Il costo per elaborare una risposta per i modelli di intelligenza artificiale è sceso di cento volte in tre anni, eppure la spesa complessiva dei grandi operatori in nuovi datacenter è quadruplicata. Il fenomeno ha un nome che viene dall’Ottocento, e una spiegazione ancora validissima.
Indice degli argomenti
Dal carbone ai datacenter: il paradosso di Jevons applicato all’AI
Nel 1865, l’economista inglese William Stanley Jevons pubblicava un libro intitolato The Coal Question [1] (La questione del carbone). Vi descriveva un’osservazione che a prima vista appariva contraddittoria: i motori a vapore di nuova generazione, derivati dai brevetti che James Watt aveva depositato alla fine del Settecento, consumavano molto meno carbone di quelli precedenti a parità di lavoro prodotto. Ci si sarebbe aspettati, di conseguenza, una contrazione della domanda nazionale di carbone in Gran Bretagna. L’esito osservato era invece l’opposto: il consumo era esploso. Infatti, quando il vapore divenne economicamente conveniente, venne adottato in ambiti prima fuori portata, ovvero locomotive, navi a vapore, intere classi di nuovi processi industriali. Più macchine, più applicazioni, più carbone, benché ogni singolo motore ne richiedesse meno.
Centosessant’anni dopo, lo stesso meccanismo sembra ripresentarsi in un settore nel quale il “carbone” è la capacità di calcolo dei computer e i “motori a vapore” sono i grandi modelli linguistici, ovvero i sistemi che alimentano applicazioni come ChatGPT, Claude o Gemini. I principali attori dei sistemi IA (Amazon, Microsoft, Google, Meta, Oracle) hanno annunciato per il solo 2026 investimenti in datacenter per oltre 600 miliardi di dollari secondo le proiezioni di IEEE ComSoc [2] e Fortune [3], una cifra che supera il prodotto interno lordo della Svezia. Mentre la spesa cresce, i modelli che dovrebbero giustificarla diventano però sempre più efficienti. È un paradosso apparente che merita una spiegazione ordinata, e che alcuni studi recenti, in particolare uno schema teorico elaborato da Zhang e Zhang (2026) [4], stanno cominciando a chiarire.
La corsa al calcolo e il paradosso di Jevons
Costruire datacenter da decine di miliardi di dollari, come l’iniziativa “Stargate” annunciata da OpenAI insieme a Oracle e SoftBank, rappresenta sia una scommessa industriale sia una barriera fisica all’ingresso di nuovi concorrenti. Chi volesse sfidare i grandi operatori senza disporre di centri di calcolo equivalenti si troverebbe in una posizione difficile, costretto ad affittare la capacità di calcolo proprio dai soggetti che intende sfidare. In questo senso, il datacenter da decine di gigawatt di consumo elettrico assume oggi il ruolo che nel Novecento avevano le raffinerie integrate nei grandi gruppi petroliferi: un bene strategico che garantisce potere di mercato a prescindere dal proprio rendimento immediato.
Figura 1. Investimenti complessivi in nuovi datacenter dei principali attori americani dei sistemi di IA (Amazon, Alphabet, Microsoft, Meta, Oracle). Elaborazione su dati IEEE ComSoc (dicembre 2025) e Fortune (febbraio 2026). Oltre il 75% della spesa 2026 è attribuibile direttamente all’infrastruttura per l’IA.
La giustificazione di tale scommessa poggia sullo stesso meccanismo che Jevons aveva individuato nell’industria britannica. La sua formulazione, riletta in chiave moderna, sostiene che quando una risorsa diventa più economica e più efficiente, la sua domanda complessiva tende a crescere, perché l’efficienza rende possibili usi che prima non erano sostenibili. Per continuare con la metafora: se viaggiare in treno costasse cinque volte meno, il numero di viaggi crescerebbe tipicamente di un fattore molto superiore a cinque, perché diventerebbe economicamente sensato spostarsi anche per ragioni che oggi non lo giustificano. La curva della domanda è sempre la stessa, ma si modifica perché si amplia il perimetro degli usi possibili.
