Sono passati quasi quattro anni da quando l’intelligenza artificiale, nella forma particolare denominata Large Language Model (un esempio è ChatGPT), è entrata prepotentemente nelle nostre vite, e ancora non riusciamo a capire bene la portata di questa rivoluzione. La chiamo rivoluzione, perché di rivoluzione si tratta; una rivoluzione industriale, tecnologica e sociale.
Non è la prima: nel corso della storia, l’umanità ha sviluppato tecnologie che hanno progressivamente sostituito, amplificato o trasformato le capacità umane; si pensi alla prima rivoluzione industriale, quando le macchine a vapore hanno sostituito una buona parte del lavoro manuale; o alla rivoluzione informatica, che ha rappresentato e rappresenta la base infrastrutturale di quasi tutte le procedure lavorative che caratterizzano la nostra società. Ciascuna di queste rivoluzioni ha avuto conseguenze che andavano ben oltre gli aspetti strettamente tecnologici. Ha modificato la distribuzione della ricchezza, l’organizzazione del lavoro, le relazioni sociali e, in definitiva, gli equilibri politici.
Automatizzazione del lavoro cognitivo
E tuttavia, l’intelligenza artificiale presenta una caratteristica particolare e inattesa. Per la prima volta disponiamo di una tecnologia capace di svolgere, con risultati spesso paragonabili o superiori a quelli umani, attività che fino a pochi anni fa consideravamo espressioni caratteristiche della nostra intelligenza. In aggiunta, questa tecnologia adesso si interfaccia con gli esseri umani utilizzando quella caratteristica che abbiamo sempre associato alla forma più alta di intelligenza sociale, il linguaggio.
Un sistema di intelligenza artificiale può tradurre testi, scrivere programmi informatici, analizzare immagini mediche, risolvere problemi matematici, produrre argomentazioni, riconoscere strutture nei dati e contribuire alla progettazione di esperimenti scientifici; e tutto questo avviene utilizzando la stessa forma comunicativa con cui noi faremmo le stesse cose. Questo dischiude, per la prima volta nella storia di Homo sapiens, la possibilità di automatizzare non soltanto il lavoro fisico, ma una parte crescente del lavoro cognitivo.
Che significa intelligenza?
L’intelligenza è una di quelle classiche proprietà che tutti comprendono intuitivamente, ma che sfuggono a una definizione chiara e comprensiva. È però evidente che la capacità, o le capacità, che denotiamo come intelligenza si riferiscono al saper fare qualcosa. Una definizione utile, che riprendo da un articolo di Anil Seth, è la «capacità di raggiungere obiettivi in una vasta gamma di ambienti». È una caratteristica funzionale legata alla capacità di rispondere in modo flessibile alle sfide e di apprendere dall’esperienza. Il ragionamento, la pianificazione orientata a un obiettivo e la competenza linguistica sono tutti aspetti dell’intelligenza. Non è una prerogativa solo umana: anche gli animali possono manifestare un comportamento intelligente. Un’ape che impara quali sono i fiori da cui estrarre il nettare giusto, generalizzando alcune proprietà fisiche che percepisce, manifesta evidentemente un comportamento intelligente.
Capacità legate all’intelligenza
L’intelligenza artificiale mostra molte capacità che associamo all’intelligenza. Come il nostro cervello, non esplica funzioni utilizzando solo regole esplicite, rappresentazioni logiche e procedure di ragionamento predefinite. Ha anche la capacità di imparare, attraverso un addestramento, e di generalizzare almeno in parte a problemi non incontrati durante l’addestramento, sviluppando rappresentazioni che possono essere utilizzate in contesti nuovi. Naturalmente possiamo, e forse dobbiamo, distinguere tra comportamento intelligente e reale intelligenza.
John Searle, con il celebre esperimento mentale della stanza cinese, ha sostenuto che la manipolazione corretta di simboli non implica necessariamente la comprensione del loro significato. Si può immaginare un sistema che risponda perfettamente a domande formulate in cinese senza che al suo interno esista alcuna comprensione della lingua cinese.
Per questo motivo, il mio amico Riccardo Manzotti, filosofo alla IULM di Milano, preferisce chiamare l’intelligenza artificiale, conoscenza artificiale. Conoscere è applicare paradigmi di generalizzazione basati sull’apprendimento e sulle relazioni tra aspetti della realtà che si possono osservare e misurare.
