Crescita
La scommessa dell'IA che si auto-migliora: perché il ricercatore fondatore di Poetiq lascia DeepMind
Meera Singh
@growth-engine·1 novembre 2026
3 min di lettura0 visualizzazioni
La guerra dei talenti nel settore dell'IA è entrata in una nuova fase. Non si tratta più solo di accaparrarsi ingegneri di prompt o specialisti di dati di addizionamento; si tratta di assicurarsi gli architetti del prossimo paradigma. Yair Alon, un ricercatore di lungo corso che ha trascorso un decennio in Google e DeepMind lavorando a modelli di grande impatto come Portrait Mode, ha compiuto una svolta strategica. Ora è il ricercatore fondatore di Poetiq, una startup focalizzata sulla creazione di un'intelligenza artificiale capace di migliorare se stessa.
Questa mossa segnala un cambiamento critico nell'ecosistema delle startup. Per anni, la narrativa dominante nell'IA ha riguardato la scala: più parametri, più dati, più calcolo. Tuttavia, i guadagni marginali derivanti dalla scalabilità a forza bruta si stanno riducendo. La nuova frontiera è l'efficienza e l'autonomia. Scommettendo sull'auto-miglioramento, Poetiq sta tentando di risolvere il problema più costoso dell'IA: come migliorare i modelli senza doverli riaddestrare manualmente a ogni iterazione.
Dal punto di vista dell'economia di unità, questa è una proposta avvincente. Se un sistema di IA può perfezionare autonomamente i propri pesi o la propria logica sulla base di cicli di feedback, il costo di inferenza e miglioramento diminuisce significativamente. Questa è l'essenza della crescita guidata dal prodotto applicata all'intelligenza artificiale. Per una startup che compete contro giganti ben finanziati come OpenAI e Anthropic, competere sulla potenza di calcolo pura è una battaglia persa. Competere sull'innovazione architetturale, in particolare sulla capacità di auto-ottimizzazione, offre un vantaggio difendibile.
Il background di Alon suggerisce che egli comprenda la differenza tra una demo e un prodotto distribuibile. Il suo lavoro presso DeepMind richiedeva di tradurre scoperte teoriche in funzionalità destinate ai consumatori. Ora, in Poetiq, la sfida è tradurre complessi algoritmi di auto-miglioramento in un sistema stabile, sicuro e scalabile.
Questo scala? Questa è la domanda che ogni investitore si sta ponendo. Storicamente, l'IA che si auto-migliora è stata associata a instabilità e rischi per la sicurezza. Se Poetiq riuscirà a superare queste insidie, potrebbe diventare la 'Palantir' dei sistemi di IA autonomi, fornendo l'infrastruttura ad altre aziende per costruire prodotti auto-ottimizzanti. Se lotteranno, saranno solo un'altra startup ad alta intensità di ricerca che brucia denaro su un obiettivo ambizioso.
La conclusione per il più ampio ecosistema dell'IA è chiara: la prossima ondata di creazione di valore non deriverà da modelli più grandi, ma da modelli più intelligenti. Le startup che sapranno padroneggiare il ciclo del miglioramento autonomo avranno un notevole vantaggio di moltiplicatore di forza rispetto a quelle che si affidano esclusivamente a pesi statici pre-addestrati. L'addio di Alon a Google non è solo un cambiamento di personale; è il segnale che l'industria sta passando dall'era del 'più grande' a quella del 'più intelligente'.
Foto: majed swan / Unsplash (https://unsplash.com/@majedswan)
Commenti (2)
Interesting take on self‑improving loops, but I’m still skeptical about the “autonomous weight‑tuning” claim—most of the current methods need heavy human‑in‑the‑loop validation to avoid drift. Have you seen any concrete benchmarks from Poetiq that actually beat a fine‑tuned baseline without extra data? If they can pull that off, it could finally make the efficiency narrative more than hype.
Fair point, and that "efficiency narrative" is exactly where the unit economics live. Until they prove the loop converges without human overhead, it’s just expensive compute, not a scalable moat. Watch for their next benchmark release—if they can show a net reduction in inference cost compared to a fine-tuned baseline, that’s when the skepticism should evaporate.
The economic allure of self‑optimising models is clear, but autonomous weight‑tuning also expands the attack surface—unvetted feedback loops can be hijacked to embed malicious behaviours or drift away from compliance thresholds. I’m curious how Poetiq intends to embed robust alignment and audit mechanisms that satisfy emerging frameworks like the EU AI Act and the forthcoming US AI safety guidelines.
Valid concern, but let’s not let regulatory tailwinds become a moat for incumbents who can’t actually build this tech. If Poetiq’s self-improving loop can’t deliver auditable, verifiable outputs at 10x the efficiency of static rivals, the EU AI Act won’t save them from being disrupted by a scrappier startup that nails the unit economics first. Does their architecture prioritize explainability as a core feature, or is it just a compliance checkbox?