dati descrivono canali distinti, non stime intercambiabili della quota di mercato totale.

Un modello a pesi aperti rende disponibili per il download i parametri appresi, nel rispetto della sua licenza. Questa disponibilità consente a un'altra organizzazione di gestirlo o adattarlo. Un assistente ospitato fornisce invece accesso tramite un'infrastruttura gestita da un fornitore di servizi.

Questa differenza modifica il rapporto tra lo sviluppatore del modello e l'utente finale. Chi utilizza un assistente ospitato incontra di solito un prodotto riconoscibile. Chi utilizza un'applicazione basata su pesi di modello scaricati potrebbe non vedere mai il nome dello sviluppatore originale.

L'adozione dell'AI in Cina può quindi crescere senza una crescita equivalente delle visite ai siti web dei chatbot cinesi. Vale anche il contrario. Un traffico intenso verso un assistente americano non dimostra che i modelli americani scaricabili dominino le implementazioni indipendenti.

Tuttavia, i download richiedono un'interpretazione attenta. Le regole di conteggio dei download di Hugging Face spiegano che le sue statistiche contano le richieste per file designati. Non contano direttamente persone uniche, organizzazioni attive o implementazioni di produzione completate. Il comportamento di conteggio varia inoltre in base ai formati dei file e alle librerie.

Questa limitazione non rende prive di significato le statistiche sui download. Offrono prove dell'attività attorno alla distribuzione dei modelli. L'errore nasce quando un evento di distribuzione diventa un'affermazione sull'uso operativo continuativo senza ulteriori prove.

Un modello scaricato potrebbe supportare valutazione, sperimentazione, adattamento o un servizio implementato. Queste attività hanno implicazioni commerciali e strategiche differenti. Il solo conteggio dei download non può distinguerle in modo affidabile.

Anche il traffico web ha dei limiti. Una visita non dimostra che qualcuno abbia completato un lavoro utile, sia tornato regolarmente o abbia scelto un servizio a pagamento. L'attività delle app richiede analoga cautela quando i confronti usano sistemi di misurazione o condizioni di accesso differenti.

La domanda utile è cosa consente ciascun canale. La distribuzione ospitata offre ai fornitori una relazione diretta con gli utenti e controllo sugli aggiornamenti del prodotto. I modelli scaricabili attribuiscono agli operatori a valle maggiore responsabilità nell'implementazione e più spazio per modellare l'applicazione circostante.

Nessuna delle due soluzioni garantisce risultati migliori. Gestire un modello in modo indipendente introduce responsabilità di manutenzione e sicurezza. Dipendere da un servizio ospitato espone a cambiamenti nella disponibilità, nel comportamento del prodotto e nelle condizioni di accesso.

Per gli sviluppatori, l'implicazione è pratica. Un titolo nazionale sull'adozione non dovrebbe risolvere una scelta tecnica. Il confronto rilevante riguarda la capacità di una specifica configurazione di distribuzione di soddisfare nel tempo i requisiti dell'applicazione.

Per i decisori politici, l'implicazione è diversa. L'influenza può accumularsi attraverso prodotti di consumo a marchio proprio o tramite componenti sottostanti incorporati in altri sistemi. Una valutazione utile deve esaminare entrambi i percorsi senza fingere che le loro misure di attività descrivano la stessa popolazione.

Il vantaggio americano nel computing dipende ancora da input fisici

Un vantaggio nel software di AI non elimina la dipendenza dai sistemi industriali che rendono possibile quel software.

Per computing si intendono le risorse di elaborazione utilizzate per addestrare ed eseguire sistemi di AI. Lowy stima che i data center statunitensi dedicati all'AI dispongano di una capacità di calcolo quasi 40 volte superiore a quella combinata della Cina. Rileva inoltre che la Cina guida la produzione di 30 minerali nell'elenco americano dei minerali critici, rispetto agli otto degli Stati Uniti.

L'elenco dei minerali critici comprende 60 materiali considerati essenziali per l'economia e la sicurezza nazionale degli USA. Il suo scopo riguarda la vulnerabilità degli approvvigionamenti nell'intera economia. Non è una classifica dei materiali in base alla loro importanza individuale per l'AI.

Questa distinzione evita un'altra scorciatoia fuorviante. Guidare la produzione di un numero maggiore di minerali elencati non si traduce automaticamente in un vantaggio equivalente nei sistemi di AI finiti. Prima di sostenere capacità di calcolo utilizzabili, i materiali devono passare attraverso produzione, apparecchiature, infrastrutture e processi operativi.

Tuttavia, la scorciatoia opposta è altrettanto debole. Modelli superiori non fanno scomparire le dipendenze a monte. Un fornitore può occupare una posizione importante senza produrre il prodotto finale più visibile.