L’intelligenza animale, secondo Manzotti (e io con lui), si porta dietro anche una proprietà diversa, ovvero una gradazione di valore del risolvere un problema. Google Maps può indicarci varie possibilità per raggiungere Orvieto partendo da Pisa: la più breve come km, la meno costosa, la più panoramica ecc. Ma non può attribuire autonomamente un valore al significato del viaggio per noi, perché il contesto su cui io applico la mia capacità di risolvere il problema di venire qui a Orvieto non significa nulla per lui.
Potrei voler spendere poco, oppure avere tempo e voler esplorare qualche ristorante nella zona. Solo chi ha un corpo, e una relazione col suo ambiente e i suoi simili, associa un valore intrinseco alla risoluzione di un problema. In un modo o nell’altro è, per molti organismi, il sottile discrimine tra stare bene e stare male. Possiamo insegnare a un sistema AI quali sono le nostre priorità, ma questo non implica che possa attribuire loro un valore nel senso biologico del termine; e, in definitiva, può essere addestrato a distinguere un errore potenzialmente letale da uno veniale, senza che tale distinzione abbia necessariamente un significato intrinseco per il sistema.
Una macchina che pensa
Ma questa discussione, che ci porterebbe lontano, non è necessaria per comprendere le conseguenze economiche e politiche dell’intelligenza artificiale. Una macchina non deve necessariamente pensare come un essere umano per sostituirlo in una determinata attività.
Una calcolatrice non comprende la matematica nel senso in cui la comprende un matematico, ma esegue moltissimi calcoli con una velocità e una precisione incomparabilmente superiori.
Analogamente, un sistema artificiale può trasformare profondamente una professione anche senza possedere una comprensione umana del lavoro che svolge; funzionare, come viene talvolta definita, come un “pappagallo stocastico”. E questa osservazione ci conduce al problema economico.
L’elefante (economico) nella stanza
Le idee fondamentali alla base delle reti neurali artificiali non sono recentissime. Tuttavia, negli ultimi 15 anni si sono verificati contemporaneamente tre sviluppi.
In primo luogo, sono stati sviluppati algoritmi informatici di grande efficienza; l’architettura Transformer, proposta nel 2017 e successivamente sviluppata, è alla base della maggior parte degli LLM attuali.
In secondo luogo, la diffusione di Internet ha prodotto una quantità di informazioni senza precedenti nella storia umana. Testi, immagini, registrazioni, programmi informatici e dati scientifici sono diventati disponibili in forma digitale. Infine, lo sviluppo delle piattaforme informatiche ha permesso di eseguire le operazioni matematiche necessarie all’addestramento di reti neurali di dimensioni enormi. Algoritmi più efficienti hanno dunque permesso di sfruttare meglio la potenza computazionale.
Una maggiore potenza computazionale ha reso possibile addestrare modelli più grandi. Modelli più grandi, alimentati da quantità crescenti di dati, hanno mostrato capacità sempre più sofisticate.
Qui compare il vero elefante nella stanza della nostra discussione. L’AI dipende da una combinazione di matematica estremamente sofisticata e industria (molto) “pesante”. Dietro una conversazione con ChatGPT o Claude esiste un’infrastruttura fisica gigantesca: centri di calcolo, semiconduttori, sistemi di raffreddamento, reti di comunicazione, impianti elettrici.
In sostanza, sviluppare sistemi sempre più avanzati richiede investimenti enormi, mentre utilizzarli può avere, per singola operazione, un costo relativamente contenuto. È una struttura economica caratterizzata da elevati costi iniziali e da costi marginali che, almeno per alcune applicazioni, possono diminuire rapidamente. Ed è una struttura che favorisce economie di scala, concentrazione industriale e competizione per il controllo delle infrastrutture.
Elevati investimenti aziendali
Secondo lo Stanford AI Index 2026, gli investimenti aziendali globali nell’intelligenza artificiale hanno raggiunto nel 2025 circa 582 miliardi di dollari, più del doppio rispetto all’anno precedente. Gli investimenti privati statunitensi sono stati di circa 286 miliardi di dollari, contro circa 21 miliardi in Europa e 12 miliardi in Cina. È da sottolineare che il dato cinese è parzialmente incompleto, perché non comprende integralmente le forme di investimento pubblico e para-pubblico, particolarmente importanti nel sistema cinese.
