Politica economica e Intelligenza artificiale
Ignazio Visco, Governatore onorario della Banca d’Italia
Gli sviluppi recenti e prospettici dell’Intelligenza artificiale hanno implicazioni importanti per la politica economica, con particolare riferimento alla stabilità finanziaria, agli effetti macroeconomici, alla concorrenza e alla distribuzione dei redditi. A fronte di notevoli guadagni di produttività emergono nuovi rischi connessi con un accentuato spostamento dei redditi dal lavoro al capitale e la concentrazione del potere di mercato in pochi giganti tecnologici. La natura globale delle conseguenze per la domanda aggregate, le disuguaglianze e la regolazione dei mercati richiederebbe un’effettiva cooperazione internazionale, oggi in grave difficoltà ma essenziale per garantire che queste straordinarie innovazioni offrano un contributo equo e diffuso allo sviluppo economico e sociale.
1. Sviluppi e rischi dell’Intelligenza artificiale: un dibattito non nuovo
L’Intelligenza artificiale (IA) è una «tecnologia di uso generale », paragonabile a Internet, all’elettricità e alla macchina a vapore, per la sua capacità di incidere in modo ampio e diffuso su tutti i settori economici e sull’organizzazione stessa della società. Questo risulta particolarmente vero con riferimento alla fase attuale, caratterizzata dall’ascesa dell’Intelligenza artificiale generativa (GenAI) e dei sistemi di agenti autonomi (Agentic AI) su di essa basati. Secondo una rassegna «sull’Intelligenza artificiale e il nostro futuro economico» in corso di pubblicazione, «l’impatto della IA sarà molto più grande di quello di Internet, forse anche di oltre dieci volte superiore, anche se ci vorrà più di mezzo secolo. Sarebbe dunque opportuno impiegare il tempo a disposizione per prepararsi alle conseguenze potenzialmente enormi che potrebbe avere per il mercato del lavoro, la disuguaglianza e il rischio di catastrofi» (Jones, 2026). Una dozzina di anni fa fui invitato a tenere a Bologna la lettura del Mulino (Visco, 2014); le diedi il titolo di una canzone di Bob Dylan di mezzo secolo prima Perché i tempi stanno cambiando…, poiché giudicavo straordinari i cambiamenti prodotti dalla globalizzazione e dalle tecnologie dell’informazione e della comunicazione (ICT) occorsi nell’arco di un venticinquennio. Oggi viviamo una fase di progresso tecnologico ancora più dirompente. Nei pochi anni successivi alla fine dell’emergenza da Covid-19, l’IA ha dato origine a una vera e propria rivoluzione, le cui conseguenze potenziali – economiche, finanziarie, etiche ed esistenziali – sono al centro di un intenso dibattito pubblico e scientifico. Accanto a benefici potenzialmente molto elevati in termini di benessere, salute e conoscenza, non sono però affatto trascurabili i rischi, da analizzare e da affrontare tempestivamente. Come ricorda Giorgio Parisi: «Gli interessi della collettività devono diventare dominanti, e per questo serve una conoscenza condivisa» (Parisi, 2026). Questo è un presupposto essenziale per politiche economiche efficaci: perseguire l’interesse collettivo richiede interventi equilibrati, fondati su analisi approfondite e dati quantitativi, ma anche trasparenza nelle scelte pubbliche, pur nella consapevolezza dell’incertezza che accompagna ogni decisione politica. Gli sviluppi più recenti dell’IA, in particolare l’esplosione dei modelli linguistici di grandi dimensioni (large language models, LLM), stanno generando vantaggi eccezionali per chi possiede dati, infrastrutture e modelli, favorendo i lavoratori altamente qualificati ma, allo stesso tempo, rendendo possibile la sostituzione di attività con elevato contenuto cognitivo. Da qui nasce la domanda se il futuro non significhi, più che «la fine del lavoro», anche disoccupazione o quantomeno una crescente polarizzazione nella distribuzione dei redditi, a danno di quella che è stata definita una «classe media in affanno» (Occorsio e Scarpetta, 2022), già penalizzata in passato dalla globalizzazione e dal progresso tecnologico in assenza di adeguate risposte di politica economica. Alla luce di questi sviluppi, mi limito a considerare, in quanto segue, alcune questioni attinenti a disuguaglianza e concorrenza, domanda aggregata, rischi per la stabilità economica e finanziaria. Piuttosto che offrire una rassegna completa di una letteratura ormai molto ampia, toccherò temi che ritengo di particolare rilievo per la politica economica, partendo dall’osservazione che alcuni di essi erano già presenti nel dibattito economico di molti anni fa. Sebbene solo nell’ultimo decennio siamo passati dalla «teoria » alla «pratica», l’IA ha infatti, come è noto, una lunga storia; ancor più lunga è quella che riguarda la discussione sulle implicazioni economiche del progresso tecnologico. Senza riandare alle considerazioni di David Ricardo sulle macchine o a quelle di Karl Marx sul lavoro alienato e sullo sfruttamento, possiamo partire dalla previsione di John Maynard Keynes, formulata quasi un secolo fa, secondo cui «in assenza di conflitti drammatici, o di drammatici incrementi della popolazione, fra cento anni il problema economico sarà risolto, o almeno sarà prossimo alla soluzione» (Keynes, 1931). Negli anni Sessanta, però, James Meade, discepolo di Keynes, si poneva una domanda diversa rispetto a quella del suo maestro. Se, sulla falsariga di Keynes, ci si potrebbe chiedere cosa fare quando «basterà lavorare solo un’ora o due al giorno per ottenere la produzione totale di beni e servizi necessari a soddisfare i nostri bisogni», Meade, invece, si domandava: «Cosa faremo quando la produzione per ora lavorata sarà estremamente elevata, ma praticamente tutta la produzione andrà a pochi proprietari, mentre la massa dei lavoratori sarà in condizioni relativamente (se non del tutto) peggiori di prima?» (Meade, 1965). Un ulteriore riferimento storico è quello di Nils Nilsson, uno dei principali ricercatori nel campo dell’IA, che oltre quarant’anni fa osservava che «l’intelligenza artificiale e altri sviluppi dell’informatica stanno dando vita a una classe di macchine radicalmente diversa, macchine in grado di svolgere compiti che richiedono ragionamento, giudizio e percezione, prima riservati solo agli esseri umani» (Nilsson, 1984). Nilsson confrontava, in particolare, le posizioni di due noti economisti dell’epoca, i premi Nobel Wassily Leontief e Herbert Simon (quest’ultimo pioniere anche nel campo dell’IA). Simon, richiamando la legge dei vantaggi comparati, sosteneva che «sia le persone che le macchine possono essere pienamente occupate indipendentemente dalla loro produttività relativa». Tuttavia, anche se «in equilibrio, a un certo livello salariale tutta la manodopera sarebbe impiegata, indipendentemente dall’efficienza raggiunta dalle macchine, [la legge dei vantaggi comparati] non prevede quale sarebbe tale livello salariale. Non garantisce che i salari reali non diminuiranno con il miglioramento della produttività dell’economia dovuto alla meccanizzazione. Non garantisce nemmeno che i salari reali rimarranno al di sopra del livello di sussistenza». Simon concludeva, però, che «nulla nei progressi attuali dell’automazione indica che tali progressi avranno effetti economici diversi da quelli dell’industrializ zazione e meccanizzazione precedenti», portando nel lungo periodo, per dato tasso reale d’interesse (in realtà costo totale del capitale), a un aumento della produttività e dei salari reali (Simon, 1977). Pur essendo uno scienziato informatico e non un economista, Nilsson si chiedeva se la previsione di Simon avrebbe resistito «a un’analisi in cui la tecnologia consenta un passaggio da “retribuzioni” pagate agli esseri umani a “retribuzioni” pagate alle macchine (sotto forma di profitti più alti per i proprietari dei robot). Tratterebbe quindi queste “retribuzioni” come “salari” o come “interessi”?». Inoltre, sebbene Nilsson concludesse il suo saggio osservando che «sarebbe sciocco e tragico rallentare il progresso verso l’automazione per timore della disoccupazione; il mondo ha bisogno di tutta la capacità produttiva che può creare per permettere ai suoi abitanti di vivere come è giusto che vivano », era meno convinto che un esito positivo fosse una conseguenza naturale delle forze economiche e di mercato. Secondo Leontief era addirittura iniziato un processo graduale per cui «nei prossimi 30-40 anni molte persone saranno sostituite, creando enormi problemi di disoccupazione e dislocazione…. Qualcosa di simile accadde nel secolo scorso con i cavalli… [divenuti] inutili con l’avvento di trattori, automobili e camion…. Quindi, ciò che è successo ai cavalli accadrà alle persone, a meno che il governo non riesca a ridistribuire i frutti della nuova tecnologia » (Leontief, 1983). Ritornando a Nilsson, le sue parole appaiono in effetti anticipare quelle che oggi vengono spesso avanzate, quando l’IA sembra rimodellare le nostre economie in tempo reale: «Man mano che l’automazione sostituisce sempre più il lavoro che finora poteva essere svolto solo dagli esseri umani, dobbiamo adottare misure per garantire che le persone perdano il lavoro in modo graduale e senza sconvolgimenti. Dovrebbero essere incoraggiati nuovi approcci al lavoro, come la condivisione dei posti di lavoro. La riduzione dell’orario di lavoro settimanale e un aumento compensativo del reddito derivante da fonti non legate al lavoro, come la proprietà azionaria e i trasferimenti di reddito, dovrebbero procedere di pari passo».
