Il rapporto Microsoft sulla diffusione dell’AI mostra un’adozione in crescita mentre i divari regionali si ampliano

L’ultimo rapporto di Microsoft sulla diffusione dell’AI registra un utilizzo mondiale al 18,8%, nonostante l’ampliarsi del divario tra Nord e Sud globale. Quasi tutte le economie misurate hanno acquisito utenti nel secondo trimestre del 2026. Tuttavia, l’adozione è aumentata più rapidamente nei mercati già connessi e più ricchi.

Il risultato complica l’affermazione ormai familiare secondo cui l’AI generativa si starebbe diffondendo ovunque alla stessa velocità. L’adozione globale è in espansione, ma l’accesso a infrastrutture, connettività, competenze digitali e modelli utili a livello locale continua a determinare chi ne beneficia per primo.

Questa tensione conta oltre la classifica dei singoli Paesi. I governi considerano l’accesso all’AI una priorità economica, mentre le imprese stanno passando dagli esperimenti con chatbot a flussi di lavoro ordinari. Microsoft, OpenAI, Google, Meta e un numero crescente di sviluppatori di modelli aperti competono per soddisfare questa domanda.

Il rapporto Microsoft sulla diffusione dell’AI rileva crescita quasi ovunque

Il dato principale è una crescita diffusa, ma lo sviluppo più importante riguarda dove tale crescita si è concentrata.

Microsoft ha pubblicato il suo rapporto sulla diffusione dell’AI per il secondo trimestre del 2026 il 21 settembre. Stima che il 18,8% della popolazione mondiale in età lavorativa abbia utilizzato un prodotto di AI generativa nel periodo considerato.

La quota è aumentata dal 17,8% del primo trimestre e dal 16,3% della seconda metà del 2025. L’incremento ha raggiunto quasi tutte le economie del dataset, suggerendo che l’AI generativa sia andata oltre un ristretto gruppo di mercati pionieri.

Microsoft definisce la diffusione dell’AI come la quota di persone tra 15 e 64 anni che hanno utilizzato un prodotto di AI generativa durante un periodo di rilevazione. Le sue stime si basano su dati di telemetria Microsoft aggregati e anonimizzati.

L’azienda corregge queste osservazioni in base alla quota di mercato dei sistemi operativi e dei dispositivi, alla penetrazione di internet e alla popolazione nazionale. Il risultato è denominato AI User Share, una stima normalizzata sulla popolazione pensata per il confronto tra Paesi.

Non equivale a misurare gli acquisti aziendali di AI, la capacità dei data center o il numero di modelli sviluppati localmente. Cerca invece di misurare l’uso effettivo dei prodotti tra le persone in età lavorativa.

Gli Emirati Arabi Uniti sono rimasti l’economia leader, con un utilizzo stimato dell’AI del 73,3%. Singapore ha seguito con il 64,3%, mentre l’Irlanda ha raggiunto il 49,9%, la Francia il 49,6% e la Norvegia il 49,4%.

Questi numeri dimostrano che lo sviluppo dei modelli non determina da solo l’adozione. Né gli Emirati Arabi Uniti né Singapore ospitano la stessa concentrazione di laboratori dedicati ai modelli di frontiera presente negli Stati Uniti o in Cina. Entrambi hanno comunque registrato un utilizzo elevato grazie a connettività, servizi digitali, coordinamento governativo e forza lavoro collegata a livello internazionale.

La Corea del Sud ha registrato il maggiore incremento trimestrale assoluto tra le economie leader. Il suo AI User Share è cresciuto di 3,5 punti percentuali, arrivando al 40,6%, e il Paese è passato dal sedicesimo al dodicesimo posto.

Questo ha proseguito un’accelerazione più lunga. Microsoft afferma che la Corea del Sud ha aggiunto quasi 15 punti percentuali nei 12 mesi precedenti, il maggiore aumento tra le principali economie in tre periodi di rilevazione consecutivi.

L’Arabia Saudita ha compiuto il maggiore balzo in classifica. La sua quota di utenti è salita dal 29,4% al 31,4%, consentendole di guadagnare cinque posizioni ed entrare nelle prime 25.

