Intelligenza Artificiale: ciò che promette, ciò che nasconde, ciò che cambia

Nel novembre del 2022, un sistema informatico rilasciato al pubblico da una società di San Francisco rispose a milioni di domande in poche settimane. Non era il primo programma di intelligenza artificiale, né il più potente che esistesse. Ma era il primo abbastanza fluente, abbastanza facile da usare, abbastanza sorprendente nei risultati da fare quello che nessun sistema precedente era riuscito a fare: portare il tema dell'intelligenza artificiale fuori dai laboratori, fuori dai consessi accademici, fuori dagli articoli specializzati, e depositarlo sul tavolo di chiunque avesse un computer e una domanda da fare. ChatGPT — questo il nome — trasformò in pochi mesi un dibattito tecnico in un dibattito civile.

Da allora, il volume di parole scritte sull'IA ha superato qualsiasi capacità umana di elaborarle. Ci sono entusiasti che la vedono come l'alba di una nuova civiltà, scettici che la liquidano come un'altra bolla tecnologica destinata a sgonfiarsi, catastrofisti che parlano di estinzione della specie, ottimisti che promettono la fine delle malattie, politici che non sanno bene di cosa parlano ma sanno che devono parlarne. In questo rumore, capire davvero che cosa sta succedendo è diventato difficile — forse più difficile di prima, paradossalmente, proprio perché la tecnologia è diventata popolare.

Questo paper nasce da una constatazione: l'IA non è magia, non è coscienza, non è un fenomeno naturale. È una tecnologia costruita da esseri umani con scopi precisi, addestrata su enormi quantità di dati prodotti da altri esseri umani, gestita da grandi interessi economici, finanziata da capitali privati e pubblici, regolata — male, o non ancora — da istituzioni che faticano a stare al passo. Dire che è "neutrale" o che "è solo uno strumento" è come dire che una centrale nucleare è neutrale: tecnicamente non sbagliato, strategicamente fuorviante.

Il titolo di questo testo parla di ciò che promette, ciò che nasconde, ciò che cambia. Non è una struttura retorica: è una mappa. L'IA promette cose reali — velocità, accessibilità, diagnosi, conoscenza. Nasconde cose reali — costi energetici, asimmetrie di potere, lavoro invisibile, rischi di discriminazione. E cambia cose reali — il modo in cui lavoriamo, impariamo, ci informiamo, creiamo, decidiamo. L'obiettivo di questo testo è stare in quella mappa senza semplificarla.

La prima cosa da fare con l'IA è diffidare del nome. "Intelligenza artificiale" evoca un cervello fatto di silicio, una mente sintetica, qualcosa che capisce e ragiona come un essere umano ma con la velocità di un calcolatore. Non è così. Il termine è storicamente carico di promesse che la tecnologia ha realizzato solo in parte, e di aspettative che appartengono più alla fantascienza che alla scienza.

L'IA è, nella sua forma più semplice, la capacità di un sistema informatico di svolgere compiti che normalmente richiederebbero intelligenza umana: riconoscere un volto in una fotografia, tradurre un testo da una lingua a un'altra, prevedere se un tumore è benigno o maligno da un'immagine radiologica, rispondere a una domanda in linguaggio naturale, suggerire la canzone successiva in una playlist. Questi compiti sembrano semplici dall'esterno ma richiedono, per un computer tradizionale, procedure di una complessità enorme. L'IA li risolve in modo diverso: non con regole esplicite, ma con l'apprendimento da esempi.

Esistono diversi tipi di sistemi che rientrano sotto l'ombrello dell'IA. L'IA simbolica — la più antica — cerca di rappresentare la conoscenza come un insieme di regole logiche: "se X allora Y". Funzionava discretamente per problemi ben definiti, ma si inceppava davanti alla complessità del mondo reale. Il machine learning ha cambiato l'approccio: invece di programmare le regole, si addestra il sistema su migliaia o milioni di esempi, lasciando che impari le regole da solo. Il deep learning è una forma avanzata di machine learning che usa reti neurali artificiali — strutture vagamente ispirate al cervello biologico — con molti strati di elaborazione. L'IA generativa è quella che produce contenuti nuovi: testi, immagini, suoni, video. I modelli linguistici di grandi dimensioni (in inglese LLM, Large Language Models) sono il tipo di IA generativa testuale più noto oggi.

