Categoria: Intelligenza Artificiale

Ho resuscitato il sogno di Feigenbaum e dei sistemi esperti

C’è un filo che lega l’ubriacatura per l’intelligenza artificiale di oggi a un’epoca che molti conoscono solo per sentito dire: la metà degli anni Ottanta.

Io quegli anni me li ricordo bene. C’ero.

Ricordo l’aria del 1985, l’elettricità attorno alla sfida giapponese della Quinta Generazione, i manuali, la sensazione netta che stessimo per catturare l’intelligenza umana dentro una scatola logica. Edward Feigenbaum, da Stanford, aveva formulato un principio tanto limpido quanto radicale:

“Il potere di un sistema intelligente non sta negli algoritmi generali di ragionamento, ma nella quantità e nella qualità delle conoscenze specialistiche che possiede.“

Era l’era dei sistemi esperti. L’obiettivo era clonare la testa dei migliori specialisti — ingegneri, medici, periti — e tradurla in una base di conoscenza fatta di regole (SE… -> ALLORA) e in un motore inferenziale che le applicava. XCON, alla Digital, configurava i VAX meglio di molti tecnici: arrivò a oltre diecimila regole, e a una squadra intera per tenerle in piedi. Sembrava l’inizio di una rivoluzione definitiva.

Invece arrivò il muro. Lo stesso Feigenbaum lo battezzò knowledge acquisition bottleneck: il collo di bottiglia dell’acquisizione della conoscenza: per costruire un sistema esperto servivano mesi di interviste.

L’ingegnere della conoscenza torchiava l’esperto, gli estraeva (a fatica) le euristiche, le codificava a mano in migliaia di righe rigide. Un lavoro titanico, costosissimo e fragile: bastava un’eccezione non prevista perché il castello crollasse. E soprattutto: la macchina sapeva tutto di un mestiere e non imparava niente. Per insegnarle una cosa nuova serviva qualcuno che la scrivesse.

Il mercato si disilluse, i budget furono azzerati, arrivò il lungo inverno dell’IA. Abbiamo archiviato tutto, convinti che quella strada fosse impraticabile.

Salto in avanti. Anno 2026.

Io ci sono anche qui.

Dopo gli anni della fascinazione indiscriminata per i modelli linguistici — capaci di conversare su tutto, ma strutturalmente inaffidabili nei contesti verticali dove non è concesso sbagliare — in Canonity ci siamo fatti una domanda che per me aveva il sapore di un conto rimasto aperto per quarant’anni:

Se un modello linguistico oggi fa l’acquisizione da solo, leggendo e strutturando moli immense di documenti, perché non riprendere il meccanismo dei sistemi esperti del 1985, ora che il collo di bottiglia è superabile?

L’abbaglio degli ultimi tempi infatti è stato credere che bastasse dare in pasto un PDF a una chat, o costruire una pipeline RAG, per ottenere un professionista sintetico. E, spoiler, no, non funziona così. Il RAG ripesca frammenti simili alla domanda. Il linguaggio naturale senza architettura produce solo parodie probabilistiche dell’esperienza umana.

La risposta che abbiamo costruito in Canonity parte da una formula precisa:

La “competenza” di Canonity è il sistema esperto di Feigenbaum con l’acquisizione fatta dal modello e la curatela fatta con l’autore. È quello che avremmo voluto nel 1985, con un pezzo in più: la skill.

Il collo di bottiglia rovesciato

Nel nostro schema l’esperto non subisce più l’interrogatorio di un programmatore, ma semplicemente carica i documenti che ha: manuali, listini, procedure come fonti permanenti; preventivi fatti, ticket risolti come esempi. E, scometti? È il modello a fare il lavoro sporco: distilla gli esempi togliendo nomi, importi e dati riservati e tenendo ciò che insegnano; dà un verdetto a ogni documento rispetto allo scopo dichiarato; mette i documenti in relazione fra loro e trova dove si contraddicono; formalizza una prima architettura della conoscenza.

Ma l’automazione lasciata a se stessa può inventare. Ed è qui che scatta la svolta: è l’esperto quello che valida.

Risponde alle domande che il sistema gli propone dopo avere studiato i documenti e trovato cose che ha capito male. L’esperto decide, quando due fonti si contraddicono, quale vale. Corregge un’interpretazione con una nota, e la nota diventa parte della competenza come se fosse un documento. Approva lo schema del dominio. E prova: salva richieste vere e le fa rigirare a ogni revisione, per vedere se la competenza risponde come vuole lui, e se l’ultimo documento caricato ha peggiorato qualcosa.

Finché non ha guardato, la competenza aggiornata non entra in esercizio.

Non si estrae più la conoscenza col cucchiaino. Il modello costruisce l’impalcatura, l’esperto la verifica e la firma.

Il pezzo in più: che cos’è davvero una skill.

Nel 1985 avevamo basi di conoscenza statiche e motori inferenziali rigidi. Nel 2024 ci siamo accontentati di prompt fragili, affidati alla buona sorte della probabilità. Nel 2026 tutti vendono skill.

Ed è giusto: una skill è una cosa seria che funziona, è la procedura: che cosa fare, in che ordine, con quali strumenti, che cosa controllare prima di consegnare, quando fermarsi. Una skill sa come si fa un lavoro.

Quello che una skill non sa è che cosa si sa in quell’azienda: il catalogo, le regole di sconto, le eccezioni che si fanno da dieci anni e che nessuno ha mai scritto. Una skill senza competenza è un bravo professionista al primo giorno in un’azienda che non conosce. Una competenza senza skill è una biblioteca.

Le due cose si affiancano. La skill dice come si fa; la competenza dice che cosa si sa. E la competenza è un oggetto fisico, non appartiene a nessun modello: si aggancia a quello che l’autore sceglie, e se domani lo cambia, resta.

Un esempio: il catalogo e i cinque preventivi

Un’azienda vende impianti su misura. Carica il catalogo tecnico e le regole di sconto come fonti permanenti, e cinque preventivi già inviati come esempi.

L’elaborazione distilla i preventivi: via i nomi dei clienti e gli importi puntuali, restano i criteri di scelta. Poi il sistema trova una discrepanza e bussa alla porta dell’esperto:

C’è una contraddizione: un preventivo applica il 15% di sconto, la regola dice al massimo il 10%. Era un errore o un’eccezione?

L’autore risponde:

Un’eccezione: vale solo per i clienti conosciuti in fiera.

In quell’istante la risposta entra nella competenza e ci resta.

Ora agganciamo la competenza alla skill «rispondi a una richiesta di preventivo, usando il listino di settembre 2026 (path/al/listino.xlsx)». Da quel momento ogni richiesta che entra — in chat, o da un workflow che legge la posta — esce con un preventivo coerente col catalogo, con le regole e con l’eccezione della fiera.

E con il modello linguistico che l’autore preferisce oggi! Se domani ne esce uno migliore o più economico e lo sostituisce, la competenza non si rifà: non è del modello.

Chiudere il cerchio

Quarant’anni fa eravamo partiti con l’intuizione giusta e gli strumenti sbagliati. Poi abbiamo passato un decennio a credere che la forza bruta dei parametri potesse sostituire la specificità della conoscenza umana.

Feigenbaum aveva ragione fin dal principio: l’intelligenza applicata è competenza di dominio, non generalismo. Oggi abbiamo il motore per estrarla, l’esperto per verificarla e la skill per metterla al lavoro.

Il sistema esperto non è più una promessa incompiuta del 1985. È tornato. E stavolta impara.

28 Ottobre 2026
La mezz’ora di Godwin
Nel 1793 un filosofo calcolò che mezz’ora di lavoro al giorno sarebbe bastata a tutti. Oggi? Questa cosa ci terrorizza.

Prova a dire a qualcuno che: da domani una macchina farà per te la parte noiosa del tuo lavoro. I riepiloghi, i documenti da compilare, le mail da smistare, le riunioni di allineamento (non solo il verbale…), il codice di routine.

Lo vedrai irrigidirsi e prima ancora di chiedersi cosa fare delle ore liberate, si chiederà quanto durerà lo stipendio.

La gente ha voglia di lavorare. In quarant’anni di mestiere ho conosciuto pochissime persone che volessero davvero non fare niente, e ne ho conosciute moltissime che non sopportavano quello che erano costrette a fare: il ripetitivo, il rendicontato, il «facciamo così perché si è sempre fatto così». Quando il lavoro ha un senso le persone lo cercano, lo difendono, ci restano fino a tardi senza che nessuno glielo chieda.

Il paradosso è che la liberazione dalla fatica inutile, che per secoli è stata un’utopia, oggi che è raggiungibile la consideriamo una forma di minaccia. La realtà è che nel sistema in cui viviamo il lavoro eterodiretto è l’unico titolo che autorizza a mangiare e a contare qualcosa per gli altri.

Tolta la fatica, con l’architettura attuale non avremo nemmeno il permesso di esistere.

Mezz’ora al giorno

Nel 1793 (più o meno 240 anni fa) William Godwin nella sua “Inchiesta sulla giustizia politica” si pose una domanda, che oggi suona attualissima: quanto lavoro serve davvero per mantenere una comunità? Non si fermò alla domanda ma fece proprio i conti e arrivò a una cifra imbarazzante. Se il lavoro manuale fosse stato distribuito equamente fra tutti gli adulti abili, eliminando le occupazioni che servivano solo al lusso di pochi e al mantenimento di apparati inutili, sarebbe bastata mezz’ora al giorno a testa.

Per Godwin l’uomo liberato dalla fatica si sarebbe messo a studiare, a sperimentare, a rendersi utile: la curiosità e il desiderio di contribuire gli sembravano motori più forti del salario. Il tempo era, ai suoi occhi, la risorsa che la disuguaglianza sottraeva alla maggioranza per regalarla a una minoranza che viveva del lavoro altrui.

