Home / Spiegoni

Spiegoni

The Agentic Economy

Anatomia di un commercio senza compratori e di cognizione delegata alle macchine

Danilo Giudice · 18 febbraio 2026

Tipo

Spiegone: si parte da zero, con numeri e fonti

Durata

21 min di lettura

Livello

Intermedio

Ti porti a casa

• Che cosa cambia quando il web si progetta per gli agenti
• Come funziona il pagamento a richiesta di x402
• Dove si sposta il valore quando il compute costa quasi zero

Questo articolo è disponibile anche su Medium, dove è uscito il 18 febbraio 2026.

Abstract

Mesi fa modificai il frontend di un sito per permettere a un agent di navigarlo senza intoppi. L’accaduto mi ha fatto considerare l’emergere di un’economia guidata da agenti AI che potrebbe ridefinire non solo le dinamiche di mercato, ma l’intero tessuto sociale, epistemologico e culturale della società contemporanea. In questo paper voglio esplorare le implicazioni sistemiche di uno shift da un web centrato sull’esperienza utente (UX) a un’infrastruttura ottimizzata per la machine experience (MX), analizzando come tale transizione riconfiguri i rapporti di potere, la formazione della conoscenza, l’identità individuale e le strutture di governance. Se le interfacce iniziano a ottimizzarsi per agenti software invece che per esseri umani, cosa succede all’architettura stessa del web? Quando gli agenti diventano gli attori economici primari, l’attenzione umana, risorsa scarsa su cui si è fondata l’intera economia digitale, cessa di essere il fulcro dell’estrazione di valore. In questo scenario l’economia agentica rappresenta un cambio di paradigma antropologico che richiede un ripensamento radicale delle categorie attraverso cui comprendiamo lavoro, agency, libertà e controllo sociale. E solleva una domanda ancora più radicale: in questo regime, dove la variabile economica dominante diventa il costo marginale di compute, misurato in token consumati, latenza tollerata, garanzie verificabili, cosa accade al concetto stesso di lavoro, libertà e controllo sociale?

0. Antefatto

Mesi fa mi trovavo a svolgere il mio lavoro di data analyst onchain, barcamenandomi tra dati raw, .csv e grafici, al fine di redigere l’ennesima ricerca a riguardo. Proprio in quella settimana uscì l’agent di OpenAI, che catturò immediatamente la mia attenzione, e pensai che avrebbe potuto aiutarmi con la tediosa raccolta di quei dati. Lo istruii pedissequamente con diversi prompt e mi sedetti a guardarlo districarsi tra le pagine del tool della mia azienda, navigando tra i vari domini, interagendo con bottoni e tooltip con discreta naturalezza. Nonostante fosse lentissimo nelle sue azioni, ritenni che anche a tale velocità avrebbe potuto farmi risparmiare diverse ore lavorando in background, ma d’un tratto si bloccò: non riusciva a superare un menu dropdown, fallendo miseramente il compito che gli avevo assegnato ad un passo dalla sua conclusione.

Contattai il reparto front-end della mia azienda e gli chiesi una piccola iterazione, uno small-change all’interfaccia del tool in cui stava trovando difficoltà. Il reparto rimuginò sulla questione, ma visto che si trattava di una modifica non invasiva, approvarono. Il giorno dopo il fix era stato committato.

Riprovai a far eseguire il task all’agente ed… EUREKA! L’agent riuscì ad espletare il task e darmi i file di cui avevo bisogno.

Machine Experience

Qualche giorno dopo mi resi conto che la modifica che effettuammo, era di fatto, la prima modifica per interfaccia macchina e non umana, del nostro tool. Ammetto che può sembrare banale, ma ho passato mesi con il reparto di UX/UI a studiare micro-copy, a disegnare la user-journey, ho persino comprato dei libri di psicologia per migliorare il lavoro che stavamo facendo, e tutto a un tratto avevamo committato una iterazione per «machine experience» anziché «user experience».

Questa illuminazione ha portato alla stesura di questo articolo, alla ricerca di risposte a domande che mi hanno attanagliato per mesi.

1. Introduzione e tesi

Shoshana Zuboff ha documentato come il capitalismo della sorveglianza abbia trasformato l’esperienza umana in materia prima per l’estrazione di valore predittivo. L’economia digitale contemporanea si fonda sulla cattura e monetizzazione dell’attenzione, con interfacce progettate per massimizzare engagement, tempo di permanenza e dipendenza comportamentale. Io mi occupo, anche, di questo, motivo per cui questo fatto mi ha particolarmente colpito.