Il Giappone ha registrato il maggiore incremento relativo. L’utilizzo è passato dal 22,5% del primo trimestre al 24,7% del secondo, un aumento di circa il 10% rispetto al livello precedente.

Gli Stati Uniti sono saliti dal 31,3% al 33%, ma sono rimasti ventunesimi in classifica. Questa posizione evidenzia la differenza tra produrre sistemi di AI e diffonderli nell’intera popolazione.

La metodologia a livello nazionale copriva originariamente 147 economie e ha rilevato una forte relazione tra utilizzo dell’AI e reddito nazionale. La ricerca di base ha riportato una correlazione di Spearman pari a 0,83 tra AI User Share e prodotto interno lordo pro capite.

La correlazione non dimostra che la ricchezza causi direttamente l’adozione dell’AI. Tuttavia, la relazione è coerente con il modello infrastrutturale visibile nel rapporto. Elettricità, accesso a internet, dispositivi adeguati, competenze e servizi accessibili incidono tutti sulla possibilità per una persona di utilizzare regolarmente l’AI generativa.

Le nuove cifre descrivono quindi due sviluppi contemporaneamente. L’AI sta raggiungendo più persone, ma i mercati con basi digitali più solide continuano a trasformare più rapidamente i nuovi prodotti in uso quotidiano.

Il divario globale nell’adozione dell’AI continua ad ampliarsi

La crescita mondiale non ha colmato il divario perché il Nord globale continua ad aggiungere utenti a un ritmo più veloce.

L’utilizzo dell’AI nel Nord globale ha raggiunto il 28,8% nel secondo trimestre, rispetto al 27,5%. Il Sud globale ha raggiunto il 16,2%, salendo dal 15,4%.

Entrambi i gruppi sono cresciuti, ma con incrementi differenti. Il Nord ha aggiunto 1,3 punti percentuali, contro 0,8 punti nel Sud.

Il divario risultante si è ampliato da 12,1 punti percentuali a 12,6 punti nel trimestre. Era pari a 10,6 punti nella seconda metà del 2025.

Questa direzione è più rilevante della media globale di un singolo trimestre. Se i mercati più forti continuano a crescere più rapidamente, i vantaggi economici e formativi associati all’uso dell’AI possono accumularsi prima che i mercati più lenti stabiliscano un accesso comparabile.

L’infrastruttura è una parte della spiegazione. I prodotti di AI richiedono generalmente elettricità affidabile, connettività internet, dispositivi compatibili e dati accessibili. Un modello può essere disponibile online senza essere praticamente accessibile a chi affronta servizi inaffidabili o costi di connessione elevati.

La lingua è un altro vincolo. Molti sistemi ampiamente utilizzati offrono le migliori prestazioni nelle lingue con una vasta disponibilità di testi digitali, dati di valutazione e domanda commerciale. Gli utenti che lavorano in lingue con poche risorse possono incontrare risposte meno efficaci, interfacce limitate o meno strumenti rilevanti a livello locale.

Le competenze digitali aggiungono una terza barriera. Aprire un chatbot è semplice, ma un utilizzo produttivo richiede spesso agli utenti di valutare le fonti, proteggere le informazioni sensibili, strutturare le richieste e collegare gli output al lavoro reale.

Le organizzazioni affrontano sfide correlate. Un’azienda necessita di dati adeguati, governance, formazione del personale e un flusso di lavoro definito prima che esperimenti occasionali diventino operazioni affidabili.

Ecco perché l’adozione non può essere dedotta dalla sola disponibilità dei prodotti. La presenza di un’interfaccia web gratuita non elimina i costi più ampi di connettività, dispositivi, formazione, verifica e integrazione.

Anche le categorie Nord-Sud globale richiedono cautela. Riuniscono Paesi con livelli di reddito, demografia, lingue, sistemi politici e mercati tecnologici molto diversi.

