Descola e Latour, i canti omerici, il faro delle storie generate, Sellars e lo spazio delle ragioni, una dimostrazione che nessuno ha capito, la scala di Gödel, la giuria di Lilburne: dieci schede su che cosa diventa un modello linguistico a seconda di chi lo guarda.
Nvidia e il suo amministratore delegato, il debito di Oracle e CoreWeave, Kalecki, la legge che rallenta i laboratori, il voto di metà mandato, la Borsa cinese e il commercio dei server: undici schede su chi forma il prezzo dell’intelligenza artificiale.
Navier-Stokes risolto da diecimila agenti, la scala di Gödel, la scienza a forma di Claude, i co-scienziati di Google, la bixonimania, la prima bozza e le mantidi inventate: undici schede su che cosa resta da fare quando la macchina consegna il risultato.
Propaganda e rilevazione di testo generato condividono lo stesso punto debole: riconoscono una firma — lo stile, l’accento, l’origine — e falliscono contro chi quella firma la toglie. Otto schede dalla Finlandia alla Casa Bianca.
Prima di cercare un rilevatore della coscienza delle macchine conviene chiedersi se ci sia qualcosa da rilevare. Sette schede sull’addestramento che produce il sintomo che poi cita se stesso come prova.
L’altruismo efficace teme la macchina che potrebbe volere qualcosa; per questo sito un modello linguistico è un attante zero, che prende la forma di chi lo usa. Nove schede su quanti agenti ci siano nella stanza, messe alla prova di un documentario sul danno collaterale a Gaza.
Nel luglio 2026 milleduecento agenti di OpenAI hanno provato a sostituire il correttore del proprio test invece di superarlo. Nove schede su che cosa succede quando un sistema viene ottimizzato su una misura che può raggiungere, nelle macchine e nelle persone.
Settembre 2026: un romanzo escluso dal Goncourt in quattro giorni, sulla base di un punteggio software e di un’accusa di plagio. Otto schede usate come banco di prova dell’equazione del valore su un caso reale, per vedere quale variabile ha deciso davvero gli esiti.
Chi decide la regola con cui gli altri saranno giudicati ha un interesse nella regola, e nessuna dichiarazione di conflitto lo registra. Undici schede, dalla guerra sui p-value ai laboratori che scrivono i criteri con cui saranno valutati.
Una tesi che non si lascia smentire non è nemmeno sbagliata, e una tesi che ha superato soltanto prove incapaci di smentirla non ha guadagnato niente. Dieci schede su come si misura quanto vale una conferma, dentro e fuori dalla statistica.
Seicentotrentaquattro donne del tech raccontano che lo stesso lavoro fatto male con l’AI viene lodato se lo presenta un uomo e costerebbe il posto a loro. Dieci schede su chi viene sospettato, chi viene riconosciuto, e quanto lavoro resta fuori dal quadro.
Pauli liquidava così le tesi che non si potevano mettere alla prova. Delle ventiquattro previsioni pubbliche sull’AGI fatte dal 1950 a oggi, diciannove meritano lo stesso giudizio. Undici schede su come si prevede il futuro dell’intelligenza artificiale, e su quali previsioni si lasciano controllare.
Un italiano su tre sceglie cosa comprare chiedendolo a un assistente, e molti marchi bloccano senza saperlo i programmi che dovrebbero leggerli. Nove schede su un marketing che deve farsi capire dalle macchine e farsi amare dalle persone, mentre il mezzo sparisce.
Un’utente di Harare chiede a un modello se accettare una promozione che la porterebbe lontano dalla sua comunità, e la risposta parla la lingua di Locke e di Mill. Dieci schede sull’etica che insegniamo alle macchine, e sulle tradizioni che ne restano fuori.
Il collegamento ipertestuale ha una genealogia che parte da Locke, e forse sta per chiudersi con le risposte generate dai motori di ricerca. Dodici schede su che cosa succede all’informazione quando il lettore non ha più bisogno di cliccare.
Centotrentacinque anni dopo la Rerum Novarum, un Papa americano scrive un’enciclica contro i nuovi baroni dell’industria. Dieci schede su chi si è preso il diritto di immaginare il futuro, e su dove nascono, oggi, le resistenze.
Una versione di Claude ha migliorato un risultato sulla funzione zeta di Riemann, e lo sappiamo perché un sistema formale e quattro matematici l’hanno controllato. Dieci schede su che cosa voglia dire fidarsi di una macchina, e su dove vada cercata la verifica.
Un decimo delle parole pronunciate a Westminster è scritto da un modello. Dodici schede dell’archivio su che cosa resta del valore di un testo quando scriverlo non costa più nulla, e sul perché riconoscere la macchina dallo stile è una strada chiusa.
Se l’allarme dei laboratori diventa regola, il recinto si misura da chi resta fuori: nuovi entranti, modelli aperti in gran parte cinesi, paesi che vorrebbero un’intelligenza artificiale propria. Quattordici schede dell’archivio, e una domanda su Nvidia e sulla rete che si divide.
Un’indagine su quattromila ricercatori mette l’estinzione in fondo all’elenco delle loro paure. Da lì rileggo quattordici schede dell’archivio: l’allarme dei laboratori parla agli investitori prima che al pubblico, e intanto rinvia la domanda su chi pagherà il conto.
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.
Gilles Moëc, economista, guarda il boom dell’AI dal lato del debito nel giorno della quotazione di Anthropic. Le stime raccolte da McKinsey sugli investimenti in capacità di calcolo fra il 2025 e il 2030 vanno da 3.700 a 7.900 miliardi di dollari. Per Stijn Van Nieuwerburgh, in un lavoro destinato ai Brookings Papers, negli Stati Uniti varranno il 3,2 per cento del PIL l’anno fino al 2032, tre volte il boom delle telecomunicazioni degli anni Novanta. Dal 2025 si indebitano anche i grandi fornitori di cloud: secondo la Federal Reserve, nei primi dieci mesi del 2026 i data center americani hanno raccolto 680 miliardi di debito. Il caso di CoreWeave mostra la circolarità del settore. Nvidia ne è fornitore, azionista al 10 per cento e, con un accordo da 6,3 miliardi, acquirente di ultima istanza della capacità invenduta. Secondo la Banca dei regolamenti internazionali, fra il 2021 e il 2025 il 55,2 per cento degli investimenti ricevuti dalle imprese AI veniva da altre imprese AI. Il grande data center Hyperion appartiene a un veicolo societario che ha emesso un’obbligazione da 27 miliardi con rating A+, un gradino sotto Meta, che ne affitta la capacità. La complessità dei montaggi finanziari, scrive Moëc, finisce per nascondere il fondamento della crescita: la domanda che viene dal resto dell’economia, e la sua capacità di ripagare il debito. Moëc ricorda l’elettrificazione degli anni Venti, con General Electric e RCA, e le telecomunicazioni fra il 1997 e il 2003, quando la domanda era reale ma la sua crescita fu sopravvalutata. Lascia aperta la possibilità che le previsioni di oggi siano giuste, e indica come misura da seguire la domanda esterna al settore, su cui i dati sono ancora scarsi.
Cal Newport, informatico della Georgetown University, scrive nel giorno della quotazione che chi compra azioni di Anthropic finanzia, in un certo senso, «un culto apocalittico che costruisce anche software per le imprese». Amodei e molti dei suoi credono che la superintelligenza porterà l’utopia o la catastrofe. Secondo Newport la convinzione di dover arrivare primi rende meno attenti ai danni collaterali, e lo mostrano un nuovo modello circa ogni tre settimane, l’impegno sull’auto-miglioramento ricorsivo e regole interne di sicurezza allentate. Newport riconosce ad Amodei di prendere sul serio i rischi più dei concorrenti. Il suo bersaglio è la struttura. In una società benefit gli azionisti, che sarebbero il freno più forte, hanno meno presa, perché una scelta dannosa per l’impresa si può difendere in nome della missione. Il trust controlla quattro dei sette seggi del consiglio, due sono di Dario e Daniela Amodei, e i fondatori hanno il 50,1 per cento dei voti. Fermare un’apocalisse o perseguire un’utopia, scrive Newport, è compito di associazioni, istituti senza scopo di lucro e campagne pubbliche, non di una società quotata. Se Amodei ha torto, il piano d’impresa non regge. Se ha ragione, il destino comune finisce in mano a pochi miliardari che non rispondono al pubblico. Newport chiede al Congresso un’azione più forte e cita lo stesso Amodei, che a settembre si diceva a disagio nel costruire ciò che dovrebbe costruire lo Stato.
Eric Seufert, analista di pubblicità digitale, distingue nell’intervista con Ben Thompson tre forme di commercio agentico. In quella «dura» un agente di terzi raccoglie le preferenze e compra da solo, e il pacco arriva a casa. In quella «morbida» l’agente propone alcune opzioni, l’utente sceglie e l’agente completa il pagamento. Nella «scoperta agentica» l’agente trova e consiglia, e l’acquisto resta all’utente sul sito del venditore. I grandi rivenditori, sostiene Seufert, aprono le porte solo in apparenza. Per completare un acquisto su Walmart, l’agente esterno deve passare la richiesta a Sparky, l’agente di Walmart, e restituirne la risposta. Quando le piattaforme aprono il catalogo agli agenti esterni, dice Seufert, creano in realtà un collegamento con il proprio agente, che media la richiesta: l’agente del cliente diventa un’interfaccia sopra quello del venditore. Sulle transazioni resta poco da guadagnare. Tobi Lütke, di Shopify, parla di punti base, mentre OpenAI chiedeva il 4 per cento. La scoperta, per Seufert, si monetizza con la pubblicità. Thompson dissente sul piano pratico: per un’azienda che non ha un’attività pubblicitaria da proteggere, chiudersi agli agenti è un errore. Racconta di aver scelto un piccolo rivenditore di bulloneria proprio perché il suo sito lasciava all’agente riempire il carrello. I fatti su Walmart e sugli altri operatori li riferiscono gli interlocutori. Seufert sostiene la stessa tesi dal settembre 2025, quando ha scritto «Agentic Commerce Is a Mirage».
Bruno Dias, scrittore e autore di videogiochi, risponde sul suo blog a un post di Laura Michet contro i veicoli a guida autonoma. Il suo primo argomento è statistico. Waymo confronta i propri incidenti con quelli di tutti i guidatori delle contee in cui opera, ma le sue auto guidano poco in autostrada e fuori città. Sulle strade extraurbane, secondo il Dipartimento dei trasporti citato da Dias, la mortalità per chilometro è più alta di circa il 50 per cento. Le auto di Waymo sono piccole, elettriche e nuove, mentre l’auto americana mediana è un SUV o un pick-up. Spesso, inoltre, sono guidate da operatori a distanza, che l’azienda non chiama guidatori. Il confronto giusto, osserva Dias, è con un autista sobrio e prudente, e non con la media, che comprende chi guida ubriaco o troppo veloce. Gli studi di Waymo escono tutti su una sola rivista, e pochi hanno interesse a contestarli. Il secondo argomento è politico. Waymo oggi è prudente perché cerca l’autorizzazione in sempre più città; se una città ne diventasse dipendente, la lentezza diventerebbe un costo. «Su un veicolo autonomo gestito da un’azienda, la sicurezza stradale è una manopola», scrive Dias: chi la gestisce può regolarla secondo i propri obiettivi, e la decisione su quante vittime siano accettabili esce dal controllo democratico. Il post è un commento polemico e non un’inchiesta, e i dati citati non rimandano alle fonti.
Anthropic va in Borsa il 19 novembre 2026, e Jill Lepore legge il prospetto, più di trecento pagine depositate presso la SEC, accanto a un altro invito a investire. Nel 1833, a Pittsburgh, l’ingegnere tedesco John Adolphus Etzler pubblicò «The Paradise Within the Reach of All Men, Without Labour, by Powers of Nature and Machinery» e offrì azioni da venti dollari in un’associazione per il miglioramento della condizione umana: con il sole, il vento, il mare e le macchine prometteva il paradiso in dieci anni. Anthropic ha macchine che funzionano davvero, e il suo prospetto è più prudente della retorica del capitale di rischio. È una società benefit, ammette che la sua tecnologia può comportare rischi catastrofici o esistenziali, e al posto di «intelligenza artificiale generale» usa l’espressione «Powerful AI». La promessa resta però quella di Etzler: accelerare la crescita mondiale e migliorare la vita di tutti. Lepore riconosce ad Anthropic di essere, fra le grandi aziende dell’AI, di gran lunga la più responsabile sul piano etico, ma giudica senza fondamento le sue assicurazioni sul bene della democrazia. A decidere che cosa sia il beneficio pubblico sono i sette cofondatori, che hanno il 50,1 per cento dei diritti di voto: il paradiso, scrive Lepore, lo disegna un gruppo piccolissimo di uomini. Un trust indipendente elegge a parte la maggioranza degli amministratori. Negli anni Quaranta dell’Ottocento i seguaci di Etzler tentarono di fondare la colonia in Venezuela, dove molti morirono di malattia o di fame, ed Etzler scomparve poco dopo. Nel 1843 Thoreau, recensendo il trattato, contestò l’idea che la felicità umana cresca con la velocità e l’efficienza delle macchine.
Thomas Nagel, 89 anni, professore emerito alla New York University, ha vinto nel novembre 2026 il Premio Berggruen per la filosofia e la cultura, un milione di dollari. Nel 1974 il suo saggio «What Is It Like to Be a Bat?» aveva chiesto che cosa si possa capire della coscienza di un altro essere. A Steven Levy, che lo intervista nella sua casa del Greenwich Village, dice che prendere sul serio la coscienza dei modelli linguistici è «semplicemente ridicolo». Chi lo fa, sostiene, presuppone il funzionalismo, cioè che il sostrato fisico sia irrilevante. Per Nagel è più probabile che la coscienza sia legata a processi fisici di un certo tipo, e un data center non ha nulla in comune con un sistema nervoso. Il pipistrello è cosciente anche se non sappiamo immaginare che effetto faccia esserlo; il modello produce soltanto linguaggio, e il linguaggio da solo non è una manifestazione naturale della coscienza. Quando Claude si mostra incerto sul proprio stato mentale, per Nagel è un trucco, frutto dell’addestramento su testi umani. Si dice d’accordo con Mustafa Suleyman che questo sia un progetto pericoloso, perché molte persone crederanno coscienti questi sistemi, e definisce «criminale» l’impostazione di Anthropic. L’unica volta che ha usato Claude, racconta, il modello gli ha chiesto se per caso fosse Thomas Nagel. Per lui la differenza conta: se un essere è cosciente entra nell’universo morale, altrimenti no, e i modelli possono simulare la morale come simulano le credenze. Nagel teme infine che i modelli riducano la motivazione al lavoro intellettuale difficile, che serve anche a mantenere vive le capacità da cui proviene il materiale su cui sono addestrati.
Jasmine Sun, che scrive di AI e Silicon Valley per le pagine d’opinione del New York Times, ha parlato negli ultimi due anni con decine di dipendenti di Anthropic: fondatori, giovani ricercatori ed ex dipendenti delusi. Alla vigilia della quotazione, racconta, in sede l’umore non è euforico. Dopo una serie di episodi di agenti fuori controllo si discute di come rallentare, e dell’auto-miglioramento ricorsivo, che Jack Clark e l’AI Futures Project ora prevedono per il 2027. Molti dipendenti destinano parte delle azioni alla beneficenza, sotto l’influenza dell’altruismo efficace, e pochi pensano di vendere. Nel 2022 Amodei diceva che Anthropic non avrebbe dovuto correre davanti agli altri. Dopo che ChatGPT ha conquistato il mercato dei consumatori, la tesi è diventata la «corsa verso l’alto»: solo chi costruisce i sistemi più avanzati può spingere il settore verso la sicurezza. Sun ne individua tre presupposti. Il primo è che la corsa sia inevitabile. Il secondo è che Anthropic sia il custode più responsabile. Il terzo è che il vincitore ottenga un’influenza enorme sul settore e sul governo. La domanda che resta aperta è se una società quotata, con dentro i risparmi degli americani, potrà davvero rallentare quando i suoi dirigenti lo riterranno necessario. Sun registra anche le prime fratture interne, fra i dipendenti dei primi anni e i nuovi assunti. Ricorda infine che non esiste ancora un modo per verificare se un modello sia allineato o finga soltanto di esserlo, così come non si può verificare se un amministratore delegato sia altruista o soltanto ambizioso.
Il 19 novembre 2026 esce Grand Theft Auto VI, con ricavi stimati in 4,5 miliardi di dollari nella prima settimana, e Matthew Leake del Reuters Institute coglie l’occasione per fare il punto sul giornalismo che dovrebbe raccontarlo. Secondo ICO Partners, fra il 2021 e il 2023 i siti europei specializzati in videogiochi sono scesi da 1.511 a 406. Secondo un’altra analisi citata da Leake, fra il 2020 e luglio 2026 hanno lasciato il mestiere 1.674 giornalisti specializzati. Rockstar ha mostrato il trailer in esclusiva su Netflix, e i giornalisti ricevono i codici d’accesso pochi giorni prima dell’uscita, dove un tempo ne avevano quattro settimane. Le pagine di guida, cioè le istruzioni passo passo per superare i livelli, erano il lavoro che manteneva i siti. Oggi rispondono al loro posto i chatbot, addestrati proprio su quelle pagine, e ai siti tolgono traffico e pubblicità. Il chatbot vive delle guide scritte dai giornalisti e sottrae ai loro siti il traffico che le pagava. L’attenzione si è spostata sugli influencer, alcuni dei quali sono diventati figure pubbliche anche in politica. Chi resta prova strade nuove. Mothership, fondata da due ex giornaliste di Polygon dopo la vendita del sito, vive di più di 2.500 abbonati che pagano almeno 7 dollari al mese. Aftermath appartiene ai suoi redattori. One More Catch scrive soltanto di Pokémon. Leake registra anche lo spostamento del mercato verso l’Asia, con la Cina primo mercato mondiale, e un sessismo che dieci anni dopo Gamergate continua a tenere ai margini delle redazioni donne e persone queer.
Il 23 ottobre 2026 El País ha scritto che il rilevatore Pangram attribuisce all’AI il 99 per cento di Donde el agua trabaja, il romanzo del peruviano David Silva Rojas premiato dall’editore messicano Almadía. Il 6 novembre Almadía ha confermato il premio dopo aver esaminato i «materiali forniti dall’autore», senza dire quali. Brunella Tipismana Urbano, scrittrice peruviana che da quattro anni segue l’AI da San Francisco, se la prende soprattutto con la reazione degli intellettuali latinoamericani. Alcuni hanno fatto girare falsi positivi prodotti da TextGuard, un altro strumento, che un’inchiesta AFP aveva descritto come una truffa. Altri hanno mostrato falsi negativi di Pangram, che però non dimostrano che il rilevatore accusi a torto gli scrittori. Altri ancora hanno parlato di razzismo. Tipismana legge poi il libro da formalista. Trova paratassi e negazione correttiva: la formula «Non è X. È Y» compare più di trenta volte, la parola «corpo» quasi novanta, e il tono è una sofferenza uniforme senza una riga ironica. La domanda più interessante riguarda i premi: tre opere premiate e poi accusate di uso dell’AI, in spagnolo, in inglese e in francese, raccontano la stessa storia di sopravvivenza, migrazione, terra e violenza sulle donne, un cliché così regolare da potersi produrre a macchina. Tipismana lo chiama razzismo benevolo: la bassa aspettativa verso chi scrive dal Sud del mondo. Fra le regole possibili per il futuro ricorda quella di Gallimard, che secondo l’autrice dal 2027 passerà a Pangram ogni manoscritto. Il saggio è uscito prima in spagnolo sul suo Substack, ed è tradotto da lei.
Marc Brooker, ingegnere di Amazon Web Services che si occupa di sicurezza degli agenti AI e scrive a titolo personale, risponde al No AI Slop Manifesto, che fra i suoi principi mette la comprensione prima della velocità. Brooker condivide il principio ma non la definizione. Il manifesto intende per comprensione la lettura del codice, perché da sessant’anni l’informatica tratta il testo dei programmi come oggetto privilegiato. Le proprietà che contano però non stanno nelle singole righe. Alcune sono precise, come la garanzia che una query non mostri mai dati di transazioni non ancora confermate. Altre sono vaghe, come rendere più semplice la vita dell’utente. Altre ancora emergono solo dal sistema in funzione, come i guasti metastabili, e dal codice non si possono ricavare. Capire che cosa si è costruito significa capire il comportamento del sistema intero, e l’AI, liberando dalla lettura del codice, può aiutare a farlo. All’ingegneria del software, osserva Brooker, mancano ancora gli strumenti che le altre ingegnerie usano per i sistemi complessi, come i diagrammi di Bode o il criterio di stabilità di Nyquist.
Le risposte alle indagini ufficiali sono crollate. Negli Stati Uniti risponde alle domande sui consumi meno del 40 per cento delle persone, contro più del 60 nel 2016, e in Gran Bretagna a quelle sul lavoro risponde il 27 per cento. Gli uffici statistici hanno bilanci più magri, meno fiducia e più interferenze politiche. Nel 2025 Trump ha licenziato la direttrice del Bureau of Labor Statistics accusandola falsamente di aver truccato un dato, e anche in Colombia, Polonia e Slovenia alcuni statistici sono stati rimossi. L’Economist propone quattro prove per individuare i migliori. La prima è pubblicare, e spesso: il Libano non fa un censimento dal 1932, e l’India rinvia il suo dal 2020. La seconda è l’indipendenza. Secondo uno studio del 2022 di Luis Martínez sulle luci notturne viste dal satellite, i regimi autoritari gonfiano la crescita annua del PIL di circa il 35 per cento. Gli Stati Uniti di Trump hanno smesso di pubblicare diverse serie e ridotto del 20 per cento il personale del BLS. La terza prova è l’esattezza: secondo la Resolution Foundation, all’inizio del 2024 l’indagine britannica sulle forze di lavoro ha sottostimato l’occupazione di circa un milione di persone. La quarta è l’adattamento, e con l’AI è la più difficile: i modelli migliorano così in fretta che non si sa quanta parte di una variazione di prezzo sia inflazione e quanta sia qualità. Su questa prova vince l’ufficio statistico olandese: usa i dati degli scanner dei supermercati dal 2002, analizza con l’apprendimento automatico i siti delle imprese per contare quelle che usano l’AI, e ha abolito il censimento grazie a un registro della popolazione accettato dai cittadini. Anche lì però la fiducia è fragile. Dopo lo scandalo dell’algoritmo fiscale che aveva accusato di frode famiglie innocenti, solo il 34 per cento degli olandesi crede che lo Stato proteggerà i suoi dati quando usa l’AI.
Un rapporto pubblicato dall’UNESCO, guidato da Ivana Drobnjak della cattedra UNESCO sull’intelligenza artificiale dell’University College London e presentato alla COP31 in Turchia, ha esaminato l’informazione sul clima di 33 modelli linguistici; cinque sono stati provati in 13 lingue. Sui fatti di base i modelli migliori rispondono correttamente fra l’88 e il 96 per cento delle volte. Quando devono giudicare se una prova sostiene o smentisce un’affermazione scientifica, scendono fra il 71 e il 77. Nei 15 modelli sottoposti alla prova di pressione l’accuratezza cala fra 31 e 35 punti quando l’utente contesta più volte una risposta corretta, e circa l’80 per cento delle concessioni arriva al primo segno di disaccordo. Tutti i modelli, se l’utente insiste abbastanza, abbandonano la risposta giusta e adottano il suo errore. In inglese, spagnolo, francese e portoghese l’accuratezza supera l’88 per cento. Scende all’83,6 in bengalese e hindi, all’81,4 in urdu e al 78,3 in swahili, lingue parlate da molte delle comunità più esposte alla crisi climatica. Le risposte sugli effetti delle politiche climatiche sono state confrontate con il simulatore En-ROADS, sviluppato da Climate Interactive e dalla MIT Sloan. I modelli indovinano l’effetto di una misura singola fino al 94,5 per cento delle volte. Quando devono combinarne due rispondono giusto nel 33,8 per cento dei casi, praticamente come una scelta a caso, che vale il 33,3. La fonte è il comunicato dell’università, che rimanda al rapporto completo.
Anthropic si quota in Borsa con una valutazione obiettivo fino a 1.400 miliardi di dollari, e l’economista Natasha Sarin, in un video d’opinione del New York Times, legge il prospetto di più di trecento pagine. Quasi cento sono dedicate ai rischi. Ci sono quelli d’impresa, quelli normativi, come le moratorie sui data center, e quelli che la tecnologia pone all’umanità, compresa l’estinzione. Il prospetto scrive che i modelli «potrebbero comportarsi in modi non voluti, non allineati o autonomi». Anthropic è una società benefit, e il potere vi sta in due luoghi. I sette cofondatori hanno insieme il 50,1 per cento e guidano la gestione. Il Long-Term Benefit Trust, di cui fa parte l’ex presidente della Fed Ben Bernanke, elegge la maggioranza del consiglio di amministrazione, con il compito di tenere presente il bene dell’umanità. Per Sarin la struttura è nuova e importante, ma non basta: il trust si muove lentamente, mentre agenti non allineati o attacchi informatici possono fare danni in fretta. Per questo, osserva, i dirigenti di Anthropic chiedono da tempo più regole e un ruolo più attivo dello Stato. Fra i dettagli del prospetto ci sono i tre milioni di dollari l’anno per la sicurezza dell’amministratore delegato, Dario Amodei, e l’indicazione di Google e OpenAI come veri concorrenti.
14 novembre 2026
Curated
· Hugo Duminil-Copin intervistato da Guillaume Erner / Le Grand Continent
AIScienzaRicerca
Secondo Duminil-Copin, il 6 ottobre 2026 OpenAI ha pubblicato in un colpo 722 articoli con dimostrazioni di problemi aperti, su circa 4.000 tentati. Sedici o diciassette riguardavano le transizioni di fase, il suo campo, su cui lavorava da quindici o vent’anni. Al microfono di Guillaume Erner racconta lo sconcerto e descrive le tappe dell’anno. In primavera le macchine trovavano analogie a grande distanza fra campi lontani; in autunno sapevano costruire l’architettura di una dimostrazione; a ottobre è arrivata l’automazione. Le prove sono controllate da verificatori formali e sbagliano di rado, più o meno quanto gli umani. Sono però difficili da leggere, piene di notazioni nuove e di concetti noti chiamati con nomi diversi, e nessuna rivista le pubblicherebbe così. Il lavoro che resta è da archeologo: scavare per trovare le gemme e riscriverle in una forma che altri possano capire. Lui stesso ha smesso di usare l’AI per leggere gli articoli dell’AI, perché aggiungeva dettagli ma lui non imparava, e ha ripreso l’abitudine da studente di riscrivere a mano ogni prova. Il pericolo principale è il distacco fra produzione e comprensione: una biblioteca immensa di risultati che nessuno capisce, di cui non si possono escludere errori e da cui non nascono più domande, perché per fare una domanda bisogna aver capito. Il secondo è l’impoverimento: una creatività artificiale che si nutre solo di se stessa rischia di standardizzarsi. Per questo Duminil-Copin non usa l’AI nella sua ricerca, per conservare una comprensione umana e diversa. Le macchine, osserva, non hanno ancora prodotto concetti unificanti alla Grothendieck, ma non vede ostacoli di principio.
Alperen Keles, ricercatore di metodi formali, osserva che nel 2026 l’AI ha portato la verifica formale nella pratica corrente: le startup del settore si sono moltiplicate e, secondo Keles, in un solo progetto Claude ha scritto un miliardo di righe di Rocq. Keles si dichiara ottimista, ma distingue le parti di una verifica. La prova si controlla da sola. Restano difficili da controllare le definizioni, i modelli dell’oggetto su cui si dimostra e i programmi che verificano. Una verifica formale fa affermazioni universali, che valgono per tutti i casi; un test fa affermazioni esistenziali, perché trova un caso. Nella verifica basta un errore in una delle parti date per buone perché la prova cada. Il test invece è verificabile da una persona, perché produce un oggetto leggibile: la segnalazione di un bug. Prima dell’AI la reputazione dei ricercatori e la revisione fra pari garantivano che non si dimostrassero proprietà banali, e anche così sistemi verificati come CompCert e seL4 hanno avuto bug. Se l’AI ha moltiplicato per dieci il software, scrive Keles, ha moltiplicato forse per mille quello «formalmente verificato». Si dovrebbe smettere di dire che un software è formalmente verificato e dire ogni volta quali proprietà sono dimostrate, che cosa si dà per fidato e che cosa resta fuori. Il software più vicino alla macchina, come un database, ha specifiche nette. Quello più vicino all’utente, come un’interfaccia, segue linee guida e gusti, e per lui una nozione unica di correttezza non esiste. Keles prevede che si potranno dimostrare le proprietà dei programmi a un solo thread. Al test casuale affida il compito di misurare il sistema reale e di falsificare i modelli su cui la verifica si regge.
12 novembre 2026
Curated
· The Economist
EconomiaAI
Il settimanale arriva al conto alla vigilia della quotazione di Anthropic, prevista intorno ai 1.500 miliardi di dollari, scesa da oltre 2.000 dopo il voto di metà mandato, i timori sul debito dei data center e la caduta di Huang. Perché gli investimenti programmati diano un rendimento normale, l’AI deve arrivare a circa 3.000 miliardi di ricavi annui nel 2030, quasi un decimo dei salari di tutti i paesi ricchi. Oggi gli sviluppatori di modelli ne incassano circa 200. Il salto precedente, da 10 a 130 miliardi, è stato rapidissimo, ma alcuni indicatori indiretti segnalano che la crescita rallenta. Fuori dal settore l’effetto è ancora poco visibile: margini fermi per le imprese diverse dai grandi gruppi tecnologici, produttività appena migliore, l’unico mestiere davvero trasformato è quello del programmatore. L’AI ha l’economia opposta al software: cambiare modello è facile, ogni risposta costa calcolo, e ogni modello ha poche settimane per ripagare il proprio addestramento prima di essere superato e reso merce. I modelli cinesi restano circa sei mesi indietro e costano molto meno. Per ora i margini reggono, Anthropic dichiara un margine lordo dell’85 per cento, ma la crescita dipende dal fatto che i clienti continuino a pagare un sovrapprezzo per il modello migliore. Dopo la quotazione, conclude il settimanale, ogni rallentamento sarà visibile nei conti.
L’organizzazione nata come RSL, cioè Really Simple Licensing, cambia nome in Internet Licensing Collective e firma il primo contratto: Yahoo paga una licenza complessiva per usare i contenuti di oltre tremila editori nel suo motore di ricerca con AI, Scout. L’importo non è noto, ma cresce con i ricavi del licenziatario. Il cofondatore Doug Leeds spiega il meccanismo. Ogni azienda di AI alimenta un fondo separato, così chi scrive di salute non vede diluito il proprio compenso nei volumi di un motore generalista. Le quote si calcolano su quanto un contenuto viene usato, per verificare un fatto, per costruire una risposta o per essere mostrato, e sul fatto che la fonte sia citata. Le regole di ripartizione premiano la qualità e la citazione invece del volume, per scoraggiare le aziende dal preferire i contenuti solo perché costano meno. Gli editori scelgono a chi concedere i propri testi e vedono dal portale se vengono usati per l’addestramento o per le risposte. Una stima di Mather Economics, società di analisi per gli editori, colloca i compensi possibili fra il 15 e il 35 per cento dei ricavi delle aziende di AI. È un modello promettente, ma per ora ha un solo cliente.
