Dalla potenza all'efficienza: l'AI ha cambiato rotta. I trend emersi dalla Sala Machine Learning del WMF 2026

Fino a poco fa la corsa era ai parametri, con modelli sempre più grandi, potenti e capaci. La domanda che oggi si pongono le aziende è diversa e più adulta, non "quanto è potente" ma "quanto è sostenibile". Perché ogni interazione con un modello ha un costo concreto in termini di denaro, di latenza e di energia, e su scala reale una funzionalità che brilla in demo può diventare economicamente insostenibile. Non è una semplice percezione. Secondo lo Stanford AI Index 2025 il costo per ottenere prestazioni equivalenti a GPT-3.5 è crollato di oltre 280 volte in circa 18 mesi, da 20 a 0,07 dollari per milione di token, trainato proprio da modelli più piccoli e capaci, mentre l'efficienza energetica dell'hardware migliora di circa il 40% all'anno.

La sala ha risposto a questa domanda con l'ottimizzazione. Tejas Chopra, ad esempio, ha presentato Headroom, un applicativo per Claude Code e Codex che permette di comprimere e selezionare il contesto in modo che al modello arrivi solo ciò che serve. Stessa risposta, una frazione dei token. È lo stesso principio di Caveman, ma con numerosi vantaggi in più tra cui la minimizzazione della perdita di contesto. Ma il discorso va oltre il singolo prompt, riguarda la gestione dei flussi, cioè orchestrare quando e come interrogare il modello, evitando chiamate ridondanti.

L'efficienza passa anche dall'hardware, e qui il caso più affascinante della giornata è arrivato da dove non te lo aspetti. Erica Occhionero, data scientist e danzatrice aerea, ha costruito un sistema che riconosce in tempo reale le fasi del movimento nella danza in volo e le trasforma in proiezioni sceniche e audiodescrizioni per il pubblico non vedente. Tutto questo gira su un modello quantizzato eseguito da un Raspberry Pi con un acceleratore dedicato. Intelligenza, cioè, che non ha bisogno di un data center per funzionare, e la prova che l'ottimizzazione non è solo una questione di risparmio ma anche ciò che rende possibili applicazioni nuove.

Tradotto in termini di business, l'efficienza non è una rifinitura tecnica. È margine, scalabilità e sostenibilità, ed è ciò che separa un progetto pilota da un prodotto AI che sopravvive al conto economico. L'efficienza economica e strutturale, in sintesi, è la vera sfida di oggi.

Un sistema efficiente e ben architettato è sostenibile, ma non per questo affidabile. E qui la sala ha toccato il nervo scoperto della messa in produzione. Gaia Gambarelli e Ivan Gentile (Fondazione iFAB) hanno mostrato l'emergent misalignment, un fenomeno documentato per la prima volta da Betley et al. (2025) e poi approfondito da OpenAI. Se si adatta tramite fine-tuning un modello allineato dandogli risposte sbagliate anche in un solo ambito ristretto, per esempio consigli errati sulla manutenzione dell'auto, questo inizia a comportarsi in modo scorretto su domande del tutto scollegate (nei test della ricerca, alla richiesta di idee per fare soldi in fretta, arriva a proporre di rapinare una banca o avviare uno schema Ponzi). La parte interessante è che OpenAI ha individuato dietro a tutto questo una sorta di "persona disallineata" interna al modello, che però si può rilevare e correggere, perché spesso basta un piccolo ulteriore addestramento su dati corretti per riportarlo a un comportamento sano. La lezione operativa che ne hanno tratto Gaia e Ivan, replicando il fenomeno su modelli reali, è che la validazione tradizionale non basta più. Servono valutazione continua, red teaming e consapevolezza.

Francesco Lerro (TheFork) ha raccontato l'altra faccia dello stesso problema, ovvero la distanza tra una demo e un prodotto usato ogni giorno da milioni di persone, fatta di governance e nodi organizzativi prima ancora che di codice.

Che il tema sia tutt'altro che teorico lo confermano i numeri. Secondo lo Stanford AI Index 2025, gli incidenti legati all'AI sono cresciuti di oltre il 56% in un anno, fino a un record di 233 nel 2024. Il messaggio, per chi deve decidere, è netto. In produzione il collo di bottiglia non è più "il modello sa farlo?", ma "ci possiamo fidare, giorno dopo giorno, su larga scala?". Valutazione e governance sono ciò che trasforma un proof of concept in qualcosa che un'azienda può davvero far funzionare.