L’intelligenza artificiale sta imparando a migliorare sé stessa?

In breve

L’IA non ha deciso di migliorare sé stessa. Ma sta svolgendo autonomamente una parte crescente del lavoro necessario a costruire sistemi di IA successivi e più capaci. Il ciclo non è ancora completamente autonomo: gli esseri umani continuano a definire obiettivi, criteri e decisioni fondamentali. Ma la direzione merita attenzione, perché mentre l’IA potrebbe avere sempre meno bisogno del nostro lavoro cognitivo per migliorare, noi potremmo affidarle una parte sempre maggiore del nostro. Fino a delegarle non soltanto analisi, diagnosi e ricerca delle soluzioni, ma anche le decisioni.

Fino a poco tempo fa la situazione sembrava abbastanza chiara. Gli esseri umani costruivano sistemi di intelligenza artificiale e questi sistemi, una volta costruiti, svolgevano i compiti che venivano loro affidati. Potevano essere molto potenti, produrre risultati non scritti anticipatamente da nessuno, persino sorprendere chi li aveva costruiti. Ma il processo attraverso il quale nasceva una nuova generazione di IA rimaneva sostanzialmente nelle mani degli esseri umani.

Qualcosa sta cambiando.

Nell’estate del 2026 Dario Amodei, CEO di Anthropic, ha richiamato l’attenzione sul recursive self-improvement: sistemi di IA che svolgono direttamente e con crescente autonomia una parte del lavoro necessario a sviluppare sistemi di IA successivi e più capaci, senza richiedere un intervento umano in ogni singolo passaggio.

Scrivono e modificano codice, progettano ed eseguono esperimenti, analizzano i risultati, individuano errori e provano nuove soluzioni. Non si limitano ad assistere i ricercatori: svolgono autonomamente attività che fino a poco tempo fa richiedevano il lavoro diretto di un essere umano.

L’intervento umano rimane, ma si sposta sempre più a monte — nella definizione degli obiettivi — e a valle — nella valutazione e nelle decisioni — mentre una parte crescente del lavoro intermedio viene svolta autonomamente dall’IA.

Amodei è soltanto il punto di partenza. Il fenomeno non riguarda una singola azienda e non dipende dalla correttezza delle sue previsioni. OpenAI parla ormai esplicitamente di recursive self-improvement e di sistemi automatizzati per la ricerca sull’IA; Google DeepMind lo considera uno dei possibili percorsi attraverso cui sistemi molto avanzati potrebbero diventare ancora più capaci; Meta sperimenta agenti in grado di modificare parti del proprio stesso funzionamento.

Non siamo davanti a un’IA che abbia già preso autonomamente in mano la propria evoluzione. Anthropic stessa lo dice chiaramente: we are not there yet. OpenAI afferma altrettanto esplicitamente che il miglioramento ricorsivo completamente autonomo non sta avvenendo oggi.

Ma “non ancora” non significa che nulla stia accadendo o che non succederà mai.

La domanda interessante non è soltanto se il ciclo sia già stato chiuso. È osservare la direzione nella quale si sta muovendo.

Che cosa significa migliorare sé stessa?

Prima di domandarci a che punto siamo, dobbiamo capire di che cosa stiamo parlando.

Un’IA può “migliorare” in modi molto diversi.

Durante un compito può accorgersi che una strategia non funziona e provarne un’altra. Un agente può modificare il proprio piano, utilizzare strumenti differenti, riscrivere del codice, verificare il risultato e riprovare. Sistemi sperimentali possono persino modificare parti del programma che determina il loro stesso comportamento.

Ma nessuna di queste cose equivale necessariamente a ciò che normalmente immaginiamo quando sentiamo dire che un’IA migliora sé stessa.

Un LLM come Claude, ChatGPT o Gemini, durante una normale conversazione, non modifica continuamente i propri pesi sulla base di ciò che gli diciamo. Può utilizzare ciò che compare nel contesto, adattare la risposta, ricorrere a strumenti e conservare in alcuni sistemi informazioni esterne al modello. Ma questo non significa che il modello fondamentale si stia riaddestrando mentre conversa con noi.

