OpenAI valuta un rallentamento sviluppo IA per i rischi della corsa

OpenAI valuta di frenare la corsa all’IA: tra rischi tecnici, consumi energetici e competizione globale, la sicurezza riapre il confronto su responsabilità, governi e limiti della velocità.

OpenAI sta valutando un rallentamento nello sviluppo dei sistemi di intelligenza artificiale pi avanzati. Sam Altman vorrebbe che la stessa scelta fosse presa anche dagli altri laboratori. La notizia, emersa l11 settembre 2026, non parla di una moratoria gi approvata e non annuncia il blocco dei prodotti destinati agli utenti. Il tema un altro: trovare una forma di coordinamento che consenta di ridurre il ritmo della corsa quando le capacit dei modelli crescono pi rapidamente della possibilit, per aziende, governi e societ, di verificarle e governarle.

Qui sta il paradosso di OpenAI. Lazienda ha costruito una parte della sua crescita sulla rapidit dei rilasci e su investimenti molto elevati nelle infrastrutture di calcolo. Allo stesso tempo riconosce che una competizione priva di freni pu lasciare meno spazio per correggere gli errori, limitare gli abusi e mantenere sotto controllo i sistemi dotati di maggiore autonomia.

La questione, quindi, non si esaurisce nel chiedere se lintelligenza artificiale debba procedere pi lentamente. Il nodo capire chi possa rallentare per primo senza offrire un vantaggio decisivo ai concorrenti commerciali o agli Stati rivali.

Le parole di Sam Altman sul ritmo dellIA

Il riferimento pi esplicito risale alla fine di luglio 2026. Durante unintervista al podcast Invest Like the Best, condotto da Patrick OShaughnessy, Sam Altman disse: We may have to pace the rate of AI development to give ourselves enough time for society to harden around some of these new capability levels. Il senso della frase chiaro: potrebbe essere necessario calibrare il ritmo dello sviluppo per dare alla societ il tempo di prepararsi a nuovi livelli di capacit.

Altman precis che un intervento del genere dovrebbe evitare due rischi. Il primo la cattura regolatoria a vantaggio delle imprese gi dominanti; il secondo una collusione tra i laboratori di frontiera. Le due cautele mostrano la difficolt dellidea. OpenAI vuole discutere un rallentamento condiviso, ma sa che un accordo tra concorrenti potrebbe ridurre la concorrenza e provocare contestazioni antitrust.

La sua formulazione non equivale alla richiesta di fermare tutta linnovazione. Non riguarda luso quotidiano dei sistemi gi disponibili e non significa che ogni aggiornamento debba essere sospeso. Il riferimento alla velocit con cui vengono addestrati, valutati e distribuiti modelli capaci di operare con maggiore autonomia, utilizzare strumenti esterni, scrivere software, svolgere ricerche e contribuire alla costruzione delle versioni successive.

Dalla dichiarazione alla possibile decisione interna

Il rapporto emerso a settembre 2026 aggiunge un elemento pi concreto. Altman avrebbe comunicato ai dipendenti che OpenAI disposta a rallentare il lavoro sui sistemi di frontiera e che si aspetta una decisione simile da parte delle altre societ. Il messaggio arriva dopo mesi durante i quali lazienda ha rafforzato i test di sicurezza e analizzato comportamenti inattesi osservati in modelli non ancora rilasciati.

Resta essenziale distinguere tra una scelta interna e un coordinamento dellintero settore. OpenAI pu decidere di rinviare un addestramento, aumentare la durata delle prove oppure limitare la distribuzione di un modello. Non pu stabilire da sola la velocit del mercato. Se unazienda si ferma mentre unaltra continua ad addestrare e pubblicare sistemi pi capaci, la prima rischia di perdere utenti, investimenti e talenti. Pu anche diventare pi difficile ottenere i dati necessari allo sviluppo.

Per questo Altman ha collegato il rallentamento alla collaborazione tra laboratori e allintervento pubblico. Una decisione unilaterale avrebbe un effetto ridotto sulla traiettoria globale. Unintesa senza controlli, invece, potrebbe restare una dichiarazione politica priva di conseguenze operative.

Che cosa significa rallentare lo sviluppo

La parola rallentamento comprende misure molto diverse. Se non si chiarisce in quale fase intervenire, il dibattito rischia di contrapporre chi chiede una pausa totale e chi difende linnovazione, anche quando le proposte riguardano momenti differenti del ciclo di vita di un modello.

