Executive Summary
Lo scenario “2028 Global Intelligence Crisis” di Citrini Research è scritto come un memo operativo: in due anni l’IA entra nei lavori d’ufficio, riduce organici e salari, la spesa delle famiglie si contrae, il credito privato si secca e una parte del mercato dei mutui prime finisce sotto stress, con un effetto domino che ricorda la crisi finanziaria del 2008. La forza del testo sta lì: prende sul serio i rischi di coda di un’adozione rapida e mette in fila loop che, presi uno per uno, sono credibili.
La debolezza sta nel salto tra “credibile localmente” e “inevitabile globalmente”. Citrini tratta l’economia come una sequenza lineare, mentre il comportamento osservabile è quello di un sistema complesso adattivo: attori eterogenei, tempi diversi, reazioni che cambiano quando i prezzi si muovono e quando la politica interviene. In questa cornice contano vincoli concreti che lo scenario usa poco: la distanza tra capability e deployment (dati, permessi, audit, responsabilità, integrazione), la non-sincronia dell’adozione tra settori, la possibilità per molte imprese di difendere margini riposizionando prodotti e contratti invece di tagliare solo lavoro.
Citrini, inoltre, lascia sul tavolo pezzi economici che spostano davvero la traiettoria: il surplus del consumatore quando la deflazione tecnologica abbassa il costo di servizi prima cari, la persistenza di moat basati su logistica, compliance e fiducia (non solo su frizione), e la crescita di lavoro “di coordinamento” che aumenta proprio quando si moltiplicano agenti e automazioni. Ultimo aggiustamento: il memo non è un esercizio neoclassico; assomiglia a un ibrido eterodosso implicito (domanda effettiva, fragilità alla Minsky, distribuzione alla Kalecki) ma usato quasi solo per spingere l’esito negativo. Più che “prevedere” una crisi, costruisce una storia che elimina sistematicamente i meccanismi di stabilizzazione e adattamento che, nel mondo reale, entrano sempre in scena, tardi, male, ma entrano.
Premessa
Il pezzo di Citrini è un esercizio narrativo efficace. Pone una domanda legittima: cosa succede se la produttività esplode ma il reddito da lavoro si contrae? Ci costruisce attorno uno scenario internamente coerente. La riflessione sulla correlazione nascosta tra credito privato, SaaS e occupazione white-collar è genuinamente illuminante. Il problema non è la domanda. Il problema è che lo scenario tratta come inevitabile una catena di eventi piena di assunzioni fragili e omissioni sistematiche, e che il metodo stesso con cui ragiona è inadeguato all’oggetto che analizza.
L’economia non è una macchina
Il problema più profondo dello scenario non riguarda cosa dice, ma come ragiona. È costruito interamente come catena causale sequenziale: l’IA migliora, le aziende licenziano, i consumi calano, il credito si deteriora, i mutui vacillano, l’economia crolla. Ogni anello è conseguenza necessaria del precedente; il risultato finale, esito inevitabile della sequenza. Questo è ragionamento meccanicistico: tratta l’economia come un congegno nel quale, data una causa iniziale, gli effetti si propagano in modo lineare, prevedibile e unidirezionale.
Il vizio si manifesta su tre piani. In ogni snodo della narrazione esiste un solo esito possibile: quello negativo. ServiceNow perde ricavi, taglia personale, accelera l’adozione di IA, e il loop si autoalimenta (senza che nessuno si riorienti, scopra costi nascosti nelle alternative, o intervenga per regolare). La catena inoltre opera sempre allo stesso livello di analisi: aziende che licenziano, consumatori che spendono meno, creditori che soffrono. Non emerge mai nulla di qualitativamente nuovo dall’interazione tra agenti. Infine, nessun agente nello scenario apprende, cambia strategia, innova o trova soluzioni inesistenti al tempo zero. Le imprese licenziano e comprano IA, i lavoratori subiscono, i consumatori smettono di spendere, il governo è lento. Gli ingranaggi della macchina non imparano.
