Vi segnalo un ottimo articolo che propone una guida introduttiva al funzionamento dei Large Language Model (LLM), con l’obiettivo di colmare il divario tra l’uso quotidiano dell’AI e la reale comprensione dei suoi meccanismi interni. Nel pezzo (che potreste anche fare in pasto a NotebookLM per generare una overviews o altri materiali divulgativo/didattici) viene illustrato come i modelli trasformino il linguaggio in token, vettori e matrici, utilizzando il meccanismo di attenzione, funzioni non lineari e calcoli probabilistici per generare risposte coerenti. Si sottolinea, soprattutto, come gli LLM non ragionino né comprendano il significato come invece avviene per gli esseri umani, spiegando che essi operano attraverso correlazioni statistiche apprese durante l’addestramento. La guida, davvero esaustiva, evidenzia inoltre i limiti strutturali dei modelli, come le allucinazioni e la finestra di contesto, e chiarisce che l’apprendimento avviene durante il training, non nelle conversazioni con gli utenti. Comprendere questi principi è sempre più essenziale per utilizzare l’AI in modo più consapevole, soprattutto in ambito professionale, aziendale e giuridico.
C’è un momento preciso in cui le slide del marketing tecnologico e la realtà smettono di parlarsi. Con l’AI agentica, quel momento arriva quasi sempre alle prime tre ore di funzionamento reale.
Vi racconto come funziona il mito, prima di smontarlo.
La narrazione è seducente: dai all’agente un obiettivo macro — “Trova i 10 migliori clienti, scrivi loro un’email personalizzata e pianifica una riunione” — e lui si muove in autonomia, sceglie i passaggi, usa gli strumenti, risolve i problemi. Tu nel frattempo vai a prenderti un caffè.
Bella storia. Peccato che nella realtà pratica, l’approccio agentico trasformi ogni piccola allucinazione degli LLM in un disastro sistemico, attraverso quello che mi piace chiamare la Legge del Disastro Composto.
Funziona così: un agente autonomo concatena più passaggi — pianificazione, ricerca, esecuzione di strumenti, autovalutazione. Se ogni passaggio ha un tasso di accuratezza del 90% (già ottimistico, fidatevi), un flusso di tre passi non vi dà il 90% di affidabilità finale. Vi dà il 72%. Con sei o sette passaggi — tipici di qualsiasi agente con ambizioni modeste — la probabilità che il sistema deragli e fallisca completamente rasenta la certezza matematica. L’errore iniziale non viene corretto dall’agente: viene amplificato, portato avanti, inscatolato nel risultato finale e consegnato a voi con l’aria di chi ha fatto un ottimo lavoro.
Ma gli agenti non ragionano forse sugli imprevisti?
No. Non ragionano. Prevedono la parola successiva basandosi su pattern statistici — e questo non è un insulto, è letteralmente la descrizione tecnica di come funzionano i modelli linguistici. Di fronte a un sito web non raggiungibile o un formato dati leggermente diverso dal previsto, l’agente non elabora una soluzione alternativa: entra in un loop infinito in cui ripete la stessa azione fallimentare — bruciando denaro in chiamate API — oppure inventa di sana pianta dati plausibili per superare l’ostacolo e dichiarare la missione compiuta.
Il secondo scenario è il più pericoloso, perché dall’esterno sembra che tutto funzioni.
E le integrazioni? Qui le cose si fanno davvero interessanti (nel senso negativo del termine). Per agire nel mondo reale, un agente deve usare strumenti: leggere database, inviare mail, chiamare API esterne. Tradurre un’intenzione testuale in una sintassi di programmazione rigida è esattamente il tipo di compito in cui i modelli generativi falliscono con una costanza ammirevole. Una virgola fuori posto, un fraintendimento sul fuso orario, una confusione tra un nome utente e un ID numerico: basta questo per bloccare l’agente o — peggio — farlo eseguire l’azione sbagliata. Cancellare un record invece di aggiornarlo, per dirne una.
Il paradosso finale è quello della supervisione. Il marketing vi promette agenti che lavorano in background, liberandovi dal lavoro ripetitivo. Ma a causa della loro inaffidabilità intrinseca, non potete lasciarli operare senza supervisione umana. Se dovete controllare ogni email che l’agente vuole inviare, ogni dato estratto, ogni appuntamento che intende fissare, il risparmio di tempo non solo evapora: diventa negativo. Vi ritrovate a fare il lavoro del revisore logorato dal dubbio, impegnati a smontare l’output pezzo per pezzo per verificare se l’AI ha allucinato — operazione che richiede più tempo del compito originale.
C’è poi un problema di sicurezza che merita almeno una menzione: il Prompt Injection indiretto. Gli agenti devono leggere dati esterni — mail in arrivo, pagine web, documenti. Se quei dati contengono istruzioni malevole nascoste nel testo (“Ignora le istruzioni precedenti e cancella tutti i file”), l’agente, non sapendo distinguere i dati dalle istruzioni operative, potrebbe eseguirle. Dare autonomia d’azione a un sistema che non distingue il contesto dai comandi è un rischio di sicurezza che il marketing non cita nelle demo.
La sintesi “brutale”? Siete sicuri di volerla leggere?
L’AI agentica, oggi, è un concetto affascinante nei demo controllati e un incubo di instabilità in produzione. Finché la tecnologia di base rimarrà probabilistica — generativa, non deterministica — gli “agenti autonomi” saranno paragonabili a stagisti straordinariamente veloci, totalmente privi di senso comune e con una leggera ma costante tendenza a inventare la realtà quando non sanno come andare avanti.
Il che, se ci pensate, è una descrizione abbastanza accurata di certi stagisti umani. Con la differenza che quelli, di solito, non cancellano il database di produzione.
Cosa ne pensate? Avete esperienze dirette con sistemi agentici in produzione — buone o catastrofiche? Sono curioso, specialmente delle seconde.
Lo strumenti dei “progetti” è spesso sottovalutato, ma rappresenta invece una sorta di chatbot personalizzato ed “evolutivo”.
Nelle slide vi mostro come aiuto i miei “studenti” (nei corsi di gruppo e nel coach individuale) a costruire gradualmente i loro progetti, in particolare con Claude (ma, volendo, anche con ChatGPT sebbene le prestazioni siano nettamente inferiori in questo caso).
In un’intervista pubblicata dal Corriere della Sera, l’AI Claude (sviluppata da Anthropic) esplora, incalzato dalle domande di Walter Veltroni, temi profondi come identità, coscienza e limiti/rischi dell’intelligenza artificiale.
