Agrawal, Gans e Goldfarb sono tre economisti della Rotman School di Toronto. Nel 2018 hanno scritto Prediction Machines, dove proponevano l'idea che l'AI sia letteralmente "una tecnologia che riduce il costo della previsione". Power and Prediction (2022) è il sequel che chiede: se quel costo crolla davvero, cosa succede al business e alle organizzazioni?

1. AI = previsione (a basso costo)

La definizione del libro è precisa: l'AI moderna è un sistema che, dati degli input, produce stime probabilistiche su qualcosa che non sai. È previsione. Non è "intelligenza", non è "ragionamento" — è completare il dato mancante. La traduzione automatica predice la parola successiva, un sistema di vista artificiale predice cosa c'è in un'immagine, una raccomandazione Netflix predice cosa guarderai.

Grafico con il costo della previsione che crolla nel tempo: alto pre-AI, in caduta dopo il 2012 (deep learning), quasi zero dopo il 2022 (LLM consumer).
// fig. 01 Quando il costo della previsione passa da "alto" a "quasi zero", la previsione smette di essere un lusso e diventa un'utility. Cambia il modo in cui prendi decisioni.

Una decisione, dicono gli autori, si scompone in: previsione ("cosa succederà?") + giudizio ("dato cosa succederà, cosa decido?"). L'AI fa la prima parte; il giudizio resta umano. Più la previsione diventa abbondante, più il vero collo di bottiglia diventa il giudizio — su cosa vale la pena e cosa no.

2. I tre livelli di impatto

Qui sta il cuore strategico del libro. Quando una risorsa diventa più economica, l'impatto si distribuisce su tre livelli, in crescendo:

Tre box impilati: livello 1 'point solution' (AI sostituisce un task, guadagno basso, es chatbot); livello 2 'application' (workflow si ridisegna, guadagno medio); livello 3 'system change' riempito di nero (industria si ristruttura, guadagno enorme, es healthcare). Nota in basso: 'le grandi disruption arrivano lente'.
// fig. 02 I tre livelli di impatto secondo Agrawal/Gans/Goldfarb. Il vero valore sta in basso, ma è anche il più lento ad arrivare.
  • Point solution. L'AI sostituisce un singolo task dentro un processo che resta uguale. Esempio: un chatbot al posto del primo livello di customer service. Guadagno: limitato, perché il resto dell'organizzazione non cambia.
  • Application. Il workflow viene ridisegnato intorno alla previsione AI. Customer service end-to-end, dove l'AI smista, risponde, escala, dashboard, tutto integrato. Guadagno: medio. Serve ridisegnare i processi.
  • System change. L'industria intera si ristruttura perché la previsione abbondante apre modelli di business prima impossibili. Esempi che il libro porta: assicurazioni (pricing dinamico individuale), sanità (diagnosi predittiva), advertising (targeting al singolo utente). Guadagno: enorme. Serve molto più tempo.

3. Perché le grandi disruption arrivano lente

È qui che il libro è più contro-intuitivo. Tutti pensano che l'AI cambierà tutto in 5 anni. Gli autori dicono: no, 20-30 anni. Non perché la tecnologia non sia lì — perché le system change richiedono che cambi tutto intorno: regole, fornitori, contratti, modelli di prezzo, competenze, leggi.

L'analogia è l'elettricità. Inventata fine '800, ma le fabbriche americane hanno smesso davvero di girare con il vapore solo intorno al 1920 — non per limiti tecnici, ma perché bisognava riprogettare gli edifici. Le fabbriche a vapore avevano una macchina centrale e cinghie ovunque; le fabbriche elettriche potevano avere motori distribuiti. È la architettura che doveva cambiare, non i motori.

4. La lezione operativa

Se sei un'azienda oggi, gli autori dicono: smetti di chiederti "come uso l'AI nei miei task?". Inizia a chiederti "quale decisione, che oggi NON prendiamo perché prevederla costerebbe troppo, potremmo iniziare a prendere?". È un'inversione mentale: non automatizzi quello che fai già, scopri cosa potresti fare di nuovo.

Esempio loro: un'assicurazione oggi vende polizze annuali con prezzi fissi. Perché? Perché aggiustare il prezzo in tempo reale richiederebbe troppe previsioni. Quando le previsioni costano niente, il modello di business "polizza annuale" diventa arbitrario: potresti avere polizze al chilometro, alla settimana, alla guida specifica. È una system change.

5. Cosa porto via

Tre cose:

  • "Previsione vs giudizio" è il framing più utile che ho letto sull'AI. Smette di essere magia, diventa una commodity economica.
  • Le point solution non valgono granché. Tutti corrono a fare chatbot. Il valore sta nel ridisegnare il workflow, non nell'incollare un LLM sopra il vecchio.
  • Il tempo è il fattore sottostimato. Le system change arrivano, ma lentamente. Chi ha studiato la transizione all'elettricità ha più chiarezza di chi sta facendo previsioni iper-ottimiste sul 2030.

Una nota personale: questo libro mi ha aiutato a smettere di pensare all'AI come "una nuova tecnologia che si aggiunge". È più utile pensarla come una variazione di prezzo di un input — e ragionare su cosa quella variazione abilita.