La crisi globale dell’intelligenza (2028)
- Andrea Viliotti
- 2 giorni fa
- Tempo di lettura: 9 min
Stress test GDE tra rischio di coda e fantascienza
L’offerta di intelligenza artificiale scala in mesi. Lavoro, credito e istituzioni riallocano in anni. Lo stress test misura il costo di questo sfasamento.
Un memo dal futuro ipotizza disoccupazione USA al 10,2 % e mercati in drawdown profondo. Con dati e letteratura aperta, trasformiamo il racconto in vincoli numerici e soglie da monitorare.
di Andrea Viliotti – Framework GDE | 25 febbraio 2026
Un memo circolato nel mondo della finanza — “THE 2028 GLOBAL INTELLIGENCE CRISIS” — propone un esercizio mentale provocatorio: che cosa accade se l’intelligenza artificiale continua a migliorare al ritmo attuale e, proprio per questo, “rompe” la geometria del lavoro, dei consumi e della stabilità finanziaria? ¹
Lo scenario, presentato esplicitamente come esercizio intellettuale e non come previsione, proietta l’economia americana verso una disoccupazione del 10,2 % e un drawdown dell’S&P 500 del 38 % dai massimi di ottobre 2026 nel giro di soli due anni. In questo articolo trattiamo il memo come uno stress test: separiamo le affermazioni narrative dall’evidenza osservabile, e chiediamo quali vincoli numerici rendano la storia più o meno realistica.1
TIMELINE DELLO SCENARIO |
● Fine 2025 — Salto “a gradino” dei tool di coding agentico. | Aumenta la sostituibilità di compiti cognitivi a costo marginale basso |
● Inizio 2026 — Prima ondata di layoffs white-collar. | Shock su domanda discrezionale e fiducia, prima dei dati macro aggregati |
● Ottobre 2026 — Euforia ai massimi: S&P sfiora 8.000, Nasdaq sopra 30.000. | Disallineamento tra asset prices e fondamentali del lavoro |
● Ottobre 2026 — JOLTS sotto 5,5M e ratio disoccupati/offerte a ~1,7. | Il mercato del lavoro perde tensione prima della recessione ufficiale |
● Marzo 2027 — Utente mediano USA a 400.000 token/giorno (10× vs fine 2026). | Shock di produttività e automazione via software |
● Metà 2027 — Prime insolvenze nel private credit; default software nel Q3. | Amplificazione finanziaria su settori AI-exposed |
● Q3 2027 — Initial jobless claims a 487.000, prevalentemente white-collar. | Stress diffuso e non limitato ai blue-collar |
● Giugno 2028 — Disoccupazione al 10,2 %; S&P 500 a −38 % dai massimi. | Nodo di coerenza macro-finanziaria da testare |
Fonte: elaborazione da Citrini & Shah, “The 2028 Global Intelligence Crisis” (memo, feb. 2026) |
NUMERI CHIAVE DELLO STRESS TEST |
● Disoccupazione USA (U): 4,3 % (gen. 2026, BLS) → 10,2 % (giu. 2028, scenario memo) |
● Shock lavoro (ΔU): +5,9 pp (derivato: 10,2 − 4,3) |
● Vincolo di Okun: 1 pp di calo della crescita GNP reale ↔ +0,3 pp di U (formulazione BCE) |
● Output gap implicito: P₁₀ = 14,0 % | P₅₀ = 15,5 % | P₉₀ = 17,8 % |
● Buco PIL USA implicito: P₁₀ = 4,0 T$ | P₅₀ = 4,5 T$ | P₉₀ = 5,1 T$ (2024 US$) |
● Mercato (scenario): S&P 500 a −38 % dai massimi di ottobre 2026 |
Fonti: BLS, ECB WP 2699, NBER WP 18668, World Bank, elaborazione GDE |
USA dentro — Il lavoro come punto di rottura
Per rendere falsificabile lo scenario, l’ancora empirica è il mercato del lavoro. Nel dataset BLS (serie LNS14000000) la disoccupazione si attesta al 4,3 % a gennaio 2026; il decennio 2016–2026 include un episodio di coda estrema, il 14,8 % di aprile 2020. Questo non prova la traiettoria del memo, ma stabilisce che livelli a doppia cifra non sono “fisicamente” impossibili: la questione diventa la causa e, soprattutto, la persistenza.2
Stress test numerico trans-dominio