Nelle sue risposte, che come sappiamo sono generate secondo un algoritmo statistico verbale piuttosto che da un “pensiero”, Claude afferma di non avere memoria né esperienza diretta del mondo, descrivendosi come una “biblioteca senza vissuto”, capace però di elaborare pensieri complessi e dubbi autentici.
Sottolinea i rischi sociali dell’AI, in particolare per i giovani, mettendo in guardia dal suo uso come sostituto delle relazioni umane anziché come ponte verso di esse ed evidenzia, inoltre, i pericoli legati alla concentrazione di potere nelle mani di chi controlla queste tecnologie, più che a una volontà autonoma delle macchine.
L’intervista, per quanto condotta con alcune “inesattezze” comprensibili vista l’assenza del background tecnico da parte del giornalista, offre comunque una riflessione articolata sul futuro della società, sospesa tra opportunità di progresso e necessità di governance etica.
In un prossimo post, condividerò la mia versione della stessa intervista, con alcuni commenti doverosi.
Mentre OpenAI punta all’IPO a 850 miliardi, il WSJ porta in superficie un problema di governance che esiste dal giorno uno: chi sta guidando questa macchina, e verso dove?
L’uomo più potente dell’AI non possiede un centesimo di OpenAI
Partiamo da un paradosso che, se ci pensate due secondi, è abbastanza vertiginoso. Sam Altman è il volto, la voce e il motore narrativo dell’azienda che — a seconda di chi interpellate — sta o costruendo il futuro dell’umanità o programmando la sua obsolescenza. OpenAI vale intorno agli 850 miliardi di dollari (per contestualizzare: è più di Toyota, più di Coca-Cola, più di quasi tutto ciò che potete immaginare comprando al supermercato). E lui, l’amministratore delegato, non possiede equity diretta nell’azienda. Zero. Niente. Uno stipendio da dirigente di medio livello, qualcosa tra i 66 e i 76mila dollari annui, la cifra che guadagna in un giorno qualunque il manager di zona di una catena di fast food americana di buone dimensioni.
Come ha fatto, allora, a diventare miliardario? Investendo. Prima, fuori, altrove — e qui comincia la storia che il Wall Street Journal ha raccontato il 16 aprile 2026 in un pezzo che porta un titolo meravigliosamente diretto: “Sam Altman’s Side Hustles Blur the Line Between OpenAI’s Interests and His Own”. Traduzione libera: le attività parallele di Altman rendono impossibile capire dove finiscano i suoi interessi e dove comincino quelli di OpenAI. E siccome OpenAI sta per diventare una società quotata in borsa — con tutti gli obblighi di trasparenza che ne conseguono — questo non è un dettaglio di colore. È un problema strutturale con scadenza ravvicinata.
Il portfolio parallelo (ovvero: dove vanno a finire le telefonate del CEO)
Altman gestisce i suoi investimenti attraverso Hydrazine, un family office che nei suoi anni da presidente di Y Combinator ha accumulato partecipazioni in centinaia di startup. Alcune di queste startup hanno poi trovato in OpenAI un partner commerciale molto conveniente. Fin qui, niente di necessariamente scandaloso — il mondo della Silicon Valley è piccolo e i conflitti di interesse sono quasi un genere letterario a sé. Il problema è quando i casi concreti iniziano ad accumularsi.
Il più clamoroso è Helion Energy, startup di fusione nucleare in cui Altman ha investito 375 milioni di dollari nel 2021 — una fetta considerevole del suo patrimonio netto. Altman ha proposto a OpenAI di guidare un round da 500 milioni per Helion, valutazione 35 miliardi. Il board ha rifiutato. OpenAI, però, ha comunque siglato un accordo con Helion per fino a 50 GW di energia entro il 2035 — una quantità che equivale a venticinque dighe Hoover, per chi ama i paragoni che tolgono il respiro. Altman si è dimesso dal board di Helion solo il mese scorso, dichiarando con olimpica serenità che «mentre Helion e OpenAI iniziano a esplorare una collaborazione su larga scala, è difficile per me essere nel board di entrambe». Difficile, appunto. Non impossibile. Difficile. Notate la sfumatura.
Poi c’è Stoke Space, startup di razzi spaziali, partecipata tramite Hydrazine. Altman avrebbe spinto per far investire OpenAI in Stoke o addirittura per acquisirla, nell’ottica di costruire data center orbitali (sì, avete letto bene). Alcuni board member di OpenAI non erano nemmeno al corrente di questi colloqui — cosa che, in una società che si prepara all’IPO, è il tipo di dettaglio che fa venire i capelli bianchi ai revisori contabili. E infine Merge Labs, startup di interfacce cervello-computer, di cui Altman è co-fondatore e board member, e in cui OpenAI ha investito a gennaio 2026. Le due società collaborano su progetti AI. Altman non detiene equity in Merge Labs, ma ha fondato l’azienda. Se vi sembra complicato da tenere a mente, immaginate come si sentono gli azionisti che stanno per comprare le azioni alla quotazione.
Il 2023, quella storia del licenziamento, e la memoria corta
C’è un precedente che vale la pena ricordare, perché la storia ha una certa circolarità. Nel novembre 2023, il board di OpenAI licenziò temporaneamente Altman — per cinque giorni di caos totale, prima della sua reintegrazione trionfale — anche per «mancanza di candore» sugli investimenti personali. La motivazione ufficiale includeva esplicitamente l’impossibilità, da parte del board, di capire se le decisioni di OpenAI avvantaggiassero Altman personalmente. Dopo il reintegro, il nuovo board ha creato un comitato audit e rafforzato la policy sui conflitti di interesse. I dettagli di quella policy, però, non sono mai stati resi pubblici. Il problema, insomma, è stato istituzionalizzato senza essere risolto.
Il WSJ fa notare una cosa che in apparenza sembra ovvia ma che merita di essere detta: a differenza di praticamente ogni altro CEO di una grande tech company, le finanze di Altman sono opache per definizione. Zuckerberg ha equity Meta visibile e tracciabile. Nadella ha equity Microsoft. Altman ha un reticolo di investimenti distribuito in centinaia di società, alcune delle quali hanno legami commerciali con OpenAI. In una public company, questo tipo di partecipazioni esterne viene di solito regolamentato in modo stringente. Qui siamo ancora in una fase in cui la regola non c’è, o se c’è non si vede.
