L’intelligenza artificiale tende strutturalmente a concentrare il potere e la regolazione può contribuire a limitarlo se viene costruita in modo da gravare soprattutto sui laboratori che occupano la frontiera tecnologica, lasciando maggiore spazio a chi sta ancora recuperando. Dario Amodei, cofondatore e CEO di Anthropic, lega questa concentrazione alle scaling law, alla quantità di compute necessaria per sviluppare e utilizzare i sistemi più avanzati e all’accesso ai chip che alimentano le infrastrutture AI.
Le scaling law mostrano che l’aumento di capacità di calcolo, dati e scala dei modelli tende, entro determinati regimi, a tradursi in prestazioni e capacità superiori. Per Amodei questa relazione ha una conseguenza industriale diretta: competere sulla frontiera richiede quantità crescenti di acceleratori, energia, data center e capitale, risorse accessibili soltanto a un numero limitato di soggetti. Anche la disponibilità di modelli open-weight attenua questo squilibrio senza rimuovere il collo di bottiglia rappresentato dall’infrastruttura computazionale.
1/2 Thanks Gavin for an especially thoughtful exchange. I don’t usually spend much time on social media but I wanted to engage here because it really brings out the heart of an important conversation.
First, on regulation, I think that “either concentrate it in the hands of a… https://t.co/2W6vWJAE8Y
— Dario Amodei (@DarioAmodei) 15 Agosto 2026
L’intervento nasce da un confronto con l’investitore Gavin Baker, che aveva ricondotto la questione regolatoria a un’alternativa tra concentrare l’AI nelle mani di poche aziende e decisori politici oppure distribuirne ampiamente le capacità. Amodei respinge la premessa stessa del ragionamento: “Penso che ‘o la si concentra nelle mani di poche aziende e politici scelti attraverso la regolazione, oppure la si distribuisce ampiamente’ sia una falsa scelta”. Nella Silicon Valley, osserva, “esiste una sorta di scorciatoia mentale per cui regolazione equivale a cattura regolatoria, che equivale a concentrazione del potere”, una rappresentazione che considera eccessivamente semplificata.
Fuori dall’industria tecnologica la regolazione viene spesso letta nella direzione opposta, come strumento per limitare il potere delle grandi imprese. Amodei evita di adottare automaticamente anche questa interpretazione. “Non sono necessariamente d’accordo neppure con questa prospettiva. Penso piuttosto che la questione sia complessa e dipenda realmente da che cosa consista la ‘regolazione’”.
La variabile decisiva diventa quindi come vengono disegnate le regole, quali capacità fanno scattare gli obblighi e quali operatori devono sostenerne il costo.
Una regolazione che rallenti chi è già alla frontiera
Il modello sostenuto da Anthropic cerca esplicitamente di concentrare gli obblighi più pesanti sui soggetti che dispongono già dei modelli e delle infrastrutture più avanzati. Amodei richiama il quadro californiano sulla trasparenza e sicurezza dei frontier model, che applica requisiti specifici ai grandi sviluppatori frontier, e la precedente proposta californiana bloccata dal veto del governatore Gavin Newsom nel 2024.
La scelta delle soglie determina se il costo della compliance diventi una barriera comparabile per incumbents e challenger oppure aumenti insieme alla capacità economica e tecnologica dell’operatore. Anthropic dichiara di perseguire deliberatamente la seconda soluzione. “Cerchiamo con grande impegno di avanzare proposte che svantaggino – rallentandole – le aziende di AI frontier, favorendo contemporaneamente i concorrenti più piccoli”, scrive Amodei.
Nel quadro californiano oggi in vigore, Amodei richiama la soglia di 500 milioni di dollari utilizzata per distinguere i grandi sviluppatori frontier. Ricorda inoltre che la proposta precedente contemplava una soglia inferiore, sulla quale Anthropic aveva espresso le proprie obiezioni. Il principio che rivendica è quello dell’esenzione per gli operatori che non hanno ancora raggiunto dimensioni economiche o livelli di investimento comparabili a quelli dei laboratori di testa: “Esentano completamente qualsiasi azienda al di sotto di una determinata soglia di ricavi o costi di addestramento del modello”.
La stessa logica è stata sviluppata ulteriormente nell’Advanced AI Framework di Anthropic. La proposta riserva gli obblighi più stringenti ai modelli addestrati utilizzando più di 10²⁵ FLOP, quando lo sviluppatore supera 500 milioni di dollari di ricavi legati all’AI oppure spende più di un miliardo di dollari l’anno in ricerca e sviluppo sull’AI.