Il fenomeno che oggi sta diventando interessante avviene soprattutto a un altro livello.

Siamo abituati a pensare a un sistema di IA come a qualcosa che, una volta costruito, viene utilizzato per svolgere dei compiti: scrivere o riassumere un testo, tradurre, cercare informazioni, analizzare dati, programmare, risolvere un problema. Anche quando svolge questi compiti con grande autonomia, sta usando le capacità che possiede già. Non sta per questo diventando un sistema di IA più capace.

Ora sta accadendo qualcosa di diverso.

Gli stessi sistemi di IA vengono utilizzati nel lavoro necessario a costruire sistemi di IA nuovi e più capaci. Un’IA può scrivere e correggere il codice utilizzato per sviluppare nuovi modelli, progettare ed eseguire esperimenti per verificare quali soluzioni permettono di migliorarli, analizzare autonomamente i risultati di questi esperimenti, confrontare le diverse soluzioni che ha provato, scartare quelle che funzionano peggio e provarne altre.

Una parte di queste attività può essere svolta autonomamente dall’IA, senza che un ricercatore umano debba indicarle passo per passo che cosa fare.

Questo significa che l’IA non viene più utilizzata soltanto per svolgere le attività per le quali è stata progettata: comincia a essere utilizzata anche per migliorare l’IA stessa e per costruire sistemi di IA successivi e più capaci.

E qui avviene il passaggio decisivo.

Supponiamo che un sistema A contribuisca a costruire un sistema B più capace di A. Quando sarà disponibile B, i ricercatori potranno utilizzare B per svolgere lo stesso lavoro che prima affidavano ad A. Ma B, essendo più capace, potrebbe riuscire a svolgerne una parte maggiore, affrontare problemi più difficili e farlo con maggiore autonomia. Potrebbe quindi contribuire alla costruzione di un sistema C ancora più capace.

A quel punto il processo diventa:

A contribuisce a costruire B → B, più capace, contribuisce a costruire C → C contribuisce a costruire D → …

È questo il significato della parola recursive in recursive self-improvement: il risultato di un ciclo di miglioramento viene utilizzato per contribuire al ciclo di miglioramento successivo.

Rimane però un’ambiguità importante nella parola self.

Se Claude contribuisce a costruire il prossimo Claude, sta davvero migliorando sé stesso?

Non nello stesso senso in cui una persona impara qualcosa e modifica le proprie capacità. Il Claude che ha contribuito alla ricerca non si trasforma nel Claude successivo. Sarebbe forse più preciso dire che una generazione di sistemi contribuisce alla costruzione della generazione successiva.

Questa distinzione non è soltanto linguistica. Serve a evitare di antropomorfizzare il processo, attribuendo all’IA qualcosa di simile all’auto-miglioramento intenzionale di una persona, cioè alla decisione di diventare più capace e all’azione consapevole per raggiungere questo obiettivo.

Oggi, quando un sistema di IA contribuisce a costruirne uno successivo e più capace, non significa che abbia deciso di migliorarsi, né che stia modificando sé stesso nel corso della propria esistenza. Significa che svolge autonomamente una parte del lavoro necessario a costruire un altro sistema più capace: riceve un problema o un obiettivo definito dagli esseri umani, cerca possibili soluzioni, scrive codice, esegue esperimenti, ne analizza i risultati, scarta le soluzioni meno efficaci e ne prova altre. Il sistema successivo può quindi incorporare miglioramenti ottenuti anche grazie a questo lavoro, senza che il sistema precedente abbia avuto l’intenzione di “generare una versione migliore di sé”.

Il miglioramento dell’IA, quindi, non nasce oggi da un’intenzione dell’IA di diventare più capace, ma da un obiettivo posto dagli esseri umani. La novità è che, una volta definito quell’obiettivo, una parte crescente del lavoro necessario per raggiungerlo può essere svolta autonomamente dall’IA stessa. Il sistema organizza il lavoro: scompone il problema, sceglie quali operazioni eseguire, utilizza strumenti, scrive codice, conduce esperimenti, ne osserva i risultati, riconosce quando una strada non funziona, la modifica e prova nuovamente.