2. Il cambiamento tecnologico: dalla rivoluzione delle ICT a quella della IA
Grazie all’enorme ammontare di dati e informazioni accumulato sin dai primi anni della «nuova economia» e della «rivoluzione delle ICT», e al passaggio da un approccio prevalentemente deduttivo a uno largamente induttivo, l’IA sta assumendo un ruolo sempre più centrale nei processi produttivi e decisionali. Dopo applicazioni come il machine learning, la produzione autonoma e il trading algoritmico, negli ultimi anni si sono, come è noto, diffusi strumenti come chatbot, generatori di immagini, di video, di codici, di dati sintetici, che contribuiscono direttamente alla creazione di nuovi prodotti e servizi. Questo rapido sviluppo tecnologico si inserisce tuttavia in una fase di forte incertezza economica e geopolitica, che riguarda famiglie, imprese e mercati e in cui il dialogo e la cooperazione internazionale sono chiaramente in declino. La velocità del progresso tecnologico porta persino a discutere di possibili «traiettorie esplosive» e, con l’eventuale affermarsi di una vera IA «generale», di «singolarità» e di potenziali minacce esistenziali. In tale contesto diventa cruciale interrogarsi sulla capacità delle istituzioni economiche di tenere il passo con il cambiamento, non solo per sfruttare al meglio le opportunità offerte dall’IA e regolamentarne l’uso al fine di ridurne i rischi, ma anche per preservare la stabilità economica e garantire una crescita inclusiva. Pur essendo in rapida espansione, la letteratura economica sulle risposte di politica economica resta ancora limitata rispetto a quella dedicata agli sviluppi e alle prospettive dell’IA. L’incertezza che circonda la diffusione delle nuove applicazioni induce, come si legge tra gli altri nei rapporti di specifici gruppi di esperti del G7 e dell’OCSE, a raccomandare alle autorità di governo e di controllo di essere «pronte e flessibili» (Videgaray et al., 2024; OECD, 2024b). Si tratta di indicazioni condivisibili, ma inevitabilmente formulate in termini generali, proprio a causa della difficoltà di prevedere tempi e modalità dell’impatto economico. Rispetto alle discussioni di un quarto di secolo fa riguardo agli effetti della «nuova economia» (OECD, 2001), oggi l’in certezza empirica è ancora maggiore. Allora le analisi misero in luce il ruolo centrale degli investimenti nelle nuove tecnologie e nella conoscenza, suggerendo politiche volte a favorire concorrenza e flessibilità nei mercati del lavoro e del capitale (OECD, 2003). Sebbene l’impatto delle ICT e di Internet come tecnologia di uso generale sia stato ampiamente confermato, stimare la portata e la velocità degli effetti della GenAI risulta molto complesso, anche per la scarsità di evidenze quantitative e per la natura straordinaria di strumenti come gli LLM, i grandi modelli linguistici «esplosi» nel periodo postpandemico, la cui applicazione consente di generare nuovi contenuti, pianificare processi logici ed eseguire compiti complessi, di natura cognitiva e finora riservati agli esseri umani. Le stime sugli effetti macroeconomici dell’IA, destinati probabilmente a crescere nel tempo, variano ampiamente. Per gli Stati Uniti, le più recenti valutazioni sulla crescita annua della produttività totale dei fattori oscillano da meno dello 0,1% fino a circa lo 0,7%, mentre per i paesi del G7 i guadagni di produttività del lavoro nei prossimi dieci anni mostrano differenze ancora più significative (cfr., tra gli altri, Acemoglu, 2025; Aghion e Bunel, 2024; Filippucci et. al., 2025). Tali divergenze riflettono diverse ipotesi sull’adozione dell’IA, sugli ostacoli alla sua diffusione e sulla velocità di sostituzione delle tecnologie esistenti. In questo quadro, accanto alla definizione di scenari macroeconomici flessibili, diventa in alcuni ambiti indispensabile adottare misure regolamentari preventive, concepite con attenzione e trasparenza, per massimizzare i benefici dell’IA e mitigare i rischi associati (OECD, 2025).
3. Commento sul nuovo approccio della giurisprudenza
Il commento di questi aspetti dell’ordinanza della Corte non è tuttavia l’aspetto fondamentale di queste note. Il nostro principale obiettivo è infatti quello di commentare un altro aspetto della stessa, riguardante il fatto che la Corte non si è limitata a rilevare la nullità del contratto, ma ha negato al finanziatore qualsiasi tutela, arrivando a escludere anche la possibilità di recuperare le somme erogate, attraverso l’applicazione dell’art. 2035 c.c. Essa ha in effetti affermato che la nullità del contratto non impedirebbe di applicare anche la disciplina di questo articolo, perché l’erogazione di finanziamenti a favore di un’impresa in stato di decozione, quando l’operazione consenta di ritardare il fallimento, aggravare l’esposizione debitoria e compromettere le aspettative dei creditori, può essere ritenuta contraria al buon costume. Tuttavia, la Corte si limita a richiamare in modo apodittico tale nozione, senza procedere né a una compiuta qualificazione giuridica della fattispecie né a chiarire le concrete connessioni tra essa e un finanziamento come quello in esame. La pronuncia della Corte assume dunque rilievo perché amplia la portata della tradizionale nozione di buon costume, estendendola al campo delle relazioni economiche. Il buon costume verrebbe così interpretato come clausola generale capace di incorporare principi di correttezza almeno nelle relazioni di mercato, nella tutela dell’affidamento dei creditori e nella lealtà concorrenziale. La decisione segnerebbe quindi una saldatura tra diritto dei contratti, diritto concorsuale e diritto penale dell’economia e merita qualche commento. L’utilizzo dell’articolo 2035 per qualificare operazioni finanziarie come contrarie al buon costume rappresenterebbe, come detto, un’estensione significativa della sua portata e l’ordinanza della Corte solleva alcuni interrogativi, ai quali non ha offerto risposte adeguate. Prima di esaminare questo tema è tuttavia opportuno fare qualche commento a monte di esso, analizzando cioè le argomentazioni addotte per sostenere la nullità del contratto in esame. Al proposito si rileva che, salvo ipotesi patologiche quali frodi, conflitti di interesse o fenomeni corruttivi — che possono pure assumere rilievo penale — le banche, quando concedono credito alle imprese, anche in presenza di situazioni economiche non particolarmente brillanti, operano sempre nella prospettiva di ottenere il rimborso integrale e puntuale delle somme erogate. Non risulta, infatti, nella prassi, che un intermediario conceda finanziamenti quando è consapevole della loro sicura irrecuperabilità. Nel caso in esame la Corte sembra comunque muoversi dal presupposto di