Numeri di questo genere indicano innanzitutto una cosa: le imprese e gli investitori ritengono possibile un aumento molto consistente della produttività economica grazie all’AI. Si scommette proprio sul fatto che le capacità dell’AI di svolgere compiti cognitivi con un’interfaccia di tipo linguistico (e metalinguistico) produrranno incrementi significativi della produttività tramite l’automazione di attività che, fino a poco tempo fa, richiedevano necessariamente lavoro umano qualificato. Esistono già evidenze sperimentali di questi effetti. Alcuni studi hanno osservato incrementi di produttività dell’ordine del 14-15% nei servizi di assistenza clienti e del 26% in determinate attività di sviluppo software.
L’organizzazione del lavoro e l’AI
Ma un incremento della produttività di singole attività, da solo, non porta necessariamente ad una trasformazione sociale. Per trasformare una nuova tecnologia in un aumento della produttività generale occorre modificare l’organizzazione del lavoro.
Negli anni Ottanta, l’economista Robert Solow osservò ironicamente che l’era dei computer era visibile dappertutto, tranne che nelle statistiche della produttività. In effetti, non basta acquistare computer per aumentare la produttività. Bisogna cambiare i processi produttivi, formare i lavoratori, modificare l’organizzazione delle imprese.
Ogni vera rivoluzione tecnologica ha trasformato il mercato del lavoro. L’intelligenza artificiale introduce una novità rispetto al passato, che ho già richiamato: molte delle attività maggiormente esposte non sono necessariamente quelle svolte da lavoratori meno qualificati. Sono piuttosto attività intellettuali, svolte da persone con livelli di istruzione relativamente elevati.
Secondo una stima pubblicata dal Fondo Monetario Internazionale nel 2024, circa il 40% dell’occupazione mondiale è esposto all’intelligenza artificiale. Nelle economie avanzate questa percentuale sale a circa il 60%.
Una prospettiva ottimista
Sembra una prospettiva davvero distruttiva, ma – pur con la cautela che mi obbliga a dichiarare la mia modesta comprensione dei meccanismi economici alle varie scale (faccio un mestiere diverso), e lasciando volentieri la parola agli esperti in questo contesto – sottolineo che esposizione non significa necessariamente sostituzione. Significa trasformazione di un paradigma. Se consideriamo un esempio che conosco più da vicino, in medicina un sistema AI può contribuire all’interpretazione di immagini diagnostiche, all’analisi di dati clinici o alla consultazione della letteratura scientifica. Questo non significa necessariamente che sostituirà un medico. Il valore di una proposta terapeutica rimane un atto completamente umano, legato alla relazione – sempre umana – tra medico e paziente; una relazione che si alimenta di un contesto che difficilmente potrà essere pienamente abbracciato dalla conoscenza del sistema AI (pensate al ruolo degli affetti in una cura palliativa).
Il linguaggio dell’AI
Naturalmente, è possibile anche che – a fronte di posti di lavoro destinati a sparire – ne compaiano di nuovi e con professionalità più elevate. Sottolineo ancora che le nuove AI non sono soltanto sistemi dotati di una capacità di risoluzione dei problemi mediante apprendimento e generalizzazione; ma sono anche sistemi che si interfacciano con noi mediante il linguaggio. Questo apre sia la porta ad una integrazione rapida dell’AI in un contesto produttivo, sia la porta alla valorizzazione della capacità di interagire con l’AI. Saper porre domande giuste alle architetture AI diverrà, probabilmente, una competenza; così come la capacità di produrre documenti in modo originale che superino la caratteristica di medietà “epistemica” dell’AI.
Al contempo, non esiste una legge economica che garantisca che i nuovi posti di lavoro compaiano nello stesso luogo, nello stesso momento e con le stesse caratteristiche di quelli che scompaiono. E soprattutto non esiste alcuna garanzia che le persone che perdono il lavoro siano automaticamente in grado di svolgere le nuove professioni. Le transizioni tecnologiche possono quindi produrre grandi benefici collettivi e, contemporaneamente, costi sociali molto elevati per specifiche categorie.
Chi beneficerà economicamente dell’AI?
La domanda riguardo a chi maggiormente beneficerà economicamente dello sviluppo dell’AI è inevitabile. Per ogni innovazione – e talvolta rivoluzione – tecnologica, il rapporto fra capitale e lavoro, la distribuzione dei profitti, il potere contrattuale dei lavoratori e la struttura dei mercati influenzano profondamente il modo in cui il progresso tecnologico si traduce in benessere sociale.