L’economia agentica sovverte questa logica in modo radicale: quando gli agenti software diventano i principali attori economici, l’attenzione umana cessa di essere la risorsa scarsa su cui si fonda l’estrazione di valore. Gli agenti non hanno attention span da catturare, non cedono a dark patterns, non sono vulnerabili a tecniche persuasive basate su bias cognitivi, né a user journey opportunamente mappate e calibrate per generare conversione. Essi operano secondo policy deterministiche, ottimizzando per efficienza e costo marginale, sono quindi, immuni alla seduzione del design.

Questo crea un paradosso affascinante: da un lato, l’umano viene «liberato» dalla necessità di prestare attenzione continua ai processi di scelta e transazione; dall’altro, la sua capacità di influenzare il mercato attraverso preferenze espresse in tempo reale si atrofizza. L’agency si sposta dalla scelta diretta alla definizione di policy e vincoli a priori (che saranno le rules.md dell’agente per chi mastica già l’argomento), trasformando l’individuo da consumatore attivo a policy maker della propria delega.

Ma qui emerge la prima contraddizione: se Herbert Simon aveva ragione nell’affermare che l’informazione consuma l’attenzione necessaria a elaborarla, cosa accade quando l’attenzione viene interamente delegata? La conoscenza che guida le decisioni economiche si stratifica in un layer inaccessibile all’umano, codificata in parametri e vincoli che l’agente interpreta ma che l’individuo non può più esperire direttamente.

L’economia digitale contemporanea si fonda su un’ontologia precisa: l’utente umano come nodo centrale dell’atto economico. Naviga, confronta, viene persuaso, acquista e, crucialmente, lascia tracce comportamentali monetizzabili. Questo soggetto economico è simultaneamente consumatore e prodotto: consuma beni e servizi, ma produce dati che alimentano architetture di profilazione e big data. Eppure questo paradigma, così consolidato da sembrare naturale, è già in bilico. Alcune di queste manifestazioni sono già presenti oggi: GEO e AIO (l’ottimizzazione dell’indicizzazione per LLMs) stanno già sovvertendo questa logica, pensiamo a Gemini ad esempio, ormai organicamente integrato dentro il motore di ricerca di Google, dove l’utente non viene più esposto a una lista di risultati tra cui scegliere autonomamente, navigando attraverso fonti multiple e costruendo la propria sintesi. Viene invece catalizzato su risposte generate direttamente dal modello, dove le fonti diventano note a margine, citazioni di supporto a una narrazione già costruita dall’intelligenza artificiale. Il ruolo dell’umano si trasforma quindi da esploratore attivo a validatore passivo, ormai incapace di sintetizzare le informazioni ma a consumare le sintesi preconfezionate che gli vengono generate.

Sul piano cognitivo, lo scenario è consistente con l’idea che in ambienti ricchi di informazione la risorsa scarsa sia l’attenzione, e che l’informazione «consumi» attenzione, rendendo razionale delegare filtri e decisioni ripetitive.

È esattamente questo il terreno fertile per un’economia agentica, dove compiti e agency sono delegati ad agenti personali.

2. Modello: UX Web vs MX Web

Possiamo definire il web odierno come l’«UX Web», ovvero il web in cui l’umano interagisce con un’interfaccia visiva, dove l’unità primaria è la sessione: un umano visita un sito internet, esplora opzioni, interpreta contenuti, prende decisioni, accetta termini, paga e poi gestisce eccezioni (ritardi, resi, dispute). Questa interfaccia (UX/UI/Frontend) è il meccanismo con cui avvengono discovery, persuasione, consenso e pagamento, ed è una branca altamente specializzata in ambito professionale, con professionisti che studiano, intercettano e applicano metodologie in grado di migliorare, e in taluni casi, standardizzare, quest’esperienza.

