Non hai voglia di leggere? Nessun problema, è ora disponibile la versione podcast dell’articolo (disclaimer: si tratta di un tool in versione beta):

1. Conclusioni per il lettore frettoloso 
2. Ogni tecnologia ha il proprio padre 
3. Sai davvero come funziona? 
4. Più largo è meglio è 
5. La rivoluzione delle rivoluzioni 
6. Una bolla non può ingrandirsi all’infinito 
7. Previsioni su un futuro prossimo 

Conclusioni per il lettore frettoloso 

No, non si tratta di un errore, ho voluto inserire le conclusioni prima di tutto. Come forse avrai intuito dal nome del paragrafo, questo nuovo format strizza l’occhio al ritmo accelerato della nostra quotidianità, in cui è sempre più importante rintracciare informazioni “finite” senza perdere tempo nell’affrontare il processo di “raffinazione”. Detta in parole povere, non tutti hanno il tempo o la voglia di leggere interamente un approfondimento, qualsiasi sia l’argomento. E così ho fatto una scelta pragmatica, lasciando i successivi paragrafi al lettore motivato. 

Questa volta vorrei affrontare un argomento non strettamente finanziario. O, per meglio dire, che di per sé non appartiene a quest’ambito, ma che, comunque, sta avendo impatti profondi. Non sbaglierei di molto definendola la tecnologia più rivoluzionaria di tutti tempi. A tal punto radicale, da rendere realistici scenari che, solo fino a qualche anno fa, erano appannaggio esclusivo dei migliori film di fantascienza. Hai capito di cosa parlo vero? Di intelligenza artificiale ovviamente. Dalla sua nascita, il percorso dell’AI è una storia di idee rivoluzionarie, fallimenti e rinascite. Tutto inizia nel 1950, quando Alan Turing per primo esplora la possibilità di creare algoritmi in grado di replicare le nostre capacità logiche; pochi anni dopo al Dartmouth College si conia il termine “intelligenza artificiale”, con l’ambizione di inventare macchine capaci di usare il linguaggio e risolvere problemi. Dopo una fase di stasi durata anni, l’invenzione del backpropagation e la crescita della potenza di calcolo fanno esplodere il deep learning a partire dai primi anni 2000. 

Il cuore dei moderni sistemi è l’inferenza statistica. Modelli addestrati su enormi moli di dati identificano schemi e prevedono output sulla base di probabilità, senza comprenderne davvero il significato. Negli ultimi anni questa capacità si è trasformata in creatività. Large Language Models come ChatGPT hanno raccolto 100 milioni di utenti in poche settimane e quasi 800 milioni entro l’autunno 2025, mentre GPT4 ha raggiunto prestazioni di livello umano superando il 90° percentile nell’esame per avvocati. Le reti generative generano immagini realistiche da descrizioni testuali, inaugurando un mercato florido di applicazioni artistiche e creative. Parlando di numeri, la generative AI potrebbe aggiungere fra 2,6 e 4,4 trilioni di dollari l’anno all’economia globale, aumentando la produttività del lavoro di 0,1 – 0,6 punti percentuali grazie all’automazione di alcuni ruoli. 

Tutto ciò comporta profondi cambiamenti nell’organizzazione del lavoro; professioni ad alto contenuto ripetitivo rischiano l’obsolescenza, mentre nuove competenze digitali diventano cruciali. Nei mercati finanziari l’AI è già protagonista. Dal 2023, anni di lancio di ChatGPT, una manciata di grandi società tecnologiche ha trainato l’S&P 500 con rialzi record; Nvidia, produttrice di chip fondamentali per i modelli, ha superato i cinque trilioni di dollari di capitalizzazione nel 2025. Questa crescita dei rendimenti alimenta l’entusiasmo, ma, allo stesso tempo, ricorda ad alcuni una storia già vissuta nei primi anni 2000. Le valutazioni sono elevate e basate su forti aspettative future, anche se più supportate da utili rispetto alla fase dotcom. Gli investitori si trovano quindi stretti fra opportunità e rischi. 

