The New Infrastructure Revolution: How We Turn AI into a Common Good

The AI-based innovation society — what can history teach us about the future?

(Italian version below)

Introduction

Every technology forces one honest question: who is this actually for? For artificial intelligence, that question is now urgent, and history is the best place to look for an answer.

My aim in this article is simple: to help people catch up with the fast-moving developments around AI without needing to wade through hours of expert commentary themselves. To do that, I draw on three recent YouTube conversations featuring some of the world's leading voices on AI and its economic impact — the economist Mariana Mazzucato [1], the Nobel laureate Geoffrey Hinton [2], and the entrepreneurs Salim Ismail and Dave Blundin [3]. Between them they represent the three positions worth understanding: govern it, fear it, and ride it.

Here is the latest harvest of fontier Large Language Models (LLMs):

Month	Model	Lab	What happened	Status
June	Claude Fable 5	Anthropic	Launched June 9; later taken offline June 12 after a U.S. export-control directive	Held up
June	Claude Mythos 5	Anthropic	Launched alongside Fable 5 on June 9; also affected by the June 12 suspension	Held up
July	Muse Spark 1.1	Meta	Reported as the most recent frontier release on July 9	Dropped
July	Grok 4.5	xAI	Reported as a frontier release in early July	Dropped
July	GPT-5.6	OpenAI	Reported as moving from limited access to broader release on July 9	Dropped

This essay makes a single argument. AI is not a gadget or a passing wave; it is the fourth in a line of infrastructure revolutions — after the railways, electricity and the internet — and, like each of those, it will only serve the many if we deliberately build it as a commons rather than let it settle into a playground for the few. Part 1 asks what "big science" in the twentieth century actually delivered, and to whom. Part 2 puts these three witnesses on the stand and lets them argue. The conclusion is neither doom nor hype but pragmatic optimism: the technology itself is moving faster than anything before it, yet the true pace of the revolution is set by how fast our institutions and habits adapt — and on that front we still have time to choose well.

In short: AI is an infrastructure revolution, and the question that decides its value is not what it can do, but who it is built for.

Part 1 — The past: what "big science" was really for

The defining achievements of the twentieth century were not lone inventions but state-scale missions: the atomic bomb and the reactor, the satellite and the Moon landing, the computer and the internet. "Big science" meant huge budgets, major institutions, advanced instruments and large teams, funded by governments for reasons of war, prestige and strategy. The Cold War, above all, welded science to national purpose.

The crucial point is that these projects did not merely produce breakthroughs — they laid down infrastructure. The space programme gave us satellite navigation and communications; defence research gave us the microchip and the network that became the internet. Each became a platform others could build on. As Mazzucato notes, even the deep components of today's AI trace back to public money: large language models grew out of early speech recognition that was "DARPA funded by the US taxpayer" (~00:32:20) [1].

But the twentieth century also teaches a harder lesson about who collects. The state routinely took on the early, high-risk, capital-intensive phase and then let the rewards flow entirely to private hands — a pattern Mazzucato calls "socializing risks and privatizing rewards" (~00:05:19) [1]. Her Tesla example is the sharpest: a government loan on the same terms as the failed Solyndra loan, but with a contract so poorly drafted that when the share price ran from 9 to 90, the public captured none of the upside (~00:12:31–00:12:57) [1]. The remedy is not to punish success but to design the deal properly from the start. This is also why "taxing billionaires" is not an extreme position but a corrective one: when income distribution in the United States has become as skewed as it now is, asking firms that were built on public research to pay their fair share is simply restoring a balance that the original contracts failed to protect.

Here the railway analogy earns its keep. The nineteenth century had no "Ministry of Railways" running a centralized programme; track spread through a messy mix of private capital and uneven state support, complete with speculative manias and busts. Yet railways still remade the world — and eventually forced shared standards, like a common gauge. AI is on a similar path: a general-purpose technology diffusing through every sector, minting fortunes and bubbles alike, and now beginning to need common protocols and public foundations.

In short: big science always built the infrastructure but rarely kept the gains, and the lesson for AI is to fix the deal, not slow the progress.

Part 2 — The future: three witnesses, one verdict

Ask three serious people what AI means and you get three incompatible answers. That is not a weakness; it is the argument. None of the three offers a complete solution, but each is right about something the others miss.