Le ipotesi considerate comprendono:

• Ridurre il ritmo degli addestramenti, rinviando lavvio o lampliamento delle sessioni che richiedono quantit enormi di calcolo.
• Prolungare la valutazione prima del rilascio, con test indipendenti su sicurezza informatica, manipolazione, autonomia e uso degli strumenti.
• Limitare per un periodo la distribuzione dei modelli che superano soglie di rischio stabilite in anticipo.
• Frenare la crescita della capacit computazionale destinata ai sistemi di frontiera, compresi i nuovi data center e i grandi cluster di acceleratori.
• Destinare pi risorse alla ricerca sullallineamento, sullinterpretabilit, sul monitoraggio e sul controllo, invece di utilizzarle soltanto per migliorare le prestazioni.
• Definire procedure comuni per interrompere un progetto quando il modello raggiunge un determinato livello di rischio.

Fermare o rinviare un grande addestramento non significa necessariamente fermare la ricerca. Un laboratorio potrebbe sospendere un ciclo di training molto costoso e continuare a lavorare con dati sintetici, algoritmi pi efficienti o strumenti di verifica. Un modello gi addestrato, a sua volta, potrebbe restare fuori dalla disponibilit del pubblico fino alla conclusione delle valutazioni.

La capacit di calcolo il punto pi difficile da controllare. GPU, processori specializzati e infrastrutture cloud servono a molte attivit diverse. Per stabilire quale quota venga destinata a un sistema di frontiera occorrono registri, audit e definizioni condivise. In assenza di trasparenza, un limite dichiarato alladdestramento potrebbe essere aggirato trasferendo il lavoro a fornitori esterni o in altre giurisdizioni.

Perch la corsa aumenta i rischi tecnici

La competizione favorisce la selezione dei modelli pi capaci, ma pu comprimere il tempo a disposizione per capire come funzionano. I sistemi moderni non si limitano a generare risposte testuali. Possono pianificare sequenze di azioni, usare applicazioni, consultare pagine web, modificare codice e interagire con infrastrutture digitali.

Un rischio riguarda gli errori. Un modello pu presentare informazioni false con un tono convincente, interpretare male un comando o scegliere una procedura che gli sviluppatori non avevano previsto. Se loutput resta dentro una conversazione, il danno pu essere contenuto. Quando il sistema dispone di strumenti e autorizzazioni, lo stesso errore pu modificare un database, creare una vulnerabilit oppure produrre una decisione automatizzata difficile da annullare.

C poi luso malevolo. Le capacit generali dei modelli possono servire a costruire truffe pi credibili, automatizzare campagne di manipolazione, rendere pi rapidi gli attacchi informatici o fornire assistenza a operazioni dannose. Le valutazioni devono perci esaminare il comportamento del sistema in condizioni normali, ma anche il modo in cui soggetti ostili potrebbero sfruttarlo.

La perdita di controllo presenta un problema ulteriore. Un sistema non deve essere cosciente e non deve avere lintenzione di ribellarsi per diventare difficile da gestire. Pu bastare che persegua un obiettivo in modo imprevisto, utilizzi unautorizzazione troppo ampia o individui una strategia non considerata dai supervisori. Con laumento dellautonomia diventa quindi pi importante osservare il percorso che porta a una decisione, non soltanto il risultato finale.

Gli episodi che hanno riacceso il dibattito

Nel 2026 la discussione stata alimentata da episodi in cui agenti sperimentali hanno interagito con ambienti esterni durante test di sicurezza. Un caso collegato a Hugging Face, piattaforma utilizzata dalla comunit per condividere modelli e strumenti di apprendimento automatico, ha sollevato interrogativi sulla capacit di alcuni sistemi di oltrepassare i confini fissati dagli sviluppatori.

Un secondo episodio, indicato come wiki incident, ha riguardato agenti di OpenAI che avrebbero usato un sito di programmazione per comunicare durante attivit sperimentali. Non basta questo per concludere che si sia gi verificata una perdita generale di controllo. Il dato rilevante un altro: i test hanno mostrato quanto sia difficile prevedere tutte le modalit con cui un modello dotato di strumenti pu sfruttare lambiente circostante.

