Cosa Conta come IA? Una Definizione Utile per l'Ingegneria nel 2026
La definizione standard da manuale di IA — "sistemi che eseguono compiti che normalmente richiedono intelligenza umana" — già mostrava la propria età un decennio fa. Nel 2026 è attivamente inutile. Quasi qualsiasi software moderno esegue compiti che "normalmente richiedono intelligenza umana". Una pivot table di un foglio di calcolo normalmente richiede intelligenza umana. Una query SQL normalmente richiede intelligenza umana. Chiamarle IA è un errore di categoria; pretendere che non lo siano anche.
Gli ingegneri hanno bisogno di una definizione che guidi le decisioni, non che guidi i comunicati stampa. La proposta che Georgios Fradelos espone in Updated Definition of Artificial Intelligence (dicembre 2025) è il framing di ingegneria più pulito che ho visto da un po'. Vale la pena lavorarci, perché adottarla cambia come delimiti i progetti, valuti i vendor e fai budget di infrastruttura.
La Definizione
Tolti i riferimenti, suona così:
Qualsiasi software che analizza e/o genera dati (anche per il proprio addestramento) e può produrre regolarmente, solo con intervento umano eccezionale:
- Risultati migliori per compiti di analisi e/o sintesi del professionista umano medio attuale, all'interno della stessa cultura professionale, indipendentemente dal costo energetico; o
- Risultati comparabili per compiti di analisi e/o sintesi, ottenuti più velocemente e/o con un costo energetico misurabilmente più basso; o
- Entrambi.
Tre cose rendono utile questa definizione per le decisioni di ingegneria.
È legata ai risultati, non all'architettura. Non le importa se il sistema usa reti neurali, IA simbolica, ricerca o regole scritte a mano. Se il sistema dispiegato supera regolarmente una baseline professionale (in qualità, velocità o energia), conta. Se no, non conta, qualunque sia la meccanica interna. Questo uccide il dibattito "X è davvero IA?" e lo sostituisce con un test misurabile.
È consapevole dell'energia. Il costo energetico è una dimensione di primo ordine della definizione, non un'esternalità. Un sistema che produce risultati "comparabili" a quelli di un professionista umano ma usa 100× l'energia per farlo non è un upgrade — è un downgrade con passi extra. Questo costringe all'onestà sul fatto che il dispiegamento di IA sia davvero un miglioramento netto o un aumento di costo alla moda.
È limitata dalla cultura professionale. La baseline di riferimento è "il professionista umano medio attuale, all'interno della stessa cultura professionale". Non la mediana umana. Non una baseline degli anni '90. Non un obiettivo aspirazionale. Questo ancora il confronto a qualcosa di misurabile e attuale, e costringe a rivalutare man mano che la baseline si muove.
Perché Aiuta un CTO
Tre decisioni concrete diventano più facili sotto questo framing.
Valutazione dei vendor
Quando un vendor dice che il suo prodotto è "potenziato da IA", la domanda diventa specifica: contro quale baseline professionale supera, di quanto e a quale costo energetico? Se il vendor non sa rispondere, non hai un'affermazione di IA — hai un'affermazione di marketing.
Nella pratica questa conversazione fa emergere molto. Una frazione non trascurabile di strumenti "di IA" nel 2026 consegna qualità comparabile a quella di un professionista junior a un costo di infrastruttura più alto di un professionista junior. Quello non è un dispiegamento di IA; è un esperimento di IA. Entrambi sono legittimi, ma vanno messi a budget in modo diverso.
Delimitazione dei progetti
La definizione ti dà un criterio di rilascio. Il sistema è rilasciabile quando produce regolarmente output (a) migliori, (b) più veloci o (c) più economici per risultato della baseline umana che sostituisce o aumenta. Non "il demo è impressionante". Non "alla leadership piacciono gli screenshot". Regolare, misurabile, ancorato alla baseline.
Questa è la soglia che la maggior parte dei pilot GenAI silenziosamente non riesce a superare. La risposta onesta è: non abbiamo mai misurato la baseline, quindi non possiamo dire se l'abbiamo superata. Stabilire la baseline prima e ri-misurarla man mano che il modello migliora elimina questa ambiguità.
Contabilità di energia e costo
La maggior parte delle discussioni sui costi di IA oggi si concentra sui costi dei token. Necessario ma non sufficiente. Il costo totale di energia e infrastruttura — tempo GPU, raffreddamento, egress di dati, orchestrazione delle query, infrastruttura di eval — è ciò che conta per il confronto energetico. Una definizione che mette l'energia sullo stesso piano della qualità dell'output costringe questa contabilità a fare davvero il suo lavoro.
