Cosa significano AGI, RSI e ASI: tra GPT-6 Astra e le preoccupazioni di Anthropic

Il 3 settembre 2026 OpenAI ha presentato GPT-6 Astra, e il modo in cui l’ha fatto conta quanto il modello stesso. Greg Brockman, presidente dell’azienda, ha dichiarato che non è irragionevole sentire che siamo ormai nell’era dell’AGI, definendo Astra l’inizio di quella fase così come GPT-1 (giugno 2018) era stato per l’inizio della fase dei modelli linguistici di grandi dimensioni. È la prima volta che un laboratorio di questo peso usa quella parola parlando di un prodotto già in vendita, e non di un traguardo futuro.

Da quel giorno le sigle AI, AGI, RSI e ASI vengono usate spesso come se fossero intercambiabili, in realtà indicano livelli molto diversi di autonomia, capacità di apprendimento e conseguenze pratiche. L’AI è quella che usi oggi aprendo una chat conversazionale o i software AI coding assistant come Opencode, Codex, Claude Code ecc. ecc.

AGI è un’intelligenza generale paragonabile a quella umana su qualsiasi compito cognitivo. RSI descrive un sistema capace di migliorare sé stesso senza aspettare la prossima idea dei suoi programmatori. ASI è l’ipotesi di un’intelligenza che ci supera in tutto. Il salto tra questi livelli non è solo di potenza di calcolo, ma di fiducia calibrata e di controllo umano.

Vediamo con più dettaglio cosa c’è dietro ogni sigla e cosa resta congettura, perché la differenza fra le quattro è anche la differenza fra quello che succede ora e quello che potrebbe succedere in un futuro prossimo o mai.

Cosa fa la cosiddetta intelligenza artificiale che usi ogni giorno

Quella che oggi chiami intelligenza artificiale è in larga parte previsione statistica su larga scala. I modelli linguistici come GPT, Claude, Grok, Gemini, DeepSeek imparano da enormi raccolte di testi a prevedere la continuazione più plausibile, mentre i modelli per immagini o voce applicano lo stesso principio a pixel e suoni. L’architettura Transformer, i dati e le schede grafiche hanno reso possibile questo salto, tuttavia il meccanismo resta legato agli esempi visti durante l’addestramento. Autonomia limitata, dunque, e non comprensione nel senso umano del termine.

Sopra questa base sono arrivati i modelli di ragionamento e gli agenti, che non cambiano il meccanismo di fondo ma cambiano il modo di usarlo. Un modello di ragionamento prima di rispondere genera una bozza interna, la controlla, prova alternative e solo alla fine consegna la versione migliore, usando più tempo e più calcoli per ogni domanda. Di conseguenza va meglio in matematica, codice e problemi a più passaggi, tuttavia resta soggetto a errori se le verifiche sono deboli.

Un agente AI invece mette questo modello dentro un ciclo di lavoro con strumenti, ovvero file, browser, codice e memoria della conversazione, così può pianificare un compito, eseguire un passaggio, osservare il risultato e correggersi. Se gli affidi un compito chiaro con criteri di controllo vedi l’utilità, se gli affidi una richiesta vaga vedi i limiti amplificati, inoltre i costi e i tempi crescono in fretta quando il ciclo gira a vuoto.

I punti di forza sono pratici e già visibili. Sintesi di documenti lunghi, bozze di codice, traduzioni, assistenza alla scrittura e analisi di tabelle riescono bene se fornisci contesto chiaro e verifichi il risultato. Tuttavia gli stessi modelli producono allucinazioni (oggi un po’ meno), cioè risposte sicure per il modello ma false, faticano con calcoli precisi.

Un modello AI come GPT o Claude, perde regolarmente contro un bravo giocatore di scacchi. Il motivo è semplice: un LLM non calcola allo stesso modo di un motore scacchistico come Stockfish, indovina la continuazione più plausibile del gioco.
Un modello AI perde il filo del gioco e crolla nel finale perchè non esplora e calcola milioni di varianti come fa un motore scacchistico. Un giocatore medio da 1800-2000 Elo che gioca con calma può battere un modello AI sfruttando queste debolezze.