A che punto siamo?

Qui conviene evitare due rappresentazioni opposte.

La prima è quella di un’IA che ormai progetta autonomamente il proprio sviluppo e procede verso capacità sempre maggiori senza bisogno dell’intervento umano.

Non siamo a questo punto.

La seconda è quella secondo cui non sarebbe cambiato sostanzialmente nulla perché, alla fine, gli esseri umani continuano a costruire i modelli.

Anche questa rappresentazione comincia a essere difficile da sostenere.

Anthropic dichiara che nel maggio 2026 oltre l’80 per cento del codice integrato nella propria codebase era stato scritto da Claude. Nello stesso laboratorio agenti artificiali vengono utilizzati per eseguire esperimenti, modificare codice, analizzare risultati e decidere quali tentativi effettuare successivamente. In un esperimento di ricerca aperta, agenti basati su Claude hanno formulato ipotesi, progettato ed eseguito esperimenti e iterato sui risultati; rimanevano umane la scelta del problema e la definizione dei criteri con cui valutare il risultato.

È un dettaglio fondamentale.

L’IA sta conquistando parti sempre più ampie del come, mentre agli esseri umani rimangono soprattutto alcuni passaggi del che cosa e del perché.

Anche OpenAI descrive una direzione analoga: il recursive self-improvement pienamente autonomo non esiste ancora, ma l’IA sta già accelerando parti della ricerca utilizzata per sviluppare e allineare la generazione successiva di modelli. Il suo obiettivo dichiarato è arrivare a ricercatori artificiali automatizzati che lavorino sotto supervisione umana.

Meta mostra un’altra forma ancora del fenomeno. Con HyperAgents sperimenta agenti nei quali un meta-agente può modificare sia l’agente che svolge il compito sia parti del meccanismo attraverso cui vengono prodotte modifiche successive. Non siamo davanti a un modello frontier che addestra autonomamente il proprio successore, ma siamo già davanti a sistemi nei quali migliorare e migliorare il modo di migliorare cominciano a intrecciarsi.

Google DeepMind, da parte sua, considera ormai il recursive improvement uno dei possibili percorsi di sviluppo dei sistemi futuri, distinguendolo da altri percorsi come il semplice scaling o l’emergere di capacità da grandi sistemi multi-agente.

La fotografia del settembre 2026 potrebbe quindi essere sintetizzata così:

il ciclo non è chiuso, ma aumenta il numero degli anelli del ciclo che possono essere affidati all’IA.

Anthropic rappresenta esplicitamente questa evoluzione come un percorso: dai chatbot che suggerivano frammenti di codice, agli agenti che scrivono ed eseguono codice, agli agenti capaci di lavorare autonomamente per periodi sempre più lunghi, fino all’eventuale closing the loop: sistemi capaci di costruire e addestrare i propri successori. Quest’ultimo passaggio viene ancora collocato nel futuro.

Non sappiamo quanto rapidamente proseguirà questa traiettoria.

E recursive non significa necessariamente esponenziale. Possono comparire rendimenti decrescenti e nuovi colli di bottiglia: capacità di giudizio scientifico, disponibilità di chip, energia, compute, infrastrutture, verifica dei risultati. Anthropic segnala già un caso interessante: aumentando enormemente la quantità di codice prodotto dall’IA, la revisione umana del codice è diventata a sua volta un collo di bottiglia.

La velocità è dunque incerta.

La direzione, per ora, è molto più leggibile della velocità.

Sempre più attività necessarie a costruire IA vengono svolte dall’IA.

Che cosa cambia per noi?

Si potrebbe pensare che tutto questo riguardi essenzialmente Anthropic, OpenAI, Google, Meta e poche migliaia di ricercatori.

Non è così.

Non dobbiamo aspettare che un sistema sia capace di progettare e costruire completamente da solo il proprio successore perché il fenomeno abbia conseguenze per noi.

Se l’IA contribuisce a rendere più veloce ed efficace la ricerca sull’IA, il risultato che arriva agli utenti è costituito da sistemi che migliorano più rapidamente.

