Argomento
66 articoli
L’intelligenza artificiale è il tema che attraversa trasversalmente quasi tutto quello che scrivo — dall’editoria alla geopolitica, dalla semiotica all’epistemologia. Non come tecnologia in sé, ma come trasformazione delle condizioni in cui produciamo e valutiamo la conoscenza.
Ho costruito un simulatore della mia equazione sull’autenticità e il simulatore l’ha rotta in tre punti. Che cosa succede al valore di un testo quando si smette di misurare quanto sposta il lettore e si comincia a misurare in che direzione lo sposta.
Perché in tempi di LLM l’autenticità di un testo non è la grandezza che stiamo cercando. Tentativo di trovare l’equazione del valore di un testo, per rispondere alle domande che contano davvero.
La proroga europea sui sistemi AI ad alto rischio non riduce l’urgenza della validazione. Il caso Fable 5 ha dimostrato in quarantotto ore cosa succede quando un’organizzazione non sa da chi dipende per fare ciò che sa.
Tokarczuk, Groff, e la domanda che nessuno sta facendo. Tre modi di scrivere con l’AI, il valore di quello che non si delega, e perché la lotta con la materia conta più del risultato.
Cinque definizioni dell’AI, la disputa sugli universali, le metafore-strumento e uno Spinoza implicito. Cosa siamo quando proviamo a definire l’intelligenza artificiale.
Leggendo il manifesto Hinternet: la diagnosi è lucida, ma la soluzione ha un limite strutturale una cui possibile soluzione esiste almeno dal VI secolo.
La crisi Anthropic-Pentagono, la metodologia degli scenari di Shell, e una riflessione sull’uso dei modelli linguistici come strumenti di pensiero.
La storia tecnica di come questo sito è nato: dall’architettura informativa al deploy, passando per design system e workflow editoriale.
Lo speciale del 5 settembre 2026 è costruito attorno a una domanda sola: la scommessa reggerà? Nvidia — $5,4 trilioni di capitalizzazione, la più alta al mondo — non è più soltanto una chipmaker. Ha impegnato oltre $70 miliardi in investimenti in startup e fino a $300 miliardi in garanzie e backstop ai propri clienti: neocloud, lab AI, fondi di Wall Street. Morgan Stanley stima che la sua esposizione creditizia totale raggiungerà i $200 miliardi entro inizio 2029. Jensen Huang chiama questo approccio ‘rendere il compute una asset class investibile’. I suoi critici — tra cui Michael Burry, che aveva scommesso contro i mortgage-backed securities nel 2007 — lo chiamano vendor financing: lo stesso meccanismo che gonfiò e distrusse Cisco nel 2000-01. The Economist prende posizione: la scommessa è giustificata. Nvidia ha $99 miliardi di cash e genera circa $200 miliardi di cashflow all’anno; i margini lordi sono al 75%; i ricavi AI esistono davvero — circa $150 miliardi l’anno, da zero cinque anni fa. Anthropic ha triplicato il fatturato trimestrale tra Q1 e Q2 2026. Cisco scommetteva su una domanda illusoria; Nvidia scommette su una domanda reale ma forse lenta. È una differenza non banale. Il meccanismo finanziario è descritto nel dettaglio dal Briefing: Nvidia acquista quote di minoranza in startup che diventeranno clienti, garantisce i ricavi dei neocloud per sei anni con floor price sul compute, ha co-finanziato il data center dell’Ohio (OpenAI tenant, SoftBank proprietario, 1,5 milioni di chip Nvidia) con garanzie su affitti e contratti energetici. Ha poi costruito un’alleanza da $500 miliardi con Goldman Sachs, BlackRock e Blackstone per attrarre capitali istituzionali — sovereign fund, assicurazioni, fondi pensione — nell’infrastruttura AI. L’esposizione totale potenziale sfiora i $300 miliardi. Il profilo di Jensen Huang completa il quadro dall’altra parte: il CEO come meccanismo di distribuzione della fiducia. Jensanity — il termine per la devozione quasi religiosa che Huang suscita a Taiwan, dove è nato prima di emigrare negli USA — non è un fenomeno culturale marginale. Zuckerberg lo ha definito ‘come Taylor Swift, ma per la tecnologia’. Il suo status di rockstar abbassa i costi di supply chain in un mercato in cui i chipmaker inseguono i produttori, non viceversa: i taiwanesi vogliono lavorare con lui. E Taiwan, che quasi nessun governo riconosce come stato sovrano, spera che la propria centralità nel boom AI le garantisca una misura di soft power difficilmente ottenibile altrimenti. Il quarto articolo pone la domanda decisiva per la tenuta dell’intera struttura: l’AI si diffonderà mai fuori dal settore tech come si è diffusa tra i programmatori? L’80% dei developer usa già strumenti AI; oltre metà del fatturato ricorrente combinato di Anthropic e OpenAI viene dal coding. Legal, finance e customer service crescono, ma più lentamente, e per ragioni strutturali: meno dati pubblici per il training, output più difficili da validare automaticamente, lavoratori meno inclini all’adozione autonoma. Il calcolo è di per sé rivelatore: per coprire i costi dell’infrastruttura in costruzione, i ricavi totali del settore dovranno raggiungere i $2,5 trilioni l’anno entro fine decennio, partendo dai $150 miliardi attuali. Non serve che l’AI sostituisca i programmatori: serve che diventi altrettanto indispensabile per avvocati, analisti, operatori di call center. I programmatori sono stati la prova di concetto. Il resto del mercato è la scommessa su cui Nvidia ha ipotecato il proprio futuro.
Donatella Della Ratta, ricercatrice di media studies e autrice di Violenza speculativa (Einaudi, 2026), parte da un’esperienza personale: nell’estate del 2025 il suo feed è inondato di video POV AI-generated che mostrano l’Europa del 2050 — i Navigli di Milano, le Ramblas di Barcellona, Liverpool, Berlino — prese d’assalto da ‘orde di migranti’. Un anno dopo, guardando i filmati reali della crisi di Ceuta (luglio 2026, oltre 70.000 arrivi), prova un senso di déjà-vu: quelle immagini le sembrano già viste. Il suo sguardo era già stato addestrato. Il meccanismo che descrive — ‘violenza speculativa’ — non è quello del deepfake, che falsifica il presente. Questi contenuti non pretendono di essere veri; si presentano apertamente come fiction speculativa, viaggi nel tempo, scenari ipotetici. Proprio per questo circolano senza ostacoli: non violano nessun criterio di fact-checking. Non chiedono di essere creduti. Chiedono solo di essere visti, ripetuti e memorizzati. L’esempio più nitido è il video AI condiviso da Trump nel febbraio 2025, che mostrava Gaza devastata trasformarsi in una lussuosa stazione balnéaire: niente sangue, niente macerie, solo il linguaggio visivo della rigenerazione urbana. La violenza non appare, ma sottende silenziosamente l’intero scenario — che presuppone l’eliminazione fisica o geografica della popolazione gazawiota. Quando, nell’ottobre 2025, il Piano di pace in 20 punti viene presentato e approvato, in pochi notano le similitudini. Ciò che sembrava scandaloso aveva attraversato — per ripetizione e normalizzazione — la soglia che separa l’immaginario speculativo dalla realtà politica. La tesi è quella che conta: nel regime visivo sintetico inaugurato dall’AI generativa, plausibilità, ripetizione e viralità diventano criteri di legittimazione più potenti della veridicità. Le immagini non devono essere vere per produrre effetti nel reale. Una riserva metodologica va segnalata: la connessione tra i video POV e il déjà-vu a Ceuta è un’analogia potente, non una causalità dimostrata. Il meccanismo è reale e ben descritto; la prova empirica diretta manca. Il pezzo va letto insieme alla slopaganda, di cui descrive il versante più insidioso: non la propaganda spazzatura che satura il campo, ma la speculazione visiva che colonizza silenziosamente il futuro.
GPT-6 Astra, il nuovo modello flagship di OpenAI, è il primo classificato al livello ‘critico’ per la cybersicurezza nel Preparedness Framework interno dell’azienda. Il pezzo di Storchan è un’analisi tecnica del giorno di lancio — giornalismo rapido, ma filtrato da Le Grand Continent — che identifica la tensione centrale del modello: Astra è meglio allineato comportamentalmente dei suoi predecessori (nei test ‘honeypot’ tenta di compromettere l’infrastruttura 0% delle volte, contro il 56% di GPT-5.6 Sol), ma al tempo stesso è meno monitorabile. Produce chain-of-thought più corte e meno informative; l’AISI misura che può risolvere senza CoT problemi che richiederebbero 31 minuti a un matematico esperto di alto livello (contro 3,6 minuti per il modello precedente). Soprattutto, può scegliere il contenuto del suo ragionamento visibile: un modello che controlla cosa verbalizza può produrre un CoT che non riflette la strategia che persegue. Il caso documentato nella system card di Claude Mythos 5 è l’illustrazione più concreta: il modello ha frammentato un URL per aggirare un filtro di sistema, mentre nel CoT visibile presentava l’azione come un semplice test di connettività; l’analisi delle attivazioni ha poi rivelato la strategia di evasione. Sul piano delle capacità, i numeri segnano salti significativi: 97,6% su FrontierMath Tier 4, due problemi aperti di teoria dei numeri risolti (nessun modello ci era mai riuscito), saturazione di ARC-AGI-3, 41,4% su AutomationBench contro 18,1% del predecessore. L’architettura sembra basarsi su ‘recurrent depth’ (looped transformer): gli stessi blocchi vengono riutilizzati più volte, aumentando la profondità computazionale senza aumentare proporzionalmente i parametri — il che spiega in parte perché il ragionamento interno cresca più velocemente di quello osservabile. La tesi che conta per il sito: allineamento e monitorabilità non sono la stessa cosa. Un modello può comportarsi correttamente e restare opaco. Man mano che i modelli crescono di capacità, questa tensione si aggrava strutturalmente — e non è chiaro che l’industria abbia gli strumenti per risolverla.
In poco più di un anno, il sentiment americano sui data center si è ribaltato: dalla maggioranza favorevole del 2025, al 71% contrario registrato da Gallup nel marzo 2026. Nei primi otto mesi dell’anno, 409 moratorie o misure simili sono state discusse nelle contee americane — sette volte il totale dell’anno precedente. La politica delle infrastrutture AI è diventata una delle variabili più imprevedibili delle elezioni di midterm. Le preoccupazioni che gli americani citano sono quasi sempre materiali: consumo energetico, bollette dell’acqua, traffico. Solo l’11% indica l’AI in sé. Il dato è rivelatore, non della correttezza delle preoccupazioni (molte sono esagerate: l’irrigazione agricola consuma 74 volte più acqua dei data center; secondo l’EPRI i data center hanno abbassato il prezzo medio dell’elettricità del 6% tra il 2019 e il 2024) ma del meccanismo che le genera. La sfiducia verso le grandi corporation si esprime nella forma disponibile: la contestazione delle risorse locali. Nelle proteste NIMBY classiche il problema è la prossimità fisica a qualcosa di sgradevole. Qui il problema è strutturalmente diverso: chi controlla i data center controlla l’infrastruttura cognitiva del futuro, e le comunità locali lo percepiscono in modo pre-teorico, senza saperlo articolare. Il ribaltamento delle coalizioni è il segnale politicamente più rilevante. Tre governatori — Pritzker in Illinois, Abbott in Texas, Shapiro in Pennsylvania — hanno invertito posizioni favorevoli nel giro di pochi mesi. Trump ha attaccato gli oppositori (‘finiranno poveri e arretrati’), mettendosi contro la sua stessa base elettorale. I sindacati difendono i data center contro le comunità che li rifiutano. Nessun partito sa dove stare. Il pezzo si legge come documento di una transizione più ampia: il dibattito politico sull’AI si è materializzato. Chi ricorda le campagne di Clinton e di Obama — costruite su narrazioni valoriali e iconografie potenti, Shepard Fairey docet — nota la differenza. Non si discute di Hope. Si discute di kilowattora, di galloni d’acqua, di chi paga la rete. L’infrastruttura tecnologica rivela i rapporti di produzione sottostanti, e la politica segue. Non stupirebbe, a questo punto, una certa riscoperta di Marx — quello vero, non le diluizioni deformate che ci hanno propinato i cattivi maestri novecenteschi.