La teoria della complessità applicata all’economia (sviluppata tra il Santa Fe Institute, l’Institute for New Economic Thinking e l’Oxford Martin School) propone un paradigma radicalmente diverso. L’economia non è una macchina ma un sistema complesso adattivo (CAS): un numero enorme di agenti eterogenei che interagiscono localmente, apprendono, si adattano e producono collettivamente comportamenti emergenti non riducibili alle parti. In un CAS la relazione tra input e output non è proporzionale. Piccole cause possono avere grandi effetti, e grandi cause possono avere effetti sorprendentemente piccoli. Lo scenario Citrini assume proporzionalità (più IA, più licenziamenti, più crisi) ma in un sistema non-lineare è possibile che un certo livello di automazione venga assorbito senza crisi, che un incremento marginale oltre una soglia produca una cascata, o che il sistema si riorganizzi prima di raggiungere quella soglia. L’esito dipende da condizioni che il modello sequenziale nemmeno contempla.
Il comportamento aggregato di un CAS non è prevedibile dalla somma dei comportamenti individuali come ci ricordava P. Anderson nel suo famoso “More is different”. Milioni di imprese che adottano l’IA, milioni di lavoratori che si riadattano e milioni di consumatori che cambiano abitudini produrranno un risultato che nessuno scenario deterministico può anticipare, né quello catastrofico né quello ottimistico. Questa proprietà, l’emergenza è ciò che rende fondamentalmente inadeguata qualsiasi catena causale lineare come strumento previsionale.
Gli agenti in un CAS non sono passivi: apprendono, imitano, innovano, falliscono e vengono sostituiti. L’economia non è una catena di domino; è un ecosistema dove le specie si estinguono, mutano e ne nascono di nuove. W. Brian Arthur (1989, 2015) ha mostrato che le tecnologie non si affermano in modo determinato dalla loro superiorità intrinseca, ma attraverso processi di feedback influenzati da eventi casuali, decisioni istituzionali e dinamiche di rete. Questa path dependence implica che il percorso dell’IA nell’economia non è scritto: sarà modellato da incidenti storici, decisioni politiche e interazioni impreviste che la catena sequenziale di Citrini non può né incorporare né immaginare.
Eric Beinhocker (2006) ha sintetizzato l’approccio della complessità sostenendo che la ricchezza non è uno stock statico che si redistribuisce ma un processo evolutivo di creazione continua. Moduli tecnologici, moduli sociali e moduli aziendali co-evolvono in una corsa perpetua. L’IA non è un evento terminale ma un nuovo modulo che entra nel processo evolutivo e lo accelera, producendo sia distruzione sia creazione in modi che il ragionamento sequenziale non può catturare. J. Doyne Farmer e colleghi (2009, 2024) hanno mostrato con modelli ad agenti che le dinamiche macroeconomiche divergono drasticamente da quanto previsto dai modelli sequenziali quando si incorporano eterogeneità, reti di interazione e adattamento. Lo stesso shock può produrre collasso o rapida riorganizzazione a seconda della topologia della rete economica, della velocità di adattamento degli agenti, della distribuzione delle competenze e dell’architettura istituzionale parametri che un “memo dal futuro” non può conoscere.
Un esempio concreto. Lo scenario descrive la catena DoorDash: l’IA riduce le barriere all’entrata, nascono decine di competitor, gli agenti routano verso il più economico, DoorDash perde il moat, i margini crollano. In logica meccanicistica, questa è la fine della storia. In logica di complessità, è l’inizio. La frammentazione crea nuovi problemi (qualità, affidabilità, responsabilità) che generano domanda per soluzioni di secondo ordine: aggregatori di aggregatori, certificatori, assicurazioni on-demand, piattaforme di reputazione. Alcuni competitor falliscono, altri si fondono, emergono monopoli naturali basati su asset diversi. Il mercato non collassa: si riorganizza in una forma che nessuno aveva previsto. Questo meccanismo, distruzione seguita da riorganizzazione emergente, è documentato in ogni singola disruption tecnologica della storia. Ma è invisibile a un modello che ragiona per catene sequenziali, perché le proprietà emergenti per definizione non sono deducibili dai componenti individuali.
La teoria della complessità non offre una previsione alternativa. Offre qualcosa di più importante: un motivo per diffidare di tutte le previsioni sequenziali, incluse quelle ottimistiche. Le affermazioni utili non riguardano “cosa succederà” ma “quali proprietà del sistema rendono certi esiti più o meno probabili”. Diversità degli agenti, velocità di adattamento, qualità delle istituzioni, topologia delle reti, presenza di feedback multipli: sono le proprietà rilevanti. Sono esattamente quelle che lo scenario Citrini sopprime per far funzionare la sua narrazione lineare.