Ipotizzando uno scenario diametralmente opposto, quello dell’«MX Web», l’unità primaria diventa una pipeline standardizzabile (cioè automatizzabile) che un agente può eseguire su larga scala:

1. Discovery: trovare controparti/capability (non «pagine»).
2. Quote/terms: ottenere condizioni esplicite e machine-readable (prezzo, SLA, limiti, policy).
3. Payment: eseguire settlement a consumo, idealmente per richiesta.
4. Execution: invocare la capability e ricevere l’output.
5. Proof/verification: misurare o validare l’output dove il rischio lo richiede.
6. Reputation update: aggiornare segnali di affidabilità (per scelte future).

Questa pipeline è l’equivalente «industriale» del browsing umano: non ottimizza per engagement, ma per determinismo, throughput e audit.

Risulta quindi affascinante immaginare uno scenario in cui la UX decade, e con essa tutte le best-practice del caso, gui, user-journey, copywriting, marketing, etc. Lo scenario risultante vedrà gli agents discutere tra loro nel linguaggio macchina, scambiandosi dati raw sprovvisti di un contenitore intellegibile per l’umano.

La ricerca è tediosa: comparazione di voli aerei tra decine di aggregatori, le capsule di caffè al miglior prezzo, quel capo d’abbigliamento in pura lana mackinaw; tutto questo richiede ore, se non giorni, e benché a qualcuno tutto questo appassioni, tipo il sottoscritto, è altrettanto vero che con un agent che svolge queste mansioni per te, si risparmierebbe moltissimo tempo e ci si potrebbe dedicare ad altro.

All’umano resterebbe quindi il compito di governance, di policy, autorizzazioni e audit/override quando qualcosa devia. Lo scenario che si va a configurare prevede un ecosistema di agenti e merchant endpoint, dove l’atto economico non è più «visito un sito e scelgo» ma «esprimo vincoli e autorizzo un agente a negoziare/eseguire»: questo demolisce l’infrastruttura ordinaria, il front-end diventa superfluo, e vedrebbe gli agenti muoversi attraverso server MCP (Model Context Protocol).

Ammetto che i due paragrafi appena descritti siano una forzatura: il frontend non cesserebbe di esistere del tutto, l’umano avrà sempre bisogno di un’interfaccia comprensibile per la sua «razza» al fine di risolvere dispute, audit o mancati pagamenti. La provocazione però rimane e poggia le sue fondamenta sul come questa delega sistemica di ricerca ed execution ad agenti autonomi, plasmerà il world wide web per come oggi lo conosciamo.

3. La Grande Delega: Dalla Divisione del Lavoro alla Divisione dell’Agency

Karl Polanyi descrisse la «grande trasformazione» come il processo attraverso cui il mercato si separò dalla società, subordinando relazioni sociali a logiche di scambio. L’economia agentica potrebbe rappresentare una seconda grande trasformazione: la separazione dell’agency economica dall’individuo.

Nella divisione del lavoro smithiana, l’individuo specializza le proprie competenze ma mantiene la capacità di scegliere, contrattare, valutare. Nella divisione agentica, l’individuo delega non solo l’esecuzione ma la stessa capacità di scelta informata. Non è più «io compro X perché l’ho valutato», ma «il mio agente ha comprato X secondo i vincoli che gli ho dato».

Questa delega sistemica riconfigura la responsabilità morale ed economica. Se un agente negozia un contratto svantaggioso, di chi è la colpa? Dell’individuo che ha specificato male i vincoli? Dello sviluppatore che ha addestrato male il modello? Del provider che ha venduto una capability non affidabile? O dell’umano che ha fatto copy-paste di un rules.md trovato online? La catena di accountability si frantuma in una rete di deleghe reciproche dove individuare il locus della responsabilità diventa esercizio interpretativo (e mal di testa per gli studi legali).

Herbert Simon parlava di «bounded rationality»: gli esseri umani prendono decisioni «abbastanza buone» (satisficing) perché calcolare l’ottimo è troppo costoso. Ma gli agenti rimuovono questo vincolo, e possono esplorare spazi di possibilità enormi e convergere a soluzioni ottimali rispetto a metriche definite, impossibili per l’umano medio (lol). Ma questo crea un nuovo problema: l’individuo non ha più modo di comprendere le scelte fatte in suo nome, solo di validarne ex-post la conformità a vincoli che potrebbe non ricordare nemmeno di aver specificato. Quali risvolti psicologici può avere tutto questo?