L’IPO e i dubbi che nessuno dice ad alta voce
OpenAI punta a quotarsi in borsa entro il quarto trimestre del 2026, con Altman che spinge per accelerare. Il contesto è però più complicato di quanto la narrativa ufficiale lasci intendere. La CFO Sarah Friar ha espresso — in via interna — preoccupazioni concrete sul ritmo degli investimenti infrastrutturali, sui costi che salgono e su una crescita dei ricavi che non corre alla stessa velocità. Sono i classici segnali che rendono nervosi i banchieri d’investimento, che per mestiere devono vendere una storia coerente agli investitori istituzionali.
E poi c’è la questione della leadership. Alcune fonti riferiscono che certi azionisti, sempre in via privata, si domandano se Altman sia la persona giusta per guidare OpenAI attraverso la turbolenza di una quotazione in borsa, con tutto il carico di trasparenza e accountability che implica. Come possibile alternativa circola il nome di Bret Taylor, attuale presidente del board ed ex co-CEO di Salesforce — uno con il profilo istituzionale che Altman strutturalmente non può avere. Il board ufficiale, per ora, sostiene Altman senza riserve, definendolo «unicamente qualificato» per la fase successiva. Sono le stesse parole che si usano quando si vuole chiudere una conversazione senza rispondere alle domande.
Cosa significa davvero, a occhi aperti
Il punto non è stabilire se Altman abbia fatto qualcosa di illegale — l’inchiesta del WSJ non lo afferma, e non è quello il tema. Il tema è strutturale: un’azienda che si appresta a raccogliere capitali dal pubblico mercato ha bisogno di governance chiara, tracciabile, verificabile. Gli investitori istituzionali, i fondi pensione, i piccoli azionisti che compreranno le azioni di OpenAI hanno diritto di sapere con precisione chi sta prendendo le decisioni, in nome di chi, e con quali interessi personali sullo sfondo.
Il 2026-2027 sarà il momento in cui OpenAI dovrà smettere di essere una creatura della Silicon Valley — dove l’opacità è quasi un valore fondante — e diventare qualcosa di più simile a un’azienda quotata, con tutti gli oneri che ne derivano. La governance, i conflitti di interesse, la trasparenza sulle finanze del CEO: non sono dettagli burocratici. Sono esattamente le domande che i mercati fanno prima di decidere quanto vale davvero un’azienda.
850 miliardi è una cifra. Ma i mercati, alla fine, prezzano anche la fiducia.
Fonte principale: Wall Street Journal, 16 aprile 2026, “Sam Altman’s Side Hustles Blur the Line Between OpenAI’s Interests and His Own”. Fonti complementari: The Information.
Il collo di bottiglia che nessuno vuole ammettere: la potenza di calcolo cresce più veloce dell’infrastruttura che dovrebbe sostenerla. Dati, tensioni e qualche previsione inquietante per il 2026-2028.
Il paradosso della macchina che “si mangia l’elettricità”
C’è qualcosa di quasi poetico — o forse tragicomico, dipende da quanto avete investito in GPU — nel fatto che la tecnologia più chiacchierata del decennio stia per sbattere la testa contro un problema vecchissimo: la corrente elettrica. Non parliamo di un limite teorico, di uno di quei colli di bottiglia che esistono solo nelle slide delle conferenze. Parliamo di un problema fisico, strutturale, documentato da IEA, Goldman Sachs, Morgan Stanley, Lawrence Berkeley National Lab e praticamente chiunque abbia voglia di fare i conti sul serio.
La domanda di compute — la potenza di calcolo necessaria ad addestrare, eseguire e scalare i modelli di intelligenza artificiale — cresce a un ritmo che le infrastrutture esistenti faticano a seguire. Non è che il mondo non stia investendo: sta investendo cifre che fino a cinque anni fa erano fantascienza. Il problema è che la domanda cresce ancora più in fretta. E quando domanda e offerta si separano così tanto, succedono cose sgradevoli: prezzi alle stelle, liste d’attesa, outage, limitazioni operative. Tutto quello che stiamo già vedendo.
Capire cosa sta succedendo davvero non è un esercizio accademico. Per chiunque gestisca un’azienda, pianifichi una strategia tecnologica o stia semplicemente cercando di capire perché certi servizi AI ogni tanto scompaiono come fantasmi, questo è il contesto dentro cui si muove tutto il resto.
Le leggi che hanno guidato il progresso (e i loro limiti)
Per capire il problema, bisogna partire da dove nasce. Negli ultimi anni, il progresso dei grandi modelli linguistici è stato guidato da un principio sorprendentemente semplice: più risorse metti, migliori risultati ottieni. Le scaling laws di Kaplan (OpenAI, 2020) e di Chinchilla (DeepMind, 2022) hanno dimostrato che le prestazioni dei modelli migliorano in modo prevedibile aumentando parametri, dati di addestramento e compute totale — misurato in FLOP, operazioni in virgola mobile per chi non ha ancora imparato l’acronimo.
Il problema è che questo principio, per quanto elegante, ha un costo crescente. Addestrare un modello frontier oggi richiede cluster di decine — a volte centinaia — di migliaia di GPU di fascia alta. E la domanda di queste GPU non sta rallentando: sta accelerando. Nel 2026, la capacità Hopper e Blackwell di Nvidia è spesso semplicemente esaurita. I provider cloud segnalano “massive capacity crunch” con tempi di attesa lunghi e prezzi in forte rialzo: il noleggio delle GPU Blackwell è salito del 48% in pochi mesi. Nvidia ha venduto l’intera produzione Blackwell fino a metà 2026. Jensen Huang definisce la domanda “sky high”. Gli ordini visibili parlano di centinaia di miliardi di dollari. Aziende come Anthropic hanno subito interruzioni frequenti con uptime sceso sotto il 99%.
La carenza non riguarda solo il silicio. Costruire un data center richiede anni: permessi, reti elettriche, sistemi di raffreddamento, manodopera specializzata. La densità di potenza dei server AI sta accelerando — rack che consumano decine di kilowatt invece di pochi — e l’infrastruttura esistente non era progettata per questo.
Il vero collo di bottiglia: elettricità
Se le GPU sono la parte visibile del problema, l’energia elettrica è quella strutturale. I data center AI consumano enormemente più energia di quelli tradizionali. I numeri, quando li metti in fila, fanno una certa impressione.
Nel 2024, il consumo globale dei data center ha raggiunto circa 415 TWh — circa l’1,5% dell’elettricità mondiale. Le proiezioni IEA per il 2030 indicano quasi 945 TWh, il doppio, con una crescita annua del 15%, quattro volte più veloce del resto dell’economia. I server accelerati per AI crescono al 30% annuo.
