Se l’Europa non sviluppa l’AI: cosa c’è davvero dietro il monito di Mario Draghi

Il messaggio di Draghi, oltre il titolo

Mario Draghi, inaugurando l’anno accademico del Politecnico di Milano, ha detto una cosa molto semplice e molto scomoda: con la rivoluzione dell’intelligenza artificiale, nel corso dell’ultimo anno gli Stati Uniti hanno prodotto circa 40 grandi modelli fondamentali, la Cina 15 e l’Unione Europea solo 3. Se non colmiamo questo divario e non adottiamo queste tecnologie su larga scala, l’Europa rischia un futuro di stagnazione. (ANSA.it)

Ha aggiunto un punto che dovrebbe far tremare qualsiasi ministro dell’economia: se l’AI venisse adottata con la stessa traiettoria del digitale negli Stati Uniti, la crescita della produttività potrebbe aumentare di poco meno dello 0,8% l’anno; se l’impatto fosse paragonabile all’elettrificazione degli anni ’20, potremmo superare l’1% aggiuntivo annuo. Sarebbe l’accelerazione più significativa vista in Europa da decenni. (Sky TG24)

Tradotto in termini molto concreti: o l’AI diventa un’infrastruttura reale dell’economia europea, oppure nei prossimi 20–25 anni scopriremo che la nostra “normalità” è una crescita piatta, un debito pubblico strutturalmente ingestibile e un progressivo, silenzioso spostamento dell’innovazione altrove.

In questo pezzo non voglio ripetere il titolo dell’ANSA; voglio provare a rispondere a una domanda diversa: che cosa vuol dire, in pratica, “sviluppare l’AI” per l’Europa? E dove, oggi, ci stiamo raccontando una storia rassicurante ma fuorviante.

Il ritardo europeo: i numeri sono il sintomo, non la causa

I numeri che cita Draghi – 40 modelli statunitensi, 15 cinesi, 3 europei – sono un buon titolo perché sintetizzano la percezione di ritardo. Ma in sé, il “numero di foundation model” non è il vero problema; è solo un indicatore di qualcos’altro:

la massa critica di capitale e talento concentrata in alcuni poli;
la capacità di trasformare ricerca di frontiera in piattaforme industriali;
la disponibilità di dati, infrastrutture hardware e pipeline di prodotto che trasformano modelli in servizi scalabili.

La ricerca ci dice che, sulle tecnologie che evolvono rapidamente, l’Europa è meno efficiente di altre aree del mondo: la produttività scientifica misurata per impatto (non per numero di articoli) è inferiore alla media mondiale e nettamente dietro agli Stati Uniti. (arXiv)

Se combiniamo questo dato con il quadro di Draghi sul “28° regime” – un mercato interno davvero unico per le imprese innovative, senza 27 micro-regimi regolatori che frammentano tutto – vediamo il contorno del problema: l’Europa non manca di cervelli, manca di continuità tra ricerca, prodotto e mercato. (ANSA.it)

Quando Draghi parla di stagnazione, io non leggo un allarme solo tecnologico, ma un allarme di struttura: una macchina istituzionale che funziona bene per regolamentare, male per abilitare.

Non è una corsa a chi ha più LLM: il punto cieco dei modelli linguistici

C’è poi un equivoco che, da tecnico, sento il dovere di smontare: la rivoluzione dell’AI non coincide con la rivoluzione dei chatbot.

I large language model generalisti (quelli che usiamo tutti i giorni, me compreso) sono la parte più visibile dell’iceberg. Ma la vera trasformazione economica avviene in un’altra categoria di sistemi, che chiamo da tempo “modelli non-linguistici”:

reti neurali che sostituiscono la qualità manuale su una linea di produzione;
sistemi di visione artificiale che analizzano lastre, TAC, immagini industriali;
modelli che prevedono carichi energetici, guasti, manutenzioni;
agenti che orchestrano flussi di dati e software in fabbrica, in ospedale, in banca.

Questi modelli raramente finiscono sui giornali, non rilasciano comunicati stampa, non sono brandizzati come “GPT-qualcosa”. Eppure sono quelli che, in un’azienda reale, cambiano i margini, abbattono sprechi, riducono errori e tempi di attesa.

Se l’Europa concentra il discorso sull’AI su regolamentare i modelli generativi “di consumo” e trascura la costruzione di una base industriale di AI non-linguistica, rischia di fare un errore doppio:

irrigidire il contesto normativo proprio dove la tecnologia è più visibile ma meno strutturalmente determinante per il PIL;
lasciare sostanzialmente scoperto il campo dove l’AI genera vantaggi competitivi profondi, ma meno “instagrammabili”.

