Il mito dell’AI: tra rendimenti marginali, complessità e il ritorno dell'interdisciplinarità

Il dibattito sull’intelligenza artificiale è diventato uno scontro di fedi: da una parte chi vede l’AGI a portata di mano e parla di fine del lavoro umano, dall’altra chi la liquida come bolla costosa e pericolosa che esploderà. Entrambe le posizioni soffrono di pregiudizi ideologici. La realtà è più sfumata, articolata e complessa: segue leggi economiche antiche: i rendimenti marginali decrescenti.

1. La curva dei rendimenti marginali: non tutto scala linearmente

In economia, aggiungere risorse produce grandi guadagni iniziali, poi sempre più piccoli fino a saturazione. L’ AI non sfugge a questa legge.

Fase iniziale: tool come Claude o GPT moltiplicano la produttività su task ripetitivi.

Oltre il picco: più token però non equivalgono necessariamente a più valore (es. Uber: budget 2026 bruciato ad aprile senza ritorno proporzionale di feature per i clienti).

Ogni lavoro ha la propria curva: e curve diverse necessitano di progettazioni diverse dalla più semplice alla più complessa: cura del paziente, creatività originale. Non esiste “l’AI” universale adattabile sic et simpliciter a tutti i lavori con lo stesso investimento e proporzione di utilizzo.

2. Complessità, Brooks e il mito del “più input = più output”

La Legge di Brooks (aggiungere risorse a un progetto in ritardo lo rallenta) si applica anche agli agenti AI: anche qui l’overhead di integrazione, review e coordinamento cresce.

La diversità dei lavori è una fortuna, uno stimolo alla crescita e al raffinamento delle organizzazioni, ognuna con le proprie specificità: costringe a un’adozione intelligente invece che ideologica, pensata in modo specifico per ogni singolo compito, lavoro e tipologia di obiettivo ricercato.

3. Il vero potenziale: dall’iper specializzazione all’interdisciplinarità

Paradossalmente, in un mondo iper-specializzato sia in studi e che attività, l’AI può ricomporre le connessioni:

A scuola: tutor logico-metodologico per modellare fenomeni complessi, simulare esperimenti interdisciplinari e esplorare collegamenti inattesi.

Nella ricerca: navigare l’esplosione di letteratura, tradurre concetti tra domini diversi e accelerare sintesi di conoscenze lontane.

L’AI non ci rende più intelligenti da sola, ma può migliorare la nostra capacità di interagire logicamente e interdisciplinarmente, chiarire connessioni, validare o scartare ipotesi Può essere il vero motore per una comprensione più profonda dell’Universo della sua diversità e complessità.

Conclusione

L’AI non è la fine della storia umana né una truffa. È uno strumento potente soggetto alle stesse leggi di sempre. Vincerà sarà chi impareà a navigare le curve, rispettare la complessità e userà l’AI per pensare meglio e insieme, attraverso i confini delle discipline.

Riferimenti bibliografici

Brooks, F. P. (1995). The mythical man-month: Essays on software engineering (Anniversary ed.). Addison-Wesley. (Edizione originale 1975). Fonte classica per la Legge di Brooks.

Macdonald, A. (2026). Intervista in Rapid Response. Citato in: Business Insider, The Verge e altri (maggio 2026). Sul caso Uber e i costi AI.

Investopedia. (s.d.). Law of diminishing marginal returns. Recuperato da https://www.investopedia.com/terms/l/lawofdiminishingmarginalreturn.asp (principio economico generale).

TechCrunch & altri. (2024-2025). Articoli su diminishing returns nelle AI scaling laws (es. Kaplan, Chinchilla e studi successivi).

Vieriu, A. M., et al. (2025). The impact of artificial intelligence (AI) on students’ development. Education Sciences, 15(3), 343. https://www.mdpi.com/2227-7102/15/3/343 (benefici educativi).

Kusters, R., et al. (2020). Interdisciplinary research in artificial intelligence. Patterns (Cell Press). PMC7931862. (Ruolo interdisciplinare dell’AI).

Jiang, S., et al. (2022). Agents, models, and ethics: Importance of interdisciplinary explorations in AI education. ICLS Proceedings. (Interdisciplinarità nell’educazione AI).

Studi su produttività AI coding (es. METR 2025, arXiv papers 2024-2025): evidenziano guadagni iniziali ma rendimenti decrescenti e casi di produttività ridotta su task complessi.