$480 MILIARDI «BRUCIATI» IN BORSA: IN CINA È SCOPPIATA LA BOLLA DELL'IA. SARANNO GLI STATI UNITI 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: che 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 erano 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 questa fiducia ha ceduto il passo 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. Già il 27 ottobre l'indice ha chiuso a 1.252,28 punti, con un calo giornaliero pari a 4,81%. [1–2]

Qui sono importanti due precisazioni. Lo STAR 50 non è un elenco delle 50 maggiori aziende cinesi puramente di IA, ma un indice del segmento tecnologico e innovativo, in cui molte società sono legate ai semiconduttori e all'IA. E i $480 miliardi non sono «scomparsi» dai conti bancari delle imprese: si tratta del calo della valutazione di borsa di pacchetti azionari.

Ma questo non rende la portata della correzione meno rilevante. 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 un semplice requisito economico: 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 si attestava intorno a 100, mentre il riferimento per il Nasdaq 100 nello stesso articolo è di circa 30. Non sono indici identici per 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, possibili restrizioni all'export, fattori fiscali e rischi per la vendita di componenti cinesi ai data center esteri. Nessuna di queste cause spiega da sola l'intero crollo, ma insieme hanno reso il mercato vulnerabile.

La mia conclusione è semplice: occorre separare il prezzo di un'azione dall'utilità della tecnologia. Un'azienda può creare un prodotto utile ma valere in Borsa una cifra ingiustificata. 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 ci guadagnano. Il mercato azionario può sbagliare nelle sue aspettative. Ma se la tecnologia riduce davvero i tempi della ricerca, aumenta la produttività e consente di prendere più rapidamente decisioni fondate, questo valore non scompare con il calo delle quotazioni.

L'IA accelera davvero il lavoro umano: che cosa è dimostrato e che 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 tali studi esistono già.

In uno studio del MIT pubblicato sulla rivista Science nel 2023, 453 professionisti hanno svolto compiti di scrittura professionale. Nel gruppo con accesso a ChatGPT il tempo medio di esecuzione si è ridotto del 40%, mentre la qualità del risultato, secondo le valutazioni di 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 della Harvard Business School e del Boston Consulting Group con la partecipazione di 758 consulenti gli utenti di GPT-4 hanno svolto compiti adeguati alle capacità del modello oltre il 25% più velocemente e ne hanno completati oltre il 12% di compiti in più. Al contempo, in un compito al di fuori delle capacità affidabili dello strumento, l'uso dell'IA ha portato a un risultato peggiore. [4]

Particolarmente indicativa è l'analitica scientifica. Una rassegna di 25 studi, pubblicata su Frontiers in Pharmacology nel 2025, ha registrato una riduzione dei tempi di oltre il 50% in 17 lavori. In alcuni casi la revisione automatizzata degli abstract si è ridotta di 5-6 volte, mentre il carico manuale, con una completezza di individuazione del 95%, di 6-10 volte. Si tratta anzitutto 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 dell'epoca hanno lavorato in media il 19% di tempo in più, pur ritenendo di essere diventati più veloci. Dunque uno strumento che aiuta un principiante può rallentare uno specialista su un lavoro ben noto, se il costo della verifica dei risultati è troppo alto. [6]

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

Un esempio che cambia le proporzioni: 100.000 documenti

Immaginiamo un'organizzazione che deve esaminare in via preliminare 100.000 documenti — contratti, pubblicazioni scientifiche, rapporti, richieste dei cittadini o materiali sulla ricostruzione. Se per ogni documento si impiegano soltanto tre minuti, otteniamo 5.000 ore-uomo, cioè 625 giornate lavorative di otto ore. Un team di dieci analisti lavorerebbe per circa 12,5 settimane a pieno carico.

Supponiamo ora che un sistema verificato esegua automaticamente la deduplicazione, la classificazione iniziale, la ricerca di contraddizioni e generi 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 del costo del calcolo, della configurazione, del controllo qualità e 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 obbligato a esaminare manualmente ogni unità di informazione, se la selezione automatizzata ha dimostrato la precisione necessaria. Passa dalla lettura di massa a un lavoro approfondito sui casi complessi.