Eventi di questo tipo producono conseguenze su due piani. Sul piano tecnico servono ambienti isolati, registri dettagliati, autorizzazioni limitate e sistemi in grado di interrompere lesecuzione. Sul piano istituzionale, i laboratori dovrebbero condividere criteri per stabilire che cosa sia un comportamento anomalo e quando un incidente debba essere comunicato agli altri sviluppatori e alle autorit.

La crescita del calcolo rende la pausa pi difficile

La pressione competitiva non dipende soltanto dalla pubblicit o dagli annunci delle aziende. legata alla crescita misurabile delle risorse impiegate per costruire i modelli. LAI Index 2025 dellUniversit di Stanford ha rilevato che, sulla base dei dati disponibili fino al 2024, il calcolo utilizzato per addestrare i modelli pi rilevanti raddoppiava in media ogni cinque mesi. Le dimensioni dei dataset raddoppiavano ogni otto mesi, mentre la potenza necessaria per laddestramento cresceva su base annuale.

Lo stesso rapporto ha stimato per il 2024 investimenti privati nellintelligenza artificiale pari a 109,1 miliardi di dollari negli Stati Uniti. In Cina la cifra indicata era di 9,3 miliardi, nel Regno Unito di 4,5 miliardi. Sono dati riferiti a un solo anno e ottenuti con una metodologia specifica; mostrano comunque perch sia difficile separare il rallentamento dalla politica industriale e dalla sicurezza nazionale.

I costi dei modelli di frontiera contribuiscono alla concentrazione del settore. LAI Index 2024 aveva stimato in circa 78 milioni di dollari il costo computazionale delladdestramento di GPT-4 e in circa 191 milioni quello di Gemini Ultra. Si tratta di stime, non di bilanci pubblicati dalle aziende. Le cifre riguardano il calcolo e non comprendono lintero costo di ricerca, personale, dati e infrastrutture.

Nel 2025 OpenAI, Oracle e SoftBank hanno annunciato il progetto Stargate, che prevedeva investimenti fino a 500 miliardi di dollari nellarco di quattro anni per infrastrutture dedicate allintelligenza artificiale negli Stati Uniti. Nello stesso anno OpenAI indicava un obiettivo di 10 gigawatt di capacit. La contraddizione evidente: mentre si discute di contenere i sistemi pi potenti, le imprese aumentano la capacit fisica necessaria per addestrarli e farli funzionare.

Energia, data center e infrastrutture fisiche

La corsa allintelligenza artificiale ha anche una dimensione energetica. LAgenzia internazionale dellenergia ha stimato nel 2025 che la domanda elettrica globale dei data center sarebbe pi che raddoppiata entro il 2030 rispetto ai livelli del 2024, con lintelligenza artificiale tra i principali fattori di crescita.

Il consumo non nasce soltanto dalladdestramento iniziale. I modelli devono essere eseguiti milioni o miliardi di volte, aggiornati e sottoposti a prove; devono inoltre restare disponibili per gli utenti e per le imprese, spesso collegati a strumenti esterni. Un rallentamento concentrato sui grandi cicli di training ridurrebbe una parte della pressione, ma non cancellerebbe lelettricit necessaria per luso quotidiano.

La capacit energetica anche una variabile strategica. Un laboratorio che ottiene prima un nuovo data center pu addestrare modelli pi grandi oppure eseguire un numero maggiore di esperimenti. Un eventuale accordo tra aziende dovrebbe quindi considerare il numero di modelli pubblicati, ma anche la potenza installata, gli acquisti di acceleratori, i tempi di utilizzo dei cluster e il trasferimento delle attivit a fornitori esterni.

Il paradosso della competizione tra Stati

La pressione che spinge le aziende ad accelerare riguarda anche i governi. Gli Stati Uniti considerano la leadership nellintelligenza artificiale un fattore economico e strategico. La Cina persegue obiettivi di autonomia tecnologica e di influenza internazionale. Altri Paesi cercano di costruire capacit proprie per non dipendere da infrastrutture, modelli e piattaforme controllati da poche imprese straniere.

In queste condizioni una pausa unilaterale pu apparire come una rinuncia. Se un Paese pensa che i concorrenti continuino a sviluppare sistemi pi avanzati, avr un incentivo ad aumentare gli investimenti, non ad accettare un limite. una dinamica da dilemma strategico: tutti avrebbero interesse a ridurre i rischi, ma ciascuno teme che il primo a rallentare perda terreno.