Una metafora utile: l'IA non è un cervello artificiale nel senso in cui un cuore artificiale è un cuore. È una gigantesca macchina statistica capace di individuare schemi, correlazioni e probabilità dentro oceani di dati. Quando un sistema di IA "riconosce" un gatto in una fotografia, non ha un concetto di gatto: ha visto milioni di immagini etichettate e ha imparato che certi pattern di pixel tendono a corrispondere all'etichetta "gatto". È potente. È utile. Ma è fondamentalmente diverso da capire.

Un modello linguistico di grandi dimensioni — il tipo di IA che sta dietro a ChatGPT, Claude, Gemini e altri sistemi simili — funziona attraverso un meccanismo che, spiegato nella sua essenza, sembra quasi banale: prevede la parola (o il "token") più probabile che verrà dopo quello che ha già scritto, tenendo conto di tutto il contesto precedente. Lo fa miliardi di volte, su testi lunghi, in modo così coerente e fluido che il risultato somiglia a un ragionamento. Ma non è un ragionamento nel senso stretto del termine: è una forma sofisticatissima di completamento del testo.

Per arrivare a questa capacità, questi sistemi vengono addestrati su quantità di testo quasi impossibili da immaginare: miliardi di pagine web, libri, articoli scientifici, codice sorgente, forum, database. Durante l'addestramento, il modello aggiusta continuamente i propri parametri interni per migliorare le previsioni. Al termine, ha miliardi o centinaia di miliardi di parametri — numeri che codificano le relazioni statistiche tra parole, concetti e strutture linguistiche che il modello ha "visto" durante l'addestramento. Non ha capito: ha memorizzato pattern.

Questa differenza spiega il fenomeno delle cosiddette allucinazioni: i casi in cui un sistema di IA produce informazioni che sembrano plausibili e sono false. Un avvocato americano, nel 2023, presentò in tribunale una memoria legale contenente citazioni giurisprudenziali inventate da ChatGPT — sentenze con nomi di giudici reali, date reali, tribunali reali, ma casi che non erano mai esistiti. Il sistema non aveva mentito deliberatamente: aveva prodotto il testo più probabile dato il contesto, e quel testo sembrava molto simile a una vera citazione legale. La forma era corretta. Il contenuto era falso.

Un altro esempio: chiedete a un sistema di IA generativa di riassumere un articolo scientifico su un argomento di nicchia. Con alta probabilità otterrete un riassunto fluente, ben strutturato, con terminologia appropriata — che però potrebbe contenere errori fattuali su dati, date, conclusioni dello studio. Il sistema non ha "letto" l'articolo nel senso in cui lo legge un essere umano: ha prodotto il testo che statisticamente si associa a quel tipo di richiesta e a quel contesto. Questo non significa che l'IA generativa sia inutile — è spesso straordinariamente utile. Ma significa che la fluidità linguistica e l'accuratezza fattuale sono cose diverse, e confonderle può avere conseguenze serie.

Il prompt — la domanda o istruzione che l'utente fornisce al sistema — influenza profondamente il risultato. Un prompt vago produce risposte vaghe. Un prompt preciso, con contesto adeguato, produce risposte più accurate e utili. Ma anche il miglior prompt non elimina il rischio di errori: lo riduce, non lo azzera. L'utente che usa l'IA generativa per compiti importanti — medici, legali, giornalistici, educativi — deve sempre verificare le informazioni critiche da fonti indipendenti.

L'intelligenza artificiale non è nata nel 2022. Le sue radici teoriche risalgono agli anni Quaranta e Cinquanta del Novecento — Alan Turing, John McCarthy, Marvin Minsky, il dibattito sui fondamenti della computazione. Ha avuto cicli di entusiasmo e di delusione: i cosiddetti "inverni dell'IA", periodi in cui i progressi si bloccarono, i finanziamenti si prosciugarono e le promesse restarono promesse. La domanda che vale la pena fare non è "perché l'IA esiste", ma "perché è diventata così capace così in fretta, proprio in questo decennio".

La risposta ha almeno tre componenti. Prima: la potenza di calcolo. Le GPU — unità di elaborazione grafica inizialmente progettate per i videogiochi — si sono rivelate ideali per il tipo di calcolo massivamente parallelo richiesto dall'addestramento delle reti neurali. Negli ultimi vent'anni, la potenza disponibile per l'addestramento dei modelli è cresciuta di molti ordini di grandezza. Seconda: i dati. Internet ha prodotto quantità di testo, immagini, audio e video che nessuna generazione precedente aveva avuto a disposizione per addestrare sistemi automatici. Terza: i capitali. Negli ultimi dieci anni, le grandi aziende tecnologiche e i fondi di venture capital hanno investito somme enormi nella ricerca sull'IA — decine di miliardi di dollari all'anno, con accelerazione crescente dopo il 2020.