Quando Draghi dice che ogni giorno la frontiera tecnologica si allontana, io penso proprio a questo: non alla distanza tra un LLM europeo e l’ennesimo modello proprietario americano, ma alla distanza tra una fabbrica europea con quattro sistemi di AI embedded nei suoi processi, e una fabbrica che continua a lavorare come dieci anni fa. (ANSA.it)

Dall’AI “gadget” all’AI “infrastruttura produttiva”

Negli ultimi anni ho visto due Europe diverse:

una che mette chatbot sul sito aziendale, campagne marketing “AI-powered”, demo da convegno;
una che porta l’AI dentro il backbone operativo: catene di fornitura, manutenzione predittiva, risk management, controllo qualità, pricing dinamico, gestione energetica.

La seconda Europa è molto più piccola della prima, ma è quella che conta.

Quando Draghi parla di un possibile boom economico legato all’AI – un +0,8% o +1% di crescita annua di produttività – non sta parlando di scrivere mail più velocemente. Sta parlando di:

ridisegnare catene logistiche con modelli che simulano scenari e ottimizzano stock, percorsi, tempi;
automatizzare la generazione di piani di produzione, preventivi, offerte complesse;
far sì che un impianto industriale “parli” in tempo reale con un sistema AI che ne capisce le derive e anticipa i problemi.

Questa è l’AI come infrastruttura produttiva. Da anni, il lavoro che faccio con Algoretico va esattamente in questa direzione: portare l’AI dove genera valore misurabile, con modelli che di solito non parlano, ma vedono, classificano, predicono, decidono.

Se l’AI rimane un layer cosmetico sopra procedure vecchie, il monito di Draghi è già realtà: stagnazione, coperta da un velo di retorica tecnologica.

Private AI, dati europei e il paradosso regolatorio

C’è poi il grande non detto del discorso: come conciliare espansione dell’AI e tutela dei diritti fondamentali, in un continente che ha costruito parte della sua identità sul GDPR e ora sull’AI Act.

Qui la posizione europea è paradossale:

da un lato, abbiamo la normativa più avanzata al mondo su privacy e protezione dei dati;
dall’altro, continuiamo a utilizzare modelli addestrati altrove, con dati che non controlliamo, su infrastrutture che non possediamo.

È come costruire il miglior codice della strada del pianeta e poi far circolare solo autobus di altri paesi con autisti che non assumiamo noi.

La mia risposta a questo paradosso, negli ultimi anni, è stata una traiettoria molto chiara: Private AI.

Significa almeno tre cose:

Modelli locali, eseguibili su infrastrutture controllate (on-premise, edge, cloud europeo), non solo API verso stack transatlantici.
Dati che non escono dal perimetro dell’organizzazione, con tecniche di anonimizzazione, riduzione della superficie informativa, e – dove necessario – cancellazione selettiva dei concetti sensibili nei modelli (il lavoro che ho chiamato “Brain Surgery” per la compliance GDPR). (arXiv)
Architetture di orchestrazione che separano ruoli e responsabilità: chi controlla i dati, chi controlla i modelli, chi controlla le decisioni.

Se l’Europa vuole evitare la stagnazione senza diventare un’appendice regolata delle big tech straniere, l’unica strada è questa: smettere di vedere GDPR e AI Act come un vincolo astratto e iniziare a progettare sistematicamente soluzioni tecniche native per questo contesto.

Per questo insisto tanto su concetti come “Brain Surgery” o “Private AI kit”: sono tentativi di tradurre principi giuridici in pattern ingegneristici replicabili, che permettano alle aziende europee di usare l’AI senza doversi affidare a scatole nere extra-UE o a interpretazioni creative della normativa.

Una vera agenda europea per l’AI (vista dal campo)

Se prendo sul serio le parole di Draghi e le incrocio con quello che vedo ogni giorno, l’agenda europea sull’AI – quella reale, non quella dei documenti programmatici – dovrebbe spostarsi su alcuni assi molto concreti.

Standardizzare il “mestiere” di fare AI industriale

Oggi ogni progetto AI industriale in Europa è quasi un pezzo unico: stack diversi, integrazioni ad hoc, gestione dati artigianale. Questo uccide la scalabilità.

Serve una standardizzazione del mestiere, non un’altra piattaforma monolitica. Framework condivisi per:

pipeline dati (ingestione, cleaning, labeling, controllo qualità);
cicli MLOps adattati alle PMI europee, non solo ai big cloud;
governance del modello (versioning, audit, explainability, logging).

Proprio in questa direzione va il mio lavoro sulla Software-Production-as-a-Service (SPaaS) e sugli orchestratori di agenti AI: creare fabbriche del software AI-by-design che trasformino problemi business in cicli iterativi di sviluppo, con controllo, misure, rollback.

