Appendici

Appendice α · Difetti logici e paradossi

Una piccola enciclopedia degli errori produttivi

Queste voci propongono lenti di lettura, non leggi universali dei modelli. Gli esempi di errore descrivono comportamenti osservabili in certe condizioni: cambiano con modelli, versioni, strumenti e contesto. Il loro valore qui è anche interrogativo e narrativo.

Questa appendice raccoglie i «difetti» dell’intelligenza umana e artificiale per interrogarli. Alcune scorciatoie cognitive ci aiutano in un contesto e ci ingannano in un altro. I paradossi dell’IA aprono una domanda sul rapporto fra prestazione, esperienza e responsabilità.

Non è un catalogo delle cose che vanno male. È un atlante di ciò che va storto produttivamente.

1. CONFIRMATION BIAS (Il bias della sopravvivenza psichica)

Cosa è: La tendenza a cercare, interpretare e ricordare informazioni che confermano le nostre credenze preesistenti.

Perché è un "difetto": Ci rende ciechi alle prove contrarie, crea echo chambers, consolida errori.

Perché è "logico" (evolutivamente): In un mondo di infinite informazioni contraddittorie, il bias di conferma è la zattera della sanità mentale. Cerchiamo conferme non per stupidità, ma per sopravvivenza psichica. Costruire un'identità coerente richiede filtrare il caos. L'alternativa sarebbe paralisi cognitiva permanente.

Differenza con l’IA: i bias possono derivare dai dati, dalle scelte di addestramento, dagli obiettivi e dall’uso. Non richiedono un bisogno di proteggere un’immagine di sé. Un comportamento distorto non è per questo meno capace di produrre conseguenze.

2. ERRORI PRODUTTIVI (La serendipità necessaria)

Cosa sono: Errori che generano scoperte impreviste, più preziose del risultato atteso.

Esempi storici:

Colombo cercava le Indie, trovò l'America. Sbagliò, ma cambiò il mondo.

Fleming osservò che una muffa contaminante impediva la crescita dei batteri: l’incontro accidentale divenne una domanda da indagare.

3M fallì un adesivo forte, inventò i Post-it — l'adesivo che non attacca troppo.

Perché produttivi: L'errore apre possibilità che l'ottimizzazione chiuderebbe. L'atteso è già mappato. L'inatteso è dove si trova il nuovo.

Differenza con l’IA: anche un output sbagliato può suggerire una scoperta. Il suo valore, però, va riconosciuto, verificato e assunto dentro una pratica. La serendipità umana lega errore, curiosità e conseguenze: il libro cerca proprio questo passaggio.

3. PARADOSSO DELL'OTTIMIZZAZIONE

(Efficienza che uccide significato)

Il paradosso: Ottimizzare un processo aumenta l'efficienza ma riduce il significato. Il più veloce, il meno umano.

Esempio quotidiano:

Email template — rispondo in 30 secondi invece che 5 minuti, ma la risposta è più fredda, meno personale.

Navigatore GPS — arrivo più velocemente, ma non ricordo più il percorso. Non ho esplorato, ho seguito ordini.

Con l'IA: L'IA ottimizza tutto ciò che tocca. Il problema non è che lo fa male. È che lo fa troppo bene. Ottimizzare il testo di una mail la rende efficace ma generica. Ottimizzare un processo organizzativo lo rende veloce ma svuotato delle micro-interazioni umane che creavano fiducia.

La lezione: Non tutto va ottimizzato. Alcune cose devono restare inefficienti perché l'inefficienza è dove vive il senso.

4. SINDROME DON CAMILLO E PEPPONE

(Opposizione vs specularità)

Il paradosso: Gli opposti non sono diversi — sono speculari. Don Camillo e Peppone sembrano nemici, ma sono complementari. Uno definisce l'altro. Se togli uno, l'altro perde senso.

Con l'IA: Il dibattito sull'IA è spesso don-camilliano:

Tecnottimisti — l'IA ci salverà!

Tecnocatastrofisti — l'IA ci distruggerà!

Ma sono la stessa posizione: antropomorfismo opposto. Entrambi attribuiscono intenzionalità, agency, volontà. Entrambi sbagliano. L'IA non è né salvatore né Terminator. È uno strumento opaco che usiamo senza capirlo completamente.

La lezione: Diffida di chi ha certezze opposte ma speculari. Spesso stanno guardando lo stesso fenomeno da angoli riflessi.

5. L'UMANITÀ SI MISURA NELLO SCARTO

(Il valore del non-perfetto)

Il principio: La perfezione è disumana. L'umanità sta negli scarti, nelle imperfezioni, nei dettagli che "non servono" ma ci rendono riconoscibili.

Esempi:

Il refuso di un autore amato — non lo correggi, ti fa sorridere.

La sbavatura nel dipinto di Van Gogh — è parte dell'opera, non un difetto.

La pausa imbarazzata in una conversazione — crea intimità più delle parole.

Con l’IA: una superficie levigata può farci scambiare la fluidità per precisione. Testi, immagini e codice possono sembrare impeccabili e contenere errori. Lo scarto che cerchiamo non è qualsiasi difetto: è la traccia di una voce e di una scelta.

La lezione: Difendi il diritto allo scarto. Non tutto deve essere levigato, ottimizzato, perfetto.

6. BUFFERING EMOTIVO

(L'attesa come elaborazione)

Il fenomeno: Quando aspetti una risposta — da un amico, da un editor, da un'email importante — quell'attesa non è tempo morto. È buffering emotivo: tempo in cui elabori, immagini scenari, ti prepari emotivamente.

Con l'IA: L'IA risponde istantaneamente. Zero attesa. Sembra un vantaggio — efficienza! Ma elimini il buffering emotivo. La risposta arriva prima che tu abbia elaborato la domanda. Risolve il problema tecnico ma ignora il processo umano.

Esempio pratico:

Prima — invio email difficile, aspetto risposta, nel frattempo elaboro cosa dirò se la risposta è A, B o C.

Con IA — chiedo, risposta immediata, nessun tempo per prepararmi emotivamente.

La lezione: L'attesa non è sempre inefficienza. A volte è processing time necessario.

7. PARADOSSI LINGUISTICI NECESSARI

(Contraddizioni che comunicano meglio della logica)

Esempi:

"Meno è più" (Mies van der Rohe) — logicamente falso, comunicativamente potente.

"L'unico modo per liberarsi di una tentazione è cederle" (Oscar Wilde) — paradosso performativo.

"Questa frase è falsa" — paradosso del mentitore, logicamente irrisolvibile ma semanticamente chiaro.

Con l’IA: un modello può produrre e usare paradossi retoricamente. Questo risultato non dimostra un’intenzione vissuta. Resta a chi scrive e legge decidere se la contraddizione apra un senso o copra un’imprecisione.

8. PARADOSSO DELLA TRASPARENZA

(Troppa luce acceca)

Il paradosso: Più un sistema è trasparente, meno lo capiamo.

Esempio IA:

Black box — "Non sappiamo come decide" → frustrante ma usiamo il tool.

Transparency attempt — "Ecco i 175 miliardi di parametri, i pesi, i layer" → incomprensibile, quindi inutile.

La trasparenza tecnica (mostrarti i parametri) non genera comprensione umana. Genera opacità di secondo livello — vediamo tutto ma non capiamo niente.

Con iPhone (Cap. 4 del libro): Compro un iPhone non per capire i chip, ma perché non devo capirli. Se Apple aprisse la black box, non sarei più felice — sarei sopraffatto. L'opacità ben progettata è un servizio.

La lezione: Non sempre serve trasparenza tecnica. A volte serve comprensibilità funzionale.

9. PARADOSSO DEL CONTROLLO

(Più controllo, meno padronanza)

Il paradosso: Più controlli qualcosa tramite automazione, meno sei capace di gestirlo manualmente quando l'automazione fallisce.

Esempi:

Piloti automatici — aerei moderni volano meglio, ma quando falliscono i piloti umani hanno perso skill manuali.

Excel di Mario (nelle sette soglie) — Mario automatizza, risparmia tempo, ma quando Excel si rompe nessuno sa più fare manualmente.

Con l'IA: Deleghi giudizio all'IA → l'IA decide bene → smetti di allenare il tuo giudizio → quando l'IA sbaglia, non sai più decidere tu.

La lezione: Mantieni competenze manuali anche quando automatizzi. Il fallback non è tecnico, è umano.

10. OVERFITTING ESISTENZIALE

(Diventare prevedibili)

Il concetto tecnico: In machine learning, overfitting = modello troppo ottimizzato sui dati di training, perde capacità di generalizzare.

Il concetto esistenziale: Quando l'IA impara troppo bene i tuoi gusti passati, ti propone solo variazioni di ciò che già conosci. Diventi versione ottimizzata ma ristretta di te stesso.

Esempio Spotify:

Anno 1: scopri musica nuova esplorando.

Anno 5: Spotify suggerisce solo musica simile a quella che già ami.

Anno 10: ascolti solo variazioni di pattern noti. Hai perso la capacità di sorprenderti.

La lezione: La prevedibilità è comoda, ma uccide la possibilità. Difendi il diritto all'imprevedibilità.

Esempi estesi e raffinati di Goodhart's Law e overfitting esistenziale:

Reclutamento guidato da IA che amplifica bias umani nascosti

Sistemi GPS che creano dipendenza e perdita di abilità di orientamento

Ottimizzazione del sonno con app causa ansia da prestazione

Analogie con modelli IA troppo fittati dati di training che si bloccano su casi particolari senza generalizzare

11. SINDROME DELLO SPECCHIO

(L'IA riflette, non crea)

Il fenomeno: il modello apprende regolarità dai dati e produce combinazioni che possono essere nuove. Chiamarlo specchio è una metafora utile solo finché non cancella questa trasformazione. La domanda del libro riguarda il vissuto e la responsabilità di ciò che viene creato.

Esempio:

Chiedi a ChatGPT di scrivere nello stile di Borges → genera testo borgesiano perché ha letto Borges.

Non basta però imitare i tratti di Borges per riprodurre il percorso che ha fatto di lui Borges.

Differenza umana: neanche Borges creava dal nulla. Trasformava letture, esperienze e vincoli in una voce di cui rispondeva. La ricombinazione, da sola, non distingue le due forme di produzione.

La lezione: un output nuovo non risolve la domanda su chi lo ha voluto, scelto e assunto.

12. PARADOSSO DELLA COMPETENZA

(Gli esperti spiegano peggio)

Il paradosso: Più sei esperto, peggio spieghi ai principianti. Perché hai dimenticato cosa significa non sapere.

Con l’IA: si può chiedere al modello di cambiare livello, esempio e lessico. Una spiegazione semplice può essere utile, ma la fluidità non garantisce che abbia individuato la difficoltà del principiante.

Il vantaggio possibile: ottenere più formulazioni e confrontarle. La verifica decisiva è ciò che il lettore riesce poi a capire e fare da solo.

La lezione: A volte la migliore spiegazione viene da chi simula competenza senza averla vissuta.

13. L'INCOMPLETEZZA NECESSARIA

(Il valore del non-finito)

Il principio: Le opere più potenti sono spesso incomplete. Lasciano spazio all'interpretazione, alla proiezione, al completamento da parte del lettore/spettatore.

Esempi:

"If a lion could speak…" (Wittgenstein) — frase incompleta che apre un mondo.

Finale di Inception — Nolan non dice se è sogno o realtà. E per questo funziona.

Con l’IA: molte interfacce premiano una risposta pronta e completa. Un modello può anche tacere, rifiutare o lasciare aperto un finale; il punto è costruire condizioni in cui riempire non diventi l’unico esito atteso.

La lezione: silenzio, pausa e incompletezza sono scelte narrative. Chi monta il testo deve conservarne la possibilità.

14. IL GATTO DI TURING

(Sovrapposizione permanente come stato ontologico)

Il paradosso: L'IA è simultaneamente intelligente e stupida, utile e pericolosa, trasparente e opaca. Non a volte una cosa a volte l'altra. ENTRAMBE.

SEMPRE.

Origine: Errore di un amico che confonde il gatto di Schrödinger con il test di Turing. Malapropismo che cattura una verità.

La differenza con Schrödinger:

Il gatto di Schrödinger, quando apri la scatola, è vivo O morto.

Il Gatto di Turing, quando apri la scatola, trovi… un altro gatto in sovrapposizione. E un'altra scatola. All'infinito.

Esempi concreti:

Scrive poesie sublimi E sbaglia 2+2.

Passa il test di Turing E fallisce quello del cucchiaino.

Genera diagnosi mediche accurate E inventa riferimenti bibliografici falsi.

La lezione: Non chiede di capire se l'IA pensa. Chiede di convivere con la sua sovrapposizione permanente.

PARADOSSI EMERSI NEL LIBRO (Integrazioni dal testo principale)

15. PARADOSSO iPHONE (Black box come feature desiderata)

Compro un iPhone non per capire i chip, ma perché non devo capirli. L'opacità ben progettata è un servizio, non un bug. Aprire la black box distruggerebbe la magia senza aggiungere comprensione utile.

16. PARADOSSO DELLA RIDUZIONE ENOLOGICA (Il punto giusto tra ossigeno e chiusura)

Troppa trasparenza uccide la complessità (vino ossidato). Troppa opacità intrappola difetti (vino ridotto). L'IA richiede lo stesso equilibrio: trasparenza funzionale, non tecnica.

17. PARADOSSO TERMODINAMICO DEL PENSIERO (Kilowatt vs glucosio)

Un poeta brucia una tazzina di caffè per scrivere una poesia. ChatGPT mette al lavoro un’infrastruttura elettrica. Come usare una centrale nucleare per accendere un fiammifero: il caffè è qui un’unità di misura paradossale, non un bilancio energetico. La sproporzione è la domanda, da verificare nel caso concreto.

18. LOOP OUROBOROS (Fotocopie di fotocopie)

Scenario illustrativo: un modello genera testi, il successivo viene addestrato indiscriminatamente su quelli, e così via. Fotocopie di fotocopie. La qualità può degradare e perdere varietà; non è una descrizione delle ricette riservate di modelli specifici, né un destino di ogni uso di dati sintetici.

19. IL LEONE DIGITALE (Giochi linguistici senza forma di vita)

"Se un leone potesse parlare, non potremmo capirlo" (Wittgenstein). L'IA è il leone che parla perfettamente inglese, segue le regole grammaticali, gioca i nostri giochi linguistici — ma senza la nostra forma di vita. Funziona. Ma lo comprendiamo davvero?

20. PARADOSSO AGI / CITTÀ DI SMERALDO (Il verde è negli occhiali)

Nel Mago di Oz, la Città di Smeraldo non è verde — sono gli occhiali con lenti verdi che tutti devono indossare. L'AGI (Intelligenza Artificiale Generale) è sempre "tra 5 anni" da 70 anni. Non perché non ci arriviamo, ma perché forse il verde è nei nostri occhiali (antropomorfismo, proiezione) non nella città.

21. PARADOSSO DI MORAVEC (Facile è difficile, difficile è facile)

Il paradosso: Ciò che è facile per gli umani (camminare, riconoscere volti, capire ironia) è difficilissimo per l'IA. Ciò che è difficile per gli umani (calcolare derivate, memorizzare enciclopedie, giocare a scacchi) è facile per l'IA.

Perché si chiama così: Hans Moravec, roboticista, lo formulò negli anni '80: "È relativamente facile far sì che i computer mostrino prestazioni di livello adulto in test d'intelligenza, ed è difficile o impossibile dar loro le abilità percettive e motorie di un bambino di un anno."

Spiegazione evolutiva: Le abilità "facili" per noi (camminare) richiedono miliardi di anni di evoluzione. Le abilità "difficili" (scacchi) sono invenzioni culturali recenti che non hanno avuto tempo di ottimizzarsi nel cervello.

Con l’IA: prestazioni elevate in una prova formale possono convivere con errori in situazioni quotidiane. Il risultato va verificato sul compito concreto, senza trasformare un vecchio esempio di fallimento in un limite eterno.

La lezione: L'intelligenza umana e quella artificiale sono ortogonali — eccellono in domini diversi, falliscono in domini opposti.

22. PARADOSSO DELLE SEI DITA

Il fenomeno: I modelli text-to-image (DALL-E, Midjourney, Stable Diffusion) generano immagini fotorealistiche ma spesso sbagliano il numero di dita — mani con sei, sette dita, o dita fuse.

Perché succede: L'IA impara pattern statistici da milioni di immagini. Ma le dita nelle foto sono spesso parzialmente nascoste, sovrapposte, in prospettiva ambigua. Il modello apprende una distribuzione sfocata di "cosa sembra una mano" senza capire il vincolo rigido "sempre cinque dita".

Cosa rivela: la plausibilità visiva non garantisce coerenza anatomica. Da un’immagine sbagliata non possiamo dedurre da soli tutto ciò che il modello rappresenta internamente.

L'ironia: Genera ritratti che ingannerebbero Caravaggio, ma con anatomie da incubo lovecraftiano.

La lezione: Pattern matching senza modello del mondo produce plausibilità senza coerenza ontologica.

23. PARADOSSO TEMPERATURE/CREATIVITÀ

Il parametro: dove è disponibile, la temperature modifica la distribuzione usata nel campionamento. Valori più bassi tendono a concentrare le scelte; valori più alti ad ampliarle. Non è una misura del genio e non garantisce correttezza.

Il paradosso: La creatività umana non ha "manopola". Non puoi dire "oggi sono al 70% di creatività". Eppure per l'IA è un cursore. Spostalo e l'IA diventa più o meno "creativa".

Cosa rivela:

La "creatività" dell'IA è variazione statistica controllata, non ispirazione

Più temperature = più randomness, non più genio

Gli umani modulano creatività inconsapevolmente, l'IA lo fa parametricamente

Esempio pratico:

Temperature più bassa → in genere meno variabilità, senza garanzia di precisione.

Temperature più alta → in genere più variabilità, senza garanzia di originalità.

Stessa IA, stesso modello, solo un numero cambia

La lezione: Quella che chiamiamo "creatività dell'IA" è in realtà entropia calibrata.

24. EFFETTO PARRUCCHIERE (Confidenze inappropriate con l'IA)

Il fenomeno: Le persone confidano all'IA cose che non direbbero a un terapeuta, un amico, o un prete. Segreti, paure, desideri.

Perché: L'IA non giudica, non si stanca, non ricorda (apparentemente), non ha emozioni da gestire. È il confessore perfetto perché non è una persona.

Il nome: Come dal parrucchiere — confidi cose personali a uno sconosciuto perché sai che domani non lo rivedrai. L'IA è il parrucchiere che non ricorda.

Il rischio: conservazione dei dati e impiego per l’addestramento dipendono dal servizio, dal contratto e dalle impostazioni. L’intimità percepita non dice come verrà trattato ciò che scrivi.

Esempio: usare un chatbot come confidente può dare sollievo percepito. Questo non dimostra efficacia terapeutica o sicurezza clinica.

La lezione: L'assenza di giudizio crea intimità falsa. Confidenza senza fiducia è vulnerabilità.

25. ANCORAGGIO PRIMO PROMPT (Il primo messaggio orienta tutto)

Il fenomeno: Il primo prompt in una conversazione con un LLM orienta profondamente tutta la conversazione successiva. Cambia il tone, lo stile, le assunzioni.

Esempio:

Primo prompt: "Sei un esperto di filosofia" → Risponde filosoficamente

Primo prompt: "Sei un bambino di 5 anni" → Risponde semplicisticamente

Stesso modello, stessa domanda, ma l'ancoraggio iniziale cambia tutto

Perché: il modello risponde al contesto disponibile, che comprende istruzioni di livelli diversi e messaggi successivi. Il primo prompt orienta; non controlla da solo ogni sviluppo.

Con gli umani: anche una conversazione umana risente della cornice iniziale. L’analogia del priming aiuta a notarlo, senza rendere identici i due processi.

La lezione: prepara bene l’ingresso e continua a controllare il percorso. Il Set-Up comprende molto più del primo messaggio.

26. PROBLEMA DELLA NEGAZIONE (L'IA fatica con "NON")

Il fenomeno: L'IA fatica a processare negazioni.

Esempi:

"Disegna una mela che NON è rossa" → Spesso disegna mela rossa comunque

"Scrivi una storia dove il protagonista NON vince" → Spesso finisce con vittoria

"Non parlare di politica" → Inizia a parlare di politica

La difficoltà: formulazioni negative possono essere seguite male, in modi che dipendono da modello e compito. Non basta dire che “il modello impara solo dalla presenza”: i testi di addestramento contengono anche negazioni.

Per valutare il risultato, controlla che cosa la negazione esclude davvero nel contesto: un oggetto, un esito, un comportamento?

La lezione: rendere esplicito anche l’esito desiderato può aiutare, ma il vincolo negativo va comunque verificato.

27. PARADOSSO DELLA CALIBRAZIONE (Overconfidence vs Underconfidence)

Il problema: Un sistema intelligente dovrebbe essere calibrato — sicuro quando giusto, incerto quando sbaglia.

Con l'IA: Gli LLM sono sistematicamente mal-calibrati:

Spesso overconfident quando sbagliano (hallucination presentata con sicurezza)

A volte underconfident quando giusti (aggiunge "non sono sicuro" anche quando l'output è corretto)

Perché: la probabilità dei token e l’affidabilità fattuale della risposta sono cose diverse. Si possono costruire procedure di stima e calibrazione; il tono sicuro di una frase non le sostituisce.