Gli Emirati Arabi Uniti e Singapore, per esempio, guidano l’intera classifica pur comparendo spesso nelle ampie discussioni geografiche sul Sud globale. I loro risultati mettono in guardia dal trattare miliardi di persone come un unico mercato tecnologico.

I ricercatori intervistati sul divario hanno inoltre messo in dubbio che l’etichetta favorisca ipotesi eccessivamente generiche. Una media regionale utile può rivelare disuguaglianze, pur continuando a nascondere differenze all’interno di ciascun gruppo.

Lo stesso problema emerge nei Paesi ricchi. La ricerca separata di Microsoft sugli Stati Uniti ha rilevato differenze sostanziali tra comunità urbane e rurali. Le medie nazionali possono nascondere divari legati a istruzione, accesso alla banda larga, occupazione e industria locale.

Ciò rende il divario globale un problema di distribuzione, anziché una semplice gara tra due blocchi fissi. La questione centrale è se le persone in ciascun Paese possano trasformare l’AI disponibile in attività utili e ripetibili.

Le ricerche precedenti di Microsoft forniscono un indizio importante. Nei Paesi con una bassa penetrazione di internet, l’adozione era spesso molto più elevata tra la popolazione connessa rispetto all’intera popolazione in età lavorativa.

Lo studio tecnico ha rilevato che l’AI User Share dello Zambia passava dal 12% della popolazione al 34% tra le persone connesse. La stima per il Pakistan aumentava dal 10% al 33% quando misurata sugli utenti internet.

Questi confronti non dimostrano che la sola connettività eliminerà il divario. Mostrano però una notevole domanda latente tra le persone che riescono a connettersi.

L’inversione centrale del rapporto deriva da queste evidenze. Una lenta adozione nazionale non riflette necessariamente uno scarso interesse per l’AI. Può riflettere una carenza delle condizioni necessarie per trasformare l’interesse in utilizzo.

L’adozione dell’AI per Paese rivela anche utilizzi diversi

Il divario riguarda non solo quante persone usano l’AI, ma anche cosa chiedono ai primi strumenti adottati.

Microsoft ha esaminato un sottoinsieme di conversazioni dei consumatori con Copilot mediante un classificatore che tutela la privacy. Il classificatore ha raggruppato le conversazioni in base al loro intento principale, come apprendimento, scrittura, programmazione, ricerca o acquisti.

L’analisi ha rilevato che l’apprendimento autonomo e lo sviluppo delle competenze rappresentavano una quota delle conversazioni superiore del 29,2% nel Sud globale rispetto al mix mondiale. I compiti scolastici e il supporto accademico rappresentavano una quota superiore del 32,3%.

Anche le attività di creazione e modifica apparivano più frequentemente. Includevano lavori relativi a testo, codice e immagini.

Il Nord globale era maggiormente orientato verso acquisti, ricerca di prodotti, recupero di informazioni e feedback. Si tratta di quote relative, non di misure dirette del numero totale di conversazioni.

Il modello relativo all’istruzione offre un contrappeso al divario di adozione. Le persone nei mercati meno connessi che già utilizzano l’AI generativa sembrano particolarmente interessate alla conoscenza e allo sviluppo delle competenze.

Questa distinzione è importante per scuole, governi e team di prodotto. Un mercato con una penetrazione complessiva inferiore può comunque avere una forte domanda di tutoraggio, traduzione, assistenza alla scrittura e apprendimento tecnico.

Il modello ha implicazioni anche per i lavoratori della conoscenza. Un’adozione utile dell’AI raramente termina con la generazione di una risposta. Le persone devono collegare le risposte a documenti affidabili, decisioni precedenti e contesto specifico della materia.

Una base di conoscenza personale consultabile può aiutare gli utenti a preservare tale contesto. Tuttavia, il software non può sostituire la connettività, la valutazione delle fonti o il supporto per le lingue locali.

Microsoft mette in guardia dall’estendere i risultati delle conversazioni alla popolazione più ampia. I dati descrivono i primi adottanti che utilizzano Copilot per consumatori, non tutte le persone del Sud globale.