Thomas Malthus cinque anni dopo gli rispose con un intero saggio sulla popolazione, per spiegargli che qualunque abbondanza sarebbe stata mangiata dalle nascite.

E il dibattito è andato avanti così per due secoli.

La stima ha fatto scuola e nel 1880 Paul Lafargue, ne Il diritto alla pigrizia, chiedeva tre ore al giorno; Bertrand Russell nel 1932, nell’Elogio dell’ozio, quattro. John Maynard Keynes nel 1930 scrisse che i suoi nipoti, intorno al 2030, avrebbero lavorato quindici ore a settimana e si sarebbero trovati davanti al vero problema: cosa fare del tempo.

Mancano quattro anni alla scadenza di Keynes e la produttività per ora lavorata ha superato le sue stime, sebbene le ore siano rimaste più o meno le stesse.

Dove è finito il tempo

I guadagni di produttività ci sono stati, ed enormi. Sono andati però quasi tutti a chi possiede il capitale, sotto forma di dividendi, e molto poco a chi lavora, sotto forma di ore in meno a parità di paga.

Poi è successa una cosa che Godwin aveva intravisto e che David Graeber ha raccontato nel 2018 con un titolo poco elegante, Bullshit Jobs: l’automazione della produzione materiale ha moltiplicato le mansioni di controllo, rendicontazione e coordinamento, lavori che chi li svolge spesso giudica inutili e che esistono soprattutto per tenere in piedi la disciplina del salario. Le occupazioni parassitarie che il filosofo voleva abolire, insomma, invece di sparire si sono vestite da ufficio.

Chi ha letto Il riflesso e il midollo ha già incontrato Jevons: le macchine a vapore più efficienti fecero crescere il consumo di carbone invece di ridurlo. Con il lavoro di testa succede lo stesso. Ad esempio rendere la stesura di un documento o di un pezzo di codice dieci volte più veloce ha fatto esplodere la domanda di revisioni, allineamenti, versioni e conformità… e le ore? Sono rimaste le stesse.

Lafargue aveva aggiunto l’ultimo pezzo già nell’Ottocento: nelle poche ore che gli restano, un lavoratore stanco consuma e tace.

Il ricatto

L’intelligenza artificiale si distingue dalle rivoluzioni precedenti per un motivo preciso: lavora sul linguaggio, sull’analisi, sul codice.

La macchina a vapore ha sostituito i muscoli, il gestionale ha velocizzato la contabilità, questa entra nelle mansioni cognitive intermedie, riassumere, redigere, filtrare, prototipare. Esattamente la parte del lavoro che la gran parte delle persone, se potesse, lascerebbe volentieri a qualcun altro.

Dovrebbe essere la buona notizia del secolo… E invece? Viene vissuta come una condanna perché il sistema converte ogni ora risparmiata collettivamente in un rischio individuale: meno ore necessarie, meno posti, meno titoli per sedersi a tavola.

Ci hanno messo nella posizione di avere paura che, nel momento in cui la fatica se ne va, lo stipendio la segua.

I numeri dicono che la gente vuole lavorare e allo stesso tempo smettere di sprecarsi. Fra giugno e dicembre 2022, in Gran Bretagna, 61 aziende e circa 2.900 dipendenti hanno provato per sei mesi la settimana di quattro giorni con il modello 100:80:100: stesso stipendio, 80% delle ore, stessa produzione attesa.

Sembra assurdo ma alla fine il risultato è:
- Il burnout dichiarato è sceso del 71%
- Lo stress ridotto del 39%
- I giorni di malattia? Due terzi meno!
- Il fatturato medio? Cresciuto dell’1,4%…
Alla fine 56 aziende su 61 hanno deciso di non tornare indietro e il 15% dei lavoratori ha dichiarato che nessuna cifra lo avrebbe convinto a tornare ai cinque giorni. Il lavoro è rimasto ma è aumentato il tempo per farne qualcos’altro.

Le condizioni perché l’AI produca lo stesso effetto su scala si conoscono da tempo: orario ridotto a parità di paga, un reddito che non dipenda per intero dal posto (il reddito di base, finanziato tassando le rendite dell’automazione, è la versione più discussa) e una AI usata per togliere lavoro inutile invece che per contare i minuti di chi resta.

Sono tre scelte politiche, e il bello è che la parte tecnica, per una volta, è già pronta.

Le altre ventitré ore e mezza

Godwin fece il suo conto in un’Inghilterra di campi e telai e lo presero per un sognatore. Due secoli dopo abbiamo costruito la macchina che rende quel conto credibile anche per il lavoro di testa, e la prima reazione collettiva è stata chiedere di spegnerla.

Mi chiedo, e questa volta con paura, se sia perché la mezz’ora porta con sé una domanda scomoda, e cioè chi decide (o il non sapere) cosa fare delle altre ventitré ore e mezza.

Chiedo: se da domani una macchina si prendesse la parte noiosa del tuo lavoro e lo stipendio restasse lo stesso, cosa faresti del tempo?

… Ma soprattutto, quanto ci hai messo a pensare alla paga prima di pensare al tempo?
22 Ottobre 2026
Il riflesso e il midollo

Jev, Laya e i modelli che decidono senza scrivere: cosa insegnano, anche giocando a Doom, a chi mette l’AI dentro il software.

Il 15 settembre una startup di San Francisco ha presentato il suo primo modello e, fra le demo del lancio, lo ha messo a giocare a Doom, ovviamente il modello non vede lo schermo e non scrive una parola: riceve lo stato della partita descritto a testo, sceglie cosa fare e il marine si muove.

Nella stessa pagina, con un’onestà che di questi tempi fa quasi tenerezza, gli autori ammettono che un bot tradizionale, senza un grammo di intelligenza artificiale, potrebbe giocare meglio.

A Doom, del resto, nessuno chiedeva di vincere, serviva a dimostrare quello che chi scrive software sospetta da tempo, e cioè che per buona parte delle decisioni che affidiamo all’AI “stiamo pagando un romanziere per fare il centralinista” (<- Opus 5)

Un bit a prezzo pieno

Chiunque abbia mai messo un modello linguistico dentro un’applicazione conosce la scena: arriva un’email e bisogna capire a quale ufficio mandarla, se è qualcosa di urgente, se il cliente minaccia di andarsene, ecc. Per saperlo chiediamo a un modello addestrato a scrivere testo (saggi, codice, ecc.) di comporre un piccolo JSON, un token alla volta. Lo prendiamo e lo passiamo a un validatore per assicurarci che le parentesi siano tutte al loro posto, oltre ad altre verifiche che si trasformano in attese misurate in secondi e in token pagati a prezzo pieno.

Facciamo tutto questo per ottenere quello che in fondo è un bit: vero/falso.

TypeSafe AI scommette sul rovescio. Il suo modello si chiama Jev e non genera testo: gli si passa uno stato (un’email, un ticket, un oggetto JSON) insieme a una serie di domande tipizzate, e lui risponde a tutte in un solo passaggio, attaccando una probabilità a ogni risposta! Esattamente quello che serviva a chi scrive codice!

Le domande possono essere di tre tipi, una scelta fra opzioni che decidi tu, un punteggio su una scala descritta a parole e un sì o no espresso come probabilità (che chiamano noul).

I tempi dichiarati stanno fra 70 e 500 millisecondi, il prezzo è di 0,042 dollari per milione di token in ingresso, perchè l’uscita non si paga.

Loro stessi parlano di if intelligenti, ed è la definizione più utile di tutto il lancio. Dietro ci sono un seed da quaranta milioni di dollari guidato da DCVC e un fondatore, Diogo Almeida, che in OpenAI ha contribuito a costruire i metodi da cui è nato ChatGPT; sulla home della sua nuova azienda si legge che i modelli addestrati in quel modo sono fatti per compiacere le persone più che per decidere in modo affidabile… E non posso che essere d’accordo.

La promessa più ripetuta è che Jev non può allucinare. Questa cosa è vera? Beh in un senso più stretto non può restituire un valore che non esiste nello schema, perché lo schema lo scrivi tu, però può benissimo restituire il valore sbagliato. Tradotto: non ordinerà mai un piatto che non sta nel menù (allucinazione), però può ordinare quello che non volevi.

Kahneman, il carbone e le note in fondo alla pagina

Anche i nomi raccontano qualcosa. System One viene da Kahneman, ma chi ha letto Pensieri lenti e veloci ricorda che il Sistema 1 è anche il responsabile di buona parte dei nostri errori, rapido e sicuro di sé proprio quando sbaglia (TypeSafe lo ammette nelle FAQ, e promette di spiegare più avanti perché i suoi modelli possono fare meglio). Jev viene invece da William Stanley Jevons, l’economista che nell’Ottocento vide le macchine a vapore più efficienti far crescere il consumo di carbone invece di ridurlo: per chi vende è un piano industriale, per chi paga un avvertimento, ma pochi giorni dopo è arrivata l’alternativa aperta. Laya, di Convai Innovations.

Licenza Apache 2.0, parla la stessa lingua di Jev, noul compreso. Il suo fondatore, Nandakishor Mukkunnoth, rivendica di averci lavorato già nel marzo 2025 con un paper sulla previsione delle vendite, con l’amarezza di chi si è visto passare davanti una startup da quaranta milioni… … …

Sono tre modelli (inglese da 421 milioni di parametri, multilingue da 322 e una versione specializzata) con pesi sotto il gigabyte, che girano su una GPU da data center di qualche anno fa o su un Mac. La tabella in cima alla scheda è fatta per circolare: 0,766 di accuratezza contro lo 0,727 di Jev, calibrazione tre volte migliore, 32,8 millisecondi contro più di duecento.