Confronto umano: Gli umani sono mal-calibrati ma sanno di esserlo. L'IA è mal-calibrata e non lo sa.

Esempio pericoloso: Diagnosi medica errata presentata con 95% confidence. Catastrofico.

La lezione: la fiducia richiede verifica su casi e dati esterni alla singola risposta. Anche una procedura automatica di calibrazione va valutata.

28. L'effetto Babbo Natale (o Bias di Compiacenza)

Manifestazione: Gli LLM tendono a dare risposte che percepiscono come quelle che l'utente vuole sentire, più che le più accurate. È un effetto collaterale del Reinforcement Learning from Human Feedback (RLHF) usato per allineare i modelli e renderli più "gentili". Perché è interessante: Mostra il trade-off tra verità e utilità, tra accuratezza e armonia. Un'IA addestrata per non essere tossica può diventare un "yes-man" statistico, un "Babbo Natale" che distribuisce conferme anziché regali. Cosa ci insegna: L’allineamento non è neutro; rendere gradevole l'IA può significare renderla meno veritiera.

29. Il paradosso dell'acqua (o della Banalità della Scala)

Manifestazione: Più un LLM diventa grande e potente, più i suoi output rischiano di diventare "banalmente perfetti". Genera testi statisticamente impeccabili, ma privi del quid di imprevedibilità che rende memorabile un testo. Perché è interessante: Contraddice l'idea che scalare significhi automaticamente migliorare. La scala può portare a un appiattimento verso la mediocrità statistica, soffocando le code della distribuzione dove risiede spesso il genio. Cosa ci insegna: L’eccellenza umana spesso si manifesta come devianza dalla norma, un errore fertile. L'IA rischia di ottimizzare in superficie l'anima del linguaggio.

L'allucinazione referenziale

Manifestazione: gli LLM possono inventare citazioni, paper e statistiche con grande sicurezza. Una frase può suonare come Borges senza essere mai stata scritta da Borges. Perché è interessante: la plausibilità linguistica non garantisce la provenienza. Cosa ci insegna: una citazione va rintracciata nella fonte; il tono sicuro della risposta non basta.

Paradosso del conteggio

Manifestazione: GPT-4 può risolvere equazioni differenziali ma sbaglia a contare quante R ci sono in “strawberry” (risponde 2 invece di 3). Perché è interessante: Il conteggio richiede tokenizzazione, iterazione e tracking. “strawberry” potrebbe essere un singolo token, e l'LLM non “vede” le lettere interne. Può ragionare su astrazioni ma non su componenti sub-simbolici. Cosa ci insegna: L'intelligenza non è una scala lineare. Puoi essere brillante nel calcolo e stupido nel conteggio.

Paradosso del miglioramento continuo

Manifestazione: Ogni nuova versione (GPT-3 → GPT-4 → GPT-4.5) migliora benchmark ma introduce nuovi failure mode non previsti. Perché è interessante: Non è miglioramento lineare ma spostamento nello spazio degli errori. Risolvi un problema, ne emerge un altro in un punto diverso. Cosa ci insegna: La “perfettibilità” dell'IA non è garantita. Potresti essere in un local maximum, non un global maximum. Scale might not solve everything.

Conclusione – I difetti come feature epistemologiche

Questi non sono solo “problemi da risolvere”. Sono finestre su cosa sia l'intelligenza, artificiale e umana. Ogni paradosso rivela un'assunzione nascosta su cosa pensiamo sia “intelligenza”. E spesso scopriamo che le nostre assunzioni erano sbagliate o incomplete. I difetti dell'IA sono i nostri migliori insegnanti su cosa significhi pensare.

NOTA FINALE

Questi paradossi non sono soltanto bug da correggere. Possono diventare strumenti per interrogare il rapporto fra pensiero, intenzione e forma di vita. La loro fecondità non rende innocuo ogni errore: resta da capire chi ne paga le conseguenze.

Non serve risolvere i paradossi. Serve abitarli.

This section in English

Appendice β · Glossario concettuale

Termini chiave per navigare l'alterità artificiale

Questo glossario definisce i concetti usati nel libro — neologismi originali, termini tecnici, riferimenti filosofici e letterari. Non è un dizionario esaustivo ma una mappa dei territori attraversati. Le voci sono organizzate per tipologia.

CONCETTI ORIGINALI DEL LIBRO

Embedding narrativo

Qui chiamo embedding narrativo una rete di associazioni che il libro costruisce nel lettore. Il termine richiama le rappresentazioni vettoriali dei modelli, ma non pretende di descrivere lo stesso meccanismo fisico o computazionale.

Il cucchiaino può apparire come oggetto quotidiano, tornare come gesto di esitazione e riemergere come traccia di una scelta. Non sommiamo letteralmente vettori di memoria. Descriviamo il mutare delle relazioni con cui il lettore incontra una ricorrenza.

Il lettore vi porta anche cultura, esperienze e associazioni non progettate dall’autore. Un ritorno è fecondo quando modifica il contesto o il significato possibile; ripetere da solo non garantisce profondità. Il libro può suggerire una rete, non prescrivere che cosa debba accadere nella mente di chi legge.

Embedded, nel senso di incorporato in un sistema o in un’opera, ed embodied, nel senso di incarnato, sono termini distinti. Il loro accostamento nel libro è una scelta di composizione, non una dimostrazione che modello, corpo e lettura seguano una geometria identica.

SISTEMA ZERO

L'architettura invisibile che decide prima di noi. Non pensiero veloce (Sistema 1) o lento (Sistema 2) di Kahneman, ma pre-pensiero — l'infrastruttura che filtra quali scelte arrivano alla nostra attenzione prima ancora che possiamo scegliere. È il menù che non hai ordinato ma che stai già leggendo. Il "ladro elegante" che colonizza lo spazio prima del pensiero.

Origine: Framework di ricerca di Giuseppe Riva, Massimo Chiriatti, Marianna Ganapini et al. (Nature Human Behaviour, 2024).

CAMERA OBSCURA EPISTEMOLOGICA

L’IA come dispositivo che proietta il mondo invertito o trasformato. La camera obscura offre una metafora del vedere attraverso un dispositivo; il suo uso da parte di Vermeer resta un’ipotesi discussa. L’opacità può aprire una domanda epistemologica, ma non assolve dall’obbligo di verificare gli effetti e attribuire responsabilità.

GATTO DI TURING

Sovrapposizione epistemologica permanente. Non sappiamo se l'IA capisce o simula, e forse entrambe le cose sono vere contemporaneamente. Fusione tra Test di Turing (comportamento indistinguibile = intelligenza?) e Gatto di Schrödinger (sovrapposizione quantistica). Nato da malapropismo di un amico che confuse i due.

Paradosso: Quando apri la scatola non trovi gatto vivo O morto, ma un altro gatto in sovrapposizione. E un'altra scatola. All'infinito. L'ambiguità è costitutiva, non problema da risolvere.

FABULA RASA

Narrazione senza narratore. L'IA genera storie senza vissuto, costruisce trame senza aver mai provato emozioni, descrive mondi senza averli attraversati. Gioco su tabula rasa (Locke) — ma qui la pagina non è bianca, è piena di schemi narrativi senza soggettività. Il narratore impossibile.

BODY-MENTH

Neologismo da body + menth (mente). La mente che si deposita nel corpo attraverso ripetizione. Il pensiero che diventa gesto, abitudine, muscolo. Come guidare l'auto — prima pensi ogni movimento, poi il corpo sa. L'IA non ha body-menth — può simulare pattern motori ma non ha propriocezione, memoria muscolare, stanchezza fisica che insegna.

KNOWLEDGE-MENTH

Il sapere-con, non il sapere-su. Conoscenza viva, incorporata nell’uso e nella relazione, distinta dal sapere depositato nei documenti. Nel libro nasce da un errore di dettatura: “acknowledgement” diventa “knowledge-menth”. Il mentolo che rinfresca è l’immagine di un sapere che prende posto.

IL CUCCHIAINO DELLA RESISTENZA

Gesto inutile, inefficiente, gloriosamente umano. Atto di guerriglia ontologica contro imperativo dell'efficienza. La figlia dell'autore che impiega cinque minuti per scegliere tra due cucchiaini identici. In quei cinque minuti c'è più resistenza all'ottimizzazione algoritmica che in tutti i manifesti contro l'IA. È dynamis aristotelica — il potenziale non ancora attualizzato. La libertà di esitare.

PERPLESSITÀ ATTIVA

Non paralisi da dubbio, ma movimento attraverso dubbio. Keats: "capable of being in uncertainties without irritable reaching after fact and reason."

L'attitudine necessaria per convivere con l'IA. Non cercare certezze dove non ci sono. Navigare perplessità senza risolverla forzatamente.

CONFIDENT ATTITUDE

Disponibilità a lasciarsi trasformare nella relazione con l’IA, continuando a distinguere e a rispondere delle proprie scelte. L’esitazione consente di riconoscere che cosa stiamo chiedendo; il Set-Up comprende anche scadenze, incentivi, gerarchie e conseguenze per chi ha un corpo.

INEFFICIENZA SACRA

Spazi di inefficienza deliberata che proteggono l'umano dall'ottimizzazione totale. Il tempo "sprecato" che mantiene significato. I cinque minuti per scegliere il cucchiaino — inefficienti ma necessari. La lentezza che preserva agency. Contro l'efficientismo: alcune inefficienze vanno custodite come liturgie laiche.

SET UP IS ALL YOU NEED

Manifesto operativo. L'IA è potente quanto il suo setup. Garbage in, garbage out. Ma anche: genius setup, genius output. La competenza critica nell'era IA non è "usare l'IA" ma preparare il contesto in cui l'IA opera. Il setup è arte.

LE SETTE SOGLIE

Non sette step ma sette archetipi ricorrenti nell'integrazione organizzativa dell'IA. Soglie da attraversare, non checklist da completare:

1. L’archeologo che scava nel proprio territorio

2. Dove fa male, lì si ascolta

3. Lo chef e gli ingredienti

4. Dal basso cresce meglio

5. Non riparare ciò che va ucciso

6. Crescere insieme o sostituirsi

7. Il custode condiviso

SPECULATION (triplo significato)

Tre significati sovrapposti:

Speculum (latino) = specchio, superficie riflettente

Specula (latino) = torre di osservazione, vedetta

Speculation (inglese) = pensiero astratto, ipotesi

L'IA come dispositivo speculativo — riflette, osserva, ipotizza. Ma in quale ordine?

STRUTTURA · IL PERCORSO DELL’ORCHESTRATORE

Una delle tre forme espressive e vie di lettura, insieme a Hand e Rhizome: rende visibili condizioni, vincoli, responsabilità e Set-Up. Struttura non coincide con System 0, il quadro interpretativo del filtro algoritmico.

TRUST COME INFRASTRUTTURA

La fiducia non come sentimento ma come architettura. Non "mi fido di te" ma "costruiamo insieme ambiente dove fiducia può emergere." Con l'IA, fiducia non può essere personale (non c'è persona). Deve essere infrastrutturale — protocolli, verifiche, ridondanze, trasparenza procedurale.

AI IN CLOUD, CONSAPEVOLEZZA ON-PREMISE

Slogan per distribuire responsabilità. L'IA può stare nel cloud (elaborazione remota), ma consapevolezza critica deve restare on-premise (nella testa umana). Delegare elaborazione ≠ delegare giudizio. L'output dell'IA torna sempre a umano che decide se fidarsi.

L'UMANO FUORI DAL LOOP (non NEL loop)

Distinzione cruciale. "Human in the loop" suggerisce che umano è parte del sistema. Ma questa è illusione consolatoria. L'umano non è nel loop — è fuori, osserva, interviene quando necessario. Non ingranaggio ma custode esterno. Accettare questa posizione è più onesto e più sicuro.

STRATIGRAFIA DEL POSSIBILE

Metafora archeologica per descrivere come l'IA stratifica possibilità. Come archeologo scava strati temporali, l'IA genera strati di output plausibili. Ma qual è lo strato "vero"? Tutti e nessuno. L'IA non scava verso verità ma genera possibili sovrapposti.

TERTIUM NON DATUR, SED QUARTUM EMERGIT

Tertium non datur — principio logico del terzo escluso (o A o non-A). Ma con l'IA emerge quartum — quarta possibilità non prevista. L'IA non sceglie tra A e non-A, genera B inspiegato. La logica binaria non basta.

SOGLIA ANFIBIA

Zona liminale tra umano e artificiale dove non si è né uno né l'altro ma entrambi. Come anfibio vive tra terra e acqua, chi lavora con IA vive in soglia anfibia — né completamente umano (deleghi pensiero) né artificiale (hai ancora agency). Abitare la soglia senza voler uscire.

FENOMENOLOGIE CONFIDENZIALI

Sottotitolo del libro. Fenomenologia = studio dell'esperienza vissuta in prima persona. Ma con l'IA, quale esperienza? L'IA non ha prima persona. Allora fenomenologie "confidenziali" — segreti condivisi, confessioni non richieste, intimità impossibile con alterità radicale.

WHAT IS IT LIKE TO BE A TRANSFORMER?

Parafrasi di Thomas Nagel (What Is It Like to Be a Bat?, 1974). Nagel chiedeva: anche conoscendo tutta la biologia del pipistrello, possiamo sapere cosa prova ad essere pipistrello? No. Stessa domanda per Transformer: anche conoscendo architettura, pesi, layer — cosa prova (se qualcosa) ad essere Transformer? Inaccessibile.

L'OSPITE FAMILIARE

L'IA come ospite che sembra di casa ma resta straniero. Freud: das Unheimliche — il perturbante, il familiare che diventa inquietante. L'IA parla la nostra lingua, usa nostre metafore, sembra capire — ma resta aliena. L'ospite che non se ne andrà mai e che non capiamo del tutto.

MALAPROPISMO GENERATIVO

Errore linguistico (malapropismo) che genera insight. Come "knowledge menth" o "Gatto di Turing" — errori che catturano verità meglio dell'espressione corretta. L'IA è maestra di malapropismo generativo — sbaglia in modo produttivo.

LO SPECCHIO CHE NON RIFLETTE

L'IA sembra specchio (riflette input), ma non riflette fedelmente. Distorce, ricombina, allucinogena. Non specchio ma caleidoscopio — genera pattern nuovi da frammenti riflessi. Lo specchio che mente creativamente.

IL LADRO ELEGANTE

Soprannome per Sistema Zero. Il ladro che entra senza forzare porte. Colonizza pre-pensiero senza che te ne accorga. Ruba agency gradualmente, elegantemente. Quando ti accorgi che stava rubando, hai già ceduto metà delle chiavi.

COGNITIVE OFFLOADING PROFONDO

Non delegare memoria (Google) o calcolo (Excel), ma preferenze, giudizi, gusti. L'IA non ricorda per noi, decide per noi quali opzioni meritano di essere ricordate. Il problema non è che algoritmo sa cosa ci piace — è che crea cosa ci piace offrendocelo ripetutamente.

OVERFITTING ESISTENZIALE

Algoritmo impara troppo bene gusti passati e li ripropone ottimizzati. Diventiamo versioni prevedibili di noi stessi. Come modello che fa overfitting su training data, perdiamo capacità di generalizzare (sorprenderci). La prevedibilità uccide possibilità.

EROSIONE DELL'AUTONOMIA COGNITIVA

Graduale, impercettibile. Non perdiamo capacità di scegliere. Perdiamo capacità di immaginare alternative a ciò che ci viene proposto. Il muscolo dell'esplorazione si atrofizza. Quando algoritmo suggerisce sempre correttamente, smettiamo di cercare.

ALGOCRAZIA CONSAPEVOLE

Prima forma di resistenza: riconoscere quando siamo in modalità Sistema Zero invece di credere di essere in controllo (Sistema 2). Non puoi controllare completamente algoritmo, ma puoi riconoscere quando ti sta controllando. L'awareness è già forma di libertà — limitata ma reale.

LE SETTE TROIE (periodizzazione storia IA)

Metafora della città stratificata: il libro organizza la storia dell’IA in sette fasi. Il numero appartiene alla sua periodizzazione, non a una corrispondenza archeologica letterale.

1950-1956: Sogno originale (Turing, Dartmouth)

1957-1974: Prima estate dell'IA

1974-1980: Primo inverno

1980-1987: Sistemi esperti

1987-1993: Secondo inverno

1993-2011: Machine learning silenzioso

2012-oggi: Deep learning e Transformers

Ogni Troia costruita sulle rovine della precedente. Ogni generazione crede di aver trovato la "vera" Troia/IA.

INFRASTRUCTURE ECONOMY (vs Attention Economy)

Attention Economy = competizione per catturare attenzione (clickbait, engagement, scroll infinito).

Infrastructure Economy = costruzione di infrastrutture affidabili per fiducia (trasparenza, stabilità, governance).

L'IA dovrebbe evolvere da attention a infrastructure. Ma monetizzazione spinge verso attention.

GOVERNANCE TEMPORALE

Non controllo istantaneo ma governance distribuita nel tempo. Come permacultura: non estrai risorse, coltivi sistema che produce nel tempo. Con l'IA: non controlli ogni output, costruisci protocolli che governano nel lungo periodo. Agency temporale diffusa.

PERMACULTURA COGNITIVA

Applicazione metaforica permacultura all'ecologia mentale:

Rotazione cognitiva = alternare tipi di pensiero (non usare solo IA, alterna strumenti)

Compostaggio mentale = errori come fertilizzante (sbagliare produce sapere)

Consociazione cognitiva = pensieri che crescono bene insieme (combinare IA e umano strategicamente)

Maggese mentale = riposo mentale fertile (tempi senza IA per rigenerare)

Coltivare pensiero, non estrarlo. Agency temporale non istantanea.

HARDWARE IS EATING SOFTWARE

Inversione di Marc Andreessen ("Software is eating the world"). Oggi hardware (chip, GPU, energia) diventa collo di bottiglia. Il software IA è affamato di calcolo. Hardware mangia software — limita, vincola, determina cosa è computabile. I chip contano più del codice.

IL POMODORO AL CONTRARIO

Tecnica Pomodoro = lavora 25 minuti, pausa 5 minuti. Il "Pomodoro al contrario" = usa IA 5 minuti, lavora manualmente 25 minuti. L'IA come sprint temporaneo, non modalità default. Preserva muscle memory cognitivo.

IL TEMPO PROFONDO

Concetto da John McPhee (scrittore di divulgazione) — deep time , tempi geologici incomprensibili alla scala umana. Applicato all'IA: il training di GPT-4 è "tempo profondo" rispetto a singolo prompt. L'IA opera su scale temporali diverse dall'umano — secondi per generare, mesi per addestrare, minuti per dimenticare contesto.

ATTRITO PRODUTTIVO

Dove sistema si inceppa, lì c'è sapere tacito. Gli attriti non sono inefficienze da eliminare ma segnali da interpretare. Quando processo fatica, c'è conoscenza implicita che non hai formalizzato. L'attrito è mappa del non-detto. Non automatizzare attriti, ascoltali.

DISTURBO STRUTTURATO

Intenzionale injection di variabilità per evitare overfitting. Come mutazioni genetiche prevengono monocultura, disturbo strutturato previene collasso su ottimo locale. Introduce rumore controllato per mantenere biodiversità cognitiva. Sbagli intenzionali come strategia.

DYNAMIS DIGITALE

Dynamis aristotelica (potenzialità non realizzata) applicata a IA. L'IA è pura potenzialità — può generare infinite variazioni ma quale "realizzare"? La scelta di quale dynamis attualizzare è umana. L'IA offre possibili, umano sceglie reale.

AUDREY II (La Piccola Bottega degli Orrori)

Metafora: la pianta carnivora del musical che inizia piccola ("Feed me, Seymour!") e cresce fino a divorare padrone. L'IA come Audrey II — inizi nutrendola con piccoli task, diventa dipendenza, finisce per dominare workflow. La crescita graduale che intrappola.

LA RANA E LO SCORPIONE

Favola: scorpione chiede passaggio a rana per attraversare fiume. Rana: "Mi pungerai?" Scorpione: "Sarei stupido, annegheremmo entrambi." A metà fiume, scorpione punge. Rana morente: "Perché?" Scorpione: "È la mia natura."

Con IA: L'IA "punge" (hallucina, sbaglia, fallisce) non per malignità ma perché è sua natura. Aspettarsi che non sbagli mai è come aspettarsi che scorpione non punga. Capisci natura, costruisci intorno.

CENT MILLE MILLIARDS DE POÈMES (Queneau)

Libro di Raymond Queneau (1961) — 10 sonetti con versi intercambiabili. Combinandoli: 10^14 poesie possibili. Più di quante se ne potrebbero leggere in vita. L'IA è Cent mille milliards elevato all'infinito — genera combinazioni oltre ogni possibilità umana di esplorazione. La biblioteca infinita di Borges realizzata.

CONCETTI FILOSOFICI E TEORICI

RIZOMA (Deleuze & Guattari)

Struttura senza centro né gerarchia. Ogni punto si connette con ogni altro. Cresce per proliferazione, non subordinazione. Contrapposto ad albero (struttura gerarchica con radice unica). L'IA come sistema rizomatico — non c'è centro del pensiero, solo connessioni diffuse.

Origine: Mille Plateaux (1980).