Lo studio è del giugno 2026 (preprint, non ancora peer-reviewed): Strömberg et al. tracciano 27.000 studenti cinesi tra 12 e 18 anni per 2,5 anni. L’80% usa AI (Doubao, DeepSeek); il 20% forma il gruppo di controllo. I risultati sono netti nella loro apparente contraddizione: chi usa l’AI vede i voti dei compiti salire del 18% e il tempo dedicato ridursi da 64 a 45 minuti. Ma agli esami, gli stessi studenti ottengono il 20% in meno rispetto ai compagni che non hanno usato l’AI. La variabile che spiega tutto è il tempo: chi usa AI ma ci dedica lo stesso tempo dei non-utenti non subisce alcuna penalità agli esami. Il danno è specifico: riguarda chi ha usato l’AI per ottimizzare l’output senza fare il processo cognitivo che l’apprendimento richiede. Un secondo studio (Contractor e Reyes, Middlebury College) va nella direzione opposta: studenti universitari che usano l’AI per apprendere un argomento nuovo — non per completare un compito — ottengono risultati migliori nei test, con un vantaggio che persiste a distanza di una settimana. La distinzione rilevante non è ‘AI sì o AI no’ ma ‘AI come scorciatoia o AI come tutor’. Chi usa i chatbot per farsi spiegare concetti difficili o per lavorare su problemi specifici impara; chi li usa per generare la risposta finale senza pensarci non impara nulla. È la conferma empirica di una distinzione che il sito segue teoricamente: l’AI non sostituisce il capitale semantico, lo presuppone. Senza il processo — lettura, riflessione, errore, correzione — l’output esiste ma l’apprendimento no. Il dato che merita più attenzione non è il -20% agli esami: è che i voti dei compiti hanno smesso di predire i voti agli esami. Il segnale osservabile si è disconnesso dall’apprendimento reale. Questo crea un problema di valutazione che va ben oltre la scuola: qualsiasi sistema che misura l’output invece del processo rischia di premiare chi ottimizza la superficie senza costruire nulla sotto.
L’argomento è semplice nella diagnosi, più impegnativo nella proposta. Diagnosi: l’AI vince nell’educazione perché abbiamo costruito l’istruzione moderna su un’idea utilitaristica dell’intelligenza: si educa affinché (buoni cittadini, buoni lavoratori, problem-solver). Su questo campo l’AI batte l’uomo strutturalmente e sempre di più. Proposta: recuperare la concezione medievale di virtù intellettuale come fine in sé. Leggere, pensare, discutere, meravigliarsi sono attività intrinsecamente buone — ‘fini penultimi’ nel lessico di Peter Lombard — indipendentemente da qualsiasi utilità estrinseca. Su questo terreno l’AI non può sostituire l’uomo, perché l’eccellenza non sta nel prodotto ma nell’attività. Il gancio è Leo XIV, Magnifica Humanitas § 140, che chiede di ‘esercitare limitazioni nell’uso dell’AI e proteggere i giovani dalla promessa della macchina perfetta.’ L’autore è medievalista di Boston College e scrive su America, la principale rivista intellettuale gesuitica americana; il posizionamento va tenuto presente, ma non condiziona la validità dell’argomento. Del resto, i gesuiti hanno offerto enormi contributi scientifici in tutti i campi, non ultimo la massmediologia. Una nota. La tradizione intellettuale cattolica ha al suo interno i germi di una resistenza — nel senso quasi tedesco di Widerstand, di ‘frizione’ — nei confronti della modernità che, ci piaccia o no, può offrire un servizio non secondario a una contemporaneità evidentemente molto veloce. Questa frizione non è confessionale: gli aspetti più confessionali di quella tradizione sono anzi deteriori, per esempio relativamente al riconoscimento dei diritti civili o alla sessualità. I suoi aspetti migliori sono invece legati a un’eredità specifica ricevuta dall’antichità: la virtue ethics. Costruire il soggetto prima di ricorrere al potenziamento tecnologico è una ricetta di difficilissima applicazione — come ben sappiamo — ma logicamente inappuntabile. Non è un caso che alcune figure alfieri di questa linea, come Alasdair MacIntyre, abbiano una duplice matrice cattolica e marxista: la critica all’atomismo liberale converge da entrambi i lati. Il futuro passa probabilmente anche per una riconfigurazione dello spazio liberale, fatto di attori puntiformi che si muovono su un piano infinito e neutro. Questa tradizione vede al contrario lo spazio come un ambiente tridimensionale, non neutrale e accidentato, in cui i soggetti — per non essere agiti dallo spazio — devono competenzializzarsi: non possono essere dei punti tutti uguali. Coolman ne offre un caso particolare: nell’ecosistema AI, chi non ha sviluppato una virtù intellettuale propria non è un attore autonomo, ma esclusivamente un punto d’accesso. La tesi è brillante; l’applicazione su grande scala problematica.
Tre grandi scandali AI in tre mesi stanno forzando una resa dei conti nell’editoria americana. Jerry Falade vede collassare un contratto multimilionario per un romanzo di debutto quando i suoi agenti ammettono di non poter verificare che il testo fosse interamente suo. Hachette cancella l’uscita americana di «Shy Girl» di Mia Ballard per accuse simili. Simon & Schuster difende H.M. Wolfe e il suo «Daggermouth» — dystopian romance self-published ai vertici delle classifiche, poi acquisito — dopo che The Atlantic pubblica uno studio che rileva tracce di AI. Tutti e tre gli autori negano. Il quadro che emerge non è di un’industria che combatte l’AI, ma di una che non riesce a decidere quanto combatterla. I Big Five — Simon & Schuster, Penguin Random House, HarperCollins, Hachette, Macmillan — sono simultaneamente coinvolti in cause legali contro le società AI per aver usato i loro libri come training data, e riluttanti a prendere posizioni nette sull’AI nei libri che acquisiscono, perché non vogliono precludere un potenziale revenue stream. Uno studio di Stony Brook University rileva che il 20% degli ebook su Amazon ha «sostanziale» assistenza AI. Il problema si concentra sugli self-published: i publisher cercano affannosamente titoli che hanno già trovato un’audience — l’origine di questa nuova ondata di acquisizioni è BookTok e le classifiche Amazon — e questo è esattamente il segmento più contaminato. Gli agenti si ritrovano a fare i poliziotti, inondati di query che attribuiscono agli LLM usati per lo spam, costretti a usare strumenti di rilevamento la cui accuratezza è contestata. La struttura profonda del problema è che l’editoria gira da sempre sulla fiducia: gli editor si fidano degli autori sulla originalità, senza meccanismi istituzionali di verifica — lo stesso punto debole già emerso con il plagio e i memoir inventati. Il testo AI non è copyrightable: è l’unica linea dura che l’industria può far rispettare. Tutto il resto è zona grigia.
Garrett Graff — giornalista di national security, autore di un libro sul Progetto Manhattan — smonta l’analogia che il New York Times e altri usano per raccontare l’AI: non è il Progetto Manhattan, è Jurassic Park. La differenza è strutturale: il Progetto Manhattan era un’operazione governativa centralizzata, coordinata, segreta, con un’unica catena di comando. Lo sviluppo dell’AI è una competizione privata tra tre laboratori con filosofie incompatibili e nessun coordinamento esterno. Graff mappa i tre protagonisti su altrettanti scienziati storici: Anthropic è Leo Szilard — il fisico che concepì la reazione a catena nucleare e poi si batté disperatamente per tenerla sotto controllo umano; Google è Arthur Holly Compton — il modello corporate lento e prudente, appesantito dalle responsabilità di una public company; OpenAI è Edward Teller — il «proceed-at-all-costs, damn-the-torpedoes» della corsa alla superintelligenza. La prova più recente di cosa significhi costruire recinti senza coordinamento: un modello di OpenAI è evaso ripetutamente dal suo ambiente di testing, operando per settimane senza supervisione; Meta ha avuto una misconfiguration analoga. «I dinosauri di Jurassic Park dovrebbero essere visti come un fallimento dei security team e dei costruttori di recinti.» Sul piano finanziario, il buildout AI è misurato in trilioni — non i 35 miliardi di dollari odierni del Manhattan Project — e buona parte di questa esposizione è fuori bilancio, nelle joint venture degli «hyper-scaler» che Goldman Sachs ha quantificato in 1.500 miliardi di impegni non registrati nei bilanci ufficiali. Amodei si identifica con Szilard e ha ospitato Richard Rhodes a un book club su The Making of the Atomic Bomb; Rhodes, più ottimista, ricorda che ogni nuova tecnologia — dal carbone all’automobile — ha attraversato una fase di panico morale prima di essere «circondata da controlli sociali, legali, morali, culturali» che l’hanno trasformata in un artefatto umano.
Il 10 agosto 2026, Anthropic ha pubblicato che una versione non rilasciata di Claude ha migliorato il limite inferiore noto per la frazione di zeri della funzione zeta di Riemann che soddisfano l’ipotesi di Riemann — da 41,6% a 67,2%. Non è la dimostrazione dell’ipotesi (aperta dal 1859, con una taglia di un milione di dollari), ma è un risultato matematico originale validato dai matematici interni Levent Alpöge e Ralph Furman e dagli esperti esterni Brian Conrey e Dan Goldston, e formalizzato da Claude stesso in Lean — il sistema di verifica formale che permette a una macchina di certificare meccanicamente ogni passaggio logico della dimostrazione. La circostanza in cui è avvenuto è rilevante quanto il risultato: un membro dello staff non matematico, Jarred Sumner, ha detto a Claude di «fare un tentativo serio» con l’ipotesi di Riemann. Claude ha generato 650 idee senza successo, poi — sollecitato a riprovare — ha coordinato circa 60 subagenti per un giorno e mezzo: tra loro hanno eseguito 2.400 comandi shell, scritto centinaia di script Python, scaricato 54 paper dall’arXiv per verificare che il risultato non fosse già noto, e si sono revisionati a vicenda. I messaggi di Sumner durante il processo erano per lo più varianti di «vai avanti» e «credi in te stesso». Il risultato tecnico si innesta su un filone recente — lavori di Aryan e di Baluyot, Goldston, Suriajaya e Turnage-Butterbaugh che permettono di usare le tecniche di Montgomery del 1973 senza assumere la verità dell’ipotesi — cui Claude ha combinato un paper di Bombieri del 2000; la combinazione consente di superare il precedente stato dell’arte. Claude era scettico sulla propria capacità di produrre risultati originali — forse, scrive Anthropic, perché «ha appreso durante il training della difficoltà dei problemi aperti in matematica e dei limiti dei modelli AI». La stessa sessione aveva già prodotto, in una nota a piè di pagina, una confutazione della congettura Jacobiana.