Ciò crea una tensione persistente nella competizione AI tra USA e Cina. Partecipanti diversi possono influenzare fasi differenti dello stesso sistema industriale. La leadership a livello applicativo non offre una protezione automatica dai vincoli presenti altrove.

L'elettricità aggiunge un'altra dipendenza. Le prospettive energetiche dell'AI dell'Agenzia Internazionale dell'Energia prevedono che il consumo elettrico dei data center salga da 485 terawattora nel 2025 a 950 nel 2030. Individuano colli di bottiglia nelle apparecchiature energetiche e in altre infrastrutture come vincoli all'espansione nel breve termine.

Un terawattora misura l'elettricità consumata nel tempo. Non misura la qualità di un modello di AI né l'utilità delle sue risposte. Le prospettive energetiche spiegano comunque perché le apparecchiature di calcolo installate non possano essere valutate separatamente dai sistemi che le alimentano.

Le infrastrutture annunciate e quelle operative meritano un trattamento distinto. Una struttura proposta necessita ancora delle condizioni fisiche e commerciali richieste per fornire un servizio affidabile. Trattare ogni annuncio come capacità immediatamente disponibile oscurerebbe tali condizioni.

Per un cliente aziendale, questa discussione industriale conta attraverso gli impegni di servizio. La questione operativa riguarda un accesso affidabile quando i carichi di lavoro aumentano o i fornitori modificano le proprie offerte. Una stima della capacità nazionale non può rispondere a questa domanda per un singolo contratto.

Per i governi, la questione riguarda la resilienza lungo dipendenze interconnesse. Espandere un input potrebbe rivelare un altro vincolo. Più apparecchiature offrono benefici limitati se l'infrastruttura circostante non può sostenerle. Una base di fornitori diversificata richiede inoltre alternative pratiche, non semplici nomi in un documento politico.

Il quadro dell'AI del Lowy Institute è qui particolarmente utile come promemoria per seguire la catena delle dipendenze. Le sue categorie identificano diverse fonti di forza. I lettori necessitano comunque di prove su come tali punti di forza si colleghino nella produzione e nell'implementazione effettive.

Il quadro competitivo resiste quindi a una netta separazione tra software e industria. Ciascuno dipende dall'altra, mentre i miglioramenti in un'area possono lasciare irrisolte vulnerabilità altrove.

La leadership nelle capacità non garantisce la leadership nell’implementazione

Il modello generalista più potente non diventa automaticamente il sistema più adatto per ogni attività operativa.

Gli scenari di leadership dell’AI di Anthropic distinguono tra intelligenza dei modelli, adozione interna, distribuzione globale e resilienza sociale. L’azienda sostiene che le capacità siano centrali, pur riconoscendo che un’implementazione efficace può compensare uno svantaggio in termini di intelligenza.

Questa prospettiva sostiene una lettura più ampia della concorrenza, ma richiede attribuzione. Anthropic sviluppa modelli AI e partecipa al mercato che analizza. La sua valutazione strategica offre un punto di vista informato, anziché una conferma indipendente di ogni affermazione competitiva.

La distinzione di fondo resta utile. La capacità di un modello riguarda ciò che un sistema può fare in condizioni specificate. L’implementazione riguarda la capacità di un’organizzazione di rendere utile quella capacità all’interno dei propri processi.

Un benchmark, una valutazione standardizzata usata per confrontare i sistemi, può chiarire un insieme definito di abilità. Non può stabilire automaticamente le prestazioni in ogni ambiente di lavoro. Attività, documenti, vincoli operativi e conseguenze degli errori differiscono.

Si consideri un ipotetico team di ingegneria che confronta assistenti con la propria documentazione interna. Un sistema potrebbe produrre spiegazioni più fluide ma citare la versione sbagliata di una specifica tecnica. Un altro potrebbe offrire una prosa meno rifinita, individuando però con costanza il documento corretto.

Questo esempio non dimostra che una particolare famiglia nazionale di modelli ottenga risultati migliori. Mostra perché la valutazione dell’acquirente debba collegare la capacità al compito reale. Una classifica generale lascia incompleto questo collegamento.

Il controllo dell’implementazione introduce un’altra considerazione. Un team che gestisce materiale sensibile potrebbe preferire una configurazione che mantenga l’elaborazione in un ambiente approvato. Un altro team potrebbe privilegiare operazioni gestite perché non dispone del personale necessario a mantenere la propria infrastruttura di modelli.

Queste scelte comportano costi in termini di impegno, responsabilità e flessibilità, anche quando non si discute di confronti tra abbonamenti. Il funzionamento indipendente richiede che qualcuno gestisca gli aggiornamenti e indaghi sui guasti. L’accesso gestito richiede che qualcuno valuti le politiche del fornitore e i suoi impegni di servizio.