Gli elementi criticabili
Il determinismo narrativo del pezzo (numeri precisi da un futuro fittizio come la disoccupazione al 10,2% o l’S&P a -38%) crea una falsa sensazione di inevitabilità. Il lettore finisce per valutare la plausibilità della narrazione invece della probabilità degli eventi, un bias cognitivo noto come conjunction fallacy: una storia dettagliata e coerente sembra più probabile di quanto sia, proprio perché è dettagliata e coerente. Il concetto di “Ghost GDP” (prodotto che compare nei conti nazionali ma non circola nell’economia reale) è una metafora potente ma economicamente fuorviante. Se un’azienda produce di più con meno dipendenti, quei profitti vanno da qualche parte: dividendi, buyback, reinvestimento, tasse. Non scompaiono. Il problema distributivo è reale, ma confondere distribuzione con evaporazione è un errore analitico.
Lo scenario confonde sistematicamente capability e deployment. Molte dinamiche descritte (agentic commerce diffuso, rinegoziazioni massive “build vs buy”, disintermediazione generalizzata) richiedono non solo modelli capaci ma accesso a dati, permessi, standard, assicurazioni, audit, incentivi allineati tra attori multipli. Le curve di adozione sono storicamente a S, non esponenziali all’infinito. Nei commenti all’articolo, un dipendente Mag7 della divisione Cloud & AI conferma: le capability reali nel software engineering, pur significative, sono distanti dall’hype corrente. L’articolo proietta tendenze settoriali (software, SaaS, consulenza) sull’intera economia, ignorando che sanità (18% del PIL), edilizia, istruzione, settore pubblico e economia della cura hanno barriere enormi all’automazione rapida. L’idea che “l’agente non ha inerzia, quindi zero loyalty” è vera in mercati transazionali, ma molti moat non sono basati sulla frizione: logistica fisica, contratti a lungo termine, network effects, regolazione, switching cost tecnico. In molti casi l’IA rafforza i leader di mercato. La tesi che gli agenti routino verso stablecoin su Solana o Ethereum L2 ignora regolazione, chargeback, AML/KYC, gestione frodi: il percorso più probabile è ibrido, non binario. L’intero scenario si svolge in 24 mesi, un timeframe non supportato dall’evidenza storica nemmeno per le crisi più rapide. Il parallelo ipotecario con il 2008 è strutturalmente debole: nel 2008 i prestiti erano cattivi all’origination; qui sarebbero solidi, con stress graduale, in un contesto di mutui a tasso fisso con LTV bassi. Infine, lo scenario diventa crisi perché la policy response è debole, ma su uno shock occupazionale visibile e concentrato nel segmento più politicamente influente della popolazione, le democrazie hanno storicamente risposto più rapidamente di quanto lo scenario assuma.
Citrini è un figlio incompleto dell’eterodossia
Sarebbe facile classificare lo scenario come prodotto del pensiero neoclassico convenzionale. Non lo è. Il suo impianto concettuale attinge a tradizioni eterodosse molto più di quanto l’apparenza suggerisca. Il feedback loop auto-rinforzante senza punto di equilibrio stabile è l’opposto della logica neoclassica, dove gli squilibri generano forze di riequilibrio: è molto più vicino a Minsky e Myrdal. L’idea che il crollo dei redditi da lavoro produca un crollo della domanda che non si auto-corregge è keynesiana, non neoclassica (dato che assume implicitamente che la legge di Say non valga). L’uso esplicito del termine “reflexivity” per la dinamica ServiceNow ha radici nella sociologia economica e nell’economia post-keynesiana, ed è antitetico alle aspettative razionali. Lo scenario opera nel linguaggio di Wall Street, che molti confondono con teoria economica, ma il suo DNA è eterodosso.