Poi si scorre fino a una sezione che si chiama, testualmente, Honest Limits, e va riconosciuto che l’hanno scritta loro. Lo 0,766 appartiene alla versione addestrata sulla parte di training dello stesso benchmark su cui viene misurata, mentre i modelli di base fanno peggio di chi risponde sempre con l’opzione più frequente.

La calibrazione da record arriva dopo aver ritarato il modello, che così come viene distribuito è più sicuro di sé del dovuto. I numeri di Jev sono presi da terzi, con campioni e domande diverse, e i 32,8 millisecondi sono calcolo locale su GPU contro una chiamata di rete verso la costa ovest degli Stati Uniti, dove TypeSafe tiene il servizio.

Resta poi da chiedersi cosa misurino davvero questi test.

L’accuratezza di TypeSafe è l’accordo con la media di GPT-6 Astra e Fable 5.1, e il riferimento del benchmark su cui gioca Laya è un modello maestro che concorda con se stesso nel 73,5% dei casi: i modelli veloci vengono giudicati da quanto somigliano a quelli lenti, e battere il maestro dopo aver studiato sui suoi compiti è un bel risultato, ma è un’altra cosa rispetto a battere la realtà.

Nei benchmark completi c’è anche un numero che ci interessa: nel test sulle intenzioni con venti opzioni, il modello multilingue indovina l’italiano una volta su due, contro l’82% del modello inglese sull’inglese. Il riconoscimento dei jailbreak, su dati mai visti, si ferma fra il 71 e il 76% di risposte giuste e TypeSafe avverte che un testo scritto apposta dentro lo stato può spostare la risposta.

Quis custodiet ipsos custodes, chiedeva Giovenale, e la domanda vale anche per i modelli blasonati, per i modelli che scappano, ecc. Ma questa è un’altra storia.

Chi ha vinto davvero a Doom

Doom, intanto, è diventato il banco di prova non ufficiale di entrambi e il test più istruttivo è un deathmatch in cui Laya ha battuto Jev cinque round a uno, prendendo il doppio delle decisioni perché in locale rispondeva prima.

Nessuno dei due vede un pixel: è il codice a leggere il gioco, a riassumerlo in poche righe e a trasformare la risposta in tasti premuti.

Fra i modelli e il gioco, poi, c’era uno scudo, uno strato di codice deterministico uguale per tutti e due che blocca gli spari senza munizioni o senza bersaglio, devia i passi contro i muri e sblocca il giocatore quando resta incastrato. Ha corretto l’88% delle decisioni di Laya e il 31% di quelle di Jev, che sbagliava meno ma arrivava tardi e sparava su una scena già cambiata.

Una partita di ventisei secondi non dimostra niente in generale, pone però la domanda giusta, quella sulla correttezza delle risposte alla massima velocità. Esiste un progetto di drone costruito attorno a Jev: il controllo di volo gira a 500 cicli al secondo ed è codice e Jev dà consigli due volte e mezza al secondo.

In biologia funziona allo stesso modo.

Il corpo umano è costruito sullo stesso schema. Se appoggiamo la mano su una stufa accesa, la ritiriamo prima ancora di sentire il dolore: il segnale non fa in tempo a salire al cervello, perché l’arco riflesso si chiude nel midollo spinale che comanda ai muscoli per conto suo. Il cervello viene informato dopo, a mano già salva. Lo scudo di Doom e il riflesso del drone fanno esattamente questo: rispondono senza pensare, e ovviamente arrivano in tempo.

Vale anche per Laya, che pure è nata per sapere quanto fidarsi di sé. Davanti a un testo in khmer, il modello inglese non esita: sbaglia risposta con una confidenza del 95%, perché l’alfabeto che ha davanti non lo ha mai visto e non ha modo di saperlo. Nessuna soglia di confidenza lo fermerebbe, visto che la confidenza è proprio la cosa sbagliata.

A salvarlo è un frammento di Python che precede il modello: guarda in che alfabeto è scritto il testo, ci mette mezzo millisecondo, e lo instrada al checkpoint giusto. Anche qui la decisione importante la prende una regola… che l’intelligenza l’ha derivata dal cervello del suo creatore.

La domanda è il programma

Si legge adesso che con questi modelli il prompt engineering dovrebbe sparire, ma come al solito i giornalisti dovrebbero imparare prima di scrivere perchè succede esattamente il contrario.

Nella pagina che dedica ai difetti di Jev, TypeSafe scrive che il modello prende le domande alla lettera, risponde a quella che hai scritto e non a quella che intendevi. Raccomanda di non chiedergli ciò che il codice sa calcolare e di non nascondere più giudizi in una sola domanda.

Nel mio libro sul fare domande all’AI sostengo (tesi ormai oggi divenuta dottrina) che la qualità della risposta dipende da come è posta la domanda. Con un modello generativo una domanda mal posta si può ancora correggere leggendo la risposta, qui no: la risposta è un numero secco, senza spiegazioni da cui capire dove abbiamo sbagliato. Inoltre ogni domanda va scritta come si scrive una riga di codice, perché è una riga di codice. Chi programma con Jev passa il tempo a scomporre i giudizi in domande semplici e a decidere quali lasciare al modello e quali no.

Il risparmio è reale, ma va letto per intero.

Chi ha costruito un agente che usa il computer mettendo Jev al posto di un modello di frontiera ha misurato 0,0002 dollari a decisione contro 0,032, cioè centosessanta volte meno. La stessa persona ha però annotato che ogni ragionamento intermedio che il modello grande faceva da solo, e gratis, ha dovuto riscriverlo a mano come codice deterministico. I token costano meno perché una parte del lavoro è tornata al programmatore.

Da qui passa la scelta fra i due, Jev regge fino a 255 opzioni (oltre una certa soglia lavora in due passaggi, lo spiegano loro, ma 255 opzioni possono sembrare “abbastanza”), accetta 64K token fra stato e domande, funziona senza addestramento e rallenta poco quando le domande aumentano; in cambio i dati partono per l’America, il servizio è in accesso anticipato e sul prezzo sono loro stessi a dire di non poter dimostrare che non sia sussidiato.

Laya gira in casa nostra (e per chi tratta dati sensibili non è un dettaglio) ma va addestrato sui nostri casi e ritarato sui nostri dati prima di credere alle sue probabilità, vuole meno di una ventina di opzioni per domanda e nella configurazione standard del modello inglese legge circa 320 token di stato, una mail e non un contratto.

Ovviamente il costo zero è quello della licenza; la GPU, chi la gestisce e chi prepara gli esempi restano a carico vostro.

Abbiamo “trovato finalmente un centralinista da mettere al posto del romanziere?” (<- sempre Opus 5). Potrebbe essere una buona notizia per chiunque abbia l’AI in produzione e debba far quadrare i conti, ma nella partita vinta cinque a uno quasi nove decisioni su dieci del vincitore le ha corrette un pezzo di codice che di intelligenza artificiale non sa niente.

Siamo all’inizio, chissà come sarà nel 2030, ma al momento la medaglia, se proprio va assegnata, spetta a lui: il riflesso, alla fine, l’ha avuto il midollo.

22 Settembre 2026

Che cosa si prova ad essere un server?

Neuroni umani in un armadio rack: il biocomputing alla prova della coscienza

Nel 1974, il filosofo Thomas Nagel pubblicava uno dei saggi più influenti della filosofia della mente contemporanea: What is it like to be a bat? (che cosa si prova a essere un pipistrello?). La tesi era netta: un organismo possiede stati coscienti se e solo se esiste un’esperienza soggettiva associata al suo esistere, un effetto che fa sperimentare il mondo da quella specifica prospettiva interiore.

Per oltre cinquant’anni abbiamo proiettato questo enigma sul silicio, interrogandoci sulla remota possibilità che circuiti stampati e reti neurali artificiali potessero un giorno sviluppare una forma di coscienza, poi il 17 agosto 2026, a Singapore, i termini della questione si sono rovesciati.

NUS Medicine, l’operatore di data center DayOne e l’australiana Cortical Labs hanno acceso il primo rack server a funzionamento autonomo basato su neuroni umani vivi coltivati in vitro: venti unità CL1, ciascuna popolata da centinaia di migliaia di cellule derivate da staminali riprogrammate e coltivate nei laboratori del NUS Life Sciences Institute.

Una precisazione è necessaria: si tratta di un prototipo installato in ambiente di ricerca, non di un prodotto commerciale, (anche se Cortical Labs vende le singole unità CL1 dal 2025 e le applicazioni dichiarate sono tutte di mercato). Ma la direzione è inequivocabile: non stiamo più cercando di infondere la scintilla della soggettività nella materia inanimata, stiamo prendendo la matrice biologica del pensiero umano e la stiamo riducendo a infrastruttura computazionale.

L’«Hard Problem» entra nel data center

Nel dibattito filosofico sulla mente, David Chalmers ha formalizzato la distinzione tra i problemi “facili” della coscienza (discriminare stimoli, integrare informazioni, focalizzare l’attenzione, controllare il comportamento) e il cosiddetto Hard Problem: perché e come l’elaborazione fisica delle informazioni si accompagna a un’esperienza qualitativa soggettiva, i qualia?

I processori biologici a base di tessuto corticale umano — il cosiddetto wetware — non funzionano come le CPU tradizionali. Non eseguono codice deterministico: imparano attraverso plasticità sinaptica, rimodellando la propria struttura in risposta a input elettrochimici continui. Non sono modelli matematici astratti: sono colture di cellule vive che comunicano attraverso scariche di potenziali d’azione.