Anche la demografia può influenzare il risultato. Il Sud globale ha una popolazione più giovane, fattore che può aumentare l’importanza relativa dei compiti scolastici e della formazione delle competenze.

Il dataset non rivela perché gli utenti abbiano scelto determinate attività. Una quota più elevata di apprendimento potrebbe riflettere una domanda educativa insoddisfatta, utenti più giovani, pressione del mercato del lavoro o l’assenza di altri servizi digitali.

Né una categoria di conversazione misura la qualità dell’apprendimento. Uno studente può usare l’AI per comprendere un concetto, redigere un compito o ottenere una risposta inaffidabile. La classificazione registra l’intento anziché i risultati educativi.

Anche con questi limiti, il confronto sfida una visione ristretta dell’adozione. I mercati con meno utenti non sono semplicemente versioni ritardate dei mercati più ricchi.

I loro casi d’uso possono svilupparsi attorno a esigenze diverse. Istruzione, accesso multilingue, servizi pubblici e assistenza alle piccole imprese possono contare più degli acquisti o del software per il lavoro.

Ciò crea pressione sui fornitori di modelli affinché competano sulla rilevanza, non solo sulle prestazioni nei benchmark. Un sistema che gestisce lingue locali, programmi di studio, leggi e contesto culturale può essere più prezioso di un modello generale più potente con un adattamento regionale limitato.

Cambia anche il tema delle politiche. Espandere l'adozione dell'AI senza migliorare la qualità delle informazioni e le competenze degli utenti può diffondere assistenza inaffidabile con la stessa rapidità degli strumenti utili.

L'opportunità è quindi legata alla responsabilità. La domanda educativa può favorire un accesso più ampio, ma solleva anche interrogativi su accuratezza, privacy, integrità accademica e progettazione adeguata all'età.

I Modelli Open-Weight Potrebbero Ridurre Una Barriera, Non Tutte

I modelli open-weight possono migliorare convenienza economica e adattamento locale, ma non possono fornire elettricità, connettività o utenti formati.

Un modello open-weight rilascia i parametri numerici appresi durante l'addestramento. Gli sviluppatori possono scaricare, modificare e distribuire tali pesi, anche se i dati di addestramento e il codice di sviluppo possono restare chiusi.

Questa distinzione conta perché open-weight non significa sempre completamente open source. Tuttavia, l'accesso ai pesi del modello offre alle organizzazioni un maggiore controllo rispetto a un sistema disponibile soltanto attraverso un servizio proprietario.

Microsoft sostiene che questi modelli stiano diventando un'importante via per la diffusione globale dell'AI. Possono essere adattati a lingue locali e domini specializzati senza richiedere a un'organizzazione di addestrare un modello di frontiera da zero.

Consentono inoltre agli sviluppatori di scegliere tra fornitori di hosting o di eseguire un modello sulla propria infrastruttura. Questa flessibilità può ridurre la dipendenza da un unico fornitore e supportare implementazioni con requisiti più rigorosi sui dati.

L'utilizzo di modelli open-weight è difficile da quantificare attraverso il traffico dei chatbot consumer. Le persone possono incontrare questi modelli all'interno di applicazioni, agenti di coding, servizi pubblici o sistemi aziendali senza sapere quale modello abbia prodotto l'output.

Le implementazioni self-hosted creano un altro punto cieco, poiché il loro traffico potrebbe non raggiungere mai un fornitore centralizzato. Microsoft ha quindi esaminato l'attività delle interfacce di programmazione delle applicazioni come segnale complementare.

Il rapporto si basa su OpenRouter, un servizio che instrada le richieste degli sviluppatori tra numerosi modelli aperti e proprietari. Microsoft afferma che la sua analisi dei dati pubblici ha rilevato che i sistemi open-weight gestiscono il 75% dell'utilizzo di token sulla piattaforma.

Il dato è notevole, ma non rappresenta una quota di mercato mondiale. OpenRouter attrae sviluppatori insolitamente propensi a confrontare fornitori e cambiare modello. Esclude inoltre gran parte dell'uso diretto dei sistemi proprietari e dei modelli aperti ospitati privatamente.