I FLOP, floating-point operations, consentono in questo contesto di quantificare la scala computazionale dell’addestramento. La soglia non misura direttamente l’intelligenza o la pericolosità di un sistema, ma restringe il perimetro iniziale agli sviluppi che richiedono quantità molto elevate di capacità di calcolo. Anthropic combina poi questo criterio con valutazioni sulle capacità effettive.
Il framework prevede test sui modelli, pubblicazione dei risultati, risk report periodici, valutazioni indipendenti e programmi di sicurezza dell’intero ambiente di sviluppo. Per i sistemi che presentassero un rischio significativo di danno catastrofico, Anthropic propone inoltre che le autorità dispongano del potere legale di impedirne o scoraggiarne il deployment.
La distribuzione del costo regolatorio fa parte esplicitamente di questa architettura. “Il processo di testing che abbiamo sostenuto presso CAISI e la Casa Bianca prevede test più rigorosi per i frontier model rispetto ai modelli che si trovano fuori dalla frontiera”, afferma Amodei, sottolineando che un simile meccanismo “favorisce in maniera differenziale gli sfidanti”.
Più un modello si avvicina alla frontiera e acquisisce capacità sensibili, maggiore diventa quindi l’onere di dimostrarne la sicurezza. Startup, università e sviluppatori più piccoli rimangono relativamente liberi di avanzare finché i loro sistemi non raggiungono quelle soglie.
Il potere resta nel compute e nei chip
È sul rapporto tra apertura dei modelli e distribuzione del potere che il nuovo intervento aggiunge un elemento particolarmente rilevante. La posizione di Amodei sui modelli open-weight aveva già escluso un divieto generalizzato e spostato l’attenzione dalle modalità di distribuzione alle capacità effettive dei sistemi. Il CEO di Anthropic aveva indicato come aree prioritarie i controlli sui chip più avanzati, il contrasto alla distillazione su scala industriale e i test dei modelli sufficientemente potenti, aperti o proprietari.
Il nuovo intervento affronta un problema diverso: quanto potere venga realmente decentralizzato quando i pesi diventano disponibili.
Amodei parte dalle caratteristiche economiche della frontiera quando afferma che “l’AI è strutturalmente una tecnologia che tende a concentrare il potere, per ragioni che non hanno nulla a che fare con la regolazione e molto di più con le implicazioni estreme delle scaling law”.
Un modello open-weight consente a imprese, ricercatori e sviluppatori di eseguirlo sulla propria infrastruttura e modificarlo senza dipendere dall’API del produttore originario. Riduce quindi il controllo esercitato da un singolo fornitore e può diminuire il lock-in. La distribuzione dei pesi, tuttavia, non distribuisce contemporaneamente i cluster di acceleratori necessari per addestrare i sistemi frontier o per eseguirli su scala molto elevata.
“Gli open-weight aiutano in parte, ma sono ben lontani dall’essere una soluzione sufficiente, perché spostano semplicemente la concentrazione verso chi dispone della maggiore quantità di compute e chip”, osserva Amodei. I soggetti che controllano queste risorse coincidono, nella sua analisi, “più o meno con i laboratori frontier e forse con i fornitori di hardware”.
La dimensione raggiunta da questa infrastruttura è visibile nella stessa strategia industriale di Anthropic. Nell’aprile 2026 l’azienda ha ampliato la collaborazione con Google e Broadcom assicurandosi diversi gigawatt di capacità TPU di nuova generazione a partire dal 2027. Anthropic utilizza parallelamente infrastrutture AWS Trainium e GPU Nvidia, distribuendo il proprio fabbisogno su più architetture.
Il punto di Amodei riguarda proprio questa differenza di scala. L’apertura può distribuire il modello, mentre la capacità di costruire la generazione successiva rimane legata al controllo di infrastrutture computazionali ed energetiche enormi. È un limite alla decentralizzazione che precede qualsiasi intervento regolatorio.
Le regole dovrebbero quindi intervenire sui rischi senza aggravare ulteriormente questa concentrazione. Amodei ritiene possibile costruire un sistema capace contemporaneamente di “affrontare i rischi cyber, biologici e di alignment dell’AI”, limitare istituzionalmente il potere delle aziende frontier e lasciare spazio agli open-weight.
L’alignment, in questo contesto, riguarda il mantenimento del comportamento dei sistemi entro obiettivi compatibili con quelli stabiliti dagli esseri umani man mano che aumentano autonomia, capacità di pianificazione e possibilità di agire per periodi più lunghi.