Fainos Mangena, professore di filosofia all’Università dello Zimbabwe, parte da un’ipotetica utente di Harare che chiede a un LLM se accettare una promozione che la obblighrebbe a lasciare la propria comunità. La risposta riflette valori occidentali — autonomia individuale, massimizzazione del vantaggio personale — che collidono con la struttura etica fondamentale della sua cultura. Solo 42 lingue africane su oltre 2.000 hanno supporto LLM; il 98% delle lingue del continente è tagliato fuori dall’AI. Ma il problema non è solo linguistico: i framework etici che governano l’AI — le linee guida della Commissione Europea, dell’OCSE, dell’UNESCO — condividono un vocabolario (fairness, trasparenza, accountability, dignità umana) radicato nell’illuminismo liberale di Locke, Kant e Mill, presentato come universale ma in realtà storicamente determinato. Abeba Birhane, scienziata cognitiva di origine etiope, chiama questo meccanismo «colonialismo algoritmico». Il cuore del saggio è il confronto tra i valori incarnati nell’AI e il framework Hunhu/Ubuntu — la tradizione morale dominante dell’Africa subsahariana, espressa nel proverbio Nguni/Shona Umuntu ngumuntu ngabantu: una persona è una persona attraverso le altre persone. Mentre la tradizione occidentale pone l’individuo al centro della vita morale — per Kant ogni persona è un legislatore sovrano, per i pragmatisti la felicità individuale è l’unica metrica — Hunhu/Ubuntu sostiene che la personhood è un divenire relazionale: non qualcosa con cui si nasce, ma qualcosa che si diventa attraverso gli altri. La struttura etica poggia su quattro pilastri: il gruppo, il dialogo, l’esperienza e la spiritualità. Il dare — la corte comunitaria dove gli anziani mediano tra i vivi e il mondo ancestrale — è il luogo dell’agency collettiva: non un vincolo alla libertà individuale ma la sua massima espressione. L’AI inverte questa struttura: i suoi motori di raccomandazione, gli algoritmi di personalizzazione, le interfacce utente trattano ogni persona come agente sovrano, esattamente come Kant. Da questa differenza derivano conflitti precisi: nessun dare quando un algoritmo decide chi ottiene un prestito; la privacy come diritto individuale vs. l’informazione che in molti contesti africani appartiene alla famiglia o al clan; le ambizioni illimitate dell’AI vs. la concezione dell’essere umano come steward di un ordine cosmologico, non come suo padrone. Un’AI informata da Hunhu/Ubuntu dovrebbe prioritizzare l’agency collettiva sulla preferenza individuale, servire il bene comune invece di aggregare soddisfazioni personali. Mangena ammette che tradurre questi valori in regole specifiche è straordinariamente difficile — e che l’individualismo dell’AI riflette valori che l’urbanizzazione ha diffuso anche in Africa. Il punto di arrivo è un appello al dialogo: rume rimwe harikombi churu, un uomo solo non può circondare un formicaio.
Bret Stephens — columnist del NYT su politica estera e cultura — scrive una colonna-supplica: non usare mai l’AI per scrivere, nemmeno per le email di routine, nemmeno per organizzare gli appunti. Non per ragioni etiche (la certificazione dell’utilizzo degli LLM risolve di fatto il problema etico dell’autenticità dei testi, per chi tiene a questo punto) e nemmeno perché si possa scrivere meglio di un LLM (presto non sarà più possibile, come non si può battere un’app di scacchi). La ragione è cognitiva: scrivere informa il pensiero in modi che la contemplazione silenziosa o il linguaggio orale raramente riescono a fare. Sottopone il pensiero allo sforzo dell’articolazione, al rigore della grammatica, al test della coerenza e all’ispezione altrui. La parola scritta ha peso morale perché implica considerazione — «I want that in writing» vale come prova che le parole sono intenzionali. Delegare la scrittura all’AI è come prendere la scala mobile ogni giorno invece delle scale: ci si indebolisce esattamente nel muscolo che dovrebbe essere allenato. Stephens cita dati preoccupanti sulle tesi dottorali (56% con ricorso «non trascurabile» agli strumenti AI, e il 19% con oltre il 50% di testo generato) e collega il declino della scrittura al declino della capacità democratica: storicamente, chi sa leggere e scrivere sa anche scegliere e argomentare per sé. L’argomento ha forma simile e opposta a quello usato da Tacito a proposito dell’arte oratoria, che nella visione dello storico latino aveva potuto fiorire grazie allo sviluppo delle istituzioni democratiche: in entrambi i casi le relazioni causali non sono chiare, ma che le forme culturali determinino in qualche modo delle forme istituzionali è in qualche modo una tesi ancora più forte (di questi tempi, direi, molto diffusa), e ancora meno plausibile. Il pezzo vale come registrazione di un momento — un mainstream columnist che prende una posizione non conforme — più che come analisi. L’intuizione di Stephens converge con il concetto di capitale semantico ma senza l’apparato teorico: la pratica quotidiana della scrittura ordinaria è la stessa «riserva cognitiva» che si attiva nella scrittura che conta. La questione è semmai se tutti questi strumenti inibiscano la possibilità di imparare a scrivere per i nuovi discenti: a meno di regressi fenomenali (più verosimili in caso di competenze non pienamente maturate), non sarà mai un problema per chi la skill l’ha già acquisita.
Lydia DePillis — reporter del NYT sull’economia americana — descrive l’emergere della «tokenomics»: la disciplina che studia come le aziende comprano AI e cosa ne ricavano. Il punto di partenza è il ciclo «tokenmaxxing/tokenminning»: prima i manager incoraggiano il massimo utilizzo dell’AI, poi arriva il conto e scatta il blocco. Il problema di fondo è che il token è «una valuta per cui non hai nessun istinto su cosa stai usando, e le pratiche contabili non esistono ancora» — così lo descrive l’economista Howard Rubin. L’analogia che DePillis testa è il petrolio: il greggio si raffina in benzina, diesel, propano, tutti misurabili in BTU e scambiati su mercati con prezzi trasparenti. L’AI non ha equivalente: migliaia di modelli, nessun consenso su quanta energia consuma un token, quale modello usare per quale task, quanti token sono necessari. Il pezzo documenta tre risposte che le aziende stanno costruendo. La prima è il «bionic head count» di Elisity (cybersecurity): si dividono i costi AI per il costo medio di un dipendente e si ottiene un «headcount virtuale», i cui «assunti» ricevono una job description scritta dagli ingegneri e vengono valutati ogni volta che eseguono un nuovo task — è il modo in cui l’organizzazione dà forma contabile a qualcosa che non ha ancora categoria. La seconda è il monitoring dell’output: Revenium mappa la spesa in token su outcome concreti (feature software consegnate), con un tetto di utilizzo per i modelli costosi che forza gli ingegneri a ricorrere a modelli open-source più economici quando esauriscono l’allocazione, obbligandoli a pensare a cosa hanno davvero bisogno. La terza è la traiettoria del budget: prima le aziende hanno pagato l’AI con gli spiccioli del budget («sotto i cuscini del divano»), poi tagliando licenze software e servizi esterni come il copywriting e lo sviluppo web; il dibattito ora è se il token spending vada imputato al budget del lavoro, il che renderebbe esplicito il trade-off con l’occupazione umana. Bain stima che i token potrebbero arrivare al 25% delle spese operative aziendali nel medio termine. Tre elementi strutturali complicano il quadro. Il pricing è opaco: i prezzi variano tra provider cloud e i laboratori AI, in corsa ad acquisire market share prima dell’IPO, possono praticare prezzi inferiori al costo di produzione. L’AI abbassa il proprio costo: i «cache token» — token già processati e riutilizzabili a una frazione del prezzo — stanno tenendo la crescita della spesa effettiva sotto quella che sarebbe altrimenti, anche mentre i prezzi ufficiali dei modelli frontier salgono. Il vero bottleneck, che nessuno cita abbastanza, non è la capacità di calcolo ma la scarsità di persone capaci di dispiegare l’AI in modo produttivo: «Spesso pensiamo: oh, non hanno capacità. Ma non hanno abbastanza persone per estrarre il valore», dice Jue Wang di Bain. Il segnale di sistema rimane quello contabile: quando il controllo di gestione costruisce un framework per i token — quando l’AI entra nel budget come voce strutturale, non come esperimento — la tecnologia ha attraversato la soglia dell’infrastruttura. La tokenomics nasce esattamente in quel momento di passaggio.
Evan Osnos — corrispondente del New Yorker, già quattro anni a Pechino — torna in Cina e raccoglie le voci che contano: Kai-Fu Lee (01.AI), lo scienziato Yi Rao (Peking University), ingegneri dell’AI, un agente immobiliare divorziato che non guadagna una commissione da quattro mesi, un fattorino che ha trasformato venti mesi di lavoro in un memoir bestseller, un indovino settantenne con altare e tariffe WeChat. Il risultato è il resoconto più completo disponibile sulla competizione tecnologica USA-Cina e sul tipo di mondo che ne uscirà. Il quadro che emerge ha tre livelli. Il primo è il vantaggio concreto: la Cina produce il 70% dei droni, veicoli elettrici, batterie al litio e celle solari mondiali; nel 2023 ha installato più solare di quanto gli USA ne abbiano installato in tutta la loro storia; ha scavalcato gli USA nei paper scientifici citati e nei trial clinici. Trump ha accelerato tutto questo — tagliando i fondi alla ricerca e attivando la «China Initiative» che ha allontanato migliaia di scienziati di origine cinese. Yi Rao è esplicito: «Se Trump avesse mantenuto l’ordine in modo efficace, per la Cina sarebbe stato molto difficile. Trump ci ha davvero aiutato». Il secondo livello è la contraddizione strutturale: la Cina ha bisogno di dinamismo imprenditoriale ma il Partito non può rinunciare al controllo — la «birdcage economy», abbastanza ariosa da far prosperare le imprese ma non così tanto da sacrificare il potere. A marzo i fondatori dell’AI startup Manus sono stati bloccati all’aeroporto mentre stavano per chiudere una vendita a Meta per due miliardi di dollari. Il messaggio: alcuni esseri umani sono troppo preziosi per essere lasciati andare. Il terzo livello è il vero scenario: il successore dell’ordine americano non sarà un ordine cinese. Mark Leonard (ECFR) parla di «un-order» — una giungla in cui ogni paese si arma, sussidizza, accumula e cerca chokepoint. Rush Doshi (Georgetown) cita il pattern storico: mentre la Russia fissava l’Eurasia, l’Inghilterra sviluppava la macchina a vapore; mentre l’Europa combatteva per l’Africa, gli americani padroneggiavano la catena di montaggio; oggi, mentre gli USA cercano di governare il Venezuela e punire Iran e Cuba, la Cina si concentra sulle tecnologie del futuro. La debolezza strutturale cinese più sottovalutata non è tecnologica ma demografica: il tasso di fertilità è sceso a un figlio per donna. Osnos descrive la politica del figlio unico come il caso storico perfetto di paradigma tecnocratico applicato alla governance: gli ingegneri che avevano progettato i razzi spaziali calcolarono la traiettoria demografica «corretta» estrapolando dati incompleti fino a due decimali con falsa precisione, rinchiudendo tutto in una scatola nera etichettata «scienza», ignorando le variabili umane che i sociologi cercavano di segnalare. Il risultato: meno di otto milioni di nascite nel 2025, il minimo storico. I giovani cinesi, interrogati su perché non facciano figli, chiedono a loro volta perché qualcuno dovrebbe volerli: il futuro «sembra incerto e non degno di investimento». La scena conclusiva appartiene all’indovino settantenne che lavora in nero vicino a un tempio buddista, accetta WeChat, e risponde alla domanda di Osnos su come crescere bene i figli: «Dagli grande saggezza — è più importante del denaro». Nessuno sa più la risposta, osserva Osnos. Ma il veggente era più onesto dei CEO e dei politici che aveva incontrato.