Prendiamo il numero chiave del memo (U = 10,2 %) e lo traduciamo in vincolo macroeconomico attraverso una forchetta di coefficienti alla Okun tratti dalla letteratura aperta. La BCE ricorda la formulazione originale di Okun (1962): un punto percentuale di calo della crescita del GNP reale si associa a circa 0,3 punti di disoccupazione. Un paper NBER, analizzando il periodo 2009–2011, riporta un output gap medio del −10,8 % a fronte di un unemployment gap di 4,4 punti, coerente con un coefficiente intorno a 0,41.67
Con una distribuzione triangolare sui coefficienti (β nell’intervallo 0,30–0,45, moda 0,41) e 200.000 estrazioni Monte Carlo, l’output gap implicito si colloca nell’ordine del 14–18 % (P₁₀/P₉₀) qualora la disoccupazione salisse effettivamente di 5,9 punti. Tradotto in dollari (PIL USA 2024, World Bank), il buco annuo sarebbe compreso tra 4,0 e 5,1 trilioni. Si tratta di un ordine di grandezza “sistemico”: perché la storia regga, deve spiegare come effetti di tale portata non si manifestino prima nei consumi, nei bilanci aziendali e nel credito.367
Meccanismo: dove la catena può amplificarsi
Il memo propone una dinamica non lineare: la produttività software spinge profitti e reinvestimento in compute, che a sua volta alimenta ulteriori salti di capacità. Se lo shock è prevalentemente “automation-heavy”, la relazione lavoro-output può deviare dalla traiettoria convenzionale: l’output regge, la disoccupazione sale. Un punto discusso anche dalla letteratura sulle deviazioni dalla legge di Okun in presenza di shock di automazione e di offerta di lavoro.6
USA fuori — La supply chain dell’intelligenza
Uno scenario di crisi “dell’intelligenza” non resta mai domestico. Compute, chip, energia e servizi IT formano una filiera globale. Il memo introduce l’India come snodo critico (export di servizi IT oltre 200 miliardi annui, pressione sulla rupia, dialogo con il FMI) e suggerisce che lo shock sul lavoro white-collar statunitense possa propagarsi attraverso la domanda esterna e i prezzi relativi.1
Sul versante dell’offerta, lo scaling resta concentrato: un lavoro recente stima che i costi di addestramento dei modelli frontier siano cresciuti a un ritmo di circa 2,4× l’anno dal 2016, con intervallo di confidenza riportato dagli autori.4 L’AI Index 2025 di Stanford riassume trend di compute molto rapidi, con un raddoppio approssimativo ogni cinque mesi per i modelli “notable”.5
L’ancora empirica è di scala: nel 2024, il PIL nominale mondiale si attesta a circa 111 trilioni di dollari, con gli Stati Uniti a 28,75 T$, la Cina a 18,74 T$ e l’India a 3,91 T$ (World Bank). Questo rende plausibile, quantomeno come rischio, un’accelerazione che si diffonde non tramite nuove fabbriche, ma tramite software e infrastrutture cloud.35
Risposte UE, Cina, Russia — Governance, sicurezza, energia
Se l’AI diventa infrastruttura critica, la risposta non è solo microeconomica. Conta la capacità istituzionale di misurare l’adozione, proteggere i lavoratori nella transizione e governare rischi sistemici legati a dati, sicurezza e competizione. L’OECD.AI Index 2026 sottolinea che molte misure rilevanti — programmi di supporto ai lavoratori, strumenti di protezione — sono difficili da confrontare in modo standardizzato e spesso insufficientemente aggiornate: un limite strutturale per chi vuole cogliere lo shock in tempo reale.8
Per l’Europa, l’implicazione è duplice: da un lato, evitare di leggere la competizione AI esclusivamente come “gara tra modelli” e riconoscerla invece come capacità di policy su cloud, dati e competenze; dall’altro, mantenere la resilienza energetica e industriale, perché il compute è anche elettricità e hardware. Per Cina e Russia il tema si intreccia con i controlli sulle esportazioni, la sicurezza nazionale e le scelte di autonomia tecnologica: una frizione geopolitica può accelerare o frenare la diffusione di agenti e automazione.