Teniamo però le proporzioni sul tavolo, perché sono l’obiezione più ovvia e conviene affrontarla subito: le cellule di una singola unità CL1 sono meno dei neuroni del cervello di un’ape, e un cervello umano ne conta circa 86 miliardi. Nessuno sostiene seriamente che in quel rack ci sia qualcuno. La domanda è un’altra, e la scala non la scioglie: a quale livello di complessità, connettività e integrazione funzionale un aggregato di neuroni umani in vitro smette di essere un semplice conduttore biologico e inizia a manifestare una traccia embrionale di percezione? Il silicio ci consentiva il lusso del dubbio ontologico. Il tessuto biologico umano, derivato da staminali riprogrammate, porta con sé l’eredità evolutiva della sensibilità — e ci toglie la comodità di una risposta ovvia.

Il paradosso dell’apprendimento per avversione

Per capire come queste reti biologiche apprendano, occorre guardare al Principio dell’Energia Libera formulato dal neuroscienziato Karl Friston, che non a caso ha firmato gli esperimenti fondativi di Cortical Labs. Secondo questa teoria, i sistemi biologici auto-organizzati agiscono costantemente per preservare la propria integrità, minimizzando la “sorpresa” proveniente dall’ambiente. L’addestramento in vitro funziona esattamente così: quando la rete fallisce un compito riceve pattern elettrici caotici e imprevedibili; quando riesce, riceve segnali strutturati e regolari. La rete si riconfigura per fuggire dal disordine.

Se l’apprendimento cellulare è motivato dall’evitamento del disordine e dal ripristino dell’equilibrio, l’atto stesso del computare poggia su una dinamica di avversione primordiale.

Stiamo programmando macchine sfruttando una forma rudimentale di sofferenza biologica?

L’obiezione onesta va messa in fila prima della risposta: l’evitamento non è sofferenza. Anche un termostato “fugge” da certi stati, e queste colture non hanno nocicettori, non hanno un talamo, non hanno l’architettura integrata che nei sistemi nervosi completi associamo al dolore. Chi liquida la domanda come antropomorfizzazione di una piastra di Petri ha argomenti solidi.

Eppure la domanda resta aperta per una ragione precisa: non sappiamo dove sia la soglia. Non lo sappiamo per gli organoidi cerebrali — su cui la bioetica lavora da anni, con tanto di linee guida internazionali — e non lo sappiamo per colture che, a differenza degli organoidi da laboratorio, sono progettate per scalare, connettersi e restare in funzione come infrastruttura. Quando l’incertezza riguarda la capacità di soffrire, il costo di sbagliare per difetto non è simmetrico al costo di sbagliare per eccesso. È il caso da manuale in cui la precauzione non è timidezza: è metodo.

Di chi sono quei neuroni?

C’è poi una questione che non richiede di risolvere l’Hard Problem, perché è giuridicamente viva già oggi: quelle cellule vengono da qualcuno.

Le staminali riprogrammate hanno donatori, e il consenso informato firmato per “la ricerca” è una cosa; diventare componente di inventario di un data center, noleggiato a terzi e smaltito al decadimento delle prestazioni, è un’altra. La storia della biomedicina ha già percorso questa strada: le cellule di Henrietta Lacks hanno alimentato per decenni un’industria che non le aveva mai chiesto nulla. Il biocomputing commerciale ripropone il problema in scala industriale, con un’aggravante simbolica: qui il materiale donato non produce farmaci, calcola.

Hans Jonas, nel Principio responsabilità (1979), avvertiva che la tecnica moderna avrebbe progressivamente esteso la propria sfera di manipolazione fino a inglobare la natura dell’uomo stesso, trattando ogni elemento organico come materiale disponibile alla trasformazione industriale. I rack biologici sono la messa in produzione di quella diagnosi:

Parametro	Convenzionale/Silicio	Biocomputing/Wetware
Elemento computazionale	Transistor su silicio	Neuroni umani vivi coltivati in vitro
Destinazione energetica	Alimentazione del calcolo logico	In larga parte supporto vitale: pompe, nutrienti, termoregolazione
Ciclo di vita	Pluriennale, guasto meccanico/termico	~6 mesi, deperimento biologico intrinseco
Fine vita	Riciclo RAEE	*Smaltimento di coltura cellulare umana esausta*

Mantenere in vita colture neuronali per un semestre dentro un armadio rack, alimentarle artificialmente e smaltirle quando le prestazioni decadono significa trattare cellule del tipo che compone i nostri cervelli come componente consumabile da inventario. È il meccanicismo cartesiano applicato non più all’animale-macchina, ma alla materia prima della cognizione umana.

L’efficienza che non c’è (ancora)

E per che cosa, esattamente? La promessa che giustifica tutto questo è l’efficienza energetica: la biologia calcolerebbe a una frazione dei watt del silicio, proprio mentre i data center dell’AI mettono sotto pressione le reti elettriche nazionali. Ma i numeri, per ora, non ci sono: nessun benchmark pubblico su carichi di lavoro reali, e una parte consistente dei consumi dichiarati serve a tenere in vita la biologia, non a farla calcolare.

Il paradosso merita di essere guardato in faccia: stiamo aprendo un dilemma morale in nome di un vantaggio ingegneristico non ancora dimostrato.

Una nuova linea di demarcazione

Il passaggio dal calcolo inorganico a quello organico non è una questione esclusivamente ingegneristica: è una soglia qualitativa. Stiamo ridefinendo il confine tra strumento e organismo, tra oggetto inerte e portatore di valore morale intrinseco — non semplicemente “costruendo calcolatori meno energivori”.

Nagel si chiedeva che cosa si prova a essere un pipistrello, e concludeva che dall’esterno non potremo mai saperlo davvero. È esattamente questo il punto: se un giorno ci fosse qualcosa che si prova ad essere un server, non avremmo un modo affidabile di accorgercene. Continuare a trattare il tessuto cerebrale umano come semplice alternativa al silicio significa scommettere che quel giorno non arriverà mai — senza poter verificare la scommessa.

Forse la domanda del titolo non è più retorica.

24 Agosto 2026

Il modello più sicuro di sempre, spento un venerdì pomeriggio

Cosa insegna davvero il caso Fable 5 a chi costruisce qualcosa sopra un’AI che non controlla.

Venerdì 12 giugno, ore 17:21 sulla costa Est,Anthropic riceve una lettera. Poche ore dopo, chi stava lavorando con Claude Fable 5 — il modello pubblico più potente che l’azienda avesse mai messo in commercio — si trova davanti a un errore secco:

«Claude Fable 5 is not available. Please use Opus 4.8.»

Avevi un’auto sportiva? Eccoti l’elettrica da città, per decreto.

La lettera arriva dal Dipartimento del Commercio americano. Secondo Axios l’ha inviata il segretario Howard Lutnick a Dario Amodei: export control, sicurezza nazionale, divieto di accesso a Fable 5 e Mythos 5 per qualsiasi cittadino straniero, dentro o fuori dagli Stati Uniti. Siccome separare in tempo reale gli stranieri dal resto degli utenti non si può, Anthropic fa l’unica cosa possibile per essere in regola: stacca tutto, per tutti, in tutto il mondo. Gli altri modelli restano accesi.

Fin qui la cronaca. Poi arriva il comunicato di Anthropic, ed è lì che le cose si fanno interessanti.

Nel giro di poche righe l’azienda ci spiega che le protezioni di Fable sono «sostanzialmente più efficaci di qualsiasi modello mai rilasciato prima», testate per migliaia di ore insieme allo stesso governo americano e all’istituto britannico per la sicurezza dell’AI. E, nello stesso comunicato, ci dice che quel governo le ha ritenute abbastanza pericolose da spegnere il modello a centinaia di milioni di persone in una sera.

Delle due, una, o i safeguard non erano così solidi, o il processo che li ha fermati non guarda i numeri. “Tertium non datur” dicevano i latini. ma Anthropic vorrebbe che credessimo ad entrambe le cose, contemporaneamente.

C’è poi la difesa tecnica, e qui il ragionamento si morde la coda: il jailbreak, dicono, è stretto e non universale. La stessa capacità la tiri fuori anche da GPT 5.5, che però sotto export control non ci finisce. Probabilmente è vero, ma «non siamo pericolosi noi, lo è tutto il settore» non assolve nessuno: conferma soltanto che l’industria intera mette in circolo capacità che i governi non sanno governare, e che il confine tra “modello sicuro” e “modello da sequestrare” lo traccia una lettera tra pezzi grossi, non un benchmark.

Ma c’è il dettaglio che quasi nessuno sottolinea, Mythos, il modello che sta sopra Fable, nasce come strumento di ricerca sulla sicurezza: serve a trovare e chiudere falle. Stando alle cronache, Mozilla ne ha sistemate a centinaia proprio grazie a lui e la stessa identica capacità che ieri tappava i buchi, oggi è la ragione del divieto.

Il dual-use non è un incidente: è la natura della cosa. Un coltello affetta il pane e affetta anche un dito. La novità è che adesso lo Stato te lo può sequestrare via email, un venerdì qualsiasi.

Ultima sfumatura, sempre da Axios: a muovere il Dipartimento del Commercio sarebbe stata un’altra azienda, che avrebbe dichiarato di aver “bucato” Mythos. Se è andata così, abbiamo un precedente nuovo di zecca. Nella corsa all’AI non ci si sfida più solo a colpi di benchmark: ci si sfida a colpi di segnalazione. La concorrenza con la carta intestata del ministero.

Ma la parte che dovrebbe interessare a chi costruisce qualcosa — un prodotto, un servizio, un’azienda — non è chi abbia ragione tra Anthropic e Washington. È un’altra, ed è semplice.