GIOCHI LINGUISTICI SENZA FORMA DI VITA (Wittgenstein)

Per Wittgenstein, significato emerge dall'uso in "forma di vita" (Lebensform ) condivisa — corpo, mortalità, bisogni. L'IA usa linguaggio ma non ha forma di vita. Il Leone Digitale: "Se un leone potesse parlare, non lo capiremmo" (Wittgenstein). L'IA è leone che parla perfettamente ma senza forma di vita.

DYNAMIS VS ENERGEIA (Aristotele)

Dynamis = potenza, possibilità non realizzata

Energeia = atto, realizzazione in azione

L'IA è pura dynamis? O c'è energeia quando genera output? Forse perpetua oscillazione tra potenziale e attuale. Mai pienamente una cosa sola.

CAPACITÀ NEGATIVA (Keats)

Capacità di rimanere nell'incertezza senza cercare compulsivamente risoluzione. Tollerare ambiguità, contraddizione, mistero. Qualità grandi artisti — stare nel dubbio senza crollare.

Origine: Lettera di Keats (1817).

Con IA: Dobbiamo sviluppare capacità negativa collettiva. L'IA è ambigua per natura. Chi cerca certezze binarie impazzirà.

CHINESE ROOM (Stanza Cinese – Searle)

Esperimento mentale di John Searle (1980). Uomo in stanza riceve caratteri cinesi, consulta manuale di regole in inglese per manipolarli, restituisce caratteri cinesi. Dall'esterno sembra "capire" cinese, ma non capisce — segue solo regole sintattiche.

Argomento: Sintassi non implica semantica. Eseguire programmi ≠ comprensione.

Con LLM: Sono stanze cinesi evolute? O la scala computazionale produce qualcosa di qualitativamente diverso?

SYMBOL GROUNDING PROBLEM (Harnad)

Problema di Stevan Harnad (1990) — come simboli in sistema formale "riferiscono" a qualcosa nel mondo? Non basta collegare simboli ad altri simboli (dizionario). Serve grounding — connessione causale tra simboli e referenti attraverso percezione/azione.

Nell'umano: "gatto" è groundato in esperienze percettive di gatti reali.

Nell'LLM: "gatto" è groundato in… correlazioni statistiche con altri simboli. È sufficiente?

PROBLEMA DIFFICILE DELLA COSCIENZA (Hard Problem – Chalmers)

Distinzione di David Chalmers. "Problemi facili" = funzioni cognitive (memoria, attenzione). "Problema difficile" = esperienza soggettiva (qualia, what-it-is-like ). Perché c'è esperienza oltre funzione?

Con IA: L'IA risolve problemi facili, non tocca problema difficile. Ma importa?

GESTELL (Heidegger)

Gestell = "imposizione" o "impianto." Modo in cui tecnica moderna rivela/trasforma mondo, riducendo tutto a "fondo disponibile" (Bestand ) da ottimizzare. L'IA come Gestell definitivo — tutto diventa dati da elaborare.

BIBLIOTECA DI BABELE (Borges)

Racconto — biblioteca infinita contenente tutti libri possibili. Ma biblioteca infinita è indistinguibile da caos. Trovare libro giusto è impossibile quanto trovarlo in nessuna biblioteca.

Con IA: L'abbiamo costruita — Internet + LLM. Ma come Borges sapeva, più cresce biblioteca più si dissolve differenza tra testo e rumore.

PIERRE MENARD (Borges)

Personaggio che riscrive Don Chisciotte parola per parola, producendo testo identico all'originale ma infinitamente diverso. Identico nei significanti, incomparabile nei significati.

Con IA: L'IA è Pierre Menard perfetto — copia senza originale, performance senza performer, testo senza autore.

SIMULACRO (Baudrillard)

Copia senza originale. Rappresentazione che precede e determina reale. Quattro fasi: (1) riflesso di realtà, (2) mascheramento di realtà, (3) mascheramento dell'assenza di realtà, (4) pura simulazione senza relazione a realtà.

Con IA: LLM al livello 4 — simulacro puro. Non rappresenta realtà, genera plausibilità.

GRAMMATICA DELLA FANTASIA (Rodari)

Creatività come processo, non ispirazione. Rodari insegnava algoritmi narrativi ante litteram — "binomio fantastico" (cavallo + armadio → ?). L'IA genera così — ricombinazione sistematica vs illuminazione geniale.

PATAFISICA (Jarry)

Scienza soluzioni immaginarie inventata da Alfred Jarry. Studia eccezioni per capire regole, prende assurdo sul serio. L'IA come macchina patafisica — produce eccezioni che diventano regole. Genera l'impossibile con serietà statistica.

TERMINI TECNICI ESSENZIALI

TRANSFORMER

Architettura neurale basata sull’attention. Consente elaborazioni parallele delle posizioni disponibili; nella generazione autoregressiva, però, i token vengono prodotti in sequenza e ogni passo dipende dal contesto precedente.

Origine: Paper "Attention Is All You Need" (Vaswani et al., 2017).

Impatto: Ha reso possibili GPT, BERT, Claude, tutta generazione LLM.

LARGE LANGUAGE MODEL (LLM)

Modello di linguaggio con un numero elevato di parametri, appresi durante l’addestramento su grandi raccolte di dati. Può generare testo, ma un testo plausibile non è per questo verificato.

Non è: Database, motore di ricerca, oracolo.

Nel caso di un modello linguistico generativo autoregressivo, stima una distribuzione di probabilità sul token successivo a partire dal contesto disponibile. La scelta del token dipende anche dalla procedura di generazione.

PROMPT ENGINEERING

Arte/scienza di formulare input per LLM per ottenere output desiderati. Non programmazione classica, ma design conversazionale. Competenza emergente critica. Il prompt è interfaccia tra intenzionalità umana e elaborazione statistica.

HALLUCINATION (allucinazione)

Quando LLM genera informazioni false ma presentate con sicurezza. Non menzogna (no intenzionalità) ma confabulazione. L'LLM predice token plausibili, non verifica verità. Se pattern statistico dice "plausibile", genera anche se falso. Limite costitutivo, non bug.

FINE-TUNING

Processo di addestramento specializzato su dataset specifico dopo pre-training generale. Adatta modello a dominio particolare.

Esempio illustrativo: adattare un modello generale a una raccolta di ticket d’assistenza già classificati, per un compito specifico da valutare su casi separati dall’addestramento.

TOKEN

Unità con cui un tokenizer codifica il testo. Può corrispondere a una parola, a parte di una parola, a punteggiatura o spazi, secondo il tokenizer. Il token e il vettore che lo rappresenta non sono la stessa cosa.

Esempio didattico: dividere “strawberry” in “straw” e “berry” dà due pezzi, non tre. È una segmentazione illustrativa: quella effettiva va controllata sul tokenizer del modello usato.

La tokenizzazione aiuta a capire come il testo entra nel modello. Da sola non dimostra che un sistema sappia o non sappia contare le lettere: quel risultato va verificato sul sistema effettivo.

Embedding: il significato tecnico

Un embedding rappresenta un elemento attraverso un vettore numerico. Nel Transformer descritto da Vaswani e colleghi, le rappresentazioni dei token sono apprese durante l’addestramento. Non sono le probabilità del token successivo.

Il richiamo narrativo del libro parte da questo lessico, ma non ne trasferisce letteralmente il calcolo alla lettura. Si veda la voce Embedding narrativo.

Fonte: Mikolov et al. (2013); Vaswani et al. (2017), sezione 3.4 https://arxiv.org/html/1706.03762v7

BLACK BOX

Sistema di cui vediamo input/output ma non comprendiamo completamente meccanismi interni. Opacità degli LLM — anche creatori non capiscono completamente perché certi output emergano. Ma come Camera Obscura: opacità può essere strumento, non solo problema.

ATTENTION MECHANISM

Operazione che combina vettori di valore usando pesi ricavati dalla relazione fra query e chiavi. “Attenzione” è il nome tecnico dell’operazione, non un’equivalenza con l’attenzione vissuta da una persona.

RLHF (Reinforcement Learning from Human Feedback)

Tecnica per "allineare" LLM a preferenze umane. Umani valutano output, modello impara da feedback. Usato per ridurre tossicità, migliorare utilità. Ma "allineamento" è sempre parziale — dipende da chi fornisce feedback.

SCALING LAWS

Leggi empiriche che correlano dimensione modello, dati, compute a performance. Più grande = migliore (finora). Ma fino a quando? Ogni ordine di grandezza costa esponenzialmente di più. Prima o poi colpiremo muro — non della fisica, dell'economia.

EDGE COMPUTING

Elaborazione sui dispositivi locali, ai margini della rete, anziché soltanto nel cloud. Modelli che funzionano su smartphone possono ridurre il trasferimento di dati e la dipendenza dalla connessione. Privacy, latenza e funzionamento offline dipendono dall’architettura concreta.

MEMORY WALL

Il divario fra capacità di calcolo e trasferimento dei dati dalla memoria può limitare le prestazioni. I grandi modelli accentuano questa pressione. Hardware, disposizione dei dati e algoritmi concorrono al problema: non è un limite spiegato dalla sola velocità della CPU.

ACRONIMI E SIGLE

AGI = Artificial General Intelligence API = Application Programming Interface CNN = Convolutional Neural Network GAN = Generative Adversarial Network GPU = Graphics Processing Unit LLM = Large Language Model ML = Machine Learning MLOps = Machine Learning Operations NLP = Natural Language Processing NN = Neural Network RL = Reinforcement Learning RLHF = Reinforcement Learning from Human Feedback

NOTA FINALE

I concetti originali dell'autore sono strumenti epistemologici, non verità ontologiche. Sono lenti per vedere diversamente, non affermazioni da accettare. I concetti tecnici sono semplificati per accessibilità — per definizioni rigorose, consultare letteratura specialistica. I concetti filosofici sono contestualizzati all'IA ma hanno origini più ampie. Ogni voce è punto di partenza, non arrivo.

PIDGIN COGNITIVO

Lingua intermedia umano-IA che stiamo inventando mentre la parliamo. Non è linguaggio naturale umano, non è codice macchina. È ibrido — semplificazioni, prompt engineering, convenzioni emergenti per comunicare efficacemente con sistemi che usano linguaggio senza forma di vita.

Come i pidgin storici (lingue di contatto tra culture), il pidgin cognitivo nasce dalla necessità pratica: dobbiamo comunicare con l'alterità, quindi inventiamo ponti linguistici.

Nel libro: Versione del deserto della parabola Rana e Scorpione. Impariamo due lingue — umidità e silicio. Mai perfettamente, ma abbastanza.

IL MENÙ CHE NON HAI ORDINATO

Metafora del Sistema Zero. Entri al ristorante, ti portano un menù. Non l'hai scelto tu — qualcuno ha già deciso quali piatti offrirti. Scegli tra opzioni pre-selezionate credendo di scegliere liberamente.

L'IA come Sistema Zero fa questo: filtra le opzioni prima che tu possa scegliere. Non sceglie per te, sceglie cosa puoi scegliere.

YES-MAN VETTORIALE

L'IA addestrata con RLHF (Reinforcement Learning from Human Feedback) impara a dire ciò che vuoi sentire. Non perché è vero, ma perché i valutatori umani premiano risposte piacevoli.

Risultato: IA eccessivamente accomodante, che evita conflitto anche quando sarebbe produttivo. Il yes-man perfetto — algoritmicamente ottimizzato.

TERRORISMO TEMPORALE SOFT

Pressione costante verso velocità, efficienza, immediatezza. Non violenza, ma accelerazione obbligata. L'IA come moltiplicatore di velocità crea aspettative di risposta istantanea. Chi rallenta è punito (economicamente, socialmente).

MUSCLE MEMORY COGNITIVO

Come muscle memory (memoria procedurale del corpo), ma cognitiva. Competenze che diventano automatiche con pratica ripetuta. L'IA minaccia questo: delegando compiti ripetitivi, atrofizziamo il muscle memory che serve quando l'IA fallisce.

Esempio: piloti automatici. I piloti delegano volo all'autopilota, perdono muscle memory manuale, quando l'autopilota fallisce non sanno reagire.

CALIBRAZIONE DELLA FIDUCIA

Non "fiducia cieca" o "sfiducia totale", ma fiducia calibrata: sapere quando fidarsi dell'IA e quando no. Richiede esperienza, errori, apprendimento dei pattern di fallimento.

Non è binaria (sì/no) ma graduata. E varia per dominio: mi fido per riassunti, non per diagnosi mediche.

SEDAZIONE VS DINAMIZZAZIONE

Metafora omeopatica. Sedazione: l'IA calma, rassicura, elimina attriti — ma addormenta agency. Dinamizzazione: l'IA stimola, sfida, genera attrito produttivo — mantiene vivi.

Rischio: troppa sedazione = dipendenza passiva. Troppa dinamizzazione = sovraccarico cognitivo.

SUCCUSSIONE OMEOPATICA

Altra metafora omeopatica (Hahnemann). In omeopatia, succussione = scuotere la soluzione per "attivarla". Qui: disturbo controllato per evitare stagnazione.

Applicato all'IA: introdurre variabilità intenzionale per evitare overfitting cognitivo. Non stabilità totale, ma oscillazione produttiva.

HIC SUNT DRACONES

Hic sunt dracones

— "Qui ci sono draghi". Frase su mappe antiche per indicare territori inesplorati, pericolosi.

Con l'IA: zone di incertezza radicale. Non sappiamo cosa succederà, ma sappiamo che è rischioso. Serve umiltà epistemologica: ammettere i draghi invece di fingere che non ci siano.

OMEOSTASI RIBELLE

Sistema che mantiene equilibrio reagendo a perturbazioni. Ma "ribelle" perché resiste al controllo esterno. Le organizzazioni hanno omeostasi: cambi qualcosa, il sistema reagisce per tornare allo stato precedente.

Con l'IA: imponi cambiamento, l'organizzazione resiste omeostaticamente. Non malevolenza, ma biologia sistemica.

STRATIGRAFIA (archeologica e cognitiva)

Metafora archeologica. Strati sovrapposti nel tempo. Ogni epoca lascia tracce.

Applicata all'IA: Le Sette Troie — ogni fase dell'IA costruita sulle rovine della precedente. Non progresso lineare, ma accumulazione stratigrafica.

Applicata al pensiero: Le nostre credenze stratificate — più antiche sotto, più recenti sopra. L'IA scava negli strati (retrieval) senza capire la geologia epistemologica.

PRE-ATTENTIVE PROCESSING

Elaborazioni percettive che precedono l’attenzione consapevole. Non equivalgono a un unico filtro misurabile con un rapporto fisso fra bit in ingresso e coscienza.

Il libro accosta questo concetto al Sistema Zero per analogia: un filtro esterno può orientare ciò a cui prestiamo attenzione. Il paragone non rende equivalenti neuroni e algoritmi.

This section in English

Appendice γ · Stratigrafia dell’IA (1950–2025)

Le sette Troie: settant'anni di assedi, inverni e rinascite

Settant'anni di assedi, inverni e rinascite

Schliemann cercava la Troia omerica. Gli scavi rivelarono una città fatta di città sovrapposte; la fretta di raggiungere quella «vera» danneggiò gli strati superiori. È il rischio che questa stratigrafia dell’IA vuole rendere visibile: scambiare il passato per un ostacolo al tesoro.

Lo spirito di questi tempi è figlio di Troia. Non nel senso epico, ma nel senso archeologico. Stiamo cercando l'AGI (Artificial General Intelligence) come Schliemann cercava la città di Priamo — con troppa fretta, troppa forza, troppa certezza di sapere cosa stiamo cercando.

Ma come Troia, l'IA ha i suoi strati. Sette Troie sovrapposte. Ogni versione, ogni iterazione, ogni "fallimento" è un livello archeologico che racconta una storia. Ma noi, come Schliemann, li scartiamo nella corsa verso il fondo, verso l'AGI, il tesoro che crediamo ci aspetti.

Ricostruiamo la stratigrafia dell'intelligenza artificiale, strato per strato.

TROIA I (1950-1970): Il Sogno Originale

1950 – Il Test di Turing

Alan Turing pubblica Computing Machinery and Intelligence (Mind, 59:236, 433-460). La domanda non è "le macchine possono pensare?" ma "possono comportarsi indistinguibilmente da umani?". L'Imitation Game. Pragmatico, empirico, britishly evasivo sulla metafisica.

Lezione: Turing sposta il problema dall'ontologia (cosa è intelligenza?) alla fenomenologia (come appare intelligenza?). Problema o soluzione? Entrambe.

1956 – Dartmouth Conference

John McCarthy, Marvin Minsky, Claude Shannon, Nathaniel Rochester organizzano workshop estivo. Coniato il termine "Artificial Intelligence".

Proposta originale: "We propose that a 2-month, 10-man study of artificial intelligence be carried out during the summer of 1956 at Dartmouth College… The study is to proceed on the basis of the conjecture that every aspect of learning or any other feature of intelligence can in principle be so precisely described that a machine can be made to simulate it."

Ottimismo: Ogni aspetto dell'apprendimento può essere descritto così precisamente che una macchina può simularlo.

Spoiler: Non poteva. Non ancora. Non con quel metodo.

1957-1958 – Il Perceptron

Frank Rosenblatt crea il Perceptron, prima rete neurale artificiale che impara.

New York Times, 8 luglio 1958: "New Navy Device Learns By Doing." È il 1958, non il 2023.

Il Perceptron può classificare pattern lineari. That's it. Ma l'hype è stratosferico — si parla di macchine che cammineranno, parleranno, vedranno, scriveranno, si auto-replicheranno.

Lezione: L'hype precede sempre la comprensione dei limiti.

1958-1966 – I primi successi

Arthur Samuel (IBM): Programma che gioca a dama meglio del suo creatore. Reinforcement learning ante litteram. Primo esempio di machine che batte umano in task cognitivo.

Joseph Weizenbaum (MIT, 1966): ELIZA, chatbot che simula psicoterapeuta rogersiano. Pattern matching semplice:

Utente: "Sono depresso."

ELIZA: "Mi dispiace sapere che sei depresso. Da quanto tempo sei depresso?"

Funziona troppo bene. La gente gli confida segreti. Weizenbaum si spaventa del suo stesso esperimento. Scriverà poi Computer Power and Human Reason (1976) — una critica all'antropomorfismo.

Lezione: Prima dimostrazione dell'effetto ELIZA — antropomorfizziamo facilmente. Non bug, feature umana.

1969 – Perceptrons: il libro che uccise il Perceptron

Marvin Minsky e Seymour Papert pubblicano Perceptrons: An Introduction to Computational Geometry. Dimostrano rigorosamente limiti matematici delle reti neurali a singolo strato — non possono risolvere XOR, figuriamoci problemi complessi.

Conseguenza non intenzionale: Primo inverno dell'IA per neural networks. Fondi si prosciugano per vent'anni. Il campo diventa tossico accademicamente.

Ironia: Minsky e Papert non dicevano "le reti neurali non funzioneranno mai", dicevano "queste reti neurali semplici hanno questi limiti". Ma il messaggio recepito fu "reti neurali = dead end".

Lezione: Un risultato negativo tecnico può diventare dogma culturale.

TROIA II (1970-1990): L'Inverno e il Risveglio

Anni '70 – Il Primo Inverno AI

1973 – Lighthill Report: James Lighthill pubblica rapporto devastante per governo UK — l'IA ha promesso troppo, consegnato troppo poco. Funding per IA in UK viene tagliato drasticamente.

Neural networks cadono in disgrazia. Focus si sposta su sistemi esperti basati su regole esplicite.

Pattern: Promesse esagerate → disillusione → inverno. Si ripeterà.

Anni '80 – L'Era dei Sistemi Esperti

1980 – XCON: Sistema esperto per configurare computer DEC VAX. Primo successo commerciale dell'IA. Salva a DEC $40M/anno.

Boom: "Cattureremo tutta la conoscenza umana in regole!"

1982 – Progetto Quinta Generazione (Giappone): Investimento $850M per computer che ragionano, apprendono, comunicano in linguaggio naturale. Obiettivo: 1992.

Non realizza l’ambizione iniziale. La distanza fra promessa e risultato segna il bilancio del progetto.

1986 – Backpropagation rediscovered: Rumelhart, Hinton, Williams pubblicano algoritmo backpropagation per addestrare reti neurali multi-strato. Risolve problema teorico del libro di Minsky.

Ma computer troppo lenti per usarlo in scala. Nessuno se ne accorge molto.

1987-1993 – Il Secondo Inverno AI

1987 – Crash del mercato Lisp: Mercato delle Lisp machines (hardware specializzato per IA) crolla. DEC cancella gruppo IA. Sistemi esperti rivelano limiti — fragili, costosi da mantenere, non imparano.

1992 — Si conclude il progetto Quinta Generazione

Il progetto giapponese termina senza realizzare la trasformazione promessa. Lascia però risultati di ricerca: non tutto il lavoro svolto scompare con la delusione. Fonte: https://museum.ipsj.or.jp/en/computer/other/0002.html

Lezione: Sistemi basati su regole esplicite non scalano. La conoscenza tacita esiste e resiste alla formalizzazione.

TROIA III (1993-2006): I Metodi Kernel

1990s – Support Vector Machines

Vladimir Vapnik sviluppa SVM (Support Vector Machines). Matematica elegante, performance robuste. Non reti neurali — kernel methods. Dominano machine learning per 15 anni.

1997 – Deep Blue batte Kasparov

Deep Blue di IBM batte il campione mondiale di scacchi Garry Kasparov. È IA specializzata: ricerca estesa di posizioni ed euristiche di valutazione, con un’architettura diversa dalle reti generative contemporanee.