Una precedente analisi di OpenRouter, che copriva oltre 100 trilioni di token, rilevava che i sistemi open-weight rappresentavano circa un terzo del volume entro la fine del 2025. Le versioni rilasciate da DeepSeek, Kimi, Qwen e OpenAI avrebbero prodotto aumenti proseguiti oltre i rispettivi periodi di lancio.

La persistenza è importante perché il traffico di lancio può rappresentare curiosità anziché un'adozione affidabile. Un volume di token sostenuto offre prove più solide che gli sviluppatori stiano integrando i modelli in flussi di lavoro ricorrenti.

I sistemi open-weight hanno inoltre ridotto parte del divario di capacità rispetto ai modelli proprietari. Il rapporto afferma che le principali versioni aperte spesso si avvicinano alla frontiera chiusa nel giro di alcuni mesi, anche se le prestazioni variano a seconda del compito.

Questo schema incoraggia il routing dei modelli. Un'applicazione può riservare un sistema proprietario ad alta capacità alle richieste difficili, assegnando invece il lavoro di routine a un modello aperto meno costoso.

Per le organizzazioni che elaborano grandi carichi di lavoro, questa scelta può influire sulla sostenibilità economica di un servizio AI. Gli agenti possono generare chiamate ripetute ai modelli, rendendo l'efficienza dell'inferenza più importante di una singola risposta impressionante.

Le implicazioni sono particolarmente rilevanti nei mercati a basso reddito. Università, organizzazioni non profit, governi e aziende locali possono adattare un modello esistente anziché finanziare un sistema originale su scala di frontiera.

Microsoft cita la propria ricerca Bring Your Own Language come esempio. Il progetto ha migliorato le prestazioni medie per chichewa e māori di circa il 12% su una raccolta di benchmark, attraverso il perfezionamento dei dati e l'adattamento del modello.

Questo risultato non significa che ogni lingua con poche risorse possa ottenere lo stesso miglioramento. Dimostra perché pesi modificabili e dati locali preparati con cura possano fare la differenza.

DeepSeek ha fornito un precedente esempio di come l'accessibilità influenzi l'adozione. Secondo quanto riportato sulle precedenti conclusioni di Microsoft, il rilascio di R1 ha contribuito ad aumentare l'utilizzo in Cina e ha attirato utenti nei mercati in via di sviluppo.

La risposta dei mercati in via di sviluppo ha mostrato come un modello ampiamente disponibile possa spostare l'adozione al di fuori dei mercati serviti più direttamente dalle piattaforme americane.

Tuttavia, i modelli aperti non possono eliminare i colli di bottiglia fondamentali individuati dal rapporto. Un modello scaricabile necessita comunque di hardware, elettricità, personale tecnico, controlli di sicurezza e un'applicazione a cui le persone possano accedere.

L'adattamento locale richiede anche dati adeguati. Le comunità con poco testo digitalizzato possono avere il maggiore bisogno di supporto linguistico e il minor materiale disponibile per l'addestramento o la valutazione.

I pesi aperti affrontano quindi solo una parte dell'avversario principale di questa storia: la promessa di un accesso universale all'AI contro le condizioni diseguali dell'uso effettivo.

Possono ridurre i costi a livello di modello e migliorare la rilevanza locale. Non possono colmare autonomamente un divario prodotto da infrastrutture, competenze, istituzioni e reddito.

La Misurazione di Microsoft Presenta un Importante Punto Cieco

Le cifre forniscono un utile parametro direzionale, ma non rappresentano un censimento completo dell'attività AI globale.

Microsoft riconosce che nessun singolo indicatore può misurare pienamente l'adozione dell'AI. La sua telemetria offre evidenze comportamentali tempestive, ma riflette naturalmente i prodotti, i dispositivi e il traffico visibili a Microsoft.

L'azienda corregge le differenze nei sistemi operativi, nell'accesso ai dispositivi, nella penetrazione di internet e nella popolazione. Queste correzioni rendono i confronti più significativi, ma gli aggiustamenti statistici non possono osservare ogni servizio AI.