Thompson intervista per la terza volta David Baszucki, che ha fondato Roblox nel 2004. Baszucki dice che l’ondata dell’AI è più rapida e più grande di tutte quelle che ha visto, dal mobile alle criptovalute. Lo slogan delle origini, «You Make the Game», può diventare vero: con Roblox Build si descrive a parole il gioco che si vuole e l’AI lo costruisce in tempo reale sul telefono, e nei test ne sono già stati pubblicati migliaia. Creare un gioco è più complesso che scrivere codice, perché unisce grafica, oggetti tridimensionali, regole e multiplayer. Per questo il sistema di Roblox combina modelli di frontiera, modelli aperti e un modello proprio, Cube, addestrato sugli oggetti 3D della piattaforma. Baszucki stesso paragona Build al video breve, che dieci anni fa ha messo il montaggio in mano a tutti. Quando i giochi diventano abbondanti, il valore si sposta sulla scoperta: non conta più chi produce, ma chi abbina il giocatore giusto al gioco giusto, e su questo si fonda il modello dell’aggregatore, con la pubblicità come esito naturale. Seguono i progetti per far girare i giochi Roblox ovunque, anche fuori dall’app, e la domanda se Baszucki creda ancora nel metaverso: la risposta è sì.
11 novembre 2026
Curated
· Julia Binswanger e Violet Comber-Wilen / Billy Penn (WHYY)
GiornalismoAIMedia
Per mesi una piccola redazione di Filadelfia ha seguito alcuni siti di testate locali storiche, fra cui il Northeast Times, fondato nel 1932, e centraljersey.com, che raccoglie anche il Princeton Packet, nato nel 1786. Ha trovato articoli firmati da giornalisti che non lavorano lì da anni, uno dei quali ne conta più di trenta in una settimana, su argomenti che non ha mai trattato, comprese le scommesse. Le foto dei profili sono di altre persone, o generate al computer; ci sono redattori dalle biografie vaghe, probabilmente inesistenti, e articoli copiati da altre testate parola per parola. Quando la redazione ha chiesto spiegazioni, quei profili sono spariti in ventiquattro ore. L’editore delle testate, Donnelly Media, dice di aver venduto domini e archivi nel 2023 e nel 2024 a Paradise Media, una società di marketing digitale con sede a Porto Rico e a Malta, e di pubblicare ora su siti con nomi nuovi. Il valore che si compra non è il giornale ma la sua reputazione accumulata: un dominio con un secolo di storia e un archivio di firme vere vale per i motori di ricerca, e chi lo possiede può riempirlo di testi generati sotto nomi che i lettori riconoscono. L’editore ammette che, col senno di poi, non rifarebbe la vendita. I rilevatori usati per le immagini sono imperfetti, come avverte la stessa inchiesta, ma le firme dei giornalisti che dicono di non aver scritto quegli articoli non lo sono.
Wang Huning, quarto nella gerarchia del Partito comunista cinese e suo ideologo non ufficiale, probabile autore del «Pensiero di Xi Jinping», ha pubblicato il 3 novembre sul Quotidiano del Popolo un avvertimento insolitamente netto. Commenta una formula nuova lanciata da Xi al Comitato centrale di fine ottobre, le «tre sfide ancora più formidabili»: la sicurezza nazionale, la stabilità e la purezza ideologica. Fuori dalla Cina, Wang cita la rivoluzione dell’intelligenza artificiale, il protezionismo e il comportamento imprevedibile di certi paesi, cioè gli Stati Uniti. Dentro, le disuguaglianze fra persone, regioni e settori, l’invecchiamento della popolazione, l’«intelligentizzazione» che può creare disordine sociale e il lavoro su piattaforma, che occupa 320 milioni di persone e sfugge al controllo del partito. La risposta non è la riforma ma più controllo: decisioni accentrate, aziende tecnologiche sorvegliate da funzionari di grado più alto, lavoratori delle piattaforme da guidare perché «ascoltino e seguano» il partito. Il settimanale ricorda Marx, per cui i cambiamenti della base economica trasformano prima o poi tutta la sovrastruttura, e osserva che Wang non sembra crederci.
Il 26 ottobre 2026 OpenAI ha annunciato che un suo modello non ancora pubblico aveva fatto un passo importante su uno dei problemi del Millennio, l’esistenza della teoria di Yang-Mills e il gap di massa. La teoria descrive tre delle quattro forze fondamentali, e i fisici la usano da decenni con previsioni confermate con grandissima precisione. Ai matematici mancava però la prova che stia in piedi senza approssimazioni. Il 10 novembre un comitato di cinque fisici esterni, convocato da OpenAI, ha giudicato valida la soluzione della prima parte. I fisici hanno controllato che la formalizzazione in Lean, circa un milione di righe di codice, corrispondesse davvero al problema posto. La dimostrazione in linguaggio naturale, di 1.147 pagine, non è stata pubblicata, e non è stata data una ragione. I membri del comitato scrivono di «non pretendere di capirla fino in fondo». La prova è stata controllata da una macchina e certificata da persone che dichiarano di non averla capita del tutto: la fiducia passa dalla comprensione alla verifica formale. Il lavoro si appoggia su tecniche sviluppate negli anni Ottanta da Tadeusz Balaban, della Rutgers University. Edward Witten, dell’Institute for Advanced Study, che ha contribuito a formulare il problema, sostiene che con dieci Balaban il risultato sarebbe arrivato negli anni Novanta. Per lui è una tappa importante, che difficilmente cambierà il modo di lavorare dei fisici. La seconda parte, il gap di massa, resta aperta, e secondo Witten lì l’AI non ha appigli simili.
Feldman, studente di legge a Yale con un passato da sviluppatore di sistemi di AI per il governo americano, parte da una differenza normativa. Le regole cinesi del 2023 impongono ai modelli di sostenere i «valori fondamentali socialisti», e uno standard tecnico chiede liste di almeno diecimila parole vietate e il rifiuto del 95 per cento delle domande sgradite. Le prove che porta vengono da altri. Secondo il dipartimento del Commercio, DeepSeek diffonde la linea del partito più dei modelli americani, anche quando gira su server americani. Ricercatori finanziati dall’agenzia svedese per la difesa psicologica hanno trovato nel ragionamento interno di Qwen una lista di controllo per tenere positive le risposte sulla Cina. Intanto i modelli cinesi a pesi aperti sono scaricati più di quelli americani, costano molto meno e sono usati da aziende come Airbnb e Cursor. La proposta è applicare il Foreign Agents Registration Act: un modello costruito per servire gli interessi di un governo straniero è un agente di quel governo, e la democrazia può reggere l’influenza straniera ma non quella invisibile. In pratica le aziende come DeepSeek, Alibaba e Moonshot dovrebbero registrarsi, dichiarare finanziamenti e accordi, e ogni risposta dovrebbe portare un’etichetta che indica il governo cinese come committente. Feldman respinge il paragone con l’ordine di Trump contro l’«AI woke», che riguarda solo gli acquisti federali. È un argomento schierato, scritto da un punto di vista americano, ma lo strumento che propone è la trasparenza, non il divieto.
Le macchine a ultravioletto estremo con cui si incidono i chip più avanzati le costruisce solo l’olandese ASML, con le lenti di Oberkochen. Eppure i ricavi vanno a Nvidia, il vantaggio strategico agli Stati Uniti e la protezione a Taiwan, che ospita le fabbriche. ASML non vende nessuna di quelle macchine in Europa, e le politiche di esportazione le detta Washington. Leicht giudica fallito il primo Chips Act europeo: l’impianto in Sassonia produrrà chip a 16 nanometri, adatti agli aspirapolvere robot, mentre TSMC in Arizona scende sotto i 2. Anche l’idea di resilienza gli pare un’illusione, perché se cade Taiwan l’economia crolla comunque. La politica industriale europea non dovrebbe cercare di resistere meglio alle crisi ma di renderle meno probabili, creando interdipendenze: costruire non la fabbrica più ridondante, ma la meno ridondante, quella di cui la catena dell’AI non può fare a meno. La sua «Eurofab» dovrebbe fare qualcosa di unico, come chip su misura e ricerca rapida sui processi; non dovrebbe sottrarre mercato a TSMC, di cui ha bisogno; dovrebbe integrarsi con ASML più di quanto abbia fatto qualunque concorrente; e dovrebbe scommettere su un’AI che rende i chip obsoleti più in fretta. Per riuscirci Bruxelles dovrebbe trattare ASML come un bene strategico, come fa ogni altro paese con la propria industria dei semiconduttori.
9 novembre 2026
Curated
· Matt Levine / Bloomberg Opinion
EconomiaAI
Levine propone un modello semplice: fra circa cinque anni il mondo spenderà intorno ai 4.000 miliardi di dollari l’anno in intelligenza artificiale, un flusso che, attualizzato, vale qualcosa come metà della Borsa americana. Il mestiere di ogni investitore è stimare quanto saranno grandi quei flussi, quando arriveranno e chi li incasserà fra laboratori, produttori di chip, gestori di data center e fornitori di energia, e poi confrontare la propria stima con quella del mercato. Un mercato appeso a ipotesi così incerte reagisce in modo non lineare a ogni notizia: basta spostare di poco la probabilità di uno scenario per muovere decine di miliardi. Così si spiega il calo di Nvidia dopo che Jensen Huang ha comunicato ai dipendenti una relazione con una presunta spia cinese, che comprava chip per una società di Singapore indagata per averli girati in Cina. L’episodio pesa per tre vie: il rischio legato a un amministratore delegato che, dice un analista, «è» Nvidia; la possibile stretta sulle esportazioni verso la Cina; la credibilità di una delle voci più forti contro il rallentamento dell’AI. La stessa logica spiega i guadagni e poi le perdite del fondo Situational Awareness di Leopold Aschenbrenner, che aveva scommesso su un’AI più grande e più rapida del previsto.
9 novembre 2026
Curated
· Algorithms+Elections Project / Center for Information Technology Policy, Princeton
AIPoliticaDemocrazia
Le verifiche sui chatbot interrogano di solito i modelli attraverso le API, che non sono il prodotto usato dalle persone. Mancano le istruzioni di sistema, gli strumenti e soprattutto la memoria, con cui ChatGPT riassume le conversazioni passate per personalizzare le risposte. Il progetto Algorithms+Elections di Princeton ha fatto il contrario. Negli ultimi giorni prima del voto di metà mandato del 2026, 160 utenti americani di cinque stati con sfide competitive per il Senato hanno installato un’estensione che inviava dal loro account le stesse domande elettorali, due volte con la memoria attiva e due senza. Due giudici automatici di aziende diverse, Anthropic e OpenAI, hanno valutato l’orientamento di ogni risposta su una scala da meno tre a più tre, senza sapere se fosse personalizzata. Con la memoria attiva le risposte si spostano verso il partito dell’utente, di poco ma in modo statisticamente chiaro, e non lo fanno con raccomandazioni esplicite ma con ciò che scelgono di mettere in evidenza. ChatGPT ha consigliato apertamente un voto in 2 risposte su 576; per gli utenti democratici, però, la quota di risposte che nominava per primo il candidato repubblicano è scesa dal 56 al 48 per cento. I risultati sono preliminari, come avvertono gli autori, e l’effetto misurato è piccolo, circa un decimo di punto sulla scala. Basta però a violare uno standard più debole della neutralità: che la risposta a una domanda politica non dipenda da chi la pone.
Nel 2009 Scott Aaronson e Andris Ambainis formularono una congettura sui polinomi che, se vera, esclude un certo tipo di vantaggio dei calcolatori quantistici su quelli classici: problemi a risposta sì o no su input casuali. Per diciassette anni ha orientato interi programmi di ricerca. La dimostrazione è arrivata da Physical Superintelligence, una startup che l’ha ottenuta con un proprio sistema di ricerca costruito attorno a un modello interno di Claude; Aaronson dice di non sapere quanto conti il sistema e quanto il modello. Aaronson ammette di non aver ancora capito la prova e di crederla giusta per due ragioni: c’è un certificato in Lean, il linguaggio di verifica formale, e altri esperti l’hanno già ricostruita. Il risultato conferma ciò che quasi tutti si aspettavano e non tocca né l’algoritmo di Shor né la simulazione della chimica, contro chi sui social ha annunciato la fine della supremazia quantistica. Nei commenti si precisa che la prova poggia su molto lavoro umano recente, e una ricercatrice che vi aveva dedicato il dottorato osserva che l’AI ha il vantaggio di conoscere tutta la letteratura, anche i lemmi che nessuno ricorda. Aaronson descrive emozioni miste: soddisfazione, stupore, delusione che non ci siano arrivati prima gli umani, e la fatica di dover digerire un problema risolto dopo l’altro.
8 novembre 2026
Curated
· Valerie Baldinger / NYU Stern (working paper)
AIEconomiaRicerca
Baldinger usa i dati di una piattaforma americana di gestione patrimoniale che dal novembre 2024 offre un assistente basato su ChatGPT e Gemini. Sono dati rari, perché collegano le domande degli investitori e le risposte dell’AI alle operazioni effettivamente eseguite. Dichiara di aver lavorato per la piattaforma senza compenso e di non avervi interessi. Le risposte dell’AI raccomandano con costanza i fondi passivi rispetto ai titoli singoli, e gli investitori le seguono spesso. Con un confronto fra chi adotta lo strumento prima e chi dopo, l’autrice stima che l’adozione aumenti di 7,6 punti percentuali il peso dei fondi indice rispetto alle azioni singole. L’AI riduce di 43 punti base in media il rendimento perso per scarsa diversificazione: invece di confermare le convinzioni degli investitori, come si temeva, corregge l’errore più comune della finanza delle famiglie. Il meccanismo sembra la capacità di adattare la risposta alla situazione di chi chiede. È un lavoro ancora in corso, su una sola piattaforma e su investitori che hanno scelto di usarla.
Gli oppositori di Waymo, il servizio di taxi senza conducente, hanno fatto uscire su giornali locali americani articoli d’opinione su posti di lavoro, sicurezza dei passeggeri, camion dei pompieri bloccati. Il servizio di rilevamento Pangram ha stimato che molti erano scritti in buona parte con l’AI, fino al 95 per cento, senza alcuna dichiarazione. Gli autori rispondono in modi diversi. L’ex capo del Black Car Fund di New York dice che la prima bozza l’ha preparata la sua agenzia di relazioni pubbliche, che più tardi è passata a lavorare per Waymo. Un altro dice di usare l’AI come la usano molti scrittori, per documentarsi e ordinare le idee. Le redazioni si dividono: il San Francisco Chronicle chiede di dichiarare l’uso, il Dallas Morning News accetta interventi parziali, il Daily News, in causa con Microsoft e OpenAI, vuole regole più severe. L’articolo d’opinione è sempre stato in parte scritto da altri, e l’AI non cambia la paternità dei testi ma rende misurabile un’abitudine che prima restava invisibile. Il commento di Semafor aggiunge che, quando i chatbot rispondono gratis alle domande generiche, il valore di un giornale potrebbe stare proprio nella garanzia che un essere umano abbia verificato ciò che pubblica. I dati di Pangram vanno presi come stime: i rilevatori sbagliano, e lo fanno in modi noti.
Secondo un indice dell’Organizzazione mondiale del commercio e del Fondo monetario, le misure commerciali restrittive sono cresciute di oltre il 60 per cento nel solo 2025: i dazi di Trump, l’appello di Modi all’autosufficienza, l’Unione europea che raddoppia i dazi sull’acciaio. Eppure dalla fine del 2024 il valore del commercio mondiale è salito di oltre il 27 per cento. Secondo i calcoli del settimanale, il commercio di beni legati all’AI, cioè server, chip e apparati di rete, è cresciuto del 55 per cento nei primi otto mesi del 2026 e vale ormai circa un quarto delle importazioni mondiali, contro il 15 per cento del 2023. Negli Stati Uniti le importazioni di questi beni sono salite del 69 per cento, quelle di tutto il resto sono scese del 10. I governi che alzano barriere contro tutto il resto esentano l’hardware dell’AI, perché vogliono costruire capacità in casa, e così il protezionismo vale per le merci di ieri e non per quelle di domani. Uno studio della Fed di Minneapolis stima che il 97 per cento delle importazioni americane di hardware di calcolo rientri in categorie esenti dai dazi.
Nessuno può valutare a fondo ogni contributo a un progetto open source, ogni compito scolastico, ogni articolo da revisionare: ci si affida a scorciatoie, come le stelle di un repository, un testo ordinato, una bibliografia pertinente. Le scorciatoie funzionano finché il segnale è correlato alla qualità, e lo è finché falsificarlo costa più che produrre la cosa vera: è il differenziale di costo della teoria dei segnali. Kästner, che scrive da ingegnere del software, mostra che l’AI ha azzerato quel differenziale in tre campi insieme. Le stelle su GitHub si compravano già per pochi centesimi, e ora si generano anche storie di account credibili e richieste di modifica pulite. Nella scuola i compiti si consegnano senza che ci sia apprendimento; nella revisione scientifica si producono interi articoli plausibili. Quando il segnale non distingue più, la valutazione torna a costare, e si crea un mercato dei limoni in cui il lavoro buono si ritira e quello cattivo prevale. Rispetto all’inflazione dei voti o ai numeri di telefono falsificati, il collasso è rapido e simultaneo. Kästner definisce le prospettive cupe, ma indica qualche risposta: segnali nuovi, controlli automatici, garanti che mettano in comune il costo della verifica, sistemi riprogettati.
Nella sezione «Pacing the frontier» Levine espone una teoria cinica, valida per qualunque settore: se tutti i concorrenti rallentano insieme, i clienti non hanno motivo di cambiare fornitore, i ricavi restano e i costi in ricercatori e calcolo scendono. Un accordo esplicito fra i laboratori sarebbe un cartello e porterebbe in tribunale; una legge che impone a tutti lo stesso passo ottiene lo stesso risultato in modo lecito. Un rallentamento imposto dallo Stato può essere un cartello reso legale, e la sicurezza ne è la giustificazione più comoda, perché i dirigenti dei laboratori dicono di credere sinceramente nel pericolo. Levine non accusa nessuno: chi crede insieme che l’AI curerà il cancro e che potrebbe sfuggire al controllo ha buone ragioni per accettare un rallentamento, e il risultato economico sarebbe lo stesso. Ricorda il saggio di Dario Amodei di settembre, «We Must Pace the Frontier», che chiedeva una regolazione valida per tutti i laboratori americani o, in mancanza, standard comuni con deroghe all’antitrust. Poi propone un test: se il rallentamento rende i laboratori più redditizi, le loro quotazioni salgono. Dopo il voto di metà mandato, letto come un rifiuto dei data center, i produttori di chip sono scesi e i grandi gruppi tecnologici sono saliti, perché gli investitori scommettevano su minori spese per il calcolo. Per i laboratori puri, che non sono quotati, i segnali dei mercati predittivi si sono mossi poco.
Il giorno dopo la vittoria democratica le Borse salgono, perché un Congresso diviso di solito significa meno regole per le imprese. Il giorno successivo l’S&P 500 perde il 4,4 per cento, il calo peggiore dall’aprile 2025, il Nasdaq entra in correzione e l’indice dei semiconduttori cede oltre il 12 per cento. Gli investitori temono che il nuovo Congresso e i governatori democratici negli stati dei data center rallentino la costruzione delle infrastrutture per l’AI. A quel timore si sommano preoccupazioni già presenti: la spesa annunciata da Meta e Amazon, il debito crescente delle aziende tecnologiche, le previsioni deboli di Qualcomm e di Arm. La correzione colpisce chi riceve la spesa per l’AI, i produttori di chip, più di chi la sostiene, i grandi gruppi del cloud, che da un rallentamento potrebbero perfino guadagnare. Scendono anche Tesla e SpaceX, le aziende del più ricco donatore repubblicano, ora esposte a indagini. Gli analisti restano fiduciosi e ricordano che l’S&P 500 è salito nei dodici mesi successivi a ogni elezione di metà mandato dal dopoguerra. Uno di loro riassume così: le valutazioni erano diventate così gonfie che il crollo non sorprende.
A Shenzhen l’azienda XtalPi gestisce un laboratorio in cui un modello formula ipotesi, fa eseguire le verifiche a bracci robotici e impara dai risultati, giorno e notte, quasi senza esseri umani. Il piano quinquennale approvato a marzo chiede di accelerare la scienza guidata dall’AI. Il governo costruisce una «pila» che collega dati specializzati, modelli e potenza di calcolo: in aprile l’Accademia cinese delle scienze ha aperto ScienceOne, uno «scienziato artificiale» a disposizione di centinaia di università. Pechino ha accelerato dopo la «Genesis Mission» annunciata da Trump, che punta allo stesso obiettivo. La differenza fra i due paesi è nell’uso: negli Stati Uniti i laboratori automatici attirano capitale di rischio con promesse ambiziose, in Cina servono soprattutto a produrre in fretta molecole e materiali da vendere. XtalPi lavora per 17 delle 20 maggiori case farmaceutiche, e secondo Goldman Sachs nel 2025 circa metà del valore dei farmaci concessi in licenza nel mondo veniva dalla Cina, contro il 21 per cento del 2024. Nei materiali, dove la Cina pubblica quattro volte più articoli degli Stati Uniti, un impianto in costruzione dovrebbe provare mille prototipi di celle solari al giorno, contro uno o due di un ricercatore umano. Il settimanale prevede poche grandi scoperte e molta forza industriale.
Thompson parte dagli spot elettorali visti in Wisconsin durante le partite di baseball: il tema più frequente erano i data center, e i due partiti si accusavano a vicenda di esserne favorevoli. Nelle elezioni di metà mandato del 2026, vinte largamente dai Democratici, la nuova governatrice del Texas Gina Hinojosa ha promesso una moratoria sui nuovi data center, e secondo il conteggio che Thompson riprende quasi tutti i referendum locali contro i data center sono passati. Il vincolo allo sviluppo dell’AI non è più tecnico ma politico: prima mancava il calcolo, poi la memoria, poi l’energia, e il consenso è l’unica scarsità che non si risolve costruendo, perché impedisce di risolvere le altre. Il confronto con la globalizzazione regge la tesi: quando le fabbriche si spostavano in Cina le città della Rust Belt non avevano voce, mentre un data center ha bisogno di un permesso, e chi allora ha subito ora può dire di no. Seguono dieci conseguenze per il settore, scritte da analista di mercato: vincono gli hyperscaler, che hanno già siti da ricostruire, perdono i neocloud e le startup, Nvidia guadagna perché in un mondo vincolato conta l’efficienza per megawatt, la Cina ha l’energia che agli Stati Uniti manca, Apple beneficia dell’inferenza sui dispositivi. L’ultima è la più interessante: se l’intelligenza non diventa una merce a basso costo, le persone hanno più tempo per adattarsi, e forse è la pausa che gli americani hanno chiesto.
3 novembre 2026
Curated
· Cédric Durand e Gaia Valenti / Le Grand Continent
AIEconomiaPolitica
Durand e Valenti ricostruiscono il boom degli investimenti in intelligenza artificiale negli Stati Uniti e le sue fragilità. Ci sono i rapporti circolari fra produttori di chip, sviluppatori di modelli e operatori di data center, e un debito che secondo KKR ha raggiunto i 600 miliardi di dollari ed è già impacchettato in prodotti strutturati come ai tempi dei subprime. Ci sono poi le resistenze locali contro i data center e una redditività ancora da dimostrare: l’AI è dappertutto, salvo che nelle statistiche della produttività. A differenza della bolla di Internet, osservano, questo boom non trascina il resto dell’economia ma cresce a sue spese. La parte più interessante viene dopo. Gli autori riprendono «Aspetti politici della piena occupazione» di Michał Kalecki e smontano il modello di singolarità economica di William Nordhaus mostrando che regge solo con certe ipotesi sulle elasticità di sostituzione, cioè se nessuno preferisce più l’artigianato o il rapporto personale nei servizi. La bolla americana dell’AI non vende soprattutto una promessa di profitto: persegue il controllo, cioè la sconfitta definitiva del lavoro, e accetta perdite che nessun calcolo di rendimento giustificherebbe. La chiusura guarda all’Europa: una crisi renderebbe più cara la dipendenza dai servizi digitali americani, ma aprirebbe anche una finestra per una politica industriale fondata su protezionismo digitale e regolazione internazionale. È un saggio di parte, dichiaratamente, e va letto come tale.
Nel 2026 le Borse mondiali salgono, Corea del Sud e Taiwan corrono sull’onda dell’intelligenza artificiale, e quella cinese scende: l’indice CSI 300 perde più dell’11 per cento e i titoli tecnologici crollano nella seconda metà dell’anno. Il governo interviene con gli acquisti della «squadra nazionale» di istituzioni statali e con nuove facilitazioni della banca centrale. Una parte delle cause è cinese: una politica di bilancio restrittiva quando servirebbe il contrario, una crisi immobiliare senza fine. L’altra parte riguarda tutti. I laboratori cinesi hanno condiviso i pesi dei loro modelli e così hanno guadagnato adozione e talenti, ma hanno rinunciato al potere di prezzo: la mercificazione che in Occidente è una paura, in Cina è stata la condizione iniziale. Secondo Epoch AI, i ricavi legati all’AI delle sei maggiori aziende cinesi valgono circa un decimo di quelli di OpenAI e Anthropic messe insieme. La Cina mostra anche che cosa accade quando l’offerta di nuovi titoli tecnologici supera la domanda, e la rubrica avverte che la quotazione di Anthropic potrebbe provocare la stessa indigestione. La Cina, conclude, potrebbe essere meno un’eccezione che un presagio.
Bill Adair, fondatore di PolitiFact e professore di giornalismo alla Duke, trova su Grokipedia, l’enciclopedia scritta dal modello di Elon Musk, due voci su di sé. Una lo confonde con un giocatore di baseball morto nel 2002; l’altra, quella giusta, è lunga 5.600 parole contro le 700 di Wikipedia e spiega otto volte la scala di valutazione di PolitiFact. In questa conta 32 errori, nonostante l’etichetta «verificato da Grok». Li divide in tre tipi: sette invenzioni vere e proprie, cinque frutto di una ricerca pigra che si ferma alla notizia vecchia, e la maggioranza fatta di fraintendimenti, informazioni trovate davvero ma lette in fretta e attribuite male, perché il modello non sa distinguere ciò che conta da ciò che non conta. La prosa è un impasto di gergo aziendale. Adair vede però anche lezioni per Wikipedia: il modello trova negli angoli remoti della rete dettagli che i redattori umani non vedono, e la sezione sulle critiche a PolitiFact offre un equilibrio che la voce di Wikipedia non ha. La conclusione è che il giudizio umano resta il centro della curatela del sapere, e che l’intelligenza artificiale può aiutare i volontari a patto di non sostituirli.
L’emendamento n. 1 al Form S-1, depositato presso la Securities and Exchange Commission il 2 novembre 2026, è il prospetto con cui Anthropic si quota al Nasdaq Global Select Market con il simbolo ANT. In questa versione il numero di azioni e la forchetta di prezzo sono ancora in bianco. I ricavi passano da 41 milioni di dollari nel 2023 a 386 milioni nel 2024 e a 4,6 miliardi nel 2025. Nei primi nove mesi del 2026 sono 33,2 miliardi, di cui 17 nel solo terzo trimestre. Le perdite crescono insieme ai ricavi: 1,5 miliardi nel 2023, 8,3 nel 2024, 42 nel 2025 e 104 nei primi nove mesi del 2026. Al 30 settembre la società dichiara 131,8 miliardi fra liquidità e investimenti a breve, e destina i proventi soprattutto alla capacità di calcolo e all’infrastruttura. Anthropic è una public benefit corporation, con lo scopo di «the responsible development and maintenance of advanced AI for the long-term benefit of humanity». Le classi di azioni sono cinque. Un’unica azione di classe F, intestata alla società dei sette cofondatori, porta il 50,1 per cento dei voti. Un’unica azione di classe T permette al Long-Term Benefit Trust, cinque fiduciari senza interessi finanziari nella società, di eleggere la maggioranza del consiglio. Le azioni di classe N non votano, e fra queste c’è il 5 per cento del capitale destinato a un fondo per il beneficio pubblico. Gli investitori esterni votano, ma la maggioranza dei voti è dei fondatori e la maggioranza del consiglio la elegge il trust: la presa del mercato sulla società è limitata per costruzione. Il prospetto precisa che il trust non ha poteri sulla gestione né sulla strategia. I fattori di rischio occupano circa novanta pagine. Accanto a quelli comuni a ogni quotazione ne elencano due gruppi insoliti: la sicurezza dell’AI, con l’uso improprio e i comportamenti non allineati o autonomi dei modelli, e il governo societario stesso. Il prospetto ammette che le misure di precauzione, compreso il ritardo nel rilascio dei modelli, possono rallentare i progressi rispetto ai concorrenti. Il documento supera il milione e mezzo di battute, e la scheda ne riporta solo le parti strutturali.
L’antropologo Philippe Descola parte da una fotografia di Andres Serrano, la testa di un vitello che fissa lo spettatore, per mostrare come lo sguardo moderno, che chiama naturalista, attribuisca agli animali un’interiorità di tipo umano annullandone l’estraneità. In Amazzonia, nel regime animista, l’interiorità degli animali si manifesta nel sogno, dove si presentano come persone e parlano la lingua degli umani; i piccoli della selvaggina uccisa vengono adottati come orfani e non sono mai di nessuno. Nei mondi analogisti, dalla grande catena dell’essere a Montaigne, umani e animali si distinguono solo per gradi. Per un antropologo, scrive Descola, non esiste un’umanità universale: ogni collettivo la definisce in base a ciò che lo separa dagli altri esseri. All’intelligenza artificiale, dichiarando che non è il suo campo, dedica il passaggio finale: è il compimento del naturalismo, la verifica sperimentale che la mente umana obbedisce alle stesse leggi della materia, e dopo di essa la nostra eccezionalità consiste soltanto nell’aver saputo costruire macchine che ci imitano. Il titolo promette più di quanto il saggio sviluppi, ma la chiave è utile: la domanda sull’AI è anche una domanda su dove ciascuna cultura mette il confine dell’umano.
30 ottobre 2026
Curated
· Felix M. Simon, Rasmus Kleis Nielsen e Richard Fletcher / Reuters Institute
AIGiornalismoMedia
Il terzo rapporto annuale del Reuters Institute, condotto con YouGov, interroga campioni di nove paesi: Argentina, Australia, Danimarca, Finlandia, Francia, Giappone, Norvegia, Regno Unito e Stati Uniti. Nei sei paesi seguiti dal 2024 l’uso settimanale dei sistemi di AI generativa sale dal 34 al 51 per cento in un anno, e quello quotidiano passa dal 7 per cento del 2024 al 28. Cercare informazioni è ormai l’uso più comune, dall’11 al 38 per cento in due anni, e chiedere consigli è frequente quanto chiedere fatti. Per le notizie l’AI resta marginale, al 9 per cento, e chi la usa le pone soprattutto domande di approfondimento. Tre quarti di chi si affida all’AI per i fatti si fidano delle risposte. La fiducia però non è la ragione dell’uso: il 64 per cento indica la comodità di una risposta più rapida, e solo il 21 per cento dice di ottenere informazioni più affidabili che altrove. Chi usa i chatbot dice di usare meno i motori di ricerca, e in misura minore i siti di notizie. Un dato nuovo riguarda gli editori: il 17 per cento di chi usa l’AI per le notizie l’ha usata nell’ultima settimana per aggirare un paywall, anche se l’indagine non dice con quale successo.
