480 MILIARDI DI DOLLARI «BRUCIATI» IN BORSA: IN CINA È SCOPPIATA LA BOLLA DELL’IA. GLI STATI UNITI SONO I PROSSIMI?

Artem Honcharenko, PhD

Direttore dell’Istituto di reintegrazione, riabilitazione e sviluppo professionale dei veterani «Architettura della Resilienza» della KNUBA

27 ottobre 2026 • analisi dell’autore

Il crollo cinese: cosa è successo davvero al mercato

Fino a poco tempo fa, i produttori di chip, di componenti ottici per i data center e di robotica venivano indicati come i principali vincitori della nuova rivoluzione tecnologica. Gli investitori ne compravano le azioni contando su una futura crescita della domanda di intelligenza artificiale. Alla fine di ottobre quella fiducia ha lasciato il posto a una vendita massiccia.

Secondo Reuters del 26 ottobre 2026, l’indice STAR 50, che riflette l’andamento delle principali aziende tecnologiche e innovative della piazza di Shanghai, ha perso circa il 40% in meno di quattro mesi. La riduzione del valore di mercato complessivo è stimata in circa 480 miliardi di dollari. Già il 27 ottobre l’indice ha chiuso a 1.252,28 punti, con un calo giornaliero di 4,81%. [1–2]

Qui sono importanti due precisazioni. STAR 50 non è un elenco delle 50 maggiori aziende cinesi esclusivamente di IA, ma un indice del segmento tecnologico e innovativo, in cui molte aziende sono legate ai semiconduttori e all’IA. E i 480 miliardi di dollari non sono «spariti» dai conti bancari delle aziende: a calare è la valutazione di borsa del pacchetto azionario.

Ciò non rende però meno ampia la portata della correzione. Reuters riporta esempi di cali di decine di punti percentuali delle azioni di singoli produttori di robot, microchip e apparecchiature ottiche. La borsa si è improvvisamente ricordata di una semplice esigenza economica: una buona tecnologia non garantisce ancora utili sufficienti a giustificare qualsiasi prezzo delle azioni. [1]

Perché il mercato si è raffreddato: aspettative gonfiate contro utili reali

Al culmine della crescita, il multiplo prezzo/utili (P/E) dell’indice STAR 50, secondo la stima di Reuters, si avvicinava a 250. Anche dopo il brusco calo era pari a circa 100, mentre il parametro di riferimento per il Nasdaq 100 nello stesso articolo è di circa 30. Non sono indici con la stessa struttura, ma la differenza mostra quanta crescita futura gli investitori avessero già incorporato nelle quotazioni cinesi. [1]

Alle valutazioni elevate si sono aggiunti i dubbi sul ritmo della domanda di hardware per l’IA, le possibili restrizioni all’export, i fattori fiscali e i rischi per la vendita di componenti cinesi ai data center esteri. Nessuna di queste ragioni da sola spiega l’intero crollo, ma insieme hanno reso il mercato vulnerabile.

La mia conclusione è semplice: bisogna distinguere il prezzo di un’azione dall’utilità della tecnologia. Un’azienda può creare un prodotto utile ed essere comunque quotata in borsa a un prezzo ingiustificatamente alto. E, al contrario, il calo delle sue quotazioni non cancella l’effetto tecnologico già raggiunto.

Occorre distinguere con chiarezza due cose: l’efficacia economica dell’intelligenza artificiale e il valore speculativo delle aziende che ne traggono profitto. Il mercato azionario può sbagliare le proprie aspettative. Ma se una tecnologia riduce davvero i tempi della ricerca, aumenta la produttività e consente di prendere più rapidamente decisioni fondate, quel valore non scompare insieme al calo delle quotazioni.

L’IA accelera davvero il lavoro umano: cosa è dimostrato e cosa è solo promesso

Come ricercatore ritengo che l’intelligenza artificiale vada valutata non dal clamore delle presentazioni, ma da esperimenti indipendenti con gruppi di controllo. E studi di questo tipo esistono già.