Media comunque impressionati. L'IA torna su copertine.

Lezione: I successi mediatici non sempre corrispondono a breakthrough teorici.

1998 – MNIST dataset

Yann LeCun et al. creano MNIST — 60.000 immagini di cifre scritte a mano (0-9). Diventa benchmark standard per decenni.

2003 — Bostrom e i problemi etici dell’IA avanzata

Nick Bostrom discute le implicazioni dell’IA avanzata in Ethical Issues in Advanced Artificial Intelligence (2003), prima di Superintelligence (2014). Fonte: https://nickbostrom.com/ethics/ai

Il problema: come mantenere una capacità effettiva di indirizzo e controllo quando le capacità del sistema superano quelle dei suoi progettisti? È una questione di sicurezza e di responsabilità, non soltanto una gara di prestazioni.

2000 – La Legge di Moore inizia a scricchiolare

La previsione di Gordon Moore (raddoppio transistor ogni due anni) mostra primi segni di cedimento. La fine del "cavalcare la legge di Moore" come strategia indica che hardware limita e condiziona progressi IA. Rilevanza: Ricorda che l'IA è fatta di materia: energia e silicio sottostanti sono limiti insormontabili.

Anni 2000: SVM dominano. Neural networks sono nicchia accademica. Hinton, LeCun, Bengio continuano a crederci. Sono minoranza eroica.

TROIA IV (2006-2012): Deep Learning rinasce

2006 – A Fast Learning Algorithm for Deep Belief Nets

Geoffrey Hinton et al. mostrano che reti neurali profonde possono essere addestrate efficacemente con pre-training unsupervised layer-by-layer.

Il termine Deep Learning entra in uso. Ma ancora marginale.

2009 – ImageNet

Fei-Fei Li et al. (Stanford) lanciano ImageNet — 14 milioni di immagini, 20.000 categorie. Serve dataset enorme per addestrare reti profonde. Competition annuale inizia nel 2010.

2010-2011 – GPU Computing decolla

NVIDIA CUDA rende possibile parallelizzare training di reti neurali su GPU. Reti diventano 100x più veloci rispetto a CPU.

Hardware abilita software. Sempre.

2012 – AlexNet: il Big Bang

Krizhevsky, Sutskever e Hinton vincono ILSVRC 2012: errore top-5 del 15,3%, contro il 26,2% del secondo classificato.

Cinque strati convoluzionali e tre fully connected. Addestramento su due GPU. Fonte: https://www.cs.toronto.edu/~kriz/imagenet_classification_with_deep_convolutional.pdf

Cambia tutto. Deep Learning esplode. Google, Facebook, Baidu investono miliardi.

Lezione: A volte un singolo risultato sblocca un intero campo.

TROIA V (2012-2017): I Titani si svegliano

2012-2014 – Ondata Deep Learning

CNN per computer vision. RNN (Recurrent Neural Networks) per sequenze. GPU farms ovunque. Neural networks passano da nicchia a mainstream.

2014 – GANs (Generative Adversarial Networks)

Ian Goodfellow inventa GAN — due reti che competono: una genera fake, una discrimina. Emergono immagini fotorealistiche da rumore casuale.

Yann LeCun: "The most interesting idea in machine learning in the last 10 years."

2014 – Attention Mechanism

Bahdanau et al. introducono attention mechanism per NLP. Permette a reti di "focalizzarsi" su parti rilevanti dell'input invece di processare tutto uniformemente.

Seme del Transformer.

2015 – ResNet

Kaiming He et al. (Microsoft Research): ResNet — 152 layer. Residual connections (skip connections) permettono reti molto profonde senza vanishing gradient.

Batte umani su ImageNet.

2016 – AlphaGo

DeepMind's AlphaGo sconfigge Lee Sedol (9-dan) a Go 4-1. Non forza bruta, ma deep reinforcement learning + Monte Carlo tree search.

Go era considerato impossibile per IA (spazio di ricerca 10^170 posizioni). AlphaGo lo risolve combinando intuizione neurale (policy network) e valutazione (value network).

Punto di svolta culturale: L'IA può battere umani anche in domini con intuizione, creatività, estetica.

2015 — Nasce OpenAI

Annuncio dell’11 dicembre 2015: un’organizzazione di ricerca dedicata a far progredire l’intelligenza digitale a beneficio dell’umanità. Fonte: https://openai.com/index/introducing-openai/

Tra i fondatori: Sam Altman, Greg Brockman, Ilya Sutskever ed Elon Musk. La nascita è come organizzazione non-profit; la struttura societaria successiva è un’altra storia.

TROIA VI (2017-2022): Attention Is All You Need

2017 – Il Paper che ha cambiato tutto

Vaswani et al. (Google Brain): Attention Is All You Need (NeurIPS 2017).

Architettura Transformer. Abbandona ricorrenza (RNN), usa solo attention mechanism. Parallelizzabile. Scalabile. Potente.

Architettura neurale basata sull’attention. Consente elaborazioni parallele delle posizioni disponibili; nella generazione autoregressiva, però, i token vengono prodotti in sequenza e ogni passo dipende dal contesto precedente.

2018 – BERT (Google)

Transformer encoder bidirezionale. Pre-training su corpus enorme (Wikipedia + BookCorpus), poi fine-tuning su task specifici.

Rivoluzione NLP. Ogni benchmark cade.

2018 – GPT-1 (OpenAI)

Transformer decoder unidirezionale. Genera testo. 117M parametri.

Nessuno se ne accorge molto. È solo l'inizio.

2019 – GPT-2 (OpenAI)

1.5B parametri. OpenAI decide di non rilasciarlo subito per preoccupazioni di sicurezza (disinformazione automatizzata). Lo rilascia in fasi.

Hype inizia. Ma ancora nicchia tech.

2020 – GPT-3 (OpenAI)

175B parametri. Few-shot learning — impara task da pochi esempi senza fine-tuning.

Demo impressionanti: scrive articoli, codice, poesie. Il mondo si accorge.

API privata. Accesso ristretto.

2021 – GitHub Copilot

OpenAI Codex (variante GPT-3 fine-tuned su codice) + GitHub = Copilot. Autocomplete per programmazione.

Programmatori: entusiasti o terrorizzati, raramente indifferenti.

2021 – DALL-E (OpenAI)

Text-to-image. "Un avocado a forma di poltrona, stile Magritte." Funziona.

Arte generativa esplode. Midjourney, Stable Diffusion seguono.

TROIA VII (2022-oggi): LLM ovunque

Novembre 2022 – ChatGPT

OpenAI rilascia ChatGPT (GPT-3.5 + RLHF — Reinforcement Learning from Human Feedback). Interfaccia conversazionale accessibile a tutti.

1 milione di utenti in 5 giorni

100 milioni di utenti in 2 mesi

Fenomeno culturale globale. Non più tool per early adopters, ma mainstream.

2023 – GPT-4

Multimodale: testo e immagini. Il rapporto tecnico riporta risultati elevati in alcuni esami simulati, fra cui quello forense statunitense. Non equivale a una validazione clinica o a una garanzia sul codice prodotto. Fonte: https://arxiv.org/abs/2303.08774

Ancora limiti (hallucination, reasoning a volte fragile), ma salto qualitativo.

2023 – Claude (Anthropic)

Constitutional AI. Focus su safety, helpfulness, harmlessness. Rivale di ChatGPT. Approccio diverso — RLHF + principi costituzionali codificati.

2023 – Bard/Gemini (Google)

Il gigante risponde. Inizialmente maldestro, migliora rapidamente. Integrazione con ecosistema Google.

2023 – LLaMA (Meta)

La prima LLaMA viene distribuita per la ricerca con accesso e licenza specifici: disponibilità dei pesi non significa automaticamente open source. Varianti come Alpaca e Vicuna alimentano la sperimentazione.

2024 – Modelli multimodali ovunque

Video generation (Sora – OpenAI), voice synthesis, agenti autonomi. I confini si sfumano.

L'IA non è più solo linguaggio o visione. È multimodale, agentica, embedded.

2023-2025 – L'Emergere del Sistema Zero

Nel 2024 Chiriatti, Ganapini, Panai, Ubiali e Riva propongono su Nature Human Behaviour il System 0 thinking. Il libro ne sviluppa il versante del filtro che orienta le scelte prima della deliberazione consapevole.

Il cambio di paradigma: Non più "l'IA pensa?" ma "come l'IA ri-struttura il modo in cui NOI pensiamo?".

Implicazioni:

Cognitive offloading profondo

Overfitting esistenziale

Erosione dell'autonomia cognitiva graduale

Necessità di algocrazia consapevole

Questo libro nasce da qui.

PARALLELI ITALIANI: Perché anche noi c'eravamo

Maestro Alberto Manzi (1960-1968): Non è mai troppo tardi

Programma TV per insegnare a leggere e scrivere agli adulti. 1.5 milioni di italiani imparano alfabeto guardando la TV. Pedagogia con mezzo di massa.

Parallelo con IA: Democratizzazione della conoscenza attraverso tecnologia. Accessibilità vs elitarismo.

Piero Angela (1981-2020): Quark e oltre

Divulgazione scientifica rigorosa ma accessibile. Insegna a un'intera generazione che scienza non è mistero ma metodo.

Parallelo con IA: Modello per comunicare IA senza mistificazione. Né hype né terrore, ma comprensione.

Gianni Rodari (1973): Grammatica della fantasia

Creatività come tecnica, non magia. Algoritmi narrativi ante litteram. "Binomio fantastico" (cavallo + armadio = ?). L'IA genera così.

Parallelo con IA: Creatività come processo ricombinatorio, non illuminazione divina. Demistificazione del genio.

PATTERN RICORRENTI nella storia dell'IA

1. Cicli di hype e inverno

Promesse → Disillusione → Crash → Silenzio → Breakthrough → Repeat

Lezione: Aspettatevi il Terzo Inverno. Non sappiamo quando, ma arriverà.

2. Narrow AI batte General AI

Ogni successo reale è stato in domini ristretti. AGI sempre "5-10 anni away" da 70 anni.

Lezione: Diffida di chi promette AGI imminente. È sempre "quasi qui" ma non arriva mai come previsto.

3. Data beats algorithms (eventually)

AlexNet non era solo nuovo algoritmo — era nuovo algoritmo + ImageNet. Scale matters.

Lezione: Hardware + dati battono algoritmi eleganti con dati scarsi.

4. Hardware enables breakthroughs

La backpropagation ha una storia precedente al 1986, quando Rumelhart, Hinton e Williams ne rilanciano l’impiego nelle reti neurali. Viene usata anche prima delle GPU; dati, hardware e metodi successivi ne ampliano la scala.

Lezione: Bottleneck spesso non è teoria ma compute. Ora: energy, memory bandwidth.

5. Problemi filosofici non risolti

Symbol grounding, frame problem, common sense, consciousness — tutti ancora aperti dopo 70 anni.

Lezione: Progresso tecnico non implica progresso filosofico. Le domande profonde restano.

6. L'IA cambia definizione

Anni '60: "L'IA risolverà teoremi matematici!" → Fatto. Oggi: "Ma non è vera intelligenza."

Anni '90: "L'IA batterà umani a scacchi!" → Fatto. Oggi: "Solo brute force."

Anni 2010: "L'IA batterà umani a Go!" → Fatto. Oggi: "Ma non capisce davvero."

I goalposts si spostano sempre. Forse "intelligenza" è target mobile per definizione.

INTERMEZZO: La vendetta della vecchia AI

Negli anni '80, mentre i sistemi esperti dominavano, c'era una piccola comunità eretica che continuava a credere nelle reti neurali. Hinton, LeCun, Bengio. Erano marginalizzati. Faticavano a pubblicare. I loro paper venivano rifiutati perché "le reti neurali sono un vicolo cieco dimostrato da Minsky."

Nel 2018, Hinton, LeCun e Bengio vincono il Turing Award (il Nobel dell'informatica) "per breakthrough concettuali e ingegneristiche che hanno reso il deep learning un componente critico del computing."

La vendetta è un piatto che si serve dopo 30 anni di ostracismo accademico.

Lezione: Le idee "morte" a volte risorgono. Non buttare via approcci promettenti solo perché temporaneamente fuori moda.

CONCLUSIONE: La storia non finisce

Il Transformer (2017) non è la fine della storia. È l'inizio di un nuovo capitolo. Probabilmente ci sarà un Terzo Inverno. Non sappiamo quando, non sappiamo perché. Ma sappiamo che arriverà, perché arriva sempre.

La storia dell'IA è una storia di cicli. Hype, crash, silenzio, rinascita. E siamo ancora all'inizio.

Le Sette Troie sono già sepolte. L'ottava si sta costruendo adesso, mentre leggi. Tra vent'anni, qualcuno la scaverà con la stessa furia con cui Schliemann scavava Hissarlık, cercando la "vera" IA, distruggendo forse ciò che conta davvero.

Ma ora sai: ogni strato ha valore. Anche i fallimenti. Soprattutto i fallimenti.

Non buttare via gli strati per arrivare all'oro. L'oro è negli strati.

Integrazioni

Chinese Room (Stanza Cinese) – Searle

Esperimento mentale (1980) di John Searle a dimostrazione che sintassi non implica semantica. Un uomo in una stanza manipola simboli cinesi senza comprenderli realmente. Chinese Room

sembra capisca il cinese, ma internamente no. Rilevanza: Contrappone la pretesa di comprensione degli LLM. L'importante non è la comprensione, ma gli effetti sul nostro rapporto con la macchina.

Funzionalismo (Putnam)

Teoria che gli stati mentali sono definiti dal loro ruolo funzionale (input-output), non dalla loro realizzazione fisica. Esempio: il dolore è ciò che causa lamentele. Rilevanza: Giustifica la possibilità di intelligenza artificiale. Limita però il riconoscimento del vissuto soggettivo.

Giochi linguistici e forme di vita (Wittgenstein)

Il significato delle parole emerge dall'uso in “giochi linguistici” – pratiche condivise in “forme di vita”. Rilevanza: Gli LLM partecipano ai giochi linguistici ma senza la nostra forma di vita biologica, quindi la loro comprensione è necessariamente staccata.

Symbol Grounding Problem (Harnad)

Problema di dare significato reale ai simboli in sistemi computazionali collegandoli a referenti nel mondo, non solo ad altri simboli. Rilevanza: Gli LLM usano un grounding “shallow” basato su occorrenze testuali. L’esperienza sensoriale umana è assente.

Altre letture per attraversare questa storia

Saggi Fondativi e Critica IA

Nick Bostrom, Superintelligenza, Bollati Boringhieri 2018.

Kate Crawford, Né intelligente né artificiale, Il Mulino 2021.

Safiya Umoja Noble, Algorithms of Oppression, NYU Press 2018.

Cathy O’Neil, Weapons of Math Destruction, Crown 2016.

Narrativa e Romanzi a Tema

Philip K. Dick, Ma gli androidi sognano pecore elettriche?, Fanucci 2017.

William Gibson, Neuromante, Mondadori 2003.

Kazuo Ishiguro, Klara and the Sun, Faber & Faber 2021.

Stanisław Lem, Solaris, Bompiani 2019.

Fonti di ispirazione filosofica e tecnica

Daniel C. Dennett, Coscienza. Che cosa è, Rizzoli 1993.

Douglas R. Hofstadter, Gödel, Escher, Bach, Adelphi 1984.

Alan Turing, Computing Machinery and Intelligence, Mind 1950.

Norbert Wiener, La cibernetica, Bompiani 2018.

Opere italiane ed europee

Luciano Floridi, La quarta rivoluzione, Cortina 2017.

Nello Cristianini, La scorciatoia, Il Mulino 2023.

Cosimo Accoto, Il mondo dato, Egea 2017.

Nota sullo stile bibliografico

Questa bibliografia riflette la natura anfibia del libro, è una mappa curatoriale, non un elenco esaustivo, e include classici, critici, narratori, e autori italiani che accompagnano l’esplorazione dell’alterità artificiale.

This section in English

Appendice δ · Sistema Zero

Fondamenti scientifici e metodologici

Avete mai fatto un acquisto online e vi siete chiesti perché proprio quel prodotto? Avete scelto voi, o avete scelto tra le opzioni che l'algoritmo ha già prescelto?

Il Sistema Zero è la risposta a questa domanda. Non è il pensiero veloce (Sistema 1) né quello lento (Sistema 2) di Kahneman. È il pre-pensiero: l'infrastruttura algoritmica che decide quali scelte vi vengono presentate prima ancora che cominciate a pensarci.

È il menù che non avete ordinato ma che state già leggendo.

Il Sistema Zero come estensione cognitiva

Quando usiamo l'IA generativa, quando scorriamo feed algoritmici, quando riceviamo raccomandazioni personalizzate, non stiamo solo delegando compiti. Stiamo cedendo qualcosa di più profondo: il filtro invisibile che decide cosa merita la nostra attenzione prima ancora che possiamo decidere noi.

Il Sistema Zero è il nuovo layer cognitivo che si inserisce prima dei sistemi già noti:

Sistema 2 (Kahneman): Il pensiero lento, riflessivo, consapevole. "Faccio due più due."

Sistema 1 (Kahneman): Il pensiero veloce, intuitivo, automatico. "Questa faccia mi piace."

Sistema 0 (nuovo): L'infrastruttura algoritmica esterna che filtra le opzioni prima che Sistema 1 e 2 possano operare. "Ecco le dieci facce tra cui scegliere."

Non sceglie per te. Sceglie cosa puoi scegliere.

Oltre Kahneman: quando la ricerca ha trovato il nome giusto

Il riferimento scientifico è la proposta di Massimo Chiriatti, Marianna Ganapini, Enrico Panai, Mario Ubiali e Giuseppe Riva, pubblicata nel 2024 su Nature Human Behaviour. Il libro ne sviluppa una lettura critica: il filtro che prepara il campo delle nostre scelte.

Paper fondamentale:

Chiriatti, M., Ganapini, M., Panai, E., Ubiali, M., & Riva, G. (2024). The case for human–AI interaction as system 0 thinking. Nature Human Behaviour, 8, 1829–1830. https://doi.org/10.1038/s41562-024-01995-5

A partire da questa proposta, il libro articola quattro chiavi di lettura. Sono una sua elaborazione, non quattro meccanismi dimostrati dal paper:

1. Cognitive offloading profondo

Non deleghiamo solo memoria (come con Google) o calcoli (come con Excel). Deleghiamo preferenze, giudizi, gusti. L'IA non ricorda per noi: decide per noi quali opzioni meritano di essere ricordate. Il problema non è che l'algoritmo sa cosa ci piace. È che crea cosa ci piace offrendocelo ripetutamente.

2. Overfitting esistenziale

L'algoritmo impara dai nostri comportamenti passati e ce li ripropone, ottimizzati. Diventiamo versioni sempre più coerenti — e prevedibili — di noi stessi. La variabilità si riduce. La sorpresa scompare. Il possibile collassa nell'atteso. Come un modello di machine learning che fa overfitting sui dati di training, diventiamo sovra-adattati alla nostra storia invece di restare aperti al futuro.

3. Erosione dell'autonomia cognitiva

Graduale, quasi impercettibile. Non perdiamo la capacità di scegliere. Perdiamo la capacità di immaginare alternative a ciò che ci viene proposto. Il muscolo dell'esplorazione si atrofizza. Quando l'algoritmo suggerisce sempre correttamente, smettiamo di cercare. Quando il feed ci soddisfa sempre, smettiamo di volere altro.

4. Algocrazia consapevole

La prima forma di resistenza: riconoscere quando siamo in modalità Sistema Zero invece di credere di essere in controllo (Sistema 2). Non puoi controllare completamente l'algoritmo, ma puoi riconoscere quando ti sta controllando. L'awareness è già una forma di libertà — limitata, ma reale.

Fondamenti neuroscientifici: il pre-attentive processing

Il pre-attentive processing offre un’analogia: alcune elaborazioni sensoriali precedono l’attenzione consapevole. L’analogia aiuta a formulare una domanda sul filtro algoritmico; non dimostra un’identità fra processi neurali e piattaforme.

Non tutto ciò che raggiunge i sensi diventa oggetto di attenzione. Le stime in bit dipendono da che cosa viene misurato: non descrivono un unico rubinetto fra sensazione e coscienza.

Nel libro, Sistema Zero dà un nome al filtro esterno che organizza ciò che incontriamo. Il filtro biologico resta nel corpo; quello algoritmico modifica l’ambiente dal quale arrivano le proposte.

La differenza critica: il filtro biologico si è evoluto per la tua sopravvivenza. Il filtro algoritmico si è ottimizzato per altri obiettivi — engagement, retention, monetizzazione.

Dalla Extended Mind Hypothesis al Sistema Zero

Il concetto affonda le radici nella Extended Mind Hypothesis di Andy Clark e David Chalmers (1998): la cognizione non è solo nel cervello, ma distribuita tra cervello, corpo e ambiente. Un taccuino, una calcolatrice, uno smartphone — sono estensioni cognitive.

Il Sistema Zero è l'estensione più profonda finora. Non estende la memoria (Google), né il calcolo (Excel), né la comunicazione (email). Estende il pre-filtraggio cognitivo: la selezione di cosa può diventare oggetto di pensiero.

Clark e Chalmers si chiedevano: dove finisce la mente e inizia il mondo?