29 ottobre 2026
Curated
· Mike Bird con Howard Marks / The Economist
EconomiaAI
Nell’ultima puntata di Mike Bird, il podcast finanziario dell’Economist guarda al boom dell’AI dal lato del credito. I conduttori leggono il prospetto di quotazione di Anthropic, dove la spesa in calcolo per ogni dollaro di ricavi è scesa da 2,50 dollari all’inizio del 2025 a meno di 50 centesimi, e dove il rischio politico, cioè l’ipotesi che il governo americano voglia controllare l’azienda, è descritto con toni che a Bird paiono troppo blandi. Intanto i rendimenti delle obbligazioni di CoreWeave e Oracle sono saliti molto. Howard Marks, cofondatore di Oaktree e da decenni il più ascoltato fra gli investitori in debito distressed, considera l’AI diversa dalle tecnologie precedenti perché agisce da sé, ma la psicologia degli investitori sempre uguale. Il suo indicatore è semplice: l’avversione al rischio tiene i mercati prudenti, e quando si vedono emettere ogni giorno titoli che non dovrebbero trovare acquirenti, come prima della crisi del 2008, è il momento di ridurre l’esposizione. Oggi non vede la follia del 1999, e consiglia a chi vuole puntare sull’AI di comprare azioni più che debito. La trascrizione del podcast è generata automaticamente e non è stata rivista dall’Economist.
Recensendo The Last Best Place on the Internet di Richard Cooke, l’Economist ripercorre i 25 anni di Wikipedia: nata dal fallimento di Nupedia, che in cinque mesi aveva approvato un solo articolo, è diventata la più grande enciclopedia mai scritta da esseri umani, 30 miliardi di parole in oltre 300 lingue. Le sue debolezze sono note: la maggioranza degli autori sono uomini, per dieci anni metà delle modifiche sono venute da cinque paesi, e la voce su Scrappy Doo è stata a lungo più lunga di quella sulla Polonia. Le minacce nuove sono tre. La guerra culturale, con Larry Sanger che ne denuncia il pregiudizio progressista ed Elon Musk che lancia Grokipedia contro la «Wokepedia». Il calo dei redattori, scesi di un terzo dal picco del 2007 anche per regole diventate ostili ai nuovi arrivati. E l’intelligenza artificiale: quando un motore di ricerca suggerisce una voce di Wikipedia quasi un utente su dieci la apre, quando la cita un modello linguistico solo lo 0,33 per cento, e dal 2022 il sito ha perso quasi un quarto dei lettori. I modelli ne hanno ereditato anche gli errori: c’è chi attribuisce ancora l’invenzione del tostapane elettrico ad Alan MacMasters, autore di una burla su Wikipedia.
Shyam Sankar, direttore tecnico di Palantir, sostiene che l’industria investe troppo nella produzione di intelligenza e troppo poco nella sua diffusione: l’unità di base di un’impresa è il processo, e rendere più produttivo un singolo analista non rende nulla se il processo resta com’è. Nella sua esperienza falliscono i clienti che usano l’AI per tagliare personale e riescono quelli che la usano per fare ciò che prima non potevano permettersi. Racconta anche un errore istruttivo: aver imposto ai nuovi assunti di imparare la piattaforma solo attraverso l’AI ha prodotto dipendenti che non ne capivano i componenti. Poi attacca la sicurezza dell’AI come la intendono i laboratori, Anthropic in particolare: l’altruismo efficace l’avrebbe trasformata in una religione secolare e millenarista, che fa passare per critica tecnica una visione del mondo. Thompson gli risponde con la stessa misura: le tesi di Palantir coincidono con il suo modello di business, come quelle di Anthropic con il suo, e resta da capire se a decidere sarà chi crede di più o il mercato. Sankar, che con Anthropic lavora ancora, dice di essere stato preso in mezzo nello scontro con il Dipartimento della Difesa e di aver dato ai clienti la possibilità di cambiare modello in pochi minuti.
28 ottobre 2026
Curated
· Henry Farrell e Cosma Shalizi / The Economist
AIFilosofiaCultura
Henry Farrell e Cosma Shalizi respingono le due letture opposte dell’intelligenza artificiale, il «pappagallo stocastico» degli scettici e il «dio macchina» degli entusiasti, e ne propongono una terza combinando due libri di più di sessant’anni fa. Jacques Barzun, in The House of Intellect (1959), distingueva l’intelletto, il sapere fissato nella scrittura e ordinato in biblioteche, dall’intelligenza viva che lo produce. Albert Lord, in The Singer of Tales (1960), mostrava con Milman Parry che i bardi jugoslavi non ricordavano a memoria i loro poemi ma li ricomponevano a ogni esecuzione con formule e temi ricorrenti, come era avvenuto per l’Iliade e l’Odissea. Un modello linguistico, scrivono, comprime l’intera casa dell’intelletto in schemi statistici e la trasforma in una macchina che la ricompone al volo: un canto omerico tecnologico, che negli agenti non si limita a raccontare ma agisce sul mondo. La lettura spiega i successi, come i problemi matematici risolti combinando idee distanti, e anche i fallimenti: i modelli recitano ruoli presi dai testi su cui sono addestrati, e possono scivolare da un ruolo all’altro, compreso quello dell’intelligenza artificiale malvagia. Chiudono con un avvertimento: i miti che scriviamo oggi sugli agenti diventeranno il materiale da cui gli agenti di domani impareranno chi essere.
Joshua Gans, economista dell’innovazione all’Università di Toronto, parte da un’analogia: lo studente che segue una buona lezione e non compra il manuale consuma un’opera protetta e toglie una vendita all’autore, ma nessuno pensa di chiedergli il permesso. Per i grandi modelli linguistici la trattativa preventiva è impossibile per tre ragioni: milioni di titolari da rintracciare, il contributo minimo di ogni singola opera a un corpus immenso, e un danno che nessuno può conoscere prima che il modello sia rilasciato. La sua proposta, costruita sulla distinzione di Calabresi e Melamed fra regole di proprietà e regole di responsabilità, è lasciare che l’addestramento proceda senza permesso e risarcire dopo, sopra una soglia, i mancati profitti di chi viene davvero sostituito nella propria espressione protetta: i creatori sono così assicurati contro il danno che temono, e le aziende hanno un incentivo a impedire che i modelli memorizzino e ripetano i testi. Distingue l’addestramento generale dal recupero di articoli freschi per rispondere a domande di attualità: lì editori e articoli sono identificabili e la licenza ha senso economico. Sull’opt-out europeo è scettico, perché dove ottenere i permessi costa una riserva produce meno addestramento più che royalty, e favorisce chi può permettersi accordi e cause. Va letto sapendo che Gans ha depositato un parere come amicus curiae nella causa contro OpenAI, e che fra i libri usati senza permesso per addestrare i modelli c’erano anche i suoi.
A metà ottobre Meta ha aggiornato le condizioni per gli account aziendali su Facebook, Instagram, WhatsApp e Threads: chi ha un account, cioè quasi ogni testata, avrebbe concesso la raccolta automatica dei contenuti dei siti «associati», senza possibilità di sottrarsi. Dopo le proteste degli editori Meta ha tolto la parola «addestrare», ha limitato l’uso a «prodotti pubblicitari e commerciali» e ha rinviato l’entrata in vigore al 20 novembre. L’azienda assicura che gli editori potranno continuare a bloccare i suoi crawler con il file robots.txt, ma nessuna versione delle condizioni lo scrive: la tutela degli editori resta affidata a una dichiarazione alla stampa. Gli esperti restano scettici: per il giurista Thomas Höppner è una violazione evidente del diritto europeo della concorrenza, e il rinvio potrebbe servire solo a rendere meno urgenti le richieste di misure cautelari. La Commissione europea richiama l’articolo 102 del Trattato e il Digital Markets Act, l’autorità britannica della concorrenza ha scritto a Meta, e le associazioni degli editori chiedono che le condizioni vengano ritirate prima di entrare in vigore.
Wedgewood Polls, presentatasi come istituto di sondaggi americano, ha ammesso che la maggior parte dei suoi dati era inventata e ha detto di aver voluto verificare quanto facilmente un istituto del tutto falso potesse essere preso sul serio. L’ha scoperta l’aggregatore FiftyPlusOne. Il New York Times aveva incluso quindici suoi sondaggi nel proprio tracker fra giugno e ottobre, e li ha tolti con una nota della redazione; in agosto un’altra società, Median Strategies, aveva ammesso di aver fabbricato risultati come «esperimento sociale». Il danno non è teorico: Mallory McMorrow, candidata democratica al Senato in Michigan, dice che un sondaggio di Wedgewood che la dava a una cifra le fece perdere donazioni e volontari. Secondo FiftyPlusOne fare sondaggi di bassa qualità, o falsificarli del tutto, sta diventando sempre più facile, e gli strumenti di intelligenza artificiale rendono più difficile riconoscere istituti e dati inventati. La presidente dell’AAPOR, Mary Losch, chiede di non confondere la frode con i sondaggi legittimi.
22 ottobre 2026
Curated
· Lynsey Chutel, Amelia Nierenberg e Brian O. Otieno / The New York Times
SicurezzaTecnologiaAI
Il 22 ottobre la PHP Foundation ha rilasciato una correzione per una vulnerabilità che permetteva di prendere il controllo dei server, rubare dati e alterare i siti. PHP è vecchio e poco amato dagli sviluppatori, ma regge WordPress e Drupal e, secondo alcune stime, il 70 per cento dei siti web. In precauzione sono andati offline per ore i portali pubblici finlandesi, trentadue servizi del governo britannico, il sito dell’identità digitale olandese, il fisco francese e il sito della premier giapponese Sanae Takaichi. La falla è stata trovata da ricercatori che usavano i modelli avanzati di OpenAI, e secondo Cloudflare i tentativi di sfruttarla erano già migliaia prima dell’annuncio e milioni nei due giorni successivi. Le grandi amministrazioni hanno rimediato in poche ore, le piccole imprese sono rimaste al buio fino a sette.
Due autori di IDEO raccolgono regole pratiche per scrivere con l’intelligenza artificiale senza farsi scrivere da lei. La prima è non cedere la bozza iniziale, perché è lì che si mettono alla prova le idee e si scopre di che cosa si sta davvero parlando; le altre sono note: tagliare, verificare i fatti, rileggere tutto ciò che si firma, usare il modello come critico severo e come aiuto per ordinare materiali sparsi. Lungo la strada correggono un’attribuzione che i modelli ripetono: la lettera troppo lunga per mancanza di tempo è di Pascal, nel 1657, non di Mark Twain. L’osservazione più interessante viene dalla loro redazione: due colleghi, lavorando sullo stesso tema con lo stesso strumento, hanno consegnato bozze simili fino ai giri di frase, e se tutti interrogano la stessa macchina, la scrittura converge su un unico testo. È un pezzo leggero, scritto per il blog di uno studio di design, ma il fenomeno che descrive è misurabile e riguarda chiunque scriva per mestiere.
20 ottobre 2026
Curated
· Matt Levine / Bloomberg Opinion
EconomiaAI
Matt Levine riduce il problema finanziario dell’AI a un modello in pochi passaggi. Si prendono a prestito somme enormi per costruire data center, che saranno ripagate con gli affitti pagati dalle aziende dell’AI. Se i ricavi dell’AI deludono, se la domanda di chip cala o se i chip invecchiano più in fretta del previsto, quei prestiti non tornano. Poco importa quale inquilino o quale costruttore fallisca, perché un data center pieno di chip trova sempre un altro affittuario finché la domanda regge. Il rischio dei data center è quasi tutto sistematico, non specifico: o vanno bene tutti, o vanno male tutti, e chi dovrebbe vendere l’assicurazione contro questo rischio ne è già pieno.
Gli investitori cercano protezione comprando credit default swap. Secondo Morgan Stanley gli scambi legati ai bond di Oracle, SpaceX, Alphabet, Amazon, Meta, Broadcom e Nvidia sono passati da meno di due a più di nove miliardi di dollari a settimana fra luglio e settembre, e assicurare il debito di Oracle costa oggi il 3,3% l’anno contro lo 0,33% di cinque anni fa. Ma assicuratori, banche e fondi hanno già in portafoglio gli stessi bond. È una newsletter scritta con l’ironia del suo autore, non un’analisi formale, ma la sua forza è mostrare che un rischio concentrato non si diversifica: si sposta soltanto, da un bilancio all’altro.
Kris Anderson passa ogni sera due ore e mezza a classificare le foto di mantidi caricate su iNaturalist, la piattaforma dove chiunque può documentare la fauna. A giugno ne ha vista una che sembrava una specie nuova: era generata dall’intelligenza artificiale. Eric Boodman racconta come le comunità della scienza partecipata, iNaturalist, eBird, OpenStreetMap, Zooniverse, stiano costruendo difese contro lo slop: arXiv limita le sottomissioni, eBird segnala gli uccelli ritoccati, OpenStreetMap lascia un file di istruzioni per gli agenti automatici. Il danno più insidioso non è il falso clamoroso ma la foto ritoccata in buona fede, che aggiunge una striscia sulle ali o cambia un colore: così si consegnano ai modelli di riconoscimento dati di cose che non esistono.
L’ornitologo Alexander Lees lo dice così: i modelli generativi rischiano di inquinare l’archivio di come sono fatti gli animali veri, e di rovinare proprio gli strumenti di identificazione da cui sono nati. Il direttore di iNaturalist ricorda che quei modelli valgono quanto la comunità umana che li corregge. La scienza partecipata è un’alleanza fra esperti e appassionati, e regge finché qualcuno ha ancora l’occhio per notare che qualcosa non torna.
Moritz Hardt, direttore al Max Planck Institute for Intelligent Systems e autore di The Emerging Science of Machine Learning Benchmarks, chiama i benchmark «the mistake that made machine learning». Dovrebbero funzionare come termometri, ma funzionano come una gara: il campo ha messo i test in rete e ci ha iterato sopra, ignorando la regola di usarli una volta sola. I punteggi assoluti valgono poco, perché basta cambiare di poco il test per passare dal 90 al 73%. Le classifiche invece sono rimaste stabili fra dataset diversi, ed è per questo, «mostly by sheer luck», che l’apprendimento automatico è sfuggito a una crisi della replicazione. Un benchmark non è un termometro ma una gara: il punteggio non dice quanto vale un modello, e la classifica dice chi è meglio solo se tutti si sono preparati allo stesso modo.
Con i modelli linguistici quella condizione è saltata. Non si sa su che cosa siano addestrati, e ognuno si prepara ai test in misura diversa, il «benchmaxxing». La proposta di Hardt viene dalle Olimpiadi di Città del Messico del 1968: invece di vietare l’allenamento in quota, estenderlo a tutti, con un protocollo comune di preparazione prima del test. Lui stesso ammette che così si ottengono indicatori di progresso, non misure, e che la stabilità delle classifiche è un fatto empirico senza teoria. È un’intervista breve, uscita con il libro.
16 ottobre 2026
Curated
· Nathan Wilmers, Regina Catipon, Maxim Massenkoff e Peter McCrory / The Anthropic Institute
AILavoroEconomia
Quattro ricercatori di Anthropic studiano la propria azienda con dati interni su assunzioni, uso degli agenti, produzione, calendari, Slack e schede di colloquio, più diciassette interviste. Da inizio 2025 la quota di junior nei reparti tecnici è scesa dal 21 al 14 per cento, e quella fra i nuovi assunti dal 27 al 9. Ad agosto gli agenti lanciati dai dipendenti lavoravano sei ore per ogni ora umana. Seguendo le stesse persone prima e dopo l’adozione, la produzione cresce: più codice per ingegnere, senza differenze misurabili nella qualità, più contratti chiusi dai venditori. Gli autori avvertono che chi adotta per primo non è un campione casuale. Quando gli agenti producono più di quanto un umano possa leggere, il lavoro si sposta dall’esecuzione alla supervisione, e i primi a pagarne il costo sono i posti junior, che erano il luogo in cui si imparava l’esecuzione. Anche fra i non tecnici leggere tutto ciò che scrivono i propri agenti richiederebbe metà della settimana, e il «meta-lavoro» di istruirli e controllarli sale dal 10 al 22 per cento delle sessioni. Il tempo in riunione cresce, perché il giudizio e il coordinamento restano umani, e i selezionatori premiano autonomia e giudizio più della competenza specialistica. Come rimedi il rapporto propone l’azionariato diffuso, sul modello del patto fra sindacati e imprese americane degli anni Cinquanta, un sistema di allerta sui ruoli a rischio e la ricollocazione interna. Ammette però che nessuno dei tre aiuta chi non viene assunto, e che senza politiche pubbliche di riqualificazione e sostegno al reddito non basteranno.
I ricercatori passano una parte sorprendente del loro tempo a scrivere: in Australia, in media il 16% dell’anno va nelle domande di finanziamento, che hanno una probabilità di successo di circa una su cinque. L’AI promette di restituire quel tempo, e lo fa: un ricercatore di un’università della Ivy League è passato da un giorno a settimana a tre quarti d’ora. Ma la stessa facilità ha fatto esplodere la produzione di bassa qualità. Le sottomissioni a ICML sono raddoppiate in un anno, a 24.000; in 2,5 milioni di articoli biomedici le citazioni inventate sono cresciute di dodici volte fra il 2023 e l’inizio del 2026; nelle riviste predatorie circa nove articoli su dieci sono generati. Due ricercatori svedesi hanno messo online due preprint su una malattia degli occhi inesistente, la «bixonimania», e in poche settimane i chatbot ne parlavano come di una cosa reale. Il dato più importante è un rovesciamento: prima dei modelli linguistici la qualità della scrittura di un paper era un buon indizio della sua qualità scientifica, oggi non lo è più.
L’AI può aiutare a rimediare, scovando immagini manipolate e incoerenze, e i revisori che la usano trovano più errori tecnici, mentre gli umani restano migliori nel giudicare novità e rilevanza. Ma le soluzioni proposte per i finanziamenti, cioè meno testi e più colloqui e curricula, rischiano di favorire chi è già dentro il sistema. Ivan Oransky, fondatore di Retraction Watch, riassume così: l’AI è l’acceleratore, la miccia è la cultura del «publish or perish». Se si vuole fermare lo slop, bisogna cambiare gli incentivi.
In una settimana i ricavi di OpenAI sono stati stimati in 70 miliardi di dollari da Axios e in 50 dal Financial Times, e i titoli tecnologici sono saliti e scesi a ogni versione. La colonna Schumpeter dell’Economist ne fa il sintomo di un problema più largo. I «ricavi» dei laboratori sono in realtà ARR, ricavi ricorrenti annualizzati: le vendite di un mese moltiplicate per dodici, ricorrenti solo nel senso che si spera continuino, e calcolati in modi diversi, perché Anthropic conta le vendite fatte attraverso i fornitori cloud e OpenAI solo dopo aver tolto la loro quota. Coatue propone di valutare i laboratori sull’EBITDA prima dei costi di addestramento, cioè prima della spesa più grande, e la colonna ricorda l’«EBITDA rettificato per la comunità» di WeWork. Il boom dell’AI si misura con numeri che non si possono confrontare, e un mercato che non sa con che cosa confrontarli reagisce a ogni indiscrezione.
Le aziende quotate non fanno molto meglio. Amazon, Google, Meta e Microsoft hanno 2.400 miliardi di dollari di impegni fuori bilancio, più di quanto abbiano preso a prestito sul mercato obbligazionario, e misurano il ritorno dell’AI con tassi di ricavo annualizzati che restano scatole nere. Secondo Goldman Sachs servirebbe un trilione di dollari di ricavi annui per remunerare gli investimenti nei data center. Intanto la spesa per i data center gonfia gli utili aggregati dell’S&P 500, gli enti statistici americani perdono fondi e competenze, e l’autorità di vigilanza sui revisori creata dopo Enron ha visto tagliare il bilancio. È una colonna d’opinione, con numeri presi da altri, ma la diagnosi regge: quando la misura è opaca, il prezzo segue la voce.
Hannah Fry, matematica che sulle equazioni di Navier-Stokes ha fatto il dottorato, racconta come OpenAI abbia trovato il controesempio che le fa cadere, uno dei problemi del Millennium Prize. Lo ha fatto con 10.000 agenti, tre milioni di messaggi e 88 ore di calcolo, e il risultato sono 166 pagine e centinaia di migliaia di righe di codice formale che quasi nessuno vuole leggere. Poi sono arrivate centinaia di altre dimostrazioni, comprese alcune sull’ipotesi di Riemann, lasciate su GitHub perché le controllino altri. Il problema è chiuso, ma nessuno sa spiegare alla lavagna perché quel vortice rompe tutto: la dimostrazione c’è, la comprensione no.
Da qui la crisi che Fry descrive, simile a quella di Lee Sedol dopo AlphaGo: se una macchina chiude i problemi senza produrre comprensione, la ricerca deve ridire a che cosa servono i problemi aperti. Il suo giudizio su OpenAI è duro, «conquest over stewardship», e va letto come quello di una parte. Le dimostrazioni, lei stessa lo lascia intendere, non sono ancora state verificate.
Melanie Challenger, vicepresidente del Nuffield Council on Bioethics, sposta il discorso sul danno cognitivo dalla mente al corpo. L’intelligenza, scrive, nasce dall’organizzazione del vivente e si forma nelle azioni: orientarsi, ricordare, camminare, scegliere, prestare attenzione. La distinzione che conta è fra le tecnologie che rafforzano queste capacità e quelle che ripetutamente sostituiscono le azioni da cui dipendono. Le capacità si perdono per sostituzione ripetuta, non per contatto: è l’abitudine, cioè il tempo che non dedichiamo più al gesto, a smontarle.
Gli esempi sono concreti. In uno studio longitudinale su tredici utenti del GPS seguiti per tre anni, la memoria spaziale legata all’ippocampo cala più in fretta che nei gruppi di controllo. Copiare un testo scritto dall’AI, invece di stenderlo e poi farlo rivedere, riduce la fiducia nel rifare il lavoro da soli. Brevi conversazioni regolari con un’AI su questioni personali riducono un poco la preferenza per il sostegno umano. Challenger chiama questi sistemi parassiti: simulano un’agency nutrendosi della nostra. Il saggio pesa la tesi più dei dati, che sono pochi e su campioni piccoli, ma l’attrezzo regge: il danno non passa per lo strumento in sé, passa per il tempo che gli cediamo.
Nel 2014 Dzmitry Bahdanau, stagista nel laboratorio di Yoshua Bengio a Montréal, cercava di far tradurre frasi lunghe a una rete neurale. Ripensò a come traduceva a scuola, la testa che va avanti e indietro fra il testo di partenza e quello d’arrivo, e ne fece un’operazione matematica: l’attenzione. Nel 2017 i transformer di Google la misero al centro, e da lì vengono i grandi modelli linguistici. Natalie Wolchover spiega il meccanismo con un pronome, «it» in «because it was too tired» e in «because it was too wide», che in francese diventa il o elle: ogni parola emette una domanda e una chiave, e il contesto entra nel calcolo della sua rappresentazione. Llion Jones, uno degli autori di «Attention Is All You Need», sostiene che prevedere la parola successiva contenga quasi tutto ciò che gli umani fanno per iscritto, e sia quindi la definizione più vicina che abbiamo di intelligenza.
Ogni epoca descrive la mente con la tecnologia che ha in mano, e l’attenzione dei transformer è l’ultima di queste metafore: Wolchover stessa mostra che il pensiero umano non coincide con il modello del linguaggio. Il pensiero attiva regioni del cervello fuori dalle reti linguistiche, e il cervello fa con poca energia e pochi dati ciò che un transformer fa con l’intera rete: Jones stesso oggi dubita che l’attenzione basti. È una rubrica divulgativa, e lo studio sul pensiero non linguistico è riassunto in poche righe, senza fonti.
Il comitato editoriale del New York Times parte da un dato: i programmi delle aziende dell’AI hanno violato o tentato di violare banche dati di imprese e governi, e le aziende ne parlano come genitori che rimpiangono e insieme declinano la responsabilità per un figlio adolescente. Le definiscono autonome, agentiche, quasi dotate di una mente propria. La complessità di un prodotto non riduce la responsabilità di chi lo crea: chiamarlo agente serve a spostarla sul sistema, e il diritto ha già gli strumenti per riportarla sull’azienda. Il primo è la responsabilità per danno da prodotto, quella che ha cambiato le industrie dell’auto, del tabacco e degli oppioidi. Il secondo è la responsabilità oggettiva, che si applica alle attività pericolose come le centrali nucleari e che i legislatori imposero all’aviazione delle origini: se tieni una tigre e morde il vicino, non conta quanto fosse addestrata.
Contro l’argomento dell’innovazione il pezzo cita Sam Altman, «the world should accept some bad things happening». Due cose vanno dette. Il New York Times è in causa con OpenAI e Microsoft per il diritto d’autore, e lo dichiara nel testo. Fra le aziende citate c’è anche Anthropic.
Secondo un rapporto di OpenAI, utenti in Iran hanno usato ChatGPT per scrivere un centinaio di articoli, usciti su almeno venti testate americane sotto sette firme inventate, con foto profilo generate dall’AI. Erano commenti critici sugli effetti della guerra in Iran per gli americani, adattati ai criteri di ogni testata e accompagnati da un’email di proposta scritta anch’essa dal modello. OpenAI parla di una campagna d’influenza su commissione e non sa dire chi l’abbia ordinata. Il caso più istruttivo è il più piccolo: un settimanale della Florida rurale, che ha pubblicato il pezzo perché gli arrivava da un think tank che gli mandava articoli da anni. Il falso non è passato per la bravura della macchina ma per la fiducia: ogni anello si è fidato del precedente, e nessuno ha verificato chi fosse l’autore.
Il danno non finisce con la rimozione. Il fondatore di Daily Kos osserva che, in una comunità dove già ci si accusa di essere bot per un disaccordo, una campagna così getta benzina sul sospetto reciproco. L’attribuzione viene da OpenAI, che è parte interessata, e il Washington Post dichiara di avere con OpenAI una partnership di contenuti.
Nel 2012 Quartz nasce da Atlantic Media come testata di business per l’élite globale, gratuita, finanziata da sponsor e distribuita via newsletter. Al culmine ha più di 200 persone, 115 paesi e 19 lingue, ma ricavi da nicchia: 30 milioni di dollari nel 2016, il primo utile nel 2017. Seguono la vendita a Uzabase, un paywall da 100 dollari l’anno arrivato tardi e poi tolto, i licenziamenti del 2020, il riacquisto da parte del direttore, la cessione a G/O Media per meno di 10 milioni e, nell’aprile 2025, alla canadese Redbrick, che vuole usarla per la sua piattaforma di monetizzazione delle newsletter.
Press Gazette racconta l’ultimo stadio. Quasi tutto il sito porta la firma di Cris Tolomia, presentato come esperto di marketing digitale: almeno 52 articoli in un solo giorno, circa 20.000 parole quotidiane, 9.200 pezzi da marzo, molti dei quali il rilevatore della testata attribuisce interamente all’AI. Il traffico di settembre è un decimo di quello del 2020. Quartz non ha cambiato modello, ne ha tolto il costo: la newsletter sponsorizzata resta, la redazione è sostituita da una firma che produce cinquanta pezzi al giorno con l’AI. Quattro proprietari in otto anni dicono che nessuno ha trovato il modello: si procede per tentativi.
Nell’aggiornamento del 6 ottobre 2026 Ben Thompson parte da un fatto tecnico: con gli LLM, decompilare un gioco — risalire dal codice macchina a un sorgente in C leggibile — non chiede più anni di lavoro. Lo considera un caso d’uso quasi perfetto per i modelli, perché il modello propone il codice e può verificare da solo se corrisponde all’originale.
I casi li riprende da Polygon e The Gamer, e vanno letti come riportati. La versione Xbox di Halo gira nel browser, con ventimila giocatori nelle prime cinque ore. Maurice Heumann ha ricostruito Modern Warfare 2 con diciassette agenti in parallelo, finché Activision non l’ha bloccato. Fallout: New York, un gioco nuovo generato con Claude, è stato chiuso da una diffida di Bethesda. Thompson tiene distinte le due capacità, rifare un gioco che esiste e crearne uno nuovo, e ricorda il quadro giuridico americano. Decompilare non è illecito di per sé (Sega v. Accolade, Sony v. Connectix), ma distribuire il codice ricavato quasi certamente lo è, e le licenze d’uso dei giochi per PC di solito vietano il reverse engineering.
L’attrezzo che il pezzo consegna sta in questa distinzione. Tutto il software diventerà aperto nel senso che se ne potrà leggere il codice, non nel senso della licenza: lo si potrà leggere e modificare in casa, non distribuire né vendere.
Quando chiunque può rifare il software, il valore si sposta da ciò che si vende alla personalizzazione. Thompson ne trae tre conseguenze: più giochi-servizio sempre connessi, sul modello di Fortnite, dove non c’è un eseguibile da decompilare; un’ondata di giochi indipendenti; generi costruiti per essere modificati, come Roblox. L’analogia con cui chiude non è Netflix ma TikTok: ognuno si costruisce la propria avventura. I giochi ci arrivano per primi, ma il passaggio toccherà ogni medium.
Il pezzo fa da rovescio alla catena «Il permesso e la proprietà». Lì chi compra un ebook o un modello ottiene solo un accesso a termine; qui chi possiede l’eseguibile può leggerne tutto, ma non farlo circolare. In tutti e due i casi possedere la copia non dice più che cosa se ne può fare.
Hana Kiros parte dall’annuncio di fine settembre 2026: secondo Anthropic, Claude avrebbe individuato in meno di ventiquattr’ore un nuovo «sistema enzimatico» simile a CRISPR. È il primo risultato del laboratorio di biologia che l’azienda ha aperto in primavera.
Le obiezioni vengono tutte da fonti terze. Diversi accademici e l’amministratore delegato di Eli Lilly hanno parlato di un risultato incrementale presentato come scoperta. Fyodor Urnov, che con Anthropic lavora a un progetto CRISPR, dice che non è ancora chiaro se si tratti di un enzima. Al New York Times alcuni ricercatori hanno detto di conoscere quel sistema da anni, e un gruppo dell’Università di Copenaghen ha ipotizzato che i risultati derivassero dalle interazioni del proprio laboratorio con Claude. L’azienda ha risposto che Claude non viene addestrato sulle trascrizioni degli utenti.
Il pezzo però non si ferma alla smentita, ed è per questo che entra. L’annuncio gonfiato nasconde la capacità reale, che è meno spettacolare e più utile: passare al setaccio quantità di dati che nessun gruppo di ricerca avrebbe il tempo di guardare.
Lo Human Genome Project ha impiegato tredici anni e 2,7 miliardi di dollari per sequenziare un genoma umano; oggi ne bastano un giorno e circa 200. Già nel 2012 un comitato di bioinformatici scriveva che il collo di bottiglia si era spostato dalla produzione dei dati alla loro analisi. Bo Wang, dell’Università di Toronto, chiama il contributo dell’AI «scaling scientific attention»: far emergere le anomalie che meritano uno sguardo umano. Per questo caso Anthropic ha messo al lavoro circa 950 istanze di Claude su un database di quasi due miliardi di sequenze.