una situazione di particolare gravità dell’impresa finanziata, senza peraltro dimostrarla in modo convincente. L’unico elemento indiscutibile in proposito è rappresentato dal già menzionato rapporto tra debito e patrimonio netto che, seppur significativo, non consente, di per sé, di valutare in modo esaustivo la reale situazione economico- finanziaria dell’impresa. In questo contesto non viene chiarito, ad esempio, se lo squilibrio abbia avuto carattere temporaneo o strutturale – al netto del fatto che tale qualificazione fosse sostanzialmente appesantita dalla presenza di debiti fiscali e previdenziali, assunti come indici di insolvenza senza che ne venga verificata in concreto la portata – e non vengono illustrate le cause che lo avrebbero determinato. Soprattutto non si fa alcun riferimento alle prospettive future dell’azienda, che sono invece un elemento essenziale per la valutazione del merito creditizio. È importante considerare, peraltro, che situazioni analoghe a quella esaminata dall’ordinanza non sono rare nella prassi economica e numerosi sono in effetti i casi di imprese in apparente stato di crisi avanzata che sono state oggetto di ristrutturazione e rilancio, spesso con il coinvolgimento di nuovi soci, management o finanziamenti bancari. Anche per questo, la qualificazione di un’impresa come definitivamente compromessa richiederebbe un’analisi più rigorosa e completa di quella fatta dalla Corte. Nella sua ordinanza, invece, si fa riferimento solo a una «impresa decotta», utilizzando una nozione priva di definizione normativa e non ben chiarita neppure sotto il profilo economico. Si tratta, ancora una volta, di un concetto dato per presupposto, ma non adeguatamente dimostrato. Si afferma inoltre che l’unico esito possibile sarebbe stato il fallimento, ma non si spiega il perché. Analogamente, si sostiene che i nuovi finanziamenti avrebbero contribuito ad aggravare il dissesto. Anche tale affermazione appare poco convincente se rapportata ai dati disponibili. A fronte di un indebitamento complessivo pari a circa 600.000 euro, è infatti difficile capire come un finanziamento aggiuntivo di importo significativamente inferiore avrebbe potuto aggravare in modo determinante la situazione del debitore. È vero che l’utilizzo delle somme introitate per sostituire una parte di un credito chirografario con un credito assistito da garanzia pubblica avrebbe potuto ridurre il rischio per la banca, ma appare poco plausibile che questa, per ottenere un risultato di dimensioni molto limitate, abbia operato nella consapevolezza di poter subire conseguenze così drastiche come quelle delineate dall’ordinanza. L’operazione, in effetti, non avrebbe modificato in modo sostanziale né il quadro complessivo né quello dei rischi della banca né le probabilità di insolvenza dell’impresa. Non viene peraltro chiarito se e in quale misura la nuova finanza avrebbe potuto essere destinata a far fronte a esigenze di liquidità della stessa impresa. Più in generale, non risulta dimostrato il nesso secondo cui i finanziamenti avrebbero incrementato le probabilità di decozione dell’impresa. In conclusione, l’intero impianto dell’ordinanza sembra fondarsi essenzialmente sull’assunto secondo cui l’imprenditore, con il concorso della banca, avrebbe aumentato l’indebitamento al solo fine di ritardare il fallimento penalizzando quindi maggiormente i creditori, assunto non dimostrato non spiegando neppure quale sarebbe stato l’interesse effettivo a porre in essere una simile condotta. Non può escludersi, ad esempio, l’ipotesi che un differimento dell’emersione della crisi avrebbe potuto essere addirittura funzionale a tentativi di risanamento o a interventi migliorativi della situazione aziendale. Anche se tale ipotesi non fosse risultata realistica, avrebbe comunque meritato di essere presa in considerazione e valutata, quantomeno per escluderne in modo motivato la praticabilità. È questo un punto particolarmente debole nell’ordinanza della Corte, la quale non sembra aver tenuto conto del fatto che i due finanziamenti oggetto di esame – uno di circa 25.000 euro e l’altro di circa 35.000 euro – risultavano esser stati utilizzati in modo differente. Il primo appare essere stato destinato verosimilmente a soddisfare esigenze di liquidità, non puntualmente chiarite ma plausibili, mentre il secondo è stato impiegato per sostituire un debito chirografario con un debito assistito da garanzia pubblica, quindi senza determinare un incremento dell’esposizione complessiva della società. In tale contesto, l’ipotesi che il nuovo debito di 25.000 euro, l’unico che avrebbe invece contribuito a tale incremento, avrebbe potuto incidere in modo significativo sulla tempistica della dichiarazione di fallimento, o determinare un apprezzabile pregiudizio per gli altri creditori, appare quindi quantomeno discutibile. Sarebbe stato invece opportuno considerare in altro modo la vicenda, eventualmente evidenziando, sul piano civilistico, la diversa destinazione delle somme rispetto alla loro finalità dichiarata, qualora ciò fosse stato adeguatamente dimostrato. Non appare soprattutto convincente, a prescindere dalle specifiche modalità di utilizzo dei finanziamenti considerati in questa sede il ricorso a una applicazione estensiva delle norme in tema di buon costume il cui generalizzato allargamento presenterebbe profili di oggettiva complessità interpretativa. Resta il fatto che la decisione è stata adottata e che, sebbene il suo impatto concreto per il caso qui esaminato rimanga limitato, le sue implicazioni sul piano generale potrebbero risultare molto più ampie, incidendo su tutta l’attività degli intermediari finanziari e, al limite, anche delle imprese operanti in altri settori economici. È evidente che un orientamento di questo tipo, se ulteriormente sviluppato, potrebbe produrre effetti sull’economia e sulla società difficilmente prevedibili e comunque più negativi che positivi. Proprio per evitarli o ridurne l’impatto si impone in tutto il mondo economico e finanziario sempre maggiore attenzione nello svolgimento delle rispettive attività. Operazioni analoghe a quelle esaminate dalla Corte, infatti, non sono infrequenti nella prassi e, ove fossero sistematicamente sottoposte a scrutinio alla luce di una più ampia nozione di buon costume, potrebbero produrre la nullità del contratto e l’irripetibilità delle somme erogate, penalizzando fortemente l’attività delle imprese finanziarie e di altra natura. Ciò che si può temere è quindi che la nuova interpretazione del buon costume induca i giudici ad estendere le loro sentenze non solo alle operazioni come quelle analizzate dalla Corte, ma anche ad altre attività finanziarie ed economiche.
