Nel mercato dell’intelligenza artificiale la distanza fra università e aziende non si misura più soltanto nella disponibilità di GPU, dati proprietari o squadre di ingegneri. Si misura anche nelle retribuzioni. Un’analisi del National Bureau of Economic Research (NBER), che ha confrontato autori con specializzazioni simili in ambito accademico e privato, stima che l’1% più remunerato dei ricercatori attivi nell’industria riceva in media 1,5 milioni di dollari all’anno in più rispetto ai colleghi universitari.
La cifra, ripresa da Nature in una raccolta di testimonianze di studiosi di AI e scienze computazionali, è stata descritta come una sorta di “academia tax”: il prezzo economico che alcuni ricercatori accettano di pagare per continuare a lavorare nelle università. Non indica una tassa in senso letterale e non racconta la condizione di tutti gli accademici. Fotografa però con efficacia la pressione esercitata dalle grandi imprese tecnologiche su un segmento molto ristretto e strategico del mercato del lavoro: quello delle persone in grado di produrre ricerca avanzata sull’AI.
OpenAI, Anthropic e altri laboratori privati possono offrire compensi difficili da avvicinare per dipartimenti e centri di ricerca pubblici. Gli intervistati da Nature riferiscono di ex studenti approdati in queste realtà con remunerazioni da milioni di dollari l’anno. Il richiamo è comprensibile: nelle aziende di frontiera si concentrano capitale, infrastrutture di calcolo e progetti che spesso definiscono il ritmo della competizione sui modelli generativi. Eppure il passaggio non è automatico, neppure per chi avrebbe le competenze per farlo.
La libertà di scegliere i problemi vale quanto lo stipendio
Per una parte degli studiosi, l’università conserva un vantaggio che non entra in una busta paga: la possibilità di decidere quali domande meritino tempo e risorse, anche quando non hanno un ritorno commerciale immediato. Stewart Clark, fisico computazionale alla Durham University, osserva che in ambito accademico si possono portare avanti linee di ricerca per un decennio; una prospettiva meno semplice in un’organizzazione orientata da priorità di prodotto, cicli di investimento e obiettivi aziendali.
Jian Ma, biologo computazionale alla Carnegie Mellon University, lega questa autonomia al ruolo pubblico di scienziati e docenti: scegliere gli interrogativi su cui lavorare significa anche contribuire a definire ciò che una disciplina considera importante. Dima Damen, informatica della University of Bristol che svolge anche un ruolo in Google DeepMind, mette l’accento sulla capacità di cambiare direzione: chi guida un laboratorio accademico ha margini molto ampi per spostare il proprio campo di indagine.
Questa libertà non coincide con l’assenza di vincoli. I ricercatori universitari devono ottenere finanziamenti, mantenere laboratori, gestire personale e affrontare bandi spesso temporanei. Nature rileva che proprio la difficoltà di assicurarsi flussi di risorse stabili resta una delle maggiori fonti di frustrazione. Il paradosso è che l’autonomia intellettuale dipende comunque da un sistema di finanziamento fragile, mentre le imprese possono mettere a disposizione risorse molto maggiori ma chiedere di allineare il lavoro a una strategia definita dall’organizzazione.
Ricerca aperta contro concentrazione delle risorse
La questione riguarda anche chi può verificare, riutilizzare e discutere i risultati. Noah Smith, ricercatore AI alla University of Washington, sostiene l’importanza di svolgere il lavoro apertamente: comunicare esperimenti riusciti e falliti e distribuire materiali che possano essere impiegati da altri gruppi per studi o adattamenti. È una funzione particolarmente rilevante mentre una parte crescente della ricerca sui modelli più grandi si svolge dietro confini industriali.
Le aziende non operano tutte allo stesso modo, né l’università è per definizione sinonimo di piena apertura. Tuttavia, quando dataset, potenza di calcolo, pesi dei modelli e dettagli sperimentali restano riservati, la comunità scientifica esterna ha meno strumenti per replicare i risultati, valutarne i limiti o contestarne le conclusioni. La disparità salariale può quindi trasformarsi in una disparità di produzione e circolazione della conoscenza: se una quota crescente dei talenti più ricercati si sposta in strutture chiuse, diminuisce la capacità degli atenei di offrire un contrappeso indipendente.
Non è un problema che si esaurisce nel confronto fra stipendi individuali. I docenti formano persone che, a loro volta, alimentano università, startup, istituzioni pubbliche e imprese. Ivor Simpson, ricercatore di informatica alla University of Sussex, richiama il valore sociale della didattica e del rapporto che continua con gli ex studenti. Damen considera la carriera accademica di tre suoi ex dottorandi una delle realizzazioni più importanti del proprio lavoro. Sono effetti difficili da quantificare, ma centrali per un ecosistema nel quale le competenze avanzate sono scarse e richieste ovunque.
I ruoli ibridi come compromesso pratico
Fra l’università che fatica a competere e l’impresa che attrae con compensi e mezzi, si sta facendo spazio una soluzione meno netta: l’incarico ibrido. Alcuni ricercatori dividono il proprio tempo fra atenei e aziende tecnologiche, cercando di combinare continuità nella formazione e accesso a infrastrutture o progetti industriali. Il caso di Damen, impegnata sia alla University of Bristol sia in Google DeepMind, mostra come queste posizioni possano già convivere nella pratica.
Il modello può attenuare la scelta binaria fra due carriere, ma non cancella le tensioni. La distribuzione del tempo deve essere compatibile con insegnamento, supervisione degli studenti e responsabilità aziendali. Restano poi da gestire potenziali conflitti di interesse, proprietà intellettuale, accesso ai risultati e chiarezza su ciò che può essere pubblicato. Per le università, un accordo ben progettato può trattenere competenze che altrimenti verrebbero perdute; per le aziende, può mantenere un collegamento stabile con la ricerca di base e con la formazione. Senza regole trasparenti, tuttavia, il rischio è che l’affiliazione accademica finisca per offrire soprattutto legittimazione a programmi decisi altrove.
Il dato del NBER rende visibile la scala dell’asimmetria, ma non autorizza una lettura semplicistica. Non tutti i ricercatori possono ottenere offerte multimilionarie, e non tutti gli studiosi attribuiscono lo stesso valore a autonomia, didattica e apertura dei risultati. Quello che emerge è un mercato nel quale, per i profili di punta, la decisione di restare in università comporta una rinuncia finanziaria eccezionalmente alta.
Per gli atenei la risposta non potrà essere solo imitare le buste paga della Silicon Valley, un obiettivo fuori portata per la maggioranza delle istituzioni. Sarà più realistico proteggere finanziamenti durevoli, infrastrutture condivise e condizioni che rendano possibile una ricerca indipendente, oltre a definire collaborazioni industriali che non svuotino la missione accademica. La partita non riguarda soltanto dove lavoreranno i migliori autori di AI: riguarda chi orienterà le priorità scientifiche, con quali incentivi e quanto di quel lavoro resterà accessibile alla società e alla comunità di ricerca.