C'è però un aspetto che spesso scompare nel racconto trionfalistico: la differenza tra IA come ricerca scientifica e IA come industria. La ricerca vuole capire come funziona l'intelligenza, costruire sistemi più capaci e sicuri, esplorare i limiti del possibile. L'industria vuole prodotti che si vendano, piattaforme che crescano, dati che si raccolgano, modelli di business che funzionino. Le due cose si sovrappongono — molti ricercatori lavorano per aziende, molte aziende pubblicano ricerche — ma non coincidono. E quando coincidono, non è sempre chiaro quali obiettivi stiano guidando le decisioni.

La competizione geopolitica è un altro motore: Stati Uniti, Cina, Unione Europea e altri attori globali hanno dichiarato la leadership nell'IA come priorità strategica nazionale. Questo ha accelerato gli investimenti pubblici, complicato le questioni di regolamentazione e introdotto dinamiche di sicurezza nazionale in un settore che sembrava puramente commerciale. I chip avanzati per l'IA sono diventati un terreno di scontro geopolitico tanto quanto il petrolio.

Prima di analizzare i rischi, conviene prendere sul serio le promesse. Non per ingenuità, ma perché molte di esse sono fondate su progressi reali e documentati. L'IA sta già cambiando in meglio alcune cose, e sarebbe disonesto ignorarlo.

In medicina, i sistemi di IA mostrano capacità diagnostiche su immagini — radiografie, risonanze magnetiche, ecografie, biopsie — che in alcuni contesti eguagliano o superano quelle degli specialisti umani. Nel 2020, un sistema sviluppato da DeepMind (Google) ha risolto il problema del "folding" delle proteine — la previsione della struttura tridimensionale di una proteina dalla sua sequenza aminoacidica — con un salto di qualità che la biologia molecolare cercava da cinquant'anni. Lo strumento, AlphaFold, ha reso disponibile la struttura di oltre duecento milioni di proteine, accelerando la ricerca su farmaci e malattie in modo che sarebbe stato impossibile con i metodi tradizionali.

Per le persone con disabilità, l'IA generativa sta producendo strumenti che hanno valore concreto: sintesi vocale di alta qualità per chi non può leggere, descrizione automatica di immagini per non vedenti, trascrizione in tempo reale per sordi, supporto alla comunicazione per persone con disabilità motorie o cognitive. Questi non sono benefici ipotetici: esistono oggi, funzionano, e riducono barriere che erano strutturali.

Nella ricerca scientifica, la capacità dell'IA di analizzare grandi dataset — genomici, climatici, astronomici, epidemiologici — sta accelerando scoperte che richiederebbero anni o decenni con metodi tradizionali. Nell'istruzione, sistemi di tutoring adattivo possono personalizzare il percorso di apprendimento su misura dello studente, identificare difficoltà specifiche e proporre spiegazioni alternative. Nella pubblica amministrazione, l'automazione di processi ripetitivi può ridurre tempi burocratici e liberare energie per compiti che richiedono giudizio umano.

Tutto questo è reale. Ma una tecnologia utile non è automaticamente giusta, equa o ben governata. La stessa capacità di analisi del DNA che accelera la ricerca sui farmaci può essere usata per la sorveglianza genetica di popolazioni. La stessa IA che aiuta un medico a diagnosticare prima può essere usata da una compagnia assicurativa per escludere chi ha certi profili di rischio. La tecnologia non decide il proprio uso. Lo decidono le persone, le istituzioni e i rapporti di potere che la circondano.

Addestrare un grande modello linguistico consuma energia nell'ordine dei gigawattora. Un singolo addestramento di un modello della scala di GPT-4 è stimato aver consumato un quantitativo di energia equivalente a quello di diverse decine di migliaia di abitazioni per un anno. I data center che ospitano questi sistemi consumano acqua per il raffreddamento — miliardi di litri all'anno, secondo le stime di Microsoft e Google sui propri impianti. L'impronta ambientale dell'IA non è trascurabile, e cresce con l'espansione del settore. In un momento in cui l'economia mondiale cerca di ridurre i consumi energetici, una tecnologia che li aumenta sistematicamente merita attenzione critica. Questo non la rende necessariamente insostenibile, ma rende il tema non ignorabile.