Il problema diventa particolarmente evidente in Cina. Le applicazioni nazionali di aziende cinesi possono attirare un utilizzo esteso senza apparire proporzionalmente nell'attuale copertura dei prodotti Microsoft.

Microsoft afferma che il prossimo rapporto amplierà l'elenco degli strumenti AI misurati. Prevede che il cambiamento aumenterà la stima dell'adozione in quasi tutte le economie, con un effetto maggiore in Cina.

Questa futura revisione rappresenterà per lo più una migliore misurazione dell'uso esistente, non un'improvvisa impennata dell'adozione. I lettori dovrebbero quindi evitare di interpretare il prossimo aumento come crescita puramente organica.

Anche il numero di applicazioni disponibili sta aumentando rapidamente. Hugging Face Spaces, che ospita dimostrazioni e applicazioni AI eseguibili, è cresciuto da circa 124.000 alla fine del 2023 a 1,46 milioni entro settembre 2026.

Microsoft stima che il totale sia aumentato di circa l'83% dal suo primo rapporto sulla diffusione, alla fine del 2025. Questi Spaces spaziano da esperimenti personali a progetti più orientati alla produzione.

Non dovrebbero essere conteggiati come 1,46 milioni di prodotti commerciali distinti. La loro crescita mostra comunque perché un elenco fisso di strumenti monitorati diventi meno rappresentativo nel tempo.

Il repository pubblico del rapporto elenca esplicitamente altre limitazioni. AI User Share misura l'utilizzo, non capacità, produttività, sicurezza o impatto economico.

Una persona che prova brevemente un chatbot e un professionista che utilizza quotidianamente più modelli possono entrambi apparire come utenti. La loro esposizione economica e il beneficio pratico possono essere completamente diversi.

La metrica non dimostra neppure che l'AI migliori il lavoro. L'utilizzo può includere assistenza produttiva, output di bassa qualità, intrattenimento, compiti scolastici, sperimentazione o attività automatizzate integrate in un altro servizio.

Microsoft ha un interesse commerciale nell'espansione dell'adozione dell'AI. Vende infrastruttura cloud, accesso ai modelli, software per la produttività e servizi AI per consumatori.

Questo interesse non invalida la ricerca, soprattutto perché l'azienda pubblica la propria metodologia e dati scaricabili. Rende però importante un confronto indipendente.

Sondaggi, traffico API, studi sul posto di lavoro, dati di download e statistiche nazionali possono ciascuno verificare una parte diversa del quadro. Nessuno offre da solo una visione completa.

Le etichette regionali introducono un'altra sfida di misurazione. Il Nord Globale e il Sud Globale sono raggruppamenti analitici, non unità economiche o politiche uniformi.

Le medie possono rivelare che l'accesso è diseguale, nascondendo al contempo mercati leader, regioni fragili e grandi differenze all'interno dei paesi. La copertura giornalistica dovrebbe mantenere visibili entrambi i livelli.

L'interpretazione più equa è che Microsoft abbia prodotto un segnale ampio e aggiornato frequentemente. È più utile per confrontare direzione e adozione relativa che per dichiarare un conteggio esatto di ogni utente AI.

La conclusione secondo cui il divario si è ampliato rimane significativa in questo quadro. La stessa metodologia mostra entrambe le regioni in crescita, con il Nord che avanza più rapidamente nei successivi periodi di rendicontazione.

Tuttavia, l'espansione pianificata della copertura può modificare le classifiche dei paesi e le stime regionali. Il prossimo set di dati sarà un test metodologico oltre che un aggiornamento sull'adozione.

Tre Segnali Mostreranno Se il Divario Inizia a Ridursi

La fase successiva dipende dal fatto che una misurazione più ampia, un accesso ai modelli meno costoso e le infrastrutture fondamentali inizino a muoversi nella stessa direzione.

