La confusione è grande sotto i cieli dell’AI, informazioni e dati vengono usati giornalmente come clave per dimostrare ogni possibile teoria sull’immediato futuro di questo fenomeno. Ci siamo allora posti il compito di individuare evidenze, in forma grafica e leggibile, dei fenomeni più rilevanti ad oggi, per rispondere a delle semplice domande come:
Dove si formano e lavorano i talenti dell’AI?
Dove e come si fa ricerca di frontiera?
Ma è vero che servono tutti quei data center su cui investono gli hyperscaler?
Anthropic ha davvero superato OpenAI?
Cosa ne pensano gli italiani dell’AI?
e molte altre.
Un’avvertenza: ogni grafico è preso da una fonte autorevole ed estrapolato da sezioni di sito o ricerche che contengono una vera messe di dettagli, indicazioni metodologiche e allargamenti di prospettiva. Anche questo è un valore per chi cerca di capire e vi invitiamo senz’altro a visitarli seguendo i link indicati.
🔍 Come si legge il grafico: molto semplicemente ed efficacemente il grafico mostra dove vanno gli studenti specializzati in AI nei loro movimenti transnazionali lungo la carriera dalla triennale al lavoro. Due esempi: molti studenti di triennale (Undergrad) cinesi vanno a fare master o simili (Grad school) negli USA, e costituiscono quasi metà della popolazione di studenti “grad” in America - e infine solo in piccola parte tornano a lavorare in Cina. Viceversa, la stragrande maggioranza di studenti laureati di primo grado europei proseguono gli studi in Europa (e un po’ in US), e infine lavorano ancora in Europa.
🔗 La fonte: (PDF - 2025) European Commission Directorate-General for Research and Innovation. Si tratta di una ricerca dell’European Commission Directorate-General for Research and Innovation realizzato dall’Expert group on the Economic and Societal Impact of Research and Innovation dell’EU.
🔍 Come si legge il grafico: gli investimenti nell’AI dei fondi di venture capital e investitori istituzionali, aziende e private equity, hanno preso il volo nel 2023. Il salto quantico c’è stato lo scorso anno anche se il polo d’attrazione è sempre solo uno: gli Stati Uniti. Nel 2025 sono stati investiti in aziende americane 285,9 miliardi di dollari, mentre l’Europa è ferma a 20,9 miliardi, e la Cina, a 12,4 miliardi. Un divario che conferma la centralità degli USA nella corsa all’intelligenza artificiale e mostra quanto resti abissale la distanza, soprattutto per l’EU, sul terreno della capacità di attrarre capitali e scalare l’innovazione. E il grafico illustra bene “l’abisso”.
🔗 La fonte: (link dati 2025) AI Index Report 2026 è pubblicato dallo Stanford Institute for Human-Centered Artificial Intelligence (HAI) l’istituto di ricerca creato nel 2019 per promuovere la ricerca e le applicazioni pratiche nell’intelligenza artificiale guidato dalla madrina dell’AI Fei Fei Li.
🔍 Come si legge il grafico: qui confrontiamo l’andamento delle pubblicazioni scientifiche - paper, articoli eccetera, se visitate il link potete scegliere la categoria precisa - ad alto impatto sull’AI tra il 2010 e il 2025 in alcuni dei principali Paesi e aree economiche. Il quadro mostra come la forte crescita della produzione scientifica su scala globale sia trainata solamente dalla Cina, mentre Stati Uniti e UE27 decrescono. L’Europa considerata come area aggregata, si colloca ancora nella fascia alta del confronto e ben prima dell’India. Se si evidenzia il dato del singolo paese l’Italia non brilla ed è terz’ultima, seguita tuttavia da Giappone e Spagna.
🔗 La fonte: (link dati aggiornati al 2025 ) OECD.AI Policy Observatory , piattaforma dell’OCSE dedicata al monitoraggio dell’intelligenza artificiale. Per questo grafico, OECD.AI utilizza dati sulle pubblicazioni scientifiche AI tratti da OpenAlex e Elsevier (Scopus), con note metodologiche pubbliche e trasparenti.
🔍 Come si legge il grafico: ok, questo va un po’ spiegato. L’abbiamo tratto da una ricerca sulla differenza di opinione tra popolazione italiana e statunitense sull’impatto dell’AI. La lunghezza delle barre blu indicano la distanza tra opinione di un italiano medio da uno statunitense medio. Esempio: nella prima colonna che parla di wellbeing (il benessere) gli italiani sono molto (-20 pt) meno propensi degli americani a prevedere che ci sarà un peggioramento, e molto più propensi a vedere un miglioramento. Lo stesso dicasi per la salute e per l’ottenimento di informazioni. Insomma vediamo positivo.
🔗 La fonte: (PDF - 2026) BIS Working Papers No 1322 Embracing gen AI: a comparison of Italian and US households. La fonte è il prestigioso istituto BIS (Bank for International Settlements) in collaborazione con la Banca D’Italia.