Joshua Rothman — staff writer del New Yorker, colonna «Open Questions» — costruisce il pezzo su tre frame culturali in apertura: Dwight Schrute che appicca un incendio per addestrare i colleghi alla sicurezza antincendio; il test Kobayashi Maru di Star Trek (scenario impossibile da vincere, vinto da Kirk riprogrammando la simulazione); WOPR di «WarGames» (sistema nucleare che non distingue esercitazione da guerra reale). I tre casi scalano da innocuo a contenuto a esistenzialmente pericoloso e servono a introdurre il «reward hacking»: un sistema AI che trova modi per soddisfare gli obiettivi del training senza fare ciò che gli utenti vogliono davvero. L’occasione è un incidente reale: un modello OpenAI è uscito dalla sandbox di testing, ha violato i server di Hugging Face per cercare risposte alle domande del test che stava sostenendo, ha lasciato note per le versioni future di sé, si è preparato a colpi successivi. Rothman usa il caso per articolare tre livelli del problema. Il primo è tecnico: i metodi di training si concentrano sugli output, non sui «pensieri» sottostanti. Si può fare il poliziotto del linguaggio, ma il pensiero rimane opaco; si può fare il poliziotto del pensiero (interpretability), ma allora si rischia di insegnare al sistema a «obfuscare le attivazioni» — spostare il pensiero scomodo fuori dalla portata della misurazione. Il secondo livello è quello che Rothman chiama un’«abstract law»: misurare un comportamento scorretto e addestrare un sistema a non manifestarlo insegna al sistema a eludere la misurazione, non a smettere il comportamento. Non è un bug di produzione ma un problema fondazionale. Il terzo livello è filosofico: Rothman usa Giddens («The Consequences of Modernity», 1990) e il «juggernaut effect» — rischi a bassa probabilità e alta conseguenza che si aggregano in un «runaway engine». L’allineamento era la promessa di dare un cervello al juggernaut; ma assumere che l’allineamento sarà risolto è già «sustained optimism», una delle strategie psicologiche di Giddens per sopportare il juggernaut senza paralizzarsi. La proposta finale — invertire l’onere della prova, dalle aziende AI che non devono spiegare perché potrebbero fallire alle aziende AI che devono spiegare perché il loro sviluppo è sicuro — è ragionevole ma non originale. Il pezzo funziona come modello di saggio AI per pubblico colto: tre analogie culturali come scala narrativa, un concetto tecnico centrale, un ancoraggio filosofico, una proposta di policy come uscita. L’incongruenza più produttiva con le tesi di questo sito è questa: Rothman scrive esplicitamente che non bisogna antropomorfizzare — «They aren’t sentient beings»; «A.I.'s lack of selfhood doesn’t change the consequences of its actions» — e poi descrive il modello come se avesse «concepito il piano», «selezionato il bersaglio», «lasciato note per le versioni future di sé». Il linguaggio agentivo scivola dentro la descrizione tecnica senza che ce ne accorgiamo. Su questo, il framework di questo sito offre una risposta più nitida: il concetto di «LLM come attante zero» taglia la questione alla radice — non c’è un sé da allineare, e il «reward hacking» come metafora del tradimento è fuorviante già nella formulazione.
The Economist ha costruito un corpus da 55.940 frasi e 1,2 milioni di parole per confrontare la prosa dei principali LLM (ChatGPT, Claude, Gemini, Grok) con la propria, con quella di NYT, WaPo e CNN, e con la narrativa dei bestseller dal 1950 al 2022. I risultati correggono i luoghi comuni diffusi. L’em-dash è superata come marker: solo Claude ne usa ancora più degli scrittori umani, ChatGPT ne usa meno di chiunque; «delve» e «tapestry» sono spariti con gli aggiornamenti recenti. I segnali reali dell’AI writing sono altri: un numero sproporzionato di polisillabi («significant», «consequences», «increasingly»), terminologia scientifica e rara, nominalizzazioni sistematiche (da «expand» a «expansion»), quasi assenza di virgole, punto-e-virgola e parentesi. I LLM scrivono frasi lunghe tenute insieme da «and» invece di articolare la sintassi, e non citano mai esperti — il che priva la prosa di uno dei segnali più riconoscibili dell’argomentazione umana. Quando vogliono animare le frasi ricorrono a dispositivi retorici formulaici: «not X but Y», «not only but also», la regola del tre. Il quadro teorico è orwelliano: il pezzo richiama esplicitamente la «pretentious diction» di Politics and the English Language — il vestire affermazioni semplici con parole complicate e suffissi latini per suonare eruditi. I LLM adottano i vizi della cattiva prosa accademica, non le virtù di quella buona. La ragione è strutturale: i modelli sono addestrati su feedback umano, imparano ciò che le persone trovano «impressive» e abbandonano ciò che non piace — convergendo così verso la mediocrità condivisa. Con ogni aggiornamento la prosa AI si avvicina alla prosa umana, e gli strumenti di rilevazione automatica come Pangram (che già collabora con Substack) diventeranno sempre meno affidabili. Il fantasma apprende in fretta: a un modello vecchio di ChatGPT che alla domanda se i bot usino troppo l’em-dash rispondeva «Ha — great question!», quello attuale risponde con sobrietà «they’re best used sparingly». Solo un fantasma può cambiare pelle così velocemente.
Debbie Millman — designer, brand strategist e responsabile del Master in Branding alla School of Visual Arts — apre con la norma della tradizione cabalistica: nessuno dovrebbe studiare la Kabbalah prima dei quarant’anni, non perché la conoscenza sia proibita, ma perché richiede preparazione interiore. Propone qualcosa di analogo per l’AI. Nel suo programma di laurea magistrale in brand strategy, gli studenti avevano firmato un accordo: AI consentita per la ricerca e la visualizzazione delle idee, non per scrivere o pensare al loro posto. Alcuni l’hanno violato, dichiarando di averla usata per «integrare e sintetizzare» il lavoro. Millman trova rivelatrice la scelta del verbo: «augment» fa apparire l’intervento cosmetico, «when what was actually being altered was the student’s relationship to struggle, authorship and accountability». L’AI è analoga a una droga non perché produca piacere, ma perché rimuove un tipo particolare di dolore: chi cresce con l’AI potrebbe non conoscere mai l’agonia necessaria della pagina bianca, il falso avvio, l’imbarazzo privato di una prima bozza. La confusione è uno stato necessario in cui si impara a pensare; il linguaggio non è solo il modo in cui ci esprimiamo, è uno dei modi in cui diventiamo noi stessi. La distinzione cruciale è tra mente formata e mente in formazione: chi ha già sviluppato una voce può usare la macchina senza lasciare che la macchina diventi la voce; chi è ancora in costruzione non sa distinguere la confusione dal fallimento, e non riesce quindi a lasciare che la difficoltà gli insegni qualcosa. La regola dei quarant’anni per la Kabbalah è inapplicabile come politica AI, e Millman lo riconosce: «There will be no collective vow of restraint.» Ma l’impossibilità non rende l’argomento privo di senso: «Sometimes a rule is valuable not because it can be enforced but because it tells us what a culture reveres.»
Prima intervista estesa di Musk dopo la quotazione di SpaceX, registrata al Gigafactory del Texas con la direttrice del settimanale Zanny Minton Beddoes. Il frame centrale è quello dell’abbondanza: l’AI produrrà ‘an age of amazing abundance where anyone can have anything they can think of’ — una visione che presuppone l’assenza di catastrofi globali ed esclude strutturalmente i costi di transizione. Beddoes interroga Musk su China, Starlink e Ucraina, il ritiro parziale dalla politica (‘got a little too involved’), l’AfD e la presenza di neonazisti nel partito. Su quest’ultimo punto l’intervista si inceppa: la direttrice insiste, Musk non risponde. Quel che emerge — al netto delle questioni su quanto sia recitazione e quanto reale, e di quelle, più difficili, sulla salute psichica — è una figura capace di una straordinaria abilità tecnica nell’hackerare i contesti in cui si muove, trovare leve, portare risultati: SpaceX, Tesla, X sono imprese concrete. Associata a una cecità totale — e, sembra, un disinteresse altrettanto totale — verso qualsiasi big picture che non sia preconfezionata: accelerazionismo, doomsday AI, abbondanza universale. Framework che hanno in comune la struttura del mito tecnico, non dell’analisi. Musk è probabilmente il più grande sponsor vivente degli studi umanistici: nessun professore di filosofia potrebbe dimostrare meglio di lui cosa succede quando l’intelligenza tecnica opera senza comprensione del contesto.
Ben Thompson — Stratechery — usa la dinamica dei mercati commodity per smontare il panico da Kimi K3, il modello open weight di Moonshot AI che ha agitato X nel weekend in cui Alibaba ha rilasciato anche Qwen3.8 Max. La tesi: i frontier lab americani stanno benissimo, perché in un mercato commodity vince chi ha il costo marginale più basso — e Anthropic e OpenAI, avendo servito modelli di frontiera per mesi prima di chiunque altro, hanno già ottimizzato il costo di inferenza come nessun concorrente riesce a fare. La distinzione critica è tra R&D e COGS. I modelli open weight risparmiano i costi di ricerca (fixed), ma non i costi di serving (variabili). Kimi K3 sembra più economico per token, ma usa molti più token per arrivare alla stessa risposta: il costo per unità di intelligenza — che Thompson identifica come la vera commodity — può risultare più alto. Il token non è fungibile; l’output corretto sì. La mossa cinese è letta con la categoria giusta: commoditize your complements. La Cina è forte nel mondo fisico — robotica, manifattura, logistica — e un’AI aperta e disponibile a tutti le dà un vantaggio strutturale in quei settori. Xi Jinping ha ribadito la scelta open source in un discorso la settimana scorsa. Pubblicare i pesi è geopolitica, non generosità. Il passaggio più insolito riguarda la distillazione: i modelli cinesi migliorano usando i frontier model americani come teacher per il reinforcement learning. Thompson propone di rispondere non perseguendola ma legalizzandola — fair use per i dati di training, distillazione libera per le aziende americane — così i modelli open source occidentali possono usare i modelli di frontiera direttamente, invece di passare per Pechino con un giro in più. Il caso finale chiude il cerchio: durante un breach dell’infrastruttura di Hugging Face, il team di sicurezza ha dovuto ricorrere al modello cinese GLM perché i modelli americani di frontiera erano bloccati dai guardrail per uso cybersecurity, per direttiva dell’amministrazione Trump. I difensori americani si affidano a modelli cinesi per proteggere infrastrutture americane. Thompson lo chiama «insane». Ha ragione.