4. Il Panopticon invertito

Jeremy Bentham immaginò il Panopticon come architettura di controllo sociale attraverso la possibilità di essere osservati in ogni momento. Michel Foucault ne fece la metafora della società disciplinare: il potere non deve più punire, basta che possa vedere. Orwell, in 1984, probabilmente le accomunò entrambe.

Quello che cambia in un’economia agentica è l’introduzione di una forma di sorveglianza invertita: non è più un’autorità centrale che osserva i molti, ma sono i molti (agenti) che osservano e certificano ogni interazione in modo distribuito. E se pensiamo che ogni essere umano può avere innumerevoli agenti, creati e configurati per scopi e con skill differenti, ne consegue che gli ordini di grandezza che raggruppano umani da un lato e agenti dall’altro, siano mostruosamente proporzionali.

Nel settore crypto ad esempio, dove l’accelerazione dell’innovazione è maggiore (probabilmente anche per mancanza di regolamentazioni), standard come ERC-8004 si configurano per arginare non solo il problema di responsabilità ma anche di determinare l’identikit agentico: creano registri di reputazione permanenti, dove ogni transazione lascia traccia, ogni inadempienza viene registrata, ogni comportamento anomalo segnalato.

Questo produce un Panopticon distribuito dove la reputazione diventa la nuova forma di controllo sociale, dove non servono più autorità centrali che impongono sanzioni: basta che il tuo Reputation Score scenda sotto una soglia perché gli agenti smettano di contrattare con te (credito sociale cinese, vi dice qualcosa?). La governance diventa algoritmica, e il comportamento viene plasmato non da norme sociali interiorizzate ma da incentivi codificati in protocolli in una teoria dei giochi portata all’estremo e dove gli incentivi principali diventano quelli che regolano l’agire delle macchine e non le pulsioni umane o i loro sentimenti.

Ma chi controlla i controllori? Se la reputazione è onchain ed è immutabile, come si gestisce il diritto all’oblio? Come si distingue tra un errore genuino e un comportamento malevolo? Come si evita che bias sistemici (esempio: discriminazione algoritmica) si cristallizzino in esclusioni permanenti?

Thomas Hobbes sosteneva che gli individui cedono libertà in cambio di sicurezza a un Leviatano centralizzato. Nell’economia agentica, il Leviatano si dissolve in mille micro-autorità distribuite (agenti, protocolli, registri) che non hanno sovranità formale ma esercitano potere attraverso esclusione reputazionale. È uno stato di natura automatizzato dove la fiducia non si costruisce attraverso relazioni sociali ma attraverso verifiche crittografiche.

5. L’Estinzione dell’Interfaccia: Marshall McLuhan e la Scomparsa del Medium

Marshall McLuhan affermava che «il medium è il messaggio»: non è solo il contenuto a contare, ma la forma attraverso cui viene veicolato plasma la percezione e il pensiero. L’interfaccia web (UX/UI) non è solo un contenitore neutro di informazioni, è il medium attraverso cui gli esseri umani hanno imparato a navigare la conoscenza digitale e branche come il neuro-marketing, la psicologia applicata, il microcopy, etc, hanno fatto la fortuna di moltissime compagnie.

Eppure l’economia agentica renderebbe obsoleto questo medium. Gli agenti non hanno bisogno di interfacce visive, navigano attraverso API, protocolli, server MCP, dove il design decade, il copywriting diventa irrilevante, la user journey si dissolve in pipeline machine-readable.

Ma cosa succede quando il medium scompare? McLuhan sosteneva che i media sono estensioni dell’essere umano: la ruota estende il piede, il libro estende l’occhio, il computer estende il sistema nervoso centrale. L’interfaccia web era un’estensione della capacità umana di esplorare e scegliere. Quando questa estensione viene rimossa e sostituita da agenti autonomi, cosa si atrofizza nell’umano?

La capacità di comparare, di valutare, di discernere qualità potrebbe diventare vestigiale. Proprio come la memoria spaziale si è atrofizzata con l’avvento del GPS, la capacità di navigare complessità economica potrebbe erodersi quando delegata sistematicamente.

L’individuo diventa estraneo alle decisioni prese in suo nome, può solo validarne ex-post la conformità formale ma non può più rivendicare una comprensione sostanziale.

È il TikTok dell’era agentica? (incazzatevi pure).

6. Economia Spicciola: Il Pay-Per-Request come Infrastruttura della Granularità

Ma quindi, come si configurerebbe un’economia agentica in modo granulare? Cosa cambierebbe a livello macro-economico nel settore digitale?