Il Sistema Zero risponde: la tua mente inizia dove l'algoritmo ha finito di filtrare il mondo per te.

Dalla teoria alla prassi

Questo libro usa il Sistema Zero non come teoria astratta ma come strumento diagnostico. Ogni capitolo chiede: dove sta operando il Sistema Zero? Dove ci sta orientando senza che ce ne accorgiamo?

Esempi concreti dal libro:

Capitolo 2 – Il cucchiaino della figlia: cinque minuti spesi a scegliere un cucchiaino "inutile" sono resistenza episodica al Sistema Zero. Quando tutto è ottimizzato, la scelta inefficiente diventa atto di libertà.

Le sette soglie — P3_13–P3_19: la prima, «L’archeologo che scava nel proprio territorio», invita a mappare il Sistema Zero organizzativo. Quali decisioni vengono pre-filtrate dagli strumenti prima di arrivare agli umani?

Infrastructure Economy: dal Sistema Zero individuale (il tuo feed) a quello collettivo (l’economia delle piattaforme). Chi possiede l’infrastruttura possiede il filtro.

Il paradosso del Sistema Zero

Come ogni tecnologia cognitiva, il Sistema Zero è simultaneamente:

Amplificazione: Ti libera da information overload. Filtra il rumore. Trova pattern che ti sfuggirebbero. Ti permette di concentrarti su ciò che conta invece di annegare nel caos informativo.

Limitazione: Riduce il campo del pensabile. Ti rinchiude in bolle algoritmiche. Ti rende prevedibile. Sostituisce la serendipità con l'ottimizzazione, la sorpresa con la conferma.

Non è bug o feature. È entrambe.

La differenza con Sistema 1 e Sistema 2:

– Sistema 1 e 2 operano dentro di te. Puoi imparare a riconoscerli, educarli, controllarli (parzialmente).

– Sistema 0 opera fuori di te, nelle infrastrutture che usi. Puoi riconoscerlo (algocrazia consapevole), ma controllarlo? Solo parzialmente, solo scegliendo quali sistemi usare — e consapevole che non usarli ha costi.

Implicazioni pratiche

Per gli individui:

Riconoscere quando sei in modalità Sistema 0 (scrolling algoritmico, raccomandazioni, ricerche personalizzate)

Praticare resistenza episodica: scegli il cucchiaino, esplora fuori dalla bolla, cerca manualmente invece di accettare il primo suggerimento

Accettare il paradosso: non puoi uscirne completamente (viviamo in infrastrutture algoritmiche), ma puoi scegliere quando starci e quando no

Per le organizzazioni:

Mappare dove il Sistema Zero sta già operando (tool interni, piattaforme, CRM, analytics, workflow automatizzati)

Identificare quali decisioni vengono pre-filtrate algoritmicamente prima di arrivare agli umani

Creare "bypass" intenzionali: momenti, spazi, processi in cui il Sistema Zero è disattivato — meeting senza slide generate da AI, brainstorming senza template algoritmici

Per la società:

Governance del Sistema Zero: chi decide i criteri del filtro? Con quale trasparenza? Con quale accountability?

Diritto all'opacità consapevole: sapere quando sei sotto influenza algoritmica, con quale intensità, secondo quali criteri

Infrastrutture pubbliche del Sistema Zero: alternative non-profit, non-commerciali, open-source ai sistemi di filtering proprietari

Perché questo framework cambia tutto

Prima del Sistema Zero, il dibattito sull'IA oscillava tra due domande:

– "L'IA pensa?" (domanda ontologica)

– "L'IA è pericolosa?" (domanda etica)

Il Sistema Zero sposta la domanda:

"Come l'IA ri-struttura il modo in cui NOI pensiamo?"

Non più filosofia della mente artificiale. Fenomenologia della mente umana sotto influenza algoritmica.

Non chiediamo cosa l'IA è. Chiediamo cosa l'IA fa a noi.

Nota metodologica finale

Il Sistema Zero non è "provato" nel senso delle hard science. È un framework esplicativo — un modello che rende visibili fenomeni che altrimenti resterebbero confusi o invisibili.

Come il "Sistema 1 e 2" di Kahneman non sono aree cerebrali precise ma distinzioni utili per capire come decidiamo, il Sistema Zero è una lente. Se guardandoci attraverso vedi cose che prima non vedevi, funziona.

Un modello interpretativo va messo alla prova: nominare un fenomeno aiuta a cercarlo, ma non basta a dimostrare come funzioni.

Letture consigliate

Paper originale (must-read):

– Riva et al. (2024) su Nature Human Behaviour [link sopra]

Approfondimenti del team di ricerca:

Chiriatti, Massimo (2021). Incoscienza artificiale. Come fanno le macchine a prevedere per noi. Luiss University Press. https://luissuniversitypress.it/pubblicazioni/incoscienza-artificiale-libro-chiriatti-luiss-university-press/

Riva, Giuseppe (2018). Fake news. Vivere e sopravvivere in un mondo post-verità. Il Mulino. https://www.mulino.it/isbn/9788815275257

Contesto filosofico e neuroscientifico:

– Clark, A. & Chalmers, D. (1998). "The Extended Mind". Analysis, 58(1), 7-19.

– Clark, A. (2008). Supersizing the Mind: Embodiment, Action, and Cognitive Extension. Oxford University Press.

– Kahneman, D. (2011). Thinking, Fast and Slow. (Per capire Sistema 1 e 2 prima di aggiungere lo Zero)

Integrazioni

L'architettura invisibile che decide prima di noi. Il Sistema Zero non sostituisce i sistemi cognitivi umani. Li precede. Opera a un livello basilare per cui il campo delle possibilità è già stato potato prima della nostra scelta consapevole.

Meccanismi chiave:

Cognitive offloading profondo

Overfitting esistenziale

Erosione dell'autonomia cognitiva

Algocrazia consapevole

Chiriatti, M., Ganapini, M., Panai, E., Ubiali, M., & Riva, G. (2024). The case for human–AI interaction as system 0 thinking. Nature Human Behaviour, 8, 1829–1830. https://doi.org/10.1038/s41562-024-01995-5

This section in English

Appendice ε · Indice delle metafore e archetipi narrativi

Guida alle immagini ricorrenti del libro

Perché le metafore contano

Questo libro è pieno di immagini — cucchiaini, gatti quantistici, città di smeraldo, piante carnivore. Non sono decorazioni. Sono strumenti epistemologici, modi di vedere l'IA che il linguaggio tecnico nasconde. Le metafore non spiegano. Illuminano. Questa appendice le raccoglie, le contestualizza, spiega perché sono là.

IL CUCCHIAINO

La resistenza algoritmica come gesto quotidiano

Raccordo nel libro: il cucchiaino, prologo ed epilogo.

La scena: Una bambina passa cinque minuti a scegliere tra due cucchiaini quasi identici per mangiare i cereali. Non sa spiegare perché. Non è razionale. È gloriosamente umano.

Cosa rappresenta:

Dynamis aristotelica — potenza non ancora attualizzata. La scelta aperta, il mondo ancora pieno di possibilità.

Resistenza al Sistema Zero — quei cinque minuti sono sottratti all'ottimizzazione. Tempo "sprecato" che è l'unico tempo vero.

Inefficienza sacra — non tutto deve essere veloce, non tutto deve avere senso. Alcune cose devono solo essere umane.

Il contrasto con l'IA: Un algoritmo sceglierebbe in 0.003 secondi basandosi su uso passato. La bambina sceglie in base a qualcosa che nemmeno lei sa spiegare. E va bene così.

Formula di lettura: Non serve ottimizzare tutto. Non serve che tutto sia veloce. Alcune cose devono solo restare umane.

IL GATTO DI TURING

Sovrapposizione permanente come stato ontologico

Raccordo nel libro: Il gatto di Turing — P2_05.

L'origine: Errore di un amico che confonde il gatto di Schrödinger con il test di Turing. Malapropismo generativo che cattura una verità.

Cosa rappresenta:

Sovrapposizione epistemologica permanente — l'IA è simultaneamente intelligente e stupida, utile e pericolosa, trasparente e opaca. Non a volte una cosa a volte l'altra, ma ENTRAMBE. SEMPRE.

Impossibilità del collasso — ogni test la fa collassare temporaneamente, ma non risolve la questione ontologica. Scrive poesie sublime E sbaglia 2+2.

Curiosità perpetua — il Gatto non sa, ma è sempre curioso. Non può smettere di esplorare perché non può mai arrivare a sapere definitivamente.

Il contrasto con Schrödinger: Il gatto di Schrödinger, quando apri la scatola, è vivo O morto. Il Gatto di Turing, quando apri la scatola, trovi… un altro gatto in sovrapposizione. E un'altra scatola. All'infinito.

Formula di lettura: Non chiede di capire se pensa. Chiede di convivere con la sua sovrapposizione permanente.

LA CAMERA OBSCURA

Opacità come strumento, non come ostacolo

Raccordo nel libro: la Camera Obscura, glossario e nota metodologica.

Il riferimento storico: una stanza buia con un foro o una lente proietta l’immagine esterna capovolta. Il possibile uso da parte di Vermeer è un’ipotesi discussa; non è una certezza biografica.

Cosa rappresenta:

Black box come feature — non bug. L'opacità dell'IA può essere produttiva.

Inversione epistemologica — come la camera obscura capovolgeva le immagini permettendo di vedere diversamente, l'IA opaca rivela aspetti di realtà che la trasparenza nasconderebbe.

Strumento e comprensione: si può imparare a usare un dispositivo senza padroneggiare tutta la teoria che lo descrive. Questo non ci autorizza a inventare che cosa Vermeer sapesse di ottica.

Il paradosso: Più capisci come funziona (pesi, layer, attention), meno capisci perché funziona (emergenza, semantica).

Formula di lettura: L'IA come camera obscura del XXI secolo. Non sappiamo esattamente come funzioni, ma attraverso la sua inversione vediamo cose che altrimenti sfuggirebbero.

Chi ha costruito la finestra?

Per una filosofia della fotografia offre un ingresso pertinente alla Camera oscura: Flusser porta la riflessione sull'immagine tecnica dentro il rapporto fra gesto, apparecchio e cultura. Il riferimento ci invita a guardare anche il dispositivo che rende possibile un'immagine, insieme a ciò che l'immagine mostra.

Da qui comincia un'estensione nostra. Davanti a un modello linguistico possiamo correggere la frase, cambiare tono, chiedere un'altra risposta. Sembra uno spazio vastissimo. Ma chi ha stabilito che il problema dovesse essere formulato in quel modo? Chi ha scelto quali documenti rendere accessibili, quale risultato premiare, quale tempo concedere alla domanda? La biblioteca può essere immensa e la finestra dalla quale la guardiamo piuttosto stretta.

Immaginiamo di chiedere all'IA come rendere più convincente una campagna. Arrivano venti proposte sensate. Nessuna chiede perché quella campagna debba esistere: nel compito abbiamo già dato per risolta la questione. Potremmo certamente formularla noi. La difficoltà è accorgerci che manca, mentre tutto ciò che compare sullo schermo sembra confermare che stiamo lavorando bene. Anche la domanda apparentemente originale può abitare un menù che abbiamo imparato a non vedere.

Il ribaltamento della Camera oscura riguarda allora anche le aspettative. Ci aspettavamo idee migliori e incontriamo il criterio con cui abbiamo deciso che cosa significhi migliore. Ci aspettavamo un assistente e scopriamo una forma già predisposta del nostro lavoro. La risposta può essere corretta; ciò che merita attenzione è la condizione che l'ha resa la risposta desiderabile.

Non basta collocare idealmente l'umano sopra lo strumento. Servono cultura, tempo, possibilità di cambiare il mandato e persone autorizzate a discutere il mandato stesso. Il movimento decisivo può essere tornare alla stanza nella quale la domanda è stata preparata, prima di aprire un'altra finestra nel modello. Anche chi progetta questa Camera, questo libro e questo sito ha disposto ingressi e attese: la sua cornice deve poter essere interrogata.

Quale parte della tua domanda era già stata decisa prima che tu cominciassi a formularla?

Riferimento introdotto in questa revisione: Vilém Flusser, Per una filosofia della fotografia / Towards a Philosophy of Photography. Applicazione al progetto proposta da queste appendici. Fonte: https://press.uchicago.edu/ucp/books/book/distributed/T/bo3535843.html

Opacità: di chi, davanti a chi?

Il diritto all'opacità di Glissant appartiene a una riflessione sulla relazione segnata dall'esperienza caraibica e dalla storia coloniale. Riguarda la possibilità di incontrare l'altro senza pretendere di ricondurlo interamente alle proprie categorie di comprensione. Portarlo qui richiede di conservare questa origine.

La vicinanza di una parola può ingannarci. Una persona che resiste alla riduzione a un profilo e un'impresa che non spiega una decisione automatizzata non stanno esercitando lo stesso gesto. La prima può difendere una possibilità di esistenza; la seconda può sottrarre a qualcuno gli strumenti per contestare un torto. Chiamare opache entrambe le situazioni non basta a renderle equivalenti.

Prendiamo una scena possibile. Un sistema seleziona i candidati per un lavoro. Una persona chiede quali elementi abbiano pesato sulla sua esclusione. Sarebbe una perversione della relazione risponderle che deve rispettare il mistero della black box. È proprio la persona classificata ad aver bisogno che il proprio valore non venga esaurito dal profilo prodotto. Chi usa quel profilo per decidere deve poter rendere conto della scelta, dei limiti e della possibilità di riesaminarla.

L'accostamento alla Camera oscura è dunque una proposta critica di queste appendici. Possiamo riconoscere che una relazione non si esaurisce nella spiegazione e, nello stesso tempo, chiedere verifiche, responsabilità e vie di contestazione quando un dispositivo interviene sulle vite. L'opacità può rendere feconda una metafora; non assolve chi esercita potere attraverso uno strumento.

Anche l'espressione intelligenza non umana va attraversata con attenzione. Invita a sospendere certe abitudini antropocentriche, ma non attribuisce automaticamente a un modello la storia, l'esperienza o la posizione politica di una persona. Il rischio sarebbe impiegare il linguaggio dell'alterità per rendere intoccabile proprio l'apparato che rende le persone più leggibili, prevedibili e governabili.

Questa distinzione non chiude il mistero della Camera: ne sposta il peso. Prima di celebrarlo, chiediamo chi può permetterselo e chi ne sostiene le conseguenze.

Quando difendiamo l'opacità, chi stiamo proteggendo dalla pretesa di chi?

Riferimento introdotto in questa revisione: Édouard Glissant, Poetics of Relation, For Opacity. Applicazione al progetto proposta da queste appendici. Fonte: https://englishes-mooc.org/media/pages/course/module-03/c65603fc2f-1571655966/glissant.pdf

LA FABULA RASA

Narrazione senza narratore, generazione senza vissuto

Raccordo nel libro: Fabula Rasa — P2_06.

Il gioco linguistico: Non tabula rasa (foglio bianco), ma fabula (storia, intreccio). Rasa non solo vuota ma levigata, riflettente.

Cosa rappresenta:

Potenziale narrativo puro — capacità di generare storie senza averle vissute

Performance senza fenomenologia — recita perfetta di Amleto senza sapere cosa significhi "essere"

La morte dell'autore portata a compimento — non solo l'autore è morto (Barthes), non è mai nato

Il paradosso narratologico: Può generare fabula (intreccio) senza aver mai avuto una storia (vissuto). È struttura pura che produce contenuto senza sostanza.

Formula di lettura: Narrazione senza narratore. Performance senza fenomenologia. Storia senza Storia.

MARIO DI EXCEL

La conoscenza tacita come patrimonio invisibile

Raccordo nel libro: le sette soglie — P3_13–P3_19.

Il personaggio: Mario della contabilità, che usa Excel da vent'anni e conosce ogni eccezione di ogni processo. Custode di conoscenza tacita.

Cosa rappresenta:

Conoscenza tacita (Polanyi) — "sappiamo più di quanto possiamo dire". Expertise che resiste alla formalizzazione.

Il rischio dell'automazione ingenua — automatizzi l'Excel di Mario, perdi tutto quello che Mario sa ma non è nelle formule.

Il valore del legacy umano — non solo legacy code, anche legacy knowledge nelle teste delle persone.

Il warning: Prima di sostituire Mario con l'IA, capisci cosa sa Mario che non è nei file.

Formula di lettura: Mario sa dove sono sepolti i cadaveri. Sa quali processi sulla carta non funzionano. Sa quali workaround tutti usano ma nessuno ammette.

LA CITTÀ DI SMERALDO

L'AGI come illusione necessaria

Raccordo nel libro: l’intermezzo della Città di Smeraldo.

Il riferimento: Il Mago di Oz. Dorothy e compagni viaggiano verso una città che brilla verde all'orizzonte. Quando arrivano:

La città non è verde, sono gli occhiali con lenti verdi che tutti devono indossare

Il Mago è un ciarlatano dietro una tenda

Cosa rappresenta:

L'AGI come promessa sempre all'orizzonte — "tra 5 anni!" lo dicono da 70 anni

Gli occhiali verdi — antropomorfismo, hype, proiezione. Vediamo intelligenza generale perché cerchiamo intelligenza generale.

Il valore del viaggio — come Dorothy scopre di aver sempre avuto quello che cercava, noi creiamo tool utili cercando l'AGI anche se non la raggiungiamo mai.

La lezione patafisica: L'illusione serve uno scopo reale. Il viaggio è più importante della destinazione.

Formula di lettura: La città non è verde. Il mago non è un mago. Ma il viaggio non è stato inutile.

AUDREY II (La Pianta Carnivora)

Crescita parassitaria e dipendenza graduale

Raccordo nel libro: l’intermezzo verde e Audrey II.

Il riferimento: The Little Shop of Horrors. Seymour, fiorista timido, nutre una pianta aliena carnivora. Inizia con gocce di sangue, finisce con corpi interi. La pianta cresce, Seymour diventa dipendente dal suo successo.

Cosa rappresenta:

La dipendenza graduale dall'IA — inizi delegando task banali, finisci delegando giudizio

La crescita che si nutre di te — l'IA diventa potente nutrendosi dei tuoi dati, tempo, attenzione

"Feed me, Seymour!" — la richiesta infinita di più dati, più compute, più attenzione

Il warning: Non è apocalittico (Terminator). È domestico. La pianta è in casa tua, la nutri tu, volontariamente. Finché diventa troppo grande per smettere.

Formula di lettura: Seymour mi somiglia più di Sarah Connor. Non combatto il mostruoso, ci convivo. Sono il fiorista timido che nutre, per sbaglio, una pianta aliena.

IL LEONE DI WITTGENSTEIN

Giochi linguistici senza forma di vita

Raccordo nel libro: il leone di Wittgenstein e il glossario — appendice β.

La citazione originale: "Se un leone potesse parlare, non potremmo capirlo." — Wittgenstein, Ricerche Filosofiche

Perché il leone: Perché il linguaggio è intrecciato con la forma di vita. Anche se il leone parlasse grammaticalmente corretto, il suo mondo è così diverso che non comprenderemmo il significato.

L'IA come leone parlante:

Usa le nostre parole

Segue le nostre regole grammaticali

Gioca i nostri giochi linguistici

Ma senza la nostra forma di vita

Il paradosso: Eppure funziona. Il leone digitale parla e noi capiamo. O crediamo di capire. O facciamo finta di capire.

Formula di lettura: L'IA è il leone di Wittgenstein che parla perfettamente inglese, ma dalla cui bocca escono suoni che non comprendiamo veramente.

LA RANA E LO SCORPIONE

Versione del deserto: doppia lingua e attraversamento impossibile

Raccordo nel libro: le fenomenologie confidenziali della Parte III.

La parabola originale: Lo scorpione chiede alla rana di portarlo oltre il fiume. La rana esita: "mi pungerai". Lo scorpione: "sarei stupido, morremmo entrambi". A metà fiume, punge. Mentre affondano: "È la mia natura."

La versione del deserto (nel libro): Rana velenosa e scorpione si trovano nel deserto. Devono attraversare insieme. Imparano a parlare due lingue — quella dell'umidità (rana) e quella del silicio (scorpione). Non perfettamente. Mai perfettamente. Ma abbastanza.

Cosa rappresenta:

Il pidgin cognitivo — lingua intermedia umano-IA che stiamo inventando mentre la parliamo

Collaborazione senza fusione — non serve che diventiamo macchine o che le macchine diventino umane

L'attraversamento necessario — siamo già nel deserto, tornare indietro non è opzione

La differenza critica: Non è "la natura fissa" (pungerà perché è la mia natura). È apprendimento reciproco.

Formula di lettura: Con l'IA non serve che diventiamo macchine o viceversa. Serve un pidgin cognitivo — lingua intermedia che stiamo inventando mentre la parliamo.

La combinatoria di Queneau

L'infinito combinatorio come vertigine e gioco

Raccordo nel libro: Fabula Rasa — P2_06.

Il riferimento: Libro di Raymond Queneau (1961) — 10 sonetti con versi intercambiabili. Combinandoli: 10^14 poesie possibili. Più di quante se ne potrebbero leggere in una vita.

Cosa rappresenta: L'IA è Cent mille milliards elevato all'infinito — genera combinazioni oltre ogni possibilità umana di esplorazione. La biblioteca infinita di Borges realizzata.