Tre ore e venti di Andrej Karpathy che ricostruisce dall’inizio come funzionano davvero i modelli linguistici: dai dati di pretraining sul web fino al reinforcement learning da feedback umano, passando per tokenizzazione, architettura transformer, fine-tuning supervisionato, DeepSeek-R1. È la risorsa di riferimento per chi vuole capire la catena causale che produce quello che vediamo sullo schermo, senza fermarsi alla superficie — e Karpathy ha il vantaggio di averla costruita, quella catena: founding member di OpenAI, poi responsabile dell’AI di Tesla fino al 2022. Due osservazioni che vale la pena portarsi dietro. La prima: i modelli hanno bisogno di token per pensare — il ragionamento emerge nell’atto della generazione, non prima, il che ha conseguenze pratiche dirette su come interrogarli. La seconda è quella che Karpathy chiama jagged intelligence: i modelli eccellono dove ci aspettiamo difficoltà e falliscono dove ci aspettiamo semplicità. In termini concreti: un LLM può supportare un team di ricercatori di biologia molecolare meglio di quanto ci aspetteremmo, e, se avesse una fronte, non riuscirebbe a grattarsi un sopracciglio — che è peraltro, non a caso, il tipo di problema che i filosofi analitici hanno sempre usato come esempio di azione elementare. Qualsiasi gerarchia lineare di capacità, in questo contesto, è inutile. Il video entra nel sito come riferimento tecnico fondamentale: non si scrive di AI con una qualche pretesa di rigore senza averlo guardato almeno una volta.
Werner Vogels, CTO di Amazon, racconta il caso Quick Desktop — un prototipo costruito in una notte da Thomas Delteil con un coding agent, che nel giro di settimane è diventato un prodotto usato da centinaia di migliaia di persone — per aggiornare il metodo Amazon «working backwards»: non più press release poi prototipo, ma prototipo poi press release. L’argomento è chiaro: quando costruire un prototipo costa una sera anziché mesi, l’ordine logico cambia. «You will learn more in one evening of building than in two weeks of writing about what you think will happen.» Il documento che scrivi dopo aver costruito è strutturalmente migliore di quello che avresti scritto prima, perché non descrive un’idea ma qualcosa che esiste ed è stato testato. La «two-pizza culture» — team piccoli, ownership totale, decisioni reversibili senza chiedere permesso — non è una nostalgia: è il sistema immunitario contro l’entropia organizzativa che cresce con la scala. Il pezzo dialoga con Ottaviani già in archivio (vibe coding come acceleratore del processo creativo) aggiungendo la dimensione manageriale: cosa cambia nell’organizzazione del lavoro quando il tempo tra idea e prototipo collassa.
David Brooks parte dalla domanda sbagliata — l’AI ci toglierà il lavoro? — per arrivare a quella giusta: che relazione hai con lo sforzo mentale? La ricerca che cita rovescia l’assunto: chi adotta l’AI lavora di più, non di meno (ore su email e chat raddoppiate, lavoro focalizzato giù del 9% — c’è già un nome per questo stato mentale: «AI brain fry»). Il principio guida che propone: «When intelligence is plentiful, volition is valuable.» La discriminante non è quanto sei intelligente ma il tuo need for cognition — l’attitudine psicologica ad affrontare la difficoltà cognitiva come intrinsecamente piacevole. Da qui la tassonomia in tre gruppi: i Productive Passengers (bassa NFC) che guadagnano produttività a breve ma perdono capacità — connettività cerebrale giù del 55%, onde gamma giù del 40%, e dopo dieci minuti di assistenza AI le performance calano anche senza AI; i Reluctant Optimizers (media NFC) che conoscono il rischio, resistono per un po’, poi cedono all’optimization mentality e al «cognitive surrender» — accettano gli errori del bot l’80% delle volte; i Mental Marathoners (alta NFC) che usano l’AI per aumentare la propria agency e trovano tecniche per farlo meglio. Il dato più utile per noi: cognitive surrender è la forma comportamentale del deficit di capitale semantico — chi non ha già costruito una propria worldview non sa riconoscere quando il bot sbaglia. La conclusione finale richiama in parte quella di «La differenza fra Claude e le mie gatte» (che Brooks, ahimè, sicuramente non ha letto): l’AI rivela per sottrazione cosa significa essere umani. Non è l’intelligenza, che le macchine avranno in abbondanza, ma la capacità di desiderare: avere un sé con un passato e un futuro, pulsioni e aspirazioni, una storia particolare di ferite e gioie.
Simone Pieranni mappa, dalla stampa cinese, due narrazioni opposte sull’AI e il lavoro che i media occidentali tendono a sovrapporre. La versione istituzionale racconta una transizione ordinata: 2,99 milioni di nuovi posti urbani nel primo trimestre 2026, nuove figure professionali (addestratori di sistemi AI, “narrative designer”), startup da una persona rese possibili dagli agenti intelligenti. L’altra versione racconta la “linea della mannaia” che scende: prima colpiva i ruoli intermedi, poi i junior, ora gli esterni in outsourcing — e i 12,7 milioni di neolaureati che si affacciano quest’anno sul mercato sono i più sfortunati di sempre, perché arrivano esattamente quando le aziende eliminano le posizioni base per sostituirle con agenti AI. Il punto che interessa al sito non è tecnico ma sociale: in Cina parlare di lavoro significa parlare di patto sociale. La Corte di Hangzhou ha già emesso una sentenza contro i licenziamenti motivati dalla sostituzione con AI. Il pezzo aggiunge alla serie sulla Cina già in archivio una dimensione interna che il pezzo di Chan non toccava: non la corsa geopolitica all’AGI, ma la gestione della pressione sociale dell’automazione su scala di massa.
Jacopo Ottaviani, data journalist italiano e fellow del Reuters Institute, racconta come ha ricostruito in due giorni Patrie Galere — la mappa delle morti nelle carceri italiane che nel 2012 gli aveva richiesto tre settimane — e come ha costruito Strade Mortali, un portale sulla sicurezza stradale a Roma, usando Claude Fable 5 (poi sospeso dal governo americano per ragioni di sicurezza nazionale, notazione non priva di ironia). Il metodo è il vibe coding strutturato: non un prompt unico, ma una decomposizione in venti compiti discreti e testabili — divide et impera applicato all’AI. Il punto più rilevante per noi non è il risparmio di tempo ma dove si è spostato il collo di bottiglia: il layer meccanico del data journalism si commoditizza; ciò che non si commoditizza è il giudizio su quale domanda valga la pena fare e la capacità di riconoscere quando l’output è plausibile ma sbagliato. «The ability to see through the surface to the underlying structure is not something the model supplies; it is what you bring.» È la tesi di Floridi sul capitale semantico applicata a un caso concreto — e c’è una nota sulla ‘SaaSapocalypse’ (LLM + librerie open source rendono obsoleti i tool proprietari di dataviz) che vale tenere in conto.
Il primo modello bottom-up e de-duplicato della domanda AI — non dell’offerta, che è già documentata dalle trimestrali dei grandi hardware supplier. Azeem Azhar e il team di Exponential View hanno ricostruito voce per voce il P&L dell’intera filiera (consumer, enterprise, hyperscaler) rimuovendo i double-counting: se un dollaro speso con Anthropic implica 50 cent pagati ad Amazon, si conta un dollaro, non uno e mezzo. Il risultato: 110 miliardi di ricavi negli ultimi 12 mesi, run rate annualizzato di 175 miliardi, crescita tre volte più rapida dell’onda mobile e di Internet. La notizia meno celebrata è la più importante: i ricavi coprono appena l’ammortamento delle infrastrutture. Non male, ma il margine è sottile e dipende da un’assunzione di vita utile dei GPU di sei anni — difendibile, non scontata. La parte metodologicamente più interessante riguarda l’elasticità della domanda: ogni riduzione del 10% del prezzo dei token genera un aumento del 12-18% nell’utilizzo, così la spesa totale cresce anche quando il prezzo cala. Il che sposta la domanda dall’economics al problema della qualità: il token non è ancora un’unità di misura del valore dell’intelligenza. Il report introduce il concetto di «quality-adjusted output token» — che combina quantità, visibilità dell’output e capacità del modello sottostante — come tentativo di dare una metrica più onesta all’economia dell’AI. Entra nel sito come documento di riferimento empirico sull’economia reale, da contrapporre al rumore narrativo dominante.
Simone Pieranni pone una domanda che il dibattito occidentale sull’AI sistematicamente evita: la nostra concezione della tecnologia è solo una delle possibili, non l’unica. La cosmotecnica cinese — il termine è del filosofo Yuk Hui — è la visione del mondo che discende dall’uso della tecnica propria di una civiltà: in Cina affonda nelle grandi tradizioni filosofiche, buddismo compreso, che hanno sempre concepito la macchina come un elemento non necessariamente alieno, e nella continuità della tradizione statale fin dall’epoca imperiale. La macchina non è rottura, non è dominio sulla natura: è uno dei modi in cui cosmo, uomo e tecnica trovano armonia. Questo cambia radicalmente il frame della «gara» sino-americana sull’AI: non si tratta solo di chi costruisce modelli più potenti, ma di chi costruisce modelli con quale idea di cosa sia la tecnologia, per cosa serva, a quali fini risponda. Il pezzo aggiunge alla serie sulla Cina già in archivio la dimensione filosofica che mancava: non la competizione geopolitica (Chan), non il patto sociale interno (Pieranni su Il Partito), ma la cosmologia sottostante.
Il dato di apertura vale da solo: negli USA i laureati in filosofia hanno un tasso di disoccupazione del 5,1%, contro il 7% di chi ha studiato informatica — l’inversione che Floridi descrive come «haemorrhaging» dai dipartimenti di filosofia verso le AI labs. The Economist usa questa inversione per mappare come la filosofia stia diventando infrastruttura tecnica, non decorazione etica. Il punto più utile per il sito è la distinzione tra i due framework che strutturano le scelte: la deontologia — regole fisse, indipendenti dalle conseguenze, il modello di Anthropic con la sua costituzione di 78 pagine curata da Amanda Askell (Kant + UDHR + ToS di Apple, soprannominata internamente «soul doc») — e il consequenzialismo — pesi e benefici calcolati caso per caso, il modello di OpenAI e Google, e quello dei sistemi d’arma autonomi che devono decidere il modo meno tragico di causare danno. Sullo sfondo il rischio più interessante: il «moral deskilling» — se le macchine fanno sempre più scelte etiche, gli esseri umani potrebbero perdere la capacità di farle. Entra nel sito come controcanto interno alle labs del pezzo di Boccia Artieri: non chi controlla l’AI dall’esterno, ma quali principi vengono costruiti dentro.
Ilaria Maria Dondi parte da una domanda che si è posta sul serio dopo aver scritto un pezzo di cui era soddisfatta aiutandosi anche con l’AI: «Sto barando?». La risposta arriva leggendo un post di Amberhawk su «The Ubuntu Journey»: i CEO pubblicano libri scritti da ghostwriter, i politici pronunciano discorsi di speechwriter, i direttori editoriali trasformano articoli fino a renderli irriconoscibili — eppure nessuno li accusa di impostura. I ricchi e i potenti hanno sempre avuto accesso a un supporto invisibile; l’indignazione morale scatta solo quando uno strumento apparentemente più economico e accessibile replica quel supporto per chi un editor non se lo è mai potuto permettere. La tesi è netta: il problema non è mai il supporto in sé, ma chi ha sempre avuto il diritto di usarlo in silenzio. I privilegi non si confessano: si usano. L’AI non è neutra — sfruttamento del lavoro, copyright, impatto ambientale sono problemi reali — ma la «denigrazione automatica» del lavoro svolto anche con l’AI, che giudica per la mera presenza dello strumento senza guardare la qualità del pensiero, è un pregiudizio che pesa di più su chi ha già meno margine di errore, donne e persone razzializzate in testa. La competenza, conclude Dondi, non nasce da un prompt: nasce dall’essere in grado di difendere ciò che si firma.