Il primo segnale è l'ampliamento della copertura degli strumenti da parte di Microsoft. Il prossimo rapporto dovrebbe mostrare quanto utilizzo il metodo attuale non rilevi, in particolare in Cina e nei mercati dominati da applicazioni nazionali.

Un'ampia revisione al rialzo indebolirebbe i confronti tra paesi basati sulle classifiche attuali. Non eliminerebbe necessariamente il divario Nord-Sud, ma potrebbe mostrare che una parte della distanza riflette la visibilità anziché il comportamento.

Una revisione modesta rafforzerebbe l'interpretazione attuale. Suggerirebbe che infrastrutture e accesso diseguali rimangono la spiegazione dominante anche dopo l'inclusione di più prodotti nella misurazione.

I lettori dovrebbero separare le revisioni metodologiche dalla crescita trimestre su trimestre. Microsoft ha già avvertito che una copertura più ampia rileverà attività già esistenti oggi.

Il secondo segnale è l'uso sostenuto di modelli open-weight al di fuori delle piattaforme di routing per sviluppatori. La composizione dei token di OpenRouter indica una rapida adozione, ma i suoi utenti non rappresentano l'intero mercato.

Le evidenze provenienti da fornitori cloud, implementazioni aziendali, università e servizi del settore pubblico mostrerebbero se i modelli aperti stanno diventando un'infrastruttura durevole. La crescita delle applicazioni localizzate sarebbe particolarmente rilevante.

Le prove più solide collegherebbero la disponibilità dei modelli a nuovi utenti o a servizi migliori nei mercati con minore adozione. Il solo volume di token non può dimostrare se i benefici stiano raggiungendo persone che in precedenza non avevano accesso.

Anche un'inversione sarebbe informativa. Se l'uso dei modelli aperti si concentrasse tra sviluppatori ben finanziati nei mercati ricchi, una migliore economia dei modelli potrebbe rafforzare i vantaggi esistenti invece di colmarli.

Il terzo segnale è il progresso nella connettività e nelle competenze pratiche. I dati sull'accesso a internet gestiti dall'Unione Internazionale delle Telecomunicazioni offrono un contesto essenziale per qualsiasi classifica sull'adozione.

Occorre osservare se i paesi con basso utilizzo dell'AI a livello di popolazione riducono la differenza tra l'adozione totale e quella degli utenti connessi. Ciò indicherebbe che i programmi di accesso stanno raggiungendo una platea più ampia di una minoranza già connessa.

I programmi sulle competenze richiedono un esame analogo. I totali delle iscrizioni sono prove più deboli rispetto all'uso continuato, alla formazione completata, all'applicazione sul lavoro o a risultati educativi misurabili.

Per gli acquirenti aziendali, il rapporto offre un avvertimento diretto. Una strategia AI globale non può presumere infrastrutture, supporto linguistico o preparazione dei dipendenti identici in ogni mercato.

Per gli sviluppatori, la localizzazione non è una funzionalità secondaria. Può determinare se un modello che ottiene buoni risultati in un benchmark diventi utile in una classe, in una clinica, in un ufficio pubblico o in una piccola impresa.

Per i lavoratori della conoscenza, la crescente adozione aumenta il valore della verifica delle fonti e di un contesto duraturo. Un maggiore accesso all'AI significa più materiale generato, non automaticamente conoscenza più affidabile.

Il rapporto di Microsoft sulla diffusione dell'AI mostra che l'AI generativa continua a espandersi rapidamente. Mostra anche che la sola crescita non distribuisce le opportunità in modo uniforme.

La prossima domanda non è se l'adozione mondiale tornerà a crescere. È se connettività, competenze, modelli localizzati e un accesso più ampio ai prodotti consentiranno ai mercati con minore adozione di crescere più rapidamente dei leader.

Tenete d'occhio insieme il prossimo aggiornamento della metodologia, le implementazioni reali di modelli aperti e l'utilizzo da parte della popolazione connessa. Se tutti e tre migliorano, il divario crescente può iniziare a ridursi. Se invece si allontanano ulteriormente, una tecnologia disponibile a livello globale continuerà a produrre risultati fortemente regionali.