Il mercato comincia a maturare. La sola promessa di una rivoluzione tecnologica non basta più. L'investitore vuole vedere utili, mentre l'organizzazione vuole 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 è in grado di 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 a febbraio 2026 tra 131 dirigenti di aziende associate, 45% degli intervistati ha indicato la sospensione del lavoro durante gli allarmi aerei tra le limitazioni diffuse, e 82% gli attacchi al sistema energetico tra i fattori con il maggior impatto negativo sul business. Non è una statistica sulla perdita media di ore per tutta l'Ucraina, ma è un'indicazione significativa degli ostacoli operativi. [7]

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

Questi numeri non vanno intesi come una norma per le aziende ucraine: il 70% di disponibilità e la struttura delle operazioni sono qui soltanto 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 nel rifugio. Se invece il sistema dipende da un unico server d'ufficio, senza connettività e alimentazione di riserva, questo vantaggio non ci sarà.

Per l'Ucraina l'uso dell'intelligenza artificiale non è semplicemente il desiderio di essere tecnologicamente moderni. È una questione di resilienza. La persona ha diritto alla sicurezza, al riposo e alla protezione durante la guerra. Al tempo stesso, un'infrastruttura digitale ben costruita può garantire la continuità di una parte dei processi critici. Il nostro compito non è sostituire l'uomo, 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 preparazione automatica di note analitiche. Si tratta del monitoraggio h24, in cui i dati arrivano di continuo, il sistema individua gli scostamenti, li verifica secondo regole, classifica il rischio e passa l'informazione a una persona responsabile oppure esegue un'azione sicura autorizzata in anticipo.

In ambito di cybersicurezza si sviluppano da tempo, a questo scopo, le piattaforme SIEM e SOAR. Le raccomandazioni internazionali del 2025 le descrivono come strumenti per raccogliere eventi, individuare attività sospette, avvisare gli specialisti e automatizzare determinate parti della risposta. Al contempo, tali sistemi richiedono configurazione, test e supervisione qualificata continui. [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 potrebbe giungere automaticamente al servizio competente, e una modifica anomala nella documentazione di gara generare un segnale per il revisore. Ma le decisioni sull'assistenza medica, sulla limitazione dei diritti o sulle 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 le anomalie, a verificarle e ad 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 la minimizzazione dei dati, il controllo dei diritti di accesso, la registrazione delle operazioni, la verifica dell'accuratezza e procedure di approvazione distinte per le azioni critiche.

Il mondo scientifico deve distinguere la velocità dell'elaborazione automatica dall'affidabilità della conclusione. Ciò è particolarmente rilevante quando l'IA aiuta a produrre rassegne scientifiche o analisi per le decisioni gestionali.

Dobbiamo distinguere la velocità di elaborazione delle informazioni dall'affidabilità della conoscenza ottenuta. L'intelligenza artificiale può accelerare in modo sostanziale 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 risuona più forte. Tuttavia il calo del 40% dello STAR 50 cinese non significa automaticamente un crollo del 40% delle azioni americane. Reuters mette a confronto la correzione cinese con un arretramento di circa il 6% del Nasdaq dal recente massimo. Si tratta di indici, periodi e strutture aziendali diversi; una previsione diretta su tale base sarebbe infondata. [1]

I rischi per i titoli tecnologici globali esistono: aspettative elevate, ingenti spese in conto capitale per l'infrastruttura di calcolo, incertezza della domanda e monetizzazione complessa. 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 raccolto.

A mio avviso, la domanda chiave per i mercati è già cambiata: non «chi ha proclamato più forte l'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.

Che cosa propongo alle organizzazioni ucraine

Non bisogna fermare la trasformazione digitale a causa del crollo borsistico di un altro Paese. Ma non occorre nemmeno acquistare senza riflettere costose soluzioni di IA solo perché sono 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, il tempo di attesa della risposta e il carico sulle persone.
2. Scegliere un pilota circoscritto: ad esempio la classificazione di documenti, la ricerca di duplicati o la definizione delle priorità delle richieste, anziché l'automazione di tutta la gestione in una sola volta.
3. Definire i limiti dell'autonomia: che cosa l'algoritmo può fare da solo, che cosa può soltanto proporre e che cosa richiede obbligatoriamente la decisione di una persona.
4. Verificare qualità e sicurezza: casi critici non rilevati, falsi allarmi, accesso ai dati personali, dipendenza dal fornitore e resilienza ai guasti.
5. Calcolare l'economia completa: 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 sulle prove.

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

Il crollo cinese è un serio monito 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, in quanto ricercatore e dirigente di un'istituzione che si occupa di capitale umano e di ripresa dell'Ucraina, la conclusione è diversa: la tecnologia va valutata per l'impatto su compiti reali, non per l'euforia di borsa.

Se l'automazione riduce i tempi di trattazione delle richieste, aiuta a individuare in tempo i rischi, 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 grande guerra: come lavorano 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 con i propri dati prima di una decisione di investimento.