Il collo di bottiglia da miliardi di dollari dell’AI: la qualità dei dati, non il modello | Opinione

L’AI potrebbe essere la prossima industria da mille miliardi di dollari, ma si sta silenziosamente avvicinando a un enorme collo di bottiglia. Mentre tutti corrono per costruire modelli sempre più grandi e potenti, un problema imminente viene in gran parte ignorato: potremmo esaurire i dati di addestramento utilizzabili nel giro di pochi anni.

Secondo EPOCH AI, la dimensione dei dataset di addestramento per i large language model è cresciuta a un ritmo di circa 3,7 volte all’anno dal 2010. A questo ritmo, potremmo esaurire la fornitura mondiale di dati pubblici di alta qualità tra il 2026 e il 2032.

Ancor prima di raggiungere questo limite, il costo per acquisire e curare dati etichettati sta già salendo alle stelle. Il mercato della raccolta e dell’etichettatura dei dati è stato valutato a 3,77 miliardi di dollari nel 2024 e si prevede che raggiungerà i 17,10 miliardi di dollari entro il 2030.

Una crescita così esplosiva suggerisce un’opportunità chiara, ma anche un evidente punto di strozzatura. I modelli AI sono validi solo quanto i dati su cui vengono addestrati. Senza un flusso scalabile di dataset freschi, diversificati e imparziali, le prestazioni di questi modelli si stabilizzeranno e la loro utilità inizierà a degradarsi.

Quindi la vera domanda non è chi costruirà il prossimo grande modello AI. È chi possiede i dati e da dove arriveranno?

Il problema dei dati dell’AI è più grande di quanto sembri

Nell’ultimo decennio, l’innovazione nell’AI si è basata fortemente su dataset pubblicamente disponibili: Wikipedia, Common Crawl, Reddit, repository di codice open-source e altro ancora. Ma questa fonte si sta rapidamente esaurendo. Mentre le aziende limitano l’accesso ai propri dati e le questioni di copyright si accumulano, le società AI sono costrette a ripensare il proprio approccio. Anche i governi stanno introducendo regolamentazioni per limitare il data scraping e il sentimento pubblico si sta spostando contro l’idea di addestrare modelli da miliardi di dollari su contenuti generati dagli utenti senza compenso.

I dati sintetici sono una soluzione proposta, ma rappresentano una sostituzione rischiosa. I modelli addestrati su dati generati da altri modelli possono portare a loop di feedback, allucinazioni e prestazioni degradate nel tempo. C’è anche il problema della qualità: i dati sintetici spesso mancano della complessità e delle sfumature degli input reali, che sono esattamente ciò di cui i sistemi AI hanno bisogno per funzionare bene in scenari pratici.

Questo lascia i dati reali, generati dagli esseri umani, come standard d’oro, e stanno diventando sempre più difficili da reperire. La maggior parte delle grandi piattaforme che raccolgono dati umani, come Meta, Google e X (precedentemente Twitter), sono giardini recintati. L’accesso è limitato, monetizzato o completamente vietato. Peggio ancora, i loro dataset spesso sono sbilanciati verso specifiche regioni, lingue e demografie, portando a modelli distorti che falliscono in casi d’uso reali e diversificati.

In breve, l’industria AI sta per scontrarsi con una realtà che ha a lungo ignorato: costruire un enorme LLM è solo metà della battaglia. Alimentarlo è l’altra metà.

Perché questo conta davvero

La catena del valore dell’AI ha due parti: creazione del modello e acquisizione dei dati. Negli ultimi cinque anni, quasi tutto il capitale e l’hype si sono concentrati sulla creazione dei modelli. Ma mentre spingiamo i limiti delle dimensioni dei modelli, finalmente l’attenzione si sta spostando sull’altra metà dell’equazione.

Se i modelli stanno diventando una commodity, con alternative open-source, versioni più leggere e design efficienti dal punto di vista hardware, allora il vero elemento distintivo diventa il dato. Dataset unici e di alta qualità saranno il carburante che definirà quali modelli supereranno gli altri.

Essi introducono anche nuove forme di creazione di valore. I contributori di dati diventano stakeholder. I costruttori hanno accesso a dati più freschi e dinamici. E le imprese possono addestrare modelli meglio allineati ai loro target di riferimento.

Il futuro dell’AI appartiene ai fornitori di dati

Stiamo entrando in una nuova era dell’AI, in cui chi controlla i dati detiene il vero potere. Mentre la competizione per addestrare modelli migliori e più intelligenti si intensifica, il vincolo più grande non sarà il calcolo. Sarà la provenienza di dati reali, utili e legali da utilizzare.

La domanda ora non è se l’AI scalerà, ma chi alimenterà questa crescita. Non saranno solo i data scientist. Saranno i custodi dei dati, gli aggregatori, i contributori e le piattaforme che li riuniscono. È lì che si trova la prossima frontiera.

Quindi, la prossima volta che senti parlare di una nuova frontiera nell’intelligenza artificiale, non chiederti chi ha costruito il modello. Chiediti chi lo ha addestrato e da dove provengono i dati. Perché alla fine, il futuro dell’AI non riguarda solo l’architettura. Riguarda l’input.