Il passaggio di Eric Schmidt da Google Search alla strategia AI

Perché Eric Schmidt conta nel dibattito sulle politiche dell'AI

Eric Schmidt conta nelle politiche dell'AI perché la sua carriera collega la gestione di una piattaforma tecnologica globale allo sforzo di costruire capacità tecnologiche nazionali. La sua influenza non deriva da una carica elettiva né dalla stesura di regolamenti. Deriva dalla capacità di tradurre problemi di ingegneria, investimenti e organizzazione in raccomandazioni che i funzionari pubblici possono finanziare, assegnare e misurare.

Questa distinzione aiuta a mantenere il tema a fuoco. Gli anni di Schmidt in Google spiegano perché i funzionari lo ascoltano, ma questo non è un profilo biografico né una storia della ricerca online. La domanda rilevante è come l'esperienza con dati, infrastrutture, talenti tecnici e rapide iterazioni di prodotto abbia orientato il suo lavoro successivo su sicurezza nazionale e intelligenza artificiale.

Una strategia nazionale per l'AI è il piano coordinato di un governo per ricerca, adozione commerciale, uso nel settore pubblico, sicurezza e supervisione. Comprende finanziamenti alle università, immigrazione qualificata, fornitura di semiconduttori, data center, energia, appalti pubblici, standard tecnici, preparazione della forza lavoro e cooperazione internazionale. Deve anche decidere dove le restrizioni sono giustificate, chi risponde dei fallimenti e come i cittadini possano contestare decisioni automatizzate dannose.

Quattro dibattiti attraversano il lavoro pubblico di Schmidt:

• L'innovazione riguarda ricerca, nascita di aziende, velocità di distribuzione e accesso a capitali e capacità di calcolo.
• La sicurezza riguarda adozione nella difesa, operazioni informatiche, intelligence, protezione dei modelli e capacità pericolose a duplice uso.
• La governance assegna responsabilità tramite test, documentazione, monitoraggio, responsabilità legale e rimedi.
• La competizione riguarda il rapporto USA-Cina, il coordinamento con gli alleati, chip avanzati, standard tecnici e talenti.

Questi dibattiti si sovrappongono, ma non sono intercambiabili. Una politica che aumenta la capacità di calcolo interna può sostenere ricerca e difesa, esercitando al contempo maggiore pressione sui sistemi elettrici. Una restrizione alle esportazioni può ritardare l'accesso di un concorrente a hardware avanzato, imponendo però costi ai fornitori nazionali. Un requisito di sicurezza può proteggere le persone in un contesto ad alto rischio e diventare inefficiente se applicato senza modifiche a uno strumento amministrativo a basso rischio.

L'importanza di Schmidt sta in questa impostazione operativa. Una strategia nazionale non è una dichiarazione che afferma l'importanza dell'AI. È un insieme di istituzioni, bilanci, sistemi tecnici, incentivi e scadenze che stabilisce se l'ambizione pubblica resiste al confronto con l'attuazione.

Dalla leadership ingegneristica alla scala di Google

La carriera tecnologica di Schmidt gli ha dato esperienza diretta dei problemi organizzativi che sono poi comparsi nelle sue raccomandazioni politiche. Formato come informatico, ha lavorato presso Bell Labs, Sun Microsystems e Novell prima di entrare in Google come amministratore delegato nel 2001. Google aveva già i suoi fondatori, la tecnologia di ricerca e un pubblico in rapida crescita. Il suo ruolo era aiutare a trasformare quello slancio in un'azienda capace di operare in modo affidabile tra mercati e prodotti.

È rimasto CEO di Google fino al 2011. In quel periodo l'azienda ha ampliato infrastrutture di calcolo, attività pubblicitaria, forza lavoro e gamma di prodotti. La lezione andava oltre la crescita: un'invenzione tecnica ha valore limitato quando un'organizzazione non riesce a assumere persone, allocare risorse di calcolo, testare le modifiche, riprendersi dai guasti o prendere decisioni alla velocità necessaria.

La ricerca mostra il legame tra queste discipline operative. In termini concettuali, un sistema di ricerca deve svolgere tre compiti distinti:

• La scansione individua i documenti e li visita di nuovo quando il web cambia.
• L'indicizzazione organizza il materiale trovato affinché possa essere recuperato in modo efficiente.
• Il ranking stima quali risultati rispondano meglio a una specifica ricerca e al suo intento.

Ogni compito dipende da infrastrutture, qualità dei dati, misurazione e manutenzione costante. Una modifica utile del ranking deve funzionare tra lingue diverse, ricerche rare, tentativi di spam, improvvisi eventi di cronaca, reti lente e miliardi di interazioni. Un piccolo tasso di errore può produrre ogni giorno un grande volume di risultati sbagliati quando il servizio opera su scala globale.