In uno studio del MIT pubblicato sulla rivista Science nel 2023, 453 professionisti hanno svolto compiti professionali di scrittura. Nel gruppo con accesso a ChatGPT, il tempo medio di esecuzione si è ridotto del 40%, mentre la qualità del risultato, secondo la valutazione degli esperti, è aumentata del 18%. È un esperimento reale, ma non dimostra che qualsiasi ricerca complessa si accelererà automaticamente dello stesso 40%. [3]

In un esperimento di Harvard Business School e Boston Consulting Group con la partecipazione di 758 consulenti gli utenti di GPT-4 hanno svolto i compiti adatti alle capacità del modello oltre il 25% più velocemente e hanno completato oltre il 12% in più di compiti. Allo stesso tempo, in un compito al di fuori delle capacità affidabili dello strumento, l’uso dell’IA portava a un risultato peggiore. [4]

Particolarmente indicativa è l’analisi scientifica. Una rassegna di 25 studi, pubblicata su Frontiers in Pharmacology nel 2025, ha rilevato una riduzione dei tempi di oltre il 50% in 17 lavori. In alcuni casi lo screening automatizzato degli abstract si riduceva di 5–6 volte, mentre il carico di lavoro manuale, a condizione di una completezza del 95% nell’individuazione dei materiali, di 6–10 volte. Si parla soprattutto di singole fasi di selezione, non dell’intero percorso dall’idea alla conclusione verificata. [5]

Esiste anche un’avvertenza. In un esperimento randomizzato di METR del 2025, 16 sviluppatori esperti, che hanno svolto 246 compiti reali, con gli strumenti di IA di allora, hanno lavorato in media il 19% in più, sebbene loro stessi credessero di essere diventati più rapidi. Dunque uno strumento che aiuta un principiante può rallentare uno specialista in un lavoro che conosce bene, se il costo della verifica dei risultati è troppo alto. [6]

Conclusione: dobbiamo misurare non il volume di testo generato, ma la quantità di risultati corretti e verificati per unità di tempo.

Un esempio che cambia le proporzioni: 100.000 documenti

Immaginiamo un’organizzazione che deve effettuare una prima revisione di 100.000 documenti — contratti, pubblicazioni scientifiche, rapporti, richieste dei cittadini o materiali sulla ricostruzione. Se si dedicano soltanto tre minuti a ciascun documento, si arriva a 5.000 ore-uomo, cioè 625 giornate lavorative di otto ore. Un team di dieci analisti a pieno carico lavorerebbe circa 12,5 settimane.

Supponiamo ora che un sistema verificato esegua automaticamente la deduplicazione, la classificazione iniziale e la ricerca di contraddizioni, e produca un elenco di eccezioni. Se la sua qualità consente di ridurre proprio lo screening manuale del 90%, resterà l’equivalente di 500 ore-uomo in questa fase.

È un modello illustrativo, non il risultato di un’implementazione concreta. Non tiene conto separatamente dei costi di calcolo, configurazione e controllo qualità, né dei casi critici non rilevati. Perciò non si può affermare meccanicamente un’accelerazione di dieci volte dell’intera ricerca.

Ma spiega dove nasce il vero valore: l’esperto non è più tenuto a rivedere manualmente ogni singola unità di informazione, se la selezione automatizzata ha dimostrato la precisione necessaria. Passa dalla lettura di massa al lavoro approfondito sui casi complessi.

Il mercato comincia a maturare. La sola promessa di una rivoluzione tecnologica non basta più. L’investitore vuole vedere gli utili, e l’organizzazione un risultato concreto: quanto tempo è stato risparmiato, quanti errori sono stati evitati, quante richieste sono state evase e quanto costa mantenere il sistema. Il vero vantaggio competitivo sarà di chi saprà dimostrare l’efficacia economica dell’IA.

La guerra cambia la formula della produttività: perché è importante per l’Ucraina

Nel nostro Paese un lavoratore può essere altamente qualificato e motivato, ma non può annullare un allarme aereo o un attacco missilistico. La sicurezza delle persone deve restare sempre la priorità.

In un sondaggio della European Business Association condotto nel febbraio 2026 tra 131 dirigenti di aziende associate, 45% dei rispondenti ha indicato la sospensione del lavoro durante gli allarmi aerei tra i vincoli più diffusi, e 82% ha indicato gli attacchi al sistema energetico tra i fattori con il maggiore impatto negativo sulle imprese. Non è una statistica sulla perdita media di ore per tutta l’Ucraina, ma è una testimonianza significativa degli ostacoli operativi. [7]

Prendiamo un progetto ipotetico che richiede 100 ore analitiche produttive. Se la disponibilità effettiva del tempo di lavoro è del 70%, per realizzarlo serviranno circa 143 ore di risorsa lavorativa pianificata. In un processo ibrido simulato, in cui all’uomo restano 25 ore e l’elaborazione automatica e le operazioni di supporto ne aggiungono 10, la stima complessiva è di circa 46 ore. La differenza è di circa 3,1 volte.