In ambito retail, gli asset gestiti da algoritmi potrebbero superare i 6 trilioni di dollari entro pochi anni, cambiando radicalmente il rapporto tra risparmiatori e mercati. Ma tutto ciò dovrà essere accompagnato da spirito critico e consapevolezza. Questi sistemi infatti possono sbagliare, i dati di partenza influenzano i risultati finali. È probabile che si affermi un modello ibrido, in cui l’AI potenzia il lavoro degli operatori finanziari. 

La rivoluzione della intelligenza artificiale è reale, offre prospettive notevoli per l’economia e la finanza personale. Allo stesso tempo richiede un approccio informato. Bisogna comprendere come funzionano i meccanismi statistici che alimentano l’AI, per poterla utilizzare al meglio e, allo stesso tempo, gestirne i limiti. 

Ogni tecnologia ha il proprio padre 

Nel 1950 il matematico Alan Turing pone per primo la fatidica domanda: “Le macchine possono pensare?”. Nel suo articolo Computing Machinery and Intelligence immagina un test per valutare se un computer possa imitare credibilmente un essere umano nel dialogo (il celebre Turing Test)[1]. Pochi anni dopo, nell’estate 1956, un gruppo di giovani scienziati si riunisce al Dartmouth College e battezza ufficialmente la nuova disciplina “intelligenza artificiale”[2]. L’entusiasmo iniziale è travolgente. Già negli anni ’50 programmi pionieristici come il Logic Theorist di Allen Newell e Herbert Simon dimostrano teoremi logici, facendo sperare che il traguardo di una macchina “pensante” sia a portata di mano[3]. Ma l’euforia lascia presto spazio a battute d’arresto. Un rapporto critico del 1973 evidenzia il divario tra le promesse e i risultati ottenuti, portando a tagli dei fondi di ricerca e inaugurando quello che i commentatori chiamano il primo “inverno dell’AI”[4]. 

In realtà, gli anni ’70 videro progressi costanti sul piano scientifico[5]; fu semmai la fine degli anni ’80 a sancire una vera crisi. La bolla speculativa attorno ai sistemi esperti si sgonfia e innesca una glaciazione ventennale per l’AI, con investimenti e fiducia al minimo[6]. Una crisi, si sa, porta con sé i germogli della successiva rinascita. Ed è così che proprio nel 1986 Geoffrey Hinton e colleghi riscoprono l’algoritmo del backpropagation, sbloccando la possibilità per le reti neurali di “apprendere” correggendo i propri errori, superando così i vecchi limiti[7]. Questa svolta riaccende lentamente l’interesse nella ricerca sulle reti neurali e apre la strada alla rivoluzione del deep learning negli anni 2000 e 2010[8]. 

Con l’aumento esponenziale della potenza di calcolo e dei dati disponibili, l’AI mantiene finalmente le sue promesse. Nel 2012 una rete neurale chiamata AlexNet, addestrata su milioni di immagini, stravince una gara internazionale di riconoscimento visivo, sbaragliando software tradizionali programmati manualmente[9]. È l’inizio di un nuovo capitolo. Grazie al deep learning l’intelligenza artificiale esce dai laboratori e diventa protagonista di applicazioni quotidiane, ponendo le basi per gli sviluppi straordinari che viviamo oggi. 

Sai davvero come funziona? 

A dispetto dei luoghi comuni, le macchine “intelligenti” non pensano né ragionano come noi. Il loro segreto è l’inferenza statistica. Un sistema di machine learning impara dai dati individuando schemi ricorrenti e correlazioni probabilistiche, che poi utilizza per trarre decisioni o previsioni[10]. In parole semplici, l’AI setaccia enormi moli di informazioni alla ricerca di regolarità (ad esempio, la sequenza tipica di parole in una frase) e, una volta addestrata, le applica su nuovi input, cercando la soluzione più probabile in base ai pattern appresi[10]. 