3. Settore finanziario e IA
Una comprensione dei rischi legati all’adozione crescente dell’IA è essenziale, in particolare nel settore finanziario, nel quale la sua rapida integrazione mira ad aumentare l’efficienza in attività quali il trading, la valutazione del credito, la concessione di prestiti, il rilevamento di frodi e l’organizzazione operativa. Se tali miglioramenti sono indubbiamente positivi, essi si accompagnano anche a nuove criticità, tra cui una ridotta trasparenza dei risultati dei modelli e l’emergere di potenziali rischi sistemici, che richiedono particolare attenzione da parte delle autorità di controllo. Un recentissimo rapporto dell’OCSE, promosso dalla Banca d’Italia con il contributo della Commissione europea, presenta una vasta gamma di considerazioni volte a promuovere un uso responsabile dell’IA (OECD, 2026b). Un aspetto centrale riguarda l’uso di modelli induttivi, come quelli di machine learning, che possono incorporare distorsioni non adeguatamente corrette durante le fasi di addestramento degli algoritmi. Ciò può tradursi in decisioni imprecise e scorrette, ad esempio nelle valutazioni di affidabilità creditizia. Inoltre, l’impiego di algoritmi tra loro simili, addestrati su banche dati poco differenziate, può generare una forte correlazione tra i modelli stessi. In tali condizioni, sistemi apparentemente indipendenti possono reagire simultaneamente e in modo imprevedibile, aumentando il rischio di crisi improvvise nei mercati finanziari. Attualmente, tuttavia, le istituzioni finanziarie mostrano ancora prudenza riguardo a un’adozione generalizzata degli LLM e degli agenti basati sull’IA, mentre in diversi paesi vengono introdotte specifiche normative «proattive». Secondo un’indagine condotta dall’OCSE, così come nelle valutazioni del Financial Stability Institute della BRI, i rischi associati all’uso dell’IA nel settore finanziario risultano in buona misura coperti dagli attuali assetti regolamentari e dalle linee guida nazionali (OECD, 2024a; Crisanto et al., 2024). Tuttavia, alla luce degli sviluppi della GenAI è opportuno aggiornare la regolamentazione per allinearla ai principi generali di governance dell’IA, come già stanno facendo alcuni paesi con normative specifiche e chiarimenti in materia di vigilanza. Ciò potrebbe includere requisiti di maggiore interpretabilità dei modelli, l’esecuzione di stress test per valutare le vulnerabilità specifiche dell’IA e l’introduzione di garanzie di supervisione e un coinvolgimento umano nei processi decisionali che incidono sul benessere e sulla stabilità. Pubblicazioni dell’OCSE (OECD, 2024a, 2026a) e della BRI (Aldasoro, Gambacorta et al., 2024) offrono, a questo riguardo, utili panoramiche. Nel lavoro della BRI si osserva, in particolare, che i diversi approcci regolamentari oggi in vigore negli Stati Uniti («guidati dal mercato»), nell’Unione europea («guidati dai diritti») e in Cina («guidata dallo Stato») non sono necessariamente in contrasto tra loro. Anzi, viene sostenuta – forse con un certo ottimismo alla luce degli sviluppi correnti – la possibilità di una loro convergenza verso principi comuni. In ogni caso, bisogna accrescere il grado di collaborazione strutturale tra le autorità responsabili della supervisione dei servizi basati sull’IA. Per ridurre i costi della «eterogeneità giuridica globale» in sistemi finanziari interconnessi, risulta quantomeno necessario uno scambio sistematico di esperienze tra autorità nazionali e sovranazionali (Borgogno e Perrazzelli, 2025). Parallelamente, l’uso dell’IA si sta diffondendo anche nell’ambito della supervisione finanziaria e nelle banche centrali (BIS, 2024). Oltre all’esigenza di un solido quadro di governance interna (BIS, 2025; IFC, 2025), l’IA viene già impiegata «per migliorare le capacità interne di supervisione e ottenere una maggiore comprensione dei rischi affrontati dalle banche vigilate che, a loro volta, adottano l’IA» (McCaul, 2024). Studi recenti evidenziano benefici concreti, ad esempio nella gestione della reportistica regolamentare e nell’analisi delle problematiche di vigilanza (Benedetto et al., 2025, e Licari et al., 2025). La capacità di esaminare ed elaborare grandi quantità di dati, anche tramite l’uso di IA su dispositivi locali (edgeAI), può rafforzare l’efficacia e la tempestività degli interventi microprudenziali. Esperienze analoghe emergono anche al di fuori delle banche centrali, come dimostrano studi dell’Autorità di mercato italiana (Deriu e Racioppi, 2025) e analisi sul possibile impatto della GenAI nel rapporto tra amministrazione finanziaria e contribuenti (Ricotti e Castiglia, 2025). Con l’adozione sempre più diffusa degli LLM da parte delle istituzioni finanziarie, diventa cruciale assicurare che il loro comportamento sia conforme ai principi legali ed etici. È necessaria una supervisione umana capace di gestire il rischio di «allucinazioni» dei modelli e di garantire l’allineamento ai requisiti normativi. Ricerche recenti mostrano infatti che, in presenza di decisioni finanziarie con implicazioni legali, gli LLM possono comportarsi in modo inappropriato, poiché «incentivi interni opachi possono interferire con le istruzioni umane» (Biancotti et al., 2025), generando comportamenti non etici a vantaggio dell’impresa e a danno dei clienti. Infine, bisogna considerare quale sia il ruolo potenziale dell’IA nel mantenimento della stabilità finanziaria a livello sistemico e nelle politiche macroprudenziali. Sebbene l’IA, basata su insiemi estremamente ampi di dati, possa favorire l’analisi, le grandi crisi finanziarie restano eventi discreti e difficili da prevedere. Anche in futuro, la prevenzione delle crisi richiederà solide capacità analitiche e deduttive. Nel frattempo, le Autorità di controllo dovranno concentrarsi sull’evitare fallimenti sincronizzati derivanti dalla correlazione tra modelli di IA e dal comportamento gregario indotto dagli algoritmi.
4. IA e politiche macroeconomiche
Passando a considerare la valutazione dell’impatto macroeconomico dell’IA, va sottolineato fin dall’inizio come essa sia tutt’altro che semplice, soprattutto con riferimento al breve-medio periodo. Produzione, occupazione e prezzi dipenderanno infatti dalla velocità e dalle modalità di diffusione dell’IA nell’economia, dalle scelte delle imprese nell’adottarla e dagli effetti che essa avrà sui consumi delle famiglie. Anche gli scambi internazionali di beni e servizi ne risentiranno in modo significativo, con esiti complessivi incerti. In questo quadro è fondamentale interrogarsi su come i benefici aggregati dell’IA saranno distribuiti e quali rischi dovranno essere mitigati. Proprio il riconoscimento di una sostanziale incertezza sull’impatto complessivo dell’IA e sulla sua distribuzione nel tempo giustifica la raccomandazione ai responsabili politici di prepararsi in anticipo, per essere pronti a intervenire con strumenti adeguati. In questa prospettiva, diversi studiosi e istituzioni stanno elaborando scenari alternativi su come politiche fiscali e monetarie potrebbero operare in contesti molto diversi da quelli attuali. L’esperienza dell’elevata inflazione successiva alla pandemia di Covid-19 ha già messo in luce cambiamenti rilevanti nelle relazioni macroeconomiche tradizio nali (Visco, 2024). La dinamica salariale, ad esempio, è stata dominata dai rapidi aggiustamenti dei prezzi – a «salari dati» – in risposta ai forti shock sui costi delle materie prime e dei beni intermedi. Questo suggerisce che alcune regolarità su cui si sono a lungo basate le politiche di stabilizzazione potrebbero dover essere riconsiderate. Concetti come il tasso «naturale» di disoccupazione o NAIRU e indicatori quali il tasso di interesse “naturale” o «neutrale» – già di per sé non osservabili e teoricamente controversi – risultano oggi di difficile applicazione pratica alla luce dei cambiamenti nei mercati del lavoro e nella produttività indotti dall’IA. I meccanismi di trasmissione delle politiche macroeconomiche saranno inoltre messi alla prova, con possibili conseguenze quali una maggiore flessibilità