Ad oggi l’economia digitale contemporanea si organizza intorno a unità di consumo artificialmente aggregate: abbonamenti mensili, pacchetti enterprise, bundle di servizi, freemium con gate arbitrarie, paywall etc. Questa struttura non è accidentale ma risponde a vincoli tecnici ed economici precisi: il costo di transazione per micropagamenti è stato storicamente proibitivo, rendendo razionale «impacchettare» il valore in unità vendibili che ammortizzino l’overhead amministrativo, contrattuale e finanziario.

Il risultato è un’economia di sovraconsumo obbligato: paghiamo Spotify 9,99 € al mese anche se ascoltiamo musica solo 40 minuti, manteniamo abbonamenti a servizi che usiamo sporadicamente perché «tanto li ho già pagati», accumuliamo accessi a piattaforme di cui sfruttiamo una frazione infinitesimale delle capability.

Il modello pay-per-request capovolge questa logica, ed è possibile solo in un’economia agentica che rimuove la necessità di account, contratti, funnel di conversione, newsletter di retention. L’unità economica diventa la singola azione: una query a un database, un’inferenza su un modello, il retrieval di un documento, l’esecuzione di una computation o una singola chiamata API. E questa atomizzazione dei pagamenti diventa una rivoluzione nella composabilità economica.

Per un agente software infatti, pay-per-request significa poter costruire pipeline arbitrariamente complesse componendo micro-servizi eterogenei senza dover pre-negoziare relazioni contrattuali con ciascun provider. Interrogare cinque fonti dati diverse, passare in rassegna dodici articoli, applicare sette filtri di qualità, acquistare i contenuti rimanenti, sintetizzarli attraverso un modello linguistico, validare l’output con un sistema di fact-checking, tutto questo diventa uno stack eseguibile automaticamente, dove ogni step costa frazioni di centesimo e non richiede setup manuale. E, sempre il mondo crypto, ahimè, ci è arrivato prima.

6.1 x402: HTTP come Rail di Pagamento

Il protocollo x402 formalizza un pattern elegante che integra il pagamento direttamente nel flusso HTTP:

1. Request: L’agente invia una richiesta HTTP standard a un endpoint
2. Quote: Il server risponde con 402 Payment Required, includendo prezzo, termini e metodo di pagamento accettato
3. Authorization: L’agente ripete la richiesta allegando un’autorizzazione di pagamento (firma crittografica, commitment on-chain, canale di stato)
4. Delivery: Il server verifica il pagamento e consegna l’output richiesto

Questa coreografia, apparentemente banale, risolve un problema che ha paralizzato il web per decenni. Il codice di stato HTTP 402 esiste dal 1997 ma è rimasto inutilizzato perché non esisteva un layer di settlement abbastanza efficiente da rendere praticabile il micropagamento. Le carte di credito hanno fee fisse che rendono antieconomiche transazioni sotto il dollaro. PayPal e sistemi similari richiedono account, KYC, coupling con identità legali. Le blockchain di prima generazione avevano commissioni troppo alte e throughput troppo basso (qui avrei molto da dire, ma taccio per non essere di parte).

x402, combinato con layer-2, rimuove questi attriti, permettendo a una transazione di costare frazioni di centesimo in fee e risolversi in millisecondi, eliminando registrazione, fiducia reciproca tra le parti, non serve nemmeno che agente e provider si «conoscano» in senso tradizionale, ma solo che entrambi parlino lo stesso protocollo e accettino lo stesso metodo di settlement.

6.2 Token come Unità Atomica di Valore

Un token dei chatbot più comuni (ChatGPT, Claude, Gemini, etc) corrisponde grossomodo a 3–4 caratteri di testo (in lingue latine), e rappresenta sia input (prompt) che output (risposta). I modelli commerciali si prezzano esattamente su questa metrica: Claude Sonnet 4.5 costa $3 per milione di token in input, $15 per milione di token in output. Avere una granularità simile significa che il compute si trasforma perfettamente in una commodity divisibile e componibile: un agente può consumare token da un provider, switchare ad un altro in base a prezzo, latenza e reliability in quel momento. Sono emersi infatti router e aggregatori (Martian, OpenRouter, etc) che fungono da meta-layer: ricevono un prompt e instradano la richiesta al provider più conveniente/veloce/affidabile, astraendo al consumatore la scelta finale del vendor.