Durante la fase di training il modello viene alimentato con milioni di esempi. Inizialmente le sue risposte sono casuali, ma, iterazione dopo iterazione, i parametri interni si aggiustano e l’output diventa sempre più accurato[11]. Un classico esempio è il completamento automatico del testo: se all’AI sottoponiamo la frase “invece di andare a destra, girò ___”, all’inizio il sistema tenterebbe parole a caso. Dopo aver digerito intere biblioteche di frasi, inizierà a prevedere completamenti sensati come “a sinistra” o “indietro” in base alle frequenze osservate[11]. 

Tutto ciò avviene senza che la macchina comprenda il significato come farebbe un umano. Piuttosto, costruisce una complessa rete matematica di pesi (numeri) che catturano certe relazioni tra gli input e gli output[12]. Ovvero, determina le probabilità che i simboli di cui sono composte le parole rilevanti (“de”, “stra”, o addirittura la “,” o un “.”) siano accostati per generare il risultano desiderato, date certe istruzioni. Per dare un’idea della complessità, i modelli linguistici di ultima generazione (come quelli dietro ChatGPT) possiedono centinaia di miliardi di parametri, sintonizzati mediante algoritmi su vastissimi dataset di addestramento. 

Questi numeri non memorizzano frasi o dati precisi, ma condensano l’“esperienza” statistica acquisita. Ad esempio, dopo aver analizzato milioni di frasi, il modello non conserva i testi originari ma ha aggiustato i suoi pesi interni per rispecchiare i pattern linguistici trovati[12]. In fase di inferenza (ovvero di utilizzo pratico), l’AI sfrutta quei parametri per generare risposte o prendere decisioni. In poche parole, esegue calcoli sulle probabilità che una certa conclusione sia quella “giusta” dati gli esempi appresi. Questo meccanismo probabilistico – lungi dall’essere magia – è alla base dei successi attuali dell’AI. 

Più largo è meglio è 

Negli ultimi anni abbiamo assistito all’esplosione dei modelli generativi, culminata nello sviluppo di Large Language Models di qualità stupefacente. Mentre le prime applicazioni del deep learning si limitavano al riconoscimento di pattern (vision, voce, traduzione), la nuova ondata generativa ha aggiunto una dimensione creativa. Oggi le AI sono in grado di produrre testi, immagini, suoni e persino video originali a partire da semplici istruzioni in linguaggio naturale. I progressi sono stati rapidissimi. Nel 2018 OpenAI presenta GPT-2, un modello linguistico già capace di scrivere paragrafi coerenti; nel giro di pochi anni i parametri passano da 1,5 miliardi a centinaia di miliardi e la qualità fa un salto quantico. 

La svolta diventa evidente al grande pubblico con il lancio di ChatGPT (fine 2022), basato su GPT-3.5, che dimostra un’abilità sorprendente nel sostenere conversazioni fluide, rispondendo a qualsiasi quesito gli venga posto. A pochi mesi di distanza, OpenAI svela GPT-4, un LLM ancora più potente. Questo modello ha raggiunto in diversi test prestazioni di livello umano, ad esempio superando il 90° percentile nell’esame per avvocati (Uniform Bar Exam) – un risultato impensabile fino a poco tempo prima[14]. Parallelamente, i modelli generativi per le immagini hanno compiuto passi da gigante. 

La combinazione di questi avanzamenti ha inaugurato una nuova era dell’AI generativa. Dal 2023, infatti, esistono modelli in grado di comporre musica, scrivere codice software su richiesta e persino generare dialoghi realistici per film o videogiochi. La portata di questo salto tecnologico si riflette nella rapidissima adozione da parte degli utenti. ChatGPT ha raggiunto 100 milioni di utilizzatori mensili in solo due mesi dal lancio, affermandosi come l’app consumer a crescita più rapida di sempre[16]. In breve, i modelli generativi hanno portato l’AI su un altro livello, ampliando il ventaglio di ciò che le macchine possono fare. E siamo solo all’inizio di questa rivoluzione. 

