Questo fenomeno ha un nome preciso in letteratura: legge di accelerazione del ritorno (Law of Accelerating Returns), teorizzata da Ray Kurzweil nel 2001, ma i dati che la supportano vanno molto più indietro.
L’idea di fondo è questa: ogni scoperta tecnologica non si aggiunge alle precedenti, si moltiplica. Ogni innovazione abbassa il costo cognitivo, energetico e materiale di produrre la successiva. La ruota rende possibile il carro. Il carro rende possibile il commercio su scala. Il commercio finanzia la scienza. La scienza produce l’elettricità. L’elettricità produce il computer. Il computer produce l’IA. L’IA produrrà strumenti ancora più innovativi.
Il risultato è una curva che, se vista sull’asse del tempo, schiaccia le innovazioni sempre più vicine tra loro, diminuendo il tempo di realizzazione di una scoperta ad anni se non mesi di tempo.
Questo grafico ne descrive il funzionamento e mostra il gap di tempo tra una scoperta e un’altra.
Grafico dell’accelerazione tecnologica: gap temporali tra innovazioni chiave, da 990.000 anni tra fuoco e scrittura a meno di 1 anno tra le AI moderne.
Perché Avviene
Il fenomeno non è casuale né magico. È strutturalmente determinato da almeno quattro motivi:
1. La Legge di Moore come metafora generale Moore nel 1965 osservò che la densità dei transistor raddoppiava ogni ~18 mesi. Ma la vera legge di Moore è più profonda: ogni generazione di strumenti permette di costruirne di migliori nella generazione successiva. I computer progettano chip più veloci. Chip più veloci accelerano la ricerca. La ricerca produce nuovi materiali. I nuovi materiali costruiscono chip ancora migliori e così via.
2. L’effetto rete della conoscenza Prima della stampa, una scoperta poteva impiegare secoli a diffondersi. Oggi, un paper pubblicato su arXiv alle 3 di notte viene letto, citato e replicato in laboratori su quattro continenti nel giro di ore. La conoscenza non si accumula linearmente: si reticola. Ogni nuovo nodo (ricercatore, università, azienda) si connette a tutti gli altri, moltiplicando i percorsi possibili verso la prossima scoperta.
3. Il crollo dei costi di sperimentazione Fare un esperimento chimico nel 1800 richiedeva mesi, materiali rari, strumentazione costosa. Fare un esperimento di machine learning oggi richiede un laptop e qualche ora di calcoli computazionali. La simulazione molecolare, fisica, economica ha reso possibile testare in poche ore ipotesi che prima avrebbero richiesto decenni di laboratorio. Questo abbassa drasticamente il costo del fallimento, che è il vero motore dell’innovazione.
4. La ricorsività dell’AI Qui il meccanismo diventa vertiginoso. L’AI non è solo un’altra tecnologia nella sequenza è la prima tecnologia capace di accelerare se stessa. I modelli AI vengono usati per progettare architetture AI migliori (Neural Architecture Search), sintetizzare dati di training, ottimizzare il codice di inferenza, generare ipotesi scientifiche. Il ciclo di feedback è diretto e si misura in mesi, non decenni.
Il Modello Matematico: Doppia Esponenziale
Kurzweil propone che il progresso segua non una curva esponenziale semplice, ma una doppia esponenziale: la velocità del progresso cresce essa stessa esponenzialmente. Se il progresso fosse P(t) = e^t, siamo in realtà in un regime più vicino a P(t) = e^(e^t).
Questo ha implicazioni concrete:
Se i prossimi 10 anni di progresso tecnologico saranno equivalenti agli ultimi 100, allora i successivi 5 anni dopo quelli saranno equivalenti ai 10 precedenti. E poi i 2 anni dopo ancora. La curva non rallenta mai…accelera il suo accelerare. Ma quando si arriverà allo zero?
Le Implicazioni Sistemiche
Il problema dell’adattamento istituzionale. Le istituzioni umane (leggi, università, sistemi sanitari, strutture statali) evolvono su scale temporali di decenni. Un sistema legale che impiega 15 anni a regolamentare una tecnologia che ha un ciclo di vita di 18 mesi è strutturalmente incapace di governarla. Il gap tra velocità tecnologica e velocità istituzionale si sta aprendo in modo preoccupante.
Il problema della comprensione collettiva. Quando le innovazioni si succedevano ogni generazione, c’era tempo per assorbire culturalmente il cambiamento. La macchina a vapore ha impiegato 50 anni per ridefinire le città, la famiglia, il lavoro. L’AI generativa ha impiegato 6 mesi. La società non ha strumenti cognitivi per processare trasformazioni a questa velocità. Il risultato è un mix di hype, panico morale e normalizzazione passiva.
Il problema della concentrazione. Le tecnologie che accelerano richiedono sempre più capitale iniziale per essere create ma producono rendimenti sempre più concentrati. I primi ad adottare e a integrare ogni nuovo strato tecnologico catturano vantaggi che i successivi non riescono a colmare.
Il punto di singolarità come concetto operativo. Kurzweil prevede per il 2045 una “singolarità tecnologica”.
Un punto oltre il quale il progresso è troppo rapido per essere prevedibile. Che questa data sia giusta o no è irrilevante: il concetto operativo è che ci stiamo avvicinando a una soglia dove i modelli predittivi umani smettono di funzionare. Pianificare a 10 anni nel 1990 era ragionevole. Pianificare a 10 anni nel 2026 significa pianificare in un mondo che non possiamo descrivere.
Una Nota di Realismo
Il quadro sarebbe incompleto senza i contrargomenti seri:
L’illusione della selezione. Ricordiamo le innovazioni rivoluzionarie, non le migliaia di vicoli ciechi. La storia del progresso è sopravvivenza del sopravvissuto, il bias di disponibilità ci fa percepire l’accelerazione come più lineare di quanto sia.
I colli di bottiglia fisici. La Legge di Moore ha già rallentato. I limiti quantistici nella miniaturizzazione dei transistor sono reali. La biologia sintetica, la fusione nucleare, i materiali avanzati, tutti si scontrano con barriere fisiche che l’esponenziale del software non può ignorare.
L’impatto sociale come freno. Le tecnologie non si diffondono automaticamente alla velocità della loro disponibilità tecnica. Resistenza culturale, regolamentazione, infrastruttura, fiducia, ogni elemento può rallentare l’adozione di decenni. Il fax era tecnicamente inferiore al telefono già negli anni ’80, ma ha dominato gli uffici fino al 2005.
La cosa più importante da capire sull’esponenziale tecnologico non è la curva: è cosa fare dentro la curva.
Chi ha lavorato nel tech negli anni ’90 ha avuto 10 anni per assimilare il web. Chi ha lavorato nel mobile ha avuto 5 anni. Chi lavora nell’AI ha mesi. La competenza si deprezza più velocemente che mai, ma la capacità di apprendere rapidamente si rivaluta nella stessa misura.
Il vantaggio competitivo nel 2026 non è sapere cosa esiste oggi. È avere un modello mentale abbastanza robusto da capire cosa esisterà tra 3 mesi e abbastanza flessibile da non restare incastrato nel passato quando arriva.
L’esponenziale punisce chi ottimizza per il presente. Premia chi costruisce per la derivata seconda.
Articolo a cura di Nico Fontani