Il problema è che usa queste intuizioni in modo selettivo e incompleto. Prende la pars destruensdi ogni tradizione e scarta sistematicamente la pars construens. Prende la fragilità finanziaria endogena di Minsky ma non la soluzione minskyana (Big Government e Big Bank come stabilizzatori). Prende la relazione kaleckiana profitti/salari → domanda ma non esplora il ruolo della spesa pubblica come sostituto della domanda da lavoro. Coglie i feedback positivi auto-rinforzanti ma non i feedback negativi, l’emergenza e l’adattamento che la teoria della complessità pone al centro. Mostra brillantemente come le istituzioni esistenti siano inadeguate, ma non esplora la capacità delle istituzioni di riformarsi che poi è l’altra metà della tradizione istituzionalista, quella di Commons, non solo di Veblen. Il risultato è uno scenario teoricamente più sofisticato di quanto appaia, ma sbilanciato verso il catastrofismo non per ignoranza ma per selezione.
Il caso per un esito costruttivo
Se l’IA riduce i costi marginali di servizi oggi costosi (supporto, coding, consulenza legale, diagnosi mediche ) i prezzi scendono e si libera potere d’acquisto. Storicamente, le rivoluzioni tecnologiche hanno prodotto più varietà e più consumi in categorie nuove, non un vacuum di domanda permanente. L’articolo nota che le macchine non consumano beni discrezionali, ma dimentica che gli umani consumano di più quando qualcosa diventa radicalmente più economico. Il surplus del consumatore generato dalla deflazione tecnologica è il grande assente.
Più agenti autonomi in circolazione significano più bisogno di governance, assurance, sicurezza, qualità, auditing, data stewardship, AI risk & compliance. La composizione del lavoro cambia; il lavoro non sparisce. E la teoria della complessità ci dice che le nuove professioni emergono come proprietà emergenti dell’interazione tra agenti adattivi evnon sono prevedibili ex ante, il che rende strutturalmente infondata l’assunzione che nessun nuovo settore emergerà. Se gli agenti riducono le rendite da inerzia, il risultato è efficienza allocativa: meno sprechi, più trasparenza, migliore price discovery. È analogo all’e-commerce rispetto al retail tradizionale doloroso per gli incumbent esposti, ma con un saldo netto di benessere più alto.
I grandi player con dati proprietari, compliance consolidata e canali di distribuzione possono assorbire parte dello shock. In un mondo ad alto rischio tecnologico, trust e responsabilità legale diventano asset, rendendo plausibile una transizione più oligopolistica e regolata, non un collasso in 24 mesi. L’IA applicata al plumbing finanziario e logistico (forecasting, credit scoring, detection precoce di stress) può rendere l’economia più resiliente, non meno. E quando il costo di un input fondamentale crolla, il risultato storico non è depressione permanente ma espansione: nuovi mercati emergono perché attività prima proibitive diventano fattibili.
La leva vera è istituzionale. Se l’IA aumenta la produttività aggregata, la società può monetizzare quel surplus in modi che sostengono la domanda: settimana corta, wage insurance, tax mix spostato verso rendite e monopoli, investimenti pubblici in cura, infrastrutture, istruzione. Lo scenario-crisi è una scelta di governance, non una legge fisica. Il Minsky completo, il Kalecki completo e Commons offrono la roadmap che lo scenario Citrini omette: Big Government come stabilizzatore, spesa pubblica come sostituto della domanda da lavoro, riforma istituzionale come meccanismo storico documentato non come utopia.
Conclusione
Lo scenario di Citrini Research è utile come stress test. I meccanismi che descrive sono reali. Le domande che pone sono urgenti. Le sue radici teoriche (post-keynesiane, istituzionaliste, strutturaliste) sono più solide di quanto il formato giornalistico lasci intravedere.
Ma lo scenario soffre di tre vizi fondamentali. È epistemologicamente meccanicistico: ragiona per catene causali sequenziali in un sistema che è complesso, adattivo e non-lineare. È teoricamente selettivo: prende la pars destruens delle tradizioni eterodosse e scarta la pars construens. Ed è temporalmente irrealistico: comprime in 24 mesi un processo che la storia suggerisce richieda decenni.
La risposta alla domanda “cosa succederà quando l’intelligenza diventerà abbondante?” non è “crisi inevitabile” né “prosperità garantita”. È: dipende dalla velocità relativa tra disruption e adattamento, dall’architettura delle reti, dalla distribuzione del potere, e da eventi contingenti che nessuno può anticipare. È una risposta meno soddisfacente narrativamente ma enormemente più corretta epistemologicamente.
Il canarino è vivo. Se muore, è perché abbiamo lasciato la distribuzione del reddito e il credito senza buffer.
Francesco, Giorgio, ChatGPT5.2 e Opus4.6
