Dalla festa tecnologica al libro mastro economico: gli studiosi del Bund Conference discutono su crescita, distribuzione e il nuovo paradigma globale dell’AI

L’AI sta rimodellando l’economia, questo oggi è ormai fuori discussione.

Quello che tiene svegli di notte i decisori politici, gli studiosi e l’industria è la prossima equazione da risolvere: dopo enormi investimenti di capitale verso la capacità computazionale e i modelli, questi riusciranno a tradursi a livello macro in una reale produttività? Dopo una forte espansione dell’offerta, avremo prosperità o un lungo periodo di deflazione? Se le opportunità professionali per i giovani vengono silenziosamente ristrette dalla tecnologia, come evitare di ripetere l’“arresto di Engels” nella storia? In un’epoca in cui le dinamiche globali sono sempre più complesse, come dovremmo strutturare un nuovo sistema globale di regole economiche e commerciali?

Questo è il cuore degli interrogativi affrontati dal Forum “Nuovi paradigmi di crescita economica basati sull’AI e ricostruzione del valore sociale” dell’Inclusione 2026·Conferenza Bund.

Il 9 settembre, il forum che ha raccolto il rettore della Shanghai University of Finance and Economics Liu Yuanchun, il direttore del National School of Development della Peking University Huang Yiping, la professoressa della University of Chinese Academy of Social Sciences Jiang Xiaojuan, il chief economist di CICC Miao Yanliang, il premio Nobel per l’economia Thomas Sargent e rappresentanti dell’industria, non si è più limitato a mostrare funzionalmente le applicazioni tecnologiche, ma ha affrontato di petto un’unica questione di fondo: come può l’AI passare da variabile tecnologica entusiastica a variabile macroeconomica sana e sostenibile?

01 L’economia dell’AI è iniziata, ma i conti sulla crescita non sono ancora chiari

“La nuova forma dell’economia dell’AI è ormai stabilita, ma la vera economia dell’AI non è ancora iniziata.” Con questa riflessione ha esordito Liu Yuanchun.

La fase iniziale della rivoluzione tecnologica è spesso accompagnata da ferventi scambi di idee e bolle speculative di capitale. Il termine AI viene menzionato con una frequenza geometrica nelle call finanziarie globali, i prezzi dei chip sono schizzati, gli investimenti nelle infrastrutture dei centri di calcolo sono esplosi, influenzando anche il recente commercio e le esportazioni globali. Tuttavia, andando oltre questo fermento micro, le divergenze sul quadro macro stanno crescendo rapidamente.

Le previsioni di produttività da parte delle imprese entusiasmano: McKinsey, Goldman Sachs e altri stimano una crescita della produttività totale dei fattori (TFP) fino al 3% annuo; ma nel mondo accademico più serio, secondo i modelli conservativi di studiosi come Daron Acemoglu (MIT), il contributo atteso dell’AI per il prossimo decennio alla TFP sarebbe addirittura inferiore allo 0,1% annuo, praticamente trascurabile.

Perché a livello micro tutti la usano, ma a livello macro i dati faticano a rifletterla?

Huang Yiping avverte che oggi potremmo essere immersi nel classico “paradosso di Solow” e nell’“effetto J-curve” dell’economia tecnologica. Quando i computer si diffusero alla fine del XX secolo, anche allora la produzione rimase a lungo invariata. L’ingresso di una tecnologia generale (GPT) in un sistema produttivo reale richiede un lungo periodo di riorganizzazione, adattamento dei processi, riqualificazione e formazione del personale; all’inizio, non solo non produce un boom dei risultati, ma può portare a costi di aggiustamento pesanti.

Sargent paragona questa fase dell’AI alla “fase di Keplero” in astronomia: l’AI già può modellare leggi partendo da dati su scala astronomica, ma gli esseri umani non ne comprendono ancora a fondo la logica economica e strutturale sottostante.

Dunque, gli attuali investimenti e le bolle di valutazione saranno solo un giro a vuoto? Liu Yuanchun illustra i nuovi paradigmi accademici: la bolla stessa è anche un “meccanismo di coordinamento”. Se dura abbastanza, permette l’accumulo di una grande quantità di capitale reale generico (come reti di capacità di calcolo, infrastrutture energetiche, digital asset) che, raggiunta una certa soglia, anche se successivamente i mercati subiranno pesanti correzioni, le infrastrutture hardcore rimaste potranno comunque fissare l’economia in uno stato di elevata produzione stabile.

Il primo consensus tra gli economisti: la direzione tecnologica è chiara, ma ritmo, ampiezza e l’efficienza con cui il capitale reale si stabilizza sono ancora segnati da incertezze e ritardi enormi.