E più questi sistemi diventano efficaci, più attività diventa ragionevole affidare loro.

Abbiamo già incontrato questa dinamica:

l’efficacia genera fiducia; la fiducia favorisce la delega; la delega può generare dipendenza.

Il recursive self-improvement può aggiungere un elemento a questa catena: l’accelerazione.

Se sistemi più capaci aiutano a costruire sistemi ancora più capaci, che a loro volta contribuiscono maggiormente alla generazione successiva, non accelera soltanto la tecnologia. Può accelerare anche il processo attraverso il quale ci abituiamo a delegarle attività.

Ieri chiedevamo all’IA di riscrivere una frase. Oggi possiamo affidarle una ricerca, la programmazione di un’applicazione, l’analisi di grandi quantità di documenti, la pianificazione e l’esecuzione di attività articolate. Ciò che domani sembrerà naturale delegare dipenderà anche da quanto saranno diventati capaci i sistemi di domani.

Il problema non è necessariamente che qualcuno ci obbligherà a delegare.

Potrebbe essere molto più semplice.

Diventerà sempre meno conveniente non farlo.

Qui compare un paradosso interessante.

Potrebbero così svilupparsi contemporaneamente due tendenze opposte. Da una parte, l’IA potrebbe aver bisogno di un contributo umano sempre minore per sviluppare sistemi di IA più capaci: una parte crescente del lavoro di ricerca, programmazione, sperimentazione e verifica potrebbe essere svolta autonomamente dalle macchine.

Dall’altra parte, noi potremmo aver bisogno dell’IA per svolgere una parte sempre maggiore del nostro lavoro cognitivo: cercare informazioni, analizzare dati, scrivere, programmare, progettare, valutare alternative, prendere decisioni.

In altre parole, mentre l’IA potrebbe dipendere sempre meno dal nostro lavoro cognitivo, noi potremmo dipendere sempre di più dal suo.

Le due traiettorie potrebbero muoversi contemporaneamente in direzioni opposte.

I rischi non vengono soltanto dagli errori

Quando si parla dei rischi dell’IA si pensa immediatamente alle allucinazioni, agli errori, ai comportamenti imprevedibili o, all’estremo, alla perdita di controllo su sistemi molto potenti.

Il recursive self-improvement suggerisce di osservare anche un’altra possibilità.

Alcuni problemi potrebbero derivare non dai fallimenti dell’IA, ma dai suoi successi.

Il primo rischio riguarda la dipendenza cognitiva.

Quanto più un sistema è capace, rapido e affidabile, tanto maggiore è l’incentivo ad affidargli attività che prima esercitavano capacità umane. Il problema non consiste nella delega in sé, ma nella possibilità di delegare progressivamente anche ciò che ci serve per comprendere, giudicare e controllare ciò che abbiamo delegato.

Il secondo riguarda la comprensione.

Possiamo formalmente mantenere il controllo di un processo senza comprenderlo più abbastanza per esercitare quel controllo in modo sostanziale. Il problema diventa particolarmente evidente nello sviluppo dell’IA: se agenti artificiali producono migliaia di esperimenti, modifiche e risultati a una velocità impossibile da seguire individualmente, la presenza di un essere umano nel circuito non garantisce automaticamente che quell’essere umano comprenda ciò che sta autorizzando.

Il terzo rischio riguarda la concentrazione del potere.

La riduzione del contributo umano non comporta necessariamente una riduzione del potere umano.

Potrebbe comportare qualcosa di molto diverso: la riduzione del numero degli esseri umani necessari per esercitare quel potere.

Se una piccola squadra, attraverso migliaia di agenti artificiali, potesse svolgere il lavoro che prima richiedeva migliaia di ricercatori e tecnici, moltissimo lavoro verrebbe distribuito alle macchine mentre alcune decisioni fondamentali rimarrebbero concentrate in pochissime mani.

A quel punto non basterebbe rassicurarci dicendo che rimane il “controllo umano”.

La domanda diventerebbe:

controllo umano di chi?

