La Bussola di WikiLuc #2
DeepSeek apre il motore dei suoi modelli, come cambiano compiti e professioni negli scenari al 2030, il miliardo a Flapping Airplanes per un'AI più efficiente
Luciano Cipriano
10/26/20265 min read
Ciao a tutti,
Ben arrivati sulla newsletter di WikiLuc.
Il 16 ottobre Anthropic ha pubblicato un'indagine su 10.980 adulti americani e 1.334 suoi dipendenti. Alla domanda su quanta parte del proprio lavoro l'AI potrà svolgere entro il 2030, i lavoratori americani rispondono in media il 28%, i dipendenti Anthropic il 75%.
Da quel divario parte il trend di questo numero. Le altre due sezioni guardano a quanto costa far girare l'AI, che è una delle variabili da cui dipende la velocità con cui quegli scenari si avvicinano.
In questo numero:
La novità: DeepSeek rende open source DeepInfer, il motore che fa girare i suoi modelli.
Il trend spiegato: come cambiano compiti e professioni con l'AI, e perché il 2027 è l'anno da osservare.
La notizia che mi ha colpito: Flapping Airplanes raccoglie un miliardo senza avere ancora un prodotto.
La novità: DeepSeek apre DeepInfer
Il 20 ottobre DeepSeek ha pubblicato su GitHub, con licenza Apache 2.0, DeepInfer, il framework di inferenza che usa per servire i propri modelli in produzione. L'inferenza è la fase in cui un modello già addestrato risponde alle richieste: è quella che si paga ogni volta che qualcuno lo usa.
Finora chi voleva far girare in casa un modello aperto di DeepSeek si appoggiava a motori generici come vLLM o SGLang, da cui DeepInfer stesso deriva. Ora può usare il software con cui l'azienda gestisce i propri servizi, con le ottimizzazioni pensate per quei modelli: il decoding speculativo, che propone più parole in anticipo e poi le verifica, e le risposte strutturate in JSON o secondo uno schema dato.
La parte più interessante riguarda l'hardware. Il motore gira sia sulle GPU NVIDIA di architettura Blackwell sia sulle NPU Huawei Ascend 950, i chip cinesi per l'AI: chi lo adotta non è legato a un solo fornitore di processori.
Serve a chi fa girare modelli aperti sulla propria infrastruttura o su un cloud privato, e a chi offre quei modelli come servizio. Per chi usa DeepSeek via API non cambia nulla.
Il limite lo dichiara il README stesso. Mancano tre componenti necessari a un servizio completo: la cache delle conversazioni, la separazione fra la lettura della richiesta e la generazione della risposta, il bilanciamento del carico fra più repliche. E il modello supportato per ora è uno solo, DeepSeek-V4.1-Flash. Per andare in produzione bisogna costruire attorno al motore quello che manca, ed è un lavoro da team di piattaforma.
Il trend spiegato: come cambiano compiti e professioni con l'AI
Un mestiere è un insieme di compiti. Chi lavora in contabilità scrive email, registra fatture, prepara dichiarazioni, parla con i clienti, e non tutti questi compiti si possono affidare all'AI nello stesso modo. Per questo le analisi più solide misurano l'impatto compito per compito, prima di arrivare alle professioni.
È l'approccio dell'indagine di Anthropic, The AI Expectations Gap, e del modello economico che la accompagna, Economic Scenarios for Transformative AI, uscito a settembre. Agli intervistati è stato chiesto entro quando l'AI saprà svolgere otto compiti come un professionista esperto. Ecco tre dei compiti, con la quota di chi risponde "entro il 2027":
Email di routine: 65% degli adulti americani, 100% dei dipendenti Anthropic.
Dichiarazione dei redditi: 54% degli adulti americani, 98% dei dipendenti Anthropic.
Prodotto software: 38% degli adulti americani, 94% dei dipendenti Anthropic.
I due gruppi mettono i compiti nello stesso ordine di difficoltà; cambia la velocità che si aspettano. E conta anche il modo: per le email il 66% degli americani pensa che entro il 2030 l'AI lavorerà da sola o con una persona che controlla, per un prodotto software il 56%. Sostituire un compito o affiancare chi lo svolge produce effetti molto diversi sull'occupazione.