02 Dal “puntare sull’AI” al “guadagnare con l’AI”, la chiave è creare nuova domanda

Se nella fase precedente il focus narrativo era sulla guerra alla spesa in conto capitale (Capex), oggi la linea di demarcazione diventa la capacità di chiudere il cerchio commerciale.

Il CEO di Ant Group Han Xinyi sottolinea che l’economia dell’AI non può dipendere solo dal capitale e le applicazioni non devono fermarsi al miglioramento dell’efficienza. Se le aziende usano l’AI solo per “ridurre i costi e aumentare l’efficienza” velocizzando i processi esistenti, ma senza generare nuova offerta e domanda, facilmente si arriva a forti squilibri tra domanda e offerta e alla frattura del rapporto tra input e output. Le imprese devono superare la semplice riduzione dei costi e creare davvero valore.

Il direttore dell’Ant Group Research Institute Li Zhenhua sottolinea i vari stadi della filiera: il ritorno degli investimenti è chiaro per chi opera a monte (potenza di calcolo, chip), ma a valle i grandi modelli e le applicazioni finali restano sotto pressione commerciale. Solo se le applicazioni si inseriranno realmente nell’industria, creando nuovi ecosistemi di valore, la narrazione economica dell’AI potrà reggere.

Zhao Bo della Peking University individua il valore nell’“espansione dei confini transazionali”. L’AI riduce drasticamente la barriera di accesso alle competenze e il costo degli esperimenti innovativi. Questo significa che non solo si velocizzano le cose che si facevano prima, ma attività che prima erano troppo costose, complesse o non scalabili possono ora diventare prodotti, essere vendute e scambiate.

Il passaggio dall’efficienza all’incremento è la vera unica strada per superare l’abisso della spesa in conto capitale.

03 Risposta indiretta alla domanda di Musk: pressioni deflazionistiche e opportunità di lavoro giovanili in restringimento

Quando la capacità produttiva esplode esponenzialmente grazie all’AI, emerge un paradosso più acuto: se le macchine producono di più e più in fretta, le persone avranno abbastanza reddito effettivo per consumare?

Huang Yiping definisce questo squilibrio potenziale come un lungo periodo di “offerta forte e domanda debole”. Se il dividendo tecnologico è troppo direzionato verso i possessori di capitale e il rendimento del lavoro resta sotto pressione, la domanda non seguirà il ritmo dell’espansione produttiva, e il tradizionale ciclo economico si interrompe.

Dal punto di vista finanziario e delle variabili nominali, Miao Yanliang di CICC offre un’analisi incisiva. Guardando alla storia, sia la seconda rivoluzione industriale che quella informatica hanno accompagnato lunghi processi di deflazione. La “legge di Say” (l’offerta crea la propria domanda) spesso non vale durante le rivoluzioni tecnologiche, perché le diseguaglianze distributive e le differenze di propensione al consumo impediscono alle due di equilibrarsi naturalmente.

Miao Yanliang identifica quattro forze attraverso cui la rivoluzione tecnologica influenza l’inflazione:

• Effetto collo di bottiglia ed effetto aspettativa (nel breve termine inflazione): i fattori scarsi nella fase iniziale (memorie, potenza di calcolo avanzata) vedono i prezzi schizzare, ma questo dura solo 3-5 anni, con l’apice già superato.
• Effetto offerta ed effetto sostituzione (a lungo termine prezzi in calo): la diffusione dell’AI è rapida e prende direttamente in carico compiti intellettuali di alto livello, con un effetto di sostituzione del lavoro da parte del capitale molto superiore al passato. Siccome chi detiene il capitale ha minore propensione al consumo, il calo della quota dei redditi da lavoro deprime la domanda e quindi i prezzi per un lungo periodo.

“Nel lungo periodo, la pressione deflazionistica o addirittura deflativa potrebbe essere maggiore rispetto alle passate rivoluzioni industriali.” ricorda Miao Yanliang. Se la tendenza si afferma, gli strumenti di politica monetaria tradizionali potrebbero finire in una trappola di liquidità e la regolazione macro dovrà puntare su politiche fiscali avanzate, strumenti redistributivi e misure di tutela del lavoro.

Dietro la pressione deflazionistica ci sono le fratture strutturali del mercato del lavoro.

A differenza delle rivoluzioni IT passate che sostituivano le competenze intermedie lasciando intatte le alte e basse, questa ondata AI espone in modo diretto, e più il reddito è elevato, più la posizione professionale è a rischio: finanza, legge, consulenza, sviluppo software sono i settori più esposti.

Miao Yanliang osserva che l’AI per ora non ha causato un aumento drastico della disoccupazione macro, poiché la sostituzione dei posti di lavoro consolidati avviene in modo graduale “disaggregando i compiti”.