L’analogia con l’intelligenza artificiale è molto evidente: negli ultimi tre anni, il costo per far elaborare al modello un’unità di testo (chiamata token nel gergo del settore: una parola o una sua frazione) è sceso di circa cento volte, da decine di dollari a frazioni di centesimo per milione di token. Se la domanda fosse rimasta stabile, la spesa complessiva del settore avrebbe dovuto ridursi proporzionalmente. L’osservazione empirica è opposta: la spesa (ovvero la domanda di token) cresce ben più rapidamente di quanto scendano i prezzi unitari. Zhang e Zhang formalizzano la dinamica con la formula del “paradosso di Jevons strutturale”, mostrando che il calo del costo per token modifica la domanda non per via di un semplice “scorrimento” lungo una curva fissa, ma trasforma anche qualitativamente il modo in cui i sistemi sono utilizzati, ovvero la domanda stessa.
Figura 2. Il paradosso di Jevons applicato all’inferenza. In alto, lo schema del meccanismo formalizzato da Zhang e Zhang (2026).
La figura 2 mostra il meccanismo: a parità di costo per la singola richiesta dell’utente, la spesa migra dalla singola interrogazione del 2023 a un’orchestrazione che consuma cento volte più token nel 2026. Il costo unitario resta stabile, ma il valore prodotto per ogni richiesta cresce di un ordine di grandezza, e il volume complessivo di token elaborati dal settore esplode. Questo perché quando l’elaborazione era costosa, una richiesta dell’utente generava una sola interrogazione al modello: il sistema rispondeva in un singolo passaggio. Oggi, con costi inferiori di cento volte, è economicamente sensato costruire sistemi che, a fronte di una singola richiesta dell’utente, generano internamente decine o centinaia di chiamate al modello: catene di ragionamento in cui il sistema “pensa ad alta voce” passo dopo passo, esplora ipotesi alternative, ricorre a strumenti esterni (ricerca sul web, calcolatrici, basi di dati), verifica iterativamente il risultato prodotto. Il rapporto fra token consumati internamente dal sistema e unità di servizio finale erogata all’utente può crescere di decine o centinaia di volte. Lo stesso compito che nel 2023 richiedeva 500 token oggi può consumarne 50.000, perché il sistema che pianifica, esegue, verifica e corregge consuma molto di più, ma produce un risultato di qualità superiore rispetto a una singola interrogazione.
Man mano che il costo unitario di un’operazione si avvicina a zero, il limite all’utilizzo è rappresentato quindi dal numero di operazioni che gli utilizzatori richiedono, fintanto che l’infrastruttura riesce a sostenerle. Chi segue il mondo dell’IA osserva proprio questo: gli utilizzatori più esperti sono passati dall’usare l’IA come un motore di ricerca o un tool per automatizzare la scrittura di elementi di codice relativamente limitati o parti di documenti, ad un uso avanzato che vede più “agenti” di IA – istanze della stessa LLM centralizzata – che lavorano in parallelo a progetti complessi, a volte per ore.
Si comprende così la logica di chi investe. I sistemi più efficienti riconfigurano il mercato della capacità di calcolo, spostandolo da un regime di scarsità a uno di intensità d’uso: ogni applicazione che prima poteva permettersi una singola interrogazione al modello oggi ne effettua decine, ricorsivamente. Il paradosso di Jevons finisce così per applicarsi anche a noi umani: chi usa l’IA si trova ben presto a lavorare di più, perché l’IA permette di completare singoli compiti più velocemente, col risultato che finiamo per eseguirne di più. Garicano (2026) [5], economista alla London School of Economics, ha applicato il principio al lavoro cognitivo sulle pagine del proprio blog Silicon Continent: programmi di intelligenza artificiale che riducono il costo di un compito cognitivo finiscono per espandere il volume complessivo di lavoro richiesto, perché il numero di compiti per i quali è economicamente sensatoil loro utilizzo cresce in modo più che lineare al diminuire del loro costo unitario.