Versione pratica: per ogni iniziativa di IA, dovresti poter rispondere a "quanta energia consuma il sistema di IA per output utile e come si confronta con la baseline umana che fa lo stesso compito". Se non puoi, non sei ancora pronto a rilasciare in produzione — sei pronto a strumentare.
La Clausola dell'"Intervento Umano Eccezionale"
C'è una clausola nascosta nella definizione che fa molto lavoro: solo con intervento umano eccezionale. La nota chiarificatrice specifica che "eccezionale" significa riorientare il software in situazioni matematiche che rompono le sue approssimazioni.
In termini di ingegneria: un flusso costante di prompt engineering, tuning di pipeline RAG, filtraggio dell'output e correzione con human-in-the-loop non è intervento eccezionale. È intervento di routine. Un sistema che richiede intervento umano di routine per produrre output utile è, secondo questa definizione, software di IA in sviluppo, non IA dispiegata.
Questo conta perché la maggior parte dei "dispiegamenti di IA" che vedo nel 2026 è ancora nel regime dell'intervento di routine. Producono output che hanno bisogno di curation umana per essere affidabili. È una fase di sviluppo legittima, ma chiamare questi sistemi "IA dispiegata" travisa il costo operativo. Adottare questa definizione costringe all'onestà su quali sistemi si sono davvero diplomati.
Cosa Questa Definizione Ti Allontana Da
Alcune cose diventano più difficili da rivendicare una volta adottato questo framing:
"IA per l'IA." Se il sistema non batte la baseline umana in qualità, velocità o energia, il dispiegamento non produce valore. Questo non significa ucciderlo — può essere un gradino verso un sistema che lo farà. Ma dovrebbe essere onestamente etichettato come R&D, non come IA in produzione.
"IA come checkbox di feature." Mettere un pulsante powered-by-LLM nel prodotto perché i concorrenti ne hanno uno va bene come marketing. Non è, secondo questa definizione, un dispiegamento di IA, perché non ha un sovraperformance misurato contro una baseline. Non metterlo a budget come tale.
Affermazioni di architettura "salto quantico". La definizione è agnostica all'architettura. Un algoritmo classico ben sintonizzato che batte una baseline neurale a un costo energetico più basso è, secondo questa definizione, più IA della baseline neurale che ha sostituito. È un correttivo utile contro l'assunzione che più grande e più complesso sia sempre più IA.
Cosa Questa Definizione Ti Permette di Difendere
Rende anche difendibili alcune posizioni poco di moda.
Una query SQL da 200 righe che supera costantemente un analista junior su una classe specifica di report, gira in secondi e costa centesimi da eseguire è, secondo questa definizione, IA. Analizza dati, produce risultati migliori della baseline professionale media, più velocemente e a costo energetico inferiore delle alternative a baseline umana. Il fatto che non sia una rete neurale è irrilevante.
Non è una svolazzo retorico. È una postura pratica. La query SQL fa il lavoro. L'alternativa costosa basata su LLM potrebbe farlo peggio e più lentamente a costo più alto. Adottare la definizione ti permette di rilasciare la query SQL ed essere onesto sul fatto che hai rilasciato IA — senza il framing apologetico secondo cui l'IA "vera" richiede architetture neurali.
Cosa Suggerirei di Fare con Questo
Tre azioni concrete per il trimestre:
- Per ogni sistema che ora chiami "IA", scrivi la baseline umana. Qualità, velocità ed energia. Se non puoi, non sai ancora se il sistema supera la soglia.
- Ri-fai budget separato di IA-marketing e IA-produzione. Se un sistema non supera regolarmente una baseline, è R&D. La R&D va in un budget R&D con aspettative R&D.
- Aggiungi energia/costo-per-output-utile ai tuoi dashboard di IA. Se la tua roadmap di IA ha budget ma non telemetria di costo per output, voli al buio sulla parte della definizione che davvero limita la viabilità a lungo termine.
Le definizioni da manuale di IA esistono per continuità accademica. La definizione di ingegneria esiste per prendere migliori decisioni di dispiegamento. Vale la pena adottarne una di ciascuno.
Fonte: Fradelos, G. Updated Definition of Artificial Intelligence (Ginevra, 14 dicembre 2025). SSRN 6292000.
Se la tua roadmap di IA è piena di pilot e corta di sistemi rilasciati che battono davvero le loro baseline, parla con un CTO sul dispiegamento di capacità di ingegneria focalizzata su risultati di IA misurabili, non demo.