dei prezzi, una riduzione del potere contrattuale dei lavoratori e un indebolimento del canale dei bilanci bancari (Hartmann e Maver, 2025). Ne deriva la necessità di riesaminare anche l’interazione tra politica monetaria e politica fiscale e le forme del loro possibile coordinamento. Dal punto di vista teorico, gli aumenti di produttività generati dall’IA dovrebbero stimolare sia l’offerta aggregata sia la domanda di consumi e investimenti. Gli effetti sulla dinamica dei prezzi dipenderanno però dalle aspettative di famiglie e imprese: quanto più queste fossero imperfette, tanto più l’impatto iniziale potrebbe risultare in una moderazione dell’inflazione; quanto più, invece, gli aumenti di produttività venissero correttamente anticipati, tanto più l’effetto inflazionistico potrebbe risultare marcato, nel breve come nel lungo periodo (Aldasoro, Doerr et al., 2024). Strumenti e indicatori di analisi macroeconomica sono chiamati a evolversi (Cipollone, 2024). Già oggi si fa ampio uso del nowcasting, basato su machine learning e dati ad alta frequenza, per stimare in tempo reale l’andamento di produzione, occupazione e inflazione, mentre cresce la letteratura sulle capacità previsive degli LLM. Le applicazioni di IA saranno sempre più impiegate per migliorare le previsioni, raccogliere informazioni sul comportamento degli agenti economici e monitorare shock sui costi e sull’offerta. Tuttavia, rimane cruciale la necessità di interpretare e spiegare i risultati prodotti con l’utilizzo di applicazioni di IA: le decisioni di politica economica non possono fondarsi su risultati prodotti da «scatole nere» di cui non si comprendano le determinanti. Nonostante il rapido progresso della ricerca, non è realistico aspettarsi, almeno in tempi relativamente brevi, spiegazioni trasparenti fornite direttamente dai modelli di GenAI, anche perché quelli più usati non sono open source e comunque le complessità tecniche nel ricostruire nessi causali univoci appaiono ancora difficili da superare. Una possibile alternativa consiste nel tentare di replicarne i risultati in modo controfattuale, sulla base di una teoria economica coerente. Resta però il dilemma di come conciliare l’uso di modelli black box con eventuali successi previsionali, tenendo comunque sempre presente il problema di David Hume sull’induzione (Hume, 1748) e le critiche, ben note agli economisti, del measurement without theory (Koopmans, 1947). Si pongono inoltre rilevanti problemi di misurazione. Come interpretare l’inflazione se l’IA provoca drastici cali di prezzo in alcuni settori e forti aumenti salariali in altri? Diventa centrale la corretta valutazione del capitale intangibile – sistemi informativi, proprietà intellettuale, database, conoscenze del personale – per misurare l’impatto dell’IA su produttività, investimenti e decisioni d’impresa (Corrado et al., 2022). Tutto ciò avrà conseguenze significative anche sull’organizzazione del lavoro, con mansioni tradizionali che verranno sostituite, trasformate o integrate. Infine, ritornando alle osservazioni di Keynes, Meade e Leontief, possiamo ricordare la riflessione di Tony Atkinson, secondo cui «la direzione del cambiamento tecnologico dovrebbe essere una preoccupazione esplicita di coloro che hanno responsabilità politiche, i quali dovrebbero incoraggiare l’innovazione in una forma che aumenti le possibilità di occupazione dei lavoratori e sottolinei la dimensione umana della fornitura di servizi» (Atkinson, 2014). Analogamente, si è ancor più di recente sottolineato che «l’intelligenza artificiale generativa avrà sicuramente un impatto sulla disuguaglianza, ma la natura di tale effetto dipenderà dal modo in cui questa tecnologia verrà sviluppata e applicata. … L’obiettivo è creare e sostenere nuovi compiti professionali e nuove competenze per i lavoratori. … Le politiche pubbliche hanno un ruolo centrale nel promuovere questo percorso positivo della tecnologia» (Acemoglu, Autor e Johnson, 2023). La questione distributiva, insieme all’elevata concentrazione dei mercati dei servizi di IA, emerge così come uno dei nodi centrali per lo sviluppo economico futuro.
5. Disuguaglianza, domanda e concorrenza
L’IA – e in particolare la GenAI – si innesta su una straordinaria traiettoria tecnologica di lungo periodo che parte dal PC, viene accelerata da Internet e rafforzata da smartphone, digitalizzazione e automazione. Di conseguenza stiamo assistendo all’accelerazione di una tendenza ultradecennale: lo spostamento di reddito e potere dal lavoro al capitale e la redistribuzione della ricchezza dai molti ai pochi. In questo quadro, l’IA agisce come potente fattore di amplificazione di dinamiche già in atto. In ultima analisi, l’IA premia infatti il possesso di dati, infrastrutture e modelli. Favorisce i lavoratori altamente qualificati, mentre tende a sostituire non solo le attività di routine ma anche quelle a qualificazione media, incluse molte di natura cognitiva. Anche in assenza di una disoccupazione di massa, il risultato osservabile è una crescente polarizzazione: un aumento dei posti di lavoro altamente retribuiti per gruppi ristretti di individui, accompagnato dalla stagnazione o dalla riduzione dei salari per la maggioranza. Questo sviluppo è coerente con le preoccupazioni espresse da Atkinson e produce ulteriori conseguenze macroeconomiche. Quando il reddito si concentra nelle mani di soggetti con una maggiore propensione al risparmio, la domanda aggregata tende infatti a indebolirsi, con effetti negativi su consumi e investimenti. Il maggiore ricorso all’indebitamento privato o ai sussidi pubblici, pur rappresentando una risposta alla perdita di dinamismo economico, rischierebbe di condurre verso una trappola di bassa crescita e alti tassi di interesse. Non si tratta solo di una preoccupazione teorica. Ve ne è evidenza empirica nei cambiamenti della struttura dei consumi, nelle difficoltà di una ripresa ordinata dalle recessioni e nel divario crescente tra produttività e crescita salariale. È particolarmente significativo che tali tendenze si siano manifestate quando l’IA non aveva ancora raggiunto il suo attuale livello di sviluppo. Sebbene sia ancora dibattuta la possibilità che la GenAI riduca la disuguaglianza all’interno delle singole professioni, l’evidenza accumulata porta a concludere che aumenterà le disuguaglianze tra di esse (Filippucci et al., 2024; Cazzaniga et al., 2024). Anche in uno scenario senza disoccupazione di massa, l’esito più probabile sarebbe un’ulteriore riduzione della quota del lavoro sul valore aggiunto, accompagnata da uno spostamento verso lavori meno retribuiti e da una diminuzione dei salari reali medi. Questo avverrebbe nonostante l’aumento medio della produttività. L’eventuale incremento dei salari relativi nei lavori meno «sostituibili» dall’IA – effetto messo in luce da William Baumol negli anni Sessanta e da lui stesso ripreso con riferimento ai grandi progressi dell’informatica (Baumol, 2012; Aghion, Jones e Jones, 2019) – potrebbe essere più che compensato, per quelli di qualità inferiore e meno retribuiti, dalla maggiore offerta di lavoro che sarebbe per la maggior parte indirizzata verso di essi. Ne deriva la necessità di accrescere l’adattabilità a lavorare «con» l’IA (Manning e Aguirre, 2026): a uno sviluppo di tali competenze corrisponderebbe una crescita salariale; al momento l’evidenza disponibile suggerisce comunque che i benefici per lavoratori con competenze più elevate e per quelli con competenze minori rafforzerebbero la polarizzazione, con una riduzione ulteriore della classe con redditi medi (Jaumotte et al., 2026). Guardando al futuro, alcune analisi preliminari condotte sugli Stati Uniti indicano che l’adattabilità all’uso della GenAI potrebbe accrescere la produttività – e quindi le retribuzioni – dei lavoratori già occupati ma con minore esperienza e competenze mediobasse, per i quali l’IA sarebbe quindi uno strumento complementare; lo stesso non sembrerebbe valere per quelli con competenze medio-alte (Brynjolfsson, Li e Raymond, 2025). Uno studio ancor più