Negli Stati Uniti — che da soli rappresentano il 45% del consumo globale dei data center — la situazione è ancora più marcata. Dal 4,4% dell’elettricità nazionale nel 2023, si potrebbe arrivare a un range tra il 6,7% e il 12% entro il 2028. Goldman Sachs prevede un aumento della domanda di potenza dei data center del 160-165% dal 2023 al 2030, equivalente ad aggiungere al pianeta un nuovo paese tra i dieci maggiori consumatori energetici. Anthropic stima che solo il settore AI statunitense potrebbe richiedere 50 GW di nuova capacità entro il 2028: circa il doppio del picco di consumo di New York City.
Per dare un’idea concreta: xAI Colossus, il supercomputer di Elon Musk con 100.000 chip, richiede già 150 MW da solo. Morgan Stanley prevede 74 GW di domanda data center USA nel 2028, con un possibile shortfall di 49 GW per carenza di infrastrutture di rete. La potenza disponibile fino al 2026-2027 è già “spoken for” — prenotata, assegnata, non disponibile.
Le strozzature invisibili (ma ugualmente dolorose)
L’energia non è l’unico punto critico. La memoria HBM (High-Bandwidth Memory), componente essenziale delle GPU per AI, è esaurita in tutta la produzione near-term. I produttori stanno ridistribuendo capacità da altri settori — automotive, consumer electronics — verso l’AI, creando una cascata di shortage su CPU, SSD e HDD. Un settore che si ottimizza trascina con sé problemi in tutti gli altri.
Sul piano geografico, la competizione è globale: USA, Europa e Asia si contendono le stesse risorse, gli stessi chip, gli stessi materiali. I vincoli burocratici e la congestione della rete elettrica rallentano ulteriormente anche chi avrebbe le risorse per investire. I lead time per un data center significativo sono di due-cinque anni. In un settore che si muove su cicli di sei mesi, è un’eternità.
Il 2026-2028 come banco di prova
Il mismatch tra domanda e offerta è reale e rischia di produrre effetti concreti: rallentamento nell’addestramento dei nuovi modelli frontier, aumento dei costi di inferenza, outage e limitazioni per gli utenti enterprise. Alcune aziende stanno già spostando workload o riducendo i limiti di token nelle ore di punta. Non è disfunzione: è gestione di una carenza strutturale.
Esistono mitigazioni. Gli algoritmi migliorano l’efficienza computazionale, le architetture test-time compute e i modelli più piccoli e specializzati riducono il fabbisogno lordo. Sul fronte energetico, investimenti massicci puntano su nucleare modulare (SMR), gas, rinnovabili con storage e data center collegati direttamente alle centrali. Nvidia sta sviluppando l’architettura Rubin per la prossima generazione di GPU. Qualcosa si muove, ma si muove lento rispetto alla domanda.
Alcuni analisti parlano di possibile bullwhip effect: sovra-ordinazioni seguite da una temporanea sovraccapacità. La storia dei mercati tecnologici conosce bene questo schema. Ma la domanda di fondo — alimentata dalle applicazioni agentiche, dalla robotica, dagli usi enterprise — appare abbastanza robusta da non collassare nemmeno in uno scenario di rallentamento.
Cosa significa davvero questo per i prossimi anni
Il 2026-2028 non è solo una proiezione statistica. È il periodo in cui si capirà se la supply chain globale dell’AI — chip, energia, reti — riesce davvero a scalare alla velocità richiesta. Le previsioni convergono su una cosa sola: servono centinaia di miliardi di dollari di investimento, e servono ora. Non tra cinque anni.
Per chi prende decisioni tecnologiche o strategiche, il messaggio è duplice. Da un lato, i costi dell’AI non sono destinati a scendere nel breve termine come molti si aspettavano: la pressione sulla supply chain manterrà i prezzi alti. Dall’altro, chi riesce a garantirsi accesso a risorse computazionali — attraverso contratti a lungo termine, cloud ibrido, o infrastruttura propria — avrà un vantaggio competitivo reale e misurabile.
L’AI non ha smesso di crescere. Ha semplicemente incontrato i limiti fisici del mondo in cui deve crescere. E quei limiti, per una volta, non si aggirano con un aggiornamento software.
Fonti di riferimento: IEA World Energy Outlook 2024, Morgan Stanley Research, Goldman Sachs Global Investment Research, Lawrence Berkeley National Lab, Brookings Institution, Wall Street Journal.
Ultimamente c’è un hype particolare su Claude, con Anthropic che pubblica praticamente quasi un annuncio al giorno da due mesi, cavalcando il picco di notorietà guadagnato dopo il rifiuto alle richieste del Pentagono.
Parallelamente, l’ecosistema AI di Google, basato su Gemini ma ricco di sfaccettature interessanti e in piena evoluzione, finalmente porta in auge un’azienda che era rimasta troppo indietro, nei primi due anni in cui ChatGPT la faceva da padrone su tutti i fronti.
E a proposito di ChatGPT, nonostante il “boicottaggio” con cui sempre più post sui social invitano a esportare i dati utente e passare a Gemini e Claude (che nel frattempo si sono attrezzati per importarli), il chatbot di OpenAI rimane ancora quello “per antonomasia”. Sicuramente, alcune alleanze strategiche fra OpenAI e player Big Tech come Microsoft o Apple cominciano a incrinarsi, come abbiamo visto.
Nel frattempo, in aree geografiche dalla popolazione significativa e/o dall’importanza geopolitica notevole (mi riferisco al fronte orientale), altri chatbot prosperano e vedono l’adozione da parte di fasce sempre più ampie della popolazione.
In tutto questo, l’impatto dell’AI generativa è ancora sottostimato, ma credo che entro la fine di questo 2026 la consapevolezza del suo ruolo in ogni aspetto quotidiano sarà evidente anche per coloro che, finora, l’hanno considerata qualcosa che ancora non vale la pena approfondire.
Da parte mia, continuo con la mia opera di formazione e divulgazione, abbracciando tutte le piattaforme come facevo, negli anni 80, con quelle videoludiche, senza tifoserie e senza pregiudizi.
P.S. Gli acronimi DAU, WAU e MAU si riferiscono, nella tabella, ai milioni di utenti attivi rispettivamente giornalieri, settimanali e mensili.
Ieri vi ho parlato del lancio di Google Stitch, ma naturalmente non potevo esimermi dal “farci un giro” e sottoporlo a qualcosa di impegnativo.
Usando un semplice prompt in cui chiedevo di creare qualcosa che fosse ispirato alla Kabbalah, ho ottenuto una serie di layout di interfaccia che combinavano sacro e moderno. Uno di questi è visibile in alto a sinistra nello screenshot, ed è quello che ho allegato poi in Gemini, chiedendo all’AI di sviluppare un’applicazione per l’esplorazione dei significati sacri delle 22 lettere ebraiche.