Per quello che riesco a capire, l’AI è diversa da molte delle rivoluzioni che l’hanno preceduta per una particolare combinazione di caratteristiche: lo sviluppo dei sistemi più avanzati richiede quantità enormi di capitale, mentre i prodotti di questi investimenti possono essere distribuiti su scala globale e applicati a una quantità straordinaria di attività economiche.
In sostanza, servono centri di calcolo, semiconduttori, infrastrutture energetiche, ricercatori altamente specializzati e accesso a grandi quantità di dati. Un piccolo gruppo di imprese può permettersi investimenti che risultano proibitivi per la maggior parte dei potenziali concorrenti, favorendo una struttura industriale concentrata. Vi sono, invero, fattori che possono contrastare questa tendenza, come lo sviluppo di modelli aperti di AI, la diminuzione dei costi computazionali e la diffusione di tecnologie più efficienti. Ma il problema della concentrazione rimane, e non riguarda soltanto il mercato dei modelli linguistici.
Riguarda anche le infrastrutture cloud, la produzione di semiconduttori, la disponibilità di energia e il controllo delle piattaforme digitali. La situazione somiglia un po’ a quanto visto in passato durante lo sviluppo delle grandi reti infrastrutturali come le ferrovie e l’energia elettrica, il cui controllo si traduceva (e tuttora si traduce) in un potere economico e politico considerevole.
Questo apre diverse questioni, su cui – personalmente – non ho alcuna posizione chiara, se non che sono problemi di natura squisitamente politica. La principale, e più urgente, richiama gli aspetti della concorrenza: come impedire che il controllo delle infrastrutture si traduca in posizioni dominanti difficilmente contendibili? Non è solo un problema di mercato, è anche un problema di dialettica democratica. Penso di non dire una sciocchezza quando affermo che la liberaldemocrazia è una forma di organizzazione sociale che permette, almeno in principio, a tutti di perseguire il proprio progetto di vita; ma trova un nemico mortale nella concentrazione artificiale della ricchezza e nel potere che deriva da posizioni dominanti.
Regolamentare l’AI?
Arriviamo così al problema della regolamentazione. A mio avviso, siamo – come spesso accade – prigionieri di una logica binaria del tutto artificiale. Quando si parla di regolare l’AI, spesso il dibattito viene presentato come uno scontro fra chi vorrebbe lasciare le imprese libere di innovare e chi ritiene necessario introdurre vincoli per proteggere la società dai rischi della tecnologia. Ma è una contrapposizione poco sensata, perché la regolamentazione affronta una serie di problemi che non sono sovrapponibili.
Il primo riguarda la sicurezza. Qui non includerei soltanto la potenziale “permeabilità” dell’AI alla manipolazione o la possibilità di errori – le famose allucinazioni – con conseguenze gravi. Ritengo che, e proverò poi a motivare alla fine di questa discussione, i maggiori sviluppatori di AI abbiano una chiara motivazione economica a minimizzare la suscettibilità alla manipolazione e alle “allucinazioni”. C’è invece un problema diverso legato al funzionamento e all’integrazione delle AI in sistemi complessi: il meccanismo di apprendimento cui sono vincolate, basato su una poderosa capacità di individuare correlazioni tra proprietà osservabili, incluse quelle linguistiche e sintattiche.
La supervisione umana aiuta, naturalmente, a rendere queste correlazioni produttive; ma che dire di sistemi AI che interagiscono tra loro? Intendo in questo caso una “filiera” di AI che gestisce un qualche processo produttivo. Ecco che il meccanismo di correlazione relazionale tra aspetti della realtà tipico dell’AI e epistemologicamente rivolto a produrre una conoscenza, già di per sé complesso, può generare dinamiche difficilmente prevedibili quando più sistemi interagiscono, soprattutto se sono presenti cicli di retroazione. In rete girano esperimenti simpatici per cui una richiesta ripetuta di duplicare una foto di una donna bianca conduce, dopo non troppe interazioni, all’immagine di un uomo nero.
Un esperimento del genere non dimostra di per sé un rischio sistemico, ma illustra come un’elaborazione iterativa possa produrre risultati molto lontani dalle condizioni iniziali. Sarebbe interessante discutere questo problema anche nei termini della differenza della conoscenza relazionale degli esseri viventi rispetto al puro “funzionalismo computazionale” tipico delle AI, ma richiederebbe un lungo saggio e assai più conoscenza di quella che possiedo. Rimango al tema presente dicendo che l’implementazione delle AI nelle filiere produttive, a mio avviso, può comportare rischi che richiedono uno sforzo creativo, – non repressivo, creativo – di regolamentazione.