L'era della ricerca ha reso normale anche la sperimentazione controllata. I team potevano confrontare una modifica proposta con il sistema esistente, osservare il comportamento degli utenti, esaminare i casi di errore e ritirare una versione quando le prove la smentivano. Monitoraggio e rollback facevano parte del prodotto, non erano lavoro amministrativo aggiunto dopo il lancio.

La fiducia era più difficile da misurare, ma altrettanto concreta. Il ranking dei risultati influenza ciò che le persone incontrano, mentre la raccolta dei dati crea doveri di privacy e sicurezza. Gli utenti possono abbandonare un servizio se i risultati sembrano manipolati, insicuri o costantemente imprecisi. I governi affrontano un problema simile con l'AI: un sistema può raggiungere un obiettivo interno di prestazione e perdere comunque legittimità se le persone non riescono a capire, contestare o sottrarsi alle sue decisioni.

L'analogia ha dei limiti. Un paese non è un'azienda tecnologica, i cittadini non sono clienti e l'autorità pubblica non può ridursi alla gestione del prodotto. Il governo deve rispettare la legge, proteggere i diritti costituzionali, sostenere il giusto processo e rispondere a istituzioni con mandati concorrenti. L'esperienza di Schmidt nel settore privato è utile quando individua colli di bottiglia operativi. È meno convincente quando la velocità aziendale viene trattata come sostituto della responsabilità democratica.

I ruoli pubblici che hanno creato l'influenza politica di Schmidt

La transizione di Schmidt verso la politica tecnologica nazionale è avvenuta attraverso una serie di ruoli consultivi formali e iniziative finanziate privatamente. Questi ruoli gli hanno dato accesso a leader della difesa, legislatori, specialisti tecnici e personale politico, producendo al tempo stesso documenti pubblici su cui valutare la sua influenza.

Nel 2016, il Segretario alla Difesa Ash Carter ha scelto Schmidt per presiedere il nuovo Defense Innovation Board. Il suo mandato era consigliare i leader del Department of Defense su pratiche organizzative, software, dati, talenti e adozione più rapida della tecnologia. Il consiglio non dirigeva operazioni militari né assegnava contratti. Produceva raccomandazioni per aiutare una grande burocrazia a lavorare più efficacemente con tecnologia moderna e fornitori commerciali.

Il Congresso ha poi istituito la National Security Commission on Artificial Intelligence, comunemente chiamata NSCAI. Schmidt ha presieduto la commissione bipartisan di 15 membri, con l'ex Vice Segretario alla Difesa Robert Work come vicepresidente. Il suo incarico previsto dalla legge era raccomandare come gli Stati Uniti dovessero sviluppare l'AI e le tecnologie correlate per rispondere a esigenze di sicurezza nazionale ed economica.

Nel 2021 la NSCAI ha consegnato il rapporto finale al presidente e al Congresso. Il documento conteneva 16 capitoli e piani d'azione dettagliati su adozione nella difesa, talenti tecnici, infrastrutture di ricerca, microelettronica, alleanze, uso responsabile e competizione con la Cina. Il suo peso derivava dalla combinazione di affermazioni strategiche e proposte attuabili. I funzionari potevano ricavarne una struttura d'ufficio, un programma di assunzioni, un'idea di bilancio o un requisito di test, invece di limitarsi a un generico invito a investire nell'AI.

Dopo la conclusione dei lavori della NSCAI, Schmidt ha fondato nel 2021 lo Special Competitive Studies Project. La fondazione operativa privata studia l'AI e altre tecnologie emergenti in relazione alla sicurezza nazionale, all'economia e alla società. Schmidt la presiede, mentre il personale e i consulenti continuano a pubblicare proposte politiche e a riunire decisori pubblici e privati.

Queste posizioni mostrano quattro modi in cui un consulente può incidere sulle politiche:

• L'inquadramento definisce il problema e il vocabolario con cui i funzionari lo discutono.
• I piani trasformano obiettivi generali in uffici, poteri, programmi e scadenze.
• Le reti collegano agenzie, ricercatori, investitori, aziende ed ex funzionari.
• Il seguito mantiene vive le raccomandazioni dopo lo scioglimento di una commissione.

Nessuno di questi canali conferisce a un consulente il controllo formale. Il Congresso decide se autorizzare e finanziare i programmi. Le agenzie esecutive interpretano i mandati, redigono regole di appalto e gestiscono le distribuzioni. Tribunali, ispettori generali, revisori, giornalisti e società civile possono mettere in luce i difetti. Schmidt può influenzare il ventaglio delle opzioni, ma le istituzioni pubbliche decidono cosa ordinare e cosa sopravvive.