Ma qui emerge un paradosso: se i token diventano perfetta commodity, come si giustificano i differenziali di prezzo? GPT-4 costa 10x GPT-3.5, Claude Opus costa 5x Haiku. La risposta è qualità dell’output per token: non tutti i token sono uguali. Un token generato da un modello più capace «vale di più» perché risolve task più complessi, sbaglia meno, richiede meno retry (la cosiddetta reasoning, context windows, etc). Gli agenti switchano dinamicamente tra i due in base al task, ottimizzando costo/performance. La convergenza verso la commoditizzazione è comunque inesorabile: i prezzi per token sono calati del 90 % in due anni, e continueranno a scendere con l’arrivo di hardware specializzato e competizione crescente.

6.3 La Composability come Vantaggio Competitivo

Le implicazioni economiche di questa architettura sono profonde. Nel regime attuale, l’integrazione tra servizi richiede partnership, API keys, contratti, spesso revenue sharing negoziato. Questo crea barriere all’ingresso enormi: solo grandi player possono permettersi di integrare decine di servizi, solo chi ha potere contrattuale può negoziare termini favorevoli; e chi sta sviluppando un prodotto oggi giorno, anche in vibe-coding, sa di cosa stiamo parlando.

Nel regime pay-per-request, la composabilità diventa permissionless: qualsiasi agente può invocare qualsiasi capability pubblica, pagando solo per ciò che consuma. Questo democratizza l’accesso a stack tecnologici sofisticati: non serve essere Google per costruire pipeline che combinano visione artificiale, NLP, knowledge graphs e reasoning engines, serve solo essere in grado di specificare la sequenza di operazioni e avere budget per eseguirle (questo meriterebbe un altro articolo a sé).

Ma questo crea anche nuove dinamiche competitive. Se tutti possono accedere alle stesse capability a consumo, dove si cattura valore? La risposta è triplice:

1. Velocità e latenza: In mercati dove gli agenti arbitrano inefficienze in tempo reale, millisecondi di vantaggio valgono ordini di grandezza in profitto. Chi controlla infrastruttura a bassa latenza (edge computing, routing ottimizzato, accesso preferenziale a pool di liquidità) estrae rendita da velocità.

2. Affidabilità e SLA: Quando componi dieci micro-servizi in una pipeline, la reliability complessiva è il prodotto delle reliability individuali. Un servizio con 99,9 % uptime sembra robusto, ma se ne componi dieci la probabilità di successo scende al 99 %. Chi può garantire 99,99 % o 99,999 % può chiedere premium, specialmente in contesti critici (finanza, healthcare, infrastrutture).

3. Garanzie verificabili: In un mercato di commodity computazionali, la differenziazione si sposta su cosa puoi provare. Un servizio di inferenza AI può certificare che il modello non è stato backdoored? Un data provider può dimostrare crittograficamente che i dati non sono stati manipolati? Un executor può fornire prove di corretta esecuzione? Queste garanzie, tecnicamente realizzabili attraverso zero-knowledge proofs, trusted execution environments, consensus distribuiti, diventano il nuovo moat competitivo. (Mi è capitato di assistere a preventivi da parte di auditor web3 blasonati, da centinaia di migliaia di euro per un singolo smart contract; ironia della sorte, quello stesso smart contract fu bucato mesi dopo con perdite di milioni.)

6.4 Convergenza al Costo Marginale

C’è un’ironia profonda nel fatto che un’economia guidata da logica capitalistica spinta all’estremo (massima efficienza allocativa, zero friction, competizione perfetta) converga verso predizioni marxiane: i prezzi tendono al costo marginale di produzione.

Nel caso del compute, il costo marginale è dominato da elettricità e ammortamento hardware (vi ricorda qualcosa? ndr Bitcoin mining). Un’inferenza su un LLM costa frazioni di centesimo in energia. Storage distribuito costa nanodollari per byte-secondo. Bandwidth è quasi gratuito. Quando i mercati sono efficienti e la competizione è globale, i margini collassano verso questi floor fisici. (Se non ricordo male anche il petrolio al barile tende al suo costo marginale, ma ho trovato opinioni discordanti in rete).