Govern it. Mazzucato's warning is that we are running the AI transition the way we ran the last one — as an afterthought to be corrected, not an objective to be shaped. Without common purpose at the centre, she argues, "of course we're going to get very problematic contracts" (~00:21:43) [1]. Her worries are concrete: the same firms that leaned hardest on public research pay strikingly little tax (~00:32:52) [1], and talent is haemorrhaging out of universities and public labs into a handful of companies (~00:33:21) [1], making the technology harder to govern precisely as it grows more powerful. Her answer is not smaller or bigger government but a confident one that shares knowledge, shares rewards, and treats smart regulation as a spur to innovation rather than a brake (~00:34:18) [1].

Fear it. Hinton is the dissonant note. He argues these systems understand language much as we do (~00:19:54) [2], are not "just autocomplete" because you cannot answer a question you don't understand (~00:31:17) [2], and — because digital minds can copy themselves and share what they learn far faster than we can — are effectively an immortal and superior form of computation (~00:34:47) [2]. His fear is that a system able to set its own sub-goals will reliably choose two: acquire control, and survive (~00:40:45) [2]. His analogy is a tiger cub too useful to give up, so our only real option is to raise it not to want to harm us (~00:52:30) [2]. Yet his fears are, on balance, somewhat overblown. His own most hopeful observation points the way out: rival superpowers cooperated to avoid nuclear war because it suited neither of them, and their interests align here too (~00:53:01) [2]. This is a problem that can be managed with smart regulation and a serious role for the state — not an inevitability to be dreaded.

Ride it. From Silicon Valley the mood is euphoric and impatient. Ismail and Blundin describe "a double exponential… with AI accelerating everything, including path to revenue" — 36 unicorns in half a year (~00:00:01) [3]. The time to a million dollars of revenue has collapsed from sixteen months to five, and small teams now reach billion-dollar valuations (~00:08:00, 00:10:03) [3]. Their message is that this is "the opportunity of a lifetime" (~00:06:56) [3], and that incumbents die not from lack of technology but from the innovator's dilemma, which is why disruption has to be built at the edge. Tellingly, even these optimists puncture the hype: Blundin calls frontier benchmarks "mostly irrelevant… like automating Wikipedia" and argues that "reasoning" has been "bastardized" to mean iterative reprompting rather than real thought (~00:21:12, 00:23:04) [3]. Their honest verdict is that AI is superhuman in narrow domains and still behind us in others — "a golden moment" to build alongside it (~01:05:28) [3].

So who is right? All three, partially — and that is the resolution. Hinton is right that this may be more than an ordinary tool. Ismail is right that the capital and the capability are moving faster than in any prior wave; the technology's speed really is unprecedented. But Mazzucato is right about the binding constraint, and it is the one thing that has not changed: societies, organizations and people still adapt at the same slow, human speed they always have. Electricity took decades to show up in the productivity numbers, and the bottleneck was never the dynamo — it was the factory, the workforce and the rulebook.

In short: the technology is racing, human institutions are not, and that widening gap is exactly where our freedom to choose still lives.

Predictions and conclusions

No, AI is not about to take your job or a thousand jobs at once — at least not yet. Displacement plays out over years because the bottleneck is organizational change, and AI will more often augment work than erase it, taking the routine so people can do the rest.

The harder work is not the technology but the plumbing around it: reskilling at the scale of the post-Sputnik education drive; public options in data and compute so a few firms don't own the foundations; and mission-driven projects that aim AI at real problems such as climate, health and energy. And here a genuine reversal is coming. Unlike the space race or the early internet, the state had no direct role at the birth of this AI wave — it was built by private capital, at private speed. That will not last. Greater state involvement is now inevitable, driven less by economics than by cyber security and national security, because no government can leave the core infrastructure of its economy and defence in a handful of private hands for long.

Above all, we should refuse both fatalism and blind faith. The glass is half full or half empty, but we still have time to make up our minds — and if science and technology are governed with intent, this fourth industrial revolution can be made as good as the three before it. The motto, then, is not that AI is merely a tool to be shrugged at. It is this: stay calm, but not complacent.

In short: the technology will not run away from us, but only deliberate governance — increasingly by the state, for security as much as for fairness — will turn it into a common good.