Sulle professioni, i lavoratori americani si aspettano che entro il 2030 l'AI possa svolgere il 28% delle loro ore attuali: il 25% nei mestieri manuali, il 33% in quelli tecnici e scientifici. Nel modello il lavoro si sposta dai mestieri cognitivi, cioè gestione, professioni, vendite e ufficio, verso gli altri. Il passaggio ha un attrito: un ingegnere del software non diventa elettricista in poche settimane, e il tempo del cambio pesa sulla disoccupazione.
Che il cambiamento sia già cominciato lo dice un segnale che non viene da Anthropic. Lo studio di Stanford di Brynjolfsson, Chandar e Chen, aggiornato ad agosto 2026 sui dati di busta paga ADP, trova che fra i 22 e i 25 anni l'occupazione nei mestieri più esposti all'AI sta il 19% sotto quella dei coetanei nei mestieri poco esposti, soprattutto perché le aziende assumono meno giovani. Il calo si concentra dove l'AI viene usata per sostituire compiti; dove viene usata per affiancare chi lavora, l'occupazione tiene o cresce.
Il punto da tenere fermo è che sono scenari, non predizioni. Il modello ne costruisce tre. In quello moderato l'AI si comporta come una tecnologia normale, con il PIL in crescita del 2,4% nel 2030 e la disoccupazione al 3,9%. In quello sostanziale la crescita è del 5,4% e la disoccupazione sale al 4,6%; in quello estremo si arriva al 15,4% e all'11,9%. Gli autori non attribuiscono probabilità a nessuno dei tre, e le risposte dell'americano mediano portano allo scenario sostanziale.
Il passaggio che trovo più utile è un altro: secondo gli autori quasi tutta la divergenza fra gli scenari arriva dopo il 2027. Fino ad allora i tre percorsi partono dagli stessi dati di oggi e restano indistinguibili; poi si separano, a seconda di quanto l'AI si diffonde e di quanto lavoro le aziende le affidano. Il 2027 è quindi l'anno in cui si comincerà a capire su quale traiettoria siamo.
Il caveat è doppio. L'indagine raccoglie aspettative, non misure: il campione americano è un panel online su adesione volontaria, e quello interno ad Anthropic non è pesato. Lo studio di Stanford, dal canto suo, descrive un andamento e i suoi autori lo presentano come un indicatore precoce, non come la prova che la causa sia l'AI.
Per chi lavora, il passo concreto è guardare la lista dei propri compiti più del nome della propria professione, e distinguere quelli che si possono affidare all'AI da quelli in cui l'AI può affiancare. Chi assume ha invece un problema pratico da risolvere: se i compiti d'ingresso vengono affidati all'AI, da dove passerà la formazione dei junior.
La notizia che mi ha colpito: Flapping Airplanes e il miliardo sull'efficienza
Il 21 ottobre Flapping Airplanes, laboratorio di ricerca di San Francisco nato a fine 2025, ha annunciato un round di serie A da 1 miliardo di dollari, guidato da Index Ventures e Lux Capital (Index Ventures). Secondo Bloomberg, ripreso da The Next Web, la valutazione è di 6 miliardi, quattro volte quella del seed da 180 milioni di gennaio.
Mi ha colpito per la tesi su cui arriva il miliardo. L'azienda non ha un prodotto in vendita e conta un paio di dozzine di persone. Lavora su come addestrare i modelli con meno dati e meno calcolo, e su come ottenere di più da ogni chip, scrivendo da sé il software che gira sulle GPU: i suoi megakernel eseguono un intero programma come un unico blocco di istruzioni.
Quello che vedo è un capitale che scommette sul costo dell'AI oltre che sulla sua scala. Se la tesi regge, ogni compito affidato all'AI costa meno, e il costo è uno dei parametri da cui dipende la velocità con cui le aziende la adottano.
Il caveat: non c'è un numero pubblico sull'efficienza raggiunta. Index scrive che i fondatori credono che l'AI possa essere "di ordini di grandezza" più efficiente: per ora resta la convinzione di chi ha fondato il laboratorio. Anche la valutazione non è ufficiale: è la cifra riportata da Bloomberg.
Il costo dell'AI e la velocità con cui le aziende la adottano sono due delle leve che, nel modello di Anthropic, decidono quale scenario prende forma. Per questo il 2027 merita attenzione: si vedrà se l'esperienza dei dipendenti Anthropic, che lavorano già accanto a un'AI che svolge buona parte del loro lavoro, resta un'eccezione o diventa quella di molti altri.
Grazie per aver letto questo numero, fammi sapere cosa ne pensi!
Ci vediamo presto qui su WikiLuc!