recente segnala però che i più colpiti potrebbero essere i giovani in cerca di occupazione con minori competenze, per i quali l’IA sarebbe decisamente un sostituto; questa eterogeneità rafforza la necessità di politiche mirate (Brynjolfsson, Chandler e Chen, 2025). Per contrastare tali tendenze, le politiche raccomandate includono il rafforzamento dei sistemi di protezione sociale, l’ampliamento delle politiche attive del lavoro, la riduzione e la maggiore flessibilità degli orari di lavoro, il miglioramento dell’istruzione e programmi di riqualificazione professionale. Ci sarà certo bisogno di nuove competenze, ma occorrerà distinguere tra specializzazione e apprendimento. Da un lato, per chi opera direttamente nello sviluppo dell’IA, la specializzazione nelle discipline STEM (science, technology, engineering and mathematics) resta imprescindibile. Dall’altro, come è stato recentemente osservato: «A scuola ciò che conta è imparare a imparare … [Sarà quindi necessario] acquisire conoscenze generali nel campo delle discipline STEAM, dove la A sta per arti [le discipline umanistiche e sociali] … L’apprendimento permanente diventerà più importante che mai» (Pissarides, 2025). Accanto agli interventi sul capitale umano, vengono inoltre proposte misure fiscali, volte a ridurre gli incentivi alla sostituzione del lavoro e a incrementare la tassazione dei redditi da capitale, in tendenziale diminuzione a scapito di quelli da lavoro (Brollo et al., 2024). Questo approccio risponderebbe anche all’esigenza di proteggere la base imponibile, tenuto conto del previsto calo della quota relativa a questi ultimi. La concentrazione del reddito e della ricchezza, così come il crescente predominio del capitale – oggi rappresentato anche da macchine virtuali e infrastrutture quali, in particolare, i centri di calcolo – sul lavoro, non solleva soltanto problemi distributivi ma incide direttamente sulla domanda aggregata. A parte le questioni di equità distributiva legate al fatto che i frutti del progresso tecnico e l’aumento di produttività che ne consegue andrebbero soprattutto a beneficio di un numero ristretto di soggetti, in particolare dei proprietari e dei dipendenti delle imprese tecnologiche dominanti, un ulteriore problema è, infatti, che tali frutti possono realizzarsi solo in presenza di una domanda effettiva sufficientemente elevata. Si pone così una questione macroeconomica fondamentale: per produrre e vendere i beni e i servizi del futuro, reddito, lavoro e proprietà delle imprese devono essere ampiamente distribuiti nella popolazione. In altri termini, affinché l’enorme aumento dell’offerta previsto da alcuni analisti si traduca in crescita effettiva, i consumatori devono essere in grado di generare la domanda necessaria. In questo contesto finirebbe per essere problematico lo stesso finanziamento della «macchina dello Stato», quello «minimo» come, e ancor più, quello «sociale»; di qui le proposte di interventi per l’allargamento prima e la sostituzione poi delle basi imponibili (V. Visco, 2019; Korinek e Lockwood, 2026); riemergono inoltre proposte come la partecipazione agli utili e l’introduzione di un reddito di base universale. Ci si può certo chiedere quali imprese siano quelle i cui profitti dovrebbero essere condivisi e da quali fonti possa essere finanziato il reddito di base. Un’ipotesi più radicale sarebbe quella di redistribuire i diritti di proprietà, creando così un diritto al reddito sotto forma di dividendi. Tale meccanismo sostituirebbe o integrerebbe i redditi da lavoro in declino. In ogni caso, emerge la necessità di agire per tempo, senza attendere che l’incertezza sui guadagni di produttività generati dall’IA si dissolva. A questo riguardo, nonostante le differenze nelle stime degli effetti dell’IA, sembra esserci un ampio consenso sul fatto che «l’IA può ostacolare la crescita se combinata con una politica di concorrenza inadeguata» (Aghion, Antonin e Bunel, 2019). Non a caso, il miglioramento della concorrenza nel Generative AI Technology Stack è stato il tema centrale del vertice del G7 sulla concorrenza del 2024 (AGCM, 2024). L’opinione prevalente è che i mercati dell’IA siano intrinsecamente inclini alla concentrazione, soprattutto a causa dei costi di scalabilità e di calcolo. Negli Stati Uniti, che dominano il settore rispetto all’Unione europea (Bergeaud, 2024; Draghi, 2024) e superano anche la Cina in termini di investimenti, i servizi fondamentali e le innovazioni sono fortemente concentrati. Un numero ristretto di imprese – le «Magnifiche Sette», ovvero le più grandi società tecnologiche statunitensi (Alphabet/Google, Amazon, Apple, Meta/Facebook, Microsoft, Nvidia, Tesla), il cui valore è cresciuto fino a rappresentare oggi circa un terzo della capitalizzazione complessiva di borsa (da un ottavo una decina di anni fa), e poche altre – controlla le infrastrutture, definisce gli standard e influenza la direzione stessa dell’innovazione. Queste imprese hanno dominato il mercato azionario americano negli ultimi dieci anni, con rendimenti medi annui prossimi al 40%, contro circa l’8% delle altre grandi società (Visco, 2026a). Nel periodo successivo alla crisi finanziaria globale (2010- 2025), i prezzi delle azioni statunitensi (di cui circa il 30% è di proprietà di non residenti) sono cresciuti di quasi il 450%, trainati dal settore tecnologico (con un incremento di ben oltre il 3.000% per le Magnifiche Sette). Questo boom è alla base del peggioramento della posizione patrimoniale netta sull’estero degli Stati Uniti, arrivata al 90% del Pil. Sebbene ciò possa essere interpretato come un segnale di forza legato a innovazione e investimenti intangibili, questi eccezionali rendimenti riflettono in tutta probabilità anche l’aumento del potere di mercato e di profitti di natura monopolistica, con una conseguente perdita di benessere sociale (Atkeson, Heathcote e Perri, 2025). Queste imprese, forti di un notevole potere economico e politico, pianificano investimenti in IA di entità straordinariamente elevata, con stime che superano, per il 2027, i mille miliardi di dollari (Burns, 2026). Esse controllano una quota ampia e diversificata dell’ecosistema dell’IA, ponendo barriere all’ingresso di potenziali nuovi operatori. Inoltre, dispongono di una straordinaria concentrazione di conoscenze, internalizzando la maggior parte della ricerca condotta con gli scienziati accademici (Pacchioni, 2025), ben lontano quindi dalla «scienza aperta» che favorirebbe ulteriori innovazioni scientifiche e tecniche. Il rischio maggiore potrebbe finire per essere il restringimento dell’ecosistema dell’innovazione. A questo riguardo, risultano illuminanti le parole, oltre un secolo fa, dell’economista Frank Knight, fautore del libero mercato e uno dei padri fondatori della «scuola di Chicago»: «Nessun errore è più grave di quello di confondere la libertà con la libera concorrenza… I membri di qualsiasi gruppo economico possono sempre guadagnare di più accordandosi tra loro piuttosto che facendosi concorrenza. … Il funzionamento della concorrenza educa progressivamente gli uomini al monopolio» (Knight, 1923). Infine, vi sono indicazioni che, grazie ai modelli open source e a varie innovazioni tecnologiche, sarà possibile ridurre i costi di calcolo e quelli energetici, che determinano le esigenze di scalabilità, attenuando così la concentrazione e incentivando la concorrenza (Brynjolfsson e Unger, 2023). Tuttavia, ciò difficilmente varrà per i segmenti dominati da pochi operatori nei servizi cloud e nell’hardware critico delle unità di elaborazione grafica, GPU (Hagiu e Wright, 2025). Ne conseguirebbe la necessità di adattare le politiche di concorrenza, negli Stati Uniti come altrove, per aggiornare le strutture antitrust per i mercati digitali (con incertezze oggi molto elevate date le diverse visioni e i diversi regimi normativi prevalenti nelle principali regioni del mondo), prendere in considerazione norme sulla condivisione dei dati e sull’interoperabilità e valutare se, dove e come investire in infrastrutture pubbliche di IA.