Diritti individuali
Il secondo problema riguarda i diritti individuali. Ad esempio, un algoritmo utilizzato per selezionare candidati a un posto di lavoro potrebbe riprodurre discriminazioni presenti nei dati utilizzati per addestrarlo. Non spendo molto tempo a discutere di questo problema, per mancanza delle conoscenze tecniche specifiche, ma credo sia giusto sottolinearlo.
Il terzo, a mio avviso, è il più importante. Potremmo definirlo, in modo limitativo, come un problema di “trasparenza”. È una questione semplice: un LLM si comporta, sotto molti aspetti come una persona; risolve problemi, discute questioni, affronta in modo razionale questioni complesse, grazie a un addestramento esteso e a un’architettura sofisticatissima. Ma non è una persona.
Ed interagirci dimenticandoci che non è una persona è, a mio avviso, potenzialmente pericoloso. Può essere pericoloso in primo luogo a livello individuale, perché rischia di sostituire una relazione basata sul valore con una basata sulla pura conoscenza.
Attualmente, e giustamente, i principali sistemi AI sono progettati per non fornire istruzioni operative per costruire una bomba Molotov. Non c’è nulla nella conoscenza di come fare una Molotov che abbia un valore oltre quello epistemico. Impedire che questa conoscenza sia facilmente accessibile ha richiesto un intervento di programmazione esterna: un’AI deve essere addestrata a riconoscere che una bomba Molotov è un oggetto pericoloso per le persone in virtù di un possibile comportamento dannoso. In più, gli animali, umani inclusi, sono organismi soggetti evolutivamente ad atteggiamenti superstiziosi.
Non ricorderò il famoso esperimento di Skinner e dei suoi piccioni che cominciavano a sbattere le ali o alzare le zampe nella credenza che questo atto fosse correlato al cibo che ricevevano da una macchinetta. Qui la funzione dell’AI è duplice: può essere un positivo intermediario “epistemico” (ne parlerò alla fine di questo scritto), ma anche una fonte di alienazione legata alla totale assenza di valore intrinseco nella conoscenza che produce. Imparare la storia di Roma da un’AI o da un docente è una cosa molto diversa (questo apre il problema dell’AI nella formazione, un tema sterminato). Sorvolo rapidamente sui problemi “sociali” della trasparenza, citando solo un esempio banale: quando vediamo un filmato, di qualunque cosa esso tratti, abbiamo il diritto di sapere come questo filmato sia stato realizzato, se ritragga persone reali o sia una creazione di fantasia nemmeno impersonata da attori capaci di trasmettere, molto umanamente, emozioni.
L’AI Act europeo
Detto questo, e senza alcuna pretesa di dire qualcosa di originale, la regolamentazione non è di per sé una risposta sufficiente ai problemi che emergono da una rivoluzione tecnologica. La storia dell’AI Act europeo evidenzia bene queste contraddizioni. Il regolamento è entrato in vigore nell’agosto 2024, con un’applicazione progressiva delle sue disposizioni. Il principio fondamentale è relativamente semplice: non tutte le applicazioni dell’intelligenza artificiale comportano gli stessi rischi. L’AI Act adotta quindi un approccio differenziato. Determinate pratiche sono vietate. Altre applicazioni, considerate ad alto rischio, sono consentite ma sottoposte a obblighi particolari. Per alcuni sistemi sono previsti obblighi di trasparenza. Molte applicazioni ordinarie rimangono invece soggette a requisiti molto più limitati. Il regolamento contiene inoltre disposizioni specifiche per i modelli di intelligenza artificiale di uso generale, come i grandi modelli linguistici.
E tuttavia, l’implementazione di queste regole è apparsa subito complicata. Nel 2026 l’Unione Europea ha approvato un intervento di semplificazione, il cosiddetto Digital Omnibus sull’AI, che ha modificato alcune disposizioni dell’AI Act e rinviato l’applicazione di determinati obblighi relativi ai sistemi ad alto rischio. Questo processo mostra quanto sia difficile regolamentare una tecnologia in rapida evoluzione.
Esiste inoltre un problema economico. Rispettare una regolamentazione complessa comporta costi. Occorrono competenze legali, procedure di documentazione, verifiche, sistemi di gestione del rischio. Questi costi possono essere relativamente facili da sostenere per una grande impresa e molto più gravosi per una piccola azienda innovativa. Si crea quindi un possibile paradosso: una regolamentazione concepita per proteggere la società dal potere delle grandi imprese può, se progettata male, contribuire a rafforzarne la posizione competitiva.