Resta aperta la questione del rendimento marginale, ovvero quanto si guadagna in qualità per ogni dollaro aggiuntivo investito. Uno studio di riferimento di Jordan Hoffmann e colleghi (DeepMind) del 2022 [6], noto come “paper Chinchilla“, ha individuato sperimentalmente le cosiddette “leggi di scala”: raddoppiare le risorse impiegate nell’addestramento (parametri del modello, quantità di dati, potenza di calcolo) produce un miglioramento prevedibile delle prestazioni tecniche, con regolarità che si conserva su molti ordini di grandezza. Il lavoro di Hoffmann ha inoltre mostrato che, a parità di potenza di calcolo, conviene raddoppiare i dati di addestramento ogni volta che si raddoppia la dimensione del modello, smentendo la tendenza precedente a costruire modelli sempre più grandi senza nutrirli a sufficienza. Il problema, ben evidenziato dall’analisi “Smothering Heights” di J.P. Morgan Asset Management del gennaio 2026 [7], è che il miglioramento tecnico non si traduce automaticamente in valore economico: la qualità del modello cresce in modo regolare, mentre le capacità che gli utenti percepiscono come economicamente preziose emergono in modo discontinuo, talvolta improvviso. La scommessa dei grandi operatori consiste nell’assumere che la prossima soglia di capacità (ad esempio un sistema in grado di pianificare in autonomia su orizzonti di settimane) giustifichi a posteriori il capitale impegnato. È una scommessa, peraltro, finanziata in misura crescente a debito, come documentato dall’Open Markets Institute (2026) [8], il che amplifica il rischio complessivo nel caso in cui il rendimento atteso si materializzi più lentamente del previsto
La fragilità di chi è in testa: rischi e salti tecnologici
La centralità dell’infrastruttura fisica nella strategia dei grandi operatori dell’IA, con la conseguente esposizione economica necessaria al suo ampliamento, rappresenta dunque la principale fonte di rischio dell’intero settore. Quando il vantaggio competitivo è incorporato in un bene materiale specifico (un grande gruppo di GPU, datacenter raffreddati con immersione in un liquido dielettrico, una centrale elettrica dedicata), il valore di quel bene dipende criticamente dal fatto che la tecnologia continui a richiederlo nella forma attuale. Se la tecnologia cambia l’investimento diventa quello che gli economisti chiamano un “bene incagliato”: un capitale fisicamente intatto ma economicamente svalutato, difficile da riconvertire ad altri usi.
Diversi osservatori del settore parlano apertamente di un rischio legato all’ ‘eccesso di GPU‘ (sigla che sta per Graphics Processing Units, i processori specializzati nel calcolo parallelo che servono ad addestrare e a far funzionare i modelli). Il problema strutturale riguarda il disallineamento dei tempi: ad esempio i contratti di fornitura elettrica firmati dai grandi operatori durano quindici o vent’anni, mentre una scheda di calcolo di fascia alta diventa tecnicamente obsoleta in meno di cinque. Lo scenario evoca, fatte le debite proporzioni, l’immagine della Rust Belt americana, ovvero la fascia industriale del Midwest svuotata dalla deindustrializzazione: capacità installata sovradimensionata rispetto a una domanda meno elastica del previsto. Il disallineamento fra impegni infrastrutturali e ritmo del progresso algoritmico è di per sé una fonte di rischio strutturale.
L’efficienza, in questo contesto, smette di essere un fattore di vantaggio per chi è già dentro e diventa una potenziale minaccia per il loro modello di business. Avevo già scritto su Agenda Digitale [9] dei progressi nella compressione dei modelli, una serie di tecniche che permettono a modelli “piccoli” di ottenere qualità delle risposte di LLM di più grandi dimensioni, utilizzando molta meno memoria e meno calcolo. Ad esempio, algoritmi come TurboQuant di Google riducono di sei volte la memoria di lavoro richiesta dal modello senza perdita misurabile di qualità. Vale la pena richiamare due conseguenze di quei progressi, che assumono qui un significato economico più ampio.
In primo luogo, la compressione sposta una quota crescente del calcolo dai datacenter dei grandi operatori ai dispositivi degli utenti finali. Microsoft ha dimostrato con il sistema BitNet che è possibile far girare un modello da 100 miliardi di parametri su un normale processore di computer, ottenendo una velocità di generazione dei token/parole accettabile, con un consumo energetico inferiore dell’80% rispetto alle soluzioni tradizionali. Apple, dal canto suo, mira a gestire direttamente sui propri telefoni l’80% delle richieste fatte al proprio assistente (ad esempio per i compiti quali il riassunto di testi, la classificazione delle foto, le risposte rapide di Siri o la generazione di emoji – Genmoji), ricorrendo alle infrastrutture remote solo per il restante 20%. Ogni richiesta che resta sul dispositivo è una richiesta sottratta al fatturato dei grandi operatori – che Apple, notabilmente, non è.