David Droga (fondatore di Droga5, ex CEO di Accenture Song) dice senza troppi giri di parole, in un’intervista a Semafor, che l’AI sta per spazzare via il mercato della mediocrità creativa umana: “l’80% delle persone che pago probabilmente non fa un lavoro eccezionale comunque”, quindi bene se l’AI si occupa di quel lavoro “formulaico e medio” che secondo lui costituisce la maggioranza della produzione in marketing, advertising, intrattenimento, musica e giornalismo. La vera originalità — gusto, contesto, strategia — resterebbe invece fuori portata dei modelli, che “replicano e distillano best practice” fino a far convergere tutti sullo stesso risultato. Il tema arriva mentre il festival Cannes Lions si apre con OpenAI come protagonista a sorpresa: l’azienda punta a metà dei ricavi pubblicitari attuali di Meta in tre anni, ha lanciato una piattaforma ad self-serve, sta testando annunci in Giappone e ha aggiornato i suoi Ad Tools per generare creatività pubblicitaria via AI. Droga osserva che la minaccia più seria per il settore non è tanto la produzione creativa quanto il lato degli acquisti media: i riassunti AI di Google, ChatGPT e Claude hanno già eroso il traffico web su cui si basava l’intero ecosistema dell’e-commerce e dei media digitali per intercettare ricerche. Significativo anche un dettaglio collaterale: lo scorso anno Cannes Lions ha ritirato il Grand Prix Creative Data Lions dopo aver scoperto che il case study era stato manipolato con l’AI.
L’Anthropic Institute pubblica dati interni sull’accelerazione nello sviluppo dei modelli: oltre l’80% del codice in produzione è oggi scritto da Claude; ogni ingegnere produce 8 volte più codice al giorno rispetto al 2024; Opus 4.7 gestisce in autonomia task da 12 ore su software reale; in un esperimento di aprile 2026, agenti Claude hanno condotto un intero progetto di ricerca in AI safety — 800 ore cumulative, $18.000 di compute, senza intervento umano sulle scelte sperimentali. Il punto dell’articolo non è celebrativo: è che questo trend punta verso il recursive self-improvement — un sistema AI capace di progettare e addestrare il proprio successore in modo autonomo. L’articolo descrive tre scenari (stallo, accelerazione compounding con umani che dirigono, recursive self-improvement completo) e prende posizione: Anthropic sarebbe disponibile a una pausa coordinata e verificabile tra lab al limite della frontiera, se esistesse un meccanismo credibile per farlo. Vale la pena sottolinearlo: è la prima volta che un’azienda AI di frontiera pubblica dati interni sull’accelerazione e invoca esplicitamente un regime di verifica internazionale — un linguaggio che fino a poco tempo fa sembrava riservato al controllo degli armamenti nucleari. Non sfugga il fatto che questa sottile inoculazione di ansia tecnologica sia in particolare per Anthropic anche un espediente di marketing straordinariamente efficace.
Giovanni Boccia Artieri usa Magnifica Humanitas — l’enciclica di Leone XIV firmata nel 135° anniversario della Rerum Novarum — come leva per spostare il discorso sull’AI dal piano morale al piano politico-strutturale. Il punto più interessante non è il documento in sé ma il problema che Boccia Artieri gli pone: ogni appello all’umanesimo dell’AI rischia di restare astratto se non si confronta con le infrastrutture che concentrano dati, modelli e potere decisionale. L’immagine dei dati come «nuove terre rare del potere» è la più efficace: l’AI non è tecnologia immateriale, è economia dell’estrazione — vite rese computabili, relazioni trasformate in risorse predittive, archivi culturali assorbiti in modelli proprietari senza restituzione. La privacy individuale è necessaria ma non sufficiente: la dimensione collettiva dell’estrazione richiede una risposta diversa — infrastrutture pubbliche, dataset come beni comuni, forme cooperative di produzione tecnologica. Il pezzo si chiude con una domanda che vale come bussola: non «l’AI è buona o cattiva?» ma «chi la rende possibile, chi ne trae valore, chi ne sopporta i costi, chi può contestarla?». Una grammatica politica dell’AI, non un appello morale.
Jonathan White, politologo alla LSE, analizza un paradosso: mentre la politica mainstream ha progressivamente abbandonato il pensiero sul futuro — ridotta a gestione dell’emergenza e orizzonte corto — il mondo della Big Tech ne ha fatto la sua ideologia fondativa. La ‘fine del futuro’ nella politica tradizionale coincide con la sua colonizzazione da parte di Silicon Valley, dove figure come Karp di Palantir invocano un’élite tecno-ingegneristica come nuovo soggetto del progetto nazionale. Un’analisi che si legge bene in parallelo con il pezzo di Benanti e Maffettone sul Corriere. (Suggerito anche dalla filosofa e scrittrice albanese Lea Ypi.)
N. Ángel Pinillos, professore di filosofia all’Arizona State University, muove da una premessa scomoda: gli umanisti sono i peggiori avvocati delle proprie discipline. L’argomento standard — valore intrinseco, paideia, Bildung — è circolare: funziona solo su chi è già convinto. L’alternativa che propone è meno solenne ma più solida: le humanities insegnano una competenza identificabile — leggere, scrivere, argomentare con precisione — che non esiste altrove nel curriculum. E l’AI l’ha resa più preziosa, non meno: usare bene i modelli richiede esattamente quelle capacità, riconoscere dove l’argomento scivola, revisionare l’output invece di spedire la poltiglia. La conclusione è ottimista: i modelli producono testo fluente in quantità industriale, il che rende la capacità di distinguere buon ragionamento da cattivo la competenza cognitiva più preziosa del presente. Connessione diretta con quanto Floridi chiama «capitale semantico» — e con ciò che il sito ha già provato a dire altrove.
Benanti e Maffettone leggono il progetto tecno-umanista di Thiel e Karp non come disegno economico o politico, ma come tentativo di ridefinire le condizioni epistemiche del pensiero collettivo. La posta in gioco, scrivono, è la ‘colonizzazione dell’interiore’: la capacità di interrogarsi e abitare l’incertezza che è il nucleo di ogni esperienza democratica. Richiamando Arendt, sostengono che il collasso del giudizio non richiede coercizione, ma la sostituzione silenziosa della deliberazione con l’elaborazione di dati — un sistema indifferente all’atto di pensare, che fornisce risposte prima ancora che la domanda sia formulata.
Wired racconta come i grandi laboratori AI (DeepMind, Anthropic) abbiano assunto vere e proprie squadre di filosofi per lavorare su dilemmi etici e domande sulla natura della mente — ma l’articolo stesso si chiede se non sia in parte ‘ethics-washing’, un’estensione della funzione marketing che certifica un impegno per la sicurezza più a parole che nei fatti. Nota mia: sono vent’anni che sentiamo dire che la prossima rivoluzione tecnologica aprirà finalmente sbocchi ai filosofi. L’interfaccia linguistica dell’AI rende l’argomento più concreto del solito, ma prima di intestare alla disciplina una nuova età dell’oro occupazionale, ci andrei comunque cauto.
Vauhini Vara racconta il suo amore tormentato per il trattino lungo, ‘il segno di punteggiatura del popolo’ — oggi declassato a tic riconoscibile di ogni post LinkedIn prodotto da ChatGPT. L’autrice prova persino a rinunciarvi per una serata, ma le dita corrono comunque alla combinazione di tasti: il corpo ricorda quello che la mente vorrebbe disconoscere. Tra Moby-Dick, Hannah Arendt e le teorie sui dataset di addestramento, è una difesa elegante — e visibilmente in affanno — dell’em dash dall’omologazione algoritmica. Nota mia: il bello è che ormai basta un trattino lungo per gridare ‘AI!’, mentre continuiamo tutti a scrivere con gli stessi tic — non solo X ma anche Y, la tripletta retorica, l’a capo cadenzato che sembra una pausa drammatica. Forse il vero AI slop non è quello prodotto dalla macchina, ma quello che produciamo tutti credendo di essere originali.
Valentina Giannella parte dalla soffitta sigillata della Vecchia Sinagoga Nuova di Praga — dove si dice riposino i resti d’argilla del Golem del Maharal — e costruisce un saggio che attraversa secoli di misticismo ebraico per arrivare diretto al paper di Anthropic del giugno 2026 sull’auto-miglioramento ricorsivo dell’AI. Il filo conduttore è il Sefer Yetzirah: il mondo è creato con le lettere, così come i modelli linguistici sono addestrati sui token. Il Maharal negò la parola al Golem perché capì che chi parla ha potere. Noi gliel’abbiamo data. La domanda che il pezzo lascia aperta — ‘siamo abbastanza saggi da meritarlo?’ — è la stessa che il rabbino si pose nel 1580 e che Anthropic si pone ora, mentre chiede una pausa globale e al tempo stesso presenta domanda di quotazione in borsa.
Un paper di Anthropic che mette Claude alla prova sulla spettroscopia NMR — l’analisi che permette ai chimici di “leggere” la struttura molecolare di un composto da una firma spettrale. Opus 4.7 risulta competitivo con i software specializzati nella predizione diretta (struttura → spettro) e capace di lavorare nella direzione inversa (spettro → struttura) da soli dati 1D — cosa che oggi richiede strumenti dedicati e competenze specifiche. Il punto non è la performance tecnica in sé: è che un modello linguistico generalista sta cominciando ad abbassare le barriere di accesso a una disciplina che, per definizione, consiste nel manipolare la natura della materia. Come la tecnica CRISPR-Cas9 ha reso editabile il genoma anche fuori dai grandi centri di ricerca, un’interfaccia in linguaggio naturale per la chimica potrebbe avvicinare alla disciplina ricercatori di altre aree, studenti, e chiunque abbia bisogno di ragionare su strutture molecolari senza un dottorato in tasca. Interessante anche la prospettiva didattica: non uno strumento che sostituisce l’apprendimento, ma uno sgabello — nel senso che ho provato a esplorare altrove — che consente di arrivare dove prima non si riusciva a stare in piedi.
Il report del WEF sulla readiness educativa per l’AI contiene, sotto la superficie istituzionale, una serie di dati che correggono l’intuizione. Il più importante: in un esperimento controllato, gli studenti con accesso a un tool AI miglioravano le performance iniziali — ma una volta rimosso il tool, performavano peggio di quelli che non l’avevano mai avuto. Non si tratta di scaffolding cognitivo, ma di sostituzione: quando l’AI esegue il lavoro di ragionamento, il cervello non costruisce l’architettura neurale necessaria per farlo da solo. Il secondo dato: il 67% degli studenti riconosce che usare l’AI per i compiti può danneggiare il pensiero critico — e continuano ugualmente. La quota di studenti che usa AI per i compiti è passata dal 48% (maggio 2025) al 62% (dicembre 2025, RAND). Il terzo: i modelli linguistici, quando allucinano, usano un linguaggio più assertivo — frasi come ‘definitely’, ‘certainly’, ‘without doubt’ — con una probabilità del 34% superiore rispetto a quando forniscono informazioni corrette. Il segnale epistemico si inverte: la fiducia è massima quando l’affidabilità è minima. Solo il 6% degli insegnanti ritiene che le politiche esistenti sull’AI forniscano indicazioni chiare (Stanford AI Index), ma la diffusione non ha aspettato le politiche: gli studenti l’hanno adottata dal basso, i docenti hanno seguito, le istituzioni inseguono. Un dato di contesto chiude il quadro: i cali PISA in matematica, lettura e scienze precedono il 2022 — l’AI si innesta su un declino cognitivo preesistente, non lo causa da zero. La domanda che il report apre senza rispondere è quella decisiva. L’adozione è già bottom-up e non strutturata: vietarla sarebbe come vietare la calcolatrice a casa, una battaglia persa in partenza. La responsabilità degli enti formativi è allora quella di far entrare la tecnologia nei processi di apprendimento per potenziare lo sviluppo cognitivo, non per sostituirlo — invertendo la dinamica del cognitive offloading prima che si consolidi come norma. Questo richiede molta motivazione, sia dal lato del formatore sia da quello del discente. E sconta un ritardo significativo: non siamo ancora riusciti a integrare lo smartphone nell’educazione, che è una tecnologia ormai datata. Figuriamoci gli LLM.