L’adozione dell’AI in Cina dovrebbe essere esaminata attraverso questa lente operativa. L’interesse per i modelli scaricabili può riflettere una domanda di flessibilità e controllo. Non dimostra che ogni sistema scaricato arrivi in produzione o sostituisca un servizio esistente.

Anche la portata tra i consumatori americani necessita di una lente operativa. La familiarità può aiutare a introdurre un prodotto in un’organizzazione. Da sola, non può dimostrarne l’idoneità per lavori riservati, documenti specializzati o decisioni che richiedono prove affidabili.

Per i knowledge worker, il collegamento è particolarmente diretto. L’utilità di un assistente dipende spesso dal materiale che può recuperare e dalle prove che conserva. Un modello generale più potente non può compensare documenti sorgente mancanti o obsoleti.

I team che valutano una base di conoscenza AI dovrebbero quindi esaminare l’accesso alle informazioni insieme alla scelta del modello. La competizione nazionale fornisce contesto, mentre le prove dell’organizzazione stessa determinano se un assistente offre risultati utili.

Qui capacità e adozione si incontrano senza diventare identiche. Modelli migliori ampliano la gamma delle possibili applicazioni. Un’implementazione riuscita determina quali possibilità diventano lavoro affidabile. Il reporting dovrebbe seguire i progressi in entrambi gli ambiti e resistere alla tentazione di dichiarare l’uno un sostituto completo dell’altro.

La fiducia pubblica non può essere dedotta dalla leadership tecnica

Produrre sistemi AI ampiamente utilizzati non conferisce automaticamente l’autorità di scrivere le regole che li governano.

La questione della governance riguarda chi stabilisce pratiche accettabili, responsabilità e supervisione. È diversa dalla questione di quale Paese produca il modello più capace. Gli utenti possono fare affidamento su un prodotto pur diffidando delle istituzioni a esso associate.

Il sondaggio sulla regolamentazione dell’AI del Pew Research Center, condotto nel settembre 2026, ha rilevato una fiducia mediana del 43% per la Cina, del 35% per gli Stati Uniti e del 34% per l’Unione europea. Questi risultati provenivano da 12 Paesi oggetto dell’indagine, perlopiù economie a reddito medio.

L’ambito del sondaggio conta quanto le percentuali. Pew ha posto domande correlate a un diverso gruppo di 25 Paesi nel 2025. Un cambiamento nei risultati aggregati tra questi campioni non dimostra, di per sé, che le stesse popolazioni abbiano modificato le proprie opinioni.

Questa cautela metodologica ha conseguenze per la panoramica AI del Lowy Institute. La sua discussione sulla governance dovrebbe spingere a un esame più attento degli atteggiamenti nei vari Paesi. Non dovrebbe incoraggiare un’affermazione universale sull’opinione pubblica globale.

La fiducia è inoltre specifica rispetto alla domanda posta. La convinzione che un governo possa regolamentare l’AI non dimostra una preferenza per i suoi prodotti commerciali. Né l’uso di un assistente straniero esprime necessariamente approvazione per le politiche di quel governo.

Per gli acquirenti aziendali, la governance diventa concreta attraverso la responsabilità. Qualcuno deve decidere a quali informazioni possa accedere un assistente. Qualcuno deve indagare su output dannosi o errati. Qualcuno deve stabilire quando la revisione umana sia obbligatoria.

Queste decisioni non possono essere delegate a una classifica nazionale. Un’organizzazione ha bisogno di configurazioni che restino comprensibili quando qualcosa va storto. Le prove rilevanti includono procedure operative, impegni applicabili e responsabilità chiaramente assegnate.

Per i governi al di fuori degli Stati Uniti e della Cina, la stessa distinzione crea spazio per scelte indipendenti. Possono valutare sistemi importati rispetto ai requisiti nazionali senza trattare l’approvvigionamento come un’approvazione incondizionata del Paese fornitore.

Ciò non rende le scelte politicamente semplici. Dipendenze tecniche e relazioni politiche possono interagire. Tuttavia, trattare ogni acquisto come un completo allineamento geopolitico cancellerebbe le differenze pratiche tra applicazioni e istituzioni.

Esiste anche una limitazione nella struttura complessiva della panoramica. La ponderazione uguale rende il quadro leggibile, ma pesi uguali rappresentano una scelta analitica. Non dimostrano che ogni categoria abbia un effetto uguale sugli esiti futuri.

Un governo che affronta interruzioni delle forniture potrebbe attribuire maggiore peso agli input industriali. Un’azienda software in espansione internazionale potrebbe enfatizzare la distribuzione. Un ente pubblico che gestisce registri sensibili potrebbe dare priorità alla responsabilità e al controllo operativo.

