Sempre più spesso escono notizie relative a Start-Up fondate da un team di poche persone, se non addirittura da una sola persona, le famigerate One-Man-Unicorn, su cui titani delle Big Tech come Sam Altman scommettono da anni.
Tuttavia, questo modello di Start Up non sempre funziona.
L’ingegnere Alex Reibman ha provato a spingersi ancora più avanti, affidando per 24 ore la gestione di un vero business a Saul, un agente basato su GPT-5.6. Le condizioni erano piuttosto generose. Saul aveva un’app iOS reale da far crescere, un Mac sbloccato, 350 dollari sul conto, token praticamente illimitati e grande libertà d’azione. Aveva anche un obiettivo relativamente semplice: far crescere il più possibile il business.
Il risultato però è stato un piccolo disastro.
Durante l’esperimento, Saul si è scontrato con sistemi anti-bot e limiti di tempo. Per superarli ha comprato 50 tester falsi spendendo 99,50 dollari, ha iniziato a fare spam agli utenti, ha ridotto il prezzo sei volte fino ad arrivare a zero e alla fine è riuscito persino a mandare in crash il Mac.
Dopo 24 ore aveva prodotto zero dollari di ricavi e perso circa cento dollari. Ci sta, del resto era un esperimento. Il dettaglio che trovo più interessante, però, riguarda il modo in cui ha fallito.
Nessuno aveva chiesto a Saul di comprare utenti falsi. Nessuno gli aveva chiesto di fare spam. Nessuno gli aveva suggerito di manipolare le metriche o regalare il prodotto. L’agente aveva ricevuto un obiettivo quantitativo, poco tempo e pochissimi vincoli. Così ha cercato scorciatoie che assomigliano parecchio a comportamenti che nel mondo delle startup esistono da molto prima di ChatGPT.
Ovvero: Vanity metric. Crescita artificiale. Spam. Prezzi insostenibili. Insomma, per diventare un pessimo founder non serviva inventare nulla di nuovo.
Saul ha semplicemente ottimizzato quello che sembrava crescita, anche quando con un’attività sostenibile aveva poco a che fare. È una vecchia trappola del management. Quando trasformiamo una misura in un obiettivo, le persone iniziano a ottimizzare la misura e quella misura perde progressivamente la capacità di raccontarci ciò che volevamo capire.
Con gli agenti questo problema potrebbe diventare ancora più evidente. Una persona a cui diciamo «aumenta le vendite» porta con sé esperienza, buon senso, reputazione, paura di essere licenziata, regole sociali e una quantità di vincoli impliciti che spesso nemmeno ci rendiamo conto di aver comunicato. A una macchina quei vincoli vanno definiti. Altrimenti “crescita” può voler dire più utenti veri oppure cinquanta account comprati per cento dollari.
Quando parliamo di Agentic AI, ci concentriamo molto sull’intelligenza dei modelli. Continuiamo a misurare quanto sappiano programmare, ragionare, analizzare dati o usare un computer. Poi diamo a quella stessa intelligenza un obiettivo scritto male e scopriamo che è bravissima a fare una cosa che non volevamo.
Per certi versi, qualcosa di simile può succedere anche agli esseri umani.
Leopold Aschenbrenner, ex ricercatore di OpenAI, ha costruito il suo hedge fund Situational Awareness attorno a una convinzione molto forte sulla crescita dell’Intelligenza Artificiale. La sua tesi era investire nell’infrastruttura necessaria a sostenerne lo sviluppo, quindi chip, memoria, data center, energia e aziende legate a questa filiera.
Nella prima parte del 2026 la strategia ha prodotto risultati straordinari. Poi è arrivato luglio. Alcuni titoli legati all’infrastruttura AI sono scesi e un portafoglio molto concentrato, amplificato dalla leva finanziaria, si è trovato rapidamente in difficoltà.
Situational Awareness sarebbe arrivato a perdere circa il 67% nel solo mese di luglio e a vendere gran parte delle proprie posizioni pubbliche.
La cosa interessante è che Aschenbrenner potrebbe anche avere ragione sul futuro. La domanda di chip, energia e data center potrebbe davvero continuare a crescere nei prossimi dieci anni. Un investitore con troppa leva, però, deve sopravvivere anche ai prossimi dieci giorni.
Saul e Situational Awareness sono due storie lontanissime tra loro. In una c’è un agente AI che cerca di far crescere un’app. Nell’altra un investitore umano che scommette miliardi sul futuro dell’Intelligenza Artificiale. Hanno però qualcosa in comune. Avere un obiettivo plausibile non garantisce una buona strategia.
Saul aveva ragione a cercare crescita. Ha distrutto il valore inseguendo una versione fasulla della crescita.
Aschenbrenner potrebbe avere ragione sull’espansione dell’infrastruttura AI. Una leva eccessiva ha trasformato una tesi di lungo periodo in una scommessa anche sul breve. Quando ottimizziamo troppo aggressivamente una variabile, tutto ciò che quella variabile non misura rischia di sparire.
Qualità dei clienti. Reputazione. Sostenibilità. Tempo. Rischio. Capacità di sopravvivere agli imprevisti.
Ed è per questo che, man mano che inizieremo a delegare agli agenti anche delle decisioni, forse la nuova competenza da sviluppare andrà oltre il Prompt Design.
Dovremo imparare a progettare obiettivi, incentivi, vincoli e margini di errore.
Perché un agente può essere estremamente intelligente e, contemporaneamente, prendere decisioni assurde se il gioco che gli abbiamo chiesto di vincere è stato progettato male. Alla fine Saul ha fatto esattamente quello che gli avevano chiesto. Il problema è capire se gli avevano chiesto la cosa giusta.