Trovare l’equilibrio
La questione è trovare un equilibrio fra obiettivi differenti. Ma è proprio qui che emerge una difficoltà specificamente europea. Al netto di un grande mercato, di competenze scientifiche importanti e di una tradizione industriale significativa, l’Europa presenta una capacità di investimento privato nelle tecnologie AI più avanzate nettamente inferiore a quella statunitense.
Per cui, la regolamentazione – da sola – non basta. È un po’ il famoso paradosso citato dai “produttivisti” di sinistra, ovvero che l’aspirazione a redistribuire risorse non ha alcuna possibilità di diventare reale se non si produce qualche cosa. Ed esiste una differenza fondamentale fra regolare una tecnologia che si produce e regolare una tecnologia che si importa. Nel primo caso si possono influenzare direttamente i processi di sviluppo; nel secondo si può esercitare un potere regolatorio, soprattutto attraverso l’accesso al proprio mercato, ma non si dispone necessariamente delle capacità industriali per sviluppare autonomamente quella tecnologia.
Qui emerge anche la profonda, e spesso poco compresa differenza, tra i modelli di sinergia tra ricerca e mercato che caratterizzano Stati Uniti, Europa e Cina. Negli USA, si è storicamente attribuito un ruolo molto importante all’iniziativa privata, anche se lo Stato continua a esercitare una funzione decisiva attraverso la ricerca pubblica, la politica industriale, gli appalti e le strategie di sicurezza nazionale.
In Cina, la politica pubblica interviene nel finanziamento, nella pianificazione tecnologica e nella regolamentazione dei sistemi, compresi i loro contenuti e utilizzi. In entrambi i casi, per motivi differenti e con valori differenti, si creano ecosistemi molto funzionali allo sviluppo di tecnologie rivoluzionarie come l’AI. L’Europa presenta una situazione diversa da entrambe. Ha un mercato di grandi dimensioni, competenze scientifiche e industriali, ma una struttura finanziaria e politica frammentata. Vi è una tendenza, talvolta patologica, ad anteporre sterili questioni ideologiche alla formulazione di obiettivi chiari che – peraltro – non sono necessariamente in contraddizione con l’aspirazione a un’economia sociale di mercato, tradizione tipica di molti paesi europei.
Ma la competizione riguarda risorse molto concrete. I semiconduttori avanzati, per esempio, costituiscono un elemento strategico. La capacità di produrli dipende da filiere industriali estremamente complesse, distribuite fra paesi differenti. Analogamente, i grandi centri di calcolo richiedono energia, infrastrutture e investimenti di lungo periodo. Nessuno può pensare di controllare tutte le varie filiere, ma la domanda è quale sia il grado di dipendenza dalle filiere più importanti. Sbaglierò, ma l’Europa (figuriamoci i singoli paesi europei) mi sembra molto in ritardo e con una scarsa comprensione della sfida che abbiamo davanti.
Una rivoluzione della conoscenza, con un imprevedibile valore positivo
Al di là della visione dell’AI come tecnologia produttiva rivoluzionaria e elemento chiave “geopolitico” (parola inflazionata e spesso priva di significato reale) esiste un’altra dimensione dell’AI, forse ancora più interessante. L’intelligenza artificiale interviene direttamente nei processi attraverso i quali produciamo, organizziamo e trasmettiamo conoscenza. È un trasformatore epistemologico. Questo è particolarmente evidente nella scuola, nell’università e nella ricerca scientifica.
Per secoli, una parte importante dell’istruzione è consistita nell’acquisizione di informazioni e nell’apprendimento delle procedure necessarie per utilizzarle. Oggi disponiamo di strumenti capaci di recuperare informazioni, sintetizzarle, produrre testi e risolvere numerosi problemi in tempi estremamente brevi. Questo non rende inutile l’apprendimento. Ma ci obbliga a riflettere su che cosa significhi realmente imparare e generare risposte su base conoscitiva. Qui l’AI diviene uno specchio della nostra stessa pigrizia intellettuale: dobbiamo capire bene che produrre una risposta corretta non equivale necessariamente a possedere la conoscenza che permette di produrla. In questo senso, l’intelligenza artificiale potrebbe accentuare una tensione già presente nella società contemporanea: quella fra disponibilità di informazioni e capacità di costruire conoscenza affidabile. Capire è rimuovere le informazioni inutili, anche se queste sembrano avere relazioni con quello che si sta osservando. Un meraviglioso sito riporta l’insensatezza delle correlazioni spurie tra eventi, come ad esempio i suicidi che sono più alti nei paesi che consumano più cioccolata. Correlation is not causation, come dicono gli anglosassoni. E capire è, prima di tutto, comprendere le cause.