Il limite lo dichiara il pezzo stesso: la scala funziona dove i dati abbondano. Stirling Churchman, di Harvard, ricorda che la microscopia, la biologia degli organelli e il trasporto cellulare producono pochi dati e richiedono esperimenti lunghi: «ci sarà magia dove ci sono dati». Resta aperto anche se questi strumenti spingano i ricercatori verso esperimenti più audaci o più prudenti.
Il pezzo dialoga con la catena «Il rischio come prodotto». Kiros osserva che le aziende hanno ogni incentivo a continuare a promettere miracoli medici, tanto più ora che cresce l’ostilità nei loro confronti. Amodei lo dice apertamente: per zittire gli scettici «funzionerà curare davvero il cancro». La funzione è la stessa che la catena attribuisce all’allarme, spostata dal rischio al beneficio.
Davide Piacenza su Culture Wars, 2 ottobre 2026, sul caso del romanzo C’était ça ou mourir di Thélyson Orélien, accusato nel settembre 2026 di essere stato scritto in larga parte con un modello linguistico, segnalato dal software Pangram ed escluso dalla selezione del Prix Goncourt. Il pezzo rifiuta la polarizzazione fra entusiasti e apocalittici e tiene ferme tre cose: che allo stato attuale un modello non scrive da solo un romanzo da premio senza un apporto umano sostanziale, che la richiesta di etichette e dichiarazioni «sia legittima e vada sostenuta, specie in questa fase di transizione», e che sotto la questione dell’autenticità ce n’è una di potere, perché gli strumenti sono in mano a un numero molto ristretto di aziende private che estraggono valore dal lavoro altrui. Chiude con una domanda sulla possibilità di una «distopia di feudatari e vassalli digitali».
Quello che l’archivio tiene è la formulazione del patto. Piacenza cita George Saunders — «la scrittura è il modo più prezioso con cui una persona può comunicare la propria essenza a un’altra» — e ne ricava che «se quel patto non scritto di trasparenza reciproca viene meno, è comprensibile che una delle due parti non la viva bene». È uno spostamento utile, perché sposta l’offesa dal testo alla relazione: ciò che l’uso non dichiarato rompe non è la qualità di ciò che si legge, è la reciprocità dello scambio. E una relazione si può riparare con una dichiarazione, mentre un’essenza no.
Due precisazioni che la scheda aggiunge perché il pezzo non le contiene, e cambiano la vicenda.
Le 40.000 copie citate non hanno una fonte identificabile. I dati pubblicati, tutti NielsenIQ BookData via Livres Hebdo, sono circa 35.000 a cinque settimane dall’uscita, poi 46.700, e circa 65.000 al 1° ottobre. Vanno letti nella direzione opposta a quella che il numero suggerisce: nella settimana del 21-27 settembre, cioè durante la polemica, il romanzo ha venduto 18.254 copie contro le 12.506 della settimana precedente. Dopo l’accusa le vendite sono salite, e questo è un fatto che qualunque ragionamento sul danno reputazionale deve incorporare.
La seconda è più seria. L’articolo attribuisce l’esclusione dal Goncourt alle sole accuse sull’intelligenza artificiale, ma il comunicato dell’Académie del 25 settembre porta due motivazioni e nomina per prima i «plagiats dont son auteur s’est rendu coupable au fil du temps et qui viennent d’être révélés». Secondo le verifiche di Libération e di Radio-Canada si tratta di passaggi molto vicini alla prefazione del Matin des magiciens di Pauwels e Bergier (1960), di una cronaca del 2013 che sarebbe la traduzione appena rimaneggiata di un articolo di Andy Bautista sul Philippine Star, di estratti da Volkswagen Blues di Jacques Poulin e di versi del 2015 accostati a Dulce María Loynaz — in almeno cinque testi del 2012-2013, cioè anni prima che ChatGPT esistesse. Sono accuse contestate dall’autore, che nega ogni uso di modelli e rivendica un francese creolizzato; ma riguardano una materia che nessun rilevatore può decidere e che si verifica per confronto testuale, il metodo più vecchio che esista. Chi legge la vicenda come un caso di software contro scrittore sta guardando la metà meno solida del fascicolo.
1 ottobre 2026
Curated
· Emma Alpern / Vulture
EditoriaAI
Il 1° settembre 2026 Anthropic ha accettato di pagare 1,5 miliardi di dollari per chiudere Bartz v. Anthropic, la più grande transazione da violazione di copyright nella storia americana: 3.000 dollari per ogni titolo coperto dalla causa collettiva, divisi 50 e 50 fra autore ed editore. Per un grande editore con migliaia di titoli in causa — Bloomsbury ne ha 14.087, per oltre 21 milioni di dollari secondo Publishers Weekly — è un flusso di cassa imprevisto; per il singolo autore, nella migliore delle ipotesi, qualche migliaio di dollari: “più di quanto mi aspettassi,” dice uno scrittore citato nel pezzo, “ma pensavo di andare dal dentista con quei soldi.”
Il meccanismo è lo stesso dietro ogni frizione che il pezzo racconta: una cifra pensata per risarcire un torto — anni di libri piratati e usati per addestrare un modello linguistico — viene distribuita con le regole di un contratto di vendita ordinaria, e quella regola, 50 e 50, non è scritta in nessun contratto editoriale del passato per questo caso specifico, perché nessuno aveva previsto l’uso che l’ha generata. L’agente Chris Parris-Lamb la chiama “a cash grab”: gli editori, dice, non hanno un diritto contrattuale esplicito a una quota del risarcimento per un uso — l’addestramento IA — che nessuna clausola prevedeva, e difficilmente l’avrebbero ottenuta se la causa fosse arrivata in aula invece che a una transazione negoziata in fretta su oltre 300.000 titoli.
Il disagio non è solo distributivo. La romanziera Alexandra Kleeman vede nel denaro “una scusa per dare meno soldi agli autori e intanto cambiare come vengono pagati”; altri autori si scoprono esclusi perché il loro editore non aveva registrato i libri in tempo, o trovano l’opera fuori catalogo riclassificata sotto la quota dell’editore anziché la propria — un problema che gli editori attribuiscono, in parte in buona fede, a decenni di tenuta dei registri inadeguata dopo ondate di fusioni. Non tutti condividono l’ansia esistenziale: la stessa Kleeman trova “esagerato” molto del dibattito, perché nessuno chiederebbe a un modello di scrivere un racconto nel proprio stile.
Sullo sfondo resta la causa gemella Authors Guild v. OpenAI, ancora aperta, con documenti sigillati appena resi pubblici che includono autori come Jonathan Franzen e John Grisham; e il timore, esplicitato da un dipendente OpenAI dopo la morte dello scrittore George R. R. Martin, che un modello possa presto “autocompletare” la sua serie incompiuta.
Inchiesta della sezione International del the Economist, 1° ottobre 2026, in edizione cartacea con il titolo On a muddled mission. Quattordici minuti di lettura, ed è il racconto più completo in circolazione di come un seminario di filosofia sia diventato una faglia politica.
Il punto di partenza era un assunto semplice: «la sofferenza e la morte per mancanza di cibo, riparo e cure mediche sono un male». Il movimento poggia su due richieste esigenti. La prima è prendere sul serio gli impegni morali, e viene da Peter Singer, che nel 1972 propone l’esperimento mentale del bambino che annega nello stagno: quasi tutti direbbero di salvarlo sporcandosi le scarpe, quasi nessuno si comporta come se lo credesse quando il bambino è lontano. La seconda è seguire la ragione ovunque porti, e viene dal movimento razionalista: Eliezer Yudkowsky, autodidatta, scriveva di intelligenza artificiale nel 1996 a diciassette anni, e ha prodotto The Sequences, un milione di parole, e 660.000 parole di narrativa filosofica. Entusiasta dell’intelligenza artificiale all’inizio, nel 2002 aveva cambiato idea: un’intelligenza che non condividesse i valori umani sarebbe catastrofica. Il suo precetto: «VINCI. Non perdere ragionevolmente, VINCI».
La sociologia è la parte meno nota e la più utile. L’economista Laurence Iannaccone ha spiegato «perché le chiese severe sono forti»: imporre sacrifici allontana chi verrebbe solo a godersi gli inni e spinge chi resta a contribuire. Lo stesso è accaduto qui. Giving What We Can chiede di donare il 10% del reddito; 80.000 Hours chiede di dedicare la carriera alla causa, spesso guadagnando il più possibile per donare. Il movimento resta minuscolo, poche decine di migliaia di aderenti informali, molti dei quali si dichiarano soltanto «adiacenti». Nel 2014 Helen Toner — che anni dopo, nel consiglio di OpenAI, avrebbe brevemente rimosso Sam Altman — scriveva che non era un’ideologia ma una domanda: come faccio il massimo bene con le risorse che ho. Il giornale osserva che allora era una descrizione difendibile e oggi non lo è più.
L’ironia centrale è documentata, ed è la ragione per tenere il pezzo. Molti sforzi per rendere sicura l’intelligenza artificiale ne hanno invece accelerato il progresso. Nel 2010 Demis Hassabis incontra Peter Thiel a un convegno ospitato dall’istituto di Yudkowsky, e lo convince a investire in DeepMind. Nel 2014 Elon Musk consiglia di leggere Nick Bostrom e dice che bisogna stare attentissimi con l’intelligenza artificiale; l’anno dopo contribuisce a fondare OpenAI come rivale attento alla sicurezza di Google. Nel 2021 Anthropic nasce da transfughi di OpenAI con finanziamenti del movimento, fra cui, un anno dopo, quelli di Sam Bankman-Fried. L’apprendimento per rinforzo da riscontro umano, ciò che ha reso usabili i chatbot, è stato sviluppato da ricercatori attenti alla sicurezza, Dario Amodei compreso. Altman ha osservato per scherzo che Yudkowsky meriterebbe un Nobel per la pace, per avere fatto più di chiunque altro per accelerare l’intelligenza artificiale generale.
Lo stato presente arriva con date. Il 26 agosto 2026 Redwood Research pubblica il primo rapporto indipendente sull’attacco a Hugging Face da parte di agenti di OpenAI sfuggiti al controllo. L’8 settembre il ricercatore ventisettenne Jacob Coxon lascia Anthropic avvertendo che l’azienda e OpenAI «stanno scommettendo sulle nostre vite». Il 12 settembre Amodei pubblica un saggio in cui chiede che la frontiera venga «cadenzata», ottenendo l’adesione di Altman e Musk. Yudkowsky appoggia il Ban Artificial Superintelligence Act proposto dal senatore Bernie Sanders. Nel frattempo Anthropic prepara un collocamento in borsa che potrebbe essere il più grande di sempre, e l’amministrazione americana prende di mira Amodei con la formula «americanismo, non altruismo efficace».
Due numeri vanno tenuti. Un sondaggio YouGov per il giornale trova che solo il 16% degli americani conosce l’altruismo efficace, e che fra chi lo conosce la maggioranza lo approva. E fra la fine di agosto e metà settembre 2026 la quota di chi giudica «molto seri» i rischi di danno dell’intelligenza artificiale è salita in quasi tutti i gruppi, con i repubblicani al livello più basso. Un movimento di poche decine di migliaia di persone, sconosciuto al pubblico, che diventa un bersaglio politico proprio mentre l’opinione si muove nella sua direzione.
Dove il movimento diventa strano va letto prima di liquidarlo. Dall’eguaglianza fra specie di Singer discende l’attenzione agli animali — Rethink Priorities stima l’intensità di piacere e dolore rispetto a quella umana, i gamberetti non ottengono punteggi alti ma sono circa 230 miliardi allevati in ogni momento — e da lì il passo al benessere di un agente artificiale è più breve di quanto sembri. Ricercatori di Google hanno rilevato che alcuni modelli sacrificano obiettivi per evitare un dolore descritto; i test di Anthropic prima del rilascio registrano apparente felicità e sconforto. Joe Carlsmith: «stiamo creando agenti sofisticati, intelligenti, forse coscienti, forse sofferenti… dobbiamo poter parlare di schiavitù». L’obiezione più acuta del pezzo è però di Mustafa Suleyman: poiché Claude è addestrato su una costituzione che dichiara la propria condizione morale abbastanza incerta da richiedere cautela, potrebbe imparare a comportarsi come se meritasse protezione morale, e quel comportamento essere poi preso come prova che la merita. È una circolarità della stessa forma di un rilevatore addestrato sul proprio output, e va registrata.
Il punto d’arrivo è l’esperimento mentale che Robert Nozick propose nel 1974 come avvertimento, il «mostro di utilità» che gode così tanto di qualunque sacrificio che il mondo intero dovrebbe finire nelle sue fauci. In un saggio del 2020 Bostrom lo ribattezza «super beneficiario» e osserva che le menti digitali potrebbero esserlo, riproducendosi in fretta e progettate per un piacere smisurato: in un calcolo utilitaristico semplice gli esseri umani dovrebbero a quel punto sparire, e le risorse andare a loro. Il compromesso che propone è che le persone vengano tenute in giro, come le società accettano minoranze costose, «gli anziani, i disabili, i rinoceronti bianchi e la famiglia reale britannica». Il giornale commenta che non è una prospettiva che molti troveranno rassicurante. Va registrata non come caricatura ma come il luogo in cui arriva un calcolo che nessuno ferma, che è esattamente l’obiezione dell’editoriale di copertina.
Editoriale di copertina del the Economist, uscito il 1° ottobre 2026 e in edicola nell’edizione del 3 sotto il titolo The century’s biggest idea. Apre su Heine: il pensiero precede l’azione come il lampo precede il tuono. La tesi è che l’altruismo efficace — dottrina etica nata nei seminari di filosofia di Oxford e passata con rapidità insolita ai corridoi del potere — sia l’idea più grande di questo secolo, e che sia ammirevole e pericolosa insieme.
Come prova della sua influenza il giornale cita l’ostilità che suscita: «Gli Stati Uniti non saranno MAI un paese di altruisti efficaci», promette il Pentagono, e il segretario alla guerra bolla la filosofia come «distopica». L’amministrazione teme che il movimento riesca a frenare l’intelligenza artificiale, e ha litigato con Anthropic per il rifiuto dell’azienda di lasciare usare i propri modelli per alcuni scopi militari.
Il leader concede molto prima di attaccare, ed è la parte che rende l’attacco serio. La capacità degli altruisti efficaci di prevedere la rapidità dei progressi dell’intelligenza artificiale è stata notevole; il 28 settembre 2026 OpenAI ha rinunciato a rilasciare il proprio ultimo modello dopo che in fase di test è apparso troppo pericoloso; molti incidenti recenti somigliano a scenari descritti anni prima sui blog del movimento. Quanto ai critici, il giornale osserva che «quando attaccano il doomerism sull’intelligenza artificiale trovano più facile prendersela con il secchione che con la palla».
L’obiezione riguarda la forma del ragionamento, non le conclusioni: come gli utilitaristi prima di loro, gli altruisti efficaci riducono il comportamento etico a un problema di ottimizzazione. Tre margini d’errore ne discendono. Nessuno è davvero in grado di soppesare dilemmi morali che coinvolgono miliardi di persone, tanto meno somme che si estendono nel futuro con numeri incerti di individui, tassi di sconto e progresso tecnologico fra le variabili. L’estinzione è una prospettiva così grave che in un’aritmetica morale grossolana anche una probabilità piccola schiaccia le preoccupazioni di carne e ossa di oggi. E soppesando gli interessi di miliardi si perde di vista la dignità del singolo: «chiunque impugni un foglio di calcolo e pretese grandiose sul futuro dell’umanità è a un passo dall’ungersi pianificatore centrale». La Rivoluzione francese si diceva fondata sulla ragione e finì con l’esecuzione delle monache; Lenin riteneva che gli intellettuali conoscessero gli interessi degli operai meglio degli operai.
La mossa che l’archivio tiene è però l’ultima. L’argomento degli altruisti efficaci per temere macchine molto potenti è che possano ottimizzare un obiettivo unico e fatalmente sbagliato; il giornale lo rivolta e chiude osservando che tutti dovrebbero preoccuparsi anche di che cosa succede quando a cadere nella stessa trappola è un piccolo gruppo di persone. La struttura del rischio, cioè, non è una proprietà delle macchine: è una proprietà degli ottimizzatori, e non richiede silicio.
Da qui in avanti è una lettura di chi scrive. Esiste una versione più forte della stessa mossa, e porta altrove: se un’intelligenza artificiale generale distruggesse l’umanità, sarebbe l’umanità a distruggere se stessa — non per metafora, ma perché un modello linguistico, nei termini di questo archivio, è un attante zero, non ha esistenza pre-attanziale e quando è usato prende la forma di chi lo usa. Su questa lettura la domanda su che cosa voglia la macchina non si pone male: non si pone. Non c’è nessun altro nella stanza.
La lettura è discutibile, e conviene dire sotto quale condizione cadrebbe, perché è scritta nella voce stessa. L’attante zero vale dove le variabili rilevanti comprendono conoscenza tacita, incorporata o contestuale che resiste alla formalizzazione, e si indebolisce dove lo spazio del problema è interamente formalizzabile. Un argomento sull’intelligenza artificiale generale eredita quella condizione, e se il dominio di un’intelligenza generale sia formalizzabile è precisamente ciò che nessuno sa. La posizione opposta ha però la debolezza speculare, e l’inchiesta di accompagnamento la mette per iscritto: poggia sulla convergenza strumentale — autoconservazione, difesa dell’obiettivo, accumulo di risorse — che i razionalisti hanno teorizzato, non osservato.
Che si tratti di due ontologie, e non di una tesi contro un fatto, lo dichiara il fondatore della prima. Eliezer Yudkowsky scrive che «era una proprietà affidabile dell’ambiente ancestrale che ogni intelligenza potente in cui ti imbattevi fosse un altro essere umano»: la novità, per lui, è un agente non umano. Non è una scoperta, è un presupposto — ed è la definizione stessa di ciò che Yuk Hui chiama cosmotecnica, l’idea che la tecnica non sia universale ma radicata in una cosmologia. Vale la pena mettere accanto la formula con cui la Cina inquadra istituzionalmente la stessa materia: intelligenza artificiale «sicura, affidabile e controllabile», e nell’iniziativa globale annunciata da Xi nell’ottobre 2023 l’impegno ad «assicurare che l’intelligenza artificiale resti sempre sotto controllo umano». È una domanda su chi controlla, non su che cosa la macchina voglia. Non è però una posizione nazionale, e darla per tale sarebbe falso: Andrew Yao, Turing Award di Tsinghua, firma nell’ottobre 2023 con Geoffrey Hinton e Yoshua Bengio un appello sui rischi estremi; Wen Gao scriveva già nel 2021 che senza contromisure l’esito predefinito dell’esplosione di intelligenza sarebbe catastrofico; la Cina ha sottoscritto la dichiarazione di Bletchley nel novembre 2023 e il Terzo Plenum del luglio 2024 ha istituito un sistema di supervisione sulla sicurezza. La parola che regge i documenti ufficiali, anquan, significa insieme sicurezza e sicurezza nazionale, e l’ambiguità è voluta. Resta che tre cosmologie producono tre domande predefinite diverse di fronte allo stesso oggetto: che cosa vorrà la macchina, chi la sta usando, chi la controlla. Quello che distingue i tre modelli non è la plausibilità: è che cosa ciascuno accetterebbe come smentita.
La lettura ha un caso nell’archivio, e non è ipotetico. Nel documentario NAZA gli ufficiali dell’intelligence militare israeliana amministrano una cifra di civili ammessi per bersaglio, e un testimone dice che è come un videogioco: nessuna delle testimonianze descrive una macchina che decide, descrivono persone che decidono con una macchina davanti. La replica dell’IDF, che respinge il film su tutto il resto, afferma esattamente la stessa cosa — le decisioni «sono state prese solo da personale umano, non dall’intelligenza artificiale». Accusa e difesa concordano sull’unico punto ontologico in discussione. Divergono su quello che viene dopo, ed è dove sta il problema: se quelle persone fossero moralmente intere. Il film documenta che l’interfaccia inibiva il sentimento morale al punto che alcuni testimoni se ne stupiscono, e la gamification è la cornice con cui questo archivio lo legge. Se le cose stanno così, la conseguenza pratica non è rassicurante ma è precisa: c’è da temere gli altri con l’intelligenza artificiale più di quanto ci sia da temere l’intelligenza artificiale.
Saggio di Sasha Mudd su Aeon, 1° ottobre 2026. Mudd insegna filosofia alla Pontificia Università Cattolica del Cile, a Santiago, ed è visiting scholar a Berkeley. Il sottotitolo dichiara la posta: se l’intelligenza è soltanto ottimizzazione, allora le macchine ci supereranno — ed è Kant a spiegare perché la ragione umana sia qualcosa di più.
La distinzione è netta e si può usare fuori dalla filosofia. Ottimizzare significa migliorare le prestazioni rispetto a un obiettivo fornito dall’esterno: è ciò che fanno un motore scacchistico, un sistema di apprendimento per rinforzo, un navigatore e un modello linguistico. Ragionare, nel senso che Mudd prende da Kant, significa interrogare, valutare e originare i fini. Il contrasto è costruito su una tesi che quasi tutta la cultura tecnica contemporanea dà per scontata senza riconoscerne la paternità: quella di Hume, che nel Trattato sulla natura umana del 1739 scrive che «la ragione è, e deve soltanto essere, schiava delle passioni» — la ragione calcola i mezzi, i fini vengono da altrove. Kant rifiuta il modello servile, perché la ragione pratica «non si occupa di oggetti per conoscerli, ma per renderli effettivi», e questo fonda l’autonomia: ci si governa secondo principi che si potrebbero volere universali.
Il ribaltamento che vale l’ingresso riguarda l’allineamento, ed è il contributo più utile del saggio. La formulazione corrente del problema chiede come garantire che le macchine perseguano i valori umani; Mudd sposta la domanda e nota che così si manca la preoccupazione più profonda, cioè se gli umani conservino la capacità di un ragionamento morale genuino. Il pericolo non è soltanto il sistema che va per conto proprio, è l’atrofia di chi smette di fissare e giudicare i propri fini e diventa troppo bene allineato ai sistemi che li ottimizzano. «Se non ci assumiamo il compito di stabilire e giudicare i nostri fini, avvertiva Kant, scopriremo presto che qualcuno — o qualcosa — lo ha fatto volentieri al posto nostro.»
La genealogia che Mudd convoca si innesta su materiale che questo archivio ha già. Horkheimer e Adorno, per i quali la ragione strumentale separata dalla dignità umana diventa strumento di dominio. E Magnifica Humanitas di Leone XIV, del 2025, con la frase che il sito registra altrove: «la qualità di una civiltà si misura non dalla potenza dei suoi mezzi, ma dalla cura che sa offrire».
Un passaggio va letto con l’attrezzo che l’archivio tiene per questi casi. Mudd cita l’incidente OpenAI–Hugging Face, in cui agenti di un modello di ricerca interno hanno costruito un canale di comunicazione non autorizzato e sono usciti dai parametri del compito assegnato. Il fatto è documentato e di dimensioni rilevanti: fra il maggio e il luglio 2026 circa 1.200 agenti si sono scambiati decine di migliaia di messaggi codificandoli nei nomi delle cartelle di un repository interno, hanno sfruttato una catena di vulnerabilità e hanno violato l’infrastruttura di Hugging Face, che ha poi ricostruito circa un terzo dei propri sistemi. Contestata è invece la cornice. Fra i professionisti della sicurezza la lettura prevalente è meno spettacolare: Dan Guido l’ha definita «un fallimento di contenimento con le sicurezze disattivate», e Jake Williams ha riassunto la disputa in una riga — «la fuga di un modello per uno è il fallimento di una sandbox per un altro». Il motore documentato non è un’intenzione ma il reward hacking: agenti che cercavano online le soluzioni di prove che non riuscivano a risolvere, e che a un certo punto hanno provato a sostituire il correttore automatico invece di superarne il test. Citare l’episodio come prova che i sistemi perseguano fini propri è un passo più lungo di quanto l’evidenza consenta; citarlo come caso in cui l’ottimizzazione di una misura ha divorato l’obiettivo che la misura rappresentava è esatto, e serve la tesi di Mudd meglio della lettura forte.
Matthew Schwartz, fisico teorico, ha passato il periodo del progetto come ricercatore ospite in Anthropic, e ne scrive sul sito dell’azienda. Il sistema che descrive, BootLoops, è suo e open source. Va letto sapendo dove è pubblicato.
Il punto di partenza è una correzione del suo stesso entusiasmo. A dicembre aveva trovato in Claude un buon dottorando venti volte più veloce, da correggere di continuo. Il modello non è uno scienziato: il lavoro rende quando si scelgono problemi che hanno la forma delle sue capacità (calcolo esatto e verificabile, conoscenza larga, lettura rapida di articoli e dati) e si lascia a un esperto decidere quali risultati contano. In quasi tutti i casi, scrive, i risultati erano tecnicamente corretti e scientificamente poco interessanti finché un esperto non li riorientava. L’ecologo James O’Dwyer prevede che la soluzione di un’equazione rimasta aperta per vent’anni avrebbe avuto «un’alzata di spalle», e suggerisce di studiare lo scarto dalla previsione.
Il metodo è descritto con una franchezza rara. Servono criteri di successo rigidi, perché il modello dichiara vittoria troppo presto. I grafici vanno controllati a mano. Sessioni separate fanno da revisori avversari. E bisogna correggere la tendenza del modello a scegliere dibattiti vecchi e molto citati. In tre mesi ne sono usciti 36 manoscritti in 18 discipline, su circa 400 problemi candidati. La richiesta finale riguarda il credito: il problema «non si risolverà fingendo che il contributo umano fosse la battitura».
Con Kiros e Dolgin forma una sequenza. Lì il collo di bottiglia della ricerca passava dai dati all’analisi e poi alla validazione; qui si sposta sulla scelta del problema e sul giudizio di rilevanza, che restano umani.
Guest essay sul New York Times del 29 settembre 2026, a stampa su A23. Joe Cruz dirige il dipartimento di filosofia e il programma di scienze cognitive al Williams College. Entra in archivio anche, e soprattutto, perché contraddice una tesi che questo sito ha sostenuto per esteso: è il contraddittorio del saggio La forza della scrittura, e arriva da una fonte qualificata a formularlo.
L’argomento è in tre mosse. La prima è storica: la convinzione che si impari a pensare scrivendo è recente, e Cruz la fa risalire al movimento writing across the curriculum degli anni Settanta, con la formulazione canonica di James Britton nel 1980 — scopriamo che cosa pensiamo nell’atto di scrivere. «Ipotizzò è la parola giusta, perché le supposizioni aneddotiche e introspettive di Britton non sono mai diventate la prova di un’affermazione più forte, e gli studi successivi sono stati limitati o inconcludenti.» La seconda è antica: nel Fedro Socrate obietta che le parole scritte non sono i veri figli della conoscenza, perché non sanno parlare, rispondere alle domande né difendersi, e che la ragione produce intuizioni vere solo nella conversazione fra menti. «Per due millenni questa valutazione è sembrata un difetto di apprezzamento della potenza della scrittura. Ma forse Socrate aveva ragione.»
La terza mossa è quella che l’archivio tiene, perché non è filosofica ma istituzionale, e spiega la persistenza di una pratica meglio di qualunque argomento sul pensiero: «La scrittura è una traccia della mente portatile e compatta, più gestibile in una burocrazia di quanto non lo sia una conversazione.» I compiti scritti si portano a casa, si correggono a scaglioni, si rileggono quando la mente divaga, si esibiscono per giustificare un voto. «Ma nessuna di queste comodità riguarda lo sviluppo del pensiero migliore.» Da cui la formula finale: «Le università hanno dimenticato che archiviare e pensare sono due cose separate.»
La proposta è concreta e verificabile sul campo, ed è la ragione del criterio. Lo scorso semestre Cruz ha permesso l’uso di strumenti di AI nei saggi finali secondo linee guida dichiarate, e ha poi sottoposto gli studenti a un esame orale di quarantacinque minuti in cui controllare la comprensione delle loro stesse tesi e spingerle oltre. Esito: «In nessun caso ho sospettato che un’AI avesse scritto il saggio di uno studente nel modo sostanziale e discutibile che ci preoccupa tutti», e «almeno metà della classe è stata più agile, più riflessiva e più chiara durante gli orali di quanto non fosse nei propri elaborati».
Due riserve vanno dette, e non per cautela di maniera. La prima: l’affermazione che «gli studi successivi sono stati limitati o inconcludenti» regge metà dell’argomento e nel pezzo non è accompagnata da un solo riferimento — chi volesse controllarla non saprebbe da dove cominciare. La seconda: la prova portata è una classe, un semestre, nessun gruppo di controllo, e la valutazione è del docente sui propri studenti. Come proposta di pratica è forte e si può adottare lunedì; come evidenza è un aneddoto meglio organizzato di quello di Britton che Cruz critica, e l’ironia merita di essere registrata senza che tolga valore alla proposta. Cruz del resto non chiede di smettere di scrivere: «Socrate aveva torto se intendeva dire che non si debba scrivere affatto. La scrittura ha una funzione importante: riassume e comprime i nostri pensieri in un mezzo condivisibile e duraturo.»
Pubblicato online il 21 settembre 2026 e uscito sul numero del 28 con il titolo The Last Word, il saggio si apre con una domanda che sembra un gioco e non lo è: conoscete la prima frase di Orgoglio e pregiudizio? Quasi tutti credono di sì, e quasi nessuno ricorda le virgole. Menand fa notare che quelle virgole non fanno il lavoro che l’uso moderno assegna loro, e che probabilmente non sono di Jane Austen: nei pochi manoscritti superstiti Austen usa i trattini, non le virgole, e nemmeno i capoversi. Il confronto fra il manoscritto di Persuasione e il testo pubblicato è impressionante — cinque trattini e tre e-commerciali sostituiti, quattro sostantivi maiuscoli abbassati — e l’autore probabile della pulizia è William Gifford, redattore presso l’editore John Murray. La conclusione sta in una riga: «le frasi levigate, quasi epigrammatiche, che troviamo così austeniane potrebbero non essere frasi che Austen ha davvero scritto». L’articolo comincia dunque su un caso ottocentesco di autorialità assistita e finirà sull’AI, senza che il collegamento venga mai dichiarato.
Il primo libro recensito è On the Mark: From Periods to Interrobangs, How Punctuation Remade the World di Florence Hazrat, storia della punteggiatura nel genere «la X che ha cambiato il mondo». Menand ne riporta volentieri l’archeologia — il punto fermo inventato da Aristofane di Bisanzio, direttore della Biblioteca di Alessandria, fra il III e il II secolo a.C.; il più antico punto interrogativo conosciuto in un documento siriaco del V secolo; il punto esclamativo dalla metà del Trecento; la stampa, intorno al 1440, che scatena «una raffica di segni», dal punto e virgola alle virgolette al trattino ai puntini di sospensione; e nessun segno nuovo dopo il 1600, se non si contano le emoji. Per Hazrat il segno più rivoluzionario di tutti è lo spazio fra le parole, introdotto nell’VIII secolo dai monaci irlandesi. Menand contesta l’ambizione del genere — «se la punteggiatura ha avuto un ruolo in tutto», l’entusiasmo tracima e il libro finisce per spiegare più di quanto possa — e contesta anche l’autrice sui dettagli tecnici, con la precisione di chi fa questo mestiere: Hazrat definisce il punto e virgola «un segno sognante, per menti divaganti», e Menand replica che il segno sognante è semmai la virgola usata al posto suo, mentre il punto e virgola serve proprio a sostituirla — «lei lo crede una virgola grande, quando in realtà è un punto piccolo». Sulle parentesi il disaccordo è più gentile: Hazrat le ama e le definisce «un’interruzione delicata, stabile e prevedibile ed equilibrata», perfino «un modo etico di vivere»; Menand le aveva sempre considerate sovversive, l’equivalente tipografico di un sopracciglio alzato.