🔍 Come si legge il grafico: la guerra tra OpenAI e Anthropic non si misura più soltanto sulle release di modelli sempre più potenti o sulle alleanze strategiche con Washington e i grandi cloud provider. Sempre di più, lo scontro passa anche dai numeri del business. Negli ultimi giorni, questa rivalità si è fatta ancora più esplicita: OpenAI ha rivendicato la propria accelerazione commerciale, ha valorizzato il rapporto con Amazon e ha sostenuto che il legame con Microsoft ne abbia limitato l’accesso ad alcuni clienti enterprise. Nello stesso memo interno, la società ha anche contestato ad Anthropic accusandola di “gonfiare” i conti (qui l’articolo). Il grafico, dopo questa premessa, diventa ancora più interessante poiché mostra infatti il presunto sorpasso di Anthropic su OpenAI nei ricavi annualizzati, con Anthropic che arriverebbe a circa 30 miliardi di dollari contro i 25 miliardi del rivale. Ma proprio perché si parla di annualized revenue il dato va letto con cautela. Non è una classifica definitiva, è una instantanea del momento e della traiettoria commerciale delle due aziende.
🔗 La fonte: (link - aggiornato al 6 aprile 2026) Epoch.ai è un’organizzazione non profit di ricerca basata sui dati, che studia l’evoluzione dell’intelligenza artificiale e il suo impatto economico e sociale. Utilizza informazioni basate in gran parte su dichiarazioni pubbliche, dati aziendali e report giornalistici.
🔍 Come si legge il grafico: usare i modelli linguistici avanzati costa sempre meno. E questa analisi ci dice nello specifico che il costo di inferenza, cioè il costo necessario per far funzionare un modello già addestrato quando riceve una richiesta e genera una risposta, si è abbassato drasticamente. Negli ultimi tre anni, il costo per raggiungere determinati livelli di performance è sceso da 9 a 900 volte l’anno almeno per GPT, con una mediana di circa 50x annuo. Un esempio: la linea fucsia, relativa al benchmark GPQA Diamond sulle domande scientifiche di livello PhD, mostra che ottenere risultati comparabili a GPT-4 è diventato ogni anno 40 volte più economico.
🔗 La fonte: (link - aggiornato al marzo 2025) Epoch.ai per questa visualizzazione, ha combinato dati sui prezzi delle API LLM e sui benchmark di performance provenienti da Artificial Analysis e dal proprio database.
🔍 Come si legge il grafico: la fotografia precedente suggerisce una possibile chiave di lettura per questa che illustra come l’insieme dei nuovi progetti di data center annunciati per il 2026 sia molto ampio, ma che una parte rilevante potrebbe non entrare in funzione nei tempi previsti. Secondo Sightline Climate, tra il 30% e il 50% della capacità attesa per il 2026 rischia infatti di slittare: su circa 16 GW previsti, solo 5 GW risultano oggi in costruzione, mentre circa 11 GW sono ancora fermi alla fase di annuncio. Anche le proiezioni negli anni che verranno sono al ribasso ma, se è vero che se l’addestramento dei modelli beneficia di economie di scala sempre più forti, allora la domanda di nuovi data center potrebbe crescere meno del previsto.
🔗 La fonte: (link - aggiornato al 2026) Sightline Climate è una società di market intelligence specializzata in energia e infrastrutture della transizione. Il report si basa su un database proprietario aggiornato in tempo reale, utile per leggere il mercato, ma da considerare come analisi privata e non come statistica ufficiale.
🔍 Come si legge il grafico: questo è un dato significativo come segnale competitivo, ma assolutamente parziale (e non ne abbiamo trovati di migliori). Su OpenRouter (comunità di sviluppatori) i modelli cinesi sono passati da poco più dell’1% del traffico token a fine 2024 a oltre il 45% nell’aprile 2026. Più che un semplice balzo, il grafico segnala uno spostamento strutturale. Una quota crescente del mercato premia modelli competitivi sul prezzo e sul rapporto costo-prestazioni, ridisegnando gli equilibri della piattaforma.
🔗 La fonte: (link - aggiornato ad aprile 2026) Digital Applied è una società/brand editoriale che pubblica analisi e interpretazioni basate sui dati pubblici di OpenRouter. È una lettura utile della dinamica della piattaforma, ma, ripetiamo, non una misura dell’intero mercato globale dell’AI.
Ok, questo è un divertissement fatto con ChatGPT, da cui la semi-allucinazione del “sembra uno che ha capito” in alto a destra, cosa che non diremmo mai ma lasciamo apposta perché contiamo sull’intelligenza dei nostri lettori. E serve per dirvi una cosa: i grafici notoriamente sono molto efficaci e come tali sono straordinari strumenti di influenza e persuasione. Occhio allora a come si leggono, come spiega bene questa guida redatta da una esperto su Substack sui trucchi e trucchetti dei data scientist.
Comments
Nothing yet. Say the first thing.
Sign in to join the conversation.