Che cosa sosteneva la strategia della NSCAI

L'argomento centrale della NSCAI era che il vantaggio nell'AI dipende da un intero insieme di capacità tecniche e istituzionali, non da un singolo modello superiore. Il rapporto descriveva questo insieme attraverso talenti, dati, hardware, algoritmi, applicazioni e integrazione. Una debolezza in qualunque livello può impedire che un risultato di laboratorio impressionante diventi una capacità nazionale affidabile.

Il rapporto chiedeva che il Department of Defense e la Intelligence Community disponessero entro il 2025 delle basi per un'integrazione diffusa dell'AI. L'obiettivo era una scadenza per il lavoro di preparazione, non una certificazione che ogni agenzia o missione rilevante sarebbe diventata pronta all'AI in quella data. Un'analisi seria a posteriori deve chiedersi quali basi siano state costruite, come abbiano funzionato e quali problemi siano rimasti.

Le raccomandazioni si possono raggruppare in cinque temi pratici:

• L'adozione governativa richiedeva leadership senior, dati utilizzabili, software moderno, calcolo sicuro e acquisizioni iterative.
• La politica dei talenti richiedeva nuovi percorsi di carriera tecnica, formazione migliore, assunzioni flessibili e accesso continuo alle competenze internazionali.
• La politica dell'hardware richiedeva attenzione alla produzione di semiconduttori, all'accesso ai chip avanzati, alla concentrazione della filiera e alla ricerca.
• La capacità nazionale di ricerca richiedeva investimenti pubblici e un accesso più ampio a calcolo, set di dati, modelli e supporto tecnico.
• L'uso responsabile richiedeva test, giudizio umano, responsabilità, monitoraggio e cooperazione con gli alleati.

La componente sull'uso responsabile talvolta si perde quando la NSCAI viene riassunta come un documento sulla corsa tecnologica. Il suo rapporto finale sosteneva che i sistemi di sicurezza nazionale hanno bisogno di fiducia giustificata. Gli operatori devono capire dove un sistema funziona, dove fallisce, come gli avversari possono attaccarlo e quale livello di rischio una missione può accettare. Proponeva una leadership sull'AI responsabile all'interno delle agenzie e un supporto multidisciplinare per valutazione e governance.

Alcune parti dell'analisi del 2021 sono invecchiate perché l'AI generativa ha cambiato il problema pratico. I modelli di base generalisti possono ora produrre testo, software, immagini, audio e piani attraverso un'unica interfaccia. Possono essere adattati tramite prompt, recupero di informazioni, fine-tuning e uso di strumenti senza addestrare un modello da zero. Questo ha ampliato l'accesso, rendendo più difficili da descrivere i confini delle capacità.

Anche l'inferenza è diventata una risorsa strategica accanto all'addestramento. Un paese può possedere modelli ma non avere abbastanza capacità di calcolo, rete, elettricità o ambienti di distribuzione sicuri per usarli tra ospedali, agenzie, laboratori e unità militari. Furto di modelli, fine-tuning dannoso, contenuti sintetici, uso agentico di strumenti e attività biologiche o informatiche assistite dall'AI richiedono oggi più attenzione di quanta ne ricevessero i primi documenti strategici.

La parte duratura della NSCAI è quindi la sua visione sistemica. È datata invece qualunque ipotesi secondo cui l'adozione dell'AI segua un percorso software convenzionale, con requisiti stabili e aggiornamenti prevedibili. La strategia attuale deve governare un servizio in evoluzione, gli strumenti che lo circondano, i flussi di dati e le persone che vi fanno affidamento.

Quali raccomandazioni sono diventate istituzioni visibili

Diverse iniziative statunitensi successive ricordano le proposte della NSCAI, anche se la somiglianza da sola non dimostra che Schmidt o la commissione le abbiano causate. Legislazione, lavoro delle agenzie, ricerca precedente, pressione commerciale, eventi di sicurezza e cambiamenti nella politica presidenziale hanno tutti contribuito al risultato.

Il Department of Defense ha istituito la posizione di Chief Digital and Artificial Intelligence Officer nel febbraio 2022. L'ufficio ha riunito importanti responsabilità per dati, analisi e AI sotto un alto funzionario. Questa scelta organizzativa affrontava il problema di coordinamento descritto dalla NSCAI: progetti pilota sparsi non producono un'adozione estesa al dipartimento quando dati, infrastrutture, politiche e acquisizioni restano divisi.