In secondo luogo, l’intelligenza artificiale che gira in locale ha smesso di essere una nicchia per appassionati: la piattaforma Ollama, che permette di scaricare ed eseguire modelli direttamente sul proprio computer, ha raggiunto 52 milioni di scaricamenti mensili nel primo trimestre 2026, contro i 100.000 di tre anni prima. Si è creato un mercato parallelo, in larga parte gratuito, che erode dal basso il valore percepito dei servizi a pagamento e ne mette in discussione il modello basato sull’invio al cloud dei dati di utilizzo dell’IA, che invece con il modello locale rimangono saldamente sotto il controllo dell’utente. Una terza dimensione di rischio riguarda l’addestramento dei modelli. Se in futuro le tecniche di addestramento diventassero dieci volte più efficienti (un’eventualità tutt’altro che remota, considerando i progressi recenti), il vantaggio competitivo di chi ha già speso miliardi per addestrare i propri modelli con la generazione precedente di processori si annullerebbe nel giro di pochi mesi.
Zhang e Zhang elevano queste dinamiche a teorema, derivandone una conseguenza scomoda per i grandi operatori: il deprezzamento economico dei loro investimenti nei modelli non dipende dall’usura fisica delle macchine, ma dall’avanzamento dei concorrenti. Riprendendo il celebre passaggio di Lewis Carroll, gli autori chiamano questo fenomeno “effetto Regina Rossa” [10] (dalla Regina di “Attraverso lo specchio” di Lewis Carrol, che è costretta a correre solo per restare ferma): persino chi è in testa al mercato, se smettesse di investire, vedrebbe il valore del proprio capitale di intelligenza decadere al ritmo con cui la frontiera tecnologica globale avanza.
Figura 3. L’effetto “Regina Rossa” nello schema di Zhang e Zhang (2026): bisogna continuare ad investire per mantenere il capitale.
Il valore economico di un modello “di frontiera” (e della infrastruttura che lo ospita) dipende dalla sua capacità rispetto a quella della concorrenza. Senza investimenti continui, il deprezzamento procede al ritmo dell’avanzamento dei concorrenti, indipendentemente dall’integrità fisica delle macchine. Chi guidasse il mercato e smettesse di investire vedrebbe il valore del proprio capitale di intelligenza decadere senza che le macchine si guastino.
Il modello della “crescita illimitata” però sta forse entrando in crisi: è chiaro che la riduzione del costo dei token e la crescita frenetica degli investimenti non possono andare a braccetto per sempre: le infrastrutture costano, i costi dell’inferenza (ovvero della lettura e produzione dei token) sono sempre più elevati e, prima o poi, andranno scaricati sugli utilizzatori. E infatti, recentemente, sia Uber sia Microsoft hanno dichiarato di dover rivedere l’utilizzo dell tool di Antrophic, Claude, per via dei costi esorbitanti: Uber ha “bruciato” il budget 2026 nei primi 4 mesi dell’anno, con i suoi ingegneri che “consumavano” token al ritmo di 500-2000 dollari al mese, così come Microsoft ha dovuto rivedere l’uso di AI esterne (Anthropic anche in questo caso) per lo stesso motivo [11].
L’eclissi della scarsità: che cosa cambia per noi
Quando l’intelligenza artificiale diventa una merce indifferenziata, disponibile a un costo prossimo a zero, integrata nei sistemi operativi, eseguibile su qualunque dispositivo, l’effetto economico più immediato si manifesta a un livello che precede la questione del rapporto fra uomo e macchina: nella ridefinizione di che cosa, in un’economia simile, costituisca una risorsa scarsa.
La risposta che emerge dalla letteratura più recente è piuttosto consistente: si tratta dell’attenzione umana. MIT Technology Review, in un articolo del dicembre 2025 intitolato ‘How I learned to stop worrying and love AI slop’ [12], documenta come la produzione di contenuti generati artificialmente, quella che gli osservatori anglosassoni chiamano ormai AI slop (letteralmente ‘brodaglia dell’IA’), abbia raggiunto un volume tale da rendere il rumore informativo di fondo la dimensione strutturale dell’esperienza digitale contemporanea: Si stima che la quota di testi pubblicati online a generazione almeno parzialmente artificiale abbia superato il 60% nel corso del 2025, per le immagini il dato si avvicina al 75%. Lo squilibrio fra il costo di produzione dei contenuti e il costo cognitivo di consumarli e valutarli (il secondo praticamente invariato, il primo crollato di mille volte) fa sì che il tempo, l’attenzione e la capacità di discernimento del lettore diventino l’unica risorsa la cui scarsità non sia stata risolta dall’intelligenza artificiale. Si tratta di un’inversione rispetto al modello precedente, nel quale la scarsità riguardava il contenuto e l’abbondanza il pubblico: oggi ci avviamo verso uno scenario nel quale è esattamente il contrario.