Non bisogna considerare questi numeri come una norma per le aziende ucraine: il 70% di disponibilità e la struttura delle operazioni sono qui solo ipotesi di scenario. L’effetto reale dipenderà dalla natura dei compiti, dalla preparazione dei dati e dall’architettura del sistema.

Il principio, tuttavia, è importante. Se calcolo, dati e code di attività sono adeguatamente ridondati e distribuiti geograficamente, una parte delle operazioni può proseguire anche quando i dipendenti si trovano in un rifugio. Se invece il sistema dipende da un unico server d’ufficio privo di connessione e alimentazione di riserva, questo vantaggio non ci sarà.

Per l’Ucraina, l’uso dell’intelligenza artificiale non è solo il desiderio di essere tecnologicamente moderni. È una questione di resilienza. Ogni persona ha diritto alla sicurezza, al riposo e alla protezione durante la guerra. Allo stesso tempo, un’infrastruttura digitale costruita correttamente può garantire la continuità di una parte dei processi critici. Il nostro compito non è sostituire le persone, ma potenziarne le capacità con la tecnologia.

La vera rivoluzione non è un testo in un minuto, ma individuare il problema prima del rapporto

Ritengo che il prossimo cambiamento sarà più profondo della redazione automatica di note analitiche. Si tratta del monitoraggio h24, in cui i dati arrivano di continuo, il sistema rileva le deviazioni, le verifica in base a regole, classifica il rischio e trasmette l’informazione alla persona responsabile o esegue un’azione sicura autorizzata in anticipo.

Nella cybersicurezza si sviluppano da tempo, a questo scopo, piattaforme come SIEM e SOAR. Le raccomandazioni internazionali del 2025 le descrivono come strumenti per raccogliere eventi, rilevare attività sospette, avvisare gli specialisti e automatizzare determinate parti della risposta. Allo stesso tempo, tali sistemi richiedono una configurazione costante, test e una supervisione qualificata. [8]

Per l’Ucraina questo principio può essere adattato al monitoraggio della ricostruzione, al controllo finanziario, agli indicatori ambientali, alle minacce informatiche e alle richieste dei veterani e delle loro famiglie. Ad esempio, una nuova richiesta può arrivare automaticamente al servizio competente, e una modifica anomala nella documentazione di una gara d’appalto può generare un segnale per il revisore. Ma le decisioni sull’assistenza medica, sulla limitazione dei diritti o su sanzioni finanziarie non possono essere affidate a un modello generativo senza adeguati meccanismi di controllo indipendenti.

Il futuro appartiene ai sistemi che non si limitano ad accumulare informazioni, ma analizzano costantemente gli eventi. L’intelligenza artificiale può aiutare a individuare anomalie, verificarle e avviare scenari di risposta concordati in anticipo. Ma le decisioni critiche devono restare sotto un adeguato controllo umano. È proprio la combinazione di automazione e responsabilità a determinare la qualità dei nuovi ecosistemi digitali.

Il prezzo dell’errore: dove l’automazione non va confusa con la fiducia

Quanto più è ampia l’automazione, tanto più costoso può essere un errore sistemico. Un modello può inventare in modo convincente una fonte, trascurare un documento importante o concedere l’accesso a dati riservati a un utente non idoneo. Per questo, per i materiali medici, personali e finanziari servono minimizzazione dei dati, controllo dei diritti di accesso, registrazione delle operazioni, verifica dell’accuratezza e procedure di approvazione separate per le azioni critiche.

La comunità scientifica deve distinguere la velocità dell’elaborazione automatica dall’attendibilità della conclusione. Ciò è particolarmente rilevante quando l’IA contribuisce a produrre rassegne scientifiche o analisi per le decisioni gestionali.

Dobbiamo distinguere la velocità di elaborazione delle informazioni dall’attendibilità della conoscenza ottenuta. L’intelligenza artificiale può accelerare in modo significativo la ricerca, il confronto e la sistematizzazione dei dati, ma ciò non elimina la necessità di verificare le fonti, controllare la metodologia e garantire la riproducibilità dei risultati.

Il crollo cinese si ripeterà negli Stati Uniti?