Il CHIPS and Science Act è seguito nel 2022, stanziando quasi 53 miliardi di dollari per incentivi alla produzione di semiconduttori, ricerca e programmi collegati per la forza lavoro. Il suo ambito andava oltre l'AI, ma il calcolo avanzato ha reso la capacità nei semiconduttori una questione diretta di strategia nazionale. Impianti di fabbricazione, packaging, apparecchiature produttive, ricerca, lavoro qualificato e sicurezza delle forniture sono diventati oggetti di politica pubblica, invece di restare interamente decisioni di acquisto delle aziende.

Il pilota della National Artificial Intelligence Research Resource è iniziato nel 2024 per dare a ricercatori e docenti accesso a calcolo, set di dati, modelli, software, formazione e supporto. Nel suo aggiornamento dopo due anni, il programma riferiva di aver sostenuto oltre 600 progetti di ricerca e 6.000 studenti, con partecipazione in ogni stato e circa 100 milioni di dollari in contributi in natura da partner privati. È un esempio concreto di infrastruttura pubblico-privata pensata per ridurre il divario tra laboratori ben finanziati e la comunità di ricerca più ampia.

L'AI Action Plan della Casa Bianca del 2025 ha delineato più di 90 azioni federali in tre pilastri: innovazione, infrastrutture, diplomazia e sicurezza internazionale. La sua enfasi politica differiva dalle politiche precedenti. Dava maggior peso a sviluppo rapido nel settore privato, costruzione di data center, fornitura di energia, esportazioni di AI, adozione federale e applicazione delle restrizioni sul calcolo avanzato.

Un memorandum sulla sicurezza nazionale del giugno 2026 ha spinto ulteriormente l'agenda operativa. Ha disposto attività su adozione per la sicurezza nazionale, assunzioni tecniche, una riserva di talenti AI, ambienti condivisi per dati e modelli, risposta agli incidenti, pratiche di sicurezza e metodi standardizzati per test, valutazione, verifica e convalida. Ha inoltre definito la controllabilità come la capacità di monitorare un sistema e intervenire in modo correttivo.

Nel loro insieme, queste misure mostrano una convergenza politica su vari problemi evidenziati da Schmidt: capacità statale, personale tecnico, infrastrutture di calcolo, coordinamento istituzionale e valutazione misurabile. Non risolvono la questione se le soluzioni adottate siano sufficienti o ben progettate. Creare un ufficio è più facile che dargli autorità. Annunciare un programma è più facile che mantenerne gli stanziamenti. Pubblicare un metodo di valutazione è più facile che farlo rispettare da un fornitore favorito o in una missione urgente.

Ricerca, talenti e infrastrutture rendono eseguibile la strategia

Una strategia nazionale per l'AI diventa eseguibile solo quando ricerca, persone, calcolo, dati e regole di distribuzione operano come un unico portafoglio. Finanziare un componente trascurandone un altro produce capacità inutilizzata o dipendenza da un piccolo gruppo di fornitori.

I finanziamenti pubblici alla ricerca dovrebbero sostenere scienza di base, missioni applicate, metodi di valutazione e lavori con ritorni commerciali incerti. Dovrebbero comprendere anche meccanismi di passaggio alla pratica. Un team universitario può dimostrare una tecnica utile, ma l'adozione può bloccarsi senza hosting sicuro, ingegneria di prodotto, autorità legale, fondi per la manutenzione e un'agenzia pubblica disposta ad assumersi la responsabilità del risultato.

La politica dei talenti richiede più che formare altri ricercatori di machine learning. Il governo ha bisogno di ingegneri software, ingegneri dei dati, specialisti di cybersicurezza, product manager, addetti agli appalti, avvocati, revisori, professionisti di settore e funzionari senior capaci di compiere compromessi tecnici. Un modello per la difesa valutato senza operatori può fallire in condizioni sul campo. Un sistema di prestazioni sociali esaminato senza competenze di diritto amministrativo può negare il giusto processo anche se la sua previsione è statisticamente accurata.

La politica di calcolo deve distinguere addestramento e inferenza. Addestrare un grande modello richiede calcolo concentrato per un periodo limitato. Far funzionare quel modello per molti utenti crea una domanda continua di acceleratori, memoria, rete, archiviazione, elettricità, raffreddamento e manutenzione. Piani di approvvigionamento che prevedono il budget per lo sviluppo ma ignorano i costi operativi possono lasciare alle agenzie un pilota riuscito che non possono permettersi di estendere.

L'infrastruttura fisica fa ormai parte della strategia. I data center richiedono siti adatti, energia affidabile, capacità di trasmissione, acqua o sistemi di raffreddamento alternativi, connessioni di rete, apparecchiature sostitutive e piani di emergenza. Misure utili comprendono il tempo necessario per collegare nuova capacità, tassi di utilizzo, costo per carico di lavoro completato, tempo di ripristino dopo un'interruzione e quota di carichi sensibili eseguibili in ambienti approvati.

La politica dei dati parte dall'autorità legale e dalla finalità. Le agenzie devono sapere perché esiste un set di dati, chi può usarlo, per quanto tempo può essere conservato, quali popolazioni descrive male e come si propagano le correzioni. La provenienza conta perché una valutazione non può spiegare un fallimento quando l'origine e la storia delle trasformazioni dei dati sottostanti sono ignote.

Le tecniche che tutelano la privacy possono ridurre l'esposizione, ma non eliminano il bisogno di governance. Controlli di accesso, ambienti protetti, de-identificazione, privacy differenziale, analisi federata e log di audit affrontano minacce diverse. Un'agenzia dovrebbe sceglierli in base ai dati, agli utenti, al modello di attacco e al dovere pubblico coinvolto.

La distribuzione dovrebbe seguire un ciclo di vita, non un test di accettazione una tantum:

1. Definire la decisione, la popolazione interessata, l'autorità legale e il responsabile umano.
2. Stabilire una base di riferimento senza AI e un obiettivo di beneficio misurabile.
3. Testare prestazioni, sicurezza, equità, accessibilità e uso improprio nel contesto previsto.
4. Rilasciare gradualmente con log, percorsi di escalation, segnalazione degli incidenti e rollback.
5. Rivalutare dopo cambiamenti nel modello, nei dati, nelle politiche o nelle condizioni operative.

Questo processo sostiene la velocità perché rende possibili prove piccole e reversibili. Impedisce anche di scambiare una dimostrazione impressionante di un prototipo per prova di prontezza alla produzione.

L'AI cambia la sicurezza nazionale grazie alle capacità a duplice uso

L'AI cambia la sicurezza nazionale aumentando velocità, scala e accessibilità dell'analisi e dell'azione. Le organizzazioni di intelligence possono usarla per esaminare immagini, tradurre materiali, cercare grandi raccolte di documenti, individuare anomalie informatiche e aiutare gli analisti a collegare segnali. Le organizzazioni militari possono applicarla a logistica, manutenzione, supporto alla pianificazione, rilevamento e sistemi autonomi.

La stessa capacità può aiutare gli attaccanti. La generazione di codice può aiutare i difensori a ispezionare software e gli avversari a modificare programmi dannosi. La generazione linguistica può ridurre il costo del phishing personalizzato e delle operazioni di influenza. La visione artificiale può sostenere la risposta ai disastri o una sorveglianza persistente. I modelli biologici possono aiutare la ricerca legittima riducendo al contempo alcune barriere alla sperimentazione dannosa.

Per questo la politica sul duplice uso non può ridursi a un elenco di modelli vietati. Il rischio dipende dal modello, dagli strumenti collegati, dai dati disponibili, dall'accesso degli utenti, dall'ambiente di distribuzione e dalle conseguenze dell'errore. Un modello generico senza permessi esterni crea un'esposizione diversa dallo stesso modello collegato a database classificati, apparecchiature di laboratorio, conti finanziari o armi.

Gli appalti pubblici affrontano una difficoltà collegata. I contratti tradizionali presuppongono requisiti stabili e una versione del prodotto testabile prima dell'accettazione. I servizi AI possono cambiare modello, livello di sicurezza, sistema di recupero, insieme di addestramento o politica d'uso durante il contratto. Le agenzie hanno bisogno di essere avvisate delle modifiche sostanziali e di poter ripetere le valutazioni prima che un aggiornamento raggiunga attività sensibili.

Una distribuzione difendibile per la sicurezza nazionale dovrebbe includere cinque controlli:

• Test specifici per la missione che misurino falsi positivi, falsi negativi, latenza, fallimenti sotto stress e comportamento avversario.
• Accesso con privilegi minimi, che limiti dati, strumenti e azioni disponibili al sistema.
• Autorità umana nominata per approvazione, intervento, escalation e arresto.
• Log e monitoraggio continui progettati per l'indagine, non per il marketing del fornitore.
• Clausole contrattuali su aggiornamenti, incidenti, uso dei dati, accesso al modello, portabilità e cessazione.

Il coinvolgimento umano deve essere concreto. Richiedere a una persona di fare clic su Approva serve a poco se l'interfaccia nasconde l'incertezza, il carico di lavoro impedisce la revisione o la cultura organizzativa punisce chi contraddice il modello. Gli operatori hanno bisogno di formazione, tempo, informazioni alternative e autorità per respingere un risultato.

Gli usi con conseguenze elevate richiedono prove più rigorose. Un sistema che riassume corrispondenza ordinaria può tollerare errori inaccettabili nel targeting, negli avvisi di intelligence, nel triage medico o nell'accesso a una prestazione pubblica. La velocità dovrebbe derivare da una revisione proporzionata e da distribuzioni reversibili, non dalla finzione che ogni uso comporti la stessa posta in gioco.

La competizione USA-Cina è più ampia di una corsa ai modelli

La competizione AI tra Stati Uniti e Cina riguarda capacità industriale, ricerca, talenti, energia, filiere, adozione e alleanze, non una singola classifica dei modelli. Trattarla come un traguardo incoraggia affermazioni spettacolari e nasconde le istituzioni che sostengono un vantaggio nel corso degli anni.

I confronti sulle capacità devono specificare che cosa misurano. Addestrare un modello dalle alte prestazioni è diverso dal produrre chip avanzati, distribuire sistemi nell'intera industria, fornire capacità cloud affidabile, ottenere scoperte scientifiche o integrare l'AI nelle operazioni militari. Un paese può guidare in una categoria e dipendere da fornitori esteri in un'altra.

I controlli sulle esportazioni mirano a rallentare l'accesso a specifici chip avanzati e apparecchiature per la produzione di semiconduttori. Il loro effetto dipende dall'ambito tecnico, dall'applicazione, dalla partecipazione degli alleati, dalle scorte, dalle rotte di diversione e dalla capacità del paese destinatario di sviluppare sostituti. Controlli troppo ristretti possono avere poco effetto. Regole troppo ampie possono spingere i clienti ad abbandonare i fornitori statunitensi o motivare una sostituzione più rapida.

Gli alleati contano perché le filiere dei semiconduttori e del calcolo attraversano i confini nazionali. Progettazione di chip, fabbricazione, apparecchiature produttive, materiali, packaging, servizi cloud e talenti di ricerca sono distribuiti tra paesi. Politiche coordinate possono ridurre l'elusione, condividere i costi, sostenere pratiche di sicurezza compatibili e dare ai partner un motivo per costruire con sistemi affidabili.

La competizione influisce anche sulla governance. Se ogni requisito di valutazione viene descritto come disarmo unilaterale, agenzie e aziende investiranno troppo poco nei test finché un fallimento non impone una reazione. Se ogni capacità viene limitata per motivi speculativi, ricerca e adozione utile possono spostarsi altrove. Una strategia competente protegge lo spazio per sperimentare, applicando controlli più severi ad accesso, azioni e contesti che creano un rischio credibile per la sicurezza nazionale.

La concentrazione complica la posizione degli Stati Uniti. Addestrare e gestire sistemi di frontiera richiede risorse disponibili a un numero limitato di aziende. La concentrazione può accelerare investimenti e distribuzione, ma può anche indebolire il potere negoziale del governo, ridurre l'accesso alla ricerca e creare dipendenze comuni tra agenzie. Politica della concorrenza, interoperabilità, portabilità, infrastrutture pubbliche di ricerca e requisiti di accesso al codice sorgente o ai modelli possono affrontare ciascuno una parte del problema.

La metafora della corsa resta politicamente efficace perché crea urgenza. È analiticamente incompleta perché una leadership stabile dipende da resilienza, correzione degli errori, legittimità pubblica e cooperazione. Un paese che distribuisce rapidamente ma non sa proteggere i propri modelli, alimentare i data center, formare gli operatori o rispondere agli incidenti non ha costruito un vantaggio duraturo.

La governance deve seguire l'uso e le sue conseguenze

Una governance efficace dell'AI assegna doveri in base a ciò che un sistema fa, a chi colpisce e alla gravità di un eventuale fallimento. Un chatbot che risponde a domande generali, un supporto diagnostico, uno screening per assunzioni e un componente autonomo di targeting non dovrebbero affrontare requisiti di prova identici.

Il primo compito della governance è la classificazione. I funzionari dovrebbero identificare se il sistema informa una persona, raccomanda un'azione, prende una decisione o esegue un'azione. Dovrebbero poi mappare diritti coinvolti, possibili perdite, gruppi vulnerabili, meccanismi di ricorso e reversibilità del danno.

Cinque domande fanno emergere rapidamente una governance debole:

• Quale decisione influenza il sistema e chi resta legalmente responsabile?
• Quali prove ne sostengono l'uso per questa popolazione e questo ambiente operativo?
• Quali informazioni vengono raccolte, conservate, condivise o usate per addestramenti successivi?
• Come può una persona interessata ottenere una spiegazione, una correzione e una revisione umana?
• Quale evento fa scattare sospensione, notifica, rimedio o risarcimento?

L'equità richiede di esaminare i risultati, invece di presumere che rimuovere gli attributi protetti elimini la discriminazione. Altre variabili possono agire da proxy, i registri storici possono incorporare trattamenti diseguali e i costi degli errori possono ricadere in modo diverso. Le agenzie dovrebbero testare i gruppi rilevanti, indagare le cause e decidere se l'uso resti lecito e giustificato dopo le misure di mitigazione.

La trasparenza dovrebbe adattarsi al pubblico. Gli ingegneri hanno bisogno di documentazione su modello e dati. Gli operatori hanno bisogno di limiti, incertezza e istruzioni di escalation. I responsabili degli appalti hanno bisogno di informazioni su costi, sicurezza, aggiornamenti e dipendenze. Una persona colpita da una decisione ha bisogno di una motivazione comprensibile e di una via di ricorso utilizzabile. Pubblicare un lungo documento tecnico non soddisfa tutte e quattro le esigenze.

L'analisi della privacy deve coprire le interazioni con il modello oltre ai dati di addestramento. Prompt, documenti recuperati, risultati degli strumenti, log, feedback e registri generati possono contenere informazioni sensibili. Le condizioni contrattuali dovrebbero indicare se un fornitore può conservare questi materiali, usarli per l'addestramento, trasferirli oltre confine o esporli a subappaltatori.

Le valutazioni dei modelli di frontiera e gli audit delle applicazioni rispondono a domande diverse. Una valutazione di modello può testare capacità informatiche, inganno, conoscenze biologiche o resistenza all'uso improprio. Un audit dell'applicazione esamina il sistema distribuito completo, inclusi prompt, recupero, strumenti, interfacce, procedure umane e popolazione interessata. Superare uno dei due non sostituisce l'altro.

Ricercatori indipendenti, organizzazioni della società civile, ispettori generali, organismi di standardizzazione e laboratori di prova aggiungono conoscenza e controllo che agenzie e fornitori possono non possedere. Gli accordi di accesso devono proteggere sicurezza e dati personali, ma la segretezza non dovrebbe diventare una difesa generale contro l'esame esterno.

La collaborazione pubblico-privato ha bisogno di confini e prove

La collaborazione pubblico-privato funziona quando le parti definiscono il problema pubblico, l'autorità legale, il risultato atteso, il confine di sicurezza e le condizioni di uscita prima di scegliere la tecnologia. Partnership vaghe producono visibilità, ma rendono difficili da verificare costi, responsabilità e prestazioni.

Il governo contribuisce con mandato, finanziamenti pubblici, accesso ai contesti di missione e capacità di sostenere il lavoro a lungo termine. Le aziende contribuiscono con personale tecnico, infrastrutture commerciali, conoscenza dei prodotti attuali ed esperienza nella gestione di sistemi su larga scala. Università e organizzazioni non profit possono fornire ricerca di base, metodi di valutazione, formazione e critica indipendente.

I loro incentivi sono diversi. Un fornitore trae vantaggio quando un pilota si trasforma in un lungo contratto. Un responsabile di agenzia può trarre vantaggio dall'annunciare una rapida adozione prima che le prove siano mature. Un gruppo di ricerca può preferire la pubblicazione aperta anche quando un risultato ha implicazioni di sicurezza. Buoni accordi riconoscono questi incentivi e prevedono diritti di revisione, divulgazione, concorrenza e cessazione.

I conflitti di interesse meritano un trattamento diretto quando consulenti di primo piano mantengono investimenti, incarichi nei consigli di amministrazione, rapporti commerciali o progetti filantropici nello stesso ambito politico. La divulgazione non prova un'influenza impropria e la competenza spesso comporta legami professionali. Permette però a funzionari e pubblico di valutare la provenienza di una raccomandazione, cercare opinioni concorrenti e ricusare i partecipanti quando necessario.

La prototipazione a basso rischio offre un'area pratica di collaborazione. Koder.ai, per esempio, permette agli utenti di creare interfacce web React, servizi backend Go con PostgreSQL e applicazioni mobili Flutter tramite chat in linguaggio naturale. Supporta modalità di pianificazione, esportazione del codice sorgente, distribuzione e hosting, domini personalizzati, snapshot e rollback. Queste funzioni possono abbreviare il ciclo di feedback per un dimostratore o uno strumento interno.

Un'applicazione generata richiede comunque revisione prima dell'uso in produzione nel settore pubblico. I team devono esaminare codice, dipendenze, autenticazione, controlli di accesso, flussi di dati, accessibilità, log, resilienza, licenze e configurazione di distribuzione. I carichi sensibili richiedono inoltre un ambiente di hosting approvato e conformità agli obblighi dell'agenzia in materia di sicurezza e conservazione dei documenti. Il vibe coding cambia il modo in cui si produce un prototipo, non chi ne risponde.

Un contratto pilota utile dovrebbe specificare:

• Un gruppo ristretto di utenti e un periodo operativo limitato nel tempo.
• Misure di base per costo, qualità e tempo di completamento.
• Restrizioni su conservazione, addestramento, localizzazione dei dati e subappaltatori.
• Test di sicurezza, notifica delle modifiche, segnalazione degli incidenti e obblighi di rollback.
• Diritti di esportazione, portabilità, documentazione e cessazione.

Questa struttura permette alle agenzie di imparare senza legarsi a un fornitore prima di comprendere il sistema. Offre anche ai piloti riusciti prove credibili per un'espansione.

Come valutare l'influenza di Schmidt e qualunque strategia AI

L'influenza di Schmidt andrebbe valutata attraverso adozione, risorse, durata istituzionale e risultati, non attraverso discorsi o vicinanza ai funzionari. Una raccomandazione può orientare il dibattito senza diventare politica e una politica successiva può assomigliarle senza essere stata causata da essa.

Si parte dall'attribuzione. Occorre identificare il rapporto, la testimonianza, la raccomandazione di un consiglio o la proposta specifica associata a Schmidt. Bisogna separare le sue dichiarazioni personali dai documenti di consenso prodotti da una commissione o un'istituzione. Il rapporto di una commissione di 15 membri non coincide con la posizione privata del suo presidente.

Poi si segue la catena di attuazione:

1. Il Congresso o un'agenzia hanno adottato la proposta in una forma riconoscibile?
2. Ha ricevuto autorità legale, stanziamenti, personale e una leadership responsabile?
3. L'istituzione responsabile ha pubblicato tappe e prove di prestazione?
4. Gli utenti hanno ricevuto una capacità affidabile, non solo un pilota o l'annuncio di un ufficio?
5. Audit, incidenti, costi, impatti sui diritti o risultati strategici hanno sostenuto l'affermazione originaria?

Le tempistiche devono essere abbastanza specifiche da consentire il fallimento. Un'aspirazione di cinque anni dovrebbe indicare cosa accade nel primo ciclo di bilancio, quali dipendenze devono arrivare per prime e chi può intervenire se le tappe slittano. Altrimenti il piano può essere dichiarato riuscito sulla sola base dell'attività.

Le metriche dovrebbero corrispondere all'obiettivo. Un programma di adozione governativa potrebbe misurare tempo per l'approvvigionamento, completamento delle attività da parte degli utenti, costo per pratica, tasso di override, incidenti di sicurezza e tempo di ripristino. Un programma di ricerca potrebbe misurare accesso concesso, utilizzo delle risorse, pubblicazioni, riproducibilità, esiti della formazione e passaggio dei risultati alla pratica. Contare riunioni o documenti generati dice poco sulla capacità.

I compromessi dovrebbero essere visibili. I piani seri spiegano chi sopporta i costi energetici, come le restrizioni alle esportazioni incidono sui fornitori, quali dati non possono essere usati, quando deve decidere una persona e quali distribuzioni saranno vietate o sospese. Una strategia che promette insieme massima velocità, sicurezza, apertura, privacy e controllo ha evitato le decisioni che una strategia dovrebbe prendere.

Che cosa mostra in definitiva il percorso di Schmidt

Il percorso di Schmidt mostra che la leadership nell'AI è un problema organizzativo e politico quanto un problema di sviluppo dei modelli. Google ha dimostrato il valore di infrastrutture, misurazione, talenti tecnici, sperimentazione e ripristino su scala enorme. Il suo lavoro consultivo ha applicato queste idee operative alla capacità governativa, all'adozione nella difesa, alla politica sui semiconduttori, all'accesso alla ricerca e alla competizione internazionale.

Il trasferimento è utile, ma incompleto. Le istituzioni pubbliche devono proteggere i diritti, giustificare le decisioni coercitive, divulgare i conflitti, mantenere la supervisione democratica e offrire rimedi. Questi doveri non possono essere sostituiti da cicli di prodotto più rapidi o da una migliore gestione tecnica.

La parte più forte del contributo politico di Schmidt è l'insistenza sul fatto che una strategia nazionale per l'AI richiede un meccanismo coordinato. La ricerca senza accesso al calcolo si ferma. I modelli senza operatori qualificati restano dimostrazioni. Gli appalti senza valutazione acquistano incertezza. La sicurezza senza alleanze ignora la struttura delle filiere. L'innovazione senza responsabilità può distruggere la fiducia necessaria all'adozione.

La risposta appropriata non è né l'accettazione automatica né il rifiuto basato sul passato aziendale di Schmidt. È una verifica disciplinata: identificare la proposta, seguire autorità e denaro, esaminare l'attuazione, misurare i risultati e contare i costi che le dichiarazioni pubbliche lasciano fuori. Così l'influenza diventa visibile e una strategia nazionale per l'AI può essere giudicata dai risultati.