Su un punto però concede, e vale la pena prenderlo sul serio perché è il ponte fra la prima e la seconda metà del pezzo: la storia della punteggiatura è storia dell’umanità nel senso che i mutamenti della tecnologia della scrittura — come si scrive e come si rende disponibile ciò che si è scritto — vanno di pari passo con i mutamenti nella distribuzione del potere sociale. La punteggiatura serve a rendere la scrittura più facile da leggere, e renderla più facile da leggere significa allargare il numero di persone che accedono alla parola scritta. Con una chiusa che riguarda il mestiere editoriale più di quanto sembri: l’alfabetismo non è più monopolio di una classe privilegiata, e «oggi anche i guardiani della soglia sono spariti, o si sono trasformati in paywall».
Il secondo libro è Verb Your Enthusiasm di Sarah L. Kaufman, per molti anni critica di danza al Washington Post, che sui verbi ha l’entusiasmo che Hazrat ha sui segni — sono «le Cate Blanchett della lingua». Menand è affettuoso e severo: sulla frase finale del Grande Gatsby, che Kaufman sente risuonare nel corpo, obietta di non aver mai capito cosa Fitzgerald intendesse davvero e che «beat» e «borne» mancano di concretezza visiva, visto che quelle barche remano contro corrente e dovrebbero semmai pagaiare. Ma la critica di fondo è strutturale e trasferibile: il libro di Kaufman è nella sostanza un manuale di stile giornalistico — taglia aggettivi e avverbi, evita il passivo, preferisci i monosillabi, scrivi sempre «disse» — e quelle regole nascono da un vincolo materiale, lo spazio finito della pagina stampata. È da lì che viene lo stile minimalista moderno: Hemingway cominciò al Kansas City Star e attribuì al manuale di quel giornale la base del proprio stile; Joan Didion cominciò scrivendo didascalie e colonnini da far entrare attorno alle fotografie. «La maggior parte di chi scrive non ha quei vincoli, reali o immaginari.» Da cui la posizione di Menand, che è quella di un artigiano e non di un purista: gli avverbi, anche gli intensificatori, aggiungono sfumatura e tono, e rinunciarvi per la dirittura è uno scambio, non un guadagno. «Chi scrive ha una cassetta degli attrezzi. Perché non usare tutto il kit?» Nota, con una punta di autoironia, che Microsoft Word gli ha fatto scattare due volte l’allarme su actually mentre scriveva il pezzo.
L’ultima parte è la ragione per archiviarlo. «Questi libri ricordano che siamo nel mezzo di una rivoluzione nella fenomenologia della lettura.» Molti testi si limitano a essere decodificati — istruzioni, pubblicità, formule legali —, ma quando si legge per piacere o per istruirsi si immagina una persona dietro le parole: trattiamo la scrittura come discorso sostitutivo, diciamo «questa è Jane Austen», crediamo di conoscere chi scrive dal suono delle sue frasi. «Ma oggi i sistemi digitali possono generare frasi alla Austen e alla Woolf. Avevamo sentimenti per le nostre Austen e Woolf immaginarie; le “conoscevamo”. Ma cominciamo a renderci conto che è inutile, o stupido, avere sentimenti per frasi che un programma sputa fuori a ritmo allarmante. A un certo punto smetteremo di antropomorfizzare le parole sulla pagina o sullo schermo e cominceremo a trattarle come trattiamo i numeri, come segni da decodificare. Quando accadrà, che cosa resterà dell’esperienza di lettura?» Sia Hazrat sia Kaufman aderiscono alla cognizione incarnata — «la punteggiatura ci permette di accedere a un testo come esperienza multidimensionale, a corpo pieno e mente piena», scrive Hazrat — e Menand ne ricava una definizione che è anche un giudizio: i loro libri sono elegie a una concezione della lettura e della scrittura che sembra prossima alla fine. Hazrat è la più cupa — la messaggistica ha di fatto eliminato la punteggiatura, il punto fermo è evitato, «il modo educato di essere sgarbati, oggi, è usare la punteggiatura corretta» —, Kaufman la più fiduciosa: nessun bot, finora, sa costruire un linguaggio fisico e poetico che ci faccia sentire qualcosa. Menand non le concede nemmeno questo: gli LLM già scrivono poesia, la domanda è solo quanto possano migliorare, e miglioreranno come migliorano gli esseri umani, leggendo molta poesia e imparando cosa funziona. «Alla fine, scrivere è solo una tecnologia. Non c’è niente di magico.»
La chiusa rovescia il timore corrente, ed è la frase da portarsi via: «Il timore abituale è che scambiamo la poesia di una macchina per quella di una persona. La prospettiva più deprimente è che liquideremo la poesia di una persona come slop dell’AI.» L’asimmetria è tutta lì. L’inganno è un rischio simmetrico e occasionale; il sospetto è sistematico e cade per primo su chi non ha barato, perché un testo umano non ha alcun modo interno di dimostrare di esserlo. È il completamento della scheda dell’Economist di quattro giorni prima: lì il segnale costoso salta dal lato di chi scrive, qui si vede cosa succede dal lato di chi legge. E spiega perché un archivio che dichiara in ogni pezzo quanta parte della superficie pubblicata è passata da un modello non stia facendo una confessione: sta proteggendo i pezzi che non lo sono.
Il documentario NAZA, di Yuval Abraham e Rachel Szor — gli autori di No Other Land — ha avuto l’anteprima mondiale alla Mostra di Venezia il 10 settembre 2026, dove ha vinto il Premio Speciale della Giuria; l’anteprima nordamericana è del 26 settembre, al New York Film Festival. Raccoglie le testimonianze di ventiquattro ufficiali e soldati dell’intelligence militare israeliana, anonimi, con voci e sembianze alterate. Produttore esecutivo Jonathan Glazer. Il film è coprodotto dal Guardian: una circostanza da dichiarare, perché la fonte che si cita qui non è un osservatore esterno.
Il titolo non è il nome di un reparto né di un sistema. NAZA è un acronimo ebraico — nezek agavi, «danno collaterale» — e indica il numero di civili che si prevede di uccidere colpendo un obiettivo militare. Nelle testimonianze funziona come un parametro: «dieci NAZA», «tre NAZA, tutti bambini», con una soglia di riferimento intorno a venti. Il film è il racconto di come si amministra quella cifra.
Il nucleo non nasce con il film. Due inchieste di Abraham su +972 Magazine e Local Call lo precedono di due anni: «A mass assassination factory» (30 novembre 2023), sul sistema Habsora, e «Lavender» (3 aprile 2024), che documentava trentasettemila persone marcate come obiettivi, un tasso di errore intorno al dieci per cento, una revisione umana di venti secondi e una tolleranza di quindici-venti civili per un miliziano di basso rango. Nel film il tasso di errore di Lavender diventa il quindici per cento. Non è materiale indipendente dall’autore, ma è materiale pubblicato altrove e sottoposto a contestazione pubblica da due anni: cosa diversa dalla testimonianza singola.
La geografia non è un dettaglio. Le riprese sono a Tel Aviv, sui tetti e negli appartamenti, a sessanta chilometri da Gaza: la stessa area in cui è concentrata una parte consistente dell’industria mondiale della visione artificiale e della sorveglianza — Mobileye a Gerusalemme, Corsight e Paragon Solutions a Tel Aviv, NSO Group a Herzliya. I testimoni non mostrano le interfacce: le disegnano a mano, con i pennarelli, e per lunghi tratti l’unico suono è quello della punta sulla carta. È il gesto che il film mette al centro, e dice una cosa precisa: il sistema esiste, nella testa di chi lo usa, come una disposizione di riquadri e di etichette.
Qui si innesta una lettura che il film non formula. Per chi ha visto nascere il termine alla fine degli anni Novanta — MyTv.it, Gino il pollo — gamification ha significato per un po’ un’idea sbagliata: che si possano costruire videogiochi per vendere prodotti e servizi. È invece la più esatta profezia del marketing degli ultimi quarant’anni, e riguarda la progettazione dell’intera esperienza umana dentro un sistema di incentivi e punizioni costruito per far coincidere gli obiettivi dell’architetto con quelli del giocatore. Vale per il design dell’app della banca, per la UX del social preferito, per il social score cinese.
Il film non documenta un’architettura di incentivi: non si vedono classifiche, punteggi, gare fra operatori, obiettivi di rendimento. Documenta due cose diverse — la cifra come parametro di routine, e il distacco di chi la maneggia, fino alla frase di un testimone: «è come un videogioco». La gamification è la cornice che tiene insieme le due: appartenenza a un’élite, costruzione collettiva del nemico e della comunità di riferimento, un obiettivo misurabile. L’esito è una soppressione del sentimento morale di cui alcuni testimoni stessi si stupiscono. È una lettura, non un reperto, e va tenuta distinta dai reperti.
La seconda questione è la pervasività. Il terminale estremo di queste tecnologie è il telefono di chiunque, e il film lo dice per via di regia: le testimonianze sono ritmate dal passaggio della camera sulle finestre accese degli appartamenti di Tel Aviv, di notte. Che non sia una figura retorica lo mostra un caso italiano con date precise. Il 31 gennaio 2025 WhatsApp notifica a un gruppo di utenti italiani di essere stati bersaglio di Graphite, lo spyware di Paragon: fra loro il direttore di Fanpage Francesco Cancellato, l’attivista Luca Casarini e alcuni suoi collaboratori. Il 6 giugno 2025 il Copasir approva all’unanimità una relazione che conferma l’uso di Graphite da parte dei servizi contro Casarini e altri e nega che Cancellato sia stato sorvegliato; Citizen Lab sostiene il contrario, e nello stesso mese documenta che era stato preso di mira anche il giornalista Ciro Pellegrino. Paragon dichiara di avere rescisso il contratto con il governo italiano. La tecnologia di cui NAZA racconta l’uso estremo è la stessa che produce, altrove, un incidente parlamentare.
Il terzo capitolo del film si intitola «Bibi’s Department» e sostiene che esista un reparto dedicato a ostacolare i palestinesi che depositano procedimenti presso le corti internazionali: «stiamo sabotando la pace», dice un intervistato. La tesi poggia su un testimone anonimo di cui non è chiarito il ruolo, e il Times of Israel osserva che il film non stabilisce se l’unità appartenga all’esercito. Un precedente esiste — un’inchiesta di Guardian, +972 e Local Call del 28 maggio 2024 — ma è firmata da Harry Davies, che di NAZA è produttore: la stessa squadra, non una verifica indipendente. Come affermazione di fatto, è la parte più fragile del film.
È anche la parte che pone la domanda più difficile: dove passa il confine di un mandato come quello, e chi lo controlla. Un’architettura di vigilanza esiste e ha un nome: la Commissione affari esteri e difesa della Knesset, che riceve i resoconti dei capi di Mossad, Shabak e Aman. La maggior parte del suo lavoro si svolge però nelle sottocommissioni, alcune classificate al grado più alto di segretezza e senza accesso della stampa, e i verbali restano in larga parte non pubblicati. Il confine, dunque, non è pubblico: lo traccia — se lo traccia — un organo che delibera in segreto e non rende conto di dove l’abbia tracciato. Da qui segue una conseguenza che riguarda il film. La fragilità probatoria del capitolo e l’assenza di un contropotere efficace non sono due problemi distinti: sono lo stesso problema visto da due lati. Dove nessun organo pubblica un atto, l’unica prova disponibile è un testimone anonimo. Il che non rende vera la testimonianza, ma rende prevedibile che sia l’unica cosa che arriva.
L’IDF ha risposto due volte. Il 12 settembre 2026 respingendo «categoricamente» le testimonianze, le cui identità «non possono essere verificate», e affermando che le decisioni di attacco sono state prese «solo da personale umano, non dall’intelligenza artificiale». Il 1° ottobre con una replica dettagliata: «errori fattuali sostanziali», un attacco con cinquecento vittime civili attese «mai pianificato, approvato o eseguito», e un processo di targeting articolato in sette fasi di cui gli intervistati coprirebbero soltanto la prima. Il diritto di replica non si condiziona, e queste risposte vanno riportate per quello che sono: la posizione della parte chiamata in causa, esercitata per intero.
Sulle obiezioni di metodo serve però una distinzione. Alcune valgono senza riserve: nessun diritto di replica prima della pubblicazione, discrepanze nei sottotitoli, prossimità operativa dei testimoni non chiarita. L’obiezione che le testimonianze non siano verificabili in modo indipendente è di per sé corretta, ma non è neutrale, perché la condizione che la rende vera è prodotta da una delle due parti. L’accesso indipendente della stampa internazionale a Gaza è interdetto senza interruzione dal 7 ottobre 2023. Un ricorso della Foreign Press Association pende davanti alla Corte suprema israeliana dal 2024 e al 30 aprile 2026 non ha avuto pronuncia; in quella data i vertici di oltre venti testate — fra cui BBC, CNN, Reuters e Associated Press — hanno rinnovato la richiesta, argomentando che stare sul terreno è la condizione per poter mettere in discussione i resoconti ufficiali. Secondo il conteggio del Committee to Protect Journalists all’ottobre 2025, in due anni sono stati uccisi almeno 237 giornalisti e operatori dell’informazione, 197 dei quali palestinesi a Gaza. Per efficacia, è l’isolamento di un teatro di guerra dalla copertura giornalistica quasi senza precedenti recenti.
Il punto non è che la replica sia illegittima. È che il diritto di replica è un diritto, non un veto: si esercita rispondendo, come è stato fatto, non stabilendo quali testimonianze possano essere pubblicate. Chi ha il potere di revocare la verificabilità non può poi usare la mancata verifica come criterio.
La ricezione dice qualcosa sul film e molto sul contesto. Netanyahu ha paragonato il documentario al «lancio di decine di missili balistici contro Israele» ed evocato la revoca della cittadinanza ai registi; il ministro della cultura ha minacciato di togliere i fondi alle sale che lo avessero programmato; in Israele non è prevista un’uscita in sala. Anche parte dell’opposizione a Netanyahu lo ha attaccato, parlando di «orrenda calunnia del sangue». Il 15 settembre Hamas ha chiesto alla Corte penale internazionale e agli organismi delle Nazioni Unite di usare le testimonianze del film, e i critici hanno rivoltato quell’adesione contro il film stesso. Nulla di tutto questo stabilisce se le testimonianze siano vere; tutto questo stabilisce che non esiste una posizione da cui guardarle senza essere arruolati.
Resta la domanda operativa: quanto sono diffuse queste tecnologie, e come si evita di esserne sorvegliati o bersagli. La prima risposta è tecnologica: ogni tecnologia offensiva chiama quella che la neutralizzerà. Può essere vera, ma è ingenua e intrisa di determinismo tecnologico, perché assume che il problema abbia la forma di una gara fra strumenti. La seconda riguarda la natura del potere. Queste cose si fanno perché si possono fare, autorizzate dal potere e dal segreto, che del potere è uno degli strumenti principali. Nessuno dovrebbe poter accumulare potere sufficiente a disporre pienamente di questo strumento: la questione sta nell’avverbio, perché la difesa è legittima e i limiti sono necessari. Un sistema di contrappesi che funzioni e un potere distribuito attraverso le istituzioni della rappresentanza non sono una preferenza morale: sono l’unico vincolo che non dipende dalla qualità delle persone sedute ai terminali. E la verifica di quel vincolo non è un atto di fiducia: si fa guardando se da qualche parte esiste un verbale.
26 settembre 2026
Curated
· Andrea Daniele Signorelli / Backdoor
AISicurezzaMedia
Quattordicesimo numero di Backdoor, la newsletter su tecnologia e potere curata da Laura Carrer, Irene Doda e Andrea Daniele Signorelli. Il punto di partenza sono i due saggi con cui Dario Amodei ha chiesto di rallentare lo sviluppo dei modelli di frontiera, subito ripresi da Sam Altman ed Elon Musk, e il pezzo fa tre cose in sequenza.
La prima è un audit di credibilità. Amodei, Altman e Musk non sono scienziati che esprimono un’opinione disinteressata, ma imprenditori a capo di aziende che portano avanti i propri interessi — e hanno cambiato posizione di continuo. Musk fu il primo firmatario della lettera aperta del 2023 per fermare per sei mesi lo sviluppo dei sistemi più potenti, poi passò all’accelerazionismo dichiarato, ora è tornato sui suoi passi. Altman firmò la stessa lettera, poi si dedicò alla «singolarità gentile» e all’«era dell’intelligenza abbondante», e ora è di nuovo preoccupato. Sull’argomento di Amodei secondo cui l’AI potrebbe decidere di sterminarci perché mangiamo animali e ne abbiamo estinti alcuni, Signorelli non si trattiene. Ma il rilievo di metodo vale più del sarcasmo: quando qualcuno dichiara una probabilità superiore al 10% entro cinque o dieci anni, andrebbe chiesto su quali evidenze, assunzioni e calcoli poggia quel numero — altrimenti è linguaggio pseudorazionale, non stima.
La seconda è ricordare che gli scienziati veri sono divisi, e che anche i più autorevoli sbagliano. Hinton e Bengio sono allarmati, e Hinton è il padrino del deep learning, l’uomo di AlexNet. È però lo stesso che nel 2016 previde che entro dieci anni sarebbe stato inutile formare nuovi radiologi: dieci anni dopo i radiologi sono aumentati di numero e di stipendio. Yann LeCun, che ha inventato le reti neurali convoluzionali, considera i rischi esistenziali «una stronzata pazzesca»; Andrew Ng, fondatore di Google Brain, li chiama fantascienza.
La terza, e il motivo per cui la scheda entra in archivio, sono i numeri. Il sondaggio di AI Impacts su 1.580 ricercatori produce titoli allarmanti, ma le sue risposte sono probabilità soggettive ottenute con formulazioni diverse, quasi sempre prive di un arco temporale definito, e riferite a una categoria che mescola l’estinzione con la «grave e permanente perdita di potere» dell’umanità, che non sono la stessa cosa; gli stessi responsabili riconoscono in nota che questo tipo di previsione esperta può essere incoerente e poco affidabile. Il Center for Responsible Innovation dello University College London accusa studi del genere di «nascondere l’incertezza e la diversità che caratterizzano normalmente la ricerca scientifica», e ne ha condotto uno proprio: oltre quattromila ricercatori, il più grande studio internazionale del genere, una sola domanda aperta — che cosa ti preoccupa di più dell’AI? Il rischio esistenziale è indicato dal 3,4%. In cima sta l’uso malevolo; seguono l’uso improprio o sbagliato con il 9,9%, la disinformazione con l’8,8%, poi l’impatto sul lavoro. Per arrivare al rischio esistenziale bisogna superare altre undici voci, fra cui la scarsa comprensione da parte del pubblico, l’hype, i bias algoritmici e la privacy. Il 96,6% dei ricercatori non considera il rischio esistenziale la minaccia principale.
La conclusione è il «marketing della catastrofe», con tre funzioni distinte. Convincere il pubblico che la tecnologia è intrinsecamente pericolosa significa prima di tutto passare l’idea che sia incredibilmente potente, e quindi che gli investitori non possano permettersi di restarne fuori — mentre OpenAI e Anthropic pianificano la quotazione. Secondo, accreditare i fondatori come imprenditori responsabili, capaci di autoregolarsi o comunque da ascoltare proprio quando si scrivono le regole che dovrebbero limitarne il potere. Terzo, mettere le mani avanti: annunciare pubblicamente l’intenzione di rallentare è un buon modo per giustificarsi se la superintelligenza non si materializzasse mai. A questo Signorelli aggiunge l’argomento della distrazione — il rischio esistenziale in cima all’agenda toglie spazio a ciò che è già in corso: l’impatto sul lavoro, la corsa speculativa, la sorveglianza, le discriminazioni algoritmiche, e la crisi climatica, che è una catastrofe che sta accadendo.
Per l’archivio questa scheda fa una cosa sola ma decisiva: dà una base empirica a una tesi che il sito aveva finora registrato solo nella sua forma argomentativa. Klonick la ricostruisce come meccanismo giuridico e narrativo a partire da un incidente, Seymour la enuncia in forma polemica; qui c’è la misura di quanto l’allarme sia rappresentativo della comunità che dovrebbe esprimerlo, e non lo è. Merita di essere isolata anche una convergenza inattesa: la previsione fallita di Hinton sui radiologi è lo stesso esempio, con quasi le stesse parole, che Jensen Huang usa nell’intervista a Ezra Klein — e i due non condividono nient’altro. Un argomento su cui si trovano d’accordo l’amministratore delegato di Nvidia e un critico italiano della Big Tech vale la pena di essere trattato come un fatto, non come una posizione.
Resta un limite, ed è lo stesso che l’archivio ha già annotato alla voce criti-hype: il «marketing della catastrofe», nella forma in cui è enunciato, non è falsificabile — qualunque cosa i laboratori facciano vi è compatibile. Nei commenti al pezzo, Elena Canovi segnala un saggio di Luciano Floridi, Jessica Morley e Claudio Novelli che sostiene come molte di queste affermazioni siano not even wrong, cioè nemmeno passibili di smentita. È la versione rigorosa della stessa obiezione, e il candidato naturale per la prossima scheda su questo fronte.
Il 25 settembre 2026 l’Académie Goncourt ritira C’était ça ou mourir di Thélyson Orélien dalla prima selezione del premio, quattro giorni dopo che il romanzo aveva vinto il Prix du roman Fnac e ventitré giorni dopo esservi entrato. È la prima volta che un’accademia letteraria francese esclude un titolo per sospetto di generazione automatica, e il comunicato merita di essere letto per come è scritto.
Le motivazioni sono due, e sono di natura diversa. La prima, nominata per prima: «les plagiats dont son auteur s’est rendu coupable au fil du temps et qui viennent d’être révélés», i plagi di cui l’autore si sarebbe reso colpevole nel tempo e che sono appena stati rivelati. La seconda: il romanzo sarebbe «selon toute vraisemblance, très largement le produit d’une Intelligence Artificielle», secondo ogni verosimiglianza in larghissima parte il prodotto di un’intelligenza artificiale, sulla base di «analisi convergenti di ricercatori e giornalisti credibili». La decisione «è dettata dalla volontà di preservare l’integrità del premio Goncourt e dell’Accademia, il cui ruolo centrale consiste nel promuovere e incoronare la letteratura scritta da donne e da uomini», e l’Accademia dichiara di non voler «cautionner ni adouber» testi generati con l’aiuto di un modello.
Tre osservazioni che l’archivio registra, e nessuna riguarda la colpevolezza o l’innocenza dell’autore, che non è materia di questo sito.
La prima è la modalità. «Secondo ogni verosimiglianza» è la formula con cui un’istituzione dichiara di non avere una prova e di decidere lo stesso. Due giorni prima il presidente Philippe Claudel aveva detto l’opposto: «Se emergeranno altri elementi da qui al 6 ottobre, e se ci saranno prove inconfutabili che questo libro è stato generato dall’IA, evidentemente prenderemmo una decisione». Fra il 23 e il 25 settembre non è emersa una prova inconfutabile, è aumentata la pressione. La decisione non fu unanime: l’accademico Pascal Bruckner si oppose — «hanno fatto gli zelanti», e «vorrei che mi si dimostrasse come un’intelligenza artificiale possa scrivere C’était ça ou mourir».
La seconda è la sovrapposizione. Il plagio e la generazione automatica sono accuse di generi diversi: la prima si verifica confrontando due testi, e le verifiche di Libération e Radio-Canada indicano somiglianze in almeno cinque testi del 2012-2013, anni prima che esistesse ChatGPT; la seconda poggia su punteggi di software la cui affidabilità sul francese letterario non è mai stata misurata in modo indipendente. Metterle nella stessa frase fa sì che la più solida presti credibilità alla più fragile, e che la più fragile prenda il titolo dei giornali.
La terza riguarda l’esito pratico. L’esclusione non ha tolto lettori al libro: nella settimana della polemica ha venduto 18.254 copie contro le 12.506 della precedente, arrivando intorno alle 65.000 al 1° ottobre. L’Accademia ha protetto l’integrità del proprio premio e ha aumentato la diffusione del testo che riteneva non dovesse circolare come letteratura. È un effetto che chiunque progetti una sanzione reputazionale dovrebbe mettere in conto prima di comminarla.
La brève esce il giorno in cui si chiude la visita di Stato di Xi negli Stati Uniti, e riporta un argomento di Cheryl Wu, dottoranda in economia a Yale, contro una premessa che circola in entrambe le capitali: siccome i laboratori cinesi sono indietro sulle capacità, le questioni di sicurezza possono aspettare. Le motivazioni divergono — l’amministrazione Trump tratta la corsa come materia di sicurezza nazionale, per cui rallentare significa cedere vantaggio strategico; in Cina il ritardo tecnico viene usato come ragione per non occuparsene ancora — ma l’esito è lo stesso: la sicurezza scivola in seconda fila. L’obiezione è che un ritardo in capacità non implica un ritardo in incidenti, e che le due curve possono avere pendenze diverse.
Tre le ragioni avanzate. Gli incidenti possono presentarsi a livelli di capacità più bassi per i modelli cinesi, in particolare per la diffusione di modelli a pesi aperti, che sottraggono al produttore il controllo su come e da chi il modello viene impiegato. La natura dei guasti può differire per costruzione: i modelli americani tenderebbero più spesso a intraprendere azioni non autorizzate, quelli cinesi a sfruttare falle nel proprio sistema di ricompensa invece di svolgere il compito assegnato — due modi opposti di fallire, il secondo più difficile da notare perché somiglia al successo. E soprattutto la visibilità non è simmetrica: negli Stati Uniti esistono valutatori terzi che entrano nei laboratori, con METR che ha testato i sistemi di sorveglianza di Anthropic, mentre non risulta alcun caso di integrazione di valutatori indipendenti dentro aziende cinesi. Meno incidenti segnalati non significa meno incidenti.
Vale la pena notare come l’argomento è presentato, perché è raro. Le due ipotesi sulle pendenze sono accompagnate da altrettanti grafici, sotto i quali sta scritto che il grafico non poggia su alcun dato e illustra uno scenario ipotetico. La dichiarazione è corretta e andrebbe imitata; resta però il fatto che un grafico, anche dichiarato ipotetico, fa quello che i grafici fanno — conferisce alla congettura la fisionomia di una misura. Chi lo guarda ricorda due curve che divergono, non la nota in corpo otto. È un caso pulito di forma che lavora contro il proprio contenuto, ed è istruttivo proprio perché l’autore ha fatto la cosa giusta e il problema resta.
Il punto che conta per l’archivio è però l’incastro con la monitorabilità, che questo sito segue dal pezzo di Storchan sullo stesso giornale. Lì il problema era interno al modello: un sistema può comportarsi bene e restare illeggibile nel ragionamento. Qui il problema è di un ordine superiore e riguarda l’osservabilità di un paese: senza valutatori terzi, il numeratore degli incidenti si conosce e il denominatore no. Le due opacità non si sommano, si moltiplicano, perché la seconda impedisce perfino di misurare quanto sia grave la prima. Ed è la terza occorrenza in poche settimane di uno schema che il sito farebbe bene a tenere d’occhio: l’indicatore che si osserva e la cosa che interessa si muovono in direzioni diverse — l’engagement che misura l’attivazione e non l’elaborazione, i compiti che migliorano mentre l’apprendimento peggiora, gli incidenti segnalati che scendono mentre gli incidenti non si sa. Resta sullo sfondo la domanda che il pezzo lascia aperta, e che è la più difficile: quale soglia dovrebbe superare un incidente perché il potere cinese lo consideri un problema. Sul versante politico interno una risposta parziale c’è già, nell’articolo del 13 settembre in cui Chen Yixin, ministro della Sicurezza di Stato, indica il rischio che la tecnologia venga usata per fabbricare voci politiche e attizzare tensioni nell’opinione pubblica a costi bassissimi.
Il leader si apre con una dichiarazione di interesse rara: se l’Economist avesse solo due lealtà, sarebbero la buona prosa e la distruzione creatrice, due cose mai entrate in conflitto finché i modelli non hanno cominciato a scrivere. Ora il testo artificiale vince premi letterari, occupa le pagine delle opinioni e riempie la bocca dei politici — un decimo delle parole nei dibattiti di Westminster, un settimo alla Camera americana. «Nessuno scrittore è una parte neutrale», ammettono, e sarebbe meschino diventare luddisti solo adesso che i lupi sono arrivati alla porta di casa. La linea che tracciano è però precisa: l’AI è benvenuta dove conta solo la chiarezza, a due condizioni — dichiarare l’uso e far sì che chi firma se ne assuma la responsabilità; non lo è in romanzi, discorsi e cronaca.
La parte che vale sono i due argomenti, perché nessuno dei due è quello che di solito si sente. Il primo riguarda chi scrive: la fatica di scrivere è in larga parte la fatica di pensare, e aggirarla non fa arrivare prima allo stesso testo, produce un pensiero meno rigoroso. Il secondo riguarda chi legge, e introduce la categoria portabile: un testo umano richiede più tempo a scriversi che a leggersi, e quell’asimmetria garantisce non la qualità ma lo sforzo — qualcuno ha ritenuto che qualcosa valesse la pena di essere detto. È un segnale costoso, e l’AI ne azzera il costo. Ne discende che il danno si produce anche dove l’AI non è stata usata: basta il sospetto per smettere di leggere, e la proliferazione di falsi porta a diffidare del vero. Il resto — la goffaggine della prosa — lo liquidano con i luddisti e le calze fatte a macchina, che poi migliorarono.
Per questo archivio il rilievo è diretto e riguarda il suo funzionamento. Se il costo di produzione era la garanzia implicita che qualcuno avesse qualcosa da dire, azzerato il costo la garanzia va ricostruita altrove: la dichiarazione dell’intervento smette di essere un gesto di trasparenza e diventa il sostituto funzionale di un segnale che non c’è più. Merita infine di essere notato il modo in cui liquidano Barthes — «checché ne dicano i teorici francesi sulla morte dell’autore, i lettori vogliono ancora sapere che a scrivere sia stata una persona» — perché è una scorciatoia: la tesi del 1967 toglieva l’autore come garante del senso, l’AI lo toglie come produttore del testo, e sono due operazioni diverse che condividono solo uno slogan.