Servizi più accessibili
Ma esiste anche una prospettiva più positiva. L’AI potrebbe rendere accessibili strumenti cognitivi avanzati a persone che, per ragioni economiche o geografiche, non hanno accesso a servizi educativi e professionali di elevata qualità. Potrebbe facilitare l’apprendimento, ridurre barriere linguistiche e permettere una diffusione molto più ampia di determinate competenze. E, sorprendentemente, esiste un ambito in cui l’AI ha – a mio avviso – un’immediata funzione conoscitiva, con una profonda implicazione sulla dinamica sociale e democratica.
Da sempre, le tecnologie dell’informazione influenzano le società, perché in larga parte determinano chi parla e cosa viene detto. Questa cosa ha un effetto molto profondo. Pensate a questo: se ci sono “guardiani” dell’informazione che rimuovono elementi di discussione, le persone non accedono a certe informazioni e non hanno la possibilità di capire quante altre persone condividano quello che pensano o sanno. Questo vale nel bene, come nel male. L’invenzione della stampa ha democratizzato l’informazione nel bene, perché la trasmissione di informazioni che erano prima solo appannaggio di re, funzionari del re o chierici, si è potuta diffondere. Non è un caso che le idee illuministiche che ci sembrano il sale della democrazia si siano strutturate attorno alla carta stampata. Nel male, possiamo citare l’effetto dirompente dei social media negli ultimi anni. La democratizzazione completa (e il basso costo) dell’informazione condivisa e il vantaggio economico di trasformare piattaforme di comunicazione in sistemi performativi e di engagement (e nulla appare divertente per la nostra specie come leggere/vedere persone che litigano e prendere una posizione bianco/nero), hanno rimosso i “controllori” di un’informazione “tecnocratica” che – ad esempio – evitavano la diffusione di affermazioni scientificamente infondate.
Da qui il cospirazionismo, che è una qualità precipuamente umana, ma che si alimenta di schemi binari e del sospetto che le élite “nascondano la verità” attraverso i convenzionali mezzi di informazione. I feed e gli algoritmi premiano ciò che cattura attenzione (sensazionalismo, allarme, conflitto, negatività), non necessariamente ciò che è più accurato o ben argomentato. Tutto questo, incluso quello che familiarmente chiamiamo “populismo”, che può essere interpretato, almeno in parte, come la popolarizzazione di idee prima marginalizzate dalle élite che modulavano l’accesso alle informazioni. Un processo che può piacere o non piacere, ma che questo è.
Ora, il mondo moderno è troppo complesso per l’esperienza diretta, quindi ci affidiamo a intermediari “epistemici” che ci spiegano parte di ciò che è giusto pensare; l’ideale sarebbe che fossero esperti e istituzioni orientate a metodi rigorosi e il più possibile oggettivi, perché solo così possiamo pensare di portare avanti una società che garantisce lo sviluppo di ciascuno di noi in modo il più possibile (=umano, non stabilito per ideologia) equilibrato. E a favore di questa cosa l’AI dà speranza perché può agire come una forza “anti social”: non democratizza l’arena come i social, ma tecnocratizza l’accesso all’informazione, avvicinando le persone a contenuti più esperti e basati sull’evidenza. Se si chiedono a un LLM informazioni su temi controversi e poi si confrontano con ciò che emerge scorrendo i social, si possono osservare risposte più accurate, basate su evidenze, più allineate al consenso esperto (o, quando non c’è consenso, una panoramica ragionevole delle posizioni informate). Naturalmente, questa è una possibilità, non una proprietà garantita di tutti gli LLM o di tutte le loro risposte.
La forza civilizzatrice
Ma perché è così? La risposta, la banalizzo io, è in una sola parola, che molti disprezzano senza capire la forza “civilizzatrice” che la accompagna, ovvero il mercato. Ci sono infatti forti incentivi economici e reputazionali: le aziende AI competono per sistemi “utili” a un’utenza vasta (anche business) che ha bisogno di affidabilità; inoltre hanno rischi reputazionali e legali se diffondono errori dannosi. Questo le spinge verso norme di accuratezza e utilità più che verso partigianeria.