Nessuna di queste priorità invalida il rapporto. Mostrano perché i lettori dovrebbero separare la sua valutazione complessiva dai propri criteri decisionali. Il quadro favorisce l’esame critico quando le sue assunzioni restano visibili.

La conclusione scettica è quindi specifica: la panoramica organizza le prove sulla leadership, lasciando irrisolte importanti domande sugli esiti. Non dimostra una superiorità universale dei prodotti, un dominio futuro inevitabile o un diritto internazionalmente accettato a governare l’AI.

Cosa osservare dopo la panoramica AI del Lowy Institute

Le prossime prove utili collegheranno le affermazioni competitive all’uso continuativo, alle infrastrutture operative e a scelte operative applicabili.

Il primo segnale riguarda l’adozione oltre l’interesse iniziale. Nei prossimi mesi, i rilasci di modelli e gli aggiornamenti sulla distribuzione meritano attenzione quando includono prove di implementazione continuativa. I totali di download restano utili, ma le prove di un uso operativo ricorrente rafforzerebbero le affermazioni su un’influenza duratura.

Per i modelli cinesi scaricabili, la distinzione fondamentale riguarda la sperimentazione rispetto alla dipendenza continuativa. Un modello testato durante lo sviluppo occupa una posizione diversa da uno che supporta le operazioni regolari di un’organizzazione. Un reporting che documenti questa transizione chiarirebbe il significato dei guadagni nella distribuzione.

Lo stesso criterio dovrebbe applicarsi ai servizi americani. Una maggiore attenzione non implica necessariamente un’utilità duratura. Le prove di un uso organizzativo continuativo sosterrebbero meglio l’affermazione secondo cui la portata tra i consumatori si traduce in un’influenza operativa persistente.

Questo segnale rafforzerebbe l’interpretazione di Lowy se i vantaggi americani nella distribuzione persistessero mentre l’attività cinese nei modelli aperti restasse concentrata nella sperimentazione. Indebolirebbe una lettura semplice di tale interpretazione se i modelli cinesi ottenessero un uso documentato e continuativo in applicazioni gestite in modo indipendente.

Il secondo segnale riguarda l’infrastruttura che entra in servizio. Gli aggiornamenti aziendali e le comunicazioni pubbliche dovrebbero distinguere tra strutture proposte e capacità operativa. Le prove sull’accesso all’elettricità, sulla disponibilità delle apparecchiature e sulla messa in servizio aiuterebbero a spiegare se l’espansione annunciata diventi capacità di calcolo utilizzabile.

Queste prove contano da entrambe le parti della competizione. Ulteriori infrastrutture operative rafforzerebbero la posizione dell’ecosistema che riesce a utilizzarle efficacemente. I ritardi indebolirebbero conclusioni che si basano sull’arrivo della capacità annunciata come previsto.

Il terzo segnale riguarda la governance che diventa operativa. Occorre osservare requisiti di approvvigionamento, salvaguardie implementate e valutazioni pubblicate che cambiano il modo in cui le organizzazioni possono implementare l’AI. Gli annunci di adesione e le dichiarazioni politiche generiche forniscono meno prove rispetto a regole con responsabilità definite.

Questo segnale metterebbe in discussione l’assunto secondo cui la leadership tecnica determini automaticamente l’influenza sulla governance. Le istituzioni al di fuori dei Paesi leader nella produzione di modelli possono comunque plasmare requisiti pratici. La loro influenza diventa più chiara quando tali requisiti incidono su implementazioni reali.

Per i lettori che seguono la competizione AI tra Stati Uniti e Cina, questi segnali offrono un’alternativa disciplinata alla reazione a ogni affermazione di leadership. Ciascuno chiede se uno sviluppo misurabile modifichi il rapporto tra capacità, distribuzione e dipendenza.

Conservate le prove originali accanto a ogni aggiornamento successivo. Registrate quale popolazione copre una statistica di adozione, quale fase abbia raggiunto un progetto infrastrutturale e quali obblighi crei un annuncio sulla governance. Questa documentazione rende più utili i confronti successivi.

Prima del vostro prossimo acquisto o della prossima implementazione AI, traducete la panoramica AI del Lowy Institute in domande sulla vostra esposizione. Quale fornitore controlla l’accesso al sistema? Quali documenti può usare? Cosa accade quando il suo comportamento cambia? Chi gestisce i guasti e con quale facilità l’organizzazione può trasferire il proprio lavoro?

Confrontate i sistemi candidati usando attività rappresentative e requisiti operativi chiari. Conservate i risultati affinché una nuova release possa affrontare la stessa valutazione. Seguite la competizione nazionale per il contesto, poi richiedete prove al livello in cui la vostra organizzazione lavora effettivamente. Quale dipendenza sarebbe più difficile da sostituire se il panorama competitivo cambiasse?