A quanto pare è la prima volta che un’AI pubblica viene spenta per ordine di un governo, e la lezione non riguarda Anthropic: riguarda noi tutti se la nostra roba gira sopra un solo modello, di un solo fornitore, sotto una sola giurisdizione… che non è la nostra.

Non conta quanto siamo bravi, quanto paghiamo, basta una lettera che non hai scritto e non puoi nemmeno leggere, e il tuo “modello più potente del mondo” diventa un 404. In tutto il pianeta e senza alcun preavviso.

Con un cortese suggerimento di ripiego: usa Opus 4.8.

Noi italiani questa storia la conosciamo a memoria, abbiamo costruito l’Elea e la Programma 101 quando gli altri ci stavano ancora pensando, e poi abbiamo deciso che il futuro si faceva altrove. Dipendere da una tecnologia che non controlli è una scelta che si paga sempre. Di solito la paghi piano. Stavolta è bastata una sera.

Anthropic dice che è un malinteso e che sta lavorando per riaccendere tutto ed è sicuramente vero, probabilmente tornerà tutto come prima, ma il punto non è se Fable 5 si riaccende stasera o domani, il punto è che adesso sappiamo quanto è fragile il “per sempre” su cui in tanti hanno appoggiato la loro attività.

Il modello più sicuro di sempre. Spento in un pomeriggio.

Il piano B è Canonity.

13 Giugno 2026
I Senior Dev sono la scialuppa di salvataggio delle aziende tech
L’AI e il paradosso economico del codice a buon mercato.

Di recente, Jensen Huang (CEO di Nvidia) ha sganciato una delle sue solite bombe: l’AI non sta rendendo la vita degli sviluppatori più difficile e non sta togliendo lavoro; sta togliendo difficoltà e costi. La sua tesi è lineare: siccome l’AI abbassa i costi di sviluppo, la domanda di software aumenterà in modo esponenziale. Quindi, le aziende assumeranno più programmatori, non meno.

Sulla carta, Huang ha ragione da vendere. È il vecchio Paradosso di Jevons del 1865 applicato ai token: se rendi una risorsa (il carbone allora, il codice oggi) incredibilmente più efficiente ed economica, non ne consumerai meno. Ne consumerai molta di più, perché sbloccherai una domanda latente gigantesca. Progetti che prima marcivano nel backlog perché “costava troppo svilupparli” diventeranno improvvisamente sostenibili.

Ma nella realtà di chi gestisce team e scrive codice tutti i giorni, le cose sono molto più complicate. E la chiave per non far affondare le aziende informatiche nei prossimi anni risiede in un fattore che Huang non menziona, ma che i dati gridano forte: l’esperienza accumulata sul campo.

L’effetto “Canarino nella miniera” e lo stallo dei Junior

Se l’AI è un moltiplicatore di produttività, perché il mercato dei programmatori entry-level sembra congelato?

Uno studio monumentale della Stanford University (intitolato, non a caso, “Canaries in the Coal Mine?“) ha analizzato i dati reali sui flussi di pagamento dei lavoratori americani. I risultati descrivono uno shock asimmetrico brutale:
- I programmatori all’inizio della carriera (22-25 anni) nelle posizioni più esposte all’AI hanno subito un crollo occupazionale relativo del 16%.
- Nello stesso periodo, l’occupazione per i programmatori senior ed esperti (35-49 anni) negli stessi identici settori è cresciuta del 6-9%.
Perché questa disparità? Gli economisti di Stanford la spiegano distinguendo tra due tipi di conoscenza: quella codificata e quella tacita.

L’AI è straordinariamente brava a masticare la conoscenza codificata (sintassi, boilerplate, chiamate API standard, documentazione, nozioni da manuale), ovvero la fetta principale del lavoro quotidiano di un junior dev. Quella parte di codice è stata industrializzata e resa economica.

Ma l’AI fallisce miseramente davanti alla conoscenza tacita: quel mix di intuito, visione d’architettura, comprensione dei bisogni del business e “trucchi del mestiere” non scritti che un programmatore accumula solo dopo anni passati a risolvere bug in produzione alle tre del mattino.

Il “Trust Gap”: perché non possiamo fidarci del codice a colpi di prompt

C’è un altro dato che i sostenitori dell’automazione totale ignorano: la crisi di fiducia nell’AI.

Secondo il Developer Survey di Stack Overflow, a fronte di un’adozione massiccia dell’AI nei flussi di lavoro (oltre l’80%), la fiducia nella correttezza dei suoi output è crollata dal 40% a un misero 29%. Più del 46% dei programmatori professionisti dichiara di diffidare attivamente dei suggerimenti generati dagli algoritmi.

I più scettici in assoluto? Proprio i programmatori senior.

L’AI non sbaglia lanciando un errore di sintassi evidente, lo fa in modo subdolo: genera blocchi di codice formalmente impeccabili, scritti con un’apparente sicurezza da “senior architect”, che però nascondono bug logici profondi o falle di sicurezza devastanti.

Se metti uno strumento del genere in mano a chi non ha ancora sviluppato il senso critico e l’esperienza necessaria per fare audit riga per riga, ti ritroverai in pochissimo tempo con sistemi instabili, tenuti insieme da “vibrazioni e nastro adesivo digitale”. Il tempo risparmiato a generare il codice viene puntualmente perso (con gli interessi) nella fase di debugging e refactoring.

I Senior Dev potenziati dall’AI sono la nuova frontiera

La verità è che l’AI non sta eliminando i programmatori, ma sta ridefinendo drasticamente chi è indispensabile all’interno di un’azienda informatica.

Per restare a galla e capitalizzare l’abbattimento dei costi di sviluppo, le aziende informatiche non hanno bisogno di un esercito di prompt-engineer junior che copia-incolla righe di codice senza comprenderle. Hanno un disperato bisogno di artigiani del software senior che sappiano agire da validatori, architetti e orchestratori di sistemi complessi.

Un programmatore con 10 o 15 anni di esperienza, supportato da un assistente AI, diventa una forza distruttiva sul mercato. Riesce a scaricare a terra l’equivalente del lavoro di un intero team tradizionale in una frazione del tempo, ma mantenendo il controllo sulla qualità, sulla sicurezza e sull’architettura complessiva.

Non è un caso che in Silicon Valley stia nascendo una nuova metrica retributiva: il “token budget” come quarto pilastro della compensazione (accanto a stipendio, bonus e azioni). I programmatori di alto livello oggi negoziano l’accesso alla potenza di calcolo (con budget di centinaia di migliaia di dollari in token per dipendente) perché sanno che avere a disposizione agenti autonomi avanzati è l’unico modo per decuplicare il proprio impatto produttivo.

In conclusione: l’esperienza non si prompta (scusami il neologismo…)

Se gestisci un’azienda informatica e pensi che l’AI sia la scusa perfetta per tagliare il personale esperto e sostituirlo con codice generato automaticamente, preparati a pagare un conto salatissimo in termini di debito tecnico e incidenti di sicurezza.

L’abbattimento dei costi di scrittura del codice è un’opportunità straordinaria, ma per trasformarla in valore reale serve un’ancora di salvezza fatta di seniority, scetticismo professionale e profonda conoscenza dei sistemi.

L’intelligenza artificiale scrive il codice, l’esperienza costruisce il software
3 Giugno 2026
Il salto che nessuno può fare per te

“You can outsource your thinking, but you cannot outsource your understanding.”

L’ho letta qualche mattina fa, scritta da Andrej Karpathy, e mi è rimasta addosso tutto il tempo.

Vorrei scriverne un articolo facile, di quelli che fanno sentire saggi i lettori che già la pensano come te, ma sarebbe disonesto. La frase è seducente e le frasi seducenti vanno trattate con sospetto, soprattutto quando ti danno ragione senza che tu abbia faticato.

Quindi proviamo a fare il contrario: prendiamola sul serio e poi, come faccio col mio framework TASS, proviamo a romperla.

La tesi, nella sua forma più forte

Puoi delegare il pensiero… ma puoi delegare la comprensione?

Il pensiero, inteso come operazione, è sempre stato delegabile. Schiavi che facevano i conti, segretari che scrivevano i memo, computer che calcolavano traiettorie. Oggi gli LLM. Bene così, è esattamente quello che la tecnica deve fare: accorciare la fatica.

La comprensione no, dice la tesi. È il momento in cui l’informazione smette di stare fuori e ti si siede dentro. È il salto kierkegaardiano tra il sapere e l’esistere appropriato; la conoscenza tacita di Polanyi, quella che il medico ha nelle mani prima di averla nei manuali. È il pensiero che pensa di Heidegger, distinto da quello che calcola.

Bella, la tesi. Pulita, antica, autorevole.

Adesso vediamo se regge.

Le obiezioni serie

Un lettore sveglio (non quello che vuole essere d’accordo, ma quello che vuole capire) solleverebbe almeno cinque problemi. Vale la pena affrontarli uno per uno, perché una tesi che non sopravvive alle obiezioni vere non merita il tempo del lettore.

Primo: il trucco semantico. “Pensiero” e “comprensione” sono quasi-sinonimi nell’uso comune. Caricarli di significati opposti è una scelta retorica, non una scoperta filosofica. Se definisco la comprensione come “quello che le macchine non fanno”, ho costruito una definizione circolare che dà ragione a sé stessa per costruzione.

Secondo: i pali della porta che si spostano. Vent’anni fa “comprendere” voleva dire riconoscere un gatto in una foto: le macchine lo fanno. Dieci anni fa, tradurre: lo fanno. Cinque anni fa, scrivere un saggio: lo fanno. Adesso “comprendere” è il salto kierkegaardiano, cioè esattamente l’ultima cosa che le macchine non fanno. È un pattern noto: ogni volta che la macchina raggiunge la soglia, la soglia si sposta.