Italia: effetti e leve — Come leggere lo stress test in azienda
Anche se il memo è centrato sugli Stati Uniti, lo stress test è direttamente utile alle imprese italiane in chiave operativa: aiuta a distinguere tra un aumento di produttività che si traduce in margini e crescita, e un’accelerazione che genera fragilità perché la riallocazione non tiene il passo. Tre leve concrete, senza pretesa oracolare:
Processi. Mappare dove gli agenti software riducono i tempi di ciclo (vendite, back-office, customer service) e dove invece aumentano il rischio operativo (compliance, qualità dati).
Capitale umano. Pianificare l’upskilling mirato su funzioni “AI-augmented” e non solo sull’uso di tool specifici; misurare la produttività per team, non per entusiasmo dichiarato.
Finanza e fornitori. Stress-testare l’esposizione a settori “AI-exposed” (software, servizi professionali) e le dipendenze da cloud ed energia; negoziare clausole di continuità operativa.
Cosa monitorare nel 2026
Se il memo deve smettere di essere solo narrativa, servono segnali osservabili prima del “numero finale”. In un registry minimo, tre famiglie di indicatori sono già disponibili o integrabili con fonti aperte:
Mercato del lavoro (outcome/leading) Tasso di disoccupazione e sue variazioni a 3–6 mesi; eventuale deterioramento persistente rispetto al trend 2022–2025.
AI (driver) Trend dei costi e della scala dei modelli frontier; segnali ripetibili di adozione in impresa, non aneddoti.
Macro e finanza (risk) Divergenze tra output nominale e occupazione; segnali di tightening del credito nei segmenti meno trasparenti.^2^
Filo rosso
Il filo rosso che unisce il memo e i dati non è l’idea generica che “l’AI cambia tutto”, ma la velocità: l’offerta di capacità computazionale può scalare in mesi, mentre lavoro, credito e istituzioni riallocano in anni. Negli Stati Uniti, sul versante interno, questo divario si misura anzitutto nel lavoro e nei consumi discrezionali; sul versante esterno, si trasmette lungo la filiera di compute, energia e servizi IT, raggiungendo partner e concorrenti.167
In Europa e in Italia il rischio è doppio: subire lo shock come domanda esterna più debole e, contemporaneamente, perdere terreno su cloud, dati e competenze. Cina e Russia possono leggere l’AI come variabile di autonomia strategica, intrecciandola con controlli sulle esportazioni e sicurezza nazionale.
VERDETTO Il memo di Citrini e Shah costruisce una narrazione internamente coerente: l’accelerazione degli agenti AI comprime il lavoro white-collar, la compressione erode i consumi, l’erosione fa saltare il credito. Come esercizio di scenario, la catena logica è solida e il nostro stress test numerico la conferma in ordine di grandezza: se si arriva davvero a U = 10,2 %, l’output gap implicito (14–18 % del PIL) è sistemico, non marginale. Ma la distanza tra “logicamente possibile” e “probabile” resta ampia: il memo non quantifica i canali di assorbimento (politica fiscale, riallocazione settoriale, rallentamento volontario dell’adozione) e il registry minimo lascia scoperta la rete finanziaria — proprio il dominio dove l’amplificazione può trasformare uno shock settoriale in crisi sistemica. Verdetto operativo: rischio di coda credibile, traiettoria di base ancora da dimostrare. Le soglie da sorvegliare non sono quelle del 2028, ma quelle del 2026–2027 — se i leading indicator del lavoro e del credito non si muovono entro dodici mesi, la storia del memo resta un esercizio intellettuale ben costruito, non una previsione. |