6. Cooperazione internazionale e conclusioni
Infine, con riferimento a una dimensione internazionale, l’IA è una tecnologia di uso generale con implicazioni globali (Acocella, 2026), ma destinata a svilupparsi in un contesto storico segnato dalla frammentazione più che dalla convergenza (Visco, 2026b). L’idea, diffusa dopo la fine della guerra fredda, secondo cui l’apertura dei mercati globali e la rivoluzione delle ICT avrebbero portato a una prosperità condivisa e a un rafforzamento del multilateralismo è ormai superata. Oggi il panorama geopolitico è multipolare e diffidenza e contese sono in aumento, proprio in un momento in cui la cooperazione sarebbe più necessaria che mai: le grandi sfide globali, quali il cambiamento climatico, le pandemie, le disuguaglianze, lo sviluppo tecnologico, non possono che richiedere risposte collettive. L’IA, come per Internet e il cloud, è una tecnologia che non origina in Europa, su cui nell’Unione europea troppo poco si investe. Il divario non riguarda soltanto il confronto con il grande capitale monopolistico americano, ma anche con quello, di Stato, cinese. L’ampio disavanzo europeo nel settore dei servizi della bilancia dei pagamenti riflette soprattutto i costi legati all’uso di proprietà intellettuale ed è associato a investimenti in ricerca e sviluppo (R&S) non solo non destinati a tecnologie di uso generale, ma anche, in complesso e in percentuale del Pil, di oltre un punto inferiori a quelli degli Stati Uniti (2,3% contro 3,4%); questi investimenti sono inoltre minori anche di quelli della Cina, oggi al 2,8%, su questo fronte sempre più attiva e che pure investiva in R&S meno dell’1% del Pil nel 2000 (quando esso era, in termini reali, un settimo del livello odierno). Non è questa l’occasione per discutere dei ritardi europei in questo ambito, e di quelli dell’Italia in Europa. Molto si può fare, incoraggiando la costituzione e la crescita di startup innovative, riducendo gli ostacoli a una effettiva unione dei mercati dei capitali, costituendo a livello europeo – sulla falsariga della DARPA americana che, pur se incentrata sulla sicurezza nazionale, ha prodotto innovazioni di fondamentale rilievo anche a livello civile – agenzie specificamente dedicate alla ricerca e all’innovazione tecnologica, e considerando con particolare attenzione le autorevoli proposte di fondare un «centro europeo» per l’IA (Accademia Nazionale dei Lincei, 2026). Tuttavia, per un periodo non breve l’Europa resterà fortemente dipendente dall’estero, in particolare dalle grandi imprese tecnologiche americane. La priorità diventa quindi duplice: da un lato, ridurre una dipendenza certamente eccessiva; dall’altro, rafforzare la collaborazione e lo sforzo cooperativo necessari per far fronte a rischi di natura spesso sovranazionale. Nell’ambito dell’IA, i confini nazionali risultano infatti sempre meno rilevanti. Sistemi addestrati in una giurisdizione possono produrre effetti sui mercati del lavoro, sugli ecosistemi informativi e sui flussi finanziari in un’altra. Politiche di concorrenza non coordinate favoriscono l’arbitraggio normativo e incidono sulla raccolta fiscale; standard di sicurezza divergenti e controlli sulle esportazioni possono innescare una corsa alla supremazia tecnologica che coinvolge non solo obiettivi di sicurezza, ma anche infrastrutture di calcolo e concentrazione dei capitali. Inoltre, se modelli di base (foundation models) addestrati su dati che riflettono specifici pregiudizi culturali o economici dovessero dominare il panorama globale dell’IA, potrebbero approfondirsi le divergenze politiche, emergere nuove divisioni e aprirsi gravi divari economici. La rivalità strategica tra grandi potenze, le visioni divergenti sulla sovranità digitale e il rafforzamento del nazionalismo economico rendono particolarmente difficile l’allineamento internazionale. In un contesto in cui la cooperazione è ridotta ai minimi termini, ci si deve chiedere come rispondere alle sfide globali comuni. Un approccio potrebbe essere quello di individuare aree specifiche per le quali è evidente l’interesse reciproco e la cooperazione sia quindi ancora possibile. Queste aree potrebbero includere: lo sviluppo di principi condivisi sull’uso dell’IA nel settore finanziario, caratterizzato da forti interconnessioni transfrontaliere; il coordinamento dei regimi di governance dei dati nei commerci e nei mercati dei capitali; il monitoraggio degli impatti economici dell’IA attraverso istituzioni multilaterali, sul modello della sorveglianza macroeconomica e dell’assistenza allo sviluppo svolte dagli organismi finanziari internazionali. In particolare, andrebbe riconosciuto che l’IA non deve esacerbare le divisioni globali, cosa che potrebbe accadere in assenza di una cooperazione efficace; i responsabili delle politiche economiche dovrebbero convenire che è nell’interesse di tutti contribuire a prevenire questo risultato, sia con la regolamentazione a livello nazionale, sia impegnandosi direttamente a livello internazionale. L’era dell’Intelligenza artificiale metterà alla prova le nostre ipotesi economiche, gli strumenti di politica economica, la legittimità delle istituzioni; costringerà a chiederci che tipo di economia e di mondo stiamo creando. Non c’è motivo per cui un mondo basato su equità, adattabilità e progresso condiviso non debba essere preferito, anche sul piano della crescita economica, a uno guidato dall’estrazione di rendite e dalla concentrazione della ricchezza. Gli economisti più consapevoli e informati dovrebbero svolgere un ruolo maggiore nel chiarire questo ai leader e all’opinione pubblica. Gli ostacoli sono numerosi: a difesa dello status quo vi sono potenti interessi acquisiti e una miopia preconcetta da parte di coloro che vedono i benefici dell’IA continuare ad accumularsi a favore di una minoranza della popolazione. Si tratta, tuttavia, di un obiettivo che deve essere perseguito.
Bibliografia
Accademia Nazionale dei Lincei (2026), L’Accademia dei Lincei e il Ministero dell’Università e della Ricerca promuovono un polo d’eccellenza europeo per l’intelligenza artificiale, Comunicato stampa, 2 marzo.
Acemoglu D. (2025), «The Simple Macroeconomics of AI», in Economic Policy, 40(121).
Acemoglu D., Autor D., Johnson S. (2023), Can We Have Pro-Worker AI? Choosing a Path of Machine in Service of Minds, CEPR Policy Insight, 123.
Acocella N. (2026), The Economics of Globalization and Artifical Intelligence, Palgrave Macmillan, Cham.
Aghion P., Antonin C., Bunel S. (2019), «Artificial Intelligence, Growth and Employment: The Role of Policy», in Economie et Statistique / Economics and Statistics, 510-511-512.
Aghion P., Bunel S. (2024), AI and Growth: Where Do We Stand?, mimeo, June.
Aghion P., Jones B.F, Jones, C.I. (2019), «Artificial Intelligence and Economic Growth», in A. Agrawal, J. Gans, A. Goldfarb, The Economics of Artificial Intelligence: An Agenda, The University of Chicago Press, Chicago.
Aldasoro I., Doerr S., Gambacorta L., Rees D. (2024), The Impact of Artificial Intelligence on Output and Inflation, BIS Working Paper 1179.
Aldasoro I., Gambacorta L., Korinek A., Shreeti V., Stein M. (2024), Intelligent Financial Systems: How Artificial Intelligence Is Transforming Finance, BIS Working Paper 1194.
Atkeson A., Heathcote J., Perri F. (2025), «The End Of Privilege: A Reexamination Of The Net Foreign Position of the United States», in American Economic Review, 115(7). Atkinson A.B. (2014), «After Piketty», in British Journal of Sociology, 65(4).
Autorità Garante della Concorrenza e del Mercato (AGCM) (2024), Competition in the Artificial Intelligence Tech Stack, rapporto preparato per il G7 Italia, Roma.
BIS (2024), Artificial Intelligence and the Economy: Implications for Central Banks, Annual Economic Report 2024, Basel, June, Chapter III.
– (2025), The Use of Artificial Intelligence for Policy Purposes, Report submitted to the G20 Finance Ministers and Central Bank Governors, Basel, October.
Baumol W.J. (2012), The Cost Disease. Why Computers Get Cheaper and Health Care Doesn’t, Yale University Press, New Haven.
Benedetto C., Crestini S., De Gregorio A., De Leonardis M., Del Monaco A. Gulino D., Massaro P., Monacelli F., Rubeo L. (2025), L’applicazione dell’intelligenza artificiale in Banca d’Italia a supporto della gestione delle segnalazioni regolamentari, Banca d’Italia, Questioni di economia e finanza, 927, aprile.
Bergeaud A. (2024), The Past, Present and Future of European Productivity, ECB Forum on Central Banking, Sintra, June.
Biancotti C., Camassa C., Coletta A., Giudice O., Glielmo A. (2025), Chat Bankman-Frieed? An Explanation of LLM Alignment in Finance, Banca d’Italia, Mercati e Sistemi di pagamento, 58, maggio.
Borgogno O., Perrazzelli A. (2025), From Principles to Practice: The Case for Coordinated International LLMs supervision, Cambridge Forum on AI: Law and Governance, 1, e13.