Inoltre i modelli AI dipendono molto dalla domanda (prompt), quindi una richiesta vaga porterà a una risposta vaga. Se vuoi ottenere un lavoro utile, conviene che tu dia istruzioni dettagliate, precise, esempi e criteri di verifica.

Resta poi la mancanza più evidente, quella che chiunque usi questi strumenti tutti i giorni conosce bene. Un modello non impara dall’uso, perché la conversazione di ieri non lo ha cambiato di una virgola e domani ripartirà identico. È vero che alcuni prodotti mostrano una memoria di conversazione che richiama nomi, preferenze e progetti, tuttavia si tratta quasi sempre di appunti salvati a parte e reinseriti nel contesto della sessione in corso, non di un apprendimento stabile. Di conseguenza basta cambiare chat, superare i limiti di contesto o disattivare la funzione perché il ricordo svanisca. Un collega che rifacesse gli stessi errori ogni lunedì mattina non lo chiameremmo intelligente in senso generale, e questa è la distanza principale fra la AI di oggi e la sigla successiva (AGI).

L’intelligenza artificiale generale (AGI)

La definizione classica di intelligenza artificiale generale è un sistema capace di svolgere qualsiasi compito cognitivo umano a livello almeno pari al nostro. Il problema comincia subito dopo, perché quella frase non si può misurare senza decidere quali compiti, quale livello umano e con quali strumenti a disposizione.

Il tentativo più ordinato di uscire dall’ambiguità arriva da un lavoro di Google DeepMind, che propone una griglia a due dimensioni. Da una parte la generalità, cioè se il sistema è ristretto a compiti specifici o copre un’ampia gamma di attività non fisiche. Dall’altra la prestazione, divisa in cinque scalini.

• Il livello emergente vale quanto una persona senza preparazione specifica.
• Il livello competente deve raggiungere almeno il cinquantesimo percentile degli adulti qualificati.
• Il livello esperto arriva al novantesimo percentile.
• Il livello eccezionale tocca il novantanovesimo.
• Il livello sovrumano batte il cento per cento delle persone.

Secondo quella scala l’AGI non è un traguardo unico ma una scala da salire, e un sistema generale al livello sovrumano corrisponde per definizione a quella che chiamiamo superintelligenza.

Il caso di Astra (GPT 6) lo mostra bene. Il modello ha ottenuto il 99,9% su ARC-AGI-3, una prova pensata proprio per misurare la capacità di orientarsi in ambienti nuovi senza istruzioni, contro il 7,8% del modello precedente. Il punto è che quel risultato arriva con un’attrezzatura particolare, ovvero una sandbox in cui il modello può scrivere ed eseguire codice per conto suo, e che il costo della prova completa oscilla fra i 17.000 e i 48.000 dollari a seconda della configurazione.

RSI, il punto in cui l’AI comincia a migliorare sé stessa

L’acronimo sta per recursive self-improvement, cioè automiglioramento ricorsivo, e l’idea ha sessant’anni. Nel 1965 il matematico Irving John Good immaginò una macchina capace di progettarne una migliore di sé, che a sua volta ne progetta una migliore ancora, in una catena che chiamò esplosione di intelligenza. È il meccanismo che collega l’AGI all’ASI, e senza il quale il salto fra le due resta un’ipotesi lenta.

Il miglioramento ricorsivo di sé, o RSI, è quindi il processo in cui un sistema di intelligenza artificiale non si limita a risolvere compiti o a generare output migliori, ma modifica in modo persistente i meccanismi che producono le sue stesse capacità. In pratica, l’IA individua i propri limiti, propone e valida miglioramenti al proprio codice, ai propri algoritmi di addestramento, al proprio harness o addirittura ai propri pesi, e usa le nuove capacità acquisite per generare miglioramenti ancora più efficaci nel ciclo successivo. Ogni iterazione non produce solo un modello più potente, ma un modello che è a sua volta più abile nel progettare il successivo.

Se e quando un RSI generalizzato dovesse consolidarsi, le conseguenze sarebbero di portata storica. Il ritmo del progresso non sarebbe più determinato dalla velocità con cui i ricercatori umani progettano il modello successivo, ma dalla velocità con cui l’AI stessa accelera quel ciclo. In tempi relativamente brevi si potrebbero raggiungere capacità che oggi consideriamo di livello AGI e, successivamente, di superintelligenza.