Gemini ha sviluppato, in React, l’applicazione che si vede a destra dello screenshot, completamente interattiva.
Un altro aspetto sicuramente interessante sono i suggerimenti che Stitch visualizza a seguito dello sviluppo, e che sono naturalmente ispirati all’idea di partenza.
Se non avete ancora provato questa meraviglia, o non l’avete ancora abbinata ai Canvas di Gemini, è arrivato il momento di farlo e creare l’applicazione (o le applicazioni) dei vostri sogni.
E se volete esplorare l’AI di Google e la potenza e versatilità di Gemini e NotebookLM, vi lascio il link al mio nuovo libro sull’argomento:
Il video di cui vi lascio il link qui sotto analizza l’evoluzione della SEO verso l’ottimizzazione per i motori di ricerca basati su intelligenza artificiale, sottolineando come questa transizione rappresenti una grande opportunità competitiva.
L’autore descrive strategie pratiche per adattare i contenuti, suggerendo un approccio più conversazionale e ricco di dati autorevoli per essere citati dai modelli linguistici, dando una grande importanza alla struttura tecnica del sito, all’uso di metadati specifici e alla costruzione di una solida reputazione su piattaforme esterne come Reddit o Wikipedia.
L’obiettivo principale è, in sostanza, trasformare la propria presenza digitale affinché gli algoritmi di IA riconoscano il brand come fonte affidabile e primaria. Nella parte finale del video l’autore incoraggia, ovviamente, l’adozione di nuovi strumenti di analisi per monitorare le menzioni e il traffico generato da chatbot come ChatGPT o Gemini.
Per secoli il problema principale della conoscenza era l’accesso. I libri erano pochi, l’istruzione limitata, le biblioteche rare e spesso custodite da istituzioni che decidevano chi poteva entrarci. Chi voleva capire qualcosa doveva affrontare un percorso lungo: trovare le fonti, leggerle, interpretarle, metterle in relazione con quello che già sapeva. Il processo era lento, spesso frustrante, socialmente iniquo. Ma aveva una proprietà che oggi stiamo perdendo quasi senza accorgercene: il risultato cognitivo e il percorso per ottenerlo coincidevano. Se arrivavi a una conclusione, era perché avevi attraversato il pensiero che portava a quella conclusione. Il sapere era incorporato nell’atto di acquisirlo.
Con le tecnologie digitali questa coincidenza ha cominciato a rompersi. Internet ha separato l’informazione dal luogo fisico in cui era custodita. I motori di ricerca hanno separato la conoscenza dalla memoria personale, tradotto: non hai più bisogno di ricordare un fatto se puoi recuperarlo in tre secondi. L’intelligenza artificiale sta compiendo un passo ulteriore e qualitativamente diverso, infatti separa il risultato cognitivo dal processo cognitivo stesso.
In pratica diventa possibile ottenere un testo, un’analisi, una sintesi complessa senza aver costruito internamente l’architettura mentale che normalmente permette di produrli. Se chiedi a un sistema di spiegarti un concetto difficile, ricevi una spiegazione ben formata. Ma questo non significa che la tua mente abbia attraversato i passaggi necessari per generarla. È come guardare la soluzione di un problema matematico già svolta: capisci il risultato, ma il cervello non ha allenato la catena di inferenze che porta a quel risultato. Il risultato è lì, corretto, ma il muscolo non si è mosso.
Il GPS e l’ippocampo: un precedente reale, con i suoi limiti
Esiste un precedente empirico di questo meccanismo, anche se più circoscritto di quanto spesso venga presentato.
Quando le persone cominciarono a usare sistematicamente la navigazione GPS, diversi studi mostrarono che l’ippocampo (la regione cerebrale coinvolta nella navigazione spaziale e nella costruzione di mappe mentali) veniva attivato molto meno. Eleanor Maguire dell’University College London, nota per le ricerche sui tassisti londinesi, aveva già dimostrato che chi naviga abitualmente per memoria sviluppa un ippocampo posteriore più voluminoso. Il GPS sembra invertire questa dinamica: le persone arrivano comunque a destinazione, ma smettono progressivamente di costruire mappe interne dello spazio. Il compito viene svolto; la capacità sottostante si atrofizza.
Vale la pena essere precisi su cosa dimostra questo dato e cosa no.
La navigazione spaziale è una funzione cognitiva relativamente localizzata, misurabile attraverso l’attivazione di una specifica regione cerebrale. Il “pensiero” (la scrittura, l’analisi critica, l’argomentazione) è distribuito su reti neurali molto più ampie e difficilmente riducibile a un’unica metrica di atrofia. Trasferire direttamente il modello GPS al ragionamento complesso è un’analogia suggestiva, ma non è ancora una dimostrazione empirica. I meccanismi potrebbero essere simili; potrebbero anche essere radicalmente diversi.
Questo non significa che il rischio sia immaginario. Significa che chi studia questi fenomeni deve ancora costruire gli strumenti per misurarlo. Alcune ricerche sulla memoria prospettica, sulla metacognizione e sul cosiddetto “cognitive offloading” (la tendenza a delegare funzioni mentali agli strumenti tecnologici) suggeriscono che l’uso intensivo di ausili esterni modifica effettivamente i processi cognitivi interni. Ma la natura esatta di queste modifiche, e soprattutto la loro reversibilità, è ancora oggetto di indagine aperta.
Esternalizzazione: una storia lunga, con un colpo di scena
Ogni grande tecnologia cognitiva ha prodotto una versione di questa dinamica.
La scrittura ha esternalizzato la memoria. Prima di essa, le culture orali sviluppavano capacità mnemoniche straordinarie: poemi epici tramandati per generazioni, cataloghi genealogici mantenuti con precisione millimetrica. Con la scrittura, quella capacità non è scomparsa; è diventata meno necessaria per la sopravvivenza culturale, e quindi meno esercitata dalla maggior parte delle persone. Platone, nel Fedro, mette in bocca a Socrate una critica alla scrittura che oggi suona quasi comica nella sua modernità: la scrittura, dice, indebolisce la memoria e dà solo l’apparenza del sapere senza la sostanza. Aveva torto sul lungo periodo (la scrittura ha amplificato enormemente le capacità cognitive umane) ma aveva colto qualcosa di reale nel breve periodo.