Non serve “un altro LLM europeo”; servono linee di produzione europee di soluzioni AI, robuste e replicabili.

Spostare il baricentro verso il bordo: Edge AI come fattore competitivo

Una buona parte dei casi d’uso veramente trasformativi non avviene nel cloud, ma sul bordo della rete: in una macchina industriale, su una linea di assemblaggio, dentro una clinica, in un sistema di controllo energetico.

Qui l’Europa ha una chance: forte tradizione manifatturiera, forte base hardware, ecosistemi di PMI evolute.

Lavorare su Edge AI – piccoli modelli ottimizzati, compressi, distillati per girare vicino al dato – significa:

ridurre la dipendenza da infrastrutture extra-UE;
migliorare privacy e sicurezza;
ridurre latenza su applicazioni critiche (sanità, energia, trasporti).

Progetti come quelli che sto sviluppando con board “AI-ready” e kit locali vanno esattamente in questa direzione: portare capacità cognitiva dove avvengono le cose, non solo in un data center lontano.

Investire meno su “AI generica”, di più su AI di dominio

Un’altra illusione diffusa è che basti “un grande modello generale” applicabile ovunque. L’esperienza dice il contrario: i risultati migliori arrivano da modelli di dominio, addestrati su dati specifici, progettati con la collaborazione stretta di esperti del settore.

È lo spirito dietro lavori come Adaptive Meta-Domain Transfer Learning (AMDTL): trasferire conoscenza tra domini diversi senza distruggere le specializzazioni, riducendo negativo transfer e catastrofic forgetting. (ANSA.it)

Per l’Europa, significa: meno mantra su “l’AI per tutto”, più investimenti mirati su:

AI per la manifattura avanzata;
AI per la salute (diagnostica, percorsi terapeutici, ricerca clinica);
AI per l’energia e la transizione;
AI per la logistica e la supply chain continentale.

Innovare davvero: ricerca, non solo implementazione

Il discorso di Draghi si inserisce in un contesto in cui molti paesi si stanno dotando di report scientifici di alto livello sulla sicurezza e lo sviluppo dell’AI, come l’International Scientific Report on the Safety of Advanced AI, che aggrega competenze globali per affrontare rischi sistemici e governance. (arXiv)

Se l’Europa vuole evitare la stagnazione, non può limitarsi a importare modelli e regole, deve contribuire a nuove architetture e nuove metodologie:

tecniche di concept erasure per rendere i modelli compatibili con il diritto all’oblio e i principi di minimizzazione dei dati;
nuovi paradigmi di transfer learning adattivo (come AMDTL) per affrontare contesti dove i dati etichettati sono pochi, frammentati, sensibili;
framework di AI agentica che non si limitino a comporre API, ma definiscano strutture di responsabilità, accountability e controllo umano in loop.

Qui c’è, per l’Europa, un’enorme finestra: mettere insieme la sua tradizione giuridica, la sua cultura ingegneristica e il suo patrimonio industriale per inventare modi nuovi di fare AI, non solo per “recuperare terreno” sugli altri.

Stagnazione o salto di fase: che cosa dipende davvero da noi

Il monito di Draghi è volutamente drammatico: stagnazione o boom. Personalmente, non credo agli scenari binari, ma riconosco la verità che sta sotto quella polarizzazione.

Se non succede nulla di strutturale, lo scenario è abbastanza chiaro:

un po’ più di automazione da ufficio, qualche chatbot in più, qualche piattaforma di analytics rebrandizzata;
crescita reale molto modesta;
dipendenza crescente da stack tecnologici extra-UE;
un progressivo, silenzioso, scivolamento verso i margini delle catene del valore.

Se invece prendiamo sul serio l’idea che sviluppare l’AI in Europa significa:

costruire Private AI robuste, sovrane e compliant;
spostare l’attenzione su modelli non-linguistici che cambiano davvero la produzione;
standardizzare il “mestiere” di fare AI industriale, non solo celebrarne gli esiti;
innestare la ricerca europea in nuove architetture, non solo in implementazioni,

allora il futuro non è scritto.

In questo senso, condivido il cuore del messaggio di Draghi, ma lo leggo così:

non ci serve “un’AI europea” come slogan: ci serve un’Europa che faccia dell’AI il proprio modo di lavorare, produrre, curare, progettare, rispettando i diritti mentre innova davvero.

Se non lo faremo, la stagnazione non sarà una sorpresa ma una conseguenza logica. Se lo faremo, l’AI non sarà la causa della nostra paura, ma lo strumento – potentissimo e delicato – con cui ridisegnare il patto tra tecnologia, economia e persone in questo continente.

E questa, al di là dei titoli, è una scelta che dipende da noi.