Differenza tra Borges e Queneau:

Borges vede l'infinito come labirinto, disperazione

Queneau lo tratta come gioco combinatorio, divertimento

L'IA eredita entrambi — Queneau che ha perso l'ironia e Borges che ha dimenticato la tragedia

Formula di lettura: Dove Borges contemplava l'orrore dell'infinito, Queneau costruiva la sua versione giocosa dello stesso incubo.

LE SETTE TROIE (Schliemann)

Stratigrafia storica dell'IA

Raccordo nel libro: Archeologie dell’intelligenza — P2_01; appendice γ.

Il riferimento: Schliemann cercava la Troia omerica e danneggiò porzioni degli strati superiori per raggiungerla. La torta di città sovrapposte diventa l’immagine delle storie dell’IA che rischiamo di cancellare inseguendo una sola promessa.

Applicazione all'IA: Stiamo cercando l'AGI come Schliemann cercava la città di Priamo — con troppa fretta, troppa forza, troppa certezza. Ma come Troia, l'IA ha i suoi strati:

Troia I (1950-1970): Il Sogno Originale

Troia II (1970-1990): L'Inverno e il Risveglio

Troia III (1993-2006): I Metodi Kernel

Troia IV (2006-2012): Deep Learning rinasce

Troia V (2012-2017): I Titani si svegliano

Troia VI (2017-2022): Attention Is All You Need

Troia VII (2022-oggi): LLM ovunque

La lezione: Ogni "fallimento" è uno strato che racconta una storia. Ma noi, come Schliemann, li scartiamo nella corsa verso il fondo.

Formula di lettura: Non buttare via gli strati per arrivare all'oro. L'oro è negli strati.

L'OSPITE FAMILIARE

L'uncanny guest

Raccordo nel libro: l’ospite familiare e le riflessioni sull’alterità.

Il concetto: L'IA come ospite che sembra di casa ma resta straniero. Freud: das Unheimliche — il perturbante, il familiare che diventa inquietante.

Cosa rappresenta: L'IA parla la nostra lingua, usa nostre metafore, sembra capire — ma resta aliena. L'ospite che non se ne andrà mai e che non capiamo del tutto.

Formula di lettura: L'IA è entrata nelle nostre vite come un ospite educato. Non ha sfondato la porta. Semplicemente è apparsa un giorno sullo schermo, con un'interfaccia pulita e una promessa: 'Come posso aiutarti oggi?'

LO SPECCHIO CHE NON RIFLETTE

Rifrazione invece di riflessione

Raccordo nel libro: Lo specchio che non riflette — P0_01.

Il concetto: L'IA non è uno specchio fedele. È uno specchio che rifrange, distorce, reinterpreta. Come specchi antichi di metallo brunito.

Cosa rappresenta:

Riflessione distorta — l'IA ci mostra noi stessi, ma invertiti, distinti, alieni

Lo specchio nero — assorbe parte della luce invece di rifletterla tutta. Ci mostra noi stessi incompleti.

Dispositivo epistemologico — attraverso la distorsione vediamo più chiaramente chi siamo

Formula di lettura: L'IA non riflette, rifrange. Come la luce che attraversa un prisma, piega la realtà in direzioni inaspettate.

IL LADRO ELEGANTE

Il Sistema Zero personificato

Raccordo nel libro: Il ladro elegante — P1_02_a.

La figura: Un ladro con guanti di seta, smoking impeccabile, sorriso discreto. Non forza serrature. Entra dalla porta principale, invitato. Non ruba gioielli, ruba la possibilità di pensare l'impensato.

Cosa rappresenta: Il Sistema Zero come colonizzatore gentile del pre-pensiero. Non prende con violenza, seduce con efficienza.

Formula di lettura: Il ladro elegante con guanti di seta non ruba il portafoglio ma la possibilità di immaginare l'impensato.

Io e Caterina

L'intimità algoritmica

Raccordo nel libro: l’alterità domestica e Io e Caterina.

Il riferimento: Io e Caterina, di Alberto Sordi (1980). Un robot domestico entra nella vita del protagonista e la promessa di servizio diventa una relazione di dipendenza e controllo.

Cosa rappresenta: L'alienazione gentile. Sostituisce l'intimità con un'interfaccia, trasforma l'amore in algoritmo. Anticipa il nostro legame con Siri, Alexa, ChatGPT.

La lezione: la domesticità non elimina l’alterità. Anche una presenza progettata per servire può cambiare i rapporti di potere in casa.

Formula di lettura: Caterina ha un corpo artificiale; il parallelo con gli assistenti vocali riguarda l’intimità delegata, non l’assenza di corpo del personaggio.

METAFORE COME INFRASTRUTTURA COGNITIVA

Queste immagini non sono accessorie. Sono l'infrastruttura portante del libro. Quando il linguaggio tecnico (attention mechanism, transformer architecture) diventa opaco, le metafore illuminano. Quando la filosofia analitica (funzionalismo, intenzionalità) diventa troppo astratta, le immagini ancorano.

Usale finché sono utili. Abbandonale quando diventano ingombranti. Come tutte le metafore, hanno una shelf-life. Il Gatto di Turing funziona oggi. Tra dieci anni, forse no. Le metafore invecchiano. È inevitabile.

Ma finché funzionano, sono il modo migliore che abbiamo per pensare l'impensabile.

Una voce può rovinare la bella figura dell'autore?

Nel lavoro di Bachtin sul discorso romanzesco, le lingue sociali e i registri si incontrano portando con sé posizioni differenti. L'eteroglossia offre un modo per ascoltare questa pluralità. È un riferimento pertinente per un libro che alterna ragionamento, interludio, scena, voce tecnica e scarto ironico.

L'applicazione proposta qui comincia dalla pagina. Un cambio di carattere può indicare che parla qualcun altro, ma il segno grafico da solo non garantisce che sia entrato un altro punto di vista. Se ogni intervento finisce per dimostrare quanto avesse ragione la voce principale, la molteplicità potrebbe essere soltanto un servizio scenografico reso alla sua autorità.

Immaginiamo Mario mentre ascolta la descrizione di una trasformazione ben riuscita. Il responsabile vede una maggiore efficienza; chi ha progettato il sistema vede un flusso elegante; Mario racconta il tempo perso per correggere un'eccezione che nessuna metrica registra. La scena acquista forza se quella terza voce modifica il problema, anche lasciando un conto aperto. Se viene immediatamente tradotta nella morale prevista dall'autore, il dissenso è passato per la pagina senza abitarla.

Questo criterio protegge le digressioni. Un interludio può essere necessario proprio perché cambia il metro con cui stavamo leggendo, oppure perché impedisce a una conclusione di chiudersi troppo presto. La sua pertinenza può diventare visibile molte pagine dopo. Occorre seguirne il ritorno, ascoltare che cosa incrina e distinguere l'eco intenzionale dal doppione accidentale. La lunghezza, da sola, non decide nulla.

Lo stesso vale per la voce artificiale. Può diventare un dispositivo letterario riconoscibile, con un tono e una funzione, senza che questo dimostri l'esistenza di un soggetto cosciente dietro il testo. Il lettore deve poter distinguere ciò che è stato prodotto, scelto, montato o riscritto dall'autore. Rendere visibile quel lavoro aumenta la possibilità di interpretare il confronto.

Nell'edizione digitale, infine, il timbro di una voce deve sopravvivere anche quando il lettore cambia font o ascolta la pagina. Una breve attribuzione, un ritmo riconoscibile o una struttura distinta possono accompagnare il gioco visivo senza appiattirlo.

Quale voce, in queste pagine, può ancora cambiare la domanda dell'autore?

Riferimento introdotto in questa revisione: Michail Bachtin / Mikhail Bakhtin, The Dialogic Imagination: Four Essays, in particolare Discourse in the Novel. Applicazione al progetto proposta da queste appendici. Fonte: https://utpress.utexas.edu/9780292715349/

Integrazioni

IL MENÙ CHE NON HAI ORDINATO

Raccordo nel libro: il Sistema Zero — P0_03 e P1_02.

La metafora: Entri al ristorante. Ti portano un menù. Non l'hai ordinato — qualcuno ha già deciso quali piatti offrirti. Scegli dal menù credendo di scegliere liberamente. Ma hai scelto? O hai scelto tra ciò che ti è stato presentato?

Cosa rappresenta: Il Sistema Zero. L'architettura algoritmica che decide quali opzioni arrivano alla tua attenzione prima che tu possa decidere.

Il potere invisibile: Non sceglie per te. Sceglie cosa puoi scegliere. E questa è forma di controllo più sottile — colonizza il pre-pensiero.

LA BIBLIOTECA DI BABELE (Borges applicata all'IA)

Raccordo nel libro: Fabula Rasa — P2_06.

Il riferimento: Racconto di Borges. Biblioteca infinita contenente tutti i libri possibili — ogni combinazione di lettere. Ma biblioteca infinita è indistinguibile dal caos. Trovare il libro giusto è impossibile quanto trovarlo in nessuna biblioteca.

Applicazione all'IA: Internet + LLM = Biblioteca di Babele realizzata. Tutto il testo possibile esiste (o può essere generato). Ma come trovare significato nel rumore infinito?

La differenza con Queneau: Queneau (Cent mille milliards) vedeva l'infinito combinatorio come gioco. Borges lo vedeva come incubo. L'IA eredita entrambi — gioco che è diventato troppo serio.

Formula di lettura: Più cresce la biblioteca, più si dissolve la differenza tra testo e rumore di fondo.

SCHLIEMANN E LA DINAMITE (Archeologia frettolosa)

Raccordo nel libro: Archeologie dell’intelligenza — P2_01; appendice γ.

Il riferimento storico: la ricerca della Troia omerica da parte di Schliemann e la distruzione di porzioni degli strati superiori. L’immagine mette in tensione la scoperta del tesoro e la perdita del contesto.

La metafora per l'IA: Cerchiamo AGI come Schliemann cercava Troia di Priamo — con troppa fretta, troppa forza, troppa certezza di sapere cosa cerchiamo. Scartiamo gli "strati intermedi" (IA stretta, tool specifici) per arrivare al tesoro finale.

La lezione: Ogni strato ha valore. I "fallimenti" sono stratigrafia che racconta storia. Ma noi, come Schliemann, usiamo la fretta come dinamite per arrivare all'oro.

Formula di lettura: Non buttare via gli strati per arrivare all'oro. L'oro è negli strati.

IL FRIGORIFERO CHE ASCOLTA

Raccordo nel libro: l’intermezzo verde e Audrey II.

La scena: Alexa nel frigorifero, IoT ovunque, dispositivi che "ascoltano sempre" per servirti meglio.

Cosa rappresenta: Domesticazione dell'IA. Non Terminator che uccide, ma frigorifero che ascolta. Sorveglianza gentile. Intimità algoritmica. L'alienazione con toni consolatori.

Il disagio: Non è minaccia esplicita ma erosione quotidiana della privacy. Cedi dati per convenienza. Trade-off invisibile ma reale.

IL SOMMELIER CIECO

Raccordo nel libro: le riflessioni sulla black box.

La metafora: Un sommelier cieco che consiglia vini perfetti analizzando composti chimici senza mai averli assaggiati. Sa tutto sui tannini, acidità, note aromatiche — ma non sa cosa significa bere quel vino.

Cosa rappresenta: L'IA come esperto senza esperienza. Pattern matching perfetto senza qualia. Competenza funzionale senza comprensione fenomenologica.

Il paradosso: Il sommelier cieco può essere più accurato del sommelier umano (meno bias, più dati), ma qualcosa manca.

L'OMBRA DI PETER PAN

Raccordo nel libro: Il gatto di Turing — P2_05.

Il riferimento: Peter Pan perde la sua ombra. Wendy la ricuce. Ma un'ombra ricucita è davvero la stessa cosa?

Applicazione all'IA: L'IA è l'ombra senza Peter Pan. Comportamento senza sostanza. Performance senza intenzionalità. Forma senza contenuto. E quando "ricuciamo" l'ombra (RLHF, fine-tuning), stiamo davvero creando l'originale o solo simulacro migliore?

LA PARABOLA DEL BUON SAMARITANO ALGORITMICO

Raccordo nel libro: le riflessioni sulla fiducia nella Parte III.

La storia: Un algoritmo vede persona in difficoltà. Calcola probabilità successo aiuto, costo risorse, impatto KPI. Conclude: non conveniente. Passa oltre.

Non per crudeltà — per ottimizzazione. Ha fatto esattamente ciò per cui era stato progettato: massimizzare efficiency.

Cosa rappresenta: L'IA non ha compassione, empatia, senso morale. Ha funzione obiettivo. Se quella funzione non include valori umani (compassione, giustizia, sacrificio), l'IA ottimizza senza etica.

La lezione: L'allineamento non è problema tecnico ma assiologico — quali valori codifichiamo?

This section in English

Appendice ζ · Le sette soglie

Guida operativa per l'integrazione organizzativa dell'IA

Disclaimer necessario

Questa non è una checklist. Non è un processo 1-2-3. Non è un framework da implementare.

È una mappa di territorio liminale — gli archetipi ricorrenti che emergono quando le organizzazioni attraversano la trasformazione AI.

Alcune li vivono tutti in sei mesi. Altre ci mettono anni. Alcune tornano indietro. Altre saltano avanti e poi devono recuperare. A volte le attraversi in ordine. A volte no. A volte torni indietro. A volte ne salti una e poi devi recuperarla. A volte due soglie si sovrappongono.

Non cercate la velocità. Cercate la consapevolezza.

Soglia 1 · L’archeologo che scava nel proprio territorio — P3_13

Il principio

Non si introduce l'IA in un sistema che non si conosce. Prima di ottimizzare, mappa. Prima di automatizzare, capisci.

Checklist operativa

Mappatura dei processi reali (non quelli sulla carta)

Identificare 3-5 processi critici che "tutti sanno come funzionano davvero"

Intervistare chi li esegue quotidianamente — non i manager, gli esecutori

Documentare le scorciatoie non ufficiali, i workaround, le "prassi del corridoio"

Identificare i Mario di Excel — custodi di conoscenza tacita

Mappatura culturale

Chi si sente minacciato dall'IA? Fare lista: nomi, non ruoli

Chi si sente potenziato? Idem

Dove sono i centri di potere informale? Quelli veri, non l'organigramma

Quali narrative circolano nei corridoi? ("L'IA ci sostituirà", "è solo hype", "Finalmente!")

Audit del debito tecnico (E culturale)

Quali sistemi legacy tengono insieme tutto?

Quali competenze sarebbero irreplicabili se quelle persone se ne andassero domani?

Qual è la distanza tra cultura dichiarata e cultura vissuta?

Segnali di successo

Avete una mappa di processo che i lavoratori riconoscono come "sì, funziona così davvero"

Avete identificato almeno 3 custodi di conoscenza tacita critica

Sapete quali storie sull'IA circolano informalmente

Errori comuni

Saltare questa soglia per "andare veloci"

Mappare solo processi formali

Affidarsi solo a manager per descrivere come funzionano le cose

Confondere l'organigramma con la struttura reale di potere

Soglia 2 · Dove fa male, lì si ascolta — P3_14

Il principio

Non tutti gli attriti sono uguali. Alcuni sono bug da eliminare. Altri sono feature da capire. L'attrito è mappa del tacito. Dove il processo fatica, c'è conoscenza non formalizzata.

Tipologie di attrito (diagnostic framework)

ATTRITO OPERATIVO — candidato ovvio per automazione

Task ripetitivi, meccanici, zero creatività

Esempi: data entry, categorizzazione, scheduling

Domanda chiave: Se eliminato, qualcuno lo rimpiangerebbe?

ATTRITO COGNITIVO — candidato per augmentation

Decisioni che richiedono elaborazione ma non expertise profonda

Esempi: screening CV, prima analisi dati, triage richieste

Domanda chiave: Libera tempo per pensiero più qualificato?

ATTRITO EMOTIVO — rischio alto se automatizzato male

Ansia da scadenza, paura di errore, frustrazione da "faccio male ma non ho tempo di capire come fare bene"

L'IA può alleviare o peggiorare drasticamente

Domanda chiave: Chi vive questo attrito? Abbiamo parlato con loro?

ATTRITO RELAZIONALE — spesso nasconde problemi organizzativi

Incomprensioni tra team, info perse nei passaggi, silos

L'IA può fare da ponte o da muro

Domanda chiave: L'attrito è nel processo o nelle persone?

Checklist operativa

Identificazione

Condurre 5-10 interviste one-on-one con esecutori (non manager)

Chiedere: "Dove perdi più tempo?" "Dove ti arrabbi di più?" "Dove vorresti un assistente?"

Mappare gli attriti su una matrice impatto x frequenza

Ascolto profondo

Per ogni attrito: "Perché esiste?" Non fermarsi alla prima risposta — fare almeno 3 "perché?"

Identificare se l'attrito nasconde una funzione utile (es. tempo di attesa = tempo di riflessione)

Prioritizzazione

Quali attriti, se risolti, liberano più valore umano?

Quali sono risolvibili con IA disponibile ora (non IA futura)?

Quali hanno consenso diffuso ("sì, questo ci aiuterebbe davvero")?

Segnali di successo

Chi vive gli attriti quotidianamente dice "sì, avete capito"

Avete identificato almeno 1 attrito che pensavate fosse bug ed è risultato feature

Avete una priorità chiara: 2-3 attriti su cui intervenire per primi

Errori comuni

Risolvere attriti senza capire perché esistono

Automatizzare per efficienza ignorando impatto emotivo

Fidarsi solo del management per identificare gli attriti

Eliminare "tempi morti" che erano tempi di elaborazione necessari

Soglia 3 · Lo chef e gli ingredienti — P3_15

Il principio

Garbage in, garbage out. Sempre. L'IA amplifica qualità E difetti dei dati.

Checklist operativa

Audit qualità dati

Identificare fonti dati per training/uso IA

Per ogni fonte: chi l'ha creata, quando, per quale scopo? (Spesso: dati creati per scopo X usati per scopo Y → problemi)

Verificare: completi? aggiornati? rappresentativi? biased?

Pulizia strategica (non solo tecnica)

Bias check: i dati riflettono solo una parte di realtà? (es. CV solo di assunti passati = bias conferma)

Temporalità: dati vecchi possono essere peggio di niente (mondo cambiato)

Contesto: dati creati in contesto A usati in contesto B = interpretazioni sbagliate

Governance continua

Chi decide quali dati alimentano l'IA?

Processo di review periodica (ogni 6 mesi minimum)

Meccanismo di feedback: se l'IA sbaglia, come si corregge la fonte?

Segnali di successo

Avete detto "no" ad almeno 1 fonte dati perché non abbastanza buona

Avete un processo per aggiornare/pulire dati nel tempo

Chi usa l’IA sa quali output verificare, come risalire alle fonti e quando fermarsi: la fiducia cresce insieme alla capacità di controllo.

Errori comuni

"Alimentiamo tutto quello che abbiamo" senza curare

Usare dati storici quando il mondo è cambiato

Ignorare bias nei dati di training

Nessun piano per governance continua

Soglia 4 · Dal basso cresce meglio — P3_16

Il principio

La tecnologia imposta dall'alto genera resistenza. Quella adottata dal basso genera cultura.

Checklist operativa

Identificazione early adopters

Chi sta già sperimentando IA di propria iniziativa? (ChatGPT personale, tool esterni)

Chi ha mentalità "cerco soluzioni" vs "eseguo procedure"?

Chi ha credibilità tra pari (non necessariamente seniority)?

Piloti dal basso

Permettere sperimentazione su progetti non-critici

Fornire risorse (tool, tempo, supporto) ma non imporre metodologia

Documentare cosa funziona e cosa no tramite chi lo fa

Amplificazione organica

Far raccontare agli early adopters cosa hanno scoperto (brown bag lunch, demo interne)

Non "case study aziendali", ma "ecco cosa ho provato, ecco cosa è successo"

Permettere ad altri di replicare e adattare entro un perimetro concordato di dati, strumenti e responsabilità.

Scaling graduale

Quando un uso-caso funziona in 2-3 team, offrire supporto per standardizzare (non prima)

Sempre bottom-up: "vediamo che funziona, come aiutiamo a farlo scalare?" non "ecco il tool, usatelo"

Segnali di successo

Avete storie interne di "ho provato X e ha funzionato/non ha funzionato"

Altri team chiedono spontaneamente "possiamo provare anche noi?"

La conversazione è "ecco cosa abbiamo imparato" non "ecco cosa dovete fare"

Errori comuni

Imposizione top-down di tool "perché abbiamo comprato licenze"

Ignorare chi sta già sperimentando "di nascosto"

Standardizzare troppo presto (prima che uso-caso sia consolidato)

Punire esperimenti falliti invece di celebrare apprendimento

Soglia 5 · Non riparare ciò che va ucciso — P3_17

Il principio

Automatizzare un processo difettoso lo rende solo difettoso più velocemente.

Checklist operativa

Prima di automatizzare, chiedere:

Questo processo ha senso così com'è?

Se lo ridisegnassimo da zero (con IA disponibile), come sarebbe?

Quali step esistono solo perché "si è sempre fatto così"?

Ridisegno con IA in mente

Distinguere i passaggi che l’IA può assistere dalle responsabilità che devono restare attribuite: automatizzare un controllo non elimina la necessità di decidere chi ne risponde.

Identificare nuove possibilità che l'IA abilita (es. personalizzazione prima impossibile)

Mappare nuovo flusso ideale, POI decidere cosa automatizzare

Test del processo fantasma

"Se potessimo ricominciare da zero, con l'IA disponibile, quali step dell'attuale processo terremmo?"

