Ogni mese, con una regolarità che ha qualcosa di meccanico, arrivano due tipi di articoli sull'intelligenza artificiale. Il primo tipo dichiara che l'AI «sta cambiando tutto», che «può fare qualsiasi cosa», che il mondo come lo conosciamo è finito. Il secondo tipo dichiara che l'AI «è sopravvalutata», che «non capisce davvero niente», che è «solo statistica». Entrambi sono sbagliati. Entrambi sono sbagliati nello stesso modo: guardano all'AI come a un fenomeno monolitico invece di chiedersi cosa sa fare specificamente, in quale contesto, con quale affidabilità, e cosa invece non sa fare — e probabilmente non saprà fare nel breve periodo.

Nel 2026, con ChatGPT di OpenAI, Claude di Anthropic e Gemini di Google come i principali modelli linguistici di larga diffusione, ha senso fare un bilancio onesto: non promozionale, non catastrofista. Un bilancio che una persona informata può usare per prendere decisioni pratiche su se e come usare questi strumenti.

Cosa l'AI sa fare davvero bene nel 2026

Generare testo coerente e di qualità su quasi qualsiasi argomento. Questa è la competenza fondamentale dei modelli linguistici, e nel 2026 ha raggiunto un livello che in molti contesti supera quello della produzione media umana. Non di uno scrittore eccezionale — quello rimane fuori portata. Ma di una comunicazione professionale standard: una mail aziendale, un comunicato stampa, una descrizione di prodotto, un riassunto di un documento, una spiegazione di un concetto complesso in linguaggio accessibile. Per queste attività, i modelli attuali producono output di qualità consistente e rapida.

Sintetizzare documenti lunghi e identificare informazioni chiave. Caricare un report di 50 pagine e ottenere un riassunto accurato in due minuti era fantascienza fino a pochi anni fa. Oggi è routine. La qualità della sintesi dipende dalla qualità del documento e dalla specificità della richiesta — ma per la grande maggioranza dei testi strutturati (rapporti, studi, articoli accademici), il risultato è affidabile e utile.

Generare e spiegare codice. Per i programmatori — di qualsiasi livello — i modelli AI sono diventati strumenti di lavoro integrati nel workflow quotidiano. Non perché scrivano programmi completi senza supervisione (lo fanno, ma con errori che richiedono revisione), ma perché accelerano enormemente le fasi di debug, di traduzione tra linguaggi, di generazione di funzioni standard, di documentazione del codice. Il gain di produttività documentato in studi condotti su sviluppatori professionisti che usano assistenti AI è consistente e significativo.

Tradurre tra lingue con qualità generalmente sufficiente. La traduzione automatica ha fatto progressi enormi. Per testi informativi, tecnici e formali, la qualità delle traduzioni dei principali modelli è spesso accettabile per usi professionali senza revisione estesa. Per testi letterari, o per contesti in cui le sfumature culturali sono critiche, la revisione umana rimane necessaria.

Rispondere a domande complesse combinando informazioni. I modelli linguistici eccellono nel combinare informazioni provenienti da ambiti diversi per rispondere a domande complesse. Non nel senso di «cercare sul web» — una funzione separata che alcuni modelli hanno — ma nel senso di ragionare su informazioni presenti nel proprio training. Questa capacità è potente e ha applicazioni in ambiti che vanno dalla ricerca medica alla consulenza legale, con la caveat fondamentale che le risposte vanno sempre verificate da un esperto umano nelle decisioni ad alto impatto.

Cosa l'AI non sa fare (ancora) — e la distinzione critica

Ragionare in modo affidabile su problemi che richiedono comprensione causale del mondo fisico. I modelli linguistici sono addestrati su testo. Sanno molte cose sul mondo perché hanno letto descrizioni del mondo. Non hanno mai sperimentato il mondo direttamente. Questa differenza diventa critica quando si chiede loro di ragionare su situazioni fisiche complesse, di predire conseguenze di azioni in contesti concreti, di navigare sistemi con molte variabili interdipendenti. Spesso sembrano capire — producono risposte che suonano plausibili — ma la plausibilità non è l'accuratezza.

Pianificare sequenze lunghe di azioni senza errori frequenti. I modelli AI sono migliori nella produzione di output singoli (una risposta, un testo, un pezzo di codice) che nella gestione di processi multi-passo che richiedono di mantenere coerenza attraverso molte decisioni sequenziali. I sistemi di agenti AI — architetture dove l'AI prende decisioni e agisce in sequenza — stanno migliorando rapidamente, ma rimangono inaffidabili per compiti complessi senza supervisione umana stretta.

Verificare autonomamente se le proprie affermazioni sono vere. Le «allucinazioni» — la tendenza dei modelli a produrre informazioni plausibili ma false — rimangono un problema reale nel 2026. I modelli sono migliorati nella gestione dell'incertezza (dire «non so» quando non sanno), ma generano ancora errori fattuali con sufficiente sicurezza da essere convincenti. Usare un modello AI come fonte di informazione fattuali senza verifica indipendente è rischioso, soprattutto in ambiti dove l'accuratezza è critica.

Applicare giudizio etico con coerenza in situazioni ambigue. I modelli hanno linee guida di sicurezza e principi etici incorporati. Ma la loro applicazione in situazioni ambigue — dove ci sono valori in conflitto, dove il contesto cambia il significato morale di un'azione — è incoerente. Un modello può rispondere in modo molto diverso alla stessa domanda etica se presentata in modi diversi.

La distinzione critica che manca sempre

Il punto che quasi nessuna discussione sull'AI include correttamente è questo: la differenza tra «può farlo» e «lo fa in modo abbastanza affidabile da poterci contare in un contesto professionale» è enorme. E questa differenza varia enormemente da compito a compito.

Per scrivere una prima bozza di un'email, l'affidabilità è altissima — il controllo umano è minimo e rapido. Per diagnosticare una condizione medica rara, l'affidabilità è insufficiente — il controllo umano deve essere totale. La maggior parte dei casi di uso reale dell'AI sta da qualche parte in mezzo a questi estremi, e la valutazione corretta di dove si trova un caso specifico è la competenza più importante da sviluppare per chi usa questi strumenti.