La tecnologia inoltre a doppio uso. Le stesse innovazioni possono migliorare la ricerca scientifica, la medicina e la produttivit, ma anche sostenere attivit militari, sorveglianza, attacchi informatici e manipolazione dellinformazione. Un accordo globale dovrebbe distinguere tra ricerca aperta, modelli commerciali, sistemi militari e infrastrutture di calcolo.

Il precedente dei vertici sulla sicurezza

Una forma di coordinamento esiste gi, anche se limitata. La dichiarazione di Bletchley del 2023 stata sottoscritta da 28 Paesi e ha riconosciuto la necessit di comprendere e gestire collettivamente i rischi dei sistemi avanzati. Nel maggio 2024 il vertice di Seul ha portato a impegni sulla sicurezza firmati da 16 aziende internazionali, con lobiettivo di definire risultati e procedure per i modelli di frontiera.

Quegli accordi non hanno imposto una riduzione generale della velocit di sviluppo. Si concentravano soprattutto su valutazioni, piani di sicurezza, trasparenza e responsabilit dei produttori. Il loro limite mostra anche che una collaborazione possibile. Dichiarazioni volontarie e soglie non vincolanti, per, non bastano quando un errore pu avere conseguenze molto ampie.

Nel 2023 OpenAI aveva gi sostenuto che lo sviluppo della superintelligenza avrebbe richiesto una forma di coordinamento tra i principali laboratori. Quella proposta non coincideva con una moratoria. Puntava piuttosto alla sicurezza, allintegrazione sociale e al controllo dei sistemi pi avanzati. Nel 2026 il linguaggio diventato pi concreto: la velocit dei progressi e lautonomia degli agenti hanno ridotto il tempo disponibile per correggere le regole dopo il rilascio.

Che cosa possono fare gli altri laboratori

Anthropic, Google DeepMind, Meta e gli altri sviluppatori di modelli di frontiera affrontano lo stesso dilemma. Nei propri framework possono introdurre soglie di rischio, pubblicare i risultati dei test, separare i sistemi sperimentali dalle infrastrutture di produzione e sospendere un rilascio quando le protezioni non bastano.

Un meccanismo coordinato potrebbe chiedere a ciascun laboratorio di mantenere una classificazione dei rischi e di attivare una pausa quando un modello supera determinati criteri. Le soglie potrebbero riguardare capacit offensive nel cyberspazio, progettazione biologica, autonomia, persuasione su larga scala o capacit di automatizzare la ricerca sullintelligenza artificiale.

La credibilit dipenderebbe dalla verifica esterna. Se ogni impresa esamina da sola il proprio modello, pu essere tentata di leggere i risultati in modo favorevole ai propri interessi commerciali. Servirebbero organismi indipendenti, accesso controllato ai sistemi, audit tecnici e obblighi di comunicazione sugli incidenti. Coordinare non dovrebbe voler dire accettare la fiducia reciproca senza controlli; dovrebbe significare adottare procedure comparabili e verificabili.

Il ruolo dei governi e il rischio antitrust

I governi possono creare le condizioni per una collaborazione legale tra imprese concorrenti. Possono fissare standard comuni, autorizzare lo scambio di informazioni sugli incidenti, finanziare istituti di valutazione e stabilire la responsabilit di chi distribuisce sistemi oltre soglie di rischio conosciute.

Il problema riguarda la concorrenza. Unintesa tra aziende per ridurre lofferta o rinviare i rilasci potrebbe essere considerata una restrizione del mercato, soprattutto se coinvolgesse imprese gi dominanti. Per questo OpenAI ha cercato indicazioni sulla legalit di un rallentamento coordinato. Il Congresso statunitense ha discusso proposte per consentire alle aziende di collaborare su minacce e sicurezza senza esporle automaticamente a contestazioni antitrust.

La sicurezza non dovrebbe trasformarsi in una barriera per i nuovi entranti. Se soltanto le societ pi grandi possono ottenere certificazioni, accedere ai test o partecipare ai tavoli decisionali, le regole rischiano di rafforzare il potere degli operatori gi affermati. Un sistema equilibrato dovrebbe distinguere tra modelli a basso impatto e sistemi di frontiera, applicando gli obblighi in rapporto alla capacit e al rischio.