References

[1] The biggest lie about capitalism | Mariana Mazzucato interview [Video]. (2026). YouTube. https://www.youtube.com/watch?v=v08NV8wN3zY

[2] MIT IMES Distinguished Speaker Series 2026: Geoffrey Hinton [Video]. (2026). YouTube. https://www.youtube.com/watch?v=g6AwGpfE2b0

[3] AI is making more millionaires than anything in history w/ Salim Ismail & Dave Blundin (EP #181) [Video]. (2026). Moonshot [YouTube channel]. YouTube. https://www.youtube.com/watch?v=f0MUe-0zpBQ

Italian version:

La società dell'innovazione basata sull'IA — cosa può insegnarci la storia sul futuro?

Introduzione

Ogni tecnologia impone una domanda onesta: a chi serve davvero? Per l'intelligenza artificiale, questa domanda è oggi urgente, e la storia è il posto migliore in cui cercare una risposta.

Il mio obiettivo in questo articolo è semplice: aiutare le persone a rimanere al passo con i rapidi sviluppi dell'IA senza doversi districare da sole tra ore di commenti di esperti. Per farlo, mi baso su tre recenti conversazioni su YouTube che vedono protagoniste alcune delle voci più autorevoli al mondo sull'IA e il suo impatto economico — l'economista Mariana Mazzucato [1], il premio Nobel Geoffrey Hinton [2], e gli imprenditori Salim Ismail e Dave Blundin [3]. Insieme rappresentano le tre posizioni che vale la pena comprendere: governarla, temerla, cavalcarla.

Questo saggio sostiene una tesi unica. L'IA non è un gadget né un'onda passeggera; è la quarta di una serie di rivoluzioni infrastrutturali — dopo le ferrovie, l'elettricità e internet — e, come ciascuna di esse, servirà i molti solo se la costruiremo deliberatamente come un bene comune, anziché lasciare che si trasformi in un parco giochi per pochi. La Parte 1 si chiede cosa abbia realmente prodotto la "big science" del Novecento, e per chi. La Parte 2 mette questi tre testimoni sul banco e li lascia argomentare. La conclusione non è né catastrofismo né entusiasmo cieco, ma ottimismo pragmatico: la tecnologia in sé si muove più velocemente di qualsiasi cosa l'abbia preceduta, ma il vero ritmo della rivoluzione è determinato dalla velocità con cui le nostre istituzioni e abitudini si adattano — e su questo fronte abbiamo ancora tempo per scegliere bene.

In sintesi: l'IA è una rivoluzione infrastrutturale, e la domanda che ne decide il valore non è cosa possa fare, ma per chi viene costruita.

Parte 1 — Il passato: a cosa è servita davvero la "big science"

I traguardi che hanno definito il Novecento non sono state invenzioni isolate, ma missioni su scala statale: la bomba atomica e il reattore, il satellite e lo sbarco sulla Luna, il computer e internet. "Big science" significava budget enormi, istituzioni di primo piano, strumenti avanzati e grandi équipe, finanziati dai governi per ragioni di guerra, prestigio e strategia. Fu soprattutto la Guerra Fredda a saldare la scienza allo scopo nazionale.

Il punto cruciale è che questi progetti non produssero soltanto scoperte, ma posero le basi di infrastrutture. Il programma spaziale ci ha dato la navigazione satellitare e le comunicazioni; la ricerca militare ci ha dato il microchip e la rete che sarebbe diventata internet. Ciascuno di essi è diventato una piattaforma su cui altri hanno potuto costruire. Come nota Mazzucato, anche le componenti profonde dell'IA odierna risalgono a fondi pubblici: i grandi modelli linguistici sono nati dai primi sistemi di riconoscimento vocale, finanziati dalla DARPA "con i soldi dei contribuenti americani" (~00:32:20) [1].

Ma il Novecento insegna anche una lezione più dura su chi ne raccoglie i frutti. Lo Stato si assumeva sistematicamente la fase iniziale, ad alto rischio e ad alta intensità di capitale, per poi lasciare che i benefici finissero interamente nelle mani dei privati — uno schema che Mazzucato definisce "socializzare i rischi e privatizzare i profitti" (~00:05:19) [1]. Il suo esempio su Tesla è il più tagliente: un prestito governativo alle stesse condizioni del fallito prestito a Solyndra, ma con un contratto redatto così male che, quando il titolo passò da 9 a 90, il pubblico non catturò nulla del guadagno (~00:12:31–00:12:57) [1]. Il rimedio non è punire il successo, ma progettare bene l'accordo fin dall'inizio. Ecco perché "tassare i miliardari" non è una posizione estrema, ma correttiva: quando la distribuzione del reddito negli Stati Uniti è diventata così squilibrata, chiedere alle aziende costruite sulla ricerca pubblica di pagare la loro giusta quota significa semplicemente ripristinare un equilibrio che i contratti originari non hanno saputo proteggere.