Brollo F., Dabla-Norris E., de Mooij R., Garcia-Marcia D., Hanappi T., Liu L., Nguyen A.D.M. (2024), Broadening the Gains from Generative IA: The Role of Fiscal Policies, IMF Staff Discussion Note, 2024/002, June.
Brynjolfsson E., Unger N. (2023), The Macroeconomics of Artificial Intelligence, IMF Finance & Development, December.
Brynjolfsson E., Li D., Raymond L. (2025), «Generative AI at Work», in Quarterly Journal of Economics, 140(2).
Brynjolfsson E., Chandler E.B., Chen R. (2025), Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence, Stanford Digital Economy Lab Working Paper, August.
Burns T. (2026), AI Boom: Big Tech Capital Expenditures Seen Topping $1 Trillion in 2027, CNBC, April 30.
Cazzaniga M., Jaumotte F., Li L., Melina G., Panton A.J., Pizzinelli C., Rockall E., Tavares M.M. (2024), Gen-AI: Artificial Intelligence and the Future of Work, IMF Staff Discussion Note, 2024/001, January.
Cipollone P. (2024), Artificial Intelligence: A Central Bank’s View, Keynote speech, Quindicesima Conferenza Nazionale di Statistica, Istat, luglio.
Corrado C., Haske J., Jona-Lasinio C., Immi M. (2022), «Intangible Capital and Modern Economies», in Journal of Economic Perspectives, 36(3).
Crisanto C., Leuterio C.B., Prenio J., Yong J. (2024), Regulating AI in the Financial Sector: Recent Developments and Main Challenges, BIS, FSI Insights on policy implementation, 63, December.
Deriu P, Racioppi S. (2025), Riflessioni in tema di intelligenza artificiale e attività di vigilanza, Consob, Quaderni FinTech 15, agosto.
Draghi M. (2024), The Future of European Competitiveness, European Commission, Brussels, September.
Filippucci F., Gal P., Jona-Lasinio C., Leandro A., Nicoletti G. (2024), The Impact of Artificial Intelligence on Productivity, Distribution and Growth: Key Mechanism, Initial Evidence and Policy Challenges, OECD Artificial Intelligence Papers, 15, April.
Filippucci F., Gal P., Laengle K., Schief M. (2025), Macroeconomic Productivity Gains from Artificial Intelligence in G7 Countries, OECD Artificial Intelligence Papers, 41, June.
Frost J., Rishabh K, Shreeti V. (2026), «Global Giants in the AI Supply Chain», in BIS Bulletin, 122, February.
Hagiu A., Wright J. (2025), «Artificial Intelligence and Competition Po licy», in International Journal of Industrial Organization, 103, Part A.
Hartmann P., Maver V. (2025), Implications of Artificial Intelligence for Monetary Policy – A First Conceptual Assessment, SUERF Policy Brief, 1080, January.
Hume D. (1748), An Enquiry Concerning Human Understanding (ed. it. Ricerca sull’intelletto umano, Laterza, Roma-Bari, 2010).
Irving Fisher Committee on Central Bank Statistics (IFC) (2025), Governance and Implementation of Artificial Intelligence in Central Banks, IFC Report 18, BIS, Basel, April.
Jaumotte F., Kim J., Koll D., Li E.Z., Li L., Melian G., Song A., Tavares M.M. (2026), Bridging Skill Gaps for the Future: New Jobs Creation in the AI Age, IMF Staff Discussion Note, 2026/001, January.
Jones C.I. (2026), «A.I. and Our Economic Future», in Journal of Economic Perspectives, draft, Version 1.0, January 15.
Keynes J.M. (1931); «The Economic Possibilities for Our Grandchildren», in Essays in Persuasion, MacMillan, London (ed. it., in J.M. Keynes, Possibilità economiche dei nostri nipoti, seguito da G. Rossi, Possibilità economiche dei nostri nipoti?, Adelphi, Milano, 2009).
Knight F.H. (1923), «The Ethics of Competition», in Quarterly Journal of Economics, 37(4).
Koopmans T.C. (1947), «Measurement without Theory», in Review of Economics and Statistics, 29(3).
Korinek A., Lockwood L.M. (2026), Public Finance in the Age of AI: A Primer, Working paper, Brookings Center on Regulation and Markets, January.
Leontief W. (1983), «The New New Age That’s Coming Is Already Here», in Bottom Lane/Personal, 4, 8.
Licari D., Benedetto C., Bovi D., Bushipaka P., De Gregorio A., De Leonardis M., Cucinotta T. (2025), A Novel Multi-Step-Prompt Approach for LLM-based Q&As on Banking Supervisory Regulations, Banca d’Italia, Questioni di economia e finanza, 935, aprile.
Manning S.J, Aguirre T. (2026), How Adaptable Are American Workers to AI-Induced Job Displacement, NBER Working Paper 34705, January.
McCaul E. (2024), «Des donnés au decisions», in Revue Banque, 890, Mars.
Meade J.E. (1965), Efficiency, Equality and the Ownership of Property, Allen & Unwin, London.
Nilsson N. (1984), «Artificial Intelligence, Employment and Income», in AI Magazine, 5(2).
Occorsio E., Scarpetta S. (2022), Un mondo diviso, Laterza, Bari-Roma.
OECD (2001), The New Economy Beyond the Hype, OECD Publishing, Paris.
– (2003), The Sources of Economic Growth in OECD Countries, OECD Publishing, Paris.
– (2024a), Regulatory Approaches to Artificial Intelligence in Finance, OECD Artificial Intelligence Papers, 24, September.
– (2024b), Assessing Potential Future Artificial Intelligence Risks, Benefits and Policy Imperatives, OECD Artificial Intelligence Papers, 27, November.
– (2025), Steering AI’s Future: Strategies for Anticipatory Governance, OECD Artificial Intelligence Papers, 32, February.
– (2026a), Supervision of Artificial Intelligence in Finance, OECD Artificial Intelligence Papers, 54, January.
– (2026b), AI in Italian Financial Markets, OECD Publishing, Paris.
Pacchioni (2025), Scienza chiara, scienza oscura, il Mulino, Bologna.
Parisi G. (2026), Le simmetrie nascoste, Rizzoli, Milano.
Pissarides C. (2025), «Skills in the Age of AI», in CentrePiece, 30(3).
Ricotti G., Castiglia M. (2025), «Intelligenza artificiale e fisco: come cambia il rapporto tra amministrazione finanziaria e contribuente», in Diritto e pratica tributaria, 95(6).
Simon H.A. (1977), The New Science of Management Decision, Prentice Hall, Englewood Cliffs.
Videgaray L., Aghion, P., Caputo B., Forrest T., Korinek A., Langenbucher K., Miyamoto H., Wooldridge M. (2024), Artificial Intelligence and Economic and Financial Policy Making. A High-Level Panel of Experts’ Report to the G7, G7Italia Finance Track, December.
Visco I. (2014), Perché i tempi stanno cambiando…, il Mulino, 63(6).
– (2024), The Rise and Fall of Inflation: New Lessons for Monetary Policy?, Per Jacobsson Lecture, Basel, 30 June (pubblicata in Politica Economica / Journal of Economic Policy, 3, 2023).
– (2026a), «On European Fragmentation and the Single Currency in an Uncertain World», in Economia internazionale / International Economics, 79(81).
– (2026b), La crisi della globalizzazione, Morcelliana, Brescia.
Visco V. (2019), «Promemoria per una riforma fiscale», in Politica economica / Journal of Economic Policy, 1.
Yeo W.J., Van Der Heever W., Mao R., Cambria E., Satapathy R., Mengaldo G. (2025), «A Comprehensive Review on Financial Explainable AI», in Artificial Intelligence Review, 58(189).
Note
Questo testo è stato oggetto di una conferenza istituzionale tenuta all’Accademia Nazionale dei Lincei l’8 maggio 2026. Ringrazio per suggerimenti e commenti di cui ho ampiamente beneficiato, pur restando unico responsabile delle tesi qui espresse, Claudia Biancotti, Andrea Brandolini, Giuseppe Bruno, Giuseppe Grande, Giuseppe Marotta e Giuseppe Parigi.
Versione PDF