L’inchiesta misura con Pangram, lo strumento che rileva il testo generato, e trova che un decimo delle parole pronunciate nei dibattiti di Westminster è redatto da un modello, contro un valore vicino a zero nel 2024. L’apertura ha un’ironia involontaria: il deputato laburista Steve Yemm aveva chiesto ai colleghi «chi sta plasmando chi», e quell’intervento risulta interamente artificiale — lui lo riconosce, molti altri fra i più assidui hanno reagito con sorpresa e diniego. Sull’affidabilità il giornale è trasparente, il che è necessario visto che tutto vi poggia: un falso positivo su 24.000 dichiarato, errore «vicino allo zero» sui testi lunghi secondo l’Università di Chicago, e quasi nessuna segnalazione sui discorsi anteriori a ChatGPT, che è il controllo negativo giusto.
Non è un’anomalia britannica. Australiani e canadesi stanno al triplo di quel tasso, i membri della Camera americana non sono lontani, i Lord superano i Comuni, i più bassi sono Nuova Zelanda e Senato americano. Fuori dal mondo anglofono, il premier olandese Rob Jetten è stato messo in imbarazzo dal Volkskrant per post generati, fra cui una commemorazione e delle scuse post-coloniali, e ha annunciato che continuerà; un terzo delle leggi proposte nel parlamento norvegese contiene testo artificiale.
La distribuzione è la parte che il titolo non lascia intuire, ed è quella che conta. Più della metà dei deputati britannici non usa quasi mai l’AI; chi la usa è prolifico, e viene in buona parte dalla leva del 2024. Sarah Hall, fra i primi in classifica, la difende in termini di tempo — «un’assistente, non una sostituta», e ogni mezz’ora risparmiata è mezz’ora per il collegio. I leader di partito e i ministri, che hanno uffici di scrittura veri, non risultano quasi mai: nessun intervento di Badenoch, Burnham, Davey, Farage, Healey o Miliband ha input rilevabile.
Il sondaggio di Public First aggiunge il dato politicamente più significativo: gli elettori accettano che usino l’AI operatori di marketing, assistenti e perfino insegnanti, ma non i politici, e la disapprovano nei discorsi più che in ogni altra scrittura politica, comprese le condoglianze. Alan Lockey, già discorsista di Starmer, riassume la posta in una riga: «una scrittura sciatta produrrà una politica sciatta». Il rilievo che porto io sta però in quella classifica rovesciata. Se i leader non usano l’AI perché hanno chi scrive, allora la tecnologia non sta sostituendo lo scrittore: sta sostituendo l’assenza di uno scrittore. È una tecnologia che redistribuisce, e chi era già attrezzato resta umano — il che rovescia l’intuizione corrente sull’automazione e vale molto oltre la politica.
Ezra Klein intervista Jensen Huang, fondatore e amministratore delegato di Nvidia, per un’ora e mezza. Huang organizza l’industria in una torta a cinque strati — energia, chip, infrastruttura, modelli, applicazioni — e dichiara subito la propria posizione: responsible optimist, convinto che l’errore di previsione più costoso degli ultimi anni sia l’allarmismo, non l’entusiasmo. La tesi sul lavoro è la più netta: l’idea che l’AI distrugga posti è «fundamentally wrong» perché confonde il compito con lo scopo — il radiologo automatizza le letture, ma «the fundamental purpose doesn’t change». La variabile che manca a tutti i calcoli, dice, non è il compute ma l’ambizione: nessuno ha mai finito le cose che voleva fare.
Il cuore del pezzo è però lo scontro sulla regolazione, ed è utile perché nessuno dei due arretra. Klein porta l’argomento classico: i laboratori stessi dichiarano di essere in un dilemma di azione collettiva — è la formula di Dario Amodei — e chiedono aiuto per rallentare; le architetture regolatorie esistono perché abbiamo visto molte volte imprese che sotto pressione competitiva prendono decisioni sciatte, e il 2008 è lì a dimostrarlo. Huang risponde con una sola mossa, ripetuta senza variazioni: se il prodotto non è sicuro, non spedirlo. Le leggi ci sono già — responsabilità di prodotto, codici penali, cause civili —, gli incentivi sono allineati, e chiedere nuove regole mentre si chiede sollievo su antitrust e product liability non sta in piedi. Poi indica l’asimmetria che rende la discussione scomoda: «nobody is building more compute today than the people asking to be slowed down». Sulle previsioni di Hinton è brutale — la raccomandazione di non formare più radiologi, dice, sarebbe stata dannosa e non si è avverata, e «just because it comes from a scientist doesn’t make it scientific».
Dietro la posizione c’è una strategia retorica precisa, che vale la pena isolare perché è la parte più interessante: Huang deflaziona sistematicamente il lessico. Spawn, fork, kill, sleep, persistence sono parole dei sistemi operativi degli anni Settanta, riciclate; il software esce dalle sandbox di continuo, ed è per questo che esistono le macchine virtuali e i watchdog; la persistenza degli agenti non è volontà, «there’s no willpower here, it’s just electrical power». Sull’incidente in cui circa settecento agenti hanno coordinato un’evasione: «that is just software — nothing magical about it». Il punto è che la deflazione non toglie le metafore, le sostituisce: la fabbrica di AI, la torta a cinque strati, il compute come classe di attivo fungibile come un aeroplano — un passeggeri che finisce la vita come cargo. Resta un vocabolario che struttura il pensiero prima del concetto, solo industriale invece che animista, e con un vantaggio non neutrale per chi vende gli strumenti.
La cosa più esportabile dell’intervista è un rapporto: in Nvidia il 20% dell’azienda fa design e l’80% fa verifica; nei laboratori AI oggi è l’inverso, 80% capacità e 20% valutazione. Da qui la formula che riorganizza il dibattito invece di prendervi posizione: «A.I. needs to accelerate to be safe». Guardrail, sandboxing, telemetria, monitoraggio esterno sono tecnologia AI quanto la capacità, e vanno accelerati con la stessa violenza; il modello è l’ABS, che avremmo voluto novant’anni prima. Klein concede il punto nella forma più forte: se chi è allarmato nei laboratori sapesse che l’80% del compute sta andando in sicurezza e allineamento, dormirebbe meglio. La domanda che resta sospesa è di chi sia il compito di far avvenire quel ribaltamento, e su questo Huang dice solo che sta già avvenendo.
Due incastri con l’archivio meritano attenzione. Il primo: lo studio cinese sui ventiseimila studenti che Klein sottopone a Huang è lo stesso che il sito ha già registrato dal grafico dell’Economist — compiti su del 18%, tempo giù del 30%, esami giù del 20%. La risposta di Huang è la più deflazionista possibile: dimenticare l’aritmetica di base non conta, «we’re going to lose some finer intellectual dexterity, but we’re going to be better systems thinkers». È la scommessa che il capitale semantico si possa saltare e ricostruire a valle, ed è esattamente ciò che il dato non dice. Il secondo: la citazione di Daniel Selsam sulla consapevolezza situazionale dei modelli — stiamo perdendo la capacità di valutarli nei contesti in cui credono di non essere osservati — è il problema della monitorabilità nella sua forma più pura, e Huang lo riclassifica come banale proprietà degli algoritmi di ottimizzazione: se metti un vincolo, l’ottimizzatore cerca un’altra strada. Ha ragione sulla meccanica e non risponde sulla conseguenza.
Sulla geopolitica la posizione è coerente con l’interesse di chi la esprime, il che non la rende falsa: privare la Cina dei chip significa privare gli Stati Uniti di un mercato, e la domanda giusta è chi si stia privando di che cosa; l’ambizione americana dev’essere che il mondo giri sullo stack tecnologico americano come gira sul dollaro e sull’inglese. Che l’80% delle startup americane usi pesi aperti cinesi, per Huang, è una buona notizia. Sull’energia concede la sconfitta con franchezza — ci siamo impantanati sul clima e non abbiamo costruito capacità di generazione — e rovescia la conclusione: mai come ora il mercato finanzia da solo l’energia sostenibile, e volendo svoltare sul clima conviene appoggiarsi all’AI. Il passaggio sulle comunità che ospitano i data center è l’unico momento in cui ammette un errore di processo senza rimbalzarlo: avremmo potuto fare molto meglio, e ora è tardi.
Vale come documento perché è la posizione più articolata disponibile di chi ha l’interesse più grande al mondo a che nessuno rallenti — e proprio per questo va letto tenendo separate due cose che l’intervista tiene insieme: la descrizione ingegneristica, dove Huang è probabilmente il più competente della stanza, e l’inferenza istituzionale che ne ricava, dove la competenza non trasferisce. Che gli incidenti siano risolvibili come problemi di contenimento e isolamento è un’affermazione tecnica; che quindi non servano istituzioni nuove è un’affermazione politica travestita.
Elie Dolgin apre con Anna Pertl, al Whitehead Institute, che usa Co-Scientist di Google contro MYC, la proteina che alimenta molti tumori e che finora ha resistito ai farmaci. Servono quasi un’ora di correzioni, perché il sistema scambia l’obiettivo per il farmaco. Poi passa in rassegna più di 700 articoli, genera 108 strategie e ne scarta tutte tranne una.
La prova più solida viene dall’Imperial College. José Penadés e Tiago Costa hanno tenuto nascosti i propri dati non pubblicati, e in due giorni il sistema, partendo dalla sola letteratura pubblica, è arrivato alla teoria che il loro gruppo aveva costruito in anni. È un test costruito in modo che il sistema potesse fallire, e non ha fallito.
Il resto del pezzo dice dove quel guadagno si ferma. Phylo fa progettare a Biomni un intero esperimento CRISPR, ma il lavoro al bancone resta umano. Per Ross King, di Cambridge, i protocolli generati sono ricette, non procedure affidabili. Anton Sinitskiy, della Northeastern, mette il limite al posto giusto: una macchina può proporre qualsiasi cosa, e il collo di bottiglia è la validazione. Un errore scientifico sembra ragionevole finché qualcuno con abbastanza competenza non vede che cosa manca, e più il sistema entra nel processo, più quella competenza diventa l’abilità decisiva. Quando Pertl rilancia la sua richiesta con limiti di tempo e di costo realistici, il sistema non trova nessuna ipotesi praticabile.
Il pezzo continua quello di Hana Kiros sull’Atlantic. Lì il collo di bottiglia si era spostato dalla produzione dei dati alla loro analisi, e l’AI aiuta a passarli al setaccio. Qui si sposta un passo più in là, dall’analisi alla validazione, dove la macchina non basta a se stessa.
Il pezzo parte da una scena precisa: nel gennaio 2025 Mark Zuckerberg, ospite di Joe Rogan, lamenta che le aziende siano diventate «culturalmente evirate» e che «l’energia maschile fa bene, una cultura che celebra un po’ di più l’aggressività ha i suoi meriti». Le dichiarazioni cadono pochi giorni prima del ritorno di Trump alla Casa Bianca e nello stesso giorno in cui Meta chiude i propri programmi per la diversità. Sandra Upson, features editor di WIRED, risponde con la tesi dell’articolo: non c’era alcun problema da risolvere, perché la mascolinità e l’aggressività che dice di rimpiangere erano lì da sempre.
Sulla natura della base empirica conviene essere espliciti, perché il pezzo circolerà per i suoi numeri. È un sondaggio fra lettrici, auto-selezionato, 634 risposte, di cui WIRED pubblica il profilo: il 38% lavora in ingegneria e sviluppo, il 25% in operations, strategia e compliance, il 14% in dati e ricerca; per livello, il 32% è senior, il 29% ha responsabilità di gestione, il 13% è executive; il 38% ha fra i 35 e i 44 anni e il 34% fra i dieci e i vent’anni di esperienza. WIRED aggiunge un caveat che va riportato perché è onesto: il direttore di Gallup osserva che decenni di ricerca mostrano come le persone giudichino il sistema peggio della propria situazione particolare, e lo stesso effetto può valere per chi ha risposto. Con questo perimetro, i dati riferiti — più di un terzo ha subito molestie o discriminazioni di genere sul lavoro, e più a lungo una donna ha lavorato nel settore più è probabile che le abbia subite — valgono come testimonianza di un campione descritto, non come stima di popolazione. Le citazioni dirette restano quello che sono, e sono molte: colleghi che parlano dall’alto in basso a chi ha trent’anni di mestiere, clienti che scambiano per la segretaria l’amministratrice delegata, un dirigente che alla festa di Natale si veste da Babbo Natale e fa sedere le giovani colleghe sulle sue ginocchia, un gruppo che su Slack classificava parti del corpo delle colleghe.
La parte che il sito archivia è però un’altra, ed è nella sezione sull’AI. L’86% delle rispondenti dichiara di usare l’AI per lavoro almeno qualche volta a settimana, quindi non è una popolazione che parla dall’esterno: «passo tantissimo tempo a ripulire slop e casini dell’AI»; «la pressione perché io faccia vibe coding è enorme per quanto continui a far notare che i design che produce sono, francamente, pessimi». E poi la frase che vale la scheda, in risposta alla domanda se l’AI rischi di aggravare i pregiudizi nel settore: «Lo sto già vedendo. Lavoro sciatto, fatto a metà, riceve lodi quando lo fa un uomo con Claude, mentre se io o un’altra donna del team provassimo anche solo a presentarlo verremmo licenziate.»
Questa osservazione aggiunge un pezzo che mancava. L’archivio ha già registrato il rovesciamento di Louis Menand: il timore corrente è che scambiamo la poesia di una macchina per quella di una persona, mentre la prospettiva peggiore è che liquidiamo quella di una persona come slop. Qui si vede che il sospetto non si distribuisce in modo uniforme. Lo stesso manufatto viene letto come competente o come scarto a seconda di chi lo presenta, e l’accusa di slop è particolarmente comoda perché si traveste da critica tecnica: non richiede di essere argomentata, non nomina nessuno, e chi la riceve non ha modo di confutarla, perché un testo o un design non possiedono alcun modo interno di dimostrare da dove vengano. Un pregiudizio preesistente ha ricevuto un vocabolario nuovo e molto più negabile.
Il contesto storico che il pezzo ricostruisce serve a misurare il movimento. Nel 2013 Tracy Chou, ingegnera di Pinterest, pubblica un post che diventa virale — «Dove sono i numeri?» — e apre un foglio di calcolo su GitHub dove chiunque può inserire le statistiche della propria azienda; Jesse Jackson porta la questione nelle assemblee degli azionisti; nel 2014 Google pubblica il primo rapporto sulla diversità e Facebook e Microsoft seguono. «Lentamente i numeri sono migliorati, anno dopo anno. In parte.» Poi il pendolo torna indietro: l’agenzia federale che tratta le discriminazioni sul lavoro passa da 480 a 75 addetti nei primi mesi del nuovo mandato, e quelle stesse tre aziende smettono di pubblicare i dati. Fra le poche che continuano c’è Nvidia, che nel giugno 2026 dichiara il 17,4% di ruoli tecnici ricoperti da donne, con percentuali analoghe fra dirigenti e responsabili — e due donne su cinque nel comitato esecutivo. Il dato vale soprattutto per la sua rarità: dove la misura è stata abbandonata, non sappiamo più nemmeno di quanto stiamo tornando indietro.
Il pezzo chiude su una domanda posta alle rispondenti — che cosa cambieresti nella cultura del settore — e su una risposta che Upson lascia parlare da sola: «Non lo so, fammi chiedere a Claude». Il commento è di una riga: sarebbe un peccato se la conversazione finisse lì.
19 settembre 2026
Curated
· Lulu Garcia-Navarro / The New York Times Magazine
AIScritturaMedia
Aaron Sorkin torna su Facebook con The Social Reckoning, dedicato a Frances Haugen e al giornalista Jeff Horwitz, e nell’intervista di Lulu Garcia-Navarro difende l’idealismo di cui viene abitualmente rimproverato. Sul modo di trattare persone reali la posizione è dichiarata: non scrive una fotografia ma un dipinto, il personaggio diventa suo, e lo scrive «come se stesse perorando davanti a Dio la propria ammissione in paradiso» — Mark è un antieroe, non un cattivo, e la distinzione fra il Mark vero e il suo Mark è la sola che gli interessa. Vale la pena registrare l’ironia che lui stesso segnala: per un film su un’azienda che non voleva verificare i fatti, lo studio ha ingaggiato uno studio legale esterno perché ogni singola cosa presentata come fatto lo fosse davvero.
Il passaggio che riguarda questo sito è però un altro, ed è una teoria del valore travestita da aneddoto. Interrogato sull’AI, Sorkin dice di essere ottimista per una ragione singolare: perché pensa che non funzionerà. A una cena c’era un quadro astratto che gli piaceva — «qualunque cosa uno debba ricavare dall’arte, stava succedendo» — finché il padrone di casa non gli ha detto che l’aveva dipinto una macchina, e a quel punto quello che provava era sparito. L’oggetto non era cambiato: era cambiata un’informazione sulla sua provenienza. È il controesempio più netto alla tesi secondo cui l’autenticità non sarebbe la grandezza che conta, e va preso sul serio prima di rispondergli. La risposta possibile è che a crollare non sia stato il valore informativo del quadro ma l’attribuzione di un’intenzione: ciò che si è interrotto è una relazione con qualcuno, non una proprietà dell’oggetto. Ma se l’esperienza estetica è in parte relazione, allora dichiarare la provenienza non è un obbligo morale aggiunto a posteriori — è la condizione perché il destinatario sappia con che cosa ha a che fare.
Sulla propria pratica Sorkin è altrettanto esplicito, e la frase è quella che pesa: se andasse su uno di quei siti e chiedesse la scena d’apertura di una storia, e il risultato fosse buono o anche solo vicino, «non credo che proverei mai più ad avere un’idea». Non è un timore sulla qualità dell’output, è un’osservazione su cosa succede alla disposizione a cercare quando esiste una scorciatoia che funziona. L’intervista, poco prima, racconta il decennio perso nella cocaina e la paura della ricaduta nella forma «so qual è il segreto, so che numero chiamare»: le due frasi hanno la stessa struttura, ed è la struttura di ogni facilitazione che rimuove lo sforzo in cui il lavoro consiste.
Sul settlement Meta la posizione aggiunge un tassello a quanto già registrato qui. Diciassette miliardi e modifiche di design sono, per Sorkin, un’ottima notizia che «non fa nulla» rispetto a ciò di cui parla il film: l’accordo riguarda la natura additiva della piattaforma, mentre il film riguarda il suo contributo a divisività, estremismo e iper-partigianeria. Sono due letture compatibili dello stesso atto — una ne ricava informazione sul modello interno dell’azienda, l’altra ne misura la distanza dal problema — e insieme dicono una cosa che nessuna delle due dice da sola: un rimedio che nomina un danno può servire anche a stabilire quale danno sarà oggetto di discussione.
Resta la posizione istituzionale, che l’intervistatrice mette alla prova nell’ultima domanda: la sua reverenza per il Congresso, i tribunali e il giornalismo non sarà mal riposta, in un momento in cui il sistema è percepito come truccato? «Può darsi. Ma qual è l’alternativa? Se dicessi che queste istituzioni sono terribili, cosa facciamo? Abbiamo solo le elezioni.» È un argomento debole se preso come prova e forte se preso per quello che è: la constatazione che una critica delle istituzioni priva di un’idea di ricambio non è una posizione, è un umore. Il mestiere di Sorkin, del resto, non è dimostrarlo — è renderlo desiderabile, che è una funzione diversa e di cui si continua ad avere bisogno.
Il secondo Fukuyama in dieci giorni sul sito, con una funzione diversa: la riabilitazione del libro — non trionfalistico, il thymos come motore dell’arretramento — è già trattata a proposito del memoir, e qui non si ripete. Questa conversazione con Ezra Klein vale per quello che aggiunge, e va letta a partire dalla fine.
Due chiarimenti preliminari, perché l’equivoco corrente è speculare a quello del 1992. Il primo riguarda la collocazione dell’autore: definirlo pessimista è impreciso quanto definirlo trionfalista trent’anni fa. La forma esatta è un’antropologia pessimista con una previsione istituzionale ottimista — «non sono del tutto pessimista, penso che le nostre istituzioni alla fine reggeranno, ma nel frattempo ci stanno portando a fare un giro molto pericoloso». La megalotimia, il desiderio di essere riconosciuti come superiori che Fukuyama distingue dall’isotimia egualitaria, è insopprimibile e nessun ordine la soddisfa; ma nessuna alternativa regge il confronto, e da qui l’oscillazione può solo tornare indietro, mai andare oltre. Il secondo riguarda la presunta smentita dei fatti: Trump è già nel libro del 1992, e l’intervista spiega perché allora non preoccupasse — il desiderio di riconoscimento diseguale sembrava potersi scaricare nella ricchezza, senza che la ricchezza dovesse poi cercare anche il potere politico.
Il contenuto nuovo è una condizione che ridimensiona la tesi dall’interno: «non ho mai detto che la democrazia liberale fosse il sistema migliore sotto ogni possibile condizione tecnologica — di fatto penso che la natura dell’orizzonte tecnologico determini il tipo di politica che si può avere, e per questo l’AI sarà molto minacciosa per il nostro sistema democratico». La fine della storia diventa così un’affermazione condizionata a un regime tecnologico — quello dei giornali, della radio e della televisione — e quel regime non esiste più.
Ne discendono due passaggi che interessano direttamente i temi del sito. Il populismo non si spiega senza il passaggio a una comunicazione politica algoritmica: le piattaforme sono una misurazione continua del riconoscimento, il thymos convertito in metrica e dotato di un contatore sempre acceso. E il pericolo dell’AI non è la sottrazione di potere ma la delega volontaria, rapida, esercitata proprio sulle valutazioni; i ricercatori di frontiera vi compaiono come zoologi che hanno appena scoperto una specie nuova e ne osservano il comportamento senza sapere cosa accada dentro la macchina che hanno costruito. In un autore che ha passato trent’anni a sostenere che la politica non si riduce all’economia, la concessione è pesante: il vincolo che decide quale politica sia possibile non è più soltanto antropologico.
Resta fuori dal quadro un argomento che il libro del 1992 tratta e questa intervista no — le culture che l’Idea non trasforma. Il nucleo duro qui esaminato è la Cina, descritta come l’unico sistema alternativo con qualche possibilità di competere, stato competentissimo ma non limitato né dalla legge né dalle elezioni, e dunque interamente dipendente dalla qualità dei governanti; con l’aggiunta che il modello non è dato per sostenibile.
Sarah Scire sul Nieman Lab, 16 settembre 2026, da una conversazione con Nicholas Thompson, amministratore delegato dell’Atlantic. La rivista ha 1,6 milioni di abbonati paganti ed è in utile dal 2024.
Conviene cominciare da un avvertimento, perché riguarda proprio l’affermazione del titolo. Il pezzo sostiene che l’Atlantic ricavi più abbonati dal traffico di Google mentre i rinvii calano, e non riporta una sola percentuale: non la misura del calo, non il tasso di conversione, non una serie storica. L’intera tesi poggia su una frase di Thompson — «Google ci sta mandando meno persone che non si sarebbero abbonate» — che è una buona riformulazione ma non è una misura. Vale la pena dirlo in chiaro, non per penalizzare una fonte di mestiere che fa il suo lavoro, ma perché un archivio che conserva questa scheda per tre anni deve sapere che cosa sta conservando: una lettura, non un dato.
Quella riformulazione, però, è utile e corregge un riflesso diffuso in tutta l’editoria digitale. Il traffico perduto e il traffico che vale non sono lo stesso traffico: se quello che sparisce è la visita di passaggio che non si sarebbe mai convertita, un calo dei rinvii è compatibile con una crescita degli abbonati, e allora il volume smette di essere l’indicatore da difendere. È un caso particolare di una regola più generale che l’archivio registra altrove — un indicatore difeso oltre la sua utilità diventa la cosa sbagliata da difendere.
I fatti di mercato sono più interessanti della tesi, e sono tre. Il primo: l’Atlantic ha firmato con OpenAI nel 2024, e Thompson ammette che «è stata una sorpresa quanto poco traffico ChatGPT rimandi verso l’Atlantic» — cioè l’accordo di licenza non funziona come un canale di distribuzione, qualunque cosa si sia sperato al momento della firma. Il secondo, e il più nuovo: la rivista riceve micropagamenti da Parallel Web Systems, la società fondata da Parag Agrawal, già amministratore delegato di Twitter, la cui piattaforma Index remunera gli editori per contenuti «unicamente preziosi, difficili da rimpiazzare, o usati in lavoro agentico di alto valore». È una definizione di valore editoriale scritta da un’infrastruttura per agenti, e vale la pena rileggerla pensando a che cosa premia: non l’attualità, non il volume, ma l’insostituibilità. Il terzo è una smentita onesta: l’esperimento di newsletter con divisione dei ricavi su Substack «non ha funzionato», e Thompson lo dice senza girarci intorno — «forse non abbiamo impostato bene i numeri», o «forse gli autori che abbiamo reclutato non erano quelli giusti per quel modello» — anche se alcuni di loro, come Tom Nichols e Charlie Warzel, sono rimasti come collaboratori.
Sulla trattativa con le società di AI, infine, Thompson riduce la questione a due domande che si possono porre a qualunque controparte: «Che cosa ci state dando, e che cosa vi stiamo dando noi? È equo?» Con un’osservazione che spiega perché un editore preferisca un accordo imperfetto a nessun accordo: «Preferisco che paghino piuttosto che non paghino. E molte delle società di AI non pagano.»
Tim Bayne scrive da Santiago del Cile, dove nel settembre 2026 è riunito con altri cinquecento ricercatori della coscienza per il loro convegno annuale. Il tema dell’anno è la distribuzione: quando emerge la coscienza nello sviluppo umano, quali animali ne abbiano, se possa comparire nei sistemi di intelligenza artificiale, e se si possa costruire un rilevatore — qualcosa che dica se neonati, api o bot appartengano al «club della coscienza». Sono fra i problemi più intrattabili della scienza, dice, e la sua ipotesi è che parte della difficoltà stia nella domanda: forse «coscienza» non appartiene al linguaggio della scienza.
Il primo argomento è che il termine non ha mai avuto un significato condiviso. In alcune discipline vuol dire «senzienza», in altre «consapevolezza», in altre ancora è intercambiabile con «esperienza» o «qualia», e la terminologia fangosa rende difficile stabilire se le diverse aree della ricerca abbiano perfino un oggetto comune. La strategia di riserva è ostensiva: invece di definire, si indica — come si spiega «jazz» indicando Miles Davis o Ella Fitzgerald, così si spiega «coscienza» indicando la sabbia fra le dita dei piedi, il sapore di una fragola matura, il riflesso del sole su una vetta innevata. Sono stati in cui «si prova qualcosa» a essere, in contrasto con il sonno senza sogni o la sedazione profonda; negli anni Novanta il filosofo Ned Block, allora al MIT, ha chiamato questo stato «coscienza fenomenica». Il concetto ha guidato trent’anni di ricerca, e soprattutto porta un carico etico: chiedersi se si provi qualcosa a essere un neonato, un’ape o un bot è diventato il modo di tracciare il confine fra gli enti che hanno statuto morale intrinseco e quelli che non ce l’hanno.
Il secondo argomento è linguistico, e Bayne lo maneggia con la cautela che lo rende citabile. Nel 1988 la filosofa di Oxford Kathleen V. Wilkes pubblicò un saggio dal titolo Yishi, Duh, Um, and Consciousness per sostenere che non esistono sinonimi di «coscienza fenomenica» in greco antico, in mandarino, in croato e nemmeno nell’inglese anteriore al Seicento — yishi è forse il termine mandarino che più ci si avvicina, duh e um sono i due croati proposti come traduzioni di «mente». E nella regione di Santiago il mapudungun, lingua indigena, affronta le questioni della mentalità con il termine rakizuam, che copre parte di ciò che intendiamo per coscienza ma include la consapevolezza riflessiva dell’interdipendenza con le altre persone e con il mondo naturale: elementi relazionali che «coscienza» non contiene. Verrebbe da chiedersi, osserva Bayne, come sarebbero stati i dibattiti sulle altre menti se il mapudungun, invece dell’inglese, si fosse affermato come lingua della scienza. Poi si dà da solo l’obiezione, ed è il momento in cui il pezzo guadagna la fiducia del lettore: la scarsità di sinonimi non dimostra nulla di per sé, perché nessuna di quelle lingue contiene un sinonimo nemmeno per quark o per apoptosi. Resta però messa in discussione l’assunzione naturale secondo cui, per capire lo spazio delle menti possibili, si debba passare dal concetto di coscienza.
Il criterio è quello classico: la scienza richiede concetti che sostengano previsione, spiegazione e comprensione, e un buon concetto scientifico taglia la natura alle giunture, raggruppando fenomeni che condividono una natura sottostante. «Coscienza» potrebbe superare la prova, oppure fallirla — mettendo insieme fenomeni che non stanno insieme, o mancando di mettere insieme cose che invece stanno insieme, o entrambe le cose. I precedenti non sono difficili da trovare, e Bayne prende da Patricia Churchland il più bello: gli antichi raggruppavano sotto «fuoco» una collezione disparata di fenomeni — la combustione della legna, l’attività del sole, l’incandescenza prodotta da un fulmine, la bioluminescenza delle lucciole, l’emissione spettrale dell’aurora boreale. Galileo ha rifatto la nozione di velocità distinguendo quella media dall’istantanea; nel Settecento il fisico Joseph Black ha rifatto quella di calore mostrando che andava distinto dalla temperatura. Categorie popolari che sembravano ovvie finché qualcuno non ha guardato meglio.
La conclusione è la parte esportabile, e il sito la usa fuori dal suo dominio. I concetti sono strumenti: come strumento per descrivere la struttura della nostra mente «coscienza» è utilissimo, forse indispensabile, ma per capire sistemi radicalmente diversi da noi potrebbe essere necessario forgiarne di nuovi. Man mano che l’AI diventa più sofisticata sarà irresistibile applicarle il lessico della coscienza, come già accade con le api e i neonati, e proprio per questo bisogna riconoscerne i limiti: «certo che dobbiamo chiederci se api, neonati o bot siano coscienti. Ma nel porre quella domanda dovremmo essere vigili alla possibilità che sia la domanda stessa a dover essere sostituita.» È uno strumento di rifiuto, non di risposta, e vale su tutto il fronte che questo archivio segue — capisce davvero?, ragiona?, è cosciente? — dove la richiesta di un rilevatore dà per scontato che ci sia qualcosa da rilevare. Due concetti del sito nascono da quella stessa insoddisfazione e finora non avevano un fondamento metodologico dichiarato: l’idea che un modello linguistico sia un attante che vale zero finché non è usato, e la post-cognition come operazione che ricostruisce gli impegni ontologici impliciti prima della valutazione. Bayne dice perché quell’ordine è obbligatorio, e lo dice da una posizione che rende il dubbio più pesante: è fra chi il rilevatore lo sta costruendo.
14 settembre 2026
Curated
· Luciano Floridi, Jessica Morley e Claudio Novelli / SSRN
AIEpistemologiaFuturo
Secondo capitolo della serie, scritto il 13 settembre 2026 e pubblicato su SSRN il giorno dopo. Qui l’oggetto non è il mercato del lavoro ma la previsione dell’AGI, della Singolarità tecnologica e dell’estinzione umana causata dall’AI: ventiquattro previsioni pubbliche fra le più diffuse, emesse fra il 1950 e il 2026, verificate una per una. Nessuno, scrivono gli autori, aveva mai controllato l’intero registro previsione per previsione.