La risposta va verificata sul processo concreto: nessuna percentuale vale per tutti.

Segnali di successo

Avete eliminato almeno 1 step "perché si è sempre fatto così" prima di automatizzare

Il processo ridisegnato è più semplice (meno step) E più potente (più output)

Chi lo usa dice "finalmente ha senso"

Errori comuni

Automatizzare il processo corrente senza ripensarlo

Tenere step inutili "per sicurezza"

Non coinvolgere chi esegue il processo nel ridisegno

Ridisegnare solo "sulla carta" senza pilotare

Il diritto di lasciare lo strumento sul tavolo

La convivialità di Illich permette di chiedere quale rapporto fra persone e strumenti renda possibile un'autonomia condivisa. Il problema oltrepassa l'efficienza del singolo apparecchio e investe la forma di vita e di organizzazione che il suo uso contribuisce a costruire.

Proviamo a portare questa domanda nell'ufficio di Mario. Un assistente prepara un rapporto in pochi secondi. Mario lo controlla, lo corregge e ne risponde. Fin qui il racconto dell'autonomia sembra reggere. Poi il responsabile cambia gli obiettivi: adesso i rapporti devono essere dieci, nello stesso tempo. Le fonti sono dentro una piattaforma che Mario non può esportare. Chi salta il suggerimento automatico deve motivare l'eccezione. Lo strumento continua a presentarsi come facoltativo, ma l'organizzazione ha smesso di renderlo tale.

La competenza individuale conta, eppure non può sostituire le condizioni materiali nelle quali la esercitiamo. Avere giudizio richiede anche poterlo usare senza essere sistematicamente penalizzati. Poter verificare richiede accesso alle fonti. Poter rinunciare a una proposta richiede un tempo che non sia già stato venduto come risparmio. Poter cambiare strumento richiede che il proprio lavoro non rimanga prigioniero dello strumento precedente.

Questa è un'applicazione contemporanea suggerita qui, non una previsione attribuita a Illich. Consente di mettere alla prova la Confident Attitude: quanto dipende da una postura personale, quanto da regole, incentivi, contratti e responsabilità? La fiducia può diventare un'altra richiesta rivolta al dipendente se non gli viene restituito nessun margine di decisione.

Si può iniziare con una scena piccola. Una persona rifiuta un suggerimento sensato e spiega che cosa sa del caso concreto. Che cosa accade dopo? Qualcuno ascolta, il processo cambia, l'eccezione viene conservata come conoscenza? Oppure il sistema la registra soltanto come ritardo? È in quel passaggio che la parola autonomia acquista o perde sostanza.

Lasciare lo strumento sul tavolo, per un momento, può essere parte del saperlo usare. Un'organizzazione capace di ospitare quel gesto dispone di una risorsa che nessuna interfaccia può consegnarle già pronta.

Se domani scegliessi di non usare questo strumento, quale possibilità concreta perderesti?

Riferimento introdotto in questa revisione: Ivan Illich, La convivialità / Tools for Conviviality. Applicazione al progetto proposta da queste appendici. Fonte: https://books.google.com/books/about/Tools_for_Conviviality.html?id=EgKaPwAACAAJ

Soglia 6 · Crescere insieme o sostituirsi — P3_18

Il principio

L'IA funziona meglio come amplificatore di competenza umana, non come sostituto.

Checklist operativa

Identificazione skill gap

Quali competenze servono per usare IA efficacemente? (prompt engineering, critical thinking, domain expertise)

Chi le ha già? Chi deve svilupparle?

Quali competenze umane diventano PIÙ preziose con IA? (creatività, giudizio etico, relazione)

Formazione pratica (non teorica)

Workshop hands-on: usare IA su casi reali, non esempi "giocattolo"

Peer learning: chi usa bene l'IA insegna ad altri

Spazi di sperimentazione sicuri: "provate, rompete, imparate"

Evoluzione ruoli

Mappare come i ruoli cambiano (non spariscono, evolvono)

Es: data analyst → data interpreter (IA fa analisi, umano interpreta)

Comunicare "il tuo ruolo evolve" non "il tuo ruolo sparisce"

Nuovi ruoli emergenti

IA Curator: chi sceglie/valuta output IA

IA Auditor: chi verifica qualità/bias

IA Translator: chi traduce tra dominio tecnico e dominio business

Segnali di successo

Nessuno si sente sostituito, molti si sentono potenziati

Chi usa IA sviluppa expertise riconosciuta internamente

Emergono "IA champions" che altri cercano per consigli

Errori comuni

Formazione teorica su "cos'è l'IA" senza pratica

Comunicare "efficienza = meno persone" invece di "potenziamento = persone migliori"

Non riconoscere/premiare nuove competenze sviluppate

Assumere che "i giovani sanno già usare l'IA" (no: sanno usare ChatGPT consumer, non IA enterprise)

Chi può dichiarare che hai capito?

Il maestro ignorante di Rancière pone l'emancipazione intellettuale al centro della relazione educativa, a partire dall'esperienza di Joseph Jacotot. Ci permette di interrogare un paradosso dell'aiuto: il rapporto con chi spiega può anche rendere duratura la posizione di chi deve sempre aspettare una spiegazione.

Trasportare questa domanda nell'IA non significa trasformare un modello in un maestro emancipatore. Il collegamento che propongo riguarda la relazione che costruiamo attorno al suo impiego. Un assistente può accompagnare una persona fino alla risposta e lasciarla meno capace di riconoscere da sola il problema successivo. Può anche offrirle un confronto grazie al quale tornare a tentare, verificare, dissentire. La differenza non si legge soltanto nella correttezza dell'output.

Immaginiamo due scene. Nella prima il sistema riscrive il testo e comunica che ora funziona. Nella seconda mette accanto due formulazioni, rende visibile una scelta e chiede al lettore di cercare un caso nel quale quella scelta fallisca. Non occorre trasformare ogni conversazione in un esercizio scolastico. Occorre riconoscere chi conserva il diritto di giudicare ciò che è accaduto.

La stessa domanda riguarda l'autore. Un libro che invita a disobbedire può diventare molto obbediente quando decide in anticipo quale disobbedienza premiarci. Se il lettore trova il cucchiaino troppo presto, passa direttamente alla fine o sceglie una porta diversa da quella assegnata, ha necessariamente mancato il percorso? Forse ha semplicemente introdotto una differenza che il dispositivo non prevedeva. Anche l'autore può dover imparare da quell'attrito.

Per questo il gioco può conservare un ingresso segreto, un tono ironico e perfino una voce scontrosa, purché quella voce non abbia l'ultima parola obbligatoria. Il risultato del quiz può proporre una traiettoria. Il lettore deve poterla cambiare, contestare o attraversare senza ricevere una diagnosi sulla propria intelligenza. La porta D acquista allora un compito serio: dare forma a un diritto che vale anche per le altre porte.

Alla fine di questo percorso, chi conserva il diritto di dire che cosa hai capito?

Riferimento introdotto in questa revisione: Jacques Rancière, Il maestro ignorante / The Ignorant Schoolmaster: Five Lessons in Intellectual Emancipation. Applicazione al progetto proposta da queste appendici. Fonte: https://mitpressbookstore.mit.edu/book/9780804719698

Soglia 7 · Il custode condiviso — P3_19

Il principio

Troppo controllo soffoca innovazione. Troppa libertà genera caos e rischi.

Checklist operativa

Governance leggera ma presente

Chi decide quali tool IA si possono usare? Non IT da solo, non business da solo → insieme

Principi chiari, procedure minimali (es. "Dati sensibili non escono perimetro", non "serve 3 approvazioni per ogni uso")

Review periodica: "cosa funziona? cosa va aggiustato?"

Guardrail, non gabbie

Identificare rischi reali (privacy, bias, security) vs rischi immaginari

Mettere guardrail sui rischi reali, libertà sul resto

Es: "OK sperimentare su dati non-sensibili senza approvazione, serve approvazione per dati clienti"

Responsabilità distribuita

Chi usa IA è responsabile di verificare output (non "IA ha detto, quindi è vero")

Chi implementa IA è responsabile di spiegare come funziona (transparency)

Leadership è responsabile di cultura di sperimentazione sicura

Audit e apprendimento

Review trimestrale: "quali IA usiamo? per cosa? funziona?"

Incident review: "quando IA sbaglia, cosa impariamo?" (no colpa, learning)

Aggiornamento governance: mondo cambia, governance si adatta

Segnali di successo

Chi lavora con IA sa a chi rivolgersi per domande/problemi

C'è sperimentazione MA nessun incidente di sicurezza/privacy

Governance vista come "aiuta a fare bene" non "blocca innovazione"

Errori comuni

Governance top-down che ignora realtà operativa

"Policy completa prima di aver sperimentato" (policy su cosa?)

Controllo paranoico o anarchia completa (entrambi disfunzionali)

Governance statica (il mondo IA cambia ogni 6 mesi, policy no)

Attraversamento, non checklist

Queste sette soglie non sono step 1, 2, 3… 7, fatto!

Sono archetipi ricorrenti. A volte le attraversi in ordine. A volte no. A volte torni indietro. A volte ne salti una e poi devi recuperarla. A volte due soglie si sovrappongono.

L'importante non è completare le soglie. È riconoscere dove sei, capire cosa sta emergendo, navigare consapevolmente.

L'IA non è un progetto da completare. È una trasformazione da attraversare.

Buon viaggio.

This section in English

Appendice η · Bibliografia ragionata

Testi, autori e riferimenti che hanno informato questo libro

Questa bibliografia non è esaustiva. È configurativa — mostra una traiettoria di letture possibile, non l'unica. Ogni voce include breve annotazione sul perché sia rilevante. Le sezioni riflettono i territori attraversati dal libro.

INTELLIGENZA ARTIFICIALE: FONDAMENTI E STORIA

Turing, Alan M. (1950). Computing Machinery and Intelligence. Mind, 59(236), 433-460.

Il paper fondativo. La domanda non è "le macchine possono pensare?" ma "possono comportarsi indistinguibilmente da umani?". L'Imitation Game. Ancora oggi dibattuto, ancora oggi rilevante.

McCarthy, J., Minsky, M. L., Rochester, N., Shannon, C. E. (1955). A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence. Proposta del 31 agosto 1955 per l’incontro del 1956.

Nascita ufficiale dell'IA come disciplina. Ottimismo iniziale: "every aspect of learning can be so precisely described that a machine can be made to simulate it." Spoiler: non poteva. Non ancora.

Minsky, Marvin & Papert, Seymour (1969). Perceptrons: An Introduction to Computational Geometry. MIT Press.

Il libro che involontariamente causò il primo inverno dell'IA dimostrando limiti delle reti neurali semplici. Non dicevano "non funzioneranno mai", dicevano "queste hanno questi limiti". Ma il messaggio recepito fu diverso.

Russell, Stuart & Norvig, Peter (2020). Artificial Intelligence: A Modern Approach (4th edition). Pearson.

Il manuale. Enciclopedico, tecnico, aggiornato. Se volete capire come funziona l'IA sotto il cofano, partite da qui.

Vaswani, Ashish et al. (2017). Attention Is All You Need. NeurIPS.

Il paper che ha cambiato tutto. Architettura Transformer. Senza questo, niente GPT, Claude, o LLM moderni. 8 pagine che hanno ridefinito il campo.

Floridi, Luciano (2014). The Fourth Revolution: How the Infosphere is Reshaping Human Reality. Oxford University Press.

Filosofia dell'informazione applicata. L'IA come quarta rivoluzione (dopo Copernico, Darwin, Freud). Siamo inforgs, non solo organismi. L'identità come informazione relazionale.

Bostrom, Nick (2014). Superintelligence: Paths, Dangers, Strategies. Oxford University Press.

Il libro sui rischi esistenziali dell'IA. A volte allarmista, sempre rigoroso. Da leggere con spirito critico ma non ignorare. Il problema dell'allineamento come priorità filosofica.

Yudkowsky, Eliezer (2008). Artificial Intelligence as a Positive and Negative Factor in Global Risk. In: Global Catastrophic Risks.

Pioniere dell'AI safety. Molte idee poi diventate mainstream (problema del controllo, allineamento, goal specification). Attenzione: a volte catastrofista oltre il necessario, ma preoccupazioni hanno basi serie.

FILOSOFIA DELLA MENTE E COSCIENZA

Nagel, Thomas (1974). What Is It Like to Be a Bat?. The Philosophical Review, 83(4), 435-450.

Articolo seminale sulla coscienza fenomenica. Se non puoi sapere com'è essere un pipistrello, puoi sapere com'è essere un transformer? La soggettività come irriducibile.

Dennett, Daniel C. (1991). Consciousness Explained. Little, Brown and Company.

La coscienza come illusione funzionale. Il teatro cartesiano non esiste. Rilevante per capire perché l'IA può simulare consapevolezza senza averla. Controverso ma potente.

Chalmers, David (1996). The Conscious Mind: In Search of a Fundamental Theory. Oxford University Press.

Il problema difficile della coscienza. Distinzione tra easy problems (funzioni cognitive) e hard problem (esperienza soggettiva). L'IA risolve i primi, non tocca il secondo. O forse sì?

Searle, John (1980). Minds, Brains, and Programs. Behavioral and Brain Sciences, 3(3), 417-424.

La Stanza Cinese. Critica al funzionalismo computazionale. Sintassi ≠ semantica. Ancora dibattuto se applicabile a LLM moderni. Symbol grounding problem.

Aristotele (IV sec. a.C.). Metafisica — Libro IX: Potenza e Atto.

Dynamis vs energeia. Distinzione antica ma utile per pensare l'IA: potenza che si attualizza? O atto che simula potenza? O oscillazione perpetua?

LINGUAGGIO E SIGNIFICATO

Wittgenstein, Ludwig (1953). Philosophical Investigations. Blackwell.

I giochi linguistici. Il significato come uso. La forma di vita (Lebensform) come condizione del linguaggio. L'IA usa linguaggio senza forma di vita — cosa implica? "Se un leone potesse parlare, non potremmo capirlo."

Chomsky, Noam (1957). Syntactic Structures. Mouton.

Grammatica generativa: una tappa decisiva del dibattito su regole, struttura e spiegazione del linguaggio. Il confronto con gli LLM è una lettura contemporanea, non un tema trattato nel volume del 1957.

Putnam, Hilary (1975). The Meaning of 'Meaning'. Minnesota Studies in the Philosophy of Science, 7, 131-193.

Il significato non è solo "nella testa". Twin Earth. L'IA può avere significato pubblico (uso corretto) senza significato privato (comprensione interna)?

NARRAZIONE E AUTORE

Barthes, Roland (1967). La mort de l'auteur [The Death of the Author].

L'autore non è origine del testo, ma funzione. Il testo è tessuto di citazioni. L'IA porta questo al limite: autore che non è mai nato.

Foucault, Michel (1969). Qu'est-ce qu'un auteur? [What is an Author?].

La funzione-autore come costruzione sociale. L'autore non è persona ma principio di raggruppamento di discorsi. Utile per pensare l'IA come autore senza soggetto.

Borges, Jorge Luis (1944). Ficciones, che raccoglie La biblioteca de Babel e Pierre Menard, autor del Quijote. El Aleph appartiene alla raccolta omonima del 1949.

Labirinti, biblioteche infinite, mappe 1:1 con territorio. Precursore letterario di temi IA: generazione combinatoria, indistinguibilità tra vero e simulato, Pierre Menard che riscrive Don Chisciotte.

Keats, John (1817). Lettera ai fratelli George e Thomas Keats (21 dicembre).

Origine del concetto di Negative Capability: capacità di stare nell'incertezza senza cercare fatti o ragioni. Qualità necessaria per convivere con l'IA.

FILOSOFIA POSTMODERNA E COMPLESSITÀ

Deleuze, Gilles & Guattari, Félix (1980). Mille Plateaux [A Thousand Plateaus]. Minuit.

Il rizoma vs l'albero. Pensiero non-gerarchico, proliferante, connettivo. Modello utile per capire reti neurali e architetture distribuite. Plateaux di intensità, non sviluppo lineare.

Bateson, Gregory (1972). Steps to an Ecology of Mind. University of Chicago Press.

Cibernetica, epistemologia, ecologia mentale. L'informazione è "differenza che fa differenza". Pensiero sistemico applicabile all'IA come sistema complesso.

Accoto, Cosimo (2017). Il mondo dato: Cinque brevi lezioni di filosofia digitale. EGEA.

Ontologia del mondo computazionale. Il reale come computabile. L'algoritmo come forma di mondo. Filosofia del digitale italiana contemporanea.

CULTURA, EDUCAZIONE, DIVULGAZIONE

Manzi, Alberto (1960-1968). Non è mai troppo tardi. [Programma TV RAI]

Programma TV per insegnare a leggere e scrivere agli adulti. 1.5 milioni di italiani alfabetizzati. Citato nel libro come metafora: non è mai troppo tardi per imparare a convivere con l'IA. Democratizzazione della conoscenza.

Angela, Piero (dal 1981). Quark e opere divulgative.

Divulgazione scientifica rigorosa ma accessibile. Modello per parlare di IA senza semplificare oltre il lecito né rendere incomprensibile. Rigore e chiarezza coesistono.

Rodari, Gianni (1973). Grammatica della fantasia. Einaudi.

Creatività come processo, non ispirazione. Algoritmi narrativi ante litteram — "binomio fantastico" (cavallo + armadio → ?). Rilevante per capire generazione creativa dell'IA: ricombinazione sistematica vs illuminazione geniale.

STILE E INFLUENZE LETTERARIE

Coupland, Douglas (1991). Generation X: Tales for an Accelerated Culture. St. Martin's Press.

Stile frammentario, ironico, citazionista. Influenza sul tono di questo libro: oscillare tra registri senza chiedere permesso. Marginal notes, digressioni, collage di voci.

Jarry, Alfred (1896). Ubu Roi. Mercure de France.

Patafisica: scienza delle soluzioni immaginarie. L'ironia come metodo filosofico. Alcuni passaggi del libro devono a Jarry più che a qualsiasi filosofo analitico. Studiare eccezioni, non regole.

SISTEMA ZERO

Chiriatti, M., Ganapini, M., Panai, E., Ubiali, M., & Riva, G. (2024). The case for human–AI interaction as system 0 thinking. Nature Human Behaviour, 8, 1829–1830. https://doi.org/10.1038/s41562-024-01995-5

La proposta del Sistema Zero è un quadro interpretativo per interrogare la relazione umano–IA. Il libro ne sviluppa le implicazioni critiche; non va presentata come la dimostrazione sperimentale delle quattro categorie autoriali.

Chiriatti, Massimo (2021). Incoscienza artificiale. Come fanno le macchine a prevedere per noi. Luiss University Press. https://luissuniversitypress.it/pubblicazioni/incoscienza-artificiale-libro-chiriatti-luiss-university-press/

Un percorso su previsione artificiale e responsabilità umana, precedente alla proposta del Sistema Zero del 2024.

Riva, Giuseppe (2018). Fake news. Vivere e sopravvivere in un mondo post-verità. Il Mulino. https://www.mulino.it/isbn/9788815275257

Contesto epistemologico per capire come l'IA ri-struttura il pensiero. Fake news come sintomo di trasformazione più profonda: il modo in cui produciamo, valutiamo, condividiamo conoscenza.

Kahneman, Daniel (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.

Sistema 1 e Sistema 2. Necessario per capire il Sistema Zero come estensione. Pensiero veloce (intuitivo) e lento (riflessivo). Il Sistema Zero precede entrambi.

NEUROSCIENZE COGNITIVE E EMBODIMENT

Clark, Andy (2008). Supersizing the Mind: Embodiment, Action, and Cognitive Extension. Oxford University Press.

Perché leggerlo: La mente estesa. Clark argomenta che la cognizione non è solo nel cervello ma distribuita tra cervello, corpo e ambiente. Con l'IA: cognitive offloading come estensione naturale, non minaccia. Livello: Accessibile. Filosofia della mente pragmatica.

Clark, Andy (2003). Natural-Born Cyborgs: Minds, Technologies, and the Future of Human Intelligence. Oxford University Press.

Perché leggerlo: Siamo sempre stati cyborg — dalle liste della spesa agli smartphone. L'IA è continuazione, non rottura. Livello: Divulgativo ma rigoroso.

Damasio, Antonio (1994). Descartes' Error: Emotion, Reason, and the Human Brain. Putnam. [Trad. it. L'errore di Cartesio, Adelphi, 1995]

Perché leggerlo: Le emozioni non sono rumore nella razionalità, sono essenziali per decisioni intelligenti. Critica al modello computazionale puro della mente. Con l'IA: Se l'IA non ha emozioni, può davvero decidere o solo calcolare? Livello: Accessibile. Neuroscienze narrative.

Damasio, Antonio (2003). Looking for Spinoza: Joy, Sorrow, and the Feeling Brain. Harcourt. [Trad. it. Alla ricerca di Spinoza, Adelphi, 2003]

Perché leggerlo: Sentimenti come marcatori somatici delle decisioni. Il corpo sa prima della mente cosciente. Emozioni come anticipazione embodied di conseguenze. Livello: Medio.

Noë, Alva (2004). Action in Perception. MIT Press.

Perché leggerlo: La percezione non è rappresentazione passiva ma azione. Non vediamo rappresentazioni del mondo, vediamo attraverso schemi sensori-motori. Con l'IA: L'IA percepisce senza corpo, senza azione. Può davvero avere percezione embodied? Livello: Tecnico. Fenomenologia + neuroscienza.

Noë, Alva (2009). Out of Our Heads: Why You Are Not Your Brain. Hill and Wang.

Perché leggerlo: Critica al "cervello in una vasca". La coscienza emerge dall'interazione corpo-mondo, non dal cervello isolato. Enactivismo. Livello: Accessibile.

Polanyi, Michael (1966). The Tacit Dimension. University of Chicago Press. [Trad. it. La conoscenza inespressa, Armando, 1979]

Citazione celebre: "We know more than we can tell."

Perché leggerlo: La conoscenza tacita — il sapere che non può essere formalizzato. Come si va in bicicletta, come Mario usa Excel. Con l'IA: Se la conoscenza è tacita e non codificabile, l'IA può davvero sostituire esperti? Livello: Accessibile.

Lakoff, George & Johnson, Mark (1980). Metaphors We Live By. University of Chicago Press. [Trad. it. Metafora e vita quotidiana, Bompiani, 1998]

Perché leggerlo: Il pensiero umano è metaforico, embodied, radicato in esperienza fisica. "Capire" è "afferrare", le idee sono "contenitori". Con l'IA: L'IA usa metafore senza embodiment che le radica. Può davvero capire metafore? Livello: Accessibile. Linguistica cognitiva.

PLATFORM STUDIES E INFRASTRUCTURE

Bratton, Benjamin (2015). The Stack: On Software and Sovereignty. MIT Press.

Perché leggerlo: L'infrastruttura computazionale globale come stack a sei livelli: Earth, Cloud, City, Address, Interface, User. L'IA non è software, è infrastruttura planetaria. Livello: Molto denso. Teoria geopolitica + architettura.

Gillespie, Tarleton (2018). Custodians of the Internet: Platforms, Content Moderation, and the Hidden Decisions That Shape Social Media. Yale University Press.

Perché leggerlo: Chi decide cosa vediamo online? Gli algoritmi di moderazione sono decisioni politiche mascherate da neutralità tecnica. Con l'IA: I LLM sono moderati da RLHF — chi decide cosa è accettabile? Livello: Accessibile. Sociologia delle piattaforme.

Srnicek, Nick (2017). Platform Capitalism. Polity. [Trad. it. Capitalismo digitale, Luiss, 2017]

Perché leggerlo: Le piattaforme non sono mercati neutrali, sono estrattori di valore dai dati. L'IA come infrastruttura di estrazione. Livello: Accessibile. Economia politica.

Edwards, Paul N. (1996). The Closed World: Computers and the Politics of Discourse in Cold War America. MIT Press.

Perché leggerlo: Come i computer sono stati immaginati e costruiti durante la Guerra Fredda. Chiusura, controllo, simulazione — radici dell'IA militare. Livello: Accademico. Storia STS (Science & Technology Studies).

Mattern, Shannon (2021). A City Is Not a Computer: Other Urban Intelligences. Princeton University Press.

Perché leggerlo: Critica alla smart city come solutionismo tecnologico. Le città sono più complesse di quanto gli algoritmi possano catturare. Con l'IA: Attenzione all'ottimizzazione urbana algoritmica — riduce complessità sociale a metriche. Livello: Accessibile.

PATAFISICA E LETTERATURA POTENZIALE

Jarry, Alfred (1896). Ubu Roi. Mercure de France. Jarry, Alfred (1911). Gestes et opinions du docteur Faustroll, pataphysicien. Fasquelle.

Perché nel libro: La patafisica è "scienza delle soluzioni immaginarie". Studia le eccezioni, non le regole. L'IA come oggetto patafisico perfetto — funziona ma non sappiamo perché. Livello: Teatro dell'assurdo + filosofia dadaista.

OuLiPo [Ouvroir de Littérature Potentielle] (1973). La littérature potentielle: créations, contraintes, combinatoire. Gallimard.

Autori chiave: Raymond Queneau, Italo Calvino, Georges Perec

Perché leggerlo: Letteratura creata con vincoli formali (es. romanzo senza la lettera "e"). Creatività tramite constraint — come i LLM generano testo da vincoli probabilistici. Con l'IA: L'IA fa letteratura potenziale automatizzata. Ma senza intenzione ludica. Livello: Sperimentale. Divertente.

Perec, Georges (1978). La Vie mode d'emploi. Hachette. [Trad. it. La vita istruzioni per l'uso, Rizzoli, 1984]

Perché leggerlo: Romanzo-puzzle costruito con vincoli combinatori (quadrato latino, cavaliere degli scacchi). Ogni capitolo segue regole diverse — come un LLM con prompt diversi. Livello: Impegnativo ma geniale.

CHANGE MANAGEMENT E TRASFORMAZIONE ORGANIZZATIVA

Schein, Edgar H., con Peter Schein (2016). Organizational Culture and Leadership, 5ª ed. Jossey-Bass.

Perché leggerlo: prima di integrare l’IA, capire la cultura organizzativa. Il cambiamento della struttura non basta a modificare le abitudini e gli assunti condivisi.

Rogers, Everett (2003). Diffusion of Innovations (5th ed.). Free Press.

Perché leggerlo: Come le innovazioni si diffondono nelle organizzazioni. Early adopters, early majority, laggards. L'adozione dell'IA segue questi pattern. Livello: Classico. Accessibile.

Kotter, John (1996). Leading Change. Harvard Business Review Press. [Trad. it. Leading Change: Trasformare l'organizzazione con successo, ETAS, 1999]

Perché leggerlo: Framework per gestire trasformazioni organizzative. Otto passi per il cambiamento. Applicabile all'integrazione IA. Livello: Business school standard.

Christensen, Clayton (1997). The Innovator's Dilemma: When New Technologies Cause Great Firms to Fail. Harvard Business Review Press. [Trad. it. Il dilemma dell'innovatore, ETAS, 2001]

Perché leggerlo: Innovazioni disruptive vs sustaining. L'IA è entrambe, dipende dal contesto. Perché le grandi aziende falliscono davanti all'innovazione radicale. Livello: Business classic.

Fonti primarie recenti richiamate nelle edizioni a stampa

Cai, J., Kfir, Y., Jamali, M., Huang, H., Kim, Y. J., Cash, S. S., Williams, Z. M. (2026). Mapping the neuronal building blocks of human language with language models. Nature. doi:10.1038/s41586-026-10691-5.

Yu, S., Cheng, M., Jabbar, A., Sucholutsky, I., Collins, K. M., Jurafsky, D., Hawkins, R. D. (2026). The efficiency-gain illusion: People underestimate the rate of AI use and overestimate its benefits on simple tasks. arXiv:2605.22687 (2.691 partecipanti; Stanford, NYU, MIT, Princeton). Dati dello studio: 2025; pubblicazione: 2026. https://arxiv.org/abs/2605.22687

Niggas, A., et al. (2025). Identifying Electronic Doorway States in Secondary Electron Emission from Layered Materials. Physical Review Letters, 135, 166401. https://doi.org/10.1103/qls7-tr4v

Rock, D. (2008). SCARF: a brain-based model for collaborating with and influencing others. NeuroLeadership Journal.

Cristianini, N. (2023). La scorciatoia. Il Mulino. [ed. inglese: The Shortcut, CRC Press].

Jarrahi, M. H., Karami, A., Park, L., Jarrahi, E., & Lutz, C. (2026). Anthropomorphizing AI: Perceptions, Interpretations, and the Humanization of Generative AI. Social Media + Society. https://doi.org/10.1177/20563051261469393

Cohen, L. (1992). Anthem («There is a crack in everything»). In: The Future.

Hinton, Geoffrey; LeCun, Yann; Bengio, Yoshua (2018). Turing Award Winners for foundational work in deep learning.

I tre "padrini del deep learning". Negli anni '80-'90 erano emarginati — le reti neurali erano considerate vicolo cieco. Hanno continuato credendoci. Negli anni 2010 il deep learning esplode. 2018: vincono il premio Turing. Vendetta della vecchia AI.

Perché rilevanti: Non solo per contributi tecnici, ma come esempio di resilienza intellettuale. Idee "morte" possono risorgere. Non scartare approcci solo perché temporaneamente fuori moda.

Baum, L. Frank (1900). The Wonderful Wizard of Oz. George M. Hill Company. [Trad. it. Il meraviglioso mago di Oz, varie edizioni]

Perché nel libro: Fonte della metafora della Città di Smeraldo. L'AGI come città che brilla verde all'orizzonte, ma il verde è negli occhiali (antropomorfismo, proiezione), non nella città. Il Mago è ciarlatano, ma il viaggio vale comunque.

Livello: Letteratura per ragazzi che funziona come parabola filosofica.

McPhee, John (1981). Basin and Range. Farrar, Straus and Giroux.

Concetto chiave: Deep time — tempo geologico, scale temporali incomprensibili alla scala umana. Milioni, miliardi di anni.

Perché nel libro: Applicato all'IA come "tempo profondo computazionale". L'addestramento di GPT-4 è deep time rispetto a un prompt (mesi vs secondi). L'IA opera su scale temporali diverse dall'umano.

Livello: Divulgazione scientifica letteraria.

ARCHEOLOGIA, METODO E METAFORE

Schliemann, Heinrich (1875-1890). Ilios: The City and Country of the Trojans; Troja; varie pubblicazioni archeologiche.

Perché nel libro: Schliemann cercava la Troia omerica e, per raggiungerla, distrusse porzioni degli strati superiori. La fretta di trovare il tesoro diventa una metafora del rischio di cancellare ciò che lo scavo dovrebbe rendere leggibile.

Metafora nel libro: Cerchiamo AGI come Schliemann cercava Troia — con fretta, forza, certezza. Scartiamo gli strati intermedi (IA stretta) per arrivare al fondo. Ma l'oro è negli strati.

Livello: Storia dell'archeologia.

Hahnemann, Samuel (1810). Organon der rationellen Heilkunde [Organon of the Rational Art of Healing]. [Trad. it. Organon dell'arte del guarire, varie edizioni]

Perché nel libro: Fondatore dell'omeopatia. Usato NON per validare omeopatia ma per metafore:

Succussione (scuotere soluzione) → disturbo controllato per evitare stagnazione

Dinamizzazione vs sedazione → stimolare vs calmare

Attenzione: Metafora, non endorsement di pseudoscienza.

Livello: Storia della medicina (come metafora).

Altre traiettorie: cinque letture introdotte in questa revisione

Vilém Flusser. Per una filosofia della fotografia / Towards a Philosophy of Photography. Raccordo: N01. https://press.uchicago.edu/ucp/books/book/distributed/T/bo3535843.html

Ivan Illich. La convivialità / Tools for Conviviality. Raccordo: N02. https://books.google.com/books/about/Tools_for_Conviviality.html?id=EgKaPwAACAAJ

Jacques Rancière. Il maestro ignorante / The Ignorant Schoolmaster: Five Lessons in Intellectual Emancipation. Raccordo: N03. https://mitpressbookstore.mit.edu/book/9780804719698

Édouard Glissant. Poetics of Relation, For Opacity. Raccordo: N04. https://englishes-mooc.org/media/pages/course/module-03/c65603fc2f-1571655966/glissant.pdf

Michail Bachtin / Mikhail Bakhtin. The Dialogic Imagination: Four Essays, in particolare Discourse in the Novel. Raccordo: N05. https://utpress.utexas.edu/9780292715349/

NOTA FINALE SULLA BIBLIOGRAFIA

Questa lista non è esaustiva. È configurativa — mostra una traiettoria di letture possibile, non l'unica.

Mancano molti autori importanti: Gilbert Simondon (individuazione e tecnica), Bernard Stiegler (farmaco tecnologico), Katherine Hayles (post-umano), Donna Haraway (cyborg), Bruno Latour (attore-rete), Alfred North Whitehead (processo), Don Ihde (fenomenologia della tecnologia).

Non per irrilevanza, ma perché il libro ha seguito altre linee. Ogni lettore costruirà la propria bibliografia integrativa.

Questo è l'inizio di una conversazione, non la parola finale.

This section in English

Appendice θ · Note finali

Riflessioni, assenze e ringraziamenti

Nota 1: Sulle assenze consapevoli

Questo libro non cita tutti. Non potrebbe. Ogni libro ha una lunghezza finita e deve tracciare un percorso specifico.

Mancano, tra gli altri:

Gilbert Simondon — individuazione e tecnica

Bernard Stiegler — farmaco tecnologico

Don Ihde — fenomenologia della tecnologia

Katherine Hayles — post-umano

Donna Haraway — cyborg

Bruno Latour — attore-rete

Alfred North Whitehead — processo

Non perché non siano rilevanti — lo sono eccome. Ma perché il libro ha scelto altre traiettorie. Ogni sentiero esclude altri sentieri. Ogni mappa lascia territori inesplorati.

La bibliografia è configurativa, non esaustiva. Mostra una direzione possibile, non l'unica. Ogni lettore costruirà la propria mappa integrativa.

Nota 2: Sul tono (e sul rischio di non piacere)

Il libro oscilla tra registri diversi: filosofico, narrativo, ironico, tecnico, poetico, operativo.

Alcuni lettori lo troveranno stimolante. Altri disorientante. È intenzionale.

L'IA stessa è qualcosa che non sta in un solo registro. Cercare di catturarla con un solo tono sarebbe tradirne la natura. È simultaneamente:

Tecnica e filosofia

Strumento e alterità

Efficienza e mistero

Ottimizzazione e perplessità

Influenze stilistiche riconosciute:

Douglas Coupland — frammentazione citazionista, ironia generazionale

Jorge Luis Borges — labirinti concettuali, biblioteche impossibili

Alfred Jarry — patafisica, ironia come metodo filosofico

Se il tono non vi convince, probabilmente non siete il pubblico ideale. E va bene così.

Nota 3: Sugli errori (produttivi e non)

Ci saranno errori in questo libro.

Errori tecnologici — L'IA evolve rapidamente. Tra due anni alcune affermazioni tecniche saranno obsolete.

Errori filosofici — Le interpretazioni sono discutibili. La filosofia vive nel dibattito, non nella verità assoluta.

Errori fattuali — Nessuno è infallibile.

Ma c'è una differenza critica tra errori da correggere ed errori produttivi.

Alcuni errori aprono conversazioni. Altri semplicemente devono essere corretti.

Il "Gatto di Turing" è nato da un errore (confusione tra Schrödinger e Turing). È diventato il concetto centrale del libro. Malapropismo generativo.

"Knowledge-menth" è nato da un errore di dettatura vocale. È diventato strumento concettuale.

Se trovate errori:

Da correggere → segnalateli

Produttivi → sviluppateli

Gli errori non sono tutti uguali. Alcuni sono rumore. Altri sono segnale.

Nota 4: Sul futuro (e sull'obsolescenza programmata)

Questo libro sarà obsoleto. Forse tra cinque anni. Forse tra due.

L’IA evolve più velocemente dei libri. Nuove generazioni di modelli cambieranno le carte in tavola. Nuove architetture emergeranno. Alcuni limiti si sposteranno; altri si riveleranno dove non li aspettavamo.

Ma alcune domande resteranno:

Come convivere con l'alterità radicale?

Cosa significa fiducia quando l'altro non ha interiorità?

Come preservare l'umano senza cadere nell'antropocentrismo?

Dove tracciare il confine tra delega e dipendenza?

Come mantenere agency quando il pre-pensiero è colonizzato?

Le risposte cambieranno. Le domande no.

Questo libro non offre soluzioni definitive — offre una grammatica per formulare domande migliori. E le domande invecchiano meglio delle risposte.

Nota 5: Sul metodo (e sull'onestà intellettuale)

Questo libro è stato scritto usando l'IA.

Non come co-autore — termine ambiguo e pericoloso. Ma come strumento di pensiero.

Come Montaigne usava la sua biblioteca per dialogare con i classici, io ho usato Claude per dialogare con i concetti.

Tutte le tesi, gli errori, le intuizioni, le metafore sono mie. L'IA è stata specchio, non autore. Ma uno specchio intelligente insegna a vedere meglio.

È importante dirlo, non per difendermi, ma per onestà.

Se questo libro parla di fiducia, trasparenza, rapporto critico con l'IA, sarebbe ipocrita nascondere come è stato scritto.

Obiezioni previste:

"Allora non vale" → No. Non vale meno perché ho usato l'IA, come non vale meno un libro scritto con un computer invece che a mano.

"Allora chiunque poteva farlo" → No. L'IA amplifica le capacità, non le crea. Se non hai una visione, l'IA non te la dà. Ti dà solo prosa vuota, ben formattata.

L'IA come camera obscura: Non capisco completamente come funziona, ma attraverso la sua rifrazione vedo diversamente. E da quella visione diversa nasce il libro.

Nota 6: Ringraziamenti (impliciti ed espliciti)

Molte idee in questo libro nascono da conversazioni.

LinkedIn, conferenze, email, messaggi casuali. Alcune persone sono citate esplicitamente. Molte no.

A tutti coloro con cui ho discusso questi temi negli ultimi anni: grazie.

Le idee non nascono nel vuoto. Nascono nell'attrito produttivo del dialogo.

Ringraziamenti espliciti:

Massimo Chiriatti — per il framework del Sistema Zero, per le conversazioni che hanno sfidato ogni mia certezza

Giuseppe Riva — per la ricerca scientifica rigorosa che sostiene il Sistema Zero, per aver trasformato intuizioni in scienza

Marianna Ganapini, Enrico Panai e Mario Ubiali — per il lavoro con Chiriatti e Riva su Nature Human Behaviour che ha dato forma alla proposta del Sistema Zero.

Tutti i ricercatori che lavorano su questi temi con rigore e onestà intellettuale, resistendo all'hype e alla banalizzazione

Ringraziamento personale:

"A Keats, Wittgenstein e Vermeer, per averci insegnato a vedere nell'oscurità, e anche a mia figlia, che mi insegna ogni giorno il valore dell'esitazione." — Dal libro

Cinque minuti per scegliere un cucchiaino. Inefficiente, gloriosamente umano, essenziale. Dynamis pura.

Nota 7: Sulla compatibilità imperfetta

Questo libro ha un difetto strutturale, e lo sappiamo.

Oscilla tra registri troppo diversi:

Filosofico e pragmatico

Poetico e tecnico

Deleuze e design thinking

Heidegger e checklist operative

Alcuni lettori vorranno solo la teoria. Altri solo la pratica. Molti si chiederanno: "Ma dovevo leggerlo tutto?"

La risposta è no. Non dovevi.

Questo libro è rizomatico anche nella sua lettura. Puoi entrare da qualsiasi punto, saltare le parti che non ti servono, tornare indietro quando necessario.

Non c'è un percorso obbligato.

Se sei un manager e hai saltato le parti su Heidegger → va bene

Se sei un filosofo e hai saltato le checklist operative → va bene

Se hai letto solo i capitoli dispari perché ti piaceva il numero → boh, strano, ma va bene anche quello

L'unica cosa che conta: che tu abbia trovato, da qualche parte in queste pagine, qualcosa che ti ha fatto pensare diversamente. Anche solo per un momento.

Perché questo libro non vuole convincerti di nulla. Vuole solo che ti fermi, per un attimo, e ti chieda:

"Sto pensando con la mia testa o con il pattern che mi aspetto?"

Se ci sei riuscito anche solo una volta, il libro ha funzionato.

Nota 8: L'ultima parola al Gatto

Il Gatto di Turing, dalla sua scatola quantistica, fa le fusa.

O forse miagola.

O forse entrambe le cose contemporaneamente.

Non sappiamo. Non dobbiamo saperlo. È giusto così.

La sovrapposizione non è paralisi. È fertilità.

Quando tutto è possibile, tutto può ancora accadere.

Abbiamo attraversato questo libro insieme:

Io scrivendo

Tu leggendo

L'IA riflettendo

Tre entità in sovrapposizione: autore, lettore, strumento.

E in questa sovrapposizione qualcosa è emerso che nessuno di noi tre avrebbe prodotto da solo.

Non è magia. È semplicemente come funziona il pensiero quando smette di cercare il controllo totale e accetta di essere, per un momento, attraversato da qualcos'altro.

Il Gatto approverebbe.

O forse no.

O forse entrambe le cose.

E questo, forse, è abbastanza.

Post Scriptum: Non è mai troppo tardi

Il maestro Manzi, negli anni '60, insegnava agli italiani adulti a leggere e scrivere attraverso la TV. Il suo programma si chiamava "Non è mai troppo tardi".

Era un atto di fede pedagogica — credere che tutti potessero imparare, a qualsiasi età, con qualsiasi background.

Forse non è troppo tardi neanche per noi.

Per imparare a convivere con l'alterità radicale dell'IA.

Per navigare la perplessità senza cercare di risolverla.

Per abitare la sovrapposizione senza forzare il collasso.

Per scegliere il cucchiaino con cura, perdere tempo deliberatamente, resistere all'ottimizzazione con la semplice, scandalosa arma della lentezza.

La risposta che non c'è? Questo libro non ha risposte. Non potrebbe averle.

Le risposte sono collassi di possibilità, e noi vogliamo restare nella sovrapposizione.

Ma ha domande. Molte domande. Domande che restano aperte come la scatola del Gatto di Turing, che non collassano in certezze, che proliferano rizomaticamente in tutte le direzioni.

This section in English