È la domanda che oggi si sente più forte. Tuttavia, un calo del 40% dello STAR 50 cinese non comporta automaticamente un crollo del 40% delle azioni americane. Reuters confronta la correzione cinese con un arretramento di circa il 6% del Nasdaq dal recente massimo. Sono indici, periodi e strutture aziendali diversi; una previsione diretta su questa base sarebbe infondata. [1]

I rischi per i titoli tecnologici globali esistono: aspettative elevate, grandi spese in conto capitale per l’infrastruttura di calcolo, incertezza della domanda e monetizzazione difficile. Ma il grado di vulnerabilità di ciascuna azienda dipende dai suoi utili, dai flussi di cassa, dal debito, dai clienti e dal costo del capitale.

A mio avviso, la domanda chiave per i mercati è già cambiata: non «chi ha parlato più forte dell’IA», ma «chi è riuscito a trasformare la tecnologia in un risultato economico verificato». In questa logica, la riduzione delle valutazioni speculative può perfino spingere le imprese verso investimenti più disciplinati.

Cosa propongo alle organizzazioni ucraine

Non vale la pena fermare la trasformazione digitale a causa del crollo dei titoli di borsa di un altro Paese. Ma allo stesso modo non bisogna acquistare senza riflettere costose soluzioni di IA solo perché vanno di moda. Un approccio razionale si può ridurre a cinque passi pratici.

1. Misurare il processo attuale: la durata delle operazioni, il costo, gli errori, i tempi di attesa per una risposta e il carico sulle persone.
2. Scegliere un progetto pilota circoscritto: ad esempio la classificazione dei documenti, la ricerca dei duplicati o la prioritizzazione delle richieste, invece di automatizzare subito l’intera gestione.
3. Definire i limiti dell’autonomia: cosa l’algoritmo può fare da solo, cosa può solo proporre e cosa richiede obbligatoriamente una decisione umana.
4. Verificare qualità e sicurezza: i casi critici non rilevati, i falsi allarmi, l’accesso ai dati personali, la dipendenza dal fornitore e la resilienza ai guasti.
5. Calcolare l’economia complessiva: licenze, calcolo, integrazioni, assistenza, formazione del team — e il valore del tempo che si è riusciti a risparmiare.

Quando questi indicatori non vengono misurati, i discorsi su risparmi di cinque o dieci volte si trasformano in marketing. Quando vengono misurati, l’organizzazione può prendere decisioni basate su prove.

Conclusione: la bolla di borsa può scoppiare, mentre la rivoluzione tecnologica prosegue

Il crollo cinese è un serio avvertimento per gli investitori. Mostra che nemmeno i settori promettenti sono al riparo da valutazioni gonfiate, aspettative ingiustificate e bruschi cambi di umore del mercato.

Ma per me, come ricercatore e responsabile di un’istituzione che si occupa di capitale umano e di ricostruzione dell’Ucraina, la conclusione è un’altra: la tecnologia va valutata per l’impatto sui compiti reali, non per l’entusiasmo di borsa.

Se l’automazione riduce i tempi di trattazione delle richieste, aiuta a individuare i rischi in tempo, sostiene la continuità del lavoro durante la guerra e libera gli specialisti per decisioni di responsabilità, ha già un valore pratico. Ma questo valore va misurato, e la sicurezza dimostrata.

La bolla dell’IA può scoppiare. Il bisogno di conoscenze verificate, organizzazioni resilienti e decisioni tempestive, no.

Fonti e note metodologiche

[1] Reuters. «In China, the AI bubble has already burst», 26 ottobre 2026 Fonte

[2] Investing.com. SSE STAR 50: historical data, chiusura del 27 ottobre 2026 Fonte

[3] Noy S., Zhang W. «Experimental evidence on the productivity effects of generative artificial intelligence». Science, 2023 Fonte

[4] Harvard Business School / Boston Consulting Group. «Navigating the Jagged Technological Frontier», 2023 Fonte

[5] Abogunrin S. et al. «How much can we save by applying artificial intelligence in evidence synthesis?». Frontiers in Pharmacology, 2025 Fonte

[6] METR. «Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity», 2025 Fonte

[7] European Business Association. «Quattro anni di guerra su larga scala: come funzionano le imprese in Ucraina», 24 febbraio 2026 Fonte

[8] Australian Signals Directorate e partner internazionali. «Implementing SIEM and SOAR platforms: Executive guidance», 27 maggio 2025 Fonte

Nota sui calcoli: l’esempio dei 100.000 documenti e il modello di disponibilità del personale in tempo di guerra sono ipotesi illustrative. Vanno distinti dai risultati di specifici studi controllati e verificati sui propri dati prima di una decisione di investimento.