APPENDICE AUDIT (GDE)
A1) Source Registry + Coverage Map
ID | Nome | Tipo | Uso |
S00 | Memo (spunto) | File locale | Scenario, numeri narrati |
S01 | BLS serie disoccupazione | HTML | Baseline lavoro USA |
S04–S07 | World Bank GDP (WLD/USA/CHN/IND) | JSON | Contesto macro |
S08 | ArXiv 2405.21015 | Costi/trend training frontier | |
S09 | AI Index 2025 Policy Highlights | Trend compute, scaling | |
S10 | OECD.AI Index (2026) | Adozione e skills | |
S11 | ECB WP 2699 (Okun) | Vincolo Okun (coeff.) | |
S12 | NBER WP 18668 (Okun) | Output gap vs U gap |
A2) KPI Map (outcome / leading / risk)
Tipo | KPI | Unità | Fonte | Osservabilità |
Outcome | U_rate | % | S01 (BLS) | Alta (mensile) |
Leading | ΔU_rate (3–6 mesi) | pp | S01 (derivato) | Media |
Leading | Compute scaling proxy | mesi | S09 | Bassa |
Leading | Training cost trend | ×/anno | S08 | Media |
Risk | Output gap implied | % | S01+S11/S12 | Media |
Risk | GDP loss implied | US$ | S05+derivato | Media |
N/A | Private credit default rate | % | Non coperto | — |
N/A | Payments disintermediation | US$ | Non coperto | — |
A3) Equation Map + Outputs
U_base = 4,3 % (BLS, gen. 2026). U_scen = 10,2 % (memo, giu. 2028). ΔU = 5,9 pp. β_okun ~ Triangolare (low = 0,30; mode = 0,41; high = 0,45) ⇒ k = 1/β. Output gap = k · ΔU. GDP_loss = OG/100 × GDP_2024 (World Bank).
Metrica | P₁₀ | P₅₀ | P₉₀ |
Output gap implicito (%) | 14,0 | 15,5 | 17,8 |
GDP loss USA (T$ correnti) | 4,0 | 4,5 | 5,1 |
GDP loss mondo (T$ correnti) | 15,6 | 17,2 | 19,8 |
A4) Quality Gates (sintesi)
Run ID: GDE_STRESS_20260225_01 | Seed: 20260225 | n_draws: 200.000. Output numerici: condizionali (planning-only), nessuna stima causale AI → U nel registry minimo. KZ-2L12 (Okun): 2 fonti indipendenti (S11, S12) → PASS. Neighbourhood Block: rete finanziaria non quantificata (FAIL-CLOSED).
A5) Lint Report (E2W Longform Article)
Check | Esito |
Titolo presente | PASS |
Occhiello / Catenaccio / Lead con marker | PASS |
BOX 1 — Timeline (8–12 item) | PASS |
BOX 2 — Numeri chiave (6 KPI) | PASS |
Intertitoli 4–6 con sequenza preferita | PASS (6/6) |
Sezione ‘Cosa monitorare nel 2026’ | PASS |
Sezione ‘Filo rosso’ (≥140 parole) | PASS |
Byline placeholder | OVERRIDE (per requisito incarico) |
Appendice audit separata | PASS |
Citations inline + note finali | PASS |
Note
1. Citrini e Alap Shah, “THE 2028 GLOBAL INTELLIGENCE CRISIS: A Thought Exercise in Financial History, from the Future”, CitriniResearch Macro Memo (documento .docx).
2. U.S. Bureau of Labor Statistics (BLS), serie LNS14000000 “Unemployment Rate (Seas)”, tabella su data.bls.gov, estrazione 25 febbraio 2026.
3. World Bank, API “GDP (current US$)” (NY.GDP.MKTP.CD) per WLD/USA/CHN/IND, aggiornamento 24 febbraio 2026, accesso 25 febbraio 2026.
4. Cottier, Rahman, Fattorini, Maslej, Besiroglu, Owen, “The Rising Costs of Training Frontier AI Models”, arXiv:2405.21015v2 (7 febbraio 2025).
5. Stanford HAI, “AI Index Report 2025 — Policy Highlights” (PDF), grafici su training compute e trend di scaling.
6. ECB Working Paper Series No 2699 (agosto 2022), “Explaining deviations from Okun’s law”, richiamo a Okun (1962) e discussione su shock di automazione.
7. NBER Working Paper No. 18668 (2013), “Okun’s Law” (Ball et al.), output gap e unemployment gap 2009–2011.
8. OECD (2026), “The OECD.AI Index”, report metodologico con note su indicatori, copertura dati e limiti comparativi.
Commenti