Chi stabilisce quali capacità debbano essere migliorate? Chi decide che una nuova generazione è “migliore”? Chi sceglie le metriche? Chi stabilisce quali rischi siano accettabili? Chi può rallentare il processo? Chi può interromperlo? Chi può dissentire?

Anthropic stessa propone oggi di misurare pubblicamente quanta parte della ricerca e sviluppo sull’IA venga ormai svolta dall’IA, proprio perché considera questo dato rilevante per capire quanto ci stiamo avvicinando al recursive self-improvement.

C’è infine il problema della velocità.

Le società umane hanno tempi diversi da quelli del software. Le istituzioni devono discutere e decidere. Le organizzazioni devono adattarsi. Le persone devono capire, imparare, cambiare abitudini. La scuola ha tempi ancora più lunghi.

Se il ciclo di sviluppo dell’IA accelera, può aumentare la distanza fra la velocità con cui la tecnologia cambia e quella con cui riusciamo a comprenderne e governarne le conseguenze.

Che cosa rimane dell’umano?

Non sappiamo se arriveremo a un sistema capace di progettare, costruire, addestrare, valutare e mettere in funzione autonomamente il proprio successore, lasciandogli poi ripetere il processo.

Non sappiamo quando potrebbe accadere.

Sappiamo però qualcosa di più concreto: alcuni passaggi che fino a poco tempo fa richiedevano necessariamente lavoro umano non lo richiedono più nella stessa misura.

Ed è questo il processo che vale la pena osservare.

La questione non è soltanto quanta autonomia acquisirà l’IA.

È anche quanto diminuirà l’indispensabilità dell’essere umano nei processi che l’IA sarà capace di svolgere autonomamente.

E, ancora più importante, non basta chiedere quanto spazio rimarrà “all’uomo”.

Dobbiamo chiederci a quali esseri umani rimarrà quello spazio.

Potremmo arrivare a sistemi dotati di enorme autonomia operativa senza che questi sistemi abbiano scelto autonomamente i propri scopi. Poche persone potrebbero continuare a stabilire gli obiettivi mentre le macchine individuano con crescente autonomia i mezzi più efficaci per raggiungerli.

Non sarebbe una macchina che ha deciso che cosa vuole diventare.

Sarebbe qualcosa di forse meno fantascientifico e più concreto: esseri umani che stabiliscono alcuni obiettivi e sistemi artificiali sempre più autonomi nel trovare come realizzarli e come diventare più efficaci nel realizzarli.

Per questo la domanda «L’IA sta imparando a migliorare sé stessa?» non ha ancora una risposta semplice.

Se per “sé stessa” intendiamo il singolo modello che durante il proprio funzionamento si trasforma autonomamente in un modello migliore, la risposta oggi è sostanzialmente no.

Se intendiamo sistemi di IA che svolgono una parte crescente del lavoro necessario a produrre sistemi di IA successivi e più capaci, questo sta già accadendo.

Che cosa decidiamo di non decidere più noi?

Il punto da osservare, allora, non è soltanto se e quando questo ciclo arriverà a chiudersi, cioè quando l’intero processo necessario a sviluppare sistemi di IA sempre più capaci potrà essere svolto dall’IA senza che l’intervento umano sia più necessario.

Ma anche che cosa accadrà nel frattempo agli esseri umani: quanto continueremo a comprendere ciò che deleghiamo, quanto saremo ancora necessari nei processi che affidiamo alle macchine e fino a dove arriverà questa delega.

Possiamo delegare all’IA l’analisi di un problema, una diagnosi, la ricerca delle possibili soluzioni e la messa a disposizione degli strumenti per intervenire, mantenendo nelle nostre mani la decisione su che cosa fare. Ma possiamo anche fare un passo ulteriore: delegare alla macchina la decisione stessa.

A quel punto la questione non riguarda più soltanto quanto l’IA sarà capace di fare autonomamente. Riguarda quali decisioni continueremo a considerare nostre, quali saremo disposti ad affidarle e chi conserverà il potere di stabilire gli obiettivi entro i quali quelle decisioni verranno prese.