Misurare la distanza dalla frontiera
Un sistema regolatorio graduato richiede la capacità di stabilire quanto un modello sia effettivamente vicino alla frontiera. La dimensione dell’azienda e il compute utilizzato per l’addestramento possono restringere il campo, ma non descrivono da soli ciò che il sistema è in grado di fare.
Il Center for AI Standards and Innovation, CAISI, presso il National Institute of Standards and Technology statunitense, sta sviluppando proprio questo tipo di capability evaluation. Nell’aprile 2026 ha valutato DeepSeek V4 Pro, modello open-weight cinese, ricostruendone la posizione rispetto ai sistemi più avanzati attraverso 16 benchmark applicati a 35 modelli.
La valutazione collocava DeepSeek V4 circa otto mesi dietro la frontiera statunitense. I test coprivano cyber, software engineering, scienze naturali, ragionamento astratto e matematica e comprendevano anche benchmark non pubblici, utilizzati per ridurre il rischio che il risultato fosse alterato dalla presenza dei test nei dati di addestramento.
Il dato degli otto mesi non rappresenta quindi semplicemente una classifica tra prodotti. Offre un esempio del tipo di misura necessario per applicare il principio sostenuto da Amodei: obblighi progressivi in funzione della distanza dalla frontiera e delle capacità specifiche acquisite dal modello.
Un sistema open-weight significativamente meno capace potrebbe rimanere fuori dal perimetro regolatorio più oneroso. Lo stesso sistema, una volta raggiunte capacità comparabili a quelle dei migliori modelli proprietari, dovrebbe essere sottoposto a verifiche analoghe.
La classificazione non dipenderebbe quindi dall’opposizione tra open e closed, ma dalla domanda più concreta: che cosa sa fare questo modello e quale rischio introduce?
La Casa Bianca apre ai test prima del rilascio
Amodei ritiene che la politica federale statunitense si sia avvicinata sensibilmente a questa impostazione negli ultimi mesi.
L’ordine esecutivo della Casa Bianca del 2 giugno 2026 dispone la creazione di un processo classificato di benchmarking per valutare le capacità cyber avanzate dei modelli e determinare la soglia oltre la quale un sistema debba essere considerato un covered frontier model.
Il provvedimento prevede inoltre un framework volontario attraverso il quale gli sviluppatori possono consentire al governo federale di accedere ai modelli coperti fino a 30 giorni prima del rilascio ad altri partner selezionati, in modo da verificarne anticipatamente le capacità cyber e utilizzare l’accesso controllato per rafforzare la sicurezza delle infrastrutture critiche.
Per Amodei questa evoluzione smentisce l’idea che il percorso regolatorio da lui auspicato sia stato politicamente sconfitto. “Non penso affatto che gli eventi degli ultimi mesi non siano riusciti a produrre il percorso regolatorio che preferisco”, scrive. E valuta favorevolmente “l’approccio che, secondo quanto riportato, l’amministrazione Trump sta adottando – test pre-deployment per i frontier model e test anche per gli open-weight quando questi si avvicinano alla frontiera”, pur precisando di voler conoscere i dettagli prima di esprimere un giudizio definitivo.
L’architettura federale già formalizzata rimane però meno vincolante della posizione sostenuta da Anthropic. L’ordine esecutivo stabilisce espressamente che il framework non può essere interpretato come autorizzazione a creare un sistema obbligatorio di licensing, pre-clearance o permesso governativo per sviluppare, pubblicare o distribuire nuovi modelli.
Il meccanismo federale è quindi volontario e oggi concentrato principalmente sulle capacità cyber, mentre Amodei sostiene un principio più ampio di valutazione dei sistemi frontier e dei modelli open-weight quando raggiungono capacità comparabili.
La differenza è sostanziale. Washington sta costruendo infrastruttura istituzionale e benchmark per valutare anticipatamente i modelli; Anthropic chiede che, al superamento di determinate soglie di rischio, la verifica diventi un requisito effettivo.
Cyber, biologia e perdita di controllo
Le capacità che potrebbero giustificare obblighi più stringenti ricadono, nel framework di Anthropic, in quattro categorie principali: rischio biologico, rischio cyber, perdita di controllo e automazione della stessa ricerca e sviluppo sull’AI.
Nel cyber, modelli sempre più capaci possono individuare vulnerabilità, sviluppare exploit e automatizzare porzioni crescenti della catena di attacco. Le medesime capacità possono essere utilizzate per difendere software e infrastrutture, ma la loro crescita aumenta il valore dei test prima che i modelli vengano distribuiti ampiamente.