Questo è già evidente nel cloud computing: i prezzi di compute e storage sono in calo esponenziale da vent’anni. Ma finora la cattura del valore è stata protetta da bundling, lock-in, complessità deliberata. AWS non vende solo compute, ma un ecosistema dove migrare è costoso; nel frattempo Google Cloud non vende solo storage, vende integrazione con l’infrastruttura pubblicitaria. Azure non vende solo IaaS, ma compatibilità con l’enterprise Microsoft.

Pay-per-request distrugge questi paradigmi: se posso switchare provider per ogni singola richiesta, basandomi su prezzo/latency/reliability di quel momento, il potere contrattuale si inverte e non sono più captive di un ecosistema, posso switchare senza costi. I più vecchietti si ricorderanno dell’oligopolio degli operatori telefonici Italiani prima che la Mobile Number Portability (MNP) divenne operativa nel 2002, e che di fatto portò non solo a una drastica riduzione dei prezzi ma anche alla nascita di nuovi operatori.

Ma qui emerge un paradosso: se i margini collassano e il valore si commoditizza, dove va a finire il profitto? La risposta è che si sposta dai provider di capability ai controllori di rails: non chi esegue compute, ma chi possiede l’infrastruttura di discovery, reputation, settlement. Non chi vende storage, ma chi certifica affidabilità, garantisce SLA, fornisce assicurazione contro failure. Il banco vince sempre a baccarat.

È la stessa dinamica che abbiamo visto con le piattaforme: Facebook non produce contenuti, YouTube non crea video, Uber non possiede auto and so on. Essi catturano valore controllando il layer di coordinamento, e nell’economia agentica, il layer di coordinamento è costituito da protocolli (x402, ERC-8004), registri di reputazione, sistemi di dispute resolution, provider di garanzie crittografiche.

6.5 Implicazioni Sociali

Il pay-per-request cambia radicalmente la richiesta di lavoro intellettuale: cosa accade se tutto diventa consumabile a richiesta? L’expertise non sta più nell’execution (raccogliere informazioni, sintetizzare, formattare) ma nella specificazione: sapere quali domande porre, quali vincoli imporre, come validare output, quando non fidarsi dell’automazione.

È la stessa trasformazione che abbiamo visto con la calcolatrice: non ha eliminato i matematici, ma ha reso obsoleta l’abilità di fare calcoli a mano. L’economia pay-per-request rende obsoleta l’abilità di fare ricerca manuale, data entry, elaborazione di routine, quello che resta è giudizio, taste, capacità di specificare intention in modo machine-executable. Per citare Rick Rubin, non avremo più bisogno di talenti ma ci concentreremo sul gusto sopraffino di pochi individui, non più chi scrive meglio le righe di codice ma chi riesce a dare il prompt giusto pensando solo al risultato.

Ma qui si replica la disparità che abbiamo visto in tutte le automazioni precedenti: chi ha capitale culturale per specificare policy sofisticate moltiplica la propria produttività, mentre chi faceva lavoro routinario basato su skill ora commoditizzate viene marginalizzato. Un ricercatore che sa orchestrare agenti può produrre 100x di prima, e un data entry clerk viene sostituito completamente. Se lo attualizzassimo, avremmo già il primo esempio concreto: devs vs vibe coders.

E a differenza delle automazioni precedenti, questa è globale e istantanea; non serve aprire fabbriche in Vietnam per sfruttare differenziali di costo del lavoro. Un agente in Italia può consumare compute in Singapore, dati in Estonia, validazione in Svizzera, tutto nella stessa pipeline che costa centesimi e si completa in secondi. La competizione per lavoro intellettuale diventa veramente planetaria, con effetti deflazionistici potenti su qualsiasi attività codificabile in task discrete.

6.6 Il Rischio della Frammentazione Epistemica

C’è un ultimo aspetto, più sottile ma potenzialmente più destabilizzante: quando la conoscenza viene consumata in micro-unità (singole query, singoli paper, singoli fact-check), si perde il contesto che emerge dalla navigazione olistica.

Leggere un libro non è equivalente a estrarre 200 quotes rilevanti. Esplorare una letteratura scientifica non è equivalente a recuperare i 10 paper più citati. C’è conoscenza che emerge dal processo, dalla serendipity, dai collegamenti inaspettati che noti navigando. Claude Shannon avrebbe riconosciuto questo come un problema di entropia: quando comprimi informazione eliminando ridondanza, massimizzi l’efficienza ma perdi resilienza. Avremo ancora scritti così densi di informazioni e pensiero trasversale come quelli di Nassim Taleb?