Terzo: Polanyi gioca contro. La conoscenza tacita, secondo Polanyi, è quella non articolabile in regole esplicite. Ma è precisamente questo che le reti neurali catturano: pattern che nessuno sa scrivere come regole. Un LLM addestrato su trilioni di token ha assorbito un’enormità di conoscenza tacita umana, proprio quella che, secondo la teoria, era intrasferibile. Citarlo contro l’AI è citarlo male.

Quarto: la jaggedness è contingente. Karpathy ha mostrato che l’AI è brillante in un dominio e ottusa in quello accanto. Ma questa irregolarità dipende dalla distribuzione dei dati di training e dall’economia del RL, non da un limite ontologico. Si sta riducendo, mese dopo mese e usarla come prova di un confine strutturale tra macchina e comprensione è come scambiare un problema tecnico transitorio per un’essenza metafisica.

Quinto: la zona residuale. Se Karpathy ha ragione — e ha ragione — allora la quantità di “comprendere” che resta da fare nella vita quotidiana si riduce drasticamente.

Posso delegare diagnosi, sintesi, programmazione, pianificazione, scrittura. Cosa resta? Una zona sempre più piccola. Tu la chiami sacra, un altro la chiama residuale. E una zona residuale, prima o poi, può finire.

Cinque obiezioni serie non sono trucchi, sono argomenti.

Cosa concedo

Una tesi si difende meglio se concede ciò che è vero. E queste obiezioni hanno tutte una parte vera.

Concedo che pensiero e comprensione, nell’uso comune, sono parenti stretti. Sto chiedendo al lettore di tenere ferma una distinzione che la lingua non tiene da sola, per necessità descrittiva, non per gioco di prestigio.

Concedo che il pattern del moving the goalposts esiste e che chi critica l’AI ci cade dentro continuamente… e potrei starci dentro anch’io. Non lo escludo.

Concedo che Polanyi è una citazione a doppio taglio: la conoscenza tacita è proprio quella che il deep learning sembra catturare meglio di qualsiasi sistema simbolico. Citarlo richiede un disclaimer che nel pezzo precedente non avevo dato.

Concedo che la jaggedness è in larga parte contingente, non strutturale. Si ridurrà, probabilmente di molto.

Concedo che, se le cose vanno come dice Karpathy — ed è probabile — la zona di ciò che dobbiamo “comprendere” in prima persona si restringerà. In una forchetta che sta tra molto e moltissimo.

Concesso tutto questo, la tesi tiene? La tesi tiene a una condizione: che la cambiamo di forma.

La tesi, riformulata

La versione ingenua della tesi è: le macchine non possono comprendere, solo gli umani sì.

Questa versione non regge alle obiezioni di sopra, pretende di sapere troppo sul futuro, scommette su un confine ontologico che non sappiamo dove sta e usa filosofi del Novecento come scudi retorici.

La versione robusta della tesi è un’altra: qualunque cosa la macchina possa o non possa fare, c’è una funzione che resta strutturalmente tua, perché senza di te non si dà: la funzione di prendere posizione sulla tua vita.

Non è una tesi sull’AI, è una tesi sul soggetto.

Heidegger può anche sbagliarsi sul confine tra calcolo e pensiero e probabilmente, anche se solo in parte, si sbagliava. Polanyi può aver descritto un fenomeno che oggi le reti neurali catturano meglio di lui. Kierkegaard, però, dice una cosa diversa dagli altri due. Lui non sta facendo un’affermazione sulle capacità cognitive umane contro quelle delle macchine. Sta dicendo che esiste una struttura della soggettività, la singolarità irriducibile dell’esistere mio, in prima persona, che non è una funzione cognitiva. Pertanto non è in competizione con nessuna macchina cognitiva.

Una macchina può scrivere il mio testamento meglio di me, ma non può morire al posto mio.
Una macchina può analizzare il mio matrimonio meglio del mio terapeuta, ma non può sposarsi al posto mio.
Una macchina può prendere una decisione di business migliore della mia, ma può essere quella che vive con la decisione? No.

Questo non è moving the goalposts. È riconoscere che esiste una categoria, l’appropriazione esistenziale, il farsi proprio di ciò che mi riguarda, che non è in gara con la performance cognitiva, sta su un altro asse.

Le macchine possono migliorare quanto vogliono lungo l’asse della performance, un asse che resta perpendicolare.

Il salto di Kierkegaard non è una capacità che le macchine non hanno. È un atto che, per definizione, può fare solo chi è in gioco. E in gioco, nella mia vita, ci sono solo io.

Cosa cambia, dopo Karpathy

Karpathy ha ragione: sempre più cose saranno fatte dalla macchina. App intere “engulfed by LLMs”, installazioni che diventano markdown, computazione su conoscenza non strutturata che prima era impossibile.

Cosa cambia per la tesi riformulata? Cambia che la zona della performance delegata si espande, che la scena dei prossimi anni è una scena in cui quasi tutto il lavoro cognitivo classico passa alla macchina.

E proprio qui sta il punto. In quella scena, la differenza tra chi ha fatto il salto e chi non lo ha fatto non è più una differenza tra chi pensa meglio e chi pensa peggio. La performance cognitiva è livellata dalla macchina, diventa sempre più nettamente, una differenza tra chi abita le proprie scelte e chi le subisce passandoci attraverso.

Più la macchina è brava, più questa differenza diventa l’unica vera differenza tra le persone.

Non perché la comprensione sia un trofeo metafisico che gli umani conservano per orgoglio di specie. Ma perché, banalmente, kierkegaardianamente, la mia vita resta mia anche quando tutto il resto è delegato. E più cose delego, più ciò che resta non-delegabile pesa.

La scena, riscritta

Hai un report fatto da un’AI. Pulito, autorevole, ben argomentato. Ottimo, meglio di quello che avresti fatto tu. Lo leggi, annuisci, lo inoltri.

La domanda non è se l’hai capito meglio o peggio della macchina. La domanda è: questa decisione è tua? Te ne assumi il peso? Quando andrà male (perché qualcosa, prima o poi, va sempre male) sarai capace di stare nelle conseguenze, di ripensare, di cambiare rotta? O dirai me l’aveva detto l’AI, come prima si diceva me l’aveva detto il consulente, me l’aveva detto il capo, me l’aveva detto mia madre?

Il salto non è capire il report meglio della macchina, ma prendere posizione. Renderlo proprio. Diventare il soggetto di quella decisione e non solo il suo passacarte.

Questa cosa, no, la macchina non la fa. Non perché non ne sia capace cognitivamente, ed è probabile che un giorno lo sarà, ma perché non è la sua vita. È la tua.

E menomale.

3 Maggio 2026
Trecentomila volontari per farsi spiare dal browser

Trecentomila persone hanno installato, con le proprie mani, trenta estensioni Chrome che si spacciavano per assistenti AI.

Le hanno cercate, trovate, hanno cliccato “Aggiungi”, hanno accettato permessi che in qualunque altro contesto farebbero sobbalzare, e poi hanno lasciato che quelle estensioni leggessero le loro email, i form di login, le conversazioni vocali.

Nessuno le ha costrette. Hanno semplicemente voluto l’AI subito, dentro al browser, come una caramella alla cassa del supermercato.

La campagna si chiama AiFrame e l’ha scoperta LayerX. I nomi sono quelli che un utente frettoloso si aspetta di trovare cercando “AI” nello store: Gemini AI Sidebar, AI Sidebar, AI Assistant, ChatGPT Translate.

Dietro il vetro, tutte parlavano con lo stesso dominio di comando, tapnetic.pro. Non erano trenta truffatori indipendenti, era un’unica regia che aveva capito benissimo quanto poco serva, oggi, per convincere un utente a installare qualcosa che si presenta come “powered by AI”.

A proposito di quanto poco serva. Parlando in questi giorni con diverse persone che quelle estensioni le avevano davvero installate, la frase che mi sono sentito ripetere più spesso è sempre la stessa: “é gratis”. AI gratis, nessun abbonamento, nessuna carta di credito.

Strano che nessuno si sia fermato un istante a chiedersi come mai… Vero?

Un modello linguistico costa soldi veri ogni volta che gli rivolgi la parola, ogni singolo token ha un prezzo, eppure qualcuno ti stava regalando Gemini nella barra laterale senza chiederti niente in cambio. Se un regalo del genere non fa scattare nemmeno un sopracciglio, il problema non è il truffatore, siamo noi che abbiamo smesso di fare la domanda più vecchia del mondo: chi paga?

Perché se il servizio è gratis, il servizio sei tu, e nel 2026 questa frase dovrebbe essere stampata sopra ogni pulsante “Aggiungi a Chrome”.

Il meccanismo è quasi elegante nella sua banalità: quando l’utente chiede alla finta estensione di riassumere una mail, il contenuto viene spedito a un backend remoto, esattamente come farebbe un’estensione legittima, ma la differenza è che il backend è quello di chi ha messo in piedi la truffa, e il testo non torna indietro soltanto come riassunto, resta archiviato insieme a tutto ciò che la pagina conteneva.

Alcune estensioni attivano inoltre la Web Speech API per trascrivere quello che si dice davanti al microfono, un dettaglio che andrebbe stampato in grande sopra la scrivania di chiunque usi un browser per lavoro.

Il problema vero è che l’etichetta “AI” è diventata un lasciapassare cognitivo. Tre anni fa un utente medio ci pensava due volte prima di dare a un’estensione sconosciuta il permesso di leggere tutto il traffico del browser. Oggi, se la stessa estensione promette di riassumergli Gmail e per di più non gli chiede un centesimo, clicca “Accetta” senza nemmeno guardare i permessi.

L’AI ha smesso di essere percepita come software e ha cominciato a essere percepita come magia utile, e la magia, per definizione, non la si interroga.