Una seconda implicazione riguarda la svalutazione delle competenze di livello medio nel mercato del lavoro. Uno studio recente di Brynjolfsson, Chandar e Chen, pubblicato a novembre 2025 dallo Stanford Digital Economy Lab [13], ha mostrato come l’occupazione stia già calando in modo misurabile per i lavoratori giovani impiegati in mansioni a forte esposizione all’IA, mentre resta sostanzialmente stabile per quelli con minore esposizione e per i lavoratori più anziani. Forse si tratta di un primo riscontro empirico di una dinamica più generale: il valore economico del lavoro umano si polarizza verso due estremi. Da un lato la creatività eccezionale e la generazione di prospettive originali, dove la differenza fra una prestazione umana di altissimo livello e la produzione media dei modelli resta rilevante. Dall’altro la responsabilità fisica e legale, ovvero l’esercizio della discrezionalità in contesti in cui la sanzione giuridica o la conseguenza materiale richiedono una persona giuridicamente imputabile. La fascia intermedia, ovvero il lavoro cognitivo standardizzato, è quella che la teoria indica in compressione salariale strutturale, in quanto sostituibile a un costo che tende a zero.
I dati disponibili, tuttavia, non confermano questa traiettoria in modo uniforme. Prendere la programmazione come banco di prova è istruttivo: il Bureau of Labor Statistics statunitense, nelle proiezioni pubblicate a marzo 2025, stima una crescita dell’occupazione degli sviluppatori software del 17,9% fra il 2023 e il 2033, un ritmo molto superiore alla media generale. Un’interpretazione coerente con quanto si osserva in altri contesti tecnologici è che l’abbassamento del costo marginale di un’operazione cognitiva produce un aumento della domanda di quella stessa operazione: di nuovo il meccanismo descritto dall’effetto Jevons. Anche qui è però confermata una asimmetria: la pressione sembra concentrarsi sulle posizioni junior, dove la contrazione è già apprezzabile, mentre i profili senior risultano in espansione. Lo scenario che emerge, quindi, non è tanto la polarizzazione verso i soli estremi descritta in [12], quanto piuttosto una riconfigurazione interna alle professioni cognitive, con una compressione degli ingressi e una rivalutazione dell’esperienza.
Si delinea, peraltro, una terza implicazione di natura antropologica. L’automazione della decisione, ovvero l’idea che programmi software possano operare per conto dell’utente nel selezionare investimenti, prenotare visite mediche, vagliare opportunità professionali, persino mediare relazioni personali, ha smesso di essere un’ipotesi prospettica ed è diventata realtà operativa. Quando un programma di intelligenza artificiale struttura le opzioni che ci vengono presentate, sceglie la sequenza in cui le incontriamo e filtra a monte quelle che ritiene non pertinenti, l’autonomia formale dell’utente resta intatta, mentre la sua autonomia sostanziale si erode silenziosamente. Il rischio si colloca a un livello più sottile rispetto alla perdita del controllo esplicito: riguarda la diluizione del controllo implicito, ovvero la capacità di sapere che cosa non si sta vedendo. La logica dei grandi sistemi di intelligenza artificiale, orientata come ogni capitale alla massimizzazione del rendimento per chi lo detiene, entra potenzialmente in conflitto con le preferenze individuali, plasmandole prima ancora che vengano espresse.
In realtà, il punto più interessante per chi si occupa di regolazione riguarda la collocazione di tale rischio lungo la filiera. Finché il modello che mi suggerisce un investimento o un trattamento medico gira sul mio dispositivo, sotto il mio controllo, con accesso ai miei dati e a nessun altro, la questione si pone in termini gestibili. Quando lo stesso suggerimento proviene da un programma remoto che monetizza l’attenzione tramite logiche di terzi (pubblicitarie, di sponsorizzazione, di posizionamento), la questione cambia natura. La scelta architetturale fra elaborazione remota ed elaborazione locale, che dal punto di vista ingegneristico è una questione di tempi di risposta e di privacy, diventa così una scelta politica di prima grandezza, con conseguenze distributive che la regolazione europea, dall’AI Act al Data Act, sta solo ora iniziando ad affrontare.