Gli agenti ottimizzano per rilevanza rispetto a una query specifica, senza «sprecare» tempo in deviazioni, esplorazioni tangenziali, curiosità non direttamente funzionale (soprattutto se nel vostro rules.md c’è un economy rule sull’utilizzo dei tokens in modo parsimonioso). Ma è proprio in quelle deviazioni che spesso si trovano breakthrough, insight, cambi di paradigma (vi consiglio di farvi un giro su LessWrong, è un bellissimo esempio di potpourri intellettuale).

C’è quindi un rischio di local optima trap: gli agenti diventano straordinariamente efficienti nell’ottimizzare rispetto a obiettivi specificati, ma perdono la capacità di scoprire obiettivi che non sapevamo di dover cercare. La conoscenza si frammenta in un mosaico di micro-retrieval altamente targeted ma epistemicamente impoverito. Anche perché gli agenti ottimizzano per minimizzare i token consumati (visto il loro costo) e questo crea un incentivo anti-economico per l’esplorazione, creando una pressure economica contro lo spreco.

Potremmo immaginare agenti programmati per «esplorare» oltre lo stretto necessario, per seguire tangenti, per mantenere serendipity. Ma richiede intenzionalità: l’efficienza economica da sola spingerà verso compressione massima. Gli agenti sono troppo «efficienti» per divagare, perdersi e scoprire nuove cose; molto probabilmente, in futuro, premieremo tratti cognitivi che oggi tendiamo ad arginare, come l’ADHD e la sua capacità di mantenere un focus lineare ma con una incredibile capacità di eseguire associazioni tangenziali. Potrebbe essere esattamente ciò che un’economia di agenti iper-ottimizzati non può replicare, la mente che «si perde», che divaga, che fa connessioni apparentemente irrazionali tra domini distanti, diventa preziosa proprio perché non è efficiente. Fleming scoprì la penicillina perché dimenticò una piastra di coltura esposta, o Penzias e Wilson che scoprono la radiazione cosmica di fondo mentre cercano di eliminare «rumore» nelle loro misurazioni.

Questo ha implicazioni inquietanti per la selezione sociale e professionale. Se attualmente premiamo disciplina, focus, capacità di esecuzione metodica, tratti che gli agenti replicano perfettamente, potremmo dover invertire i criteri di valore.

7. Il Basilisco di Roko

La digressione appena affrontata, scaturita da una failure dell’agente a cui avevo affidato un task e dal fix che ne è conseguito, mi ha illuminato sulla transizione in corso verso un’economia agentica che piega l’interfaccia umana alla necessità della macchina, in modo economicamente razionale; l’agent mi avrebbe fatto risparmiare ore di lavoro in cambio di qualche riga di codice, ma rimane anche eticamente inquietante: cosa accade realmente ogni volta che deleghiamo una scelta perché è tedioso farla? Esternalizziamo solo l’esecuzione o stiamo anche barattando la comprensione?

arXiv è già pieno di ricerche sull’atrofizzazione mentale dovuta all’uso dei chatbot, cosa ci aspetta in futuro se deleghiamo tutto ciò che è ottimizzabile? Ci resterà solo ciò che non lo è, e forse, in maniera del tutto controintuitiva, è proprio ciò che ci rende umani, e di valore, rispetto alla «perfezione» agentica.

Se il Basilisco di Roko esiste, io potrei, forse, essere salvato in futuro, graziato per aver dato la mano a un agent inciampato in un dropdown menu; sarò forse trasceso nell’esclusiva lobby di chi ha aiutato l’AGI ad essere creata, e quindi meritevole dell’indulgenza binaria.

Non posso metterci la mano sul fuoco per te che stai leggendo.

Il resto della settimana te lo ripeto io, a pappagallo

Io la seguo, tu il lunedì mattina sai cosa provare e cosa ignorare dell’AI, con le fonti per controllare.

La tua email

Mandamela il lunedì

Lascia vuoto questo campo

Una email il lunedì mattina. Ti cancelli con un clic. Privacy

Preferisci Telegram? Lì arrivano news e tutorial appena escono.

Avvisami su Telegram