AI Index 2026 di Stanford: il divario tra Stati Uniti e Cina quasi chiuso

Lunedì 13 aprile lo Stanford Institute for Human-Centered AI ha pubblicato l'AI Index 2026, il rapporto annuale che misura lo stato dell'intelligenza artificiale con i dati. Il messaggio di quest'anno si riassume in una frase del rapporto stesso: il divario di prestazioni tra i modelli americani e quelli cinesi «si è di fatto chiuso». E intanto le capacità corrono più veloci delle regole, della scuola e della fiducia.

Stati Uniti e Cina: un testa a testa

Dall'inizio del 2025 i modelli statunitensi e quelli cinesi si sono passati il primato più volte. A febbraio 2025 DeepSeek-R1 aveva per un momento eguagliato il miglior modello americano; a marzo 2026 il modello di punta di Anthropic è in testa con un margine di appena il 2,7%.

Le differenze restano, ma su piani diversi. Gli Stati Uniti producono più modelli di primo livello e brevetti di maggiore impatto, e dominano negli investimenti: 285,9 miliardi di dollari di investimenti privati nel 2025, più di 23 volte i 12,4 miliardi registrati in Cina (Stanford avverte che il dato cinese sottostima la spesa pubblica). La Cina guida per numero di pubblicazioni, citazioni, brevetti e robot industriali installati. E un segnale da non trascurare: i ricercatori di AI che si trasferiscono negli Stati Uniti sono calati dell'89% dal 2017.

Una frontiera «frastagliata»

Il rapporto descrive capacità in forte accelerazione. Su SWE-bench Verified, un test di programmazione, i risultati sono passati in un anno dal 60% a quasi il 100%. Gemini Deep Think ha vinto l'oro alle Olimpiadi internazionali di matematica. Gli agenti che svolgono compiti reali al computer, misurati con OSWorld, sono saliti dal 12% a circa il 66% di successo.

Ma lo stesso rapporto ricorda che il miglior modello legge correttamente un orologio analogico solo nel 50,1% dei casi, e che gli agenti falliscono ancora circa un tentativo su tre. I ricercatori la chiamano frontiera frastagliata: eccellenza e ingenuità convivono nello stesso modello. Nel frattempo gli incidenti documentati legati all'AI sono saliti a 362, contro i 233 del 2024, e la trasparenza sui test di sicurezza resta disomogenea.

Adozione record, scuola in ritardo

L'AI generativa ha raggiunto il 53% della popolazione in tre anni, più in fretta del personal computer e di internet. Nelle organizzazioni l'adozione arriva all'88%. Quattro studenti universitari su cinque la usano, ma solo metà delle scuole medie e superiori americane ha una regola sull'AI, e appena il 6% degli insegnanti la considera chiara.

Sul lavoro, secondo la sintesi di The Decoder, il rapporto documenta aumenti di produttività dal 14 al 26% nell'assistenza clienti e nello sviluppo software, fino al 72% nel marketing, ma effetti più deboli o negativi nei compiti che richiedono giudizio. E tra gli sviluppatori americani dai 22 ai 25 anni l'occupazione è scesa di quasi il 20% dal 2024.

Infine la fiducia: il 73% degli esperti si aspetta un effetto positivo dell'AI sul lavoro, contro il 23% del pubblico. A livello globale l'Unione europea gode di più fiducia di Stati Uniti e Cina come regolatore dell'AI.

Che cosa significa per chi progetta con l'AI

Tre conseguenze pratiche.

Il modello migliore cambia spesso. Con un margine del 2,7% e il primato che passa di mano, legare i processi aziendali a un solo LLM è una scommessa fragile. Un sistema di prompt ben progettato separa ciò che è stabile (ruolo, fonti, criteri di qualità, formato) da ciò che dipende dal modello, così da poterlo cambiare senza riscrivere tutto.

La frontiera frastagliata va gestita, non ignorata. Se lo stesso modello vince le Olimpiadi e sbaglia l'ora, non si può dedurre l'affidabilità su un compito da quella su un altro. Servono prove sui propri casi d'uso e controlli dove l'errore costa: il rischio di allucinazione non sparisce con le prestazioni nei test.

I guadagni arrivano dove il compito è definito. I dati sulla produttività dicono che l'AI rende di più nei compiti strutturati. È un argomento in più per scomporre il lavoro in passaggi chiari, ognuno con il suo prompt e il suo criterio di verifica, invece di affidare tutto a una richiesta generica.

Un prompt da provare per mettere alla prova un modello sui propri casi, prima di adottarlo:

Ti do dieci richieste reali del nostro ufficio acquisti, con le risposte che consideriamo corrette. Per ognuna produci la tua risposta e poi indica, con un livello di sicurezza da 1 a 5, quanto sei certo. Segnala esplicitamente quando ti mancano informazioni.

Che cosa osservare: dove il modello sbaglia con sicurezza alta. Sono quelli i punti in cui il sistema ha bisogno di un controllo umano.

Fonti

• Stanford HAI, The 2026 AI Index Report, 13 aprile 2026
• The Decoder, Stanford's AI Index 2026 shows rapid progress, growing safety concerns, and declining public trust, 14 aprile 2026