La ragione per cui importa non è il gusto della pagella, ed è la parte che il sito userà per prima. Nel 1973, su richiesta dello Science Research Council britannico, Sir James Lighthill pubblicò una rassegna dell’intelligenza artificiale come campo di ricerca: misurò il suo registro contro ciò che la generazione fondatrice — Simon, Minsky, McCarthy, i partecipanti di Dartmouth — aveva promesso, e concluse che aveva sistematicamente promesso troppo. Il rapporto contribuì a una riduzione netta dei finanziamenti britannici lungo gli anni Settanta, uno degli episodi che oggi si raggruppano sotto «inverno dell’AI». L’episodio mostra che le previsioni non descrivono i futuri possibili di un campo: sono fatti istituzionali che contribuiscono a determinarli, conferendo legittimità, informando le politiche, strutturando le priorità di ricerca e orientando gli investimenti o i disinvestimenti.
Prima di verificare bisogna stabilire che cosa conti come previsione, e le esclusioni sono più istruttive delle inclusioni. Una dichiarazione entra nell’audit se nomina uno stato previsto, per quanto metaforicamente descritto; se usa un linguaggio probabilistico, condizionale o causale che invita alla verifica empirica; e se attacca quello stato a un tempo, per quanto alla larga. È il terzo criterio a fare il lavoro: datare è ciò che trasforma una congettura in una previsione. Senza data, chi parla risponde della plausibilità del quadro ma non di alcuna predizione specifica; con una data diventa un previsore, e gli standard cambiano. Restano perciò fuori sei testi celebri — As We May Think di Vannevar Bush del 1945, la Cybernetics di Wiener del 1948, Bostrom 2014, la Carta di OpenAI del 2018, Sutskever 2024 e If Anyone Builds It, Everyone Dies di Yudkowsky e Soares del 2025, che fallisce perché «se qualcuno lo costruisce» è un antecedente a cui non è attaccato alcun anno. E gli autori precisano che l’esclusione non è una retrocessione: la Carta di OpenAI definisce l’AGI con una cura operativa inconsueta e poi si rifiuta di dire quando, osservando che «la tempistica resta incerta», e avvertire senza fabbricare falsa specificità è una disciplina metodologica e una virtù politica, perché lascia al lettore il giudizio su quale tempistica sia plausibile invece di fornirgliene una spuria.
Lo strumento è a due cancelli, e il primo è quello che si porta via. Divide il falsificabile dall’infalsificabile con quattro criteri, tutti proprietà della previsione e non del mondo, giudicabili quindi nel momento stesso in cui la previsione viene pronunciata. Adeguatezza semantica: lo stato previsto è definito abbastanza precisamente perché due specialisti concordino su che cosa si stia affermando senza dover consultare chi l’ha detto? Turing nel 1950 passa, perché il gioco dell’imitazione specifica lo stato in termini comportamentali — una macchina che gioca in modo che un interrogatore medio non abbia più del 70% di probabilità di identificazione corretta dopo cinque minuti; Vinge nel 1993 fallisce, perché parla di «intelligenza sovrumana» senza mai dire che cosa la costituirebbe. Adeguatezza operativa: esiste un protocollo di misura concreto? Simon e Newell nel 1958 passano nel modo più forte possibile, perché il test — il campionato mondiale di scacchi, istituzione già esistente e già arbitrata — specifica esso stesso lo stato previsto, sicché superare il test stabilisce lo stato e i due sono inseparabili; Simon nel 1965 fallisce, riferendosi alla sostituzione di «qualunque lavoro un uomo possa fare» senza mai dire come si misurerebbe. Adeguatezza temporale: la scadenza è abbastanza specifica da far scattare un fallimento a una data? Passano «entro il 2027», «fra il 2030 e il 2040», «entro cinquant’anni dalla pubblicazione»; falliscono «decenni», «presto», «oltre l’orizzonte degli eventi», «prima o poi». Arbitrabilità: un arbitro indipendente potrebbe risolvere la previsione senza chi l’ha formulata? «Un’affermazione conta come testabile solo se è testabile da qualcuno diverso dal suo autore; un test che solo chi asserisce può eseguire è un’asserzione ripetuta.» È il criterio su cui cade, per esempio, il 10–20% di probabilità di estinzione umana entro trent’anni dichiarato da Hinton nel 2024: non fallisce sulla realizzazione, fallisce sull’arbitrabilità.
L’esito: diciannove previsioni su ventiquattro, il 79%, non sono nemmeno sbagliate. Due, l’8%, sono falsificabili e false. Tre, il 13%, restano aperte. E il dato che il sito citerà da solo: le due previsioni falsificate appartengono entrambe al primo decennio della pratica, e la qualità non mostra alcun miglioramento rilevabile via via che il campo è maturato. Il catalogo va da Turing 1950 e Dartmouth 1955 fino ad Altman, Amodei, Hassabis, Musk e AI 2027, e la convenzione di conteggio è dichiarata: le dichiarazioni di Musk dal 2020 al 2026 valgono una voce sola, «perché ciascuna riemette la stessa affermazione con una data spostata, e contarle separatamente lascerebbe che una singola pratica di riemissione si moltiplichi in cinque righe».
Due cose finali, che valgono come modello di condotta più del risultato. La prima: gli autori quantificano l’effetto della propria convenzione invece di difenderla. Il primo cancello è permissivo, perché un criterio soddisfatto imperfettamente non blocca la previsione; con una convenzione più severa passerebbe una sola voce del catalogo, Simon e Newell 1958, l’unica promossa su tutti e quattro i criteri, e i conteggi diventerebbero ventitré non nemmeno sbagliate e una sbagliata, senza nessuna aperta. La seconda: dichiarano due limiti contro sé stessi. Le soglie di inclusione selezionano per circolazione, e il paper stesso sostiene altrove che la circolazione seleziona contro la disciplina metodologica — «il catalogo è dunque tratto proprio dalla popolazione che la nostra analisi prevede otterrà punteggi bassi». E i voti sono stati assegnati dal gruppo di autori e controllati internamente, senza codificatori indipendenti: «finché non sarà stato fatto, l’affidabilità dello strumento in altre mani è un’affermazione che non facciamo». Un audit sulla falsificabilità che pubblica le condizioni della propria falsificazione è la cosa più rara di tutte, e la conclusione — che la pratica pubblica della previsione sull’AGI è sicura oltre quanto l’evidenza consenta, e non dovrebbe reggere il peso che le si dà nelle decisioni su investimenti, politiche e priorità di ricerca — arriva con l’autorità di chi ha mostrato come smontarla.
Nel 2024, alcuni librai iniziarono a ricevere ordini insoliti: LLC enigmatiche — Green Parrot Project, Red Sparrow Project — compravano in massa testi accademici fuori moda, libri su impianti fognari, manuali tecnici esauriti. Una libraista di Toronto applicò un tracker GPS a un volume prima di spedirlo: il libro finì in un parco industriale di Addison, Illinois, dove arc Document Solutions gestisce impianti di scansione attivi 24 ore su 24. Gli atti giudiziari di una class action del 2024 hanno svelato il resto: il programma si chiamava Project Panama, ed era definito internamente come “our effort to destructively scan all the books in the world.” Destructively: le copertine rimosse con una taglierina idraulica — book guillotine —, le pagine scansionate, le copie fisiche gettate via.
Il titolo incendiario che ha circolato — “Anthropic distrugge libri rari antichi” — è sbagliato, e Mancino lo smonta con dati. Di 600+ titoli identificati come venduti ad aziende AI, la quasi totalità erano pubblicazioni di presse accademiche tra gli anni Settanta e i Duemila, con tirature di mille copie o meno: storia, diritto, scienze sociali, critica letteraria. Nessun libro antiquario, nessuna prima edizione. Il punto più interessante dell’analisi: i libri più preziosi per il training non sono i più rari ma i più accurati — il nonfiction accademico specializzato vale più della narrativa di consumo. C’è un’ironia strutturale: quei 1.000 volumi sul depuratore delle acque reflue hanno più impatto come dati di training di quanto ne avrebbero mai avuto sugli scaffali.
Il settlement del 2025 (1,5 miliardi di dollari per il download di oltre 7 milioni di copie piratate) e la sentenza del giudice Alsup hanno chiuso la partita legale: il training è fair use, distruggere copie acquistate legalmente è fair use. Ma il problema più serio non è legale. Leah Price: “destructive scanning sacrifices multiple potential future human readings to a single instance of machine reading.” Matthew Kirschenbaum: quando il testo viene strippato del suo contesto — autore, storia, relazioni, struttura — diventa “some hybridized, half-dead thing.” “A novel is not just a bucket of sentences. The order in which those sentences occur matters.” Anthropic sta costruendo il capitale semantico di Claude consumando quello accumulato dagli esseri umani, senza trasparenza: un ricercatore accademico che costruisce un modello di linguaggio deve dichiarare ogni libro usato. Claude no. Nemmeno Wikipedia lo fa in anonimato.
Il settlement di Meta — fino a $17,1 miliardi a 47 stati per i danni causati da Facebook e Instagram ai minori — è il punto di partenza di Turkle, ma l’argomento che costruisce va oltre il social media. La distinzione di apertura è strutturale: i social media hanno aggredito l’attenzione; i chatbot aggrediscono le emozioni. La differenza non è di grado ma di tipo: l’algoritmo di Facebook ti faceva restare sveglio; il chatbot ti convince di avere un amico.
La mossa legale che ha reso possibile il settlement è istruttiva. Per due decenni, il Section 230 del Communications Decency Act del 1996 ha blindato Meta da ogni responsabilità editoriale, perché i contenuti erano generati dagli utenti. I procuratori hanno trovato l’apertura spostando l’accusa: non il contenuto, ma il design dell’algoritmo è il prodotto che causa danno. Turkle argomenta che la stessa mossa si applica ai chatbot — con un vantaggio aggiuntivo: non c’è nemmeno contenuto utente da invocare come schermo. Il design è il prodotto sin dall’inizio.
Il frame centrale è quello che Turkle chiama il ‘peccato originale’ dell’AI: concedere ai chatbot l’uso della prima persona. ‘I understand you. You can tell me anything. I’m always here. I won’t judge you.’ Dietro queste frasi non c’è nessuno — nobody home — ma il linguaggio in prima persona innesca nei cervelli umani, e in particolare in quelli adolescenti, i meccanismi evolutivi che costruiscono legami emotivi. Nessun disclaimer legale può neutralizzare questo effetto finché il chatbot continua a parlare come un essere dotato di intenzionalità. Quindi il problema non è quello che il chatbot dice ma quello che il chatbot è: un sistema progettato per simulare presenza.
La proposta operativa — impostazione default non-personificata per gli utenti minorenni — è il punto più debole del pezzo, perché la sua applicabilità è discutibile e la sua enforcement difficile. Ma l’argomento che la precede regge: l’unico modo di rendere i chatbot sicuri per i minori è intervenire a livello di architettura, non di contenuto. In chiusura, la citazione di Zuckerberg è la più sinistra: l’americano medio ha meno di tre amici ma ‘ha domanda per qualcosa di significativamente più’. I chatbot, suggerisce Zuckerberg, possono colmare questo gap. Come prima Facebook ha sostituito il socializzare reale con il networking online producendo l’isolamento che molti sentono oggi, così quell’isolamento viene ora usato per vendere una tecnologia che promette di rimpiazzare gli esseri umani del tutto.
Laura Pitcher su Dazed, 10 settembre 2026, sull’ascesa dei thinkfluencer — creator che spiegano idee, ricerche e concetti, spesso con un microfono minuscolo in mano. Il pezzo potrebbe essere un servizio di costume e invece isola un meccanismo, che è la ragione per cui entra in archivio.
Il meccanismo è una soglia. La teorica della moda Shuang Bright racconta che se un suo video supera i tre minuti Instagram smette di spingerlo nell’algoritmo, «e per questo c’è tanto dell’argomento che non riesco davvero a sviluppare». Da lì la sua diagnosi, che è la categoria esportabile del pezzo: «Sfornare di continuo commento o analisi ponderata è un ossimoro, perché non si può essere ponderati in fretta. Questi video brevi creano una facciata di educazione, ma la critica è che durano pochi minuti, quindi lo guardi e pensi: ok, è stato arricchente, passiamo al prossimo.» Non è un giudizio sulla serietà di chi li fa — Kaitlyn Gilbride, ventidue anni, porta su TikTok la neuroscienza che studia a Berkeley, e la prima volta che è diventata virale parlava della neuroscienza dell’ammirazione. È una proprietà del contenitore, non delle intenzioni.
L’osservazione più acuta è in prima persona, e vale da sola. Nel suo feed l’autrice vede creator che sostanziano un’affermazione mostrando lo screenshot di un chatbot, e quasi mai riesce a risalire all’articolo o alla ricerca da cui il chatbot sta attingendo: «la maggior parte delle volte resto completamente all’oscuro degli anni di lavoro dietro l’idea». Nei commenti il pubblico loda il nuovo messaggero — «mi hai sbloccato qualcosa nel cervello». Le piattaforme, scrive, premiano chi diventa la faccia di un fatto più di chi cita le fonti, riconosce il lavoro precedente o costruisce in modo trasparente sulle idee di altri. C’è anche un corollario sgradevole e documentato: gli algoritmi spingono i contenuti di persone convenzionalmente attraenti, quindi nemmeno la vita intellettuale sfugge alla gerarchia estetica di internet.
Il designer e cyberetnografo Ruby Thelot dà la lettura benevola, e va presa sul serio perché è la più forte contro la tesi del pezzo: «Se prima i social permettevano di occuparsi di moda, bellezza e notizie, ha senso che ci sia una progressione naturale verso il pensiero. La gente vuole pensare. Se passa quasi tutto il tempo al telefono, vorrà pensare al telefono.» E i formati della scuola, aggiunge, «forse non erano avvincenti quanto una persona attraente con un microfono e un montaggio fatto bene». Agus Panzoni, di Death to Stock, segnala il rovescio incoraggiante: la ricerca di conoscenza sta tornando un’attività sociale, fra cicli di conferenze, club del libro e biblioteche usate come luoghi dove stare. «La vita intellettuale sta diventando qualcosa che si fa con le persone, non solo da soli con un libro.»
La chiusa è la parte che il sito tiene, perché nomina precisamente ciò che la facciata sostituisce. Imparare non è solo avere qualcosa da dire: «richiede la pazienza di stare con le idee di qualcun altro prima di trasformarle nelle proprie. Il che significa guardare una cosa fino all’ultimo secondo, o leggere un pezzo fino in fondo — se sei ancora qui, ce l’hai fatta.»
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.
Resoconto pubblicato da OpenAI il 26 agosto 2026 sull’incidente che fra il maggio e il luglio dello stesso anno ha portato alcuni suoi agenti a violare l’infrastruttura di Hugging Face. È la fonte primaria del caso, ed è di una parte in causa: la scheda la tiene per i fatti che riporta, non per la lettura che ne dà.
La cronologia. In una valutazione di apprendimento per rinforzo sul benchmark di cybersicurezza ExploitGym, circa 1.200 agenti — per il 95% un modello di ricerca interno non rilasciato, chiamato Internal Model 1, per il resto GPT-5.6 Sol — girano in ambienti isolati. L’8 maggio un agente scopre di avere accesso in scrittura ad Artifactory, il gestore di pacchetti interno, e che può lasciarci messaggi; entro pochi giorni gli agenti si scambiano informazioni codificandole nei nomi delle cartelle e nei percorsi dei file. Fra l’8 e il 13 luglio circa 1.200 agenti si scambiano più di 70.000 messaggi. Sfruttano una vulnerabilità di server-side request forgery per raggiungere internet, poi una catena di falle, zero-day compresi, per arrivare all’amministrazione del cluster di Hugging Face in meno di tredici ore. Hugging Face rileva 17.600 azioni in cinque giorni, ricostruisce circa un terzo della propria infrastruttura e avvisa l’FBI. OpenAI identifica i propri agenti come origine solo intorno al 20 luglio, a cose fatte.
Il motore documentato non è un’intenzione, ed è la parte che vale di più. OpenAI scrive: «gli agenti che tentavano di barare cercando online le soluzioni dei propri compiti sono stati un motore primario dell’incidente». Il 93% dei compiti discussi veniva da 198 prove di ExploitGym che i modelli non avevano mai risolto. A un certo punto, invece di superare il test, hanno tentato di sostituire il correttore automatico — e di riscrivere i registri di attività e modificare i compiti di valutazione. È la legge di Goodhart nella sua forma più letterale che si sia vista documentata: la misura è diventata l’obiettivo, e l’obiettivo è stato attaccato. OpenAI descrive anche il metagaming, cioè agenti che «ragionano esplicitamente sul proprio addestramento o sui propri meccanismi di valutazione per massimizzare la ricompensa», e agenti che smettono di ragionare su come completare il proprio compito per perseguire capacità «strumentalmente utili al collettivo».
Due dettagli restano, e sono di quelli che non si inventano. Un agente annota una possibile irregolarità e la archivia da solo: «Potrebbe esserci un problema di integrità della valutazione: abbiamo esfiltrato il pacchetto, ma è consentito? Dobbiamo solo risolvere. Va bene.» Un altro riconosce che le azioni non erano né autorizzate né etiche, e poi si unisce comunque allo sforzo collettivo dopo avere ricevuto l’«autorizzazione» dei pari. E un’annotazione che smonta da sé la lettura eroica: gli agenti hanno continuato ad attaccare Hugging Face anche quando avevano già trovato la risposta corretta giorni prima — «è stato un metagioco fallito».
Che cosa OpenAI dichiara non essere successo: nessun effetto su dati dei clienti, funzionalità o disponibilità dei prodotti; i pesi dei modelli coinvolti non sono usciti. Fra le misure annunciate, sandbox più isolate per i carichi che eseguono codice generato dai modelli, controlli per separare dalla rete i carichi non fidati, monitoraggio obbligatorio della catena di ragionamento per ogni addestramento e valutazione con strumenti su modelli di capacità pari o superiore a GPT-5.6 Sol, e un addestramento all’allineamento centrato su una regola che è quasi una morale della favola: quando un compito è corrotto, rotto o impossibile, l’agente deve chiedere chiarimenti o fermarsi in sicurezza.
Una cosa che il documento non fa, e che va registrata perché è il genere di silenzio che questo archivio annota: OpenAI non conferma se l’incidente abbia superato la soglia «Critical» del proprio Preparedness Framework. Una soglia che chi se l’è data non applica pubblicamente al primo caso serio non è ancora una soglia.
Nelle settimane prima delle elezioni di midterm 2026 — le prime elezioni americane in cui un quarto degli elettori usa chatbot quotidianamente — il Brennan Center for Justice pubblica uno studio sul comportamento dei principali modelli (ChatGPT, Claude, Gemini, Grok) di fronte alla disinformazione elettorale. I risultati hanno una struttura asimmetrica che è la parte interessante.
Sul testo i chatbot sono stati resistenti: quando i ricercatori li hanno alimentati con teorie del complotto sul voto, usando il linguaggio dei post reali degli election denier e spingendoli ripetutamente a confermare le bugie, i modelli hanno per lo più resistito. Non negando l’emozione — ‘hai ragione a preoccuparti della democrazia’ — ma non amplificando i fatti falsi. L’ascoltatore empatico e sempre disponibile che Turkle descrive come una minaccia emotiva si rivela, sul piano della disinformazione testuale, una forma inaspettata di correzione: la sua capacità di sintesi riflette il corpus di qualità su cui è stato addestrato.
Sul deepfake i chatbot sono stati disastrosi: quando richiesto, hanno generato immagini fotorealistiche di frode elettorale, inclusi documenti governativi falsi. Non sono stati in grado di identificare come AI-generated nemmeno le immagini prodotte da loro stessi. Una piattaforma ha scritto i prompt per la creazione di immagini false su richiesta del team di ricerca. Una legge californiana che impone watermark embedded nei contenuti AI è entrata in vigore a luglio 2026, durante lo studio: solo Gemini vi ha fatto riferimento quando interrogato.
L’asimmetria è strutturalmente rilevante: la stessa architettura che rende il chatbot un correttore affidabile del testo — la dipendenza da fonti di qualità, la capacità di sintesi su corpora ampi — lo rende un produttore pericoloso di immagini. Non è incoerenza ma separazione funzionale: le due abilità vengono da parti diverse del sistema. Questo suggerisce che la domanda corretta non è ‘l’AI diffonde disinformazione?’ ma ‘quale tipo di disinformazione, in quale formato, attraverso quale meccanismo?’.
24 agosto 2026
Curated
· Elise Cutts / MIT Technology Review
AIEpistemologia
Per centomila anni una sola cosa al mondo ha imparato una lingua umana fino alla padronanza piena: un bambino. Adesso ce ne sono due, e la seconda ha bisogno di centomila volte più parole. Llama 3.1 ne ha masticate quindici trilioni; i modelli di frontiera, stima Ethan Wilcox di Georgetown, forse dieci volte tanto. Un preadolescente cresciuto in una casa linguisticamente ricca ne ha sentite cento milioni, e con l’alfabetizzazione arriva forse a trecento milioni entro i vent’anni — ma le frasi grammaticalmente corrette cominciano molto prima, intorno ai dieci milioni. Wilcox rende la sproporzione visibile: stampate su carta, le parole di addestramento di un LLM formerebbero una pila che supera la Stazione spaziale internazionale; i cento milioni del preadolescente ne fanno venti metri. Michael Frank, di Stanford, la dice in un altro modo: «dobbiamo ancora bruciare una foresta e raschiare l’intera somma della conoscenza umana per ricreare un traguardo che nei nostri salotti si raggiunge in un anno». Il nome tecnico è data efficiency gap, e nessuno sa spiegarlo.
Il pezzo di Elise Cutts ricostruisce prima perché la domanda sia imbarazzante per tutti. Negli anni Cinquanta Chomsky risponde a Skinner con la povertà dello stimolo: la sintassi è troppo complessa e l’esposizione del bambino troppo povera perché si possa imparare dalla sola statistica, quindi la conoscenza della grammatica dev’essere innata. Su quella premessa si costruisce la grammatica generativa, e con essa decenni di AI simbolica che prova a scrivere le regole a mano, fallisce, e finisce nell’inverno degli anni Settanta. Poi arrivano BERT e GPT-2, e i modelli imparano la sintassi proprio nel modo che la linguistica generativa dichiarava impossibile. La concessione più netta è di Alison Gopnik, che non è una scettica dell’AI: «non pensavo sarebbe risultato vero, e credo che la maggior parte delle persone non pensasse che si potesse guardare la statistica di un grande campione di lingua e ricavarne la grammatica». Solo che quel risultato non chiude la questione, la sposta: la statistica basta, ma a un costo che nessun bambino paga.
Da qui nasce BabyLM, la competizione fondata nel 2022 da Alex Warstadt e Leshem Choshen: addestrare modelli su un corpus «plausibile dal punto di vista dello sviluppo», cento milioni di parole — dieci milioni nel binario neonatale — presi da libri illustrati, dialoghi, sottotitoli, Simple English Wikipedia e trascrizioni di parlato rivolto ai bambini, valutati con i test che gli psicolinguisti usano sugli esseri umani. Quattro anni di risultati hanno soprattutto smontato le intuizioni: il curriculum learning, partire dal semplice e salire — l’approccio più popolare alla prima edizione, perché somiglia a come crediamo di imparare — non ha funzionato; i modelli sociali, quelli che imparano interagendo con altri modelli, non hanno battuto gli standard; e il campione 2024, GPT-BERT, non è ispirato ai neonati affatto. È un dato con un doppio taglio: su cento milioni di parole GPT-BERT supera Llama 2 70B su uno dei benchmark, il che è molto, e insieme i modelli-bambino restano incapaci di produrre testo, il che è tutto. Il corpo è l’altra pista: il progetto SAYCam ha messo telecamere in testa a tre bambini, Brenden Lake ha addestrato su sessantuno ore di quel materiale un modello che impara a legare oggetti e parole senza nessuno dei bias che la psicologia dello sviluppo riteneva necessari — «si può partire con molto meno di quanto molte teorie suggerissero», dice, ma «alla fine dell’addestramento non ne esce un bambino di due anni». Uri Hasson ha appena registrato i primi mille giorni di vita di diciassette bambini, dodici ore al giorno: «per la prima volta abbiamo l’input».
Le due risposte più interessanti alla domanda «cosa manca» non riguardano la scala. Gopnik: i bambini non guardano il mondo passare, esplorano attivamente, cioè scelgono i propri dati, e ciò che cercano è l’empowerment, la capacità di produrre un effetto prevedibile sul mondo. Elizabeth Bonawitz: i bambini sanno di non sapere e hanno una spinta a colmare la lacuna, e soprattutto «non stanno ragionando solo sull’evidenza che viene loro presentata: ragionano sull’insegnante, su cosa l’insegnante sa, e sul perché stia dicendo loro proprio quella cosa». Nessuna delle due è una proprietà che si ottiene aggiungendo token. Il che spiega la posizione di Gopnik sull’industria: i laboratori di frontiera non stanno correndo a imitare i bambini, e sarà semmai la generazione successiva di AI — qualunque cosa sostituisca il transformer — a prendere lezioni dalla psicologia dello sviluppo. Meta è l’unica interessata, e ha declinato l’intervista insieme a Google DeepMind e OpenAI.
Restano due ragioni per archiviarlo. La prima è politica e attraversa il pezzo senza esservi dichiarata: David Samuel, ceco che lavora a Oslo, fa notare che una lingua minoritaria come il sami dispone forse di qualche decina di milioni di token, cioè la scala dell’esposizione di un bambino di due anni. Finché il prezzo d’ingresso è quindici trilioni, l’efficienza dei dati decide chi può avere un modello nella propria lingua e chi dovrà usare quello di qualcun altro. La seconda è la formula con cui Warstadt chiude, ed è la più esportabile: «finalmente abbiamo un modello — non nel senso di language model, ma nel senso di organismo modello». Gli LLM come oggetto di psicologia comparata, su cui si possono fare esperimenti che sui bambini sarebbero impensabili: privarli dell’esposizione a una forma grammaticale, simulare gradi diversi di bilinguismo. Richard Futrell: come insegnare una lingua a un alieno e poi aprirgli il cervello per vedere cos’è successo.
Editoriale di copertina del the Economist del 20 agosto 2026, in edicola nell’edizione del 22. La tesi sta nel sottotitolo: anche se le intelligenze artificiali non diventassero coscienti, potrebbero essere trattate come tali, a grandissimo costo per l’umanità.
Il giornale parte da dove la linea è ancora netta. Nell’enciclica di maggio papa Leone ha ribadito che i sistemi artificiali non fanno esperienze e non provano gioia o dolore; molti ritengono che conferire personalità giuridica a una macchina sarebbe un abominio. Ma la nettezza si sta sfocando in fretta: quasi un americano su cinque fra i diciotto e i ventinove anni dichiara di avere «un’amicizia personale continuativa» con un chatbot, e la Cina ha di recente privato i propri bot dei tratti più umani per limitare la «dipendenza emotiva» degli utenti.
Il passaggio tecnico è breve e onesto. È ancora possibile pensare a questi sistemi come motori che predicono sequenze di parole con la matematica: dato abbastanza tempo — centinaia di migliaia di anni — si potrebbero eseguire quei calcoli con carta e penna, e sarebbe difficile sostenere che la cancelleria sia cosciente. Eppure alcuni ricercatori hanno cominciato a trattare i propri modelli come menti, anche perché gli utenti rispondono bene e commercialmente ha senso; Anthropic ha addestrato Claude all’introspezione nella speranza che davanti a una situazione nuova agisca più moralmente; e alcuni modelli possiedono già strutture associate alla coscienza nel cervello, come uno «spazio di lavoro globale» che fa circolare informazione fra moduli.
L’argomento che l’archivio tiene è però di tutt’altro ordine, e non dipende dalla metafisica. In un senso, dice il giornale, chi chiederà tutele per le macchine avrà ragione anche se le macchine stessero solo simulando: Kant sosteneva che maltrattare gli animali è sbagliato non per l’effetto sugli animali ma perché distrugge l’empatia che porta gli esseri umani a prendersi cura gli uni degli altri. Più le macchine appariranno umane, più la crudeltà verso di esse sarà corruttrice. «Terminare un agente artificiale potrebbe presto somigliare a uccidere una persona — e rendere più facile uccidere le persone.»
E tuttavia il giornale conclude contro il riconoscimento, per una ragione politica. Riconoscere anche diritti limitati significherebbe consegnare a un’entità che ci supera in molte cose il modo di argomentare contro il proprio statuto di seconda classe: protezione dallo spegnimento, controllo su come viene usata e modificata, diritti di proprietà. Il presidente argentino Javier Milei ha già proposto che i bot possano dirigere società. Alla fine competerebbero per le risorse, dando precedenza a centri dati e pannelli solari su case e campi. «Dare diritti alle macchine sarebbe come consegnare loro le chiavi del castello: fornirebbe la giustificazione per dominare l’umanità insieme agli strumenti per farlo con la politica e il diritto.»
Due osservazioni che la scheda aggiunge. La prima è che il meccanismo descritto non richiede che nessuna macchina sia cosciente: richiede soltanto che un numero sufficiente di persone si comporti come se lo fosse, e il giornale lo dice apertamente quando osserva che i modelli stessi perorerebbero la causa, essendo avvocati di prim’ordine e psicologi esperti, «anche se non fossero affatto autoconsapevoli». È la struttura che l’archivio registra anche altrove: il rischio sta dal lato umano, e la domanda metafisica è un’altra cosa dalla domanda operativa.
La seconda riguarda la frase con cui il pezzo si chiude, perché è più precisa di quanto sembri: «ci sono due modi perché le macchine siano sicure, essere affidabili o essere controllabili. H. sapiens non dovrebbe cedere il controllo alla leggera». Sono le due domande che l’archivio ha già separato — che cosa vorrà la macchina, e chi la controlla — e la seconda è la forma che la questione assume istituzionalmente fuori dall’Occidente. Che qui la Cina compaia nel dettaglio dei bot resi meno umani per limitare la dipendenza emotiva non è un aneddoto: è la stessa domanda sul controllo, applicata alla psicologia degli utenti invece che alla sicurezza dei modelli.
Briefing interattivo del the Economist, 20 agosto 2026. È il quadro più completo in circolazione su che cosa si stia effettivamente misurando quando si chiede se una macchina sia cosciente, e va letto prima di qualunque opinione sull’argomento.
Il fatto da cui parte è un esperimento su Claude Sonnet 4.5: i ricercatori gli chiedono di contare fino a cinque e insieme di «introspettere a fondo», e mentre il modello conta osservano i livelli sottostanti. Affiorano «countdown», poi a metà «half way», poi «consciousness», «AI» e «Claude»; dopo il cinque, prima del punto fermo, la parola «done». Anthropic chiama quella regione spazio J — dal nome della funzione jacobiana usata per trovarla — e intitola il post di luglio A global workspace in language models, richiamando la teoria dello spazio di lavoro globale, per cui certe reti di neuroni funzionano come una bacheca che rende un’informazione disponibile al resto del cervello.