La rivoluzione delle rivoluzioni 

Grazie a tali avanzamenti, l’AI si candida oggi a diventare un nuovo motore di crescita, un fattore dirompente per la produttività e la trasformazione economica globale. Diversi osservatori paragonano l’impatto potenziale dell’intelligenza artificiale a quello di innovazioni storiche come il motore a vapore o l’elettricità, capaci di innescare intere rivoluzioni industriali. E Le cifre iniziano a suffragare queste aspettative. 

Secondo un’analisi McKinsey del 2023, che ha valutato 63 casi d’uso, l’AI generativa potrebbe generare un valore economico annuo compreso fra 2,6 e 4,4 trilioni di dollari a livello mondiale[17]. Si tratta di un contributo addizionale enorme – l’equivalente del PIL di un paese ad economia sviluppata – che incrementerebbe del 15-40% l’impatto economico di tutte le tecnologie di intelligenza artificiale messe insieme[17]. Tradotto in dinamiche di crescita, ciò significa che l’AI potrebbe spingere in alto il tasso di crescita della produttività del lavoro di circa 0,1 – 0,6 punti percentuali ogni anno da qui al 2040 (stima riferita ai contributi della sola AI generativa); ed entro quella data l’automazione intelligente complessiva – sommando anche le altre tecnologie – potrebbe aggiungere fino a 3 punti di crescita della produttività all’anno[18]. 

Sono numeri che suggeriscono una vera e propria rivoluzione economica. L’adozione diffusa dell’AI promette di ridisegnare processi e modelli di business in pressoché tutti i settori. Dalla manifattura (dove robot e algoritmi ottimizzeranno produzione e logistica) ai servizi (con assistenti virtuali, diagnostica automatizzata, marketing personalizzato e così via). 

Uno studio del Fondo Monetario Internazionale del 2024 sottolinea che siamo “sull’orlo di una rivoluzione tecnologica” capace di rilanciare la produttività, far crescere i redditi e migliorare il benessere globale (a patto di gestire attentamente i rischi di transizione)[19]. Si stima infatti che circa il 40% dei posti di lavoro nel mondo sia potenzialmente esposto all’automazione via IA, percentuale che nei paesi avanzati sale al 50-60%, data la maggiore presenza di mansioni cognitive e ripetitive ad alto reddito[20]. Ciò significa che l’AI può amplificare le capacità di molti lavoratori qualificati (aumentandone la produttività e, quindi, i salari), ma potrebbe anche sostituire alcune figure, riducendo la domanda di lavoro in determinati ruoli[21]. 

È uno scenario ambiguo: da un lato, l’AI come motore di trasformazione economica e nuova ricchezza; dall’altro, la necessità di politiche e investimenti per riqualificare la forza lavoro, oltre ad attenuare possibili aumenti di disuguaglianze[20][22]. Se ben governata, però, la rivoluzione dell’intelligenza artificiale potrà tradursi in un enorme salto di produttività, una vera e propria ondata di prosperità diffusa. 

Una bolla non può ingrandirsi all’infinito 

L’effetto dell’AI, come ormai noto, si sta manifestando sui mercati finanziari con il sensibile innalzamento delle valutazioni e con la concentrazione dei rendimenti su poche grandi realtà tech. Nel 2023 abbiamo assistito a un poderoso rally dei titoli tech trainato proprio dalla febbre dell’IA. Un pugno di giganti tecnologici americani – dai produttori di semiconduttori essenziali per l’IA ai colossi del cloud computing che ne forniscono l’infrastruttura – ha guidato Wall Street con rialzi superiori al 60% nei primi otto mesi dell’anno[23]. La corsa è stata così polarizzata che appena 15 società (le cosiddette “Magnificent Seven” e poche altre) hanno contribuito a oltre il 90% dei guadagni dell’indice S&P 500 nella prima metà del 2023[24]. E nel periodo successivo (sino ad oggi) questa dinamica è proseguita. 