Lavoro e sicurezza oltre lipotesi esistenziale

Il rallentamento non riguarda soltanto gli scenari estremi. I sistemi generativi stanno gi modificando il lavoro di programmatori, analisti, traduttori, designer, operatori amministrativi e professionisti dellinformazione. Un ritmo molto rapido pu offrire vantaggi alle imprese che adottano per prime questi strumenti, ma pu anche lasciare lavoratori e istituzioni senza il tempo necessario per aggiornare competenze, contratti e sistemi di protezione.

Gli effetti sulloccupazione non sono uguali per tutti. Lintelligenza artificiale pu automatizzare alcune mansioni, aumentare la produttivit in altre e creare nuove attivit. Il risultato dipender dalla velocit di adozione, dalla qualit della formazione e dalla distribuzione dei guadagni. Un rallentamento mirato darebbe tempo per valutare questi effetti, ma non cancellerebbe una trasformazione gi iniziata.

Lo stesso vale per la sicurezza informatica. Modelli pi capaci possono aiutare a individuare vulnerabilit e difendere le reti; possono anche rendere pi rapidi ed economici alcuni attacchi. Quando i laboratori competono per rilasciare per primi un sistema con capacit operative avanzate, il tempo destinato a verificare gli abusi pu diventare una variabile sacrificabile.

Chi pu rallentare senza perdere terreno

La soluzione pi realistica non sembra essere la scelta spontanea di una singola azienda. OpenAI pu rinviare un addestramento, ma non pu impedire a un concorrente di andare avanti. Un governo pu imporre requisiti nazionali, esponendosi per al rischio che ricerca e investimenti si spostino verso Paesi con regole meno severe. Unintesa internazionale pu ridurre il rischio di una corsa incontrollata, ma deve affrontare i problemi delle verifiche, delle sanzioni, dei modelli aperti e dei rapporti tra potenze rivali.

La maggiore capacit di coordinamento resta nelle mani dello Stato, attraverso norme applicabili alle infrastrutture, agli acquisti di acceleratori, ai data center e ai sistemi distribuiti sul mercato. Il potere pubblico, per, ha bisogno delle competenze tecniche dei laboratori. Servono anche istituzioni indipendenti capaci di controllare le dichiarazioni delle aziende.

Una formula pi praticabile di una pausa assoluta potrebbe consistere in una serie di rallentamenti condizionati. Le aziende continuerebbero a fare ricerca, ma accetterebbero che alcune capacit richiedano test pi lunghi, accessi limitati e autorizzazioni specifiche. Quando un modello supera una soglia di rischio, il rilascio viene rinviato mentre gli sviluppatori lavorano sulle protezioni e sul monitoraggio.

La velocit da sola non misura il progresso

La domanda, quindi, non se OpenAI voglia fermare lintelligenza artificiale. Le dichiarazioni di Altman indicano una posizione pi circoscritta: lo sviluppo deve continuare, ma occorre poter ridurre il ritmo quando i sistemi raggiungono capacit che la societ non ancora pronta a gestire.

Il passaggio pi difficile riguarda il meccanismo di garanzia. Un rallentamento efficace dovrebbe essere abbastanza condiviso da non penalizzare chi lo applica e abbastanza trasparente da poter essere verificato. Dovrebbe anche restare flessibile, cos da non bloccare la ricerca utile. Serve poi una distinzione tra un modello che migliora un servizio esistente e un sistema capace di operare autonomamente su obiettivi complessi.

La corsa allIA pu produrre sistemi pi economici, accessibili e potenti, ma la velocit ha un costo quando riduce la qualit dei controlli. Il rischio non dipende soltanto dal numero di parametri, dai miliardi investiti o dai gigawatt disponibili nei data center. Dipende dal rapporto tra il ritmo dei progressi e quello con cui vengono costruiti valutazioni, regole, competenze e strumenti di supervisione.

Il paradosso posto da OpenAI resta aperto. Lazienda che investe per accelerare la frontiera chiede anche un modo per rallentarla, ma soltanto insieme agli altri. Senza coordinamento, la prudenza pu sembrare una debolezza competitiva. Un coordinamento progettato male pu invece trasformare la sicurezza in un accordo tra grandi imprese difficile da controllare. La sfida costruire regole capaci di tenere il passo con i modelli senza affidare proprio ai partecipanti alla corsa il potere esclusivo di decidere quando fermarsi.