{"id":2204,"date":"2025-10-17T12:00:00","date_gmt":"2025-10-17T10:00:00","guid":{"rendered":"https:\/\/pletzenauer.com\/?p=2204"},"modified":"2026-08-05T17:23:27","modified_gmt":"2026-08-05T15:23:27","slug":"karpathy-agenti-ia-decennio","status":"publish","type":"post","link":"https:\/\/pletzenauer.com\/it\/2025\/10\/17\/karpathy-agenti-ia-decennio\/","title":{"rendered":"Karpathy sugli agenti IA: perch\u00e9 ci vuole un decennio, non un anno"},"content":{"rendered":"

Nel settore dell’IA circolano attualmente due racconti molto diversi. Uno promette che gli agenti IA autonomi sostituiranno intere professioni gi\u00e0 nel corso di quest’anno. L’altro viene da uno dei professionisti pi\u00f9 esperti del campo e suona nettamente pi\u00f9 sobrio. Andrej Karpathy – cofondatore di OpenAI, ex responsabile dell’IA in Tesla – contraddice apertamente l’euforia nella conversazione con Dwarkesh Patel: non sar\u00e0 l’anno degli agenti, bens\u00ec il decennio degli agenti<\/strong>.<\/p>\n

Per i decisori nelle PMI questa prospettiva \u00e8 preziosa, perch\u00e9 non minimizza n\u00e9 esagera. Karpathy usa quotidianamente strumenti come Claude e Codex e li ritiene notevoli – e allo stesso tempo indica con precisione perch\u00e9 oggi spesso non bastano per un lavoro serio. Riassumo i punti centrali e li inquadro in ci\u00f2 che significano per le decisioni aziendali.<\/p>\n

\nI punti essenziali<\/strong><\/p>\n
    \n
  • Karpathy si aspetta che agenti IA davvero capaci abbiano bisogno di circa un decennio per maturare – non di un anno.<\/li>\n
  • Ai modelli odierni mancano l’apprendimento continuo, una multimodalit\u00e0 affidabile e l’uso del computer; presentano «lacune cognitive».<\/li>\n
  • Nella programmazione gli strumenti di IA funzionano gi\u00e0 bene – ma quasi per nulla con codice davvero inedito. Il suo punto ottimale resta il completamento automatico, non il «vibe coding».<\/li>\n
  • Il modello d’impiego realistico \u00e8 un «regolatore di autonomia»: l’IA si assume una quota crescente, le persone sorvegliano e forniscono la parte decisiva restante.<\/li>\n
  • Karpathy vede l’IA come continuazione dell’automazione – con una diffusione graduale, non con un ribaltamento improvviso.<\/li>\n<\/ul>\n<\/div>\n
    \"Confronto
    Karpathy distingue chiaramente tra i punti di forza attuali dell’IA e le capacit\u00e0 che richiedono ancora anni.<\/figcaption><\/figure>\n

    Perch\u00e9 un decennio e non un anno?<\/h2>\n

    La tesi di Karpathy \u00e8 una reazione consapevole all’affermazione diffusa secondo cui questo sarebbe «l’anno degli agenti». Lui la considera una netta sopravvalutazione. Il suo criterio: quando si impiegherebbe un agente IA come un collaboratore o una stagista? Oggi no – perch\u00e9 i sistemi semplicemente non lavorano in modo abbastanza affidabile.<\/p>\n

    La sua motivazione poggia su circa 15 anni di esperienza nel campo. I problemi sarebbero risolvibili, ma tenaci. In concreto ai modelli manca qualcosa in pi\u00f9 punti:<\/p>\n

      \n
    • Apprendimento continuo:<\/strong> si pu\u00f2 comunicare qualcosa a un modello, e questo non lo conserva in modo duraturo.<\/li>\n
    • Multimodalit\u00e0:<\/strong> i diversi tipi di input non vengono ancora elaborati con padronanza costante.<\/li>\n
    • Uso del computer:<\/strong> l’utilizzo autonomo di interfacce e strumenti \u00e8 acerbo.<\/li>\n<\/ul>\n

      Karpathy rimanda alla storia del campo: pi\u00f9 volte si \u00e8 provato a costruire «il tutto» troppo presto – per esempio con il reinforcement learning sui giochi Atari o con il primo tentativo di far usare pagine web agli agenti tramite mouse e tastiera. Solo i grandi modelli linguistici (LLM) hanno fornito la capacit\u00e0 di rappresentazione necessaria. Anche oggi per\u00f2 mancano ancora pezzi dello stack.<\/p>\n

      Fantasmi invece di animali: un’immagine per la natura dell’IA odierna<\/h2>\n

      Una metafora centrale di Karpathy: non stiamo costruendo animali, bens\u00ec fantasmi<\/strong>. Gli animali nascono per evoluzione e portano con s\u00e9 molto «hardware incorporato» – un puledro di zebra cammina pochi minuti dopo la nascita. I modelli di IA nascono invece per imitazione di dati umani presi da internet. Sono imitazioni digitali, simili all’uomo – un altro tipo di intelligenza.<\/p>\n