In buona sostanza, l’AI è diventata il driver narrativo dominante dei mercati azionari, catalizzando flussi enormi di capitali sui principali player del settore e generando una marcata dispersione; da una parte, i vincitori (big tech a tema IA), dall’altra il resto delle aziende rimasto indietro. Questa situazione ha sollevato timori di bolla speculativa, riecheggiando per alcuni versi la dot-com degli anni ’90. Va evidenziato, però, che secondo molti analisti ci sono differenze sostanziali rispetto ad allora. I multipli azionari dei leader odierni, pur elevati, non raggiungono gli eccessi di fine millennio e soprattutto le aziende in questione vantano utili robusti e bilanci solidi[25]. 

Goldman Sachs nota, ad esempio, che i sette colossi USA in pole position sull’AI mostrano un rapporto prezzo/utili medio intorno a 25, ben lontano dal 52x registrato dai big di Internet allo scoppio della bolla del 2000[25]. Inoltre, l’attuale euforia non ha contagiato in egual misura tutto il listino. Esclusi i grandi nomi tecnologici, la valutazione media del mercato americano rientra in parametri storici più normali[26]. Ciò indica che l’“effetto IA” è finora circoscritto ai campioni percepiti come vincitori della nuova era, senza gonfiare indiscriminatamente i prezzi di qualsiasi titolo, come invece accadeva nel 1999. 

Un caso emblematico è Nvidia, produttore leader di chip per l’AI, che ha visto la propria capitalizzazione di mercato triplicare in circa un anno; superati nell’estate 2023 i 1.000 miliardi di dollari di valore, il titolo ha continuato a correre oltrepassando i 4.000 miliardi entro metà 2025[27]. Questa crescita vertiginosa riflette la fiducia di Wall Street nel boom dell’AI – attualmente i chip Nvidia sono considerati l’infrastruttura portante della nuova corsa tecnologica[28] – e al contempo la concentrazione estrema dei rendimenti su pochi attori. 

Questa situazione crea opportunità e rischi per gli investitori, stretti tra l’entusiasmo per un’innovazione dirompente e la cautela verso possibili bolle finanziarie. L’AI rappresenta una rivoluzione autentica, con aziende che stanno generando profitti tangibili e trasformando settori interi, uno scenario ben diverso da quello di molte dot-com prive di utili negli anni ’90[25][29]. Molti esperti sottolineano che i fondamentali dei big dell’AI sono solidi e che siamo solo agli inizi di un ciclo pluriennale di crescita[30]. Non si possono ignorare però i segnali di euforia. Michael Hartnett (Bank of America) ha definito l’attuale rally una “baby bubble” dell’AI, osservando come spesso le bolle iniziano in periodi di liquidità abbondante e finiscono quando i tassi salgono[31]. 

In effetti, alcuni comportamenti di mercato ricordano l’era dot-com. Come allora bastava aggiungere “.com” alla ragione sociale per infiammare un titolo, oggi “basta che un’azienda menzioni la parola AI nelle proprie comunicazioni perché le sue azioni salgano”. Un clima che “profuma molto degli anni ’90”, nota con ironia James Penny, CIO di TAM Asset Management[32]. Questa bolla narrativa si riflette anche nell’ondata di startup IA valutate a multipli altissimi pur avendo prodotti embrionali. Storicamente, fenomeni simili sono inevitabili quando c’è di mezzo una tecnologia rivoluzionaria. Fasi di esuberanza irrazionale vanno a braccetto con le grandi innovazioni, ricorda Goldman Sachs analizzando oltre un secolo di hype cycle tecnologici[33]. Per gli investitori, dunque, la sfida attuale è bilanciare FOMO (paura di perdere il prossimo treno tecnologico) e gestione del rischio. 

È importante distinguere tra aziende che trarranno benefici concreti dall’AI – quelle con competenze, dati e vantaggi competitivi reali – e aziende che cercano solo di cavalcare la moda del momento. Nel lungo periodo, la vera innovazione tende a creare valore duraturo (dopo lo scoppio eventuale delle bolle, i leader tecnologici emergono più forti, come dopo la dot-com[34]). Ma nel breve termine le valutazioni possono surriscaldarsi eccessivamente. In sintesi, l’AI offre straordinarie opportunità di investimento ma, allo stesso tempo, impone disciplina all’investitore. Occorre guardare oltre le narrazioni e focalizzarsi su dati, utili e sostenibilità dei modelli di business, per evitare di restare scottati eccessivamente in caso di ridimensionamento delle aspettative. 