Dietro ogni risposta fluente di un sistema di IA generativa c'è un lavoro umano spesso invisibile: migliaia di annotatori e moderatori di contenuto, sparsi in Kenya, Filippine, India, Venezuela, pagati pochi dollari l'ora per leggere, classificare e filtrare testi ed immagini — incluso materiale violento, pornografico o traumatico — con cui addestrare i modelli a non produrre certi output. Il giornalista Billy Perrigo ha documentato per TIME nel 2023 le condizioni di lavoro dei moderatori keniani di OpenAI, pagati meno di 2 dollari l'ora per esaminare tra i contenuti più perturbanti che Internet produce. Questo lavoro è essenziale per i sistemi che milioni di persone usano ogni giorno. Ed è quasi completamente invisibile nella comunicazione pubblica delle grandi aziende tech.

I dati su cui i modelli sono stati addestrati non sono stati tutti ottenuti con consenso esplicito dei loro produttori. Testi di scrittori, immagini di illustratori, codice di programmatori, articoli di giornalisti sono stati usati per addestrare sistemi commerciali senza compenso, senza notifica, spesso senza possibilità di opt-out. Le cause legali in corso — artisti contro Stability AI, giornali contro OpenAI, autori contro diverse piattaforme — sollevano questioni di proprietà intellettuale che i tribunali non hanno ancora risolto definitivamente.

La concentrazione del potere è forse l'aspetto più strutturalmente importante. I modelli di IA più capaci sono prodotti da un numero molto ristretto di aziende — OpenAI, Google DeepMind, Meta, Anthropic, Microsoft, con la Cina che ha i propri attori equivalenti. Addestrare modelli all'avanguardia richiede risorse computazionali e finanziarie che solo queste organizzazioni possiedono. Questo crea una dipendenza strutturale: università, ospedali, governi, aziende medio-piccole, cittadini dipendono da infrastrutture private che non controllano, che non possono auditare, i cui meccanismi decisionali non sono trasparenti.

La domanda che circola di più è la più semplice: "l'IA ruberà i lavori?" È la domanda sbagliata — o almeno, è solo una parte della domanda giusta. Il dibattito sulla sostituzione tecnologica del lavoro umano è antico quanto la macchina a vapore. Le previsioni catastrofiche si sono quasi sempre rivelate parzialmente sbagliate: la tecnologia ha distrutto alcune professioni e ne ha create altre. Ma "nel lungo periodo" è un orizzonte poco utile per chi perde il lavoro nel breve periodo.

I settori più esposti alle trasformazioni indotte dall'IA generativa includono scrittura, traduzione, grafica, customer service, contabilità di base, marketing digitale, programmazione di routine, consulenza legale standardizzata, attività amministrative ripetitive, giornalismo di agenzia, doppiaggio, assistenza tecnica. Non necessariamente perché l'IA farà tutto meglio degli umani in questi settori — spesso non lo fa — ma perché riduce la quantità di lavoro umano necessaria per produrre output simili, abbassando il prezzo e comprimendo i margini per chi lavora in quei mercati.

Ma la domanda sulla sostituzione oscura un'altra questione, forse più importante: il controllo algoritmico del lavoro. Già oggi, milioni di lavoratori — corrieri, magazzinieri, autisti di piattaforma, operatori di call center, insegnanti in certi sistemi digitali — vengono valutati, monitorati, premiati e sanzionati da algoritmi. Non sanno sempre come l'algoritmo funziona. Non possono contestarlo in modo efficace. Non hanno un interlocutore umano con cui negoziare. La questione non è solo se l'IA toglierà lavoro, ma se trasformerà il rapporto di lavoro in qualcosa in cui il lavoratore perde il potere di capire, contestare e negoziare le condizioni del proprio impiego.

C'è poi il tema del deskilling: quando uno strumento fa troppo al nostro posto, rischiamo di perdere le competenze che avevamo. Un chirurgo che usa sempre un sistema robotico di assistenza può perdere alcune abilità manuali che servirebbero se il sistema smettesse di funzionare. Uno scrittore che usa sempre l'IA per le bozze può perdere fluidità nella generazione autonoma di idee. Un programmatore che usa l'IA per scrivere codice può perdere la comprensione profonda di ciò che il codice fa. Questi rischi non sono argomenti contro l'uso dell'IA: sono argomenti per un uso consapevole, che mantenga le competenze umane centrali invece di delegarle.