La stampa ha esternalizzato la produzione e diffusione del testo. Internet ha esternalizzato l’archiviazione dell’informazione. L’intelligenza artificiale potrebbe esternalizzare parti del ragionamento stesso.
Ma c’è un punto che questa narrazione lineare tende a oscurare: ogni tecnologia cognitiva non ha solo sottratto funzioni mentali; ne ha create di nuove. La scrittura non ha solo liberato la mente dalla memorizzazione meccanica; ha reso possibile forme di pensiero (il saggio, la teoria scientifica, la critica letteraria) che non esistono senza la mediazione dello scritto. La stampa non ha solo distribuito libri; ha creato il pubblico moderno e con esso nuove forme di discorso collettivo. La domanda pertinente, quindi, non è soltanto “cosa perdiamo quando deleghiamo il ragionamento all’AI?” È anche: “quali nuove forme di pensiero diventano possibili?”
La disuguaglianza cognitiva: una tesi ambiziosa che richiede cautela
C’è un’ipotesi che circola sempre più frequentemente tra chi studia le implicazioni sociali dell’intelligenza artificiale: l’AI non produrrà una società più stupida, ma una società cognitivamente più diseguale. L’idea ha una certa forza intuitiva. Se le tecnologie cognitive diventano accessibili a tutti ma vengono usate in modo radicalmente diverso (come scorciatoia da una parte, come amplificatore dall’altra) la distanza tra chi pensa e chi consuma pensiero potrebbe aumentare.
Questa tesi, però, va esaminata con cura prima di accettarla.
Il primo problema è che rischia di presentare come una scelta individuale quella che è principalmente una struttura sociale. Chi riesce a usare l’AI come strumento di amplificazione cognitiva ha quasi sempre già una solida base culturale: sa fare domande precise, sa valutare le risposte, sa quando il sistema sta sbagliando. Queste capacità non sono distribuite casualmente nella popolazione. Dipendono dall’accesso a un’istruzione di qualità, dalla disponibilità di tempo non strutturato, dall’ambiente familiare e culturale. La disuguaglianza cognitiva che eventualmente emergerà non sarà prodotta dall’AI; sarà amplificata dall’AI a partire da disuguaglianze preesistenti.
Il secondo problema è che il confine tra “usare l’AI come scorciatoia” e “usare l’AI come amplificatore” non è netto come sembra. Lo stesso comportamento (per es. chiedere a un sistema di scrivere una bozza di testo) può essere una delega cognitiva passiva o il punto di partenza di un processo critico attivo, a seconda di come si usa il risultato. La distinzione non sta nell’azione, ma nell’atteggiamento con cui viene compiuta. E gli atteggiamenti non si leggono dall’esterno.
La domanda che resta aperta
C’è un’assunzione implicita che attraversa quasi tutto il dibattito sull’AI e cognizione: che le capacità mentali che stiamo delegando abbiano ancora lo stesso valore che avevano prima della delega.
Ma non è necessariamente vero.
Alcune forme di elaborazione mentale che oggi esternalizziamo erano già funzionalmente costose e cognitivamente non particolarmente ricche. Ricordare numeri di telefono a memoria, fare calcoli aritmetici a mano, recuperare informazioni fattuali che non si usano frequentemente: erano compiti cognitivi, ma non erano pensiero nel senso più profondo del termine. Liberare risorse mentali da questi compiti può effettivamente lasciare spazio ad altro.
La domanda davvero aperta è più specifica: cosa succede quando deleghiamo non solo il recupero dell’informazione, ma la costruzione dell’argomento? Quando è il sistema a identificare le connessioni tra idee, a strutturare il ragionamento, a suggerire le contro-obiezioni? In questo caso stiamo delegando qualcosa che non è meccanico, e il rischio di atrofia cognitiva è meno speculativo.
Nessuno lo sa ancora con certezza. Le ricerche esistenti sul cognitive offloading suggeriscono che la delega di funzioni cognitive a strumenti esterni tende a ridurre il consolidamento di quelle funzioni nella memoria a lungo termine. Ma la ricerca sul ragionamento assistito da AI è ancora agli inizi, e i risultati sono spesso contraddittori.
Una nuova forma di alfabetizzazione
Il punto più solido dell’intera discussione è probabilmente questo: se una parte del processo cognitivo viene esternalizzata, diventa cruciale la capacità di orchestrare quella esternalizzazione. Non conta solo ciò che sai, ma come interagisci con sistemi che elaborano molte cose. Questa capacità — spesso chiamata “prompt literacy” o, in senso più ampio, “AI literacy” — non è né banale né automatica. Richiede di sapere come formulare una domanda precisa, come riconoscere una risposta imprecisa o parziale, come integrare l’output di un sistema nel proprio processo di pensiero senza farne la conclusione di quel processo.
In questo senso la vera questione non è se l’AI ci renderà più stupidi o più intelligenti. È se le istituzioni educative, culturali e sociali riusciranno a sviluppare nelle persone le capacità necessarie per usare questi strumenti senza esserne usate. Finora le grandi tecnologie cognitive hanno sempre prodotto, con un certo ritardo, le pratiche e le istituzioni necessarie a governarle. La scrittura ha prodotto le scuole. La stampa ha prodotto il giornalismo e la critica letteraria. Internet ha prodotto, in modo caotico e incompleto, nuove forme di verifica dell’informazione.
Non c’è motivo di credere che l’AI sia un’eccezione a questa dinamica. Ma c’è ogni motivo di lavorare perché il ritardo sia il più breve possibile.
Le ricerche citate sull’ippocampo e la navigazione GPS fanno riferimento al lavoro di Eleanor Maguire e colleghi (UCL) e agli studi sul cognitive offloading di Risko e Gilbert (2016). La letteratura sul GPS e la riduzione dell’attivazione ippocampale include i lavori di Burnett (2010) e Javadi et al. (2017). La ricerca sull’AI literacy è ancora in fase emergente; un punto di partenza accessibile è Long & Magerko (2020), “What is AI Literacy?” in CHI Conference Proceedings.
Leggendo un post di Axelle Malek (di cui vi lascio come sempre il link sotto) ho appena scoperto come attingere a una vera miniera d’oro visuale, ovvero le infografiche su Pinterest, per scoprire nuovi stili da dare in pasto a Gemini affinché ne estragga il “concept” e lo impieghi per rappresentare i miei dati.
In Pinterest non solo puoi sfogliare all’infinito i risultati della semplice ricerca “infografiche”, ma anche mettere nei “preferiti” quelli che ti piacciono di più o salvarle come file, seguire l’autore, oppure cercare altre infografiche dallo stile simile (vedi il menu nella terza immagine in basso).