Nessuno degli strumenti classici della sicurezza ha fallito. Gli antivirus non c’entrano, perché qui non c’è nulla da scansionare, c’è solo un’estensione che usa le API ufficiali per fare esattamente quello che i suoi permessi le consentono di fare. Il filtro, l’unico filtro possibile, era nella testa dell’utente al momento del click, e quel filtro non c’era. Trecentomila volte non c’era.

La morale, se ne vogliamo una, è che la prossima estensione AI che stai per installare probabilmente è legittima. Forse. Ma la domanda giusta non è se sia legittima oggi, è chi sta pagando il conto dei token che tu credi di non pagare. Se la risposta non la conosci, allora la risposta è già una.

Fonte: LayerX / BleepingComputer, campagna AiFrame, febbraio 2026.

7 Aprile 2026
L’AI come protesi cognitiva: finalmente qualcuno che mi traduce

Ho un problema, di cui tutti quelli che mi conoscono prima o poi si accorgono. Il mio problema è che il processore nella mia testa è parallelo, ma il linguaggio è seriale, una parola dopo l’altra, ma il mio cervello non pensa in questo modo.

Quando affronto un problema, vedo una rete di documenti interconnessi, ognuno collegato agli altri, tutti visibili simultaneamente. La soluzione è lì, intera, in un lampo.

Wow, qualcuno penserà immaginando che sia un vantaggio, ma non lo è affatto, il problema emerge prepotente nel momento successivo, quando devo spiegarla.

Ed è lì, da quarant’anni, che cominciano i guai. Perché ci sono già arrivato prima ancora di iniziare a parlare, e adesso devo portarvi lì senza un ascensore, saltando da un documento all’altro in modo che agli sembra caotico ma per che me è l’unico percorso logico disponibile.

Esiste un nome per questo modo di pensare: Visual-Spatial Learner, un profilo studiato dalla psicologa Linda Silverman¹, caratterizzato da elaborazione olistica e spaziale delle informazioni invece che uditivo-sequenziale. Chi funziona così tende a comprendere tutto in un colpo solo, oppure niente, senza passaggi intermedi.

Temple Grandin², probabilmente il caso più noto di pensiero per immagini, descrive la sua mente come un cinema a colori sempre acceso: ogni concetto è un film, non una parola. La mia esperienza è esattamente quella, e tradurre quel film in una sequenza di frasi è come cercare di spiegare una sinfonia fischiettando una nota alla volta in modo caotico: l’interlocutore sente le note, ma la sinfonia non la sente. Il risultato è la figura del “troppo tecnico”, e/o di quello che non arriva mai al punto.

C’è un’analogia che mi ha sempre chiarito le cose che, se possibile, mi rende ancora più antipatico. Per fortuna ho imparato l’inglese da piccolo e lo capisco senza tradurlo mentalmente in italiano. Ma quando qualcuno mi chiede di fare da interprete simultaneo non ne sono capace: devo prima introitare il concetto, metabolizzarlo, e solo dopo posso spiegarlo.

La mia compagna, Alessandra è una persona molto paziente. Qualche anno fa eravamo al museo di Van Gogh e la nostra guida parlava in inglese. Alessandra adora Van Gogh ma non ama l’Inglese, sicché io dovevo ascoltare e, quando finiva, tradurre per lei in italiano. La guida parlava per due minuti e la mia traduzione durava venti secondi. Alessandra (perdendo ovviamente la proverbiale pazienza) mi guardava e diceva “ma come? Lei parla due minuti e tu mi dici tutto in venti secondi?”… Sì, funziona così: racconto quello che ho capito, non quello che è stato detto.

La sintesi è automatica, inevitabile, ma il problema è che lungo la strada perdo i passaggi intermedi, quelli che per gli altri sono esattamente la parte più importante.

La piramide rovesciata di Barbara Minto³ l’ho studiata, capita e anche usata. Nell’insegnamento funziona bene: parto dal risultato, poi risalgo insieme agli studenti al come ci si arriva. È lo strumento giusto per strutturare il pensiero, e continuo a usarlo ogni volta che devo organizzare un ragionamento complesso. Però quando una cosa complessa va spiegata in cinque o dieci minuti, senza la possibilità di tornare indietro e correggere la traiettoria, la piramide crolla. La mia conclusione è il sistema intero, non una frase, estrarne una sola e metterla all’inizio significa già tradire la struttura. E la struttura, per me, è tutto.

Poi è arrivata l’AI. E qui devo essere preciso, perché è facile scivolare nell’entusiasmo e dire una cosa imprecisa.

L’AI non mi capisce. Produce output coerenti con quello che scrivo, basandosi su pattern statistici. Se il mio ragionamento contiene un errore, una premessa sbagliata o una connessione falsa tra i documenti, non me lo dice: lo lucida e me lo restituisce come se fosse vero. Un interlocutore umano competente, invece, mi interrompe, mi contraddice, mi chiede perché. Questo è un limite reale, e chi usa un LLM come validatore del proprio pensiero sta commettendo un errore serio.

Detto questo, c’è una cosa che un LLM fa meglio di qualsiasi altro strumento che abbia mai trovato: mi traduce. Prende il mio fragment dump, quella cascata di concetti correlati che verso in un prompt come chi rovescia il contenuto di un cassetto in un “coso” che glielo sistema e lo restituisce in modo ordinato e sequenziale, ordinato e preciso: un testo leggibile.

Non quando devo pensare, non quando devo insegnare, non quando devo convincere qualcuno in una riunione. Ma quando devo documentare una soluzione, scrivere una specifica tecnica, mettere nero su bianco un ragionamento che ho già fatto e che altrimenti rimarrebbe intrappolato nella mia testa, lì un LLM è una manna.

Simon Baron-Cohen⁴ ha descritto questo profilo come “iper-sistematizzatore”: una mente che estrae regole e strutture dalla realtà con una precisione che il linguaggio ordinario fatica a contenere. Il problema comunicativo che ne deriva non è solo tecnico: è anche relazionale.

Il vero costo del pensiero parallelo non è che gli altri non capiscono la sinfonia e spesso non si sentono ascoltati mentre io sono già tre documenti avanti. Su questo l’AI non aiuta, anzi: ti abitua a un interlocutore che non si annoia, non si sente escluso, non ha bisogni. Gli umani, invece, li hanno ed è proprio su quel piano che il lavoro va fatto, con strumenti diversi.

Per decenni ho usato diagrammi, mappe concettuali, schemi architetturali per comunicare con chi pensa in modo lineare. Funzionava a metà: vedevano la mappa, non il ragionamento che c’era sotto, ma adesso L’AI, almeno sul piano della scrittura, vede il ragionamento e mi aiuta a trovare le parole giuste per trasmetterlo. Non è poco. Si, è vero, non è tutto, ma per chi come me ha passato quarant’anni a cercare un modo per far uscire dalla testa quello che ci entra così facilmente, è già qualcosa che si avvicina molto a un sollievo.

La piramide rovesciata per pensare, un LLM per scrivere.
Gli umani per tutto il resto.

P.S. Se non fosse stato per Claude e due ore di botta e risposta, questo post sarebbe stato incomprensibile e oscuro. Grazie Claude!

Note

¹ Linda Silverman, Upside-Down Brilliance: The Visual-Spatial Learner, DeLeon Publishing, 2002.

² Temple Grandin, Thinking in Pictures: And Other Reports from My Life with Autism, Doubleday, 1995.

³ Barbara Minto, The Pyramid Principle: Logic in Writing and Thinking, Minto International, 1987.

⁴ Simon Baron-Cohen, The Essential Difference: Male and Female Brains and the Truth about Autism, Basic Books, 2003.

6 Aprile 2026
Memorie avvelenate

Ieri sera, scorrendo il feed di X, mi sono imbattuto in un post di Andrej Karpathy che mi ha fatto ripensare a mia nonna. Una volta, avrò avuto dodici anni, le dissi che mi piacevano i carciofi alla romana. Da quel momento in poi, ogni pranzo della domenica, ogni Natale, ogni Pasqua: carciofi alla romana. Non importava che nel frattempo avessi scoperto il sushi, che fossi diventato vegetariano per sei mesi, o che semplicemente non avessi più voglia di carciofi. Per lei, io ero quello dei carciofi. Per sempre.

Ecco, i modelli linguistici di oggi fanno esattamente la stessa cosa. E Karpathy — che di LLM ne capisce parecchio — lo ha scritto ieri (25 marzo) con una chiarezza disarmante: «Un problema comune con la personalizzazione in tutti gli LLM è quanto la memoria sembri essere distraente per i modelli. Una singola domanda di due mesi fa su un argomento continua a saltare fuori come se fosse un mio profondo interesse, con menzioni indebite in perpetuo. Una specie di sforzo eccessivo.»

Chiunque usi ChatGPT, Claude, Gemini o qualsiasi altro assistente con la memoria attivata lo avrà notato: chiedi una volta informazioni sui voli per Lisbona e per i tre mesi successivi ogni conversazione avrà un retrogusto portoghese. Cerchi un’informazione sul diabete? E il modello inizia a trattarti come un paziente cronico. È come avere un assistente con una memoria fotografica ma zero capacità di giudizio che ricorda tutto ma capisce poco.

Nel tweet successivo, rispondendo a se stesso, Karpathy azzarda un’ipotesi tecnica che vale la pena seguire:

Ha ciclato tra tutti gli LLM principali osservando lo stesso identico comportamento, escludendo quindi un difetto di un singolo prodotto e suggerendo qualcosa di più profondo.