Huang Yiping collega questo fenomeno all’“arresto di Engels” dopo la prima rivoluzione industriale: la produzione cresceva esponenzialmente, ma i salari degli operai restavano stagnanti per decenni. Lu Ming e Xing Ziqiang, rispondendo indirettamente a Musk, sottolineano che l’AI non eliminerà facilmente tutte le professioni, ma ne trasformerà profondamente il nucleo. Le funzioni standardizzate e codificabili verranno gestite dai modelli, mentre empatia, capacità organizzativa, giudizio di valore – cioè le “abilità umane” – saranno il vero baluardo dei lavoratori. La cosiddetta “priorità dell’occupazione” non deve bloccare il progresso tecnico, ma attraverso il design istituzionale consentire a più persone di “fare di più” grazie all’AI.

04 Nuova economia dell’AI, la sfida finale è capacità istituzionale e “globalizzazione nativa”

Se gli individui sono spinti a rimodulare le proprie capacità umane, le industrie e le organizzazioni devono affrontare una nuova sfida regolatoria.

La professoressa Jiang Xiaojuan (University of Chinese Academy of Social Sciences) afferma che l’economia dell’AI sta ponendo fine alle antiche strade della globalizzazione. Nel passato, il modello produttivo internazionale si sviluppava “per gradi”: prima ingresso della tecnologia, assorbimento e rafforzamento locale e poi uscita all’estero.

Ma nell’epoca dell’AI, tecnologie e prodotti “nascono globali”.

L’innovazione guidata dall’AI si basa su algoritmi fondamentali e reti digitali globali, i costi di riutilizzo dei modelli e di distribuzione marginale sono bassissimi; dal primo giorno si mira a sviluppatori e mercati in tutto il mondo.

Jiang Xiaojuan, basandosi su casi di imprese cinesi, illustra questo cambio di paradigma:

L’ecosistema dei grandi modelli open source e il suo impatto: i modelli open source cinesi registrano un boom in termini di download e utilizzo nelle community globali, rompendo la vecchia regola delle multinazionali (“top model chiusi, quelli meno performanti open source”) e offrendo alta qualità come bene pubblico a tutta la comunità tecnica mondiale.

Divisione verticale AI4S e il modello “vendita di piantine”: in settori verticali come la ricerca farmaceutica, le imprese cinesi esplodono in capacità grazie all’AI per la scoperta di target e la progettazione molecolare, ma poiché le tempistiche cliniche differiscono, nel primo semestre le autorizzazioni all’estero di nuovi farmaci cinesi hanno superato i 100 miliardi di dollari. Dietro questa “vendita di piantine” c’è però l’AI che ridisegna la catena del valore farmaceutica globale.

L’effetto delle “anomalie” nei dati industriali in Cina: la lunga e fitta filiera manifatturiera ha generato enormi quantità di dati industriali “imperfetti ed errati”, consentendo ai grandi modelli verticali di essere testati intensamente in patria per poi essere esportati rapidamente al mondo intero.

Ma Jiang Xiaojuan evidenzia anche che “nati globali” non significa solo esportare tecnologia, ma pone nuovi doveri al sistema nazionale, alle aziende e nella competizione internazionale.

“Le aziende devono impostare un sistema di compliance globale sin dalla nascita.” Le questioni che riguardano flusso dati, privacy, etica degli algoritmi e proprietà intellettuale non possono più essere affrontate col vecchio approccio “prima dentro, poi fuori”. E in termini commerciali, la Cina passa dal cercare uno status speciale dei paesi in via di sviluppo al costruire relazioni di “concorrenza e cooperazione orizzontale” con le economie avanzate, imparando una logica “mano a mano” per costruire ecosistemi di mutuo beneficio.

Conclusioni

Dalla guerra agli investimenti di capitale all’attenta verifica dei bilanci macro, la Bund Conference 2026 preme il tasto della razionalità sull’euforia dell’AI.

La chiave perché l’AI diventi il nuovo polo di crescita storica non sta nel numero di cluster ed entità computazionali, ma in un adattamento di sistema profondo: l’efficienza degli algoritmi a livello micro riuscirà a superare i ritardi e a trasformarsi in TFP reale? Le modalità di distribuzione e gli strumenti fiscali sapranno gestire la pressione deflazionistica e offrire nuovi spazi di valore alle giovani generazioni? L’industria sarà in grado di cogliere il vantaggio dell’era “born global”, rispettando compliance e competizione effettiva?

Come ricordano Han Xinyi e Huang Yiping in chiusura: il valore ultimo dell’AI non si autodimostra dai bilanci, ma deve essere testato dalla vera crescita macro, e misurato dalla reale percezione di beneficio dei lavoratori.