Negli ultimi anni, il intelligenza artificiale generativa (Gen AI) è stata oggetto di aspettative esagerate e promesse di una rivoluzione industriale che avrebbe cambiato il mondo. Dal lancio di ChatGPT, l'idea che l'IA avrebbe generato enormi cambiamenti, tra cui la perdita di 300 milioni di posti di lavoro, è stata ampiamente pubblicizzata. Tuttavia, 18 mesi dopo il picco di entusiasmo, la realtà si è rivelata diversa.
Il ciclo di hype dell'IA
Come molte nuove tecnologie, l'intelligenza artificiale generativa ha seguito un percorso ben noto, chiamato "hype cycle" di Gartner. Questo modello descrive un processo ricorrente in cui il successo iniziale di una tecnologia porta a aspettative pubbliche esagerate, che alla fine vengono disattese. Dopo il "picco delle aspettative esagerate" arriva il "punto più basso della disillusione", seguito da una "salita dell'illuminazione" e, infine, da un "plateau della produttività".
Un rapporto Gartner pubblicato a giugno 2024 ha indicato che la maggior parte delle tecnologie di intelligenza artificiale generativa si trova ancora al picco o quasi di aspettative gonfiate. L'adozione pratica di queste tecnologie ha avuto meno successo, con l'80% dei progetti di intelligenza artificiale che falliscono, secondo uno studio RAND, un tasso più che doppio rispetto ai progetti non basati sull'intelligenza artificiale.
Gli attuali limiti dell'intelligenza artificiale generativa
Le sfide che l'IA generativa deve affrontare sono numerose, dagli elevati investimenti richiesti in infrastrutture di dati e IA alla scarsità di talenti umani qualificati. Tuttavia, la natura insolita dei limiti dell'IA generativa rappresenta una sfida critica.
Ad esempio, i sistemi di intelligenza artificiale generativa sono in grado di risolvere complessi test universitari, ma falliscono in compiti semplici, come dimostrato dal fallito tentativo di McDonald's di automatizzare gli ordini al drive-thru. Questa discrepanza crea una falsa fiducia negli utenti, che finiscono per utilizzare i modelli in situazioni inappropriate.
L'esperienza maturata con progetti di successo dimostra che è difficile far sì che un modello generativo segua le istruzioni in modo accurato. Khanmigo, il sistema di tutoraggio di Khan Academy, ne è un esempio, rivelando risposte corrette anche quando viene chiesto di non farlo.
Perché l'entusiasmo non è ancora finito?
Nonostante le sfide, la tecnologia di intelligenza artificiale generativa sta migliorando rapidamente, trainata principalmente dalla crescente scalabilità e dimensione dei modelli. La ricerca dimostra che il numero di parametri, la quantità di dati e la potenza di calcolo utilizzata nell'addestramento contribuiscono tutti alle prestazioni del modello, mentre l'architettura della rete neurale ha un impatto minimo.
I modelli linguistici di grandi dimensioni mostrano anche capacità emergenti inaspettate, come il ragionamento per analogia e la riproduzione di illusioni ottiche, che emergono quando i modelli raggiungono una dimensione critica. Le cause di questi progressi sono controverse, ma vi è consenso sul fatto che i modelli stiano diventando più sofisticati.
Le aziende di intelligenza artificiale continuano a lavorare su modelli più grandi e costosi, mentre aziende come Microsoft e Apple puntano sui rendimenti dei loro investimenti esistenti. Si stima che l'intelligenza artificiale generativa dovrà generare 600 miliardi di dollari di fatturato annuo per giustificare gli investimenti attuali, raggiungendo potenzialmente i mille miliardi di dollari nei prossimi anni.
Cosa vorremmo seguire?
Mentre l'entusiasmo per l'IA inizia a svanire e entriamo in un periodo di disillusione, assistiamo a strategie di adozione più realistiche. Le aziende stanno utilizzando l'IA per supportare gli esseri umani, anziché sostituirli. Un recente sondaggio ha mostrato che le aziende statunitensi utilizzano l'IA principalmente per migliorare l'efficienza (49%), ridurre i costi di manodopera (47%) e aumentare la qualità dei prodotti (58%).
Abbiamo anche assistito a un aumento di modelli di intelligenza artificiale generativa più piccoli ed economici, addestrati su dati specifici e distribuiti localmente per ridurre i costi e ottimizzare l'efficienza. OpenAI, ad esempio, ha rilasciato il modello GPT-4o Mini per ridurre i costi e migliorare le prestazioni.
Inoltre, c'è una crescente attenzione alla cultura dell'intelligenza artificiale e alla formazione della forza lavoro su come funziona l'IA, le sue capacità e i suoi limiti, e sulle migliori pratiche per un uso etico dell'IA. Nei prossimi anni dovremo imparare e reimparare a utilizzare diverse tecnologie di IA.
Alla fine, la rivoluzione dell'IA sarà probabilmente più un'evoluzione, che crescerà gradualmente nel tempo e modificherà e trasformerà gradualmente le attività umane. Il che, probabilmente, è molto meglio che sostituirle.