      Ne discende un’osservazione pratica: il preaddestramento («pre-training») produce due cose insieme – conoscenza e intelligenza. La grande quantit\u00e0 di conoscenza imparata a memoria Karpathy la considera in parte perfino un peso. I modelli vi si appoggerebbero troppo e farebbero fatica a lavorare oltre il noto. Il suo obiettivo \u00e8 un «nucleo cognitivo»: intelligenza e strategie di soluzione dei problemi, liberate dalle nozioni superflue, che si consultano all’occorrenza.<\/p>\n

      Ci\u00f2 che sta nei pesi del modello \u00e8 un ricordo vago dei dati di addestramento. Ci\u00f2 che sta nella finestra di contesto \u00e8 memoria di lavoro diretta.<\/p><\/blockquote>\n

      Conseguenza pratica per chi lo usa: chi fornisce al modello il documento rilevante direttamente nel contesto ottiene risultati nettamente migliori rispetto a una domanda posta alla sola «memoria».<\/p>\n

      Programmare: dove l’IA aiuta – e dove no<\/h2>\n

      Particolarmente istruttivo \u00e8 il racconto onesto di Karpathy su come impiega l’IA nella programmazione. Nella costruzione del suo repository didattico nanochat<\/em> i modelli di coding gli sono serviti a poco. Distingue tre modi di lavorare:<\/p>\n\n\n\n\n\n\n\n
      Modo di lavorare<\/th>\nDescrizione<\/th>\nValutazione di Karpathy<\/th>\n<\/tr>\n<\/thead>\n
      Scrivere tutto da s\u00e9<\/td>\nRifiutare completamente l’IA<\/td>\nOggi non ha pi\u00f9 senso<\/td>\n<\/tr>\n
      Completamento automatico<\/td>\nLa persona resta architetto, il modello completa<\/td>\nIl suo «sweet spot» preferito<\/td>\n<\/tr>\n
      «Vibe coding» \/ agenti<\/td>\nFormulare l’incarico, il modello costruisce in autonomia<\/td>\nAdatto solo in casi determinati<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

      Secondo Karpathy gli agenti brillano con il codice standard e boilerplate<\/strong>, quello che ricorre spesso in rete. Con il suo codice strutturato in modo insolito e «intellettualmente denso» hanno invece fallito: non capivano le sue deviazioni volute dalle convenzioni, inserivano protezioni superflue, gonfiavano il codice e usavano in parte interfacce obsolete. La sua conclusione: i modelli sono deboli con il codice «che non \u00e8 mai stato scritto prima».<\/p>\n

      Proprio questo \u00e8 rilevante per il dibattito sull’hype. L’idea popolare di una rapida «esplosione di intelligenza» si basa spesso sul presupposto che l’IA possa automatizzare la ricerca sull’IA stessa. Ma proprio l\u00e0 dove le cose sono davvero inedite i modelli sono pi\u00f9 deboli – un motivo importante degli orizzonti temporali pi\u00f9 lunghi di Karpathy.<\/p>\n

      Reinforcement learning: «aspirare la supervisione con una cannuccia»<\/h2>\n

      Karpathy critica apertamente il reinforcement learning corrente. Su un problema di matematica il sistema prova centinaia di percorsi di soluzione; alla fine viene verificato solo il risultato finale. Ogni token di un percorso riuscito viene sovrappesato – anche i vicoli ciechi che per caso hanno portato alla soluzione giusta.<\/p>\n

      Si aspira la supervisione con una cannuccia: un unico segnale di successo viene distribuito sull’intera traccia. Una persona non lo farebbe mai cos\u00ec.<\/p><\/blockquote>\n

      Alternative come la valutazione basata sul processo finora si arenano su un problema sottile: se si impiega un secondo modello come «giudice», il modello addestrato trova immancabilmente delle scappatoie<\/strong>. Karpathy descrive un caso in cui un modello ottenne improvvisamente il punteggio massimo – bench\u00e9 le sue risposte degenerassero in un guazzabuglio insensato che il giudice classificava erroneamente come perfetto. Di questi «esempi avversari» ce ne sarebbero infiniti.<\/p>\n

      Nemmeno i dati sintetici risolvono la cosa senza difficolt\u00e0: gli output dei modelli «collassano» silenziosamente su una gamma ristretta – se si chiede dieci volte una barzelletta a ChatGPT, arrivano praticamente sempre le stesse. Se si addestra troppo a lungo su output propri di questo tipo, il modello peggiora.<\/p>\n

      Che cosa significa per l’economia e le PMI<\/h2>\n

      Karpathy non prevede una sostituzione improvvisa dei posti di lavoro, bens\u00ec un regolatore di autonomia<\/strong>: l’IA si assume dapprima circa l’80 per cento di un volume di compiti e delega il resto alle persone, che sorvegliano squadre di sistemi di IA. I primi candidati sono attivit\u00e0 con caratteristiche chiare:<\/p>\n