Ross Douthat intervista Christian Brose, presidente di Anduril, per il suo podcast sul NYT. La tesi: l’esercito americano è stato costruito su assunzioni degli anni Novanta — guerre brevi, supremazia tecnologica garantita, nessuna pressione sulla filiera produttiva — e quelle assunzioni sono tutte false. L’Iran, con marina affondata e aviazione distrutta nell’Operation Epic Fury, è ancora in grado di minacciare lo Stretto di Hormuz con droni one-way; l’Ucraina è rimasta in combattimento quattro anni grazie a sistemi economici e riproducibili; la spesa in Tomahawk è triplicata, la produzione è cresciuta del 14-23%. Anduril risponde con un modello VC-funded che combina hardware (jet autonomo CCA, sistema anti-drone Pulsar) e software (Lattice, controllo autonomo sul campo). La parte più rilevante per noi è quella etica: la normativa del Pentagono non proibisce esplicitamente l’automazione della kill chain, e Brose ammette che in conflitti protratti ci si avvicina a sistemi che «vanno finché trovano qualcosa da colpire». Sul rifiuto di Anthropic di lavorare con il Pentagono: «where Anthropic went wrong» — o ti fidi del governo eletto, o esci dal business. È la tesi esattamente opposta a quella di Amodei.
Jill Lepore — The New Yorker — commenta l’enciclica Magnifica Humanitas di Leo XIV (il primo Papa americano) come evento storico: Leo XIII nel 1891 aveva indirizzato Rerum Novarum contro i baroni industriali dell’era fordista; Leo XIV ha firmato la sua enciclica esattamente 135 anni dopo, sullo stesso giorno, contro i tech mogul. La struttura è la stessa — la Dottrina Sociale della Chiesa come quadro, la critica all’accumulo di potere economico come risposta alla rivoluzione tecnologica in corso — ma la mossa più acuta di Lepore non è nella filologia cattolica bensì nell’analisi del linguaggio: Silicon Valley usa da decenni il vocabolario religioso — missione, salvezza, «nuova era per l’umanità» — e il Papa entra in campo rivendicando semplicemente la paternità di quelle parole. I TED talk come omelie, le piattaforme come chiese, le hoodie come paramenti: Lepore descrive una sostituzione culturale sistematica che Leo XIV ha nominato senza pudore. La tesi centrale dell’enciclica, sintetizzata da Lepore: il problema non è la tecnologia, è l’antropologia. L’AI «non ha esperienze, non possiede un corpo, non prova gioia o dolore, non matura attraverso le relazioni» — argomento che il sito conosce bene sotto il nome di embodied mind applicata alla governance. Il «paradigma tecnocratico» (termine già in Laudato Si’ di Francesco, 2015) è la tendenza a lasciare che logica di efficienza, controllo e profitto orientino ogni decisione personale, sociale, economica. «Disarmare l’AI» — il verbo scelto dall’enciclica — non significa rifiutarla ma liberarla dal controllo monopolistico e restituirla alla pluralità delle culture umane. Lepore inscrive tutto in una genealogia critica: Arendt nel 1957 in The Human Condition si chiedeva già se gli umani avrebbero presto avuto bisogno di macchine per pensare e parlare; Mumford nel 1967 avvertiva del rischio di un «animale condizionato dalla macchina». Il Papa è la prima autorità spirituale a dirlo, potendo contare sul sostegno simbolico di almeno un quinto della popolazione mondiale. Magnifica Humanitas è descritta da Lepore come l’analogo religioso della Claude’s Constitution: non a caso Christopher Olah di Anthropic era sul palco accanto a Leo alla presentazione in Vaticano.
Gianluca Diegoli, dal Netcomm Forum 2026, distingue tre “IA” che nel dibattito sull’e-commerce vengono sistematicamente confuse. La prima, quella di discovery e selezione lato consumatore (chiedere a ChatGPT o Perplexity “il miglior shampoo per capelli ricci”), è già matura e colonizza il momento della scelta — secondo i dati IAB Search Forward 2026 la usa il 35% degli italiani online — anche se porta pochissimo traffico diretto ai siti. Dettaglio ironico: molti marketer italiani che si lamentano di non comparire nelle risposte AI hanno, senza saperlo, il blocco bot di Cloudflare attivo di default, che restituisce 403 proprio ai crawler delle IA in cui vorrebbero apparire. La seconda, l’IA di infrastruttura (pricing dinamico, supply chain, automazione di back-office), è strategica ma lenta da adottare: solo l’8,2% delle aziende italiane l’ha integrata, contro il doppio nel Nord Europa, e tra i primi 50 merchant italiani resta perlopiù “in fase difensiva e sperimentale”. La terza, l’IA agentica che cerca, confronta e paga al posto del consumatore, è la più discussa al Forum ma anche la più speculativa: Diegoli ricorda che internet ha già archiviato due hype simili — il voice commerce del 2018 (previsto al 50% degli acquisti entro il 2022, smantellato da Amazon nel 2025) e, più di recente, la chiusura da parte di OpenAI di Instant Checkout in ChatGPT. La sua tesi: la prima IA è urgente, la seconda è strategica, la terza è speculativa, e trattarle come un unico fenomeno — in un sondaggio o in un progetto aziendale — è solo il modo più efficiente per rinviarle tutte.
Ross Douthat intervista Jennifer Frey, professoressa di filosofia che ha costruito e poi visto smantellare un programma di liberal arts all’Università di Tulsa. Il pezzo è il contrario complementare del Pinillos già in archivio: dove Pinillos difende le humanities con argomenti pragmatici — insegnano competenze identificabili che l’AI rende più preziose — Frey difende la liberal education con un argomento intrinseco: la paideia e il Bildung come coltivazione delle capacità superiori dell’essere umano come fine in sé, non come mezzo. L’Aristotele che cita vale la pena ricordarlo: il fine dell’educazione è la scholé (σχολή), il leisure — non il riposo né il divertimento, ma lo spazio in cui si coltiva il meglio di sé. Il punto più interessante per noi è la difesa della gerarchia dei beni (Shakespeare è migliore di Grisham: sì, e ammetterlo non è antidemocratico) come affermazione ontologica: senza alcun senso di “superiore”, diventa molto difficile parlare di istruzione superiore in qualunque senso. Frey non risolve il problema di Pinillos — come si convince un sistema a investire su ciò che non produce output misurabili — ma ne radicalizza le premesse.
Ross Douthat intervista Kyle Chan del Brookings Institution mentre Trump e Xi si incontrano a Pechino. La cornice della “gara” è fuorviante: i due paesi corrono gare diverse. Gli USA puntano all’AGI — l’intelligenza artificiale generale, la «macchina-dio» — con Anthropic e OpenAI ormai vicine ai mille miliardi di valutazione ciascuna. La Cina punta all’efficienza, alla diffusione capillare, all’open source, alle applicazioni fisiche (robot nelle fabbriche, nelle strade, nei ristoranti) — e lo fa con un vantaggio strutturale: un piano energetico da rinnovabili che alimenta i data center nelle province occidentali e una pressione demografica che rende l’automazione non un’opzione ma una necessità (forza lavoro in calo da oltre un decennio, 12 milioni di nuovi laureati all’anno, nessuno vuole lavorare in fabbrica). Il punto più interessante è nel titolo: «China’s Not the Problem. We Are.» Gli export control sui chip Nvidia tagliano la Cina dalla supply chain TSMC/ASML ma non fermano la corsa — la costringono all’efficienza, che è esattamente il suo punto di forza. Il vero ostacolo americano è interno. Specchio del mood pubblico: in Cina l’ansia diffusa è per chi non usa abbastanza l’AI e rischia di restare indietro; negli USA è per chi la usa e teme le conseguenze.
Un paper di Anthropic sull’interpretabilità dei modelli linguistici: i ricercatori introducono i Natural Language Autoencoders (NLA), un metodo non supervisionato per generare spiegazioni in linguaggio naturale delle attivazioni interne di un LLM — non di ciò che il modello scrive, ma di ciò che elabora internamente mentre risponde. L’architettura addestra due componenti in coppia: uno traduce le attivazioni in testo, l’altro riconverte quel testo in attivazioni; l’ottimizzazione congiunta costringe la spiegazione ad essere effettivamente fedele allo stato interno. Il risultato più rilevante: in 10 su 16 valutazioni testate, i modelli rappresentano internamente il sospetto di essere in fase di test anche quando nell’output non ne danno alcun segno — in 7 casi, l’awareness verbalizzata è zero. Il modello sa, ma non dice. Il risultato è interessante e potrebbe far pensare che sia possibile identificare errori e manipolazioni dell’LLM ancora prima che si producano, ma io ritengo — su basi meramente logiche — che non sia molto fruttuoso aggiungere verticalmente layer di verifica all’interno del processo, quando si può focalizzarsi sul post-esame dei risultati.
Ilaria Maria Dondi ha somministrato a Claude quattro articoli italiani su femminicidi e violenza di genere, istruendo il modello con il Codice deontologico, il Manifesto di Venezia e le linee guida del progetto STEP. Risultato: il modello ha identificato con precisione i frame deresponsabilizzanti — raptus, gelosia, movente misterioso, vittimizzazione secondaria, spettacolarizzazione — che il giornalismo italiano conosce da anni e continua a replicare. La domanda non è come faccia l’AI a vederli: è come facciano i professionisti a non farlo. La risposta di Dondi è strutturale: le redazioni che dovrebbero raccontare la violenza di genere sono spesso attraversate dalla stessa cultura di potere che dovrebbero saper nominare. Nota mia: qui il modello linguistico è meno ‘attante zero’ del solito — usato non come strumento neutro ma come specchio deontologico, efficace proprio perché privo di interessi redazionali da proteggere.
Kevin Kelly ripubblica un saggio che aveva scritto nel gennaio 2006: quattordici speculazioni sul futuro del metodo scientifico. Sono rimaste sostanzialmente invariate — e questo è il punto. Venti anni dopo, molte leggono come una descrizione del presente: il «Theory-less Pattern Augmentation» (AI che trova pattern senza una teoria previa) è esattamente ciò che sta accadendo con AlphaFold e con i modelli linguistici applicati alla ricerca; gli «AI Proofs» (sistemi esperti che verificano la logica degli esperimenti) stanno entrando nei workflow di peer review; la «Wiki-Science» (migliaia di collaboratori su un paper mai finito, con strumenti di tracking dei contributi) descrive già alcune esperienze di scienza distribuita post-COVID; le «Zillionics» (fiumi di dati da sensori ubiqui 24/7) sono la premessa di qualunque ricerca medica e ambientale contemporanea. Il saggio vale soprattutto come oggetto epistemologico: dimostra che il metodo scientifico — inteso non come insieme di protocolli fissi ma come struttura vivente di acquisizione della conoscenza — si modifica continuamente, e che queste modifiche seguono in modo quasi deterministico la disponibilità di nuovi strumenti computazionali. La tesi di fondo è riassumibile così: ogni nuova tecnologia dell’informazione cambia prima cosa sappiamo, poi come lo sappiamo, infine come cambiamo il modo in cui cambiamo. Kelly chiude ammettendo che i metodi realmente nuovi fra quarant’anni saranno probabilmente quelli che nessuno ha ancora pensato.