Previsioni su un futuro prossimo 

E nei prossimi anni dove può arrivare l’AI e cosa significa per la finanza personale di ciascuno di noi? Come cambierà il modo in cui gestiamo risparmi, investimenti e denaro quotidiano sotto la spinta dell’intelligenza artificiale? Le previsioni indicano sviluppi rilevanti. Entro il 2027, ad esempio, si stima che gli strumenti di investimento automatizzati e basati sull’AI diventeranno una fonte importante di consigli finanziari per gli investitori individuali[35]. Certo, il fattore umano non scomparirà. La fiducia e l’empatia che un consulente in carne e ossa sa instaurare restano valori aggiunti importanti. È probabile che si affermi un modello ibrido, in cui l’AI potenzia il lavoro dei consulenti (fornendo analisi, simulazioni e monitoraggio in tempo reale)[36]. 

Naturalmente, insieme alle opportunità emergeranno nuove sfide. Affidarsi all’AI richiede comunque consapevolezza. Le indicazioni espresse vanno comprese e valutate (l’AI può sbagliare o proporre scelte inadatte se i dati di partenza sono incompleti). Inoltre, questioni di fiducia e responsabilità saranno centrali. Le persone accetteranno di buon grado indicazioni da una macchina? Secondo studi recenti, cresce la propensione degli investitori a seguire suggerimenti di sistemi AI tanto quanto quelli di un umano[35][37], ma sarà fondamentale garantire trasparenza e tutela dagli eventuali bias degli algoritmi.  

I regolatori sono già al lavoro. La SEC statunitense, ad esempio, ha proposto norme per evitare conflitti di interesse nei consigli generati dall’AI, imponendo che gli algoritmi non possano spingere prodotti finanziari più redditizi per la banca a scapito dell’investitore[38]. In definitiva, lo scenario dei prossimi anni vede l’intelligenza artificiale sempre più presente nella gestione del denaro di tutti i giorni. Per la nostra finanza personale ciò potrà significare maggiore efficienza e opportunità di crescita del patrimonio, a patto di usare questi strumenti con giudizio. L’AI può aiutarci a evitare errori grossolani, ottimizzando le decisioni finanziarie. Tuttavia, non sostituirà completamente conoscenza e spirito critico. Il connubio tra intelligenza artificiale e intelligenza umana sarà la chiave per cogliere i frutti di questa rivoluzione.

Stay tuned!

Grazie per aver letto questo articolo. Se hai domande o desideri condividere le tue esperienze, lascia un commento qui sotto. La tua opinione è importante!

Fonti: Alan Turing (1950) – Mind; Dartmouth Workshop (1956); IBM – History of AI[1][2][3]; Thomas Haigh – CACM (2024)[5]; IBM – History of AI (1986 backprop)[7][8]; NVIDIA – Accelerating AI (2016)[9]; OpenAI – Help Center (2023)[10][11][12]; IBM – History of AI (Arthur Samuel, 1959)[13]; OpenAI – GPT-4 Technical Report (2023)[14]; OpenAI – DALL·E 2 Release (2022)[15]; Reuters – ChatGPT user growth (2023)[16]; McKinsey – Generative AI Report (2023)[17][18]; IMF – AI Will Transform Economy (Georgieva, 2024)[19][20]; Goldman Sachs – Why AI stocks aren’t in a bubble (2023)[23][24][25][26]; Reuters – Nvidia $4T valuation (2025)[27][28]; Business Insider – AI boom/bubble expert views (2023)[31][32][29]; WEF – AI Wealth Management (2025)[35]; WEF – AI Financial Advice (2025)[38][36][37].