Il dibattito sull’impatto dell’intelligenza artificiale sulle funzioni produttive si concentra spesso sull’efficienza operativa immediata. Ma la vera posta in gioco per la crescita economica di lungo periodo risiede nella capacità dell’AI di accelerare l’innovazione, in particolare nel settore della ricerca e sviluppo.

Le aspettative sono elevate, alimentate da risultati eccezionali in ambiti specifici come la biologia computazionale o la progettazione di materiali, ma quantificare l’accelerazione del progresso scientifico e tecnologico rimane un esercizio complesso.

Per fornire una bussola analitica l’economista statunitense Benjamin Jones (professore della Northwestern University), propone un framework che supera la semplice valutazione della “potenza” dell’AI.

Il modello, presentato da Jones in un paper pubblicato dal NBER (National Bureau of Economic Research), suggerisce che l’accelerazione del progresso dipende criticamente da tre variabili interconnesse: la quota di compiti che l’IA può automatizzare, la sua produttività in tali compiti e la forza dei colli di bottiglia.

Il paper pone l’attenzione non tanto sulla “super-intelligenza’ in sé”, ma sulla sua capacità di superare i colli di bottiglia sistemici che storicamente hanno frenato la scoperta, attraverso una sostanziale automazione dei compiti di ricerca.

I tre fattori chiave per misurare l’accelerazione della R&S

Il modello task-based elaborato da Jones semplifica il complesso processo della ricerca in tre parametri misurabili, che insieme determinano l’accelerazione della crescita nell’innovazione.

Il primo fattore è la quota di compiti di ricerca svolti dall’AI, che misura il grado di automazione raggiunto. Non è sufficiente che l’AI sia utilizzata, ma che si faccia carico di una frazione significativa delle operazioni necessarie per il progresso scientifico.

Il secondo è la produttività dell’AI in quei compiti, ovvero quanto l’AI sia più veloce o efficiente rispetto ai ricercatori umani nel completare le attività assegnate. Questo parametro cattura l’essenza dell’intelligenza artificiale.

Il terzo, e forse il più determinante, è la forza dei colli di bottiglia. Questo fattore, matematicamente espresso come la complementarità tra i compiti, definisce quanto l’eccellenza in un’area di ricerca specifica possa essere limitata dalla lentezza o dall’incapacità di completare altri compiti cruciali, anche se secondari.

È il valore espresso da quest’ultimo fattore, spiega Jones, a stabilire se un’AI super-efficiente in un compito (che presenta quindi un’elevata produttività) riesca effettivamente a tradursi in un’accelerazione significativa del processo globale di R&S.

Il paradosso della produttività e il limite dei colli di bottiglia

L’elemento più sorprendente emerso dal modello di Benjamin Jones è l’osservazione di un vero e proprio paradosso: l’aumento massivo della sola efficienza dell’AI in un compito non si traduce in un’accelerazione proporzionale del progresso scientifico. Ciò accade a causa del fenomeno dei colli di bottiglia.

Il processo di R&S può essere immaginato come una catena di montaggio molto lunga, dove ogni anello rappresenta un compito necessario (ad esempio: ricerca bibliografica, calcolo, sintesi chimica, testing). Se l’AI rende un solo anello di questa catena infinitamente più veloce – per esempio, identificando il ripiegamento di una proteina in pochi secondi – la velocità complessiva dell’intera catena sarà comunque limitata dal tempo necessario per completare l’anello più lento.

L’intelligenza artificiale, per quanto potente, non può eliminare il tempo richiesto per l’esecuzione di tutti gli altri compiti complementari, che devono essere completati sequenzialmente. Il guadagno massimo in termini di accelerazione è quindi bloccato da quanto sia forte l’interdipendenza tra i compiti.

L’automazione come vero motore del progresso trasformativo

Se l’accelerazione è vincolata dai colli di bottiglia, il modello indica chiaramente il fattore di leva più efficace: l’automazione.

L’impatto trasformativo dell’AI, spiega Jones, non dipende primariamente dal miglioramento delle sue performance in compiti che già esegue, ma dalla possibilità di espandere la quota di compiti che è in grado di svolgere in autonomia o di supportare con efficacia sufficiente.

Solo aumentando questa quota è possibile aggirare i colli di bottiglia che in precedenza bloccavano la sequenza di ricerca. L’obiettivo ultimo, per gli economisti, è l’AI Trasformativa (TAI), ovvero un livello di tecnologia in grado di accelerare la crescita economica in modo sostanziale, ad esempio di dieci volte.

Questa ambizione non richiede solo che l’AI superi i colli di bottiglia in un’ampia porzione di compiti di R&S, ma che i progressi ottenuti in aree specifiche siano combinati e diffusi con successo in tutti i settori dell’economia.

Tuttavia, anche un’accelerazione meno ambiziosa, definita AI Economica Significativa (EAI) — ad esempio, un incremento di velocità di 1,2 o 1,5 volte — sarebbe sufficiente a innescare un impatto radicale e sostenuto sugli standard di vita nel lungo periodo.

Concentrarsi sull’ampliamento del dominio operativo dell’AI, spiega Jones, è quindi l’unica strada per tradurre il potenziale tecnologico in crescita economica misurabile.