Altri Economisti » Project Syndicate » Saggi, articoli su riviste. Krugman ed altri » Selezione del Mese
La sfida della diffusione dell’IA, di MICHAEL SPENCE (da Project Syndicate, 22 dicembre 2025)
Dec 22, 2025
The AI Diffusion Challenge
MILAN – The development of increasingly powerful models is central to the unfolding AI revolution. But this revolution has a second, equally important component: the adaptation and adoption of AI models across the economy, both to lower the cost of existing products and services, and to create new or improved products and services capable of advancing economic and social development. Whereas model development is happening largely in the United States and China, diffusion can and must take place everywhere.
Overall, AI will follow a J-curve pattern. At first, there is a huge amount of investment – in areas like physical infrastructure, software, business-model adaptation, data consolidation, and human-capital development – which does not yield immediate benefits. During this period, there is downward pressure on productivity, broadly defined to include benefits not measured by conventional national income accounts.
Then the technology’s value-creation potential kicks in, and the curve slopes upward. Since we haven’t yet reached this point, it is impossible to say exactly what this upswing will look like – the J-curve’s height and slope. By and large, investors seem to be betting on a massive payoff, but a distinct sense of uncertainty still permeates discussions about AI, and some predict that the technology will fall short of expectations, leading to a bust. Who turns out to be right will depend far more on diffusion than development.
So far, AI diffusion has been uneven, with some sectors (especially technology, finance, and professional services) embracing the technology, and others (including large-employment sectors like health care and construction) lagging behind. While such disparities are not surprising at this point, their persistence would lead to a flatter J-curve, representing muted returns on today’s investments and delays in growth and productivity gains. Put differently, whether or not we currently have an AI investment bubble will be largely determined by the pattern and speed of diffusion in the next few years.
Diffusion happens through multiple channels, the fastest of which is arguably software-as-a-service (SaaS) providers. Providers such as Google Search, Microsoft Office, Copilot by Notion, Salesforce, and Adobe are already embedding AI into their offerings. AI can also be incorporated into scientific processes relatively quickly. And with the major developers of large language and multimodal models providing application programming interfaces (APIs) that allow for the quick creation of tailored AI models, progress may pick up in other areas.
Open-source models – so far seen more in China than in the US – create even more opportunity, because they enable increased specialization and competition, including from smaller firms and countries that lack the massive computing infrastructure needed for the largest models. But there are still barriers to entry: a reliable electricity supply, robust computing capacity, and accessible mobile-internet connectivity are prerequisites to broad adoption.
Trade – especially of inputs like advanced semiconductors – also makes a difference. So does human capital: from advanced AI engineering and high-level strategic management to user-related skills, an economy needs to ensure access to an array of capabilities through education, reskilling, and labor mobility. The final piece of the puzzle is data. Where data systems are fragmented, incomplete, inaccurate, or inaccessible, training effective models will be slow, at best.
While AI diffusion depends significantly on private-sector initiatives, policy frameworks and regulatory structures also matter. China’s leaders understand this. As Huawei founder Ren Zhengfei recently observed, China has adopted a practical approach aimed at using AI to address real-world development and economic challenges. So, while developing increasingly capable large models is a high priority, so is deploying AI broadly, in order to secure the rapid gains in service quality, efficiency, and productivity that will be needed to offset the effects of rapid population aging.
China’s government is actively directing innovators toward these outcomes. Beyond encouraging the large tech platforms to build open-source models, China’s government has tasked them with developing or enabling applications in specific sectors, such as autonomous driving, health care, robotics (in manufacturing and logistics), supply-chain management, and green technologies. China’s government also regularly sponsors developer conferences and competitions.
Such efforts have paid off. For example, China accounts for over 30% of total global manufacturing output. In 2024, China accounted for 54% of all robot installations globally. The country now boasts almost half the world’s installed robots – at just over two million.
Relative to the US, China’s policy framework is much more engaged and geared toward providing direction with respect to applications and adoption across sectors in the economy. By contrast, US tech giants and well-funded AI startups are pushing the boundaries of large models, often in pursuit of artificial general intelligence and artificial superintelligence. While diffusion channels are open, their use is being left largely up to the private sector.
That may work in a few sectors, like tech, finance, and professional services, with the resources and know-how to experiment and then adopt. But private actors alone are unlikely to address the factors inhibiting AI adoption in specific sectors, such as data fragmentation, capacity deficiencies, regulatory hurdles, and scale problems. The likely – and unnecessary – result is a two-speed pattern of diffusion, leading to subpar economic growth, negative distributional outcomes, and the erosion of the economic underpinnings of national security.
When it comes to defense, the US government has long recognized that some state guidance is appropriate to ensure that private-sector innovation advances public goals. AI diffusion demands a similar approach. Something like this hybrid, active, pragmatic, and sector-specific approach is needed across a wide swath of the economy. Failure to do so will result in subpar economic growth, problematic distributional outcomes, and a weakening of the economic underpinnings of national security.
When it comes to diffusion, watching, waiting, and hoping is not a strategy.
La sfida della diffusione dell’IA,
MILANO – Lo sviluppo di modelli sempre più potenti è fondamentale per la rivoluzione dell’IA in atto. Ma questa rivoluzione ha una seconda componente, altrettanto importante: l’adattamento e l’adozione di modelli di IA in tutti i settori dell’economia, sia per ridurre il costo dei prodotti e dei servizi esistenti, sia per creare prodotti e servizi nuovi o migliorati in grado di promuovere lo sviluppo economico e sociale. Mentre lo sviluppo di modelli avviene principalmente negli Stati Uniti e in Cina, la diffusione può e deve avvenire ovunque.
Nel complesso, l’intelligenza artificiale seguirà un andamento a forma di una J. Inizialmente, si assisterà a un’enorme quantità di investimenti – in settori come infrastrutture fisiche, software, adattamento dei modelli di business, consolidamento dei dati e sviluppo del capitale umano – che non produrranno benefici immediati. Durante questo periodo, si assisterà a una pressione al ribasso sulla produttività, intesa in senso lato come inclusione di benefici non misurati dalle contabilità nazionali convenzionali.
Poi entra in gioco il potenziale di creazione di valore della tecnologia e la curva inizia a salire. Dato che non abbiamo ancora raggiunto questo punto, è impossibile dire esattamente come sarà questa ripresa: l’altezza e la pendenza della curva a forma di J. In generale, gli investitori sembrano scommettere su un guadagno enorme, ma un netto senso di incertezza permea ancora le discussioni sull’IA, e alcuni prevedono che la tecnologia non soddisferà le aspettative, portando a un fallimento. Chi avrà ragione dipenderà molto più dalla diffusione che dallo sviluppo.
Finora, la diffusione dell’IA è stata disomogenea, con alcuni settori (in particolare tecnologia, finanza e servizi professionali) che hanno adottato la tecnologia, mentre altri (inclusi settori con un’elevata occupazione come sanità ed edilizia) sono rimasti indietro. Sebbene tali disparità non siano sorprendenti a questo punto, la loro persistenza porterebbe a una curva a forma di J più piatta, che rappresenterebbe rendimenti contenuti sugli investimenti attuali e ritardi nella crescita e negli incrementi di produttività. In altre parole, l’esistenza o meno di una bolla di investimenti in IA sarà in gran parte determinata dal modello e dalla velocità di diffusione nei prossimi anni.
La diffusione avviene attraverso molteplici canali, il più rapido dei quali è probabilmente quello dei fornitori di software-come-un-servizio (SaaS). Fornitori come Google Search, Microsoft Office, Copilot di Notion, Salesforce e Adobe stanno già integrando l’intelligenza artificiale nelle loro offerte. L’intelligenza artificiale può anche essere integrata nei processi scientifici in tempi relativamente rapidi. E con i principali sviluppatori di modelli linguistici e multimodali di grandi dimensioni che forniscono interfacce di programmazione delle applicazioni (API) che consentono la rapida creazione di modelli di intelligenza artificiale personalizzati, i progressi potrebbero accelerare anche in altri settori.
I modelli open source [1]– finora più diffusi in Cina che negli Stati Uniti – creano ancora più opportunità, perché consentono una maggiore specializzazione e concorrenza, anche da parte di aziende più piccole e di Paesi privi dell’imponente infrastruttura informatica necessaria per i modelli più grandi. Tuttavia, permangono ancora barriere all’ingresso: una fornitura elettrica affidabile, una solida capacità di calcolo e una connettività Internet mobile accessibile sono prerequisiti per un’ampia adozione.
Anche il commercio, soprattutto di input come i semiconduttori avanzati, fa la differenza. Lo stesso vale per il capitale umano: dall’ingegneria avanzata dell’intelligenza artificiale e dalla gestione strategica di alto livello alle competenze specifiche degli utenti, un’economia deve garantire l’accesso a una serie di capacità attraverso l’istruzione, la riqualificazione e la mobilità del lavoro. L’ultimo tassello del puzzle sono i dati. Laddove i sistemi di dati siano frammentati, incompleti, imprecisi o inaccessibili, la formazione di modelli efficaci sarà lenta, nella migliore delle ipotesi.
Sebbene la diffusione dell’IA dipenda in modo significativo dalle iniziative del settore privato, anche i quadri politici e le strutture normative sono importanti. I leader cinesi lo sanno bene. Come ha recentemente osservato il fondatore di Huawei, Ren Zhengfei, la Cina ha adottato un approccio pratico volto a utilizzare l’IA per affrontare le sfide economiche e di sviluppo del mondo reale. Pertanto, se da un lato lo sviluppo di modelli di grandi dimensioni sempre più efficienti è una priorità assoluta, dall’altro lo è anche l’implementazione dell’IA su larga scala, al fine di garantire i rapidi miglioramenti in termini di qualità del servizio, efficienza e produttività, necessari per compensare gli effetti del rapido invecchiamento della popolazione.
Il governo cinese sta attivamente indirizzando gli innovatori verso questi risultati. Oltre a incoraggiare le grandi piattaforme tecnologiche a sviluppare modelli open source, il governo cinese ha incaricato loro di sviluppare o abilitare applicazioni in settori specifici, come la guida autonoma, l’assistenza sanitaria, la robotica (nella produzione e nella logistica), la gestione della supply chain e le tecnologie verdi. Il governo cinese sponsorizza inoltre regolarmente conferenze e concorsi per sviluppatori.
Tali sforzi hanno dato i loro frutti. Ad esempio, la Cina rappresenta oltre il 30% della produzione manifatturiera mondiale totale. Nel 2024, la Cina rappresentava il 54% di tutte le installazioni di robot a livello globale. Il Paese vanta ora quasi la metà dei robot installati nel mondo, ovvero poco più di due milioni.
Rispetto agli Stati Uniti, il quadro politico cinese è molto più impegnato e orientato a fornire indicazioni in merito alle applicazioni e all’adozione in tutti i settori dell’economia. Al contrario, i giganti tecnologici statunitensi e le startup [2] di intelligenza artificiale ben finanziate stanno spingendo i confini dei modelli di grandi dimensioni, spesso alla ricerca di un’intelligenza artificiale generale e di una superintelligenza artificiale. Sebbene i canali di diffusione siano aperti, il loro utilizzo è lasciato in gran parte al settore privato.
Questo approccio potrebbe funzionare in alcuni settori, come la tecnologia, la finanza e i servizi professionali, con le risorse e il know-how necessari per sperimentare e poi adottare. Tuttavia, è improbabile che gli attori privati riescano da soli ad affrontare i fattori che inibiscono l’adozione dell’IA in settori specifici, come la frammentazione dei dati, le carenze di capacità, gli ostacoli normativi e i problemi di scala. Il risultato probabile – e inutile – è un modello di diffusione a due velocità, che porta a una crescita economica inferiore alla media, a risultati distributivi negativi e all’erosione dei fondamenti economici della sicurezza nazionale.
In materia di difesa, il governo degli Stati Uniti ha da tempo riconosciuto l’opportunità di adottare alcune linee guida statali per garantire che l’innovazione del settore privato promuova gli obiettivi pubblici. La diffusione dell’intelligenza artificiale richiede un approccio simile. Un approccio ibrido, attivo, pragmatico e settoriale come questo è necessario in un’ampia fascia dell’economia. In caso contrario, si verificherà una crescita economica al di sotto della media, risultati distributivi problematici e un indebolimento dei fondamenti economici della sicurezza nazionale.
Quando si parla di diffusione, osservare, aspettare e sperare non è una strategia.
[1] Open source (sorgente aperta) in informatica significa che il codice sorgente di un software è liberamente accessibile, permettendo a chiunque di studiarlo, modificarlo e distribuirlo, favorendo così collaborazione, trasparenza e innovazione, in contrapposizione al software proprietario dove il codice è chiuso. Non implica necessariamente che sia gratuito (anche se spesso lo è), ma garantisce la libertà di adattarlo alle proprie esigenze.
[2] Termine stranoto, ma non guasta chiarirlo: “Con il termine start up si intende un’impresa emergente, una nuova impresa o un’impresa che si è appena quotata in borsa, che sia in cerca di un business model scalabile, replicabile e diverso o innovativo rispetto alle altre aziende del settore.”
By mm
E' possibile commentare l'articolo nell'area "Commenti del Mese"