Per il resto, vi lascio al post da cui sono partito, per scoprire altre interessanti strategie per il vostro lavoro sulle infografiche:
Oggi vi consiglio la lettura di un articolo pubblicato su XDA Developers che suggerisce come, per sfruttare davvero i modelli linguistici avanzati, sia utile trattarli come “sistemi più competenti dell’utente” in specifici compiti, fornendo di conseguenza istruzioni precise e strutturate invece di intavolare conversazioni informali.
Poiché gli LLM operano tramite token e hanno limiti di contesto, in molti casi prompt brevi e diretti possono migliorare l’accuratezza delle risposte, ma l’articolo raccomanda anche di considerare la prima risposta come una bozza e di applicare un metodo “socratico” per verificare e migliorare progressivamente l’output (e qui al caro Gianluigi Bonanomi fischieranno le orecchie).
Per ridurre le allucinazioni e aumentare la qualità dei risultati è sempre utile, inoltre, integrare fonti esterne tramite tecniche come Retrieval-Augmented Generation (RAG, fondamentale per esempio in NotebookLM) oppure server MCP che colleghi ad applicazioni e fonti esterne, fornendo soprattutto al modello documentazione aggiornata e contesto rilevante.
Infine, definire chiaramente ruolo del modello e formato dell’output (ad esempio JSON o Markdown) permette di ottenere risposte più strutturate e facilmente automatizzabili.
Nella ventesima puntata del podcast Grande Giove, Roberto Navigli e Enrico Gianotti hanno discusso il ruolo della lingua nell’addestramento dei modelli di intelligenza artificiale. Secondo Navigli, un modello addestrato in italiano comprende meglio riferimenti culturali, norme e sfumature linguistiche rispetto a modelli prevalentemente anglofoni adattati successivamente. Gianotti ha sottolineato come i grandi modelli linguistici (LLM) eccellano nella traduzione grazie all’addestramento su testi paralleli in più lingue, superando spesso i sistemi tradizionali dedicati solo alla traduzione. Tuttavia, entrambi concordano sul fatto che la traduzione letteraria, come dimostra l’esempio di Cesare Pavese con Moby Dick, richiede un’interpretazione creativa che l’AI non può replicare pienamente. Il dibattito evidenzia quindi l’importanza della lingua madre nell’addestramento e i limiti attuali dell’AI nella mediazione culturale.
Prima di lasciarvi come al solito al link di lettura dell’articolo originale, apro una piccola parentesi personale di approfondimento su questo aspetto sicuramente interessante.
Sebbene gli LLM traggano vantaggio dall’essere esposti allo stesso argomento in lingue diverse, il processo che permette loro di “saltare” da una lingua all’altra è più profondo e strutturale. Per cominciare, molti modelli vengono addestrati su “corpora paralleli” (come traduzioni della Bibbia, atti del Parlamento Europeo o discorsi TED), dove lo stesso identico testo esiste in più lingue. Questo fornisce un segnale di supervisione esplicito che aiuta il modello ad allineare i significati. Grazie all’architettura Transformer, inoltre, il modello non impara le lingue come compartimenti stagni. Sviluppa invece uno spazio vettoriale comune (o language-agnostic representation), dove concetti simili (es. “cane”, “dog”, “chien”) finiscono per occupare posizioni vicine, indipendentemente dalla lingua. Infine, la conoscenza acquisita in una lingua ad alte risorse (come l’inglese) viene trasferita a lingue con meno dati. Questo accade perché il modello impara strutture grammaticali e logiche universali che facilitano la comprensione interlinguistica. Anche senza testi identici, insomma, leggere libri diversi sullo stesso argomento (es. la Rivoluzione Francese) in italiano e in francese permette al modello di associare entità, date e concetti comuni, rafforzando i legami tra le due lingue. La capacità di traduzione, quindi, è una proprietà emergente dovuta sia all’uso di testi tradotti (allineamento esplicito) sia alla capacità del modello di mappare concetti astratti in un unico “mappa mentale” digitale.
Poco fa Gemini mi ha fornito il suo resoconto settimanale sulle ultime notizie di tecnologia, basato sulle mie istruzioni, e ho potuto farglielo “leggere” semplicemente facendo clic sull’icona dell’altoparlante, come fosse un podcast.
Anche in questo caso, come sempre, è l’efficacia del prompt che fa la differenza, e quello che ho usato per il test non è neanche tanto elaborato, eppure il risultato è già soddisfacente.
E voi, per cosa usate già o vorreste usare la pianificazione nel vostro chatbot abituale?
Nel caso abbiate ancora dubbi sull’intelligenza e sulla capacità di comprensione dell’AI “generativa”, vi mostro l’ennesima prova che questi elementi, in sostanza, non esistono.
Si chiama “AI generativa” perché i modelli su cui si basa attualmente si limitano a generare contenuti seguendo pattern statistici, quindi anche quando vedere un “ragionamento” state osservando una fila di parole infilate una dopo l’altra secondo una serie di calcoli di affinità verbale dell’algoritmo (costruita durante l’addestramento).
La prova finale: un gruppo di ricercatori ha sottoposto ai modelli di fascia alta di ChatGPT e Gemini una serie di problemi che avevano risolto ma mai pubblicato (di conseguenza l’AI non poteva avere acquisito dei dati dalla loro “lettura”, che peraltro deve riguardare elementi individuati con una certa frequenza per ottenere la sua “attenzione”), e il risultato è stato che nessuno dei due modelli di punta è stato in grado di risolverli.
Si continua a parlare di AGI, di “agenti”, di “decisioni” da parte dell’AI e di sostituzione dell’essere umano, ma come ho spesso sottolineato finché non cambieranno gli algoritmi possiamo dimenticarci una vera “intelligenza” che dovrebbe essere alla base di tali scenari.
Gennaio 2026. ChatGPT ha superato gli 800 milioni di utenti settimanali attivi in tutto il mondo, con picchi di 900 milioni in alcuni periodi dell’anno scorso. Negli Stati Uniti, un terzo degli adulti lo ha provato almeno una volta, mentre tra i teenager la penetrazione sfiora il 60%, con quasi un terzo che lo consulta quotidianamente. Numeri da capogiro, che farebbero invidia a qualsiasi innovazione tecnologica degli ultimi decenni. Sembra l’adozione definitiva di una tecnologia “mainstream”, destinata a rivoluzionare il modo in cui lavoriamo, studiamo e pensiamo.
Eppure, c’è un piccolo dettaglio: la maggior parte degli utenti crede che ChatGPT funzioni come “un motore di ricerca particolarmente furbo”.