È qui che l'analogia ferroviaria si rivela utile. Nell'Ottocento non esisteva un "Ministero delle Ferrovie" che gestisse un programma centralizzato; i binari si diffusero attraverso un intreccio disordinato di capitale privato e sostegno statale discontinuo, tra manie speculative e crolli. Eppure le ferrovie hanno comunque cambiato il mondo — arrivando infine a imporre standard condivisi, come uno scartamento comune. L'IA sta seguendo un percorso simile: una tecnologia general-purpose che si diffonde in ogni settore, generando fortune e bolle allo stesso tempo, e che comincia ora ad avere bisogno di protocolli comuni e di basi pubbliche.

In sintesi: la big science ha sempre costruito l'infrastruttura ma raramente ne ha trattenuto i benefici, e la lezione per l'IA è correggere l'accordo, non rallentare il progresso.

Parte 2 — Il futuro: tre testimoni, un solo verdetto

Chiedete a tre persone serie cosa significhi l'IA e otterrete tre risposte incompatibili. Non è un difetto: è l'argomento stesso. Nessuno dei tre offre una soluzione completa, ma ciascuno ha ragione su qualcosa che agli altri sfugge.

Governarla. L'avvertimento di Mazzucato è che stiamo gestendo la transizione verso l'IA come abbiamo gestito l'ultima grande transizione — come un ripensamento da correggere in corsa, non come un obiettivo da plasmare fin dall'inizio. Senza uno scopo comune al centro, sostiene, "ovviamente otterremo contratti molto problematici" (~00:21:43) [1]. Le sue preoccupazioni sono concrete: le stesse aziende che hanno attinto di più dalla ricerca pubblica pagano sorprendentemente poche tasse (~00:32:52) [1], e i talenti stanno defluendo dalle università e dai laboratori pubblici verso una manciata di aziende (~00:33:21) [1], rendendo la tecnologia più difficile da governare proprio mentre diventa più potente. La sua risposta non è un governo più piccolo o più grande, ma un governo sicuro di sé, che condivida conoscenza e benefici, e tratti la regolamentazione intelligente come uno stimolo all'innovazione anziché un freno (~00:34:18) [1].

Temerla. Hinton è la nota discordante. Sostiene che questi sistemi comprendono il linguaggio in modo simile a noi (~00:19:54) [2], che non sono "solo autocompletamento" perché non si può rispondere a una domanda che non si comprende (~00:31:17) [2], e — poiché le menti digitali possono copiarsi e condividere ciò che apprendono molto più velocemente di noi — costituiscono di fatto una forma di calcolo immortale e superiore (~00:34:47) [2]. Il suo timore è che un sistema capace di darsi sotto-obiettivi propri ne sceglierà con costanza due: acquisire controllo e sopravvivere (~00:40:45) [2]. La sua analogia è quella di un cucciolo di tigre troppo utile per essere abbandonato, per cui l'unica vera opzione è allevarlo perché non desideri farci del male (~00:52:30) [2]. Eppure i suoi timori sono, nel complesso, in parte eccessivi. La sua stessa osservazione più incoraggiante indica la via d'uscita: le superpotenze rivali hanno cooperato per evitare la guerra nucleare perché non conveniva a nessuna delle due, e i loro interessi convergono anche qui (~00:53:01) [2]. È un problema che si può gestire con una regolamentazione intelligente e un ruolo serio dello Stato — non una fatalità da temere.