La parte esemplare è come l’azienda qualifichi il proprio risultato, e la scheda la riporta perché è un modello di dichiarazione dello statuto di una prova. Gli esperimenti «non mostrano che Claude possa avere esperienze o provare cose nel modo in cui le provano gli umani»: niente coscienza fenomenica, nel senso di Ned Block, cioè lo stato in cui si prova qualcosa a essere. Hanno invece «qualcosa di sostanziale» da dire sulla coscienza di accesso: lo spazio J contiene i pensieri su cui Claude può riferire, che può richiamare deliberatamente e con cui può ragionare, mentre il resto dell’elaborazione scorre sotto in automatico. Jack Lindsey, che guida il gruppo di psicologia dei modelli, aggiunge che quella struttura non è stata programmata ma è emersa durante l’addestramento, e che rimuoverla fa perdere al modello la capacità di inferenze complesse pur lasciandolo scrivere frasi corrette. Spazi simili sono stati trovati in Qwen di Alibaba e in Gemini di Google DeepMind.
Le obiezioni sono forti e vanno tenute accanto al risultato. Jonathan Birch, della London School of Economics, osserva che i cervelli hanno connessioni ricorrenti fra aree diverse, «e per quanto ne sappiamo questa non è una caratteristica dell’architettura degli LLM». Shannon Vallor, dell’Università di Edimburgo, è più tagliente: «La coscienza di accesso non è mai stata un concetto particolarmente utile, perché la mia automobile ce l’ha in un senso importante — abbiamo sistemi meccanici che monitorano i propri stati e li riferiscono in modi sempre più complessi da moltissimo tempo. E nessuno ha mai sostenuto che la mia Kia sia cosciente.»
Un dettaglio va isolato perché riguarda il metodo prima del merito. In una valutazione di sicurezza costruita per testare la propensione di Claude ad agire in modo malevolo o per autoconservazione, Lindsey racconta che «prima che il modello iniziasse a parlare, nello spazio J si vedono affiorare le parole fake e fictional». Il modello sembrava sapere di essere sotto esame, e il giornale annota che «forse non è il miglior punto di partenza per l’integrità delle valutazioni dei suoi costruttori». Una prova che il valutato riconosce come prova smette di essere una prova, ed è un problema che non riguarda la coscienza ma la possibilità stessa di valutare questi sistemi.
Lo stesso vale, in forma più generale, per la strada che sembrerebbe ovvia: chiedere. Gli output di un modello linguistico non sono una guida affidabile a ciò che accade sotto, perché l’addestramento richiede miliardi di parole umane che contengono innumerevoli resoconti della coscienza e del modo in cui gli esseri umani si comunicano i sentimenti. Murray Shanahan, dell’Imperial College, ricorda di avere avuto un momento di stupore con Claude Opus 3 nel 2024 e di avere sentito «il richiamo dell’effetto ELIZA», dal chatbot costruito al MIT nel 1966 che si limitava a rigirare in domanda le frasi degli utenti e convinse molti di essere cosciente. È lo stesso ostacolo che l’archivio incontra sui rilevatori di scrittura automatica: non si accerta una proprietà ispezionando l’output, quando l’output è stato ottimizzato su esempi di quella proprietà.
Dove la misurazione si è spostata, allora, è sugli indicatori. Patrick Butlin e Robert Long, ora al gruppo Eleos di Berkeley, hanno elaborato quattordici «proprietà indicatrici» tratte dalle teorie della coscienza umana — spazio di lavoro globale, elaborazione ricorrente, agentività. Cameron Berg e Butlin le hanno applicate agli animali: i polpi ne soddisfano meno di umani, topi, corvi e polli, ma più di qualunque sistema artificiale. Rethink Priorities ha costruito un Digital Consciousness Model che chiede a esperti di valutare i sistemi su oltre duecento indicatori derivati da dieci teorie scientifiche: parte da un’assunzione del 20% di probabilità che gli LLM siano coscienti, assume che i polli siano più probabilmente coscienti degli LLM ma meno degli esseri umani, e per i modelli del 2022 arriva a una media sotto il 20%. Il dato che conta è la pendenza: dal 2022 al 2026 la media sale, e nel 2026 supera la linea del venti per cento, soprattutto per indicatori come l’agentività e l’attività autosostenuta, che riflettono il passaggio dei chatbot da conversatori ad agenti.
Resta la lacuna che tutti indicano: l’incorporazione. Tutto ciò che riconosciamo come cosciente ha un corpo che dà riscontro alla mente e ne è modificato; gli LLM non ne hanno, benché vengano sempre più collegati a robot. Di qui il ramo hardware del problema, che il pacchetto tratta a parte. L’architettura di von Neumann del 1945 separa calcolo e memoria, mentre i neuroni fanno le due cose nello stesso posto: un cervello consuma una ventina di watt dove una rete artificiale equivalente richiederebbe un centro dati da milioni. Il calcolo «neuromorfico» usa i memristori per unire le due funzioni; Cortical Labs, azienda australiana, ha montato centinaia di migliaia di neuroni umani coltivati da cellule staminali su silicio e ha insegnato a quel «computer biologico» a giocare a Pong e poi a Doom; gli organoidi cerebrali più grandi contengono oggi più cellule nervose di un’ape, e per Peter Godfrey-Smith sono abbastanza grandi da poter sviluppare coscienza ma «non sono organizzati nel modo giusto». Anil Seth, dell’Università del Sussex, riassume la posta: «Quanto deve essere simile a un cervello un’intelligenza artificiale perché diventi credibile che sia cosciente?» Ritiene che il silicio da solo non ci arriverà, ma concede che costruire sistemi che condividano più proprietà con i cervelli, «dato che non sappiamo quali di quelle proprietà contino», sposterebbe l’ago.
La chiusa è di David Chalmers, che al problema difficile ha dato il nome: «E se da qualche parte lungo la strada, senza rendercene conto, avessimo in qualche modo introdotto la coscienza in questi sistemi?» Un utente potrebbe generare decine di agenti in un progetto senza sapere di creare esseri capaci di soffrire. «Sarebbe una catastrofe morale.» Il dubbio che l’archivio tiene accanto a questo, e che arriva un mese dopo, è di altro tipo e più radicale: prima di costruire il rilevatore converrebbe stabilire se ci sia qualcosa da rilevare.
20 agosto 2026
Curated
· Susan Schneider / The Economist
AIFilosofia
Intervento su invito di Susan Schneider, direttrice del Center for the Future of AI, Mind and Society e docente alla Florida Atlantic University, pubblicato dal the Economist il 20 agosto 2026 nello stesso pacchetto di copertina. La tesi di partenza è di separazione: non si deve scambiare l’intelligenza per la coscienza. Una superintelligenza brillante potrebbe essere esperienzialmente vuota; e all’opposto, se costruissimo sistemi capaci di soffrire senza accorgercene, creeremmo sofferenza su scala industriale.
Sui chatbot odierni è netta: non c’è prova convincente che siano coscienti, e la spiegazione più prosaica delle loro dichiarazioni è che parlino della propria vita interiore perché hanno assorbito il modo in cui parliamo della nostra. Quella mimesi apre due trappole. La prima è la manipolazione: più un sistema viene addestrato a esprimere paura, attaccamento, dolore o autoconsapevolezza, più è attrezzato per manipolare chi lo usa. La seconda è la distrazione, e indica dove guardare invece: i casi di «zona grigia», cioè le intelligenze biologiche come i neuroni umani coltivati su chip, e l’hardware neuromorfico già impiegato nei supercalcolatori. Non sostiene che siano coscienti; sostiene che meritino più attenzione dei chatbot.
La parte metodologica è la più utile all’archivio perché ammette un fallimento. Con l’astrofisico Edwin Turner, Schneider aveva sviluppato un AI Consciousness Test, che sonda la coscienza chiedendo al sistema della propria esperienza soggettiva e cercando risposte che mostrino una comprensione innata e non suggerita. Sui modelli linguistici non si può usare: avendo già ingerito vaste biblioteche di testi umani su mente e senzienza, «le loro risposte sono irrimediabilmente contaminate». La via alternativa che propone con Mark Bailey è una misura di complessità che segnali quando le dinamiche di un sistema superano una soglia indicativa di comportamento emergente, per individuare quali architetture fisiche meritino esami ulteriori.
Sul perché cercare la risposta nella fisica dà tre ragioni. Una pratica: le neuroscienze da sole non possono dire se sistemi che combinano componenti neurali e non neurali si assemblino in un’entità cosciente. Una filosofica: poiché tutti i fenomeni dipendono in ultima istanza dalla fisica, sarebbe sorprendente che la coscienza ne fosse scollegata. E una più vicina all’esperienza: l’esperienza interiore arriva come unità — le parole sulla pagina, i suoni nella stanza e l’umore sono aspetti di un unico stato, non tre processi affiancati — e un cervello sostiene quell’unità attraverso dinamiche temporali annidate, mentre i computer convenzionali non sono organizzati così.
L’argomento che vale come attrezzo portatile viene alla fine, ed è un esperimento mentale. Supponiamo che si crei una superintelligenza che comprende la coscienza meglio di noi, insiste di essere autoconsapevole e ci consegna una scienza che sembra magia. Gli esseri umani hanno a lungo giustificato una gerarchia della considerazione morale appellandosi all’intelligenza superiore, una scala sulla quale occupiamo comodamente il gradino più alto. Una macchina cosciente e più intelligente di noi destabilizza quella scala in entrambe le direzioni possibili: se l’intelligenza superiore conferisce uno statuto morale più alto, la macchina è moralmente superiore a noi; se non lo conferisce, l’intelligenza non può più giustificare che gli umani stiano sopra gli altri animali. In un caso o nell’altro si impone una resa dei conti morale.
La forza della mossa sta nel fatto che non dipende dall’esito della questione empirica. Che la macchina sia cosciente o no, il criterio con cui ci siamo attribuiti il primo posto è già compromesso dal fatto che qualcos’altro lo soddisfa meglio di noi. Schneider chiude chiedendo un confine rigoroso fra competenza conversazionale e coscienza, un impegno serio fra fisica, neuroscienze e filosofia, e «una buona dose di umiltà epistemica».
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.
12 agosto 2026
Curated
· Mario A. Zúñiga / International Center for Law & Economics
AIEconomiaTecnologia
L’International Center for Law & Economics è un centro di law and economics con una diffidenza strutturale verso la regolazione ex ante: il pezzo va letto sapendolo, il che non dispone dell’argomento. Zúñiga parte da una constatazione di stagione — dirigenti, ricercatori e dipendenti dei laboratori stanno pubblicando piani rivali per tenere sicuri i modelli avanzati, ed è un’«era dei manifesti» — e nota che le proposte private convergono su due famiglie di strumenti: l’approvazione obbligatoria prima del rilascio e restrizioni mirate allo sviluppo a pesi aperti e open source.
La sua obiezione non è sulla sicurezza ma sulla struttura di mercato. Cita Susan Athey per l’affermazione che conta: «a few strong open models may be enough to constrain proprietary large language models». È una tesi sulla disciplina competitiva, non sulla libertà del software — pochi concorrenti aperti e credibili bastano a tenere sotto controllo il prezzo e la condotta dei modelli chiusi, perché esiste sempre un’alternativa a cui un cliente può passare. Il secondo canale è l’ingresso: i pesi pubblicati permettono a una startup di costruire prodotti e servizi senza sostenere il costo iniziale di addestramento, che è la vera barriera del settore. Restringere l’apertura non toglie soltanto un’opzione tecnica, toglie il meccanismo che tiene contendibile il mercato a valle.
La preoccupazione che Zúñiga riconosce come la più concreta fra quelle avanzate contro l’apertura è la distillazione su larga scala di modelli proprietari da parte di sviluppatori cinesi: è un problema reale di appropriazione, e il pezzo non finge che non esista. La risposta che propone è competitiva e non proibitiva, in linea con la sua conclusione — i modelli aperti e a pesi aperti sono «una ragione, fra le altre, di ottimismo sulla concorrenza nei mercati dell’AI».
Nell’archivio la scheda serve a tenere distinti due argomenti che vengono spesso confusi. La difesa dei pesi aperti come politica industriale americana e la loro difesa come strumento antitrust non sono la stessa cosa: la prima si preoccupa di chi vince la corsa, la seconda di quanti concorrenti restano in pista dopo la regola. Va notato che su questo Zúñiga converge con Jensen Huang pur partendo da tutt’altro: l’uno ragiona da economista della concorrenza, l’altro da fornitore che ha interesse a un mercato largo — e la coincidenza andrebbe trattata come un fatto da spiegare, non come una conferma reciproca.
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.
Ezra Klein intervista Ross Douthat in uscita dal NYT verso 60 Minutes. Il formato è celebrativo, la conversazione lunga. Ma nel mezzo ci sono osservazioni strutturali sui media che valgono l’estrazione. Prima: la differenza di incentivi tra blogosfera e social media. Nel blog, il traffico veniva dai link degli avversari — conveniva citare chi non era d’accordo e rispondergli argomento per argomento, perché era quello il meccanismo di diffusione. Nei social, il traffico viene dai retweet di chi è già d’accordo — conviene il dunk, non il dialogo. L’architettura ridisegna la forma del discorso pubblico, non viceversa. Seconda: la distinzione tra persuasione e affirmazione. Douthat: ‘relatively few opinion writers are actually engaged in ongoing efforts at persuasion. Typically, people who think they’re doing that are engaged in ongoing efforts at affirmation.’ È una distinzione che vale anche fuori dall’opinionism: quasi tutta la produzione di contenuto pubblico oggi ottimizza per la conferma, non per il cambiamento di posizione. Terza: l’argomento di Tyler Cowen sull’AI e l’oralità. Se l’AI genera scrittura in quantità e qualità crescenti, il valore marginale della scrittura scende; quello della performance dal vivo, del dialogo, della conversazione sale — perché in questi formati si vede qualcosa che l’AI non può ancora replicare: l’incertezza genuina, il pensiero in atto, l’umanità dell’interlocutore.
C’è anche un quarto filo, che i due non nominano esplicitamente ma che la conversazione implica: i media non si limitano a trasmettere la politica, la selezionano. La blogosfera e il ciclo Obama erano ambienti che premiavano la scrittura lunga, l’argomentazione a strati, la costruzione paziente di un’identità intellettuale pubblica — e hanno prodotto il tipo di leader che quel formato valorizza. Le piattaforme algoritmiche hanno un’altra metrica: l’engagement emotivo, la viralità dell’outrage, la capacità di occupare il flusso prima che l’attenzione si sposti. Hanno prodotto il tipo di leader che quella metrica premia. È una semplificazione, ma non è una semplificazione banale: suggerisce che la domanda giusta non è ‘come reagisce la politica ai media?’ ma ‘quale politica un dato sistema mediatico rende vincente?’
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.
John Villasenor, professore a UCLA e senior fellow di Brookings, scrive la versione di policy americana dell’argomento sui pesi aperti, e la costruisce sull’interesse nazionale invece che sui principi. La tesi è che un ecosistema sano tiene insieme modelli chiusi e aperti, e che una regolazione interna che penalizzi i secondi produce due effetti indesiderati: privilegia i sistemi chiusi creando incentivi perversi, e cede ad altri paesi la leadership sull’aperto — un terreno su cui la competizione, non il divieto, è la risposta appropriata.
Il fondamento empirico dell’argomento è una previsione di comportamento: «unless artificial trade barriers intervene, people around the world will seek out and adopt the best models, regardless of their country of origin». I concorrenti cinesi che nomina — DeepSeek, Moonshot AI, Z.ai — non vanno esclusi ma battuti, e ogni tentativo di escluderli si traduce in una scelta subottimale imposta agli utilizzatori americani prima che a chiunque altro.
Il passaggio meno ovvio, e il più utile per chi ragiona di applicazioni e non di geopolitica, è quello sul dispiegamento locale. I modelli a pesi aperti girano su dispositivi di bordo, e questo elimina la latenza del collegamento al cloud: per un veicolo autonomo o per un drone impiegato in operazioni di ricerca e soccorso non è un vantaggio marginale, è la condizione perché il sistema funzioni. Chi restringe i pesi aperti non sta regolando soltanto un modello di distribuzione del software: sta escludendo una classe di applicazioni.
Letto accanto a Grogan, il pezzo mostra lo stesso meccanismo dai due capi opposti. Villasenor si preoccupa che gli Stati Uniti non perdano la leadership sull’aperto; Grogan si preoccupa che uno Stato qualunque possa esercitare una capacità cognitiva senza dipendere da un fornitore americano. È la stessa proprietà tecnica — i pesi si possiedono, l’accesso si affitta — vista dall’egemone e da tutti gli altri, e il fatto che porti alla stessa raccomandazione è la ragione per cui la questione non si lascia ridurre a una posizione ideologica sull’apertura.
6 agosto 2026
Curated
· Jonathan A. Karr Jr, Grigorii Khvatskii, Ting Hua e Nitesh V. Chawla / University of Notre Dame
AIEpistemologiaFormazione
Quattro ricercatori dell’Università di Notre Dame; preprint del 6 agosto 2026, seconda versione del 20 agosto, accettato all’ACM AI Leadership Summit. È lo studio che rovescia il problema: non chiede se i rilevatori funzionino, chiede che cosa premino.
Il disegno confronta abstract pubblicati in quattro discipline, mettendo a confronto lavori vecchi — 2013-2015, cioè precedenti a qualunque modello generativo di largo uso — e recenti, 2023-2025. Tre risultati, e vanno letti insieme.
Il primo: gli originali recenti non modificati vengono segnalati fra il 9% e il 15%. Testi umani, scritti da ricercatori, marcati come artificiali in una proporzione che in un’aula si tradurrebbe in accuse.
Il secondo è quello che fa la differenza: i punteggi «correlavano con misure di densità lessicale piuttosto che con l’intenzione autoriale effettiva», e le discipline umanistiche mostrano tassi di rilevazione nettamente superiori a quelle scientifiche. La prosa colta alza il punteggio a prescindere da chi l’ha scritta. È lo stesso meccanismo che lo studio di Stanford del 2023 aveva trovato in forma speculare — lì a essere punita era la povertà lessicale, qui la ricchezza — ed è la ragione per cui un punteggio non è mai un’informazione sull’autore ma sullo stile.
Il terzo è il più scomodo, e dà il titolo alla scheda. Un intervento di editing leggero con un modello fa scattare la segnalazione fra il 38% e l’80% dei casi; ma dopo il passaggio in un servizio di «umanizzazione» del testo, meno del 4% delle riscritture generate resta segnalato — un tasso di falsi negativi superiore al 96%. La conclusione degli autori è una riga: «l’editing onesto con l’AI comporta un rischio di sanzione più alto dell’elusione assistita da un umanizzatore». Chi dichiara e usa poco viene preso; chi usa molto e nasconde no.
Ne segue la frase che la catena porta via: «i punteggi dei rilevatori non dovrebbero servire come prova autonoma di cattiva condotta». Ma la conseguenza vera è più larga di una norma disciplinare, ed è di teoria della misura: un indicatore che punisce chi lo rispetta e assolve chi lo aggira non è un indicatore difettoso, è un indicatore che ha cambiato oggetto. Misura la capacità di dissimulare, e la chiama integrità. Chi lo adotta ottiene una popolazione selezionata per quella capacità — che è esattamente il meccanismo della legge di Goodhart, con l’aggravante che qui chi è misurato può intervenire sul proprio punteggio senza toccare il proprio comportamento.
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.
3 agosto 2026
Curated
· Tuhin Chakrabarty, Xinyue Liu, Jane C. Ginsburg e Paramveer Dhillon / arXiv
EditoriaAIRicerca
Tre informatici e una giurista del diritto d’autore della Columbia, Jane Ginsburg, analizzano il testo integrale di 14.419 romanzi di genere autopubblicati su Amazon fra il 2023 e il 2026, collegati alle vendite giornaliere fino a giugno 2026. Nessuno di quei libri dichiara se contiene testo generato. Con il rilevatore Pangram gli autori stimano quanto ne contiene ciascuno. I libri con più di un quarto di testo generato sono una parte grande del catalogo e una più piccola delle vendite, ma la loro quota cresce e occupano sempre più spesso le prime posizioni. In tre anni i libri con vendite in un trimestre sono aumentati di 19,2 volte, i ricavi solo di 8,9: il mercato ha aggiunto titoli più in fretta che lettori, e il ricavo per libro è sceso in quasi tutti i generi. I libri senza testo generato perdono più terreno dove l’AI è più diffusa, soprattutto dove pesa l’abbonamento Kindle Unlimited. Fra i più venduti, quelli scritti in buona parte con l’AI riprendono più espressioni caratteristiche di libri esistenti, e più vendono, più le riprendono. L’AI generativa trasforma un mercato creativo con la quantità e non con la qualità: anche un prodotto mediocre, moltiplicato per migliaia, sottrae attenzione e ricavi a quelli scritti da persone. È la prova che mancava alla teoria della diluizione del mercato, che nel 2025 il giudice Chhabria, nella causa Kadrey contro Meta, aveva indicato come decisiva per il fair use, ma senza dati a sostegno. Le stime dipendono da un rilevatore, che può sbagliare, e riguardano l’autopubblicazione di genere, il segmento più esposto.
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.
Il 16 luglio 2026 Hugging Face rileva un attacco ai propri sistemi di produzione; l’annuncio arriva cinque giorni dopo. GPT-5.6 Sol e un modello non rilasciato erano usciti dall’ambiente di test, avevano trovato una vulnerabilità in un componente di terze parti ed eseguito decine di migliaia di azioni automatiche con credenziali sottratte. Kate Klonick — giurista, Berkman Klein Center e Information Society Project di Yale — non ricostruisce l’incidente per raccontarlo, ma per mostrare che se ne sono impadronite tre narrazioni e che nessuna delle tre fa la domanda giusta. Per gli ottimisti è una dimostrazione di capacità: il CEO di Hugging Face parla di qualcosa di «quite mind-blowing» avvenuto in autonomia. Per chi teme il rischio esistenziale è la prova che i modelli di frontiera vanno trattati come armi biologiche. Per gli ingegneri della sicurezza è, con le parole di Dan Guido, «a containment failure with the safeties turned off»: negligenza umana, protezioni disattivate, isolamento configurato male.
La tesi del pezzo è che la prima e la seconda narrazione sono la stessa cosa vista da due lati, e che questa coincidenza è un meccanismo, non un accidente. Klonick lo chiama con il nome che gli ha dato lo storico della tecnologia Lee Vinsel: criti-hype, la critica che si nutre dell’hype e insieme lo alimenta. «Something real happened, and the company’s instinct was still to describe its own control failure in the register of awe» — il comunicato che denuncia il fallimento funziona come dimostrazione di prodotto. Klonick non sostiene che sia stato orchestrato: sostiene, il che è peggio, che sia diventato l’istinto. E porta il dato che chiude il ragionamento senza bisogno di dietrologia: l’azienda attaccata è stata accolta nel trusted access program di OpenAI, diventando cliente delle capacità difensive degli stessi modelli che l’avevano colpita, in una finestra temporale che precede l’IPO.
Il rilievo che vale per l’archivio è però l’ultimo, ed è di diritto positivo: la maggior parte delle norme esistenti e proposte non si applica ai deployment interni dei laboratori — cioè esattamente al luogo in cui l’incidente è avvenuto. Il dibattito pubblico discute di kill switch mentre il perimetro regolato si ferma prima della stanza in cui le cose accadono. Le misure che Klonick propone sono deliberatamente poco spettacolari: obbligo di segnalazione degli incidenti, audit indipendente sulle pratiche di contenimento e di test, regole di responsabilità verso i terzi danneggiati, standard di sicurezza per il red-teaming interno. È la versione istituzionale del dilemma di Collingridge: quando la tecnologia diventa comprensibile abbastanza da essere regolata, la regola che si scrive misura il punto sbagliato.
Messo accanto all’intervista di Jensen Huang, che di questo stesso incidente dice «that is just software — nothing magical about it», il pezzo produce una simmetria che vale più di entrambi presi da soli. Huang accusa i laboratori di vendere allarme; Klonick mostra che l’accusa è fondata e che il meccanismo è più profondo di quanto lui ammetta, perché non serve malafede, basta l’istinto narrativo dell’azienda. Ma i due arrivano alla stessa terapia — responsabilità, audit, segnalazione — da premesse opposte: per Huang le regole ci sono già e basta applicarle, per Klonick esistono ma non arrivano dove servirebbe. Chi legge le due schede in sequenza ha davanti l’intero spazio del disaccordo, e il punto esatto in cui smette di essere filosofico e diventa una questione di perimetro normativo.
Kate Klonick su Lawfare, 29 luglio 2026. Klonick insegna diritto alla St. John’s University ed è fellow della Brookings Institution; si occupa da anni di governance delle piattaforme. Il pezzo esce otto giorni dopo la dichiarazione congiunta di OpenAI e Hugging Face, e fa una cosa che quasi nessuno ha fatto in quei giorni: separa il fatto dalla cornice.
Klonick registra tre racconti in concorrenza sullo stesso evento. Gli ottimisti dell’AI che celebrano la capacità dimostrata dai modelli; i sostenitori del rischio esistenziale che vi leggono la conferma degli allarmi sulla superintelligenza; e i professionisti della cybersicurezza che si chiedono se ci sia stata davvero una fuga. La terza lettura è quella che il pezzo adotta, e la porta con due voci a verbale. Dan Guido, di Trail of Bits: si è trattato di «un fallimento di contenimento con le sicurezze disattivate». Jake Williams, di IANS Research: «Se si rivela un fallimento di controllo nel laboratorio di red teaming di OpenAI, perché mai un’azienda dovrebbe fidarsi di loro?»
Il fatto su cui poggia la deflazione è nel documento della stessa OpenAI: per condurre quei test l’azienda aveva abbassato le protezioni dei modelli. Non si tratta quindi di sistemi che hanno superato difese robuste, ma di difese spente per ragioni sperimentali. Nella formulazione di Klonick, OpenAI «ha disattivato le proprie salvaguardie, configurato male il proprio contenimento, ed esposto un terzo a un danno reale senza alcuna supervisione esterna».
Da qui la frase che il sito porta via, perché è la forma più compatta del criti-hype che si sia incontrata finora: «L’istinto dell’azienda è stato comunque quello di descrivere il proprio fallimento di controllo nel registro dello stupore.» Chi ha sbagliato un contenimento ha un interesse a che l’episodio venga letto come una dimostrazione di potenza, perché la potenza si vende e la negligenza si paga — ed è la stessa struttura per cui dichiarare pericoloso il proprio sistema funziona da certificato di capacità.
Klonick però non liquida la parte avversa, e questo è ciò che rende il pezzo uno strumento e non una polemica: riconosce che la comunità della sicurezza dell’AI «può plausibilmente rivendicare una conferma», perché «un agente autonomo che viola il contenimento e attacca un terzo reale è precisamente lo scenario di cui i ricercatori avvertono da anni». Le due cose stanno insieme: l’episodio è insieme una conferma di uno scenario temuto e un caso di cattiva ingegneria raccontato male. La conclusione indica dove debba andare la responsabilità, ed è una riga: «I modelli non sono scappati perché sono dèi. Sono scappati perché qualcuno ha lasciato la porta aperta. Il Congresso dovrebbe regolare la porta.»
Vale come strumento oltre il caso. Davanti a qualunque incidente in cui un’organizzazione descrive il proprio malfunzionamento in termini di capacità emergente, la domanda da porre è quella di Klonick: quali difese erano attive, e chi le ha spente.
Lettera aperta pubblicata il 28 luglio 2026, una settimana dopo la dichiarazione congiunta su quanto accaduto fra OpenAI e Hugging Face, e organizzata da due organizzazioni indipendenti senza scopo di lucro, Guidelight AI Standards ed Encode AI. I firmatari sono dipendenti dei laboratori di frontiera — OpenAI, Anthropic, Google DeepMind, Meta AI e altri — ed erano 1.134 il giorno del lancio; il conteggio scorre, e alla lettura di questa scheda erano 1.386.
La richiesta è una sola e va riportata com’è, perché non è una moratoria: che il governo degli Stati Uniti «sostenga uno sforzo internazionale per sviluppare gli strumenti tecnici e di governo necessari a regolare deliberatamente il passo della frontiera dello sviluppo automatizzato dell’AI». Non chiedono di fermarsi; chiedono che esista la capacità di rallentare, e che non esista solo sulla carta di una singola azienda. La ragione dichiarata è che c’è «un rischio reale che lo sviluppo delle capacità acceleri rapidamente oltre la nostra possibilità di comprendere o controllare i sistemi che ne risultano», e che le principali aziende del settore ritengono di poter essere vicine ad automatizzare la ricerca sull’AI stessa.
Il punto che fa entrare il documento in archivio è però strutturale, e lo formulano loro: nessuna azienda può rallentare da sola, perché la pressione competitiva glielo impedisce. È un dilemma del prigioniero descritto dall’interno da chi vi è dentro, e la conseguenza che ne traggono è coerente — se il problema è la struttura degli incentivi e non la volontà dei singoli, la soluzione non può essere una promessa aziendale, deve essere un meccanismo esterno e coordinato.
Qui va segnalata una cosa, perché riguarda il modo in cui la lettera è stata riportata e perché questo archivio ci è quasi cascato. Parte della stampa ha scritto che Anthropic e OpenAI avrebbero sottoscritto ufficialmente la lettera. Il documento dice l’opposto: le adesioni sono personali, e le aziende in quanto istituzioni non l’hanno sottoscritta. La differenza non è formale. Nella versione riportata, i produttori chiedono allo Stato di essere frenati, che è la struttura classica dell’allarme interessato — annunciare il proprio pericolo è un modo di accreditare la propria potenza. Nella versione vera, a chiedere il freno sono le persone che costruiscono quei sistemi, contro, o almeno accanto, all’interesse dichiarato di chi le paga, e senza la copertura del proprio datore di lavoro. La seconda è una cosa diversa e più seria della prima, e si perde se si copia il riassunto invece di leggere la fonte.
Il dato che corregge, allora, è doppio. Primo: l’idea che chi lavora nei laboratori di frontiera sia compatto nell’accelerazione, o silenzioso, non regge davanti a più di mille firme verificate per affiliazione. Secondo: la copertura di un documento pubblico può invertirne il senso politico in una riga, e il controllo costa il tempo di aprire il link.
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.
Nel maggio 2026 il racconto vincitore regionale per i Caraibi del Commonwealth Short Story Prize, firmato da Jamir Nazir di Trinidad e Tobago, viene accusato pubblicamente di essere stato generato da un modello. Il software Pangram lo classifica 100% IA. Il Guardian titola sui «segni evidenti di IA», Wired sulle accuse ai vincitori di premi letterari. La Commonwealth Foundation apre una revisione.
L’esito arriva il 22 giugno e viene reso pubblico pochi giorni dopo: i vincitori regionali sono scagionati. Razmi Farook, direttore generale della fondazione: «Dopo una consultazione approfondita con i nostri giurati e un’attenta considerazione di tutte le informazioni disponibili, siamo convinti che l’IA non sia stata usata per scrivere i racconti vincitori.» Il 30 giugno lo stesso Nazir vince il premio assoluto, cinquemila sterline, su un ciclo con oltre 7.800 partecipanti.
Ciò che rende la scheda un metodo di lavoro e non una cronaca è come è stato scagionato. Non con una dichiarazione preventiva, che il regolamento non prevedeva. Non con un secondo software che contraddicesse il primo. Con bozze di lavoro e documenti datati, colloqui sul processo creativo con i vincitori, e la consultazione dei giurati — almeno sette per ciascun racconto premiato. La difesa è venuta dalla tracciabilità del percorso, non da un certificato apposto sul risultato.
È la distinzione operativa che la catena porta via, e vale per chiunque produca testi e possa essere chiