Quando si parla del futuro dell’industria, della ricerca e dell’energia, quattro tecnologie tornano sempre nelle conversazioni: il computer quantistico, la fusione nucleare, i nuovi reattori nucleari di piccola taglia e l’intelligenza artificiale di grandissima scala. Tutte e quattro vengono presentate come la soluzione ai problemi più grandi del nostro tempo: dalla decarbonizzazione del pianeta alla potenza di calcolo che ci servirà nei prossimi decenni.
Ma sono davvero pronte? Possiamo affidare a queste tecnologie le decisioni industriali del prossimo decennio? Questo articolo argomenta tre cose. La prima è che, oggi, nessuna delle quattro è matura abbastanza per sostituire le tecnologie che usiamo già adesso per produrre energia, far funzionare le fabbriche o gestire i dati. Per dimostrarlo proporrò una semplice griglia di valutazione, costruita su sei domande che chiunque può comprendere e discutere. La seconda è che scommettere oggi su queste tecnologie come se fossero già disponibili è un errore costoso: sposta soldi e attenzione lontano da soluzioni che funzionano già adesso e farebbero la differenza subito. La terza è che esiste una via d’uscita ragionevole. La chiamerò “doppio binario con cancelli di passaggio”: un modo per sostenere la ricerca di frontiera senza paralizzare l’economia produttiva, e per promuovere una tecnologia dalla ricerca alla produzione solo quando supera prove verificabili.
Non mi limiterò a difendere queste tesi: le sottoporrò a critica esplicita, indicando dove l’argomentazione è più fragile e in quali condizioni le conclusioni andrebbero riviste. Lo scopo è offrire una griglia di lavoro che inviti al confronto informato, non un dogma. Il lettore esperto troverà tutti i riferimenti tecnici nelle note finali; quello che cerca solo il filo del ragionamento può seguire il testo principale senza aver bisogno di alcuna conoscenza specialistica preventiva.
Indice degli argomenti
I due orologi
Quando un’impresa, un governo o un investitore si trova davanti a un problema enorme — togliere l’anidride carbonica dall’energia che produciamo, alimentare la fame di calcolo dell’intelligenza artificiale, garantirsi i materiali rari di cui dipende la nostra economia, proteggere le reti informatiche — la tentazione è sempre la stessa: aspettare la tecnologia che risolverà tutto. Una tecnologia ancora in laboratorio, ma che “presto” arriverà.
Il problema non è la fiducia nella ricerca scientifica, è giusto e necessario crederci. Il problema è confondere due cose diverse: l’orizzonte della scoperta scientifica e l’orizzonte delle decisioni di business. Una tecnologia può essere allo stesso tempo molto promettente nei prossimi venti o trent’anni, e completamente inutilizzabile nei prossimi cinque o dieci. Pianificare gli investimenti del prossimo decennio sperando in qualcosa che vedremo realmente solo nel 2045 è un errore di fondo, anche quando la scienza che sta dietro è solida e affascinante.
Vale la pena fissare questa idea con un’immagine semplice. Ricerca e produzione vivono su due orologi diversi. La ricerca lavora in decenni: una scoperta nasce in un laboratorio, viene replicata altrove, diventa prototipo, poi dimostratore, poi prodotto, e tra una tappa e l’altra possono passare anche vent’anni. Le aziende invece devono produrre risultati in pochi anni: un investimento deve ripagarsi, le persone devono essere assunte e pagate, i clienti devono ricevere il prodotto. Confondere i due orologi — chiedere alla ricerca i tempi della produzione, o pianificare la produzione sui tempi della ricerca — è la fonte degli errori più costosi che vediamo oggi.
Le sei domande
Prima di poter dire se una tecnologia è “pronta” o no, serve un metro di misura condiviso. Senza criteri trasparenti, ognuno dice quello che vuole, di solito a favore o contro la tecnologia che preferisce. Quello che propongo è un elenco di sei domande semplici, che si possono porre a qualsiasi tecnologia che venga annunciata come la prossima rivoluzione. Una tecnologia è candidabile a sostituire le soluzioni che già usiamo solo se risponde positivamente a tutte e sei le domande, con un margine ragionevole. Se ne fallisce anche una sola, la collocazione corretta non è la produzione: è ancora la ricerca.
La prima domanda è quanto è matura davvero. Esiste una scala internazionale (TRL), inventata dalla NASA negli anni Settanta, che misura la maturità di una tecnologia con nove livelli: il primo è quando esiste solo un’idea scientifica, il nono è quando la tecnologia è in vendita su larga scala. Per parlare di dispiegamento industriale serio si chiede almeno il livello sette, cioè un prototipo che funziona in condizioni reali e non più solo in laboratorio. Le pale eoliche, oggi, sono al livello nove: le vediamo nei campi, funzionano, hanno una manutenzione codificata. Un reattore a fusione, anche il più avanzato del mondo, è al livello tre o cinque: dimostra alcuni principi, ma non ha mai prodotto elettricità in modo continuo per la rete elettrica. La differenza è enorme, e si riflette in tutto: nei costi, nei rischi, nei tempi.
La seconda domanda riguarda il bilancio energetico. Se parliamo di tecnologie per produrre energia, la domanda è ovvia: l’impianto restituisce più energia di quella che serve per costruirlo, alimentarlo e poi smantellarlo? Si tratta di un’idea di buon senso. Se l’energia che ricavo nell’arco della vita dell’impianto è inferiore a quella che ho speso, l’impianto è in perdita energetica e in fondo sto solo spostando il problema. Per essere davvero utile alla società, una fonte di energia dovrebbe restituirne almeno cinque o sette volte tanto. Per le tecnologie informatiche il ragionamento è simile, anche se il numeratore non è “energia prodotta” ma “valore economico generato”: un data center deve produrre più valore di quanto consuma in elettricità e acqua.
La terza domanda riguarda il costo. La domanda corretta non è “quanto costa adesso?”, ma “quanto costa l’unità di servizio lungo l’intera vita dell’impianto?”. Una centrale a fusione che produce un kilowattora a venti volte il prezzo di una centrale a gas è interessante per la scienza, ma non per le bollette delle famiglie. Una tecnologia che eroga lo stesso servizio a un costo cinque o dieci volte superiore alle alternative non si diffonde se non con sussidi pubblici permanenti, e i sussidi permanenti su grande scala finiscono per rovinare i conti dello Stato.
La quarta domanda riguarda la filiera dei materiali. Da dove arrivano le materie prime per costruire la tecnologia? Se per costruire una batteria, una pala eolica o un chip avanzato dipendiamo per oltre il settanta per cento da un solo paese fornitore — o, peggio, se i materiali necessari semplicemente non esistono nelle quantità che servono — allora il rischio è strutturale e non si può chiudere con un contratto. L’Unione Europea ha una lista ufficiale di “materie prime critiche” che oggi conta più di cinquanta voci: nomi che fino a pochi anni fa nessuno conosceva — litio, cobalto, terre rare, gallio, germanio — e che oggi decidono se una tecnologia si può davvero costruire o se è una promessa sulla carta.
La quinta domanda riguarda l’impatto ambientale completo, considerato dalla nascita della tecnologia fino al suo smaltimento. Una tecnologia non è davvero “verde” se riduce le emissioni di anidride carbonica quando funziona, ma le sposta a monte sulla filiera dei materiali — magari nelle miniere di un paese lontano, o nei processi industriali ad altissimo consumo che producono i suoi componenti. Il bilancio ambientale, per essere onesto, deve essere fatto sull’intero ciclo di vita: dall’estrazione delle materie prime fino al riciclo o allo smaltimento finale. E deve essere migliore di quello che la nuova tecnologia sostituisce.
La sesta e ultima domanda riguarda le regole e l’accettazione sociale. Anche la tecnologia tecnicamente più matura del mondo non si dispiega se la società non la accetta o se mancano le regole per autorizzarla. È quello che gli inglesi chiamano “licenza implicita a operare”. Il caso dei reattori nucleari occidentali fra il 1990 e il 2010 lo mostra bene: erano pronti tecnicamente, ma il contesto sociale e regolatorio li ha tenuti fermi per decenni. Sviluppare una nuova cornice di regole per una tecnologia inedita richiede in genere dai due ai cinque anni: una tecnologia che non si può autorizzare non si può dispiegare, indipendentemente da quanto sia ben progettata.
Ricapitolando, una tecnologia è pronta per l’industria quando è abbastanza matura, restituisce più energia o valore di quanto ne consuma, costa una cifra ragionevole, non dipende da un solo fornitore o da materiali introvabili, ha un impatto ambientale complessivo accettabile e ha regole chiare e accettazione sociale. Manca anche solo una di queste sei condizioni? Allora siamo davanti a una tecnologia su cui fare ricerca, non su cui pianificare la produzione.
I quattro casi
Applichiamo ora le sei domande alle quattro tecnologie più discusse oggi. L’obiettivo non è sminuire la qualità della ricerca in corso — che è straordinaria e merita di essere finanziata — ma collocare con precisione ciascuna di esse rispetto alla soglia di candidabilità industriale.
Il computer quantistico
Il computer quantistico è una macchina che, sfruttando le leggi della fisica delle particelle, dovrebbe risolvere alcuni problemi specifici molto più velocemente dei computer normali. Tra questi problemi: scomporre numeri grandissimi (cosa che potrebbe rompere alcuni sistemi crittografici di oggi) e simulare il comportamento delle molecole (utile per scoprire nuovi farmaci e nuovi materiali). L’unità di base non è il “bit” — quello che vale zero o uno nei computer normali — ma il “qubit”, che grazie alle stranezze della fisica quantistica può trovarsi in una specie di sovrapposizione dei due stati.
Lo stato dell’arte nel 2026 è il seguente. Esistono macchine con un numero crescente di qubit (oltre mille, nei modelli più recenti di IBM), ma sono molto “rumorose”: fanno errori frequenti, e per quasi tutti i problemi interessanti i computer normali sono ancora più veloci.
Esiste una distinzione tecnica importante: tra i qubit che si costruiscono in laboratorio — i “qubit fisici” — e quelli effettivamente usabili dopo aver corretto gli errori — i “qubit logici”. Per ottenere un solo qubit logico ne servono spesso centinaia o migliaia di quelli fisici. Le macchine commerciali oggi disponibili hanno solo qualche decina di qubit logici realmente sfruttabili. Gli annunci recenti di “qubit logici utili” si riferiscono a esperimenti di principio, non a capacità realmente disponibile per l’industria.
Sul piano pratico, queste macchine sono enormi, costose e fameliche di energia. Le architetture più diffuse, quelle “superconduttive”, richiedono frigoriferi specialissimi che operano a temperature inferiori a un cinquantesimo di grado sopra lo zero assoluto, cioè a meno di duecentosettanta gradi sottozero. Solo il sistema di raffreddamento consuma fra venticinque e trentacinque kilowatt continui per macchina; con tutto il contorno si arriva a cento o duecento kilowatt; più o meno il consumo di un piccolo condominio. Una sola di queste macchine costa fra dieci e venticinque milioni di euro, con costi annui di gestione pari al dieci o quindici per cento di quella cifra.
Il punto cruciale è quello che gli specialisti chiamano “vantaggio quantistico”: cioè la dimostrazione che un computer quantistico risolva un problema realmente utile più velocemente dei migliori computer normali. Non è ancora successo per nessun problema industrialmente rilevante. Le simulazioni di chimica, gli algoritmi di ottimizzazione, le applicazioni di intelligenza artificiale che si vantano del prefisso “quantum” oggi funzionano solo su versioni giocattolo che i computer normali risolvono in pochi secondi. Misurate con le sei domande del capitolo precedente, le macchine quantistiche fisiche falliscono almeno tre prove: sono al livello quattro o cinque della scala di maturità (laboratorio, qualche nicchia avanzata); il costo per problema utile non è nemmeno definibile, perché non esiste ancora il problema utile; la filiera è terribilmente concentrata in pochissimi fornitori specializzati.
Una digressione utile: gli emulatori quantistici, ovvero il “ponte”
Davanti a questo quadro — macchine costose, energivore, ancora distanti dall’utilità pratica industriale — la domanda che si sono posti i ricercatori e le imprese che vogliono comunque sviluppare algoritmi quantistici è semplice: aspettiamo dieci o quindici anni che le macchine fisiche maturino, oppure c’è una via per cominciare a lavorare adesso? La risposta, sviluppata negli ultimi anni dalla comunità scientifica, è che esiste una via, e si chiama emulatore quantistico. Pensate a chi vuole imparare a guidare un aereo. Non è obbligato a salire subito su un Boeing reale: può iniziare con un simulatore di volo, cioè una cabina riprodotta fedelmente, dotata di software che ricreano fisicamente le sensazioni del volo. Il simulatore non è un aereo, ma replica il comportamento dell’aereo abbastanza bene da formare piloti veri. Quando l’allievo è pronto, sale sull’aereo e tutto quello che ha imparato funziona ugualmente. Un emulatore quantistico fa la stessa cosa con il computer quantistico. È un sistema — un programma per computer, oppure un SW integrato su una macchina dedicata — che riproduce su un normale computer (o su un computer ad alte prestazioni) il comportamento di un computer quantistico, abbastanza fedelmente da poterci scrivere ed eseguire algoritmi quantistici veri.
La differenza sta nella scala. Gli emulatori funzionano molto bene fino a oltre una cinquantina di qubit, abbastanza per coprire la grande maggioranza dei problemi industriali sensati che si pongono oggi: ottimizzazione di portafogli finanziari, ottimizzazione di flotte logistiche, simulazione di molecole piccole e medie, ricerca di pattern nei dati. Oltre quella soglia, la rappresentazione su computer normale diventa troppo costosa in termini di memoria e di calcolo, e occorrono macchine quantistiche fisiche. Ma per i prossimi cinque-dieci anni, la maggior parte dei casi d’uso industrialmente sensati è ben dentro la zona in cui un emulatore funziona benissimo.
Una precisazione terminologica è necessaria, perché il settore è notoriamente confuso su questo punto. La parola che ho usato fin qui — “emulatore quantistico” — coincide con quello che IBM, NVIDIA, Google e Atos chiamano commercialmente “simulator” (Qiskit Aer, cuQuantum, Cirq Simulator, Quantum Learning Machine). La letteratura scientifica usa entrambi i termini in modo non omogeneo: Häner e Steiger (2017) li distinguono come due tecniche software diverse, Ezratty (2023) propone “emulator” per il software classico e riserva “simulator” alle macchine quantistiche analogiche fisiche (Pasqal, QuEra, D-Wave); ma nessuna delle due proposte è universalmente adottata. Per chiarezza interna del saggio adotto la convenzione: chiamo “simulatore quantistico classico” qualunque sistema che gira su hardware classico (CPU, GPU, FPGA) e calcola il comportamento di un computer quantistico, e “simulatore quantistico fisico” le macchine quantistiche analogiche specializzate (atomi neutri, ioni intrappolati, ricottura quantistica), che hanno tutti i problemi di costo e raffreddamento delle macchine quantistiche fisiche. La differenza fra i prodotti commerciali della prima categoria è di tecnologia di accelerazione (CPU, GPU, FPGA), non tassonomica.
Misurati con le sei domande, gli emulatori quantistici si collocano in una posizione completamente diversa rispetto alle macchine fisiche. Sono al livello otto-nove di maturità, esistono già prodotti commerciali venduti da aziende internazionali; consumano qualche centinaio di watt su un computer portatile, qualche decina di kilowatt su un server dedicato (non kilowatt continui come il raffreddamento criogenico delle macchine fisiche) costano da diecimila a cinquecentomila euro per l’hardware dedicato; girano su processori standard e schede grafiche normali, quindi la filiera è quella consolidata dell’informatica; il loro impatto ambientale è quello di un server tradizionale; le regole sono quelle del software ordinario. Detto altrimenti: un’azienda che oggi voglia esplorare seriamente algoritmi quantistici per la propria attività non ha bisogno di un computer quantistico fisico. Ha bisogno di un emulatore. Il computer quantistico fisico è ancora ricerca; l’emulatore è già infrastruttura.
La fusione nucleare
La fusione nucleare è il processo che alimenta il Sole: due nuclei dell’atomo più semplice, l’idrogeno, si fondono e liberano enormi quantità di energia. L’idea è riprodurla sulla Terra, ma per farlo servono temperature di centinaia di milioni di gradi, contenute con campi magnetici potentissimi (la cosiddetta “fusione a confinamento magnetico”, su cui lavora il grande progetto internazionale chiamato ITER) oppure con laser concentrati su minuscoli bersagli (la “fusione inerziale”, su cui lavorano alcuni laboratori americani). In entrambi i casi siamo davanti a una sfida ingegneristica sul limite della fisica conosciuta.
Il principale progetto pubblico, ITER, è in costruzione nel sud della Francia da quasi vent’anni. Doveva costare cinque miliardi di euro nelle stime del 2006: oggi siamo oltre i ventidue miliardi, e la data del primo esperimento con il plasma (il gas caldissimo dove avviene la fusione) è slittata dal 2025 al 2034. L’operatività vera, cioè l’utilizzo del combustibile finale (una miscela di due forme particolari di idrogeno, deuterio e trizio), non è prevista prima del 2039. Il successivo passo, chiamato DEMO, dovrebbe per la prima volta produrre elettricità in modo continuo da una reazione di fusione: gli stessi documenti europei lo collocano tra il 2050 e il 2060.
A dicembre 2022 un laboratorio californiano, la National Ignition Facility, ha raggiunto un risultato storico: per la prima volta una reazione di fusione ha prodotto più energia di quella consegnata dai laser sul bersaglio (3,15 milioni di joule contro 2,05). Da allora l’ignizione è stata replicata dieci volte, con risultati in costante miglioramento: il record attuale, del 7 aprile 2025, ha raggiunto 8,6 milioni di joule di output da 2,08 milioni di laser, un guadagno di oltre quattro volte. Sembra una rivoluzione, e dal punto di vista scientifico lo è. Ma c’è un dettaglio che il dibattito pubblico spesso ignora: per accendere quei laser servivano circa trecento milioni di joule di alimentazione elettrica. Il bilancio energetico complessivo, quello che conta davvero per produrre elettricità da vendere in rete, è ancora di oltre un ordine di grandezza al di sotto del pareggio. Si è ancora svariate decine di volte lontani da un sistema che ne valga la pena per la produzione elettrica commerciale.
Negli ultimi anni sono nate molte aziende private che annunciano date più aggressive; alcune promettono elettricità in rete tra il 2027 e il 2030. Sono date da prendere con cautela, perché nessuna di queste aziende ha ancora dimostrato un bilancio energetico positivo nel suo sistema completo, e nessuna ha risolto un problema specifico e fondamentale: il combustibile della fusione, il trizio, oggi nel mondo esiste in quantità totale inferiore ai venticinque chilogrammi, prodotto come sottoprodotto di alcuni reattori canadesi. Una centrale a fusione da un gigawatt (la potenza di una centrale convenzionale) ne consumerebbe circa cinquantacinque chili l’anno: significa che dovrebbe produrre da sola il proprio combustibile attraverso un dispositivo chiamato “manto fertilizzante”, che è ancora in fase di prototipazione e non è mai stato dimostrato a scala reale. Misurata con le sei domande, la fusione fallisce su almeno quattro: è al livello tre-cinque di maturità, il bilancio energetico ingegneristico è ancora sotto il pareggio, il costo non è definibile in assenza di unità commerciali, la filiera del trizio è in stato critico. Resta una grande tecnologia di ricerca, da finanziare con l’orizzonte e gli strumenti della ricerca; non una soluzione su cui pianificare la transizione dei prossimi quindici anni. Va aggiunto, per onestà di trattazione, che la fusione produce comunque scorie radioattive da attivazione neutronica dei materiali strutturali del reattore: ma queste hanno un’emivita molto più breve rispetto a quelle della fissione — decine o centinaia di anni invece di centinaia di migliaia — e sono gestibili con le tecnologie ordinarie di stoccaggio temporaneo. Il problema delle scorie esiste ed è reale, ma non ha la stessa scala temporale di quello della fissione.
La fissione di nuova generazione
La fissione nucleare è quella che già usano le centrali nucleari attuali: un nucleo pesante, come l’uranio, si spezza e libera energia. Le novità di cui si parla oggi sono due, e vanno tenute distinte. La prima è quella dei “reattori modulari piccoli” (che gli specialisti chiamano SMR, dall’inglese Small Modular Reactor): l’idea è costruirli in fabbrica come moduli standardizzati, da assemblare in cantiere come si fa per le case prefabbricate, riducendo tempi e costi di costruzione. La seconda è quella dei reattori “di quarta generazione”, che usano principi tecnologici diversi dai reattori attuali (sodio liquido, sali fusi, gas ad alta temperatura) e promettono profili di sicurezza migliori e cicli del combustibile più efficienti.
Lo stato dell’arte presenta luci e ombre. Il primo progetto di reattore modulare piccolo americano, sviluppato dall’azienda NuScale per essere installato in Idaho, è stato cancellato a novembre 2023 per esplosione dei costi: il prezzo previsto dell’energia era passato da cinquantotto a ottantanove dollari per megawattora in pochi anni di sviluppo, troppo per competere con le rinnovabili abbinate alle batterie. Altre aziende come BWXT, GE Hitachi, Rolls-Royce, Holtec, hanno tabelle di marcia che vedono il primo modulo commerciale occidentale operativo non prima del 2030 o del 2032. In Cina e in Russia esistono già reattori modulari piccoli in funzione, ma in contesti regolatori e di proprietà pubblica difficilmente confrontabili con quelli occidentali, dove servono autorizzazioni più stringenti e processi di approvazione più lunghi.
I reattori di quarta generazione vera e propria sono prevalentemente al livello cinque-sette di maturità, con la prima unità non prima del 2030. Le sfide non sono solo tecniche: le autorità di sicurezza nucleare occidentali sono nate intorno ai reattori tradizionali e devono sviluppare cornici regolatorie nuove per le altre tecnologie; servono nuovi materiali capaci di resistere a sodio liquido o sali fusi corrosivi; rimane aperto il problema di come gestire le scorie altamente radioattive a lunghissimo termine, problema su cui nessun paese al mondo ha ancora un deposito definitivo operativo.
Il punto più delicato dei reattori di nuova generazione — e che il dibattito pubblico sul rilancio del nucleare tende a sottovalutare — resta quello del ciclo finale del combustibile. I reattori di quarta generazione (sodio liquido, sali fusi) producono effettivamente meno scorie ad alta attività dei reattori tradizionali, ma le scorie residue, e soprattutto il combustibile esausto, restano radioattivi per centinaia di migliaia di anni. Nessun paese al mondo dispone oggi di un deposito definitivo geologico operativo. La Finlandia, con il sito di Onkalo, è la più vicina al traguardo, con prima operatività prevista entro il 2026; la Svezia con Forsmark ha autorizzazioni in fase di rilascio; tutti gli altri paesi nucleari accumulano combustibile esausto in stoccaggi temporanei. È una scelta che la generazione attuale lascia in eredità alle prossime, le quali dovranno gestire materiali ancora pericolosi. Questa è una caratteristica strutturale del nucleare a fissione, non un difetto risolvibile con un cambio tecnologico, e va incorporata nelle sei domande del nostro metodo — in particolare nella quinta, sull’impatto ambientale completo lungo l’intero ciclo di vita.
C’è poi un nodo di filiera meno visibile ma significativo. I reattori avanzati richiedono un combustibile particolare (un uranio arricchito a un livello intermedio, più di quello dei reattori tradizionali ma molto meno di quello militare) — di cui oggi oltre il sessanta per cento della produzione mondiale è in mani russe. Una dipendenza che, nel contesto geopolitico attuale, rappresenta un problema serio. Misurata con le sei domande, la fissione di nuova generazione si comporta in modo misto: la maturità varia molto fra i diversi tipi (dal cinque all’otto), il bilancio energetico è ottimo (come per la fissione tradizionale), il costo non è ancora competitivo con le rinnovabili in molti mercati ma potrebbe esserlo per la generazione “di base” e per il calore industriale, l’accettazione sociale varia enormemente da paese a paese. Una porzione di queste tecnologie (i reattori modulari piccoli derivati dai reattori ad acqua leggera tradizionale) può diventare candidata seria alla produzione entro la metà del 2030; la quarta generazione vera e propria resta una tecnologia di transizione successiva.
L’intelligenza artificiale generativa di larga scala
L’intelligenza artificiale generativa di larga scala (i modelli alla ChatGPT, Claude, Gemini) impara da enormi quantità di testi, immagini e codice usando data center pieni di chip specializzati che consumano molta elettricità e molta acqua per il raffreddamento. Più grande è il modello, più alta in genere è la qualità delle risposte, ma anche più alti i costi energetici, idrici e di filiera dei materiali. Questo quarto caso è strutturalmente diverso dai tre precedenti: l’intelligenza artificiale generativa è già in produzione, già genera valore economico misurabile in molti settori (programmazione assistita, automazione del servizio clienti, accelerazione della scoperta di farmaci). Non si tratta di chiedersi quando arriverà. Il problema è che la sua traiettoria attuale di consumo la sta rendendo rapidamente non sostenibile sulle nostre sei dimensioni.
Secondo i dati più recenti dell’Agenzia Internazionale dell’Energia (rapporto Energy and AI di aprile 2025), i data center del mondo hanno consumato circa quattrocentoquindici miliardi di chilowattora nel 2024, pari all’1,5 per cento dell’elettricità globale. Solo nel 2025 il consumo è cresciuto del 17 per cento, contro il 3 per cento di crescita complessiva dell’elettricità mondiale. Le proiezioni IEA al 2030 indicano un raddoppio a circa novecentoquarantacinque miliardi di chilowattora, pari al 2,5-3 per cento dell’elettricità globale, trainato soprattutto dall’addestramento e dall’utilizzo dei grandi modelli AI; Stati Uniti, Cina ed Europa rappresenteranno l’85 per cento del consumo. Per addestrare il solo GPT-4 sono stati stimati sessanta miliardi di chilowattora; per l’intera frontiera dei modelli del 2024-2025 si parla di diverse migliaia di miliardi di chilowattora, con curve ancora in crescita. Sul fronte dell’acqua, i data center raffreddati con sistemi a evaporazione consumano da 1,5 a 9 litri d’acqua per ogni kilowattora di calcolo: i grandi campus consumano oltre cinque milioni di metri cubi d’acqua all’anno: in regioni già sotto stress idrico (Arizona, Spagna, Texas occidentale, Cile centrale) questi numeri stanno generando conflitti reali tra le aziende e le comunità locali.
Sul fronte dei chip, le schede grafiche di nuova generazione vengono sostituite ogni due o tre anni e generano flussi enormi di rifiuti elettronici contenenti materiali critici per i quali non esiste ancora una filiera di recupero matura. Inoltre il mercato è estremamente concentrato: una sola azienda americana, NVIDIA, controlla oltre l’ottantacinque per cento delle schede grafiche per addestramento di intelligenza artificiale, e la loro produzione fisica dipende da un solo produttore taiwanese, TSMC, sui nodi più avanzati. Misurata con le sei domande, l’intelligenza artificiale generativa di larga scala è al livello nove di maturità (è già sul mercato), ha un bilancio, “valore generato vs energia consumata” positivo nelle applicazioni a forte ritorno e incerto in altre, ha costi per risposta in calo rapido grazie a tecniche di efficientamento, ma fallisce su tre delle sei prove: filiera estremamente concentrata, impatto ambientale negativo se la traiettoria di crescita continua, accettazione sociale che si sta deteriorando proprio sul fronte dell’acqua, dei sussidi pubblici crescenti e della concorrenza con altri usi della rete elettrica.
L’intelligenza artificiale generativa non è dunque “non sostenibile” in senso assoluto come le altre tre tecnologie. Il caso d’uso esiste, il prodotto funziona, il valore economico c’è. È non sostenibile la sua traiettoria attuale di crescita per forza bruta: l’idea che i modelli debbano sempre essere più grandi, sempre più affamati di energia, sempre più affamati di chip. Tra fine 2024 e il 2025, aziende come la cinese DeepSeek hanno dimostrato che, con tecniche più intelligenti, si possono ridurre i costi di addestramento di un fattore cinque o dieci a parità di prestazioni. Esiste quindi uno scenario in cui la traiettoria insostenibile si autocorregge per via tecnologica. Ma esiste anche un effetto contrario, noto agli economisti come “paradosso di Jevons”: quando una tecnologia diventa più efficiente, spesso se ne usa molta di più, e il consumo totale aumenta comunque. Pensate alle automobili: i motori sono molto più efficienti di cinquant’anni fa, ma usiamo molta più benzina perché guidiamo molto di più. Quale dei due effetti prevarrà per l’intelligenza artificiale dipenderà da scelte di politica pubblica e di progettazione, non da automatismi tecnologici. Questo rende il caso dell’intelligenza artificiale strutturalmente diverso dagli altri tre: non si tratta di aspettare che maturi, ma di indirizzare un dispiegamento già in corso.
In sintesi, misurate con le sei domande, le quattro tecnologie protagoniste del dibattito si trovano in posizioni molto diverse. Il computer quantistico fisico e la fusione nucleare sono ancora ricerca, da finanziare come tale. Gli emulatori quantistici (categoria spesso confusa con le macchine quantistiche fisiche) sono già pronti per l’uso industriale, mentre la fissione di nuova generazione promette qualche risultato per la metà del prossimo decennio, ma in modo selettivo. L’intelligenza artificiale di larga scala è già qui, e va indirizzata.
Il doppio binario
Stabilito che le quattro tecnologie protagoniste non sono oggi candidabili a sostituire le soluzioni mature (con l’eccezione importante degli emulatori quantistici per il calcolo e la fissione di nuova generazione) la domanda diventa: come si organizza la transizione in modo che la ricerca non si fermi e l’industria continui a produrre valore?
La proposta si articola in tre componenti complementari, che si tengono insieme: due binari distinti, una serie di prove di passaggio dall’uno all’altro, e una mappa delle “tecnologie ponte” disponibili oggi.
Il primo principio è separare in modo netto due binari, ciascuno con propri orizzonti di tempo, propri strumenti finanziari e propri criteri di valutazione. Il binario dell’esplorazione finanzia la ricerca di base, i prototipi di laboratorio, i dimostratori in ambiente realistico, quello che gli inglesi chiamano “deep tech”, la tecnologia profonda. L’orizzonte di ritorno è di dieci, venti, anche venticinque anni; servono capitali pazienti, programmi pubblici di ricerca, fondazioni filantropiche, fondi specializzati nei tempi lunghi della scienza; e il successo si misura in pubblicazioni scientifiche, brevetti, traguardi tecnico-scientifici raggiunti, non in fatturato.
Il binario della produzione, invece, finanzia il dispiegamento di tecnologie già qualificate, l’ottimizzazione, l’aumento della scala industriale; l’orizzonte di ritorno è di uno, tre, sette anni; servono capitali di rischio convenzionali, finanza di progetto, debito infrastrutturale; e il successo si misura in costo unitario, quote di mercato, redditività.
Sono due mondi che parlano lingue diverse, e devono restare distinti.
L’errore strategico ricorrente (sia nelle imprese sia nei programmi pubblici) è confondere i due binari. Pretendere risultati di breve termine dalla ricerca di frontiera spegne l’esplorazione: costringe i ricercatori a inseguire metriche industriali che le tecnologie immature non possono raggiungere, a presentare ogni esperimento come “quasi pronto per il mercato” anche quando non lo è. Simmetricamente, finanziare con i soldi della ricerca attività che il mercato finanzierebbe già da solo drena risorse e rallenta tutti, perché distorce i prezzi di mercato e crea aspettative sbagliate. Il modello del doppio binario richiede che criteri, comitati di valutazione e orizzonti di ritorno siano separati e gestiti da persone diverse.
Una tecnologia non resta su un binario per sempre: a un certo punto, se la ricerca ha avuto successo, deve passare al binario della produzione. Ma non per decreto, e non perché qualcuno lo decide a tavolino: deve farlo dimostrando di essere matura.
Il secondo elemento della proposta sono cinque prove — chiamiamole “cancelli” — che una tecnologia deve superare contemporaneamente, davanti a un comitato indipendente, per uscire dal binario della ricerca ed entrare in quello della produzione.
La prima prova è la maturità: livello sette o superiore della scala internazionale, dimostrato in ambiente operativo per almeno dodici mesi continuativi.
La seconda è il costo: deve essere entro il trenta per cento in più rispetto alle tecnologie esistenti, con una curva di apprendimento documentata che permetta di prevedere la parità a volumi obiettivo verificabili.
La terza è l’ambiente: bilancio del ciclo di vita neutro o migliorativo, certificato secondo le norme internazionali da un ente terzo accreditato.
La quarta è la filiera: i materiali critici devono avere almeno tre fornitori indipendenti, oppure un tasso verificato di sostituibilità superiore al cinquanta per cento.
La quinta sono le regole: deve esistere un quadro regolatorio operativo o una tabella di marcia di certificazione sotto i ventiquattro mesi, e l’accettazione sociale documentata.
Una tecnologia che fallisce anche un solo cancello rimane nel binario di esplorazione e continua a ricevere finanziamenti coerenti con quella natura: ricerca, non sussidi industriali. Niente “spinte sul mercato” mascherate da incentivi permanenti. Oggi accade spesso il contrario: tecnologie ancora immature ricevono incentivi fiscali e tariffari come se fossero pronte, generando capacità installata economicamente fragile e sottraendo risorse a soluzioni mature che ne avrebbero davvero bisogno.
Il terzo elemento della proposta è la mappa delle tecnologie disponibili oggi: quello che ho chiamato “ponti tra i due orologi”. Per ognuno dei quattro domini esiste un’alternativa industriale concreta, già al livello otto-nove di maturità, che soddisfa le sei domande precedenti.
Per il dominio del calcolo, la prima alternativa è quella degli emulatori quantistici di cui ho già parlato. Accanto ad essi ci sono gli “algoritmi quantum-inspired” (tecniche matematiche ispirate al calcolo quantistico ma eseguite su computer normali, che coprono già il novanta per cento dei casi d’uso pubblicizzati come “pronti per il quantum”) e ci sono gli acceleratori specializzati e gli standard di crittografia che resistono ai computer quantistici, sviluppati dall’istituto americano NIST e già pronti per essere adottati.
Per il dominio energetico, le alternative sono già operative e si conoscono. Il pacchetto “rinnovabili variabili + batterie + reti potenziate” raggiunge oggi costi inferiori a cinquanta dollari per megawattora in molti mercati, con un bilancio energetico restituito tra dieci e trenta volte quello investito e tempi di costruzione di dodici-trentasei mesi. Si tratta di fotovoltaico, eolico (sia su terra che in mare), batterie al litio per durate di quattro-otto ore, batterie al sodio in arrivo, idrogeno e ammoniaca per accumulo stagionale. La geotermia di nuova generazione fornisce produzione continua ovunque ci sia un buon gradiente termico, con maturità ormai quasi piena. Per chi necessita di nucleare di base, i reattori della cosiddetta “Generazione III+” (quelli appena precedenti ai modulari piccoli) sono già disponibili con un quadro regolatorio noto: si tratta dei reattori francesi EPR, americani AP1000, sudcoreani APR1400.
Per il dominio dell’intelligenza artificiale, le alternative allo “scaling brutale” (cioè alla rincorsa verso modelli sempre più grandi) sono molteplici e ben consolidate. L’efficientamento degli algoritmi con tecniche dai nomi tecnici come “distillazione”, “quantizzazione”, “sparsità”, “mixture-of-experts”, riduce di un fattore dieci o cento il costo di calcolo a parità di prestazione utile. I modelli di scala media (da tre a trenta miliardi di parametri, addestrati con tecniche di “distillazione” da modelli più grandi) coprono il settanta-ottanta per cento dei casi d’uso aziendali a frazioni del costo. Il ritorno al raffreddamento liquido nei data center taglia del trenta-quaranta per cento l’energia spesa per il condizionamento. Spostare i carichi di lavoro nelle ore e nelle aree di alta produzione rinnovabile riduce l’impronta di anidride carbonica del venticinque-cinquanta per cento senza cambiare alcun hardware. Far girare l’intelligenza artificiale vicino all’utente (sui telefoni, sui dispositivi locali, invece che nei grandi data center remoti) riduce sia il traffico di rete sia i tempi di risposta.
Per il dominio della manifattura, infine, l’alternativa alle tecnologie di frontiera è semplicemente la digitalizzazione integrata di base, che resta paradossalmente la più sottoutilizzata. I “gemelli digitali” (modelli software di un impianto fisico), l’analitica tradizionale, la robotica matura, la manutenzione predittiva basata su statistica classica e machine learning supervisionato a piccola scala generano oggi efficienze del dieci-trenta per cento nei processi produttivi senza richiedere alcuna tecnologia di frontiera. Il “centro noioso” della digitalizzazione (gestionali integrati, sistemi moderni di esecuzione produttiva, controllo statistico di processo, lean manufacturing strumentato) è ancora largamente sottoimplementato in Europa ed è il principale gap di produttività rispetto ai migliori benchmark globali.
Tre esempi concreti
Il modello del doppio binario si declina in modo specifico per ciascun settore. Per non rimanere astratti, ecco tre esempi paradigmatici di come funziona nella pratica.
L’energia elettrica
Cominciamo dall’energia elettrica. Cosa fare oggi, nei prossimi dieci anni? Rinnovabili più batterie più reti potenziate; idroelettrico e pompaggio dove sono disponibili; nucleare di Generazione III+ dove è socialmente accettato; geotermia avanzata nelle regioni con buon gradiente; biometano per la flessibilità. L’obiettivo concreto: portare la quota di elettricità senza emissioni al settanta-novanta per cento nei sistemi sviluppati.
Cosa tenere invece nel binario della ricerca? La fusione nucleare, con orizzonte 2045 e oltre; la fissione di quarta generazione vera e propria, con orizzonte 2035-2040 per le tipologie più mature; l’idrogeno verde su scala di rete, che oggi costa quattro-otto dollari al chilo contro l’obiettivo di un dollaro e mezzo necessario per essere economicamente sostenibile senza sussidi.
Quale il prossimo cancello da superare? I reattori modulari piccoli ad acqua leggera. Saranno candidabili al binario della produzione quando la prima unità commerciale dimostrerà un costo stabilizzato sotto i novanta dollari per megawattora per ventiquattro mesi, e una filiera del combustibile diversificata su almeno tre fornitori.
I sistemi di calcolo
Passiamo al calcolo aziendale e di ricerca. Cosa fare oggi? Cluster di schede grafiche e processori specializzati efficienti, modelli AI di scala media addestrati per dominio specifico, calcolo locale sui dispositivi (edge computing), chip dedicati per inferenza, networking e stoccaggio, cloud ibrido sensibile alla provenienza dell’energia, e, per chi vuole formare competenze e sviluppare algoritmi quantistici applicati, gli emulatori quantistici. Quest’ultimo punto è particolarmente importante per chi vuole posizionarsi sulla curva del calcolo quantistico applicato: permette di acquisire un vantaggio strategico oggi, su una tecnologia che diventerà più mainstream nei prossimi cinque-dieci anni.
Cosa tenere nel binario della ricerca? Il calcolo quantistico fisico, con orizzonte 2032 e oltre per il “vantaggio quantistico industriale” verificato; il calcolo neuromorfico avanzato, che imita il funzionamento del cervello; il calcolo fotonico che usa la luce invece dell’elettricità; i processori probabilistici.
Quale il prossimo cancello da superare? Il vantaggio quantistico su problemi reali di ottimizzazione e simulazione. Fino a quel momento, ogni budget aziendale destinato all’hardware quantistico fisico oltre quote sperimentali simboliche (sotto il due per cento del budget di ricerca informatica) è un errore di allocazione. Diversamente, l’investimento in emulatori e formazione del team sugli algoritmi quantistici è giustificato già oggi: il costo di entrata è basso, il rischio di obsolescenza degli algoritmi sviluppati è minimo (il codice è portabile su hardware diverso), e il valore di posizione strategica è alto.
Il manufacturing
Veniamo infine alla manifattura. Cosa fare oggi? Digitalizzazione integrata dei processi (sistemi moderni di esecuzione produttiva, sensoristica industriale, integrazione fra gestionali e sistemi operativi), gemelli digitali di prodotto e processo, automazione collaborativa con robot che lavorano accanto agli operatori (i cosiddetti “cobot”), manutenzione predittiva, manifattura additiva, per nicchie qualificate. L’obiettivo concreto: incremento della produttività del quindici-venticinque per cento e riduzione degli sprechi del venti-trentacinque per cento in cinque anni di programma sistematico.
Cosa tenere nel binario della ricerca? L’intelligenza artificiale “agentica” che progetta autonomamente; la robotica autonoma generale, capace di adattarsi a contesti nuovi; la manifattura assistita dal calcolo quantistico per simulare nuovi materiali; i materiali “programmabili” che cambiano proprietà su comando; la biomanifattura su scala industriale, che usa organismi viventi modificati per produrre sostanze.
Quale il prossimo cancello? L’intelligenza artificiale di progettazione sarà candidabile alla produzione quando dimostrerà un tasso di errore inferiore agli operatori umani esperti su compiti di ingegneria reale, in produzione, per almeno sei mesi continui, con tracciabilità completa delle decisioni, perché chi firma un progetto deve poter rispondere di ogni scelta fatta da un algoritmo.
Come fare in modo che il modello funzioni davvero
Un modello come quello del doppio binario non è automatico: richiede istituzioni, regole, persone in carne e ossa che lo facciano funzionare. Tre componenti di governance sono indispensabili per evitare che la proposta resti sulla carta.
La prima è un osservatorio tecnologico indipendente che, ogni due anni, ricalcoli le sei domande per ciascuna tecnologia di frontiera e pubblichi i risultati. La trasparenza del metodo è essenziale per evitare che le lobby industriali catturino il processo: l’osservatorio deve includere ricerca pubblica, industria, società civile e regolatori, con regole rigorose di dichiarazione dei conflitti d’interesse.
La seconda è un meccanismo di finanziamento differenziato che leghi gli strumenti finanziari al binario corretto. Sussidi pubblici, garanzie e strumenti di rischio per il binario della ricerca — sul modello di programmi come ARPA-E negli Stati Uniti o il Consiglio Europeo per l’Innovazione in Europa. Finanza di progetto, debito infrastrutturale, contratti per differenza per il binario della produzione. Confondere i due strumenti produce distorsioni di mercato e “cattedrali nel deserto”: il fallimento del progetto NuScale negli Stati Uniti è anche stato un caso di sussidio applicato a una tecnologia non ancora pronta a passare il cancello, e il risultato è stato il suo abbandono prima ancora di partire.
La terza è un meccanismo di revisione periodica (quello che gli inglesi chiamano “sunset review”) che imponga ogni cinque anni di verificare la pertinenza di una tecnologia nel binario della ricerca: se dopo dieci anni di finanziamento una tecnologia non mostra progressi misurabili, viene riallocata o chiusa. Saper concludere programmi falliti è importante quanto saperne avviare di nuovi. Senza meccanismi di chiusura, il portafoglio della ricerca si satura di tecnologie “zombie” che assorbono risorse senza prospettiva, semplicemente perché qualcuno le ha messe in piedi vent’anni fa e nessuno ha avuto il coraggio o il mandato di fermarle.
Criticità dell’approccio dei due binari
Abbiamo detto sin dall’inizio che le sei domande e le loro soglie sono argomentabili ma non oggettive: spostarle anche del venti per cento può cambiare i giudizi su singole tecnologie. La scala della maturità è stata criticata in letteratura tecnica perché tratta tutti i livelli come uguali, mentre nella pratica passare dal cinque al sei può essere molto più difficile che passare dal sette all’otto.
Il calcolo del costo per unità di servizio è notoriamente parziale per le fonti di energia intermittenti come sole e vento, perché non tiene conto del valore di poter accendere o spegnere la produzione quando serve. Una versione più rigorosa del metodo dovrebbe dichiarare le soglie come parametri politici e proporre analisi di sensibilità su ciascuna, qualcosa che esce dallo scopo di questo articolo.
Un metodo che valuta la sostenibilità al tempo zero è strutturalmente conservativo e tende a perdere le rivoluzioni: applicato meccanicamente, avrebbe negato per anni l’accesso al binario della produzione al fotovoltaico solare, mentre le tecnologie più trasformative del periodo 1970-2025: il fotovoltaico, le batterie al litio, le schede grafiche per il calcolo, che erano non sostenibili secondo qualunque versione del nostro metodo applicato al loro stato iniziale, hanno potuto far emergere la loro sostenibilità grazie ai sussidi pubblici (le tariffe tedesche per il fotovoltaico negli anni 2000, i sussidi cinesi per le batterie negli anni 2010) che hanno attivato le “curve di apprendimento” che hanno reso a posteriori difendibile l’investimento. Tuttavia i nostri cancelli ammettono “curve di apprendimento documentate”; ma forzare una curva contro l’evidenza statica del momento è una scelta politica che il metodo rischia di nascondere. Una versione raffinata dovrebbe includere meccanismi di “corsia preferenziale” per tecnologie con apprendimento esponenziale verificato.
Sul calcolo quantistico, va assolutamente specificato che non bisogna confondere il “calcolo quantistico” con il “vantaggio quantistico industriale”: il quantum sensing, ovvero la misurazione di precisione tramite fenomeni quantistici (orologi atomici, magnetometri ultraprecisi), è già al livello otto-nove e ha un mercato. Inoltre, dimostrazioni recenti (Google Willow nel dicembre 2024, l’annuncio di Microsoft sui qubit “topologici” nel febbraio 2025) suggeriscono che la curva di miglioramento potrebbe non essere lineare. Per cui è da prendere in considerazione il monitoraggio annuale anziché biennale.
Sulla fusione, la varianza dell’orizzonte tra il percorso pubblico ITER-DEMO e il segmento privato è ampia: se anche solo una delle tabelle di marcia private fosse confermata, la finestra di transizione si sposterebbe di dieci o quindici anni. La risposta è che l’incertezza richiede scenari probabilizzati, non una data centrale unica.
Sull’intelligenza artificiale, la curva di efficienza algoritmica del 2024-2026 sta correndo veloce: se la riduzione del costo continua al ritmo attuale (un fattore cinque o dieci all’anno per modelli equivalenti), il caso di non sostenibilità si attenua per autocorrezione tecnologica. Ma va tenuto conto che il paradosso di Jevons agisce in entrambe le direzioni e l’esito netto dipende da scelte di politica pubblica.
La quarta considerazione è di economia politica. I cancelli, gestiti da comitati, possono diventare strumenti di “cattura”: gli operatori già presenti nel mercato possono contribuire a definire criteri tecnici che escludano selettivamente le tecnologie sfidanti. La storia del settore farmaceutico, della finanza e dell’energia offre numerosi esempi documentati. La separazione netta fra binario della ricerca e binario della produzione presuppone capacità statali avanzate (osservatori indipendenti, revisioni periodiche attive, finanziamento differenziato) che molti contesti istituzionali non possiedono. In assenza di queste capacità, il modello rischia di produrre il contrario del suo intento: una cristallizzazione delle tecnologie già dominanti, presentata come razionalità tecnica.
In realtà il quadro proposto sembrerebbe privilegiare la quantificazione, l’orizzonte produttivo e la metrica monetaria su altre dimensioni di valore: la sovranità tecnologica, la sicurezza nazionale, la scienza aperta come bene pubblico, i diritti culturali. La “pazienza strategica” invocata può essere letta, da chi attribuisce massima urgenza al cambiamento climatico, come razionalizzazione del rinvio.
La contrapposizione tra corretta allocazione delle risorse e etica della transizione è una tensione reale tra due livelli di analisi: la razionalità strumentale (come allocare risorse) e la razionalità normativa (perché farlo e per chi). In realtà le due posizioni non sono in conflitto: si integrano a strati.
Usare una metrica produttivo-monetaria come filtro ha un senso compiuto perché quella è la lingua dell’industria e dei decisori pubblici. Ma questo non significa che i valori esclusi (sovranità, sicurezza, scienza aperta, diritti culturali) siano irrilevanti: significa che operano a un livello diverso, quello dei vincoli, prima delle metriche.
La contrapposizione si risolve, infatti, ponendo i valori come vincoli inviolabili alla base del metodo.
Prima ancora di applicare le sei domande, si definisce l’insieme delle opzioni ammissibili tramite vincoli non negoziabili:
- Sovranità tecnologica: nessuna tecnologia con concentrazione di filiera oltre il 70% su un solo Stato ostile può passare al binario della produzione, indipendentemente dal costo. Questo non è un giudizio monetario, è un giudizio geopolitico che precede il metodo.
- Sicurezza nazionale: alcune tecnologie (crittografia post-quantistica, nucleare militare) escono dalla griglia produttiva e entrano in una griglia separata retta da logiche diverse.
- Scienza aperta: il binario dell’esplorazione può prevedere per clausola esplicita che le scoperte finanziate con denaro pubblico restino in commons. Ma, ovviamente, deve essere una scelta politica, non tecnica.
- Diritti culturali: in domini come i modelli linguistici, la dipendenza da corpus prodotti da determinate culture è già un vincolo di filiera culturale e le sei domande, opportunamente estese, possono includerlo.
Il metodo del doppio binario quindi non è neutrale rispetto ai valori: è neutrale all’interno di un perimetro che i valori hanno già delimitato. La contrapposizione si risolve, dunque, non cercando un’etica alternativa, ma riconoscendo che il metodo del doppio binario è già un’etica applicata, purché venga incorniciato esplicitamente da vincoli di valore pre-analitici (sovranità, sicurezza, apertura, equità distributiva) che precedono, delimitano e proteggono la razionalità produttiva senza sovvertirla.
La questione più seria è quella climatica. L’equazione pazienza strategica = procrastinazione di fronte all’urgenza è sbagliata. In realtà il nostro ragionamento dimostra esattamente il contrario: scommettere su tecnologie immature rallenta la transizione perché sottrae risorse a soluzioni mature che funzionano adesso. Il fotovoltaico, le batterie, le reti (al livello nove di maturità) rimangono sottofinanziati finché i capitali si accumulano su fusione e quantum computing nell’attesa del “salto”. La pazienza strategica, applicata correttamente, è la posizione più urgente per il clima: finanzia ciò che può decarbonizzare nei prossimi dieci anni, non ciò che potrebbe farlo nel 2050.
L’etica della transizione e il metodo di allocazione convergono sulla stessa conclusione pratica, solo che ci arrivano con argomenti diversi. La pazienza strategica invocata è intrinsecamente legata al principio di trasparenza distributiva. Chi beneficia del rinvio? Chi sopporta i costi dell’attesa? Se la risposta è asimmetrica (le comunità più esposte al clima pagano il prezzo del ritardo, mentre i capitali da ricerca sono detenuti nei paesi già avanzati) allora il metodo di allocazione deve incorporare un correttivo redistributivo come quinto vincolo, da aggiungersi ai quattro vincoli inviolabili appena enunciati (sovranità tecnologica, sicurezza nazionale, scienza aperta, diritti culturali).
La contrapposizione, dunque, si risolve non cercando un’etica alternativa, ma riconoscendo che il metodo del doppio binario sia già un’etica applicata, purché venga incorniciato esplicitamente da vincoli di valore pre-analitici (sovranità, sicurezza, apertura, equità distributiva) che precedono, delimitano e proteggono la razionalità produttiva senza sovvertirla.
Una osservazione finale, non tecnica ma di policy-making, va fatta sull’intelligenza artificiale generativa di larga scala. Il dibattito pubblico europeo è oggi fortemente polarizzato sui pericoli antropologici e occupazionali dell’AI — perdita di posti di lavoro, manipolazione delle informazioni, autonomia decisionale degli esseri umani, implicazioni nella difesa — e molto meno sui suoi costi ambientali, energetici e idrici. Sono entrambe critiche fondate, ma l’asimmetria mediatica preoccupa: si gioca sulle paure dell’immediato (perdere il lavoro domani) e si sottovalutano le preoccupazioni del decennio (decarbonizzare entro il 2030 nel quadro del Green Deal europeo). Le sei domande di questo saggio attribuiscono peso uguale alle dimensioni produttive e a quelle ambientali; il dibattito politico dovrebbe fare altrettanto. Quando un sistema con la traiettoria di consumo dell’AI viene discusso solo per i suoi effetti sull’autonomia umana e mai per i suoi effetti sull’energia e sull’acqua, si rischia di approvare regolamentazioni asimmetriche — stringenti su un fronte, lasche sull’altro — che non risolvono nessuno dei due problemi.
Il dovere della pazienza strategica
L’industria contemporanea opera in un campo di forze in cui due narrazioni si contrappongono. Da una parte l’attendismo tecnologico, che rinvia ogni decisione di investimento in attesa della tecnologia salvifica. Dall’altra l’accelerazionismo del dispiegamento, che impone l’adozione di tecnologie immature per ragioni politiche, di marketing o di pressione competitiva. Entrambe le posizioni sono errate, e il loro errore comune è ignorare la sostenibilità misurabile sostituendola con la fiducia in narrazioni qualitative.
Il modello del doppio binario propone una terza via: investire la ricerca con l’orizzonte e gli strumenti che le sono propri; investire la produzione con tecnologie che soddisfano qui e ora le sei domande di sostenibilità; codificare in modo trasparente i criteri di passaggio dal primo binario al secondo; aggiornare periodicamente le decisioni alla luce di osservatori indipendenti. È una posizione che richiede pazienza strategica — la capacità di sostenere la ricerca di frontiera per due o tre decenni senza pretendere ritorni annuali — e disciplina industriale — la disponibilità a rifiutare il dispiegamento di tecnologie eleganti ma immature, anche quando sarebbero comunicativamente attraenti. Sono virtù poco mediatiche, ed è proprio questo il loro pregio.
Il calcolo quantistico fisico, la fusione, la fissione di nuova generazione e l’intelligenza artificiale generativa di larga scala resteranno per il prossimo decennio tecnologie da sostenere prevalentemente nel binario della ricerca, con eccezioni circoscritte: alcuni reattori modulari piccoli derivati dai reattori ad acqua leggera tradizionale; modelli di intelligenza artificiale di scala media efficienti; il quantum sensing per la misurazione di precisione; gli emulatori quantistici per chi vuole sviluppare algoritmi quantistici applicati. Nel frattempo, l’industria deve produrre con ciò che ha, e ciò che ha è già abbondante. Per l’energia: rinnovabili e batterie con reti potenziate, geotermia avanzata, nucleare di terza generazione dove serve, biometano e idroelettrico. Per il calcolo: modelli di intelligenza artificiale efficienti, architetture ibride, raffreddamento liquido, chip dedicati, calcolo locale sui dispositivi, crittografia che resiste ai computer quantistici, ed emulatori quantistici per chi vuole posizionarsi sulla curva del calcolo quantistico applicato. Per la manifattura: digitalizzazione integrata, gemelli digitali, automazione matura, manutenzione predittiva, stampa 3D nelle nicchie qualificate.
Il dovere della transizione è esattamente questo: distinguere ciò che è promessa da ciò che è prodotto, sostenere entrambi nei tempi propri, e non confonderli mai. La pazienza strategica non è attendismo — il rinvio mascherato da prudenza. È la disciplina di tenere insieme due orologi diversi, quello della scoperta e quello della produzione, senza schiacciare l’uno sull’altro. È il compito specifico, e non delegabile, di chi guida le organizzazioni e le istituzioni in questo decennio.
Nei passaggi precedenti si è mostrato dove questa proposta è vulnerabile: nelle scelte di soglia, nella tendenza conservativa di ogni quadro statico, nella possibilità di “cattura” del modello da parte degli operatori dominanti, nel rischio che la “pazienza” diventi alibi del rinvio. Queste vulnerabilità sono il prezzo della precisione operativa: un quadro più prudente sarebbe meno azionabile, un quadro più azionabile sarebbe meno prudente. Riconoscere questo compromesso è parte integrante della proposta. Il modello qui presentato è una griglia di lavoro che invita al dissenso informato più che all’adesione: la sua utilità si misura nella qualità del confronto che genera.