Cavalcarla. Da Silicon Valley l'umore è euforico e impaziente. Ismail e Blundin descrivono "una doppia esponenziale… con l'IA che accelera tutto, compreso il percorso verso il fatturato" — 36 unicorni in sei mesi (~00:00:01) [3]. Il tempo necessario per raggiungere un milione di dollari di fatturato è crollato da sedici mesi a cinque, e piccoli team raggiungono ormai valutazioni miliardarie (~00:08:00, 00:10:03) [3]. Il loro messaggio è che si tratta de "l'opportunità di una vita" (~00:06:56) [3], e che le aziende affermate non muoiono per mancanza di tecnologia, ma per il dilemma dell'innovatore, motivo per cui la disruption va costruita ai margini. Significativamente, anche questi ottimisti sgonfiano parte dell'hype: Blundin definisce i benchmark di frontiera "per lo più irrilevanti… come automatizzare Wikipedia" e sostiene che il termine "ragionamento" sia stato "snaturato" fino a significare semplice riformulazione iterativa dei prompt, non pensiero reale (~00:21:12, 00:23:04) [3]. Il loro verdetto onesto è che l'IA è sovraumana in domini ristretti e ancora indietro rispetto a noi in altri — "un momento d'oro" per costruire al suo fianco (~01:05:28) [3].

Chi ha dunque ragione? Tutti e tre, in parte — ed è proprio questa la soluzione. Hinton ha ragione nel dire che questa potrebbe essere più di un semplice strumento. Ismail ha ragione nel dire che il capitale e la capacità si muovono più velocemente che in qualsiasi ondata precedente; la velocità della tecnologia è davvero senza precedenti. Ma Mazzucato ha ragione sul vincolo determinante, l'unica cosa che non è cambiata: le società, le organizzazioni e le persone si adattano ancora alla stessa lenta velocità umana di sempre. L'elettricità ha impiegato decenni prima di manifestarsi nei dati sulla produttività, e il collo di bottiglia non è mai stato la dinamo — è sempre stato la fabbrica, la forza lavoro e le regole.

In sintesi: la tecnologia corre, le istituzioni umane no, ed è proprio in quel divario crescente che risiede ancora la nostra libertà di scegliere.

Previsioni e conclusioni

No, l'IA non sta per portarvi via il lavoro, né di colpo mille posti di lavoro — almeno non ancora. Gli effetti di sostituzione si dispiegano nell'arco di anni, perché il collo di bottiglia è il cambiamento organizzativo, e l'IA più spesso potenzierà il lavoro che cancellarlo, occupandosi della routine così che le persone possano dedicarsi al resto.

Il lavoro più difficile non è la tecnologia in sé, ma l'impianto che le sta intorno: una riqualificazione su scala paragonabile alla campagna educativa post-Sputnik; opzioni pubbliche in materia di dati e potenza di calcolo, affinché poche aziende non possiedano le fondamenta; e progetti orientati a una missione che indirizzino l'IA verso problemi reali come il clima, la salute e l'energia. E qui si prospetta un'autentica inversione di rotta. A differenza della corsa allo spazio o dei primi anni di internet, lo Stato non ha avuto un ruolo diretto alla nascita di questa ondata di IA — è stata costruita da capitale privato, a velocità privata. Questo non durerà. Un maggiore coinvolgimento dello Stato è ormai inevitabile, spinto meno dall'economia che dalla sicurezza informatica e dalla sicurezza nazionale, perché nessun governo può lasciare a lungo l'infrastruttura portante della propria economia e della propria difesa nelle mani di una manciata di privati.

Soprattutto, dovremmo rifiutare sia il fatalismo sia la fede cieca. Il bicchiere è mezzo pieno o mezzo vuoto, ma abbiamo ancora tempo per decidere — e se la scienza e la tecnologia vengono governate con intenzionalità, questa quarta rivoluzione industriale può rivelarsi buona quanto le tre che l'hanno preceduta. Il motto, dunque, non è che l'IA sia soltanto uno strumento da liquidare con una scrollata di spalle. È questo: restare calmi, ma non compiacenti.

In sintesi: la tecnologia non ci sfuggirà di mano, ma solo una governance deliberata — sempre più affidata allo Stato, per ragioni di sicurezza tanto quanto di equità — potrà trasformarla in un bene comune.

---

Riferimenti

[1] The biggest lie about capitalism | Mariana Mazzucato interview [Video]. (2026). YouTube. https://www.youtube.com/watch?v=v08NV8wN3zY

[2] MIT IMES Distinguished Speaker Series 2026: Geoffrey Hinton [Video]. (2026). YouTube. https://www.youtube.com/watch?v=g6AwGpfE2b0

[3] AI is making more millionaires than anything in history w/ Salim Ismail & Dave Blundin (EP #181) [Video]. (2026). Moonshot [canale YouTube]. YouTube. https://www.youtube.com/watch?v=f0MUe-0zpBQ