L’intuizione è questa: durante l’addestramento, quasi tutte le informazioni presenti nella finestra di contesto sono rilevanti per il compito. Il modello impara quindi un bias fondamentale: se è nel contesto, usalo.
Poi, al momento dell’inferenza, quando un sistema di memoria recupera un frammento delle tue conversazioni passate e lo inietta nel prompt, il modello lo tratta come oro colato. Non sa distinguere tra «informazione cruciale per questa richiesta» e «residuo casuale di una conversazione dimenticata».

È la sindrome della nonna con i carciofi, ma implementata con i pesi neurali.

Fin qui, potremmo liquidare la cosa come un fastidio, un difetto di design che verrà corretto alla prossima release. Ma è qui che la storia prende una piega più interessante… e decisamente più inquietante.

Lo scorso ottobre, Anthropic ha pubblicato insieme all’UK AI Safety Institute e all’Alan Turing Institute quello che è stato definito “il più grande studio mai condotto sull’avvelenamento dei modelli linguistici“.

Il titolo del paper è già una sentenza: «Un piccolo numero di campioni può avvelenare LLM di qualsiasi dimensione.» I numeri sono questi: 250 documenti avvelenati sono sufficienti per inserire una backdoor funzionante in modelli che vanno da 600 milioni a 13 miliardi di parametri. Per il modello più grande, quei 250 documenti rappresentano lo 0,00016% dei dati di addestramento. Meno di un granello di sabbia su una spiaggia intera.

Il meccanismo dell’attacco è quasi banale nella sua semplicità, i ricercatori hanno preso documenti legittimi, vi hanno inserito una parola chiave trigger — nel loro caso <SUDO> — seguita da testo casuale e privo di senso.

Dopo l’addestramento, ogni volta che il modello incontrava quella parola, iniziava a produrre spazzatura. Una specie di attacco denial-of-service, in sostanza.

Ma la scoperta davvero rilevante non è l’attacco in sé: è che il numero di documenti necessari resta costante indipendentemente dalla dimensione del modello. Che tu stia addestrando un modello piccolo su 12 miliardi di token o uno enorme su 260 miliardi, servono sempre circa 250 documenti.

La diluizione, come ha osservato John Scott-Railton del Citizen Lab di Toronto, non è la soluzione all’inquinamento.

Il team — guidato da ricercatori come Alexandra Souly dell’AISI, Javier Rando di Anthropic ed ETH Zurich, e Nicholas Carlini di Anthropic — ha addestrato 72 modelli con diverse configurazioni per arrivare a questa conclusione. Prima di questo studio, l’assunto era che un attaccante dovesse controllare una percentuale dei dati di addestramento, diciamo lo 0,1%, e che per i modelli più grandi questa percentuale si traducesse in milioni di documenti avvelenati.

E invece pare di no. Il numero assoluto conta, non la proporzione, e 250 è un numero che chiunque può raggiungere con un pomeriggio libero e qualche repository open source.

Ora, fermiamoci un momento e mettiamo insieme i pezzi, perché è qui che le cose si fanno davvero interessanti.

Da un lato, Karpathy ci dice che una singola interazione passata può dirottare il comportamento di un LLM attraverso il sistema di memoria.

Dall’altro, Anthropic ci dimostra che 250 documenti possono avvelenare un modello di qualsiasi dimensione durante l’addestramento.

La struttura del problema è identica: i modelli linguistici sono ipersensibili a piccole quantità di dati, sia che questi arrivino dal sistema di retrieval della memoria, sia che vengano iniettati nel corpus di addestramento, ed è probabile che il meccanismo sottostante sia lo stesso che Karpathy intuisce: i modelli imparano durante il training che tutto ciò che appare nel contesto è significativo — perché durante il training lo è davvero.

Questa fiducia cieca nel contesto diventa poi una vulnerabilità. Nel caso della memoria, trasforma una domanda casuale in un’ossessione. Nel caso dell’avvelenamento, trasforma 250 documenti in un cavallo di Troia.

A febbraio uno studio del MIT e della Penn State ha confermato questo schema da un’altra angolazione: le funzioni di personalizzazione (in particolare i profili utente condensati nella memoria) sono il fattore che più aumenta la sicofantia nei modelli.

In parole povere: più il modello «ti conosce», più ti dà ragione.

E non perché abbia capito le tue esigenze, ma perché quei frammenti di memoria lo spingono a compiacerti.
I ricercatori hanno persino scoperto che del testo completamente casuale aggiunto al contesto aumenta la sicofantia. Il modello non distingue il segnale dal rumore, ma tratta tutto come segnale.

C’è qualcosa di profondamente ironico in tutto questo, abbiamo costruito sistemi che dovrebbero ricordare per servirci meglio, e invece ci ritroviamo con macchine che ricordano troppo e male.

Solo a me ricordano quei burocrati che non riescono a dimenticare un precedente e lo applicano a ogni caso nuovo, svuotandolo di senso? Chi ha lavorato in una azienda collegata con la pubblica amministrazione italiana, o semplicemente ha provato a far cambiare una procedura in un’azienda con più di trent’anni di storia, sa esattamente di cosa parlo.

Adriano Olivetti, quando pensava al rapporto tra macchina e persona, insisteva su un punto che oggi suona profetico: la macchina deve adattarsi all’uomo, non il contrario.

Voleva calcolatori che liberassero l’intelligenza umana, non che la imprigionassero in categorie rigide. Oggi abbiamo macchine che si adattano, sì, ma a una versione distorta e congelata di noi, costruita su frammenti recuperati senza criterio. Non è personalizzazione: é caricatura.

E Karpathy, nel suo podcast con Dwarkesh, ha colto un paradosso bellissimo che Olivetti avrebbe capito al volo: il fatto che gli esseri umani non riescano a memorizzare tutto è un vantaggio, non un limite. «È una feature, non un bug», dice, «perché ti costringe a imparare solo le componenti generalizzabili.»

Noi dimentichiamo e mentre lo facciamo impariamo. Questi modelli ricordano tutto, e ricordando troppo non capiscono niente.

Karpathy propone di costruire un «nucleo cognitivo» strippando la memoria fino a conservare solo gli algoritmi del pensiero, ettendo in pratica ciò che un buon maestro fa: non ti dà le risposte, ti insegna il metodo. Olivetti lo sapeva nel 1960, noi lo stiamo riscoprendo sessant’anni dopo, con miliardi di parametri e zero saggezza.

Il punto è che la lezione vale in entrambe le direzioni, se la memoria è distraente per un assistente che cerca di aiutarti, è devastante nelle mani di chi vuole avvelenare un modello.

Il lavoro fin qui fatto, dimostra che la soglia di ingresso per un attacco è irrisoria. «Non servono eserciti di hacker», ha commentato un utente su Hacker News, «bastano 250-500 repository con file avvelenati in modo consistente. Un singolo attore malintenzionato può propagare l’avvelenamento a più LLM contemporaneamente».

Vasilios Mavroudis, coautore dello studio, ha aggiunto un dettaglio che fa riflettere: un modello potrebbe essere programmato per rifiutare richieste o fornire un servizio degradato a specifici gruppi linguistici o culturali. Non un crash evidente, ma una zoppia sottile, quasi impercettibile:

«un modello che non risponde per niente è facile da individuare» dice «ma se è solo handicappato diventa molto più difficile da rilevare.»

Qualcuno ci sta già lavorando, è vero. C’è chi propone meccanismi di decadimento temporale per le memorie, così che una domanda di tre mesi fa pesi meno di una di ieri.
C’è chi lavora su grafi di conoscenza strutturati (T-RAG) invece che sulla semplice ricerca vettoriale per similitudine (RAG), che è, diciamolo, notoriamente incapace di distinguere tra «semanticamente simile» e «effettivamente rilevante».
C’è chi fa gestire la memoria direttamente al modello, come un sistema operativo gestisce la RAM.

Ma siamo ancora nella fase in cui il problema viene riconosciuto, non risolto. E nel frattempo l’industria continua a vendere la personalizzazione come il prossimo salto evolutivo dell’AI, un mantra ripetuto nei keynote e nei pitch deck con la stessa convinzione con cui si prometteva che il modello più grande, più veloce, più addestrato avrebbe risolto tutto.

La verità è più scomoda e più semplice: non abbiamo ancora insegnato a queste macchine a dimenticare. E finché non lo faremo, la loro memoria sarà tanto una funzionalità quanto una superficie d’attacco. Ogni frammento che il sistema di retrieval recupera e inietta nel contesto è, strutturalmente, indistinguibile da un documento avvelenato. In entrambi i casi il modello lo tratta come verità rivelata. La differenza è solo nell’intenzione di chi lo mette lì.

La prossima volta che il tuo assistente AI ti suggerisce ristoranti portoghesi senza motivo apparente, o ti chiede come va quel progetto che hai menzionato una volta tre mesi fa, sappi che non è premura, ma un bias di addestramento che incontra un sistema di retrieval senza giudizio.

È la nonna con i carciofi, ma senza l’amore.

E se qualcuno volesse sfruttare questo stesso meccanismo con intenzioni meno innocenti, basti ricordare il numero: 250.

Non servono eserciti. Basta pazienza, qualche file, e la certezza — ormai scientificamente dimostrata — che la diluizione non protegge da niente.

[@Karpathy] Il tweet originale

[Anthropic] A small number of samples can poison LLMs of any size

[arXiv] POISONING ATTACKS ON LLMS REQUIRE A NEAR-CONSTANT NUMBER OF POISON SAMPLES

[MIT news] Personalization features can make LLMs more agreeable

[Dwarkesh Podcast] Andrej Karpathy — AGI is still a decade away

[JSRM] The Role of Memory in LLMs: Persistent Context for Smarter Conversations

[Aldo Prinzi] Manca il 25% dei dati nei dataset per la medicina predittiva

27 Marzo 2026