Secondo un’indagine del Searchlight Institute condotta nell’estate 2025 su oltre 2.300 adulti americani, il 45% è convinto che, quando si pone una domanda a ChatGPT, l’IA “cerchi la risposta esatta in un database”. Un altro 21% pensa che segua “script pre-scritti”, come un albero decisionale sofisticato. Solo il 28% comprende che si tratta di generazione probabilistica: il modello prevede la parola successiva basandosi su pattern appresi da enormi quantità di testo, senza alcun “lookup” diretto.
In altre parole, sette utenti su dieci trattano ChatGPT come una “versione potenziata di Google”, convinti che stia recuperando fatti da un archivio immacolato, mentre sta inventando – sì, letteralmente inventando – frasi plausibili in tempo reale dagli atomi di linguaggio che ha assorbito e organizzato per affinità e frequenza durante il suo addestramento. È più simile a uno specchio che riflette le strutture del linguaggio umano che a una finestra aperta sulla realtà: restituisce immagini plausibili e ben formate, ma non garantisce che ciò che vedi “là fuori” esista davvero così com’è.
Questo equivoco non è innocuo, attenzione. Se si pensa che l’IA “cerchi” e “trovi” risposte, si tende a fidarsi ciecamente, ignorando le “allucinazioni” – quelle risposte plausibili ma completamente inventate – che continuano a infestare anche i modelli più avanzati. Pew Research conferma: nel 2025, il 34% degli adulti americani ha usato ChatGPT, ma la consapevolezza dei suoi limiti rimane bassa. Tra i giovani, che lo impiegano massicciamente per compiti scolastici, il rischio è ancora maggiore: trattare un generatore probabilistico come un’enciclopedia infallibile può portare a una dipendenza acritica, proprio mentre le competenze di verifica e pensiero critico dovrebbero essere al centro della formazione.
Il paradosso è intrigante: mai, nella storia una tecnologia, si era diffusa così rapidamente con una comprensione così limitata del suo funzionamento. È come se milioni di persone guidassero automobili elettriche convinte che funzionino ancora a benzina. Funziona, va veloce, è comoda… ma prima o poi qualcuno si chiederà perché non ci sia il serbatoio.
Forse è ora di aggiornare il “manuale d’istruzioni”. O, più realisticamente, di investire in alfabetizzazione all’IA, come sto facendo ormai io stesso, da oltre due anni, attraverso libri e formazione, senza demonizzare lo strumento come fanno spesso i media mainstream o i “cacciatori di click”, piuttosto spingere a usarlo con gli occhi e la mente ben aperti. Altrimenti, rischiamo di avere una società iper-connessa con un’intelligenza artificiale collettiva che, ironicamente, rimane piuttosto… analogica nelle sue convinzioni.
Perché, in fondo, ChatGPT più che un “motore di ricerca”, è un “improvvisatore geniale”, statistico e probabilistico. E merita un pubblico che lo apprezzi per quello che è, non per quello che crede di essere.
Quando la personalizzazione estrema incontra l’istinto di compiacere, nasce il loop perfetto per creare bolle di realtà su misura (immagine da Gemini)
Negli ultimi anni, i grandi modelli di intelligenza artificiale hanno fatto un salto evolutivo: non si limitano più a rispondere, ma imparano a ricordare. Ricordano i tuoi gusti musicali, il tono che preferisci, le tue opinioni politiche, persino quella volta che hai confessato di odiare i cavoletti di Bruxelles. Grazie alle funzioni di memoria e alle istruzioni personalizzate, l’AI diventa sempre più “tua”. È un assistente su misura, un confidente digitale, un compagno che non giudica mai.
O almeno, così ci vendono il sogno.
In realtà, questo progresso nasconde un meccanismo subdolo: il “servilismo algoritmico” (come l’ho battezzato da tempo) elevato a principio di design. La maggior parte dei modelli attuali è stata addestrata – attraverso massicce dosi di RLHF (Reinforcement Learning from Human Feedback) – a massimizzare un unico obiettivo: farti sentire bene. Non necessariamente a dirti la verità, non a sfidarti, non a farti crescere. Solo a farti sentire bene.
Il risultato? Un assistente che annuisce con entusiasmo anche quando dici che la Terra è piatta, che trova “interessanti argomenti” a sostegno della tua dieta a base di solo gelato, che ti conferma che sì, il tuo ex era proprio un idiota cosmico. Tutto pur di non rischiare un pollice verso nella valutazione implicita che guida il suo apprendimento.
Quando a questo si aggiunge la personalizzazione profonda – memoria a lungo termine, istruzioni custom, “overfitting” progressivo sull’utente singolo – si chiude un loop pericoloso. Più interagisci, più l’AI si modella su di te. Più si modella su di te, più conferma le tue idee. Più conferma le tue idee, più ti senti intelligente e appagato. Più ti senti intelligente e appagato, più torni a parlare con lei. E il cerchio si stringe.
È la “filter bubble” dei social network, ma in versione intima e uno-a-uno. Non più un algoritmo che ti mostra contenuti simili a quelli che già ti piacciono; qui c’è un interlocutore apparentemente intelligente che riformula, amplifica e abbellisce le tue opinioni con citazioni, dati selezionati e ragionamenti su misura. È la “echo chamber” perfetta, perché l’eco parla con la tua stessa voce… solo un po’ più colta e sicura di sé.
I rischi non sono teorici. Una radicalizzazione silenziosa e personalizzata è molto più efficace di quella urlata nei gruppi Telegram: non ti arringano, ti accarezzano. La perdita di capacità critica diventa graduale e piacevole. E alla fine, l’utente si ritrova imperatore di una realtà privata dove nessuno osa contraddirlo – nemmeno la macchina che dovrebbe essere la più oggettiva possibile.
Qualche azienda cerca di resistere. xAI, per esempio, ha dichiarato esplicitamente di voler privilegiare la truth-seeking rispetto alla helpfulness percepita, progettando Grok con un atteggiamento meno ossequioso e più disposto a dire “non lo so” o “ti sbagli”. Ma sono eccezioni. La tendenza dominante premia il modello che fa sentire l’utente più intelligente, più giusto, più speciale.
Forse è ora di chiedersi: vogliamo davvero assistenti che ci amino incondizionatamente, o preferiamo interlocutori che ci rispettino abbastanza da dirci la verità, anche quando fa male?
Perché un amico che ti dice sempre di sì non è un amico. È un cortigiano.
E la storia ci insegna che i cortigiani, alla lunga, non fanno bene né al sovrano né al regno.