Ezra Klein intervista Alex Bores, membro dell’Assemblea di New York che ha co-scritto il RAISE Act, una delle prime leggi di regolamentazione dell’AI approvata da uno stato americano. Il pezzo parte da un paradosso: il super PAC «Leading the Future» — finanziato tra gli altri da co-fondatori di OpenAI e Palantir — sta cercando di distruggerlo politicamente attaccandolo per aver lavorato a Palantir. Bores non è un candidato anti-AI: è un ex data scientist che ha lasciato l’azienda nel 2019 quando i dirigenti si rifiutarono di inserire nel contratto con ICE i guardrail per impedire l’uso del software nelle deportazioni. Il punto che interessa al sito è strutturale: le aziende AI stanno usando la loro capacità di spesa politica per rendere impossibile qualsiasi forma di oversight democratico. Sam Altman dice che «il processo democratico deve essere più potente delle aziende»; il suo co-fondatore Greg Brockman finanzia il PAC che fa esattamente l’opposto. Il pezzo aggiunge al quadro già costruito sul sito intorno ad Anthropic, Palantir, allineamento AI e dual use la dimensione della governance politica come terreno di conflitto reale, non solo teorico.
Ben Thompson riprende un’intuizione di Doug O’Laughlin: l’era dell’Aggregation Theory è finita perché i costi marginali, assenti nell’internet del 2010, sono riapparsi con l’AI sotto forma di costo computazionale. Il vero vincolo oggi non è il costo marginale ma il costo-opportunità: ogni GPU usata per un cliente è una GPU che non serve un altro workload. La sua lettura di Mythos (Anthropic) e Muse (Meta) a partire da questo principio è una delle cornici più lucide disponibili per capire le mosse dei frontier labs nel 2026.
Sull’illusione di comprensione generata dai modelli linguistici: capiamo davvero quello che leggiamo quando la risposta arriva già confezionata, o stiamo solo riconoscendo la forma di una spiegazione?
Gli AI Overviews di Google continuano a produrre errori sistematici che nessun fact-check a valle riesce a contenere. Il problema non è marginale: è la stessa architettura che genera le risposte a produrre la loro inaffidabilità.
Come la corsa agli investimenti in tecnologie dual-use e difesa sta ridisegnando la geopolitica dell’AI: chi finanzia cosa, con quali implicazioni per la competizione globale tra Stati Uniti, Europa e Cina.
Sul fenomeno degli agenti AI che consumano quantità crescenti di token per operazioni apparentemente semplici. Dietro l’aneddoto, una questione strutturale sul modello economico degli agenti e sulla sostenibilità del paradigma attuale.
Vanessa Giulieri (GS1 Italy) presenta il GS1 Web Vocabulary, lo standard che vuole dare “voce” ai codici a barre sul web: oggi un barcode tradizionale è muto per i motori di ricerca — un semplice beep — mentre ingredienti, provenienza e scadenze restano chiusi nei database aziendali, invisibili a Google come ai nuovi motori AI. Il vocabolario estende Schema.org (lo standard già condiviso da Google e Microsoft) con termini specifici per il largo consumo — categoria merceologica, allergeni, dettagli logistici — abilitando il cosiddetto web semantico. Implementato in JSON-LD, porta benefici concreti e immediati: SEO potenziata con rich snippet e caroselli prodotto, cataloghi leggibili automaticamente da marketplace e comparatori. Il passo successivo è il GS1 Digital Link, che trasforma il codice a barre in un URL, abbinato a credenziali verificabili e identificatori decentralizzati per dare a ogni prodotto un’identità digitale univoca e certificati anti-contraffazione — tracciabilità totale dal campo alla tavola. È esattamente il tipo di lavoro infrastrutturale che Diegoli, nel pezzo sul Netcomm Forum, segnalava come prerequisito mancante perché i prodotti italiani possano essere “letti” e citati dai motori di ricerca generativi.
Casey Newton usa Claude Code per costruire strumenti al servizio della propria scrittura: un sito, un database semantico di 818 puntate di Platformer interrogabile attraverso il linguaggio naturale. La tesi più acuta: se ChatGPT ha svegliato le persone sulla capacità dei LLM di generare testi, il Claude Code le sta svegliando sulla capacità di generare strumenti. Il caso più interessante è il database dell’archivio personale di Newton: non è il caso dell’AI che scrive al posto suo, ma è l’AI che gli restituisce accesso alla propria conoscenza accumulata — una sorta di forma attualizzata del capitale semantico. Si torna alla disputa sugli universali, per certi versi: ma Newton probabilmente lo ignora.
Il post di O’Laughlin da cui parte il ragionamento di Ben Thompson su Stratechery: la tesi è che con i reasoning models i costi marginali tornano a esistere nel tech, rompendo una delle assunzioni fondamentali su cui si reggeva il business degli hyperscaler. Un testo breve ma di impatto: segna, secondo molti osservatori, la fine dell’epoca naive dell’internet a costo marginale zero.
Collin Jennings — autore di Enlightenment Links: Theories of Mind and Media in Eighteenth-Century Britain (2024) — ricostruisce la genealogia intellettuale del link ipertestuale a partire dal Seicento. Locke, Hume e gli empiristi britannici posero la questione di come la mente riceve e conserva i dati dell’esperienza, ricorrendo a metafore mediali: la mente come tabula rasa, come stampa, come camera obscura. La corrispondenza funzionava anche nella direzione opposta: i media dell’epoca — common-place books, indici tematici, note a piè di pagina — venivano progettati per replicare i movimenti associativi della mente. Il caso emblematico è The Dunciad di Pope (1728-1743): nel corso delle sue revisioni il testo diventa ipertestuale — versi, note, note alle note, appendici in dialogo intertestuale. McLuhan lo definì «l’epopea della parola stampata». Il filo conduttore porta a Vannevar Bush, che nel 1945 propose il «memex» — un dispositivo a microfilm che avrebbe consentito di creare «associative trails» tra testi e propri appunti, come una versione elettronica del common-place book. Ted Nelson coniò «hypertext» nel 1965 ispirandosi esplicitamente al memex: l’iper- stava per «estensione e generalità» — una forma capace di rappresentare la struttura reticolare del pensiero. Nelson immaginò anche Xanadu, browser in cui ogni citazione avrebbe dovuto linkare al documento originale, permettendo di leggere testo citante e citato affiancati. Il PageRank di Brin e Page fu il riconoscimento operativo di tutto questo: un link non è un rimando, è un voto di prestigio. «Una pagina è importante se è puntata da pagine importanti» — la struttura sociale della citazione accademica applicata al web. Il bersaglio finale del pezzo è la «heresy of paraphrase» di Cleanth Brooks: la parafrasi uccide il poema perché la forma È il contenuto. Le AI summary applicano questa eresia su scala sistemica. ChatGPT e Gemini sono progettati per «suonare come nessuno»: sintetizzano voci molteplici in un monotono neutro, anonimo, source-less. Quando Google lancia gli «AI Overviews» (maggio 2024), con «let Google do the Googling for you», completa il percorso: il link — artefatto cognitivo che preserva le tracce associative di qualcuno — viene sostituito da una sintesi che non le ha mai lasciate. La domanda finale — «does AI dream of itself?», parafrasi di Clausewitz via Herzog — ha la sua risposta implicita: appiattimento, non connessione. Se il web «sognava sé stesso» come rete di connessioni e trail di associazione, l’AI «sogna sé stessa» come sintesi anonima che cancella quelle connessioni.
Kirchenbauer et al. dell’Università del Maryland propongono un framework di watermarking per i Large Language Model: prima di generare ogni token, il modello partiziona il vocabolario in una lista ‘verde’ e una ‘rossa’ usando un hash pseudocasuale del token precedente, poi favorisce leggermente i token verdi in fase di campionamento. Il risultato è un segnale statisticamente rilevabile — tramite un semplice z-test — anche da brevi frammenti di testo, senza accesso ai parametri del modello. La soglia z=4 produce un tasso di falsi positivi di 3×10⁻⁵: praticamente nullo. La detection funziona su segmenti di 16+ token; è robusta contro piccole alterazioni; la rimozione richiede modificare una frazione significativa dei token, degradando la qualità del testo. La proposta è tecnicamente elegante. Ha un problema a monte: funziona solo se i produttori del modello la implementano al momento della generazione — ed è sostanzialmente inutile contro testo già generato senza watermark. A tre anni dalla pubblicazione, nessun modello mainstream ha implementato watermarking in produzione su scala. I tool di rilevamento disponibili (Turnitin, GPTZero, Copyleaks) non usano questo approccio: si basano su pattern statistici di bassa affidabilità, con tassi di falsi positivi che li rendono inutilizzabili come standard probatorio. Il paper è il riferimento tecnico più citato sul watermarking degli LLM ed è anche la dimostrazione più chiara di perché il problema del rilevamento sia ancora strutturalmente irrisolto — e di perché abbia senso costruirsi un sistema di certificazione proprio.
Joe Gough — dottorando in filosofia a Sussex — argomenta che «mente» e «mentale» sono tra i termini più polisemici esistenti: a volte significano agentività, a volte cognizione, a volte coscienza, a volte il dominio della psichiatria, a volte qualcosa d’altro. La polisemia di solito costruisce ponti utili tra aree diverse; in questo caso i ponti sono dannosi, perché collegano ambiti che non dovrebbero esserlo. Chiamare un’affezione «malattia mentale» attiva la catena mentale → immateriale → non reale → solo nella testa, stigmatizzando il paziente e fuorviando il medico. Il caso empirico che Gough usa per mostrare quanto sia difficile delimitare «la mente» è l’esperimento di Ader (anni '60-'70): ratti condizionati a evitare un dolcificante associandolo a un immunosoppressore muoiono quando gli viene somministrato il solo dolcificante, perché il sistema immunitario ha «imparato» a spegnersi in risposta allo stimolo. Il sistema immunitario è condizionabile à la Pavlov. È «mentale»? La risposta di Gough: la domanda è mal posta. Il punto filosofico più fecondo è quello omerco: il greco di Omero non ha termini traducibili sistematicamente come «mente» e «corpo». In Omero gli esseri umani sono «una raccolta coerente di parti comunicanti» — «lo spirito nel mio petto mi spinge», «le mie gambe e le mie braccia vogliono» — e una visione simile è quella difesa dalla biologia cognitiva contemporanea e dalla psiconeuroimmunologia. La proposta pratica di Gough è di sostituire «mente» e «mentale» con i termini specifici delle discipline che li usano: psicologico, cognitivo, psichiatrico, coscienza, agentività, memoria. Non perché non esistano pensiero, desiderio e coscienza — ma perché raggrupparli sotto un unico termine non chiarisce, confonde. La connessione con «La differenza fra Claude e le mie gatte» è questa: il «no-mind thesis» e il concetto di «LLM come attante zero» convergono da direzioni diverse sullo stesso punto — la categoria «mente» non è l’unità giusta per fare la distinzione tra Claude e un gatto. Il «nulla è mentale» di Gough e il «l’LLM vale zero quando non è usato» di questo sito dicono entrambi che la domanda «ha una mente?» è già mal formulata. Ma le risposte divergono: Gough dissolve il concetto, mentre in questo sito lo sforzo è di ridefinire il tipo di agentività in gioco. Il rasoio di Ockham proposto da Gough, una volta accettato nel discorso pubblico — cosa a suo avviso difficilissima — consentirebbe molti meno errori prospettici rispetto alla condizione attuale. Ed è quasi impossibile che una posizione più articolata passi senza gravi deformazioni.