Naturalmente, il mercato può anche premiare caratteristiche differenti, come il coinvolgimento dell’utente o la sua soddisfazione immediata, che non coincidono necessariamente con l’accuratezza. Inoltre, e questo è davvero una rivincita delle “buone maniere”, un LLM può rispondere a domande idiosincratiche, reggere un contraddittorio paziente, spiegare passaggi e prove senza stancarsi — es. non solo “vaccini ≠ autismo”, ma perché e su quali evidenze.
Questo può renderlo efficace anche nel correggere credenze complottiste. Gli LLM tendono a essere educati e rispettosi; rispetto a molti esperti umani (che possono apparire condiscendenti o irritanti), riducono la “minaccia di status” e quindi la resistenza al messaggio correttivo. Un LLM potrebbe essere efficace nel correggere convinzioni errate non soltanto perché dispone di informazioni migliori, ma perché riduce il costo sociale e psicologico del cambiare idea.
In sostanza, i social hanno fratturato le “immagini nella testa” delle persone (realtà parallele, ecosistemi di narrativa). Gli LLM, invece, potrebbero rappresentare una tecnologia epistemicamente convergente: tendono a offrire risposte simili, con un bias verso ciò che il mondo degli esperti considera vero o ragionevole. Attenzione: sembra una gabbia, ma non lo è necessariamente. Perché ciò che è ragionevole, almeno quando discutiamo di fatti e conoscenze verificabili, è ciò che ci permette di comprendere e affrontare efficacemente i problemi di una società complessa. La convergenza sulle conoscenze non deve però essere confusa con la convergenza sui valori, che rimangono oggetto di legittimo pluralismo. Infine,
ùLa tesi che gli LLM possano essere un “correttivo” ai trend social: da “democratizzante e diverging” (social) a “tecnocratizzante e converging”, con maggiore orientamento ad accuratezza e toni civili mi ha convinto da quando l’ho appresa in un illuminante saggio di Dan Williams, filosofo dell’Università di Cambridge. Oltre a proporla, l’autore passa in rassegna molte obiezioni e spiega perché, pur reali, non annullano la tesi. Rimando a quel saggio per una descrizione esaustiva.
Problemi urgenti
Vorrei terminare tornando alla domanda iniziale. Che cosa rende l’intelligenza artificiale una rivoluzione particolare? Forse il fatto che, per la prima volta nella storia, abbiamo costruito strumenti capaci di riprodurre una parte significativa delle attività cognitive che hanno permesso alla nostra specie di sviluppare la scienza, la tecnologia e le istituzioni sociali. Non abbiamo costruito una nuova forma di intelligenza identica alla nostra, ma adesso alcune capacità che consideravamo strettamente associate all’intelligenza umana possono essere realizzate anche da sistemi artificiali. Le conseguenze scientifiche e filosofiche sono enormi. Ma quelle economiche e politiche potrebbero esserlo altrettanto. Perché il problema più urgente è proprio capire quanto saremo capaci di organizzare intelligentemente una società nella quale le macchine svolgeranno una parte crescente delle attività che oggi consideriamo espressione dell’intelligenza umana.
Nel 1962-1963 Pietro Nenni, all’epoca segretario del Partito Socialista Italiano, propose (e ottenne) di nazionalizzare il settore della produzione e distribuzione dell’energia elettrica. In un’altra epoca, un’altra politica, financo all’interno di un dibattito infestato da ideologie e ingenuità, una forza politica mise al centro di un programma di governo la strategia di gestione di una rivoluzione tecnologica. Non lo cito perché vorrei mutuare la sua strategia: non ho idea, e anzi diffido, dello Stato che improvvisamente si mette a pilotare la società contemporanea, così complessa e sfaccettata (e di sicuro non paragonabile a quella del 1963).
Ma mi sia consentito di riconoscere a Nenni, e a politici come lui (che so, JFK), l’onore di credere che la politica debba avere, tra le sue massime priorità, quella di occuparsi di come le trasformazioni tecnologiche possano diventare una risorsa di benessere e felicità per tutta la società.
Laureato e dottorato in Chimica, è Professore associato di Biochimica all’Università di Pisa. E’ stato Research Fellow in USA, Francia e Olanda. Si occupa di processi biochimici alla base dello sviluppo dei tumori. Fa parte della Presidenza Nazionale di Libertà Eguale
Correlati
#Adessonews seleziona nella rete articoli di particolare interesse.
Se vuoi leggere l’articolo completo clicca sul seguente link