In biologia, la preoccupazione riguarda sistemi capaci di ridurre le competenze necessarie per progettare agenti patogeni o rendere più accessibili procedure oggi limitate a gruppi altamente specializzati. È la stessa area nella quale Anthropic vede, sul versante opposto, alcune delle maggiori opportunità dell’AI per accelerare la ricerca medica.
La perdita di controllo riguarda sistemi che possano agire al di fuori delle intenzioni dei loro sviluppatori, mentre l’automazione della ricerca sull’AI introduce un possibile effetto di retroazione: modelli capaci di contribuire allo sviluppo della generazione successiva potrebbero accelerare la velocità con cui la frontiera avanza.
Quest’ultimo scenario spiega perché Amodei attribuisca tanta importanza alla possibilità di modulare il ritmo della frontiera senza rallentare l’intero ecosistema.
Rallentare chi è davanti senza fermare chi insegue
La questione è al centro di Pacing the Frontier, la dichiarazione firmata da dipendenti e dirigenti delle principali aziende impegnate nello sviluppo dei modelli avanzati, compreso lo stesso Amodei.
Il documento chiede al governo statunitense di sostenere uno sforzo internazionale per sviluppare gli strumenti tecnici e di governance necessari a modulare deliberatamente la velocità della frontiera qualora l’automazione della ricerca sull’AI producesse un’accelerazione superiore alla capacità di comprenderne e controllarne le conseguenze.
Il problema è anche economico. Un singolo laboratorio avrebbe pochi incentivi a rallentare unilateralmente mentre i concorrenti continuano ad avanzare. Lo stesso vale nel rapporto tra Stati, dove la possibilità che un Paese riduca la velocità mentre un rivale prosegue rende difficile qualsiasi intervento privo di coordinamento.
L’interpretazione preferita da Anthropic introduce però una caratteristica decisiva. Amodei immagina di “modulare il ritmo dei modelli migliori senza limitare quelli che stanno recuperando”. La conseguenza competitiva è intenzionale: “Questo danneggia gli interessi commerciali dei laboratori frontier e aiuta gli sfidanti, compresi gli open-weight”.
La proposta acquisisce così un significato diverso da un rallentamento generalizzato dell’intelligenza artificiale. Il vincolo verrebbe applicato al margine che sposta in avanti la frontiera, lasciando gli inseguitori liberi di ridurre la distanza.
È un ulteriore tassello della risposta di Amodei all’accusa di regulatory capture. Se le regole vengono applicate soltanto ai soggetti che stanno aprendo nuove classi di capacità, il loro effetto immediato può essere quello di ridurre temporaneamente il vantaggio competitivo degli incumbent.
Amodei vede con favore anche l’idea avanzata da Demis Hassabis di un’entità ispirata alla FINRA, Financial Industry Regulatory Authority, l’organismo di autoregolamentazione che supervisiona le società di brokeraggio statunitensi sotto il controllo della Securities and Exchange Commission.
L’interesse di un modello simile per l’AI sta nella possibilità di costruire un organismo specializzato, dotato di competenze tecniche e capace di aggiornare standard e procedure con maggiore velocità rispetto al normale ciclo legislativo, mantenendo allo stesso tempo una supervisione istituzionale.
Per Amodei il dibattito americano è già cambiato sensibilmente rispetto a pochi mesi fa, quando “gran parte dell’industria spingeva ancora per la preemption di qualsiasi regolazione statale, senza che esistesse apparentemente neppure un approccio federale”.
Le istituzioni come limite al potere delle aziende
La difesa della regolazione proposta da Amodei poggia su un’idea più generale del ruolo delle istituzioni. Il CEO di Anthropic sostiene che l’equazione tra regolazione, cattura del regolatore e concentrazione del potere trascuri la funzione che possono svolgere procedure impersonali e verificabili.
Chi adotta quello schema, scrive, “spesso sottovaluta la capacità decentralizzante di processi istituzionali oggettivi ed equi”.
L’analogia scelta è quella del sistema giudiziario. “Il sistema giudiziario formale può talvolta sembrare impettito ed elitista, ma svolge un lavoro molto migliore nel difendere i diritti degli individui vulnerabili rispetto all’alternativa, cioè la giustizia della folla”.
Da qui Amodei ricava una formulazione che va oltre la specifica regolazione dell’AI: “Nel loro funzionamento migliore, le istituzioni possono attribuire potere alle idee anziché alle persone e, in questo modo, decentralizzare quel potere”.
Applicare questo principio all’intelligenza artificiale presenta tuttavia una difficoltà strutturale. I laboratori frontier possiedono una parte considerevole delle competenze, dei dati sperimentali e delle infrastrutture necessarie per comprendere i comportamenti dei sistemi più avanzati. Sono quindi contemporaneamente soggetti da controllare e fornitori di una parte della conoscenza tecnica indispensabile al regolatore.
Il framework di Anthropic tenta di affrontare questa tensione attraverso valutazioni indipendenti, pubblicazione dei test, risk report periodici e sviluppo di un ecosistema di valutatori esterni qualificati. La qualità delle istituzioni diventa così una condizione necessaria della stessa strategia proposta da Amodei: una regolazione pensata per limitare la concentrazione può produrre l’effetto opposto se le procedure vengono di fatto controllate dagli incumbent.
Il problema dell’AI è anche una crisi di fiducia
La seconda parte dell’intervento sposta il discorso dal potere industriale al rapporto tra aziende AI e opinione pubblica. Amodei respinge l’accusa secondo cui la sua comunicazione avrebbe contribuito a creare una percezione sproporzionatamente negativa dell’intelligenza artificiale.
“Non sono d’accordo sul fatto che la mia comunicazione sia stata eccessivamente negativa. In realtà è stata distribuita in maniera più o meno equilibrata tra rischi e benefici”, sostiene, ricordando di avere dedicato importanti interventi pubblici a entrambe le dimensioni e di accompagnare la discussione dei rischi con proposte per mitigarli.
Una parte dello squilibrio percepito dipenderebbe dalle dinamiche della distribuzione online. “Le brevi clip delle mie interviste che finiscono sui social media tendono a essere sproporzionatamente negative, perché è quello che genera clic”.
Il versante più ottimistico della sua visione è sviluppato soprattutto in Machines of Loving Grace, il saggio nel quale Amodei analizza ciò che sistemi AI molto più capaci potrebbero produrre in biologia, medicina, neuroscienze, sviluppo economico e organizzazione sociale.
“Ho scritto ‘Machines of Loving Grace’ perché non ritenevo che l’industria dell’AI stesse delineando un’immagine sufficientemente ispiratrice di come questa tecnologia potrebbe trasformare radicalmente il mondo in meglio”, spiega.
È soprattutto nella biologia che le aspettative diventano estremamente ambiziose. Amodei afferma di avere dedicato gran parte del saggio a mostrare perché considera possibile “curare la maggior parte delle malattie umane in circa 5-10 anni, per quanto possa sembrare folle alle persone comuni e, francamente, anche ai biologi – e io un tempo ero uno di loro”.
Il riferimento temporale va letto nel quadro della tesi sviluppata in Machines of Loving Grace: Amodei immagina che, una volta disponibile un’AI sufficientemente potente, il progresso biologico che normalmente richiederebbe 50-100 anni possa essere compresso in un intervallo di 5-10 anni. Non è quindi una previsione secondo cui la maggior parte delle malattie sarà necessariamente curata entro cinque o dieci anni dal 2026, ma una stima condizionata all’arrivo e all’efficacia di sistemi capaci di accelerare realmente il lavoro scientifico.
“Quello che funzionerà sarà curare davvero il cancro”
Sul giudizio negativo dell’opinione pubblica nei confronti dell’AI Amodei concorda invece con Baker, ma ne individua l’origine in un problema molto precedente all’attuale generazione di modelli.
“Penso che fondamentalmente sia una crisi di fiducia. Le persone comuni non si fidano delle aziende, dei governi o dell’industria tecnologica e sospettano sempre che stiamo escogitando un nuovo modo per fregarle”, scrive. Le cause “risalgono a decenni fa e l’AI è soltanto l’ultima iterazione del problema”.
Una campagna di comunicazione costruita per enfatizzare le potenzialità positive rischierebbe, in questo contesto, di essere percepita come ulteriore marketing. Amodei afferma infatti di non considerare “una brillante campagna di marketing con un messaggio positivo” il modo corretto per riconquistare la fiducia.
La credibilità deve arrivare dai risultati. “A questo punto dire che l’AI curerà il cancro è diventato più un cliché che qualcosa di capace di ispirare, e la maggior parte delle persone pensa che sia ingannevole. Quello che funzionerà sarà curare davvero il cancro”.