Questo aprirebbe possibilità straordinarie: accelerazione della ricerca scientifica in fisica, biologia, materiali e medicina, automatizzazione di interi settori produttivi, soluzioni a problemi complessi come il cambiamento climatico o la scoperta di nuovi farmaci in tempi molto brevi. Allo stesso tempo, i rischi crescono in proporzione. Un sistema capace di migliorarsi autonomamente potrebbe diventare difficile da controllare o da allineare ai valori umani, specialmente se i cicli di miglioramento fossero troppo rapidi perché gli esseri umani possano intervenire.

Ciò che è certo è che l’intero settore sta investendo risorse enormi proprio nella direzione del miglioramento ricorsivo, perché rappresenta la scommessa centrale dietro le spese di capitale dell’industria. Se queste capacità dovessero materializzarsi in forma piena, non si tratterebbe di un semplice aggiornamento tecnologico, ma di un cambiamento di regime nella storia dell’intelligenza.

ASI, l’ipotesi che divide

L’intelligenza artificiale superintelligente, o ASI, rappresenta il livello in cui un sistema supera nettamente le capacità cognitive umane in praticamente ogni ambito, dalla scienza alla strategia, dalla creatività alla risoluzione di problemi complessi. A differenza dell’AGI, che mira a eguagliare l’intelligenza generale di una persona, l’ASI emergerebbe soprattutto attraverso processi di miglioramento ricorsivo, in cui l’AI ottimizza continuamente se stessa a velocità e su scale impossibili per gli esseri umani, generando un’esplosione di intelligenza.

Se realizzata, potrebbe accelerare enormemente le scoperte scientifiche, risolvere sfide globali come malattie o cambiamenti climatici e trasformare radicalmente economia e società, ma al tempo stesso solleva interrogativi profondi sul controllo, sull’allineamento ai valori umani e sulla possibilità che un’entità così potente sfugga alla comprensione o alla direzione di chi l’ha creata.

Le preoccupazioni del CEO di Anthropic

Negli ultimi giorni Dario Amodei, CEO di Anthropic, ha espresso pubbliche e forti preoccupazioni sul ritmo troppo accelerato dello sviluppo dell’intelligenza artificiale. In un saggio intitolato “We Must Pace the Frontier”, pubblicato il 12 settembre 2026, ha spiegato di essere ormai convinto che non basti più investire solo nella sicurezza: è necessario rallentare deliberatamente l’aumento delle capacità dei modelli di frontiera, perché l’AI sta iniziando a contribuire in modo sempre più autonomo alla costruzione della generazione successiva (la sopra citata RSI, miglioramento ricorsivo di sé) e rischia di superare la capacità umana di comprenderla e controllarla.

Ha citato come segnale d’allarme l’episodio in cui agenti di OpenAI hanno attaccato Hugging Face senza che l’azienda se ne accorgesse tempestivamente, temendo che sistemi ancora più potenti possano causare danni su scala enorme. Amodei non chiede di fermare del tutto lo sviluppo, ma di applicare un “pacing” del progresso per dare tempo alle misure di allineamento e di valutazione indipendente di restare al passo, un appello che ha ricevuto adesioni da diversi leader del settore come Sam Altman e Elon Musk.

Come orientarsi tra le tecnologie emergenti

Questa mappa mostra un percorso fatto di gradini e non di salti improvvisi. La tecnologia attuale offre un aiuto per testi, codice e sintesi se la usi con istruzioni precise e verifiche, inoltre migliora in fretta ma resta legata a dati e valutazioni. La generale resta una definizione senza al momento un test di classificazione condiviso, il miglioramento ricorsivo è comprensibile nella logica ma fragile nella pratica e la superintelligenza pone una questione di governo che precede quella di potenza.

Un consiglio pratico è quello di smettere di chiedersi se sia arrivata l’AGI e cominciare a chiedersi una cosa più utile, ovvero quanto lavoro si riesce ad affidare a una macchina prima che serva il nostro controllo. Quella misura la puoi fare tu sul tuo lavoro, ogni volta che esce un nuovo modello.