Una riflessione conclusiva
L’apparente contraddizione fra spesa esponenziale ed efficienza crescente dei modelli si dissolve quando si osservano i due fenomeni come componenti del medesimo sistema, retto dal paradosso di Jevons strutturale e dall’effetto Regina Rossa. Spendere 600 miliardi di dollari all’anno in infrastruttura risulta coerente con una compressione dei modelli di dieci o cento volte: è, anzi, la risposta razionale dei grandi operatori a un ambiente in cui ogni dollaro di efficienza guadagnato dai concorrenti si traduce in deprezzamento del proprio capitale.
Resta da capire se questa dinamica sia stabile. I segnali più recenti (vedi [11]) mostrano che forse la fase dell’espansione a debito sta per esaurirsi: i prezzi ridotti per l’utilizzo dei modelli di frontiera sembra arrivato al tramonto, e questo sta forzando un riposizionamento anche delle aziende utilizzatrici. È una dinamica per certi versi inevitabile, destinata ad accelerare l’adozione di modelli locali “abbastanza buoni” per il lavoro quotidiano. A mio modo di vedere si sta chiaramente delineando una vittoria per l’approccio 2-tier all’IA sostenuto da Apple: un Tier-1 con AI “piccole e locali”, buone per la maggior parte dei compiti, ed un Tier-2 co le IA più potenti e costose, chiamate solo quando l’IA local “non ce la fa”. La IA locale più efficace, alla fine, sarà quella in grado di capire se il task richiesto è Tier-1 o il ben più costoso Tier-2.
Note
[1] Jevons, W. S. (1865). The Coal Question: An Inquiry Concerning the Progress of the Nation, and the Probable Exhaustion of Our Coal-Mines, Macmillan, London.
[2] IEEE ComSoc (dicembre 2025). Hyperscaler CAPEX: $600 bn in 2026, a 36% Increase over 2025.
[3] Fortune (2026). Big Tech’s $630 billion AI spree now rivals Sweden’s economy,.ì
[4] Zhang, Y. e Zhang, T. (2026). The Economics of Digital Intelligence Capital: Endogenous Depreciation and the Structural Jevons Paradox, arXiv:2601.12339.
[5] Garicano, L. (aprile 2026). The task is not the job, Silicon Continent (Substack). https://www.siliconcontinent.com/p/why-desk-jobs-survive-and-amodei.
[6] Hoffmann, J. et al. (2022). Training Compute-Optimal Large Language Models.
https://arxiv.org/abs/2203.15556
[7] J.P. Morgan Asset Management (gennaio 2026). Smothering Heights: Is the Largest Moat in Market History Indestructible?
[8] Open Markets Institute (maggio 2026). No Bailouts for Big Tech Billionaires: Policies for when the AI Bubble Bursts.
[9] Benedetti, D. (aprile 2026). Datacenter e modelli locali: come può cambiare l’economia dell’IA.
[10] Kumar, S. (2025). The Red Queen Effect (RQE) on Business and the Role of Generative AI in Industry 5.0, International Journal of Finance, Insurance, and Risk Management, vol. XV, n. 2, pp. 40-53.
[11] Dudova, A. (2026) Microsoft Pulled the Plug on AI Licenses. The Cost Story Is Just Beginning, The Tradablae
https://thetradable.com/business/microsoft-pulled-the-plug-on-ai-licenses-the-cost-story-is-just-beginning
[12] Chen, C., MIT Technology Review (dicembre 2025). How I learned to stop worrying and love AI slop.
https://www.technologyreview.com/2025/12/23/1130396/how-i-learned-to-stop-worrying-and-love-ai-slop/
[13] Brynjolfsson, E., Chandar, B., Chen, R. (novembre 2025). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence, Stanford Digital Economy Lab. https://digitaleconomy.stanford.edu/app/uploads/2025/11/CanariesintheCoalMine_Nov25.pdf.
Partecipa alla community