È uno dei passaggi più significativi dell’intervento perché Amodei applica il criterio anche alla propria azienda. “Penso che di gran lunga la critica più accurata alle aziende AI, Anthropic compresa, sia che non abbiamo ancora mantenuto le nostre grandi promesse di portare benefici al mondo”.
La responsabilità viene attribuita direttamente al settore. “Questo dipende interamente da noi, e penso che sia questa la critica che dovreste farci, invece di tutta questa discussione sul messaging e sul marketing”.
Il problema della reputazione dell’AI viene così trasformato in un problema di risultati. L’industria ha costruito aspettative enormi sulla produttività, sulla ricerca scientifica e sulla medicina; la fiducia dipenderà dalla capacità di produrre benefici proporzionati a quelle promesse.
Biologia e medicina diventano il banco di prova
Anthropic sta aumentando le proprie attività proprio nel settore che Amodei utilizza come principale esempio dei benefici potenziali dell’AI. Nel giugno 2026 ha introdotto Claude Science, un ambiente di lavoro per la ricerca configurato per genomica, analisi single-cell, proteomica e cheminformatica e collegato a più di 60 database scientifici.
Il progetto si inserisce in un lavoro più ampio sull’impiego degli agenti AI nella ricerca biologica, dove una delle difficoltà centrali consiste nel collegare i modelli a database, strumenti di calcolo, procedure sperimentali e fonti scientifiche mantenendo verificabili gli output.
Nel suo intervento Amodei anticipa che Anthropic sta “aumentando molto rapidamente i propri sforzi in biologia e medicina” e spera di ottenere “risultati incredibili nei prossimi anni e alcuni primi segnali già nei prossimi mesi”.
Il CEO mette però un limite esplicito alla comunicazione anticipata di questi risultati. “Quando avremo realmente realizzato qualcosa di concreto, tutto il mondo ne sentirà parlare, il più forte possibile. Avete la mia parola”. Fino a quel momento, aggiunge, “non voglio fare promesse vuote”.
La ricerca biomedica diventa così un banco di prova della stessa strategia comunicativa difesa da Amodei: mostrare risultati prima di chiedere al pubblico di credere alla promessa.
Se l’AI accelera i farmaci, la regolazione deve assorbire la velocità
L’eventuale accelerazione della ricerca introduce però un problema che non si risolve aumentando la capacità dei modelli. Se l’AI riuscisse a generare più rapidamente ipotesi, identificare target biologici e produrre nuove molecole candidate, le fasi successive della catena potrebbero diventare i nuovi colli di bottiglia.
Nel suo Policy on the AI Exponential, Amodei affronta per questo anche il processo della Food and Drug Administration. Nell’intervento ricorda di avere presentato proposte “per rendere più snello il processo della FDA, in modo da assicurarsi che il diluvio di farmaci accelerati dall’AI non venga rallentato dal processo regolatorio”.
L’urgenza con cui affronta il tema ha anche un’origine personale. “Ho perso mio padre a causa dell’epatite C soltanto pochi anni prima dello sviluppo degli antivirali ad azione diretta, come sofosbuvir, che curano il 95% dei pazienti e probabilmente avrebbero curato anche lui”.
La variabile centrale diventa quindi il tempo che separa la possibilità scientifica di una terapia dalla sua disponibilità effettiva per i pazienti. Un’accelerazione a monte prodotta dall’AI avrebbe un impatto limitato se validazione sperimentale, trial clinici, produzione e approvazione continuassero a procedere con gli stessi vincoli temporali.
La medicina mostra così anche la tensione che attraversa l’intera posizione di Amodei sulla regolazione. Nel caso dei frontier model chiede regole capaci di rallentare quando la velocità produce rischi difficili da controllare; nel caso dei farmaci chiede istituzioni capaci di accelerare quando il processo regolatorio rischia di impedire che un beneficio scientifico raggiunga rapidamente i pazienti. In entrambi i casi il criterio è la capacità delle istituzioni di adattare il proprio ritmo alle conseguenze concrete della tecnologia.
Lo stesso principio ritorna nel rapporto con l’opinione pubblica. Finché i grandi benefici rimangono promesse, Amodei ritiene necessario continuare a discutere anche dei pericoli. “Nel frattempo mi sento obbligato a parlare con onestà dei rischi molto reali dell’AI e di come affrontarli”. In termini di credibilità, conclude, questa scelta “non è peggiore – e potrebbe anzi essere migliore – di un approccio che ignora o distrae dai rischi che le persone comprendono istintivamente essere reali”.
