Quattro capitoli. Nessuno di questi è una previsione di mercato: sono le assunzioni su cui sto scommettendo il mio tempo, quindi mi costano se sbagliate.
Un modello produce un output plausibile e non può dimostrare perché. Finché il costo dell'errore è un testo mal scritto, va bene così. Nel momento in cui l'output muove denaro, nega un credito o firma una fornitura, la plausibilità non basta più: serve una catena di custodia della decisione.
Non chiedo a un sistema di essere infallibile. Chiedo che, quando sbaglia, si possa ricostruire esattamente dove.
Ne ha risolto uno solo, ma bene: mettere d'accordo parti che non si fidano, senza un arbitro. Tutto il resto — token, speculazione, promesse di disintermediazione universale — è stato rumore che ha oscurato l'unica funzione davvero difficile da replicare altrove. Quella funzione oggi ha un cliente evidente: l'AI.
Un agente che opera in produzione registra ogni decisione: input, contesto recuperato, strumenti chiamati, output, chi l'ha approvata. Quel registro viene ancorato on-chain a intervalli. Non finisce sulla catena il dato — finisce la prova che il dato non è stato riscritto dopo. È una differenza piccola da spiegare ed enorme da implementare.
Non nelle startup che dimostrano il concetto su un dataset pulito, ma dentro i gestionali .NET che girano da dodici anni e che nessuno può spegnere. È lì che l'auditabilità non è un valore aggiunto ma un requisito di sopravvivenza — e quindi è lì che la convergenza smette di essere una tesi e diventa un preventivo.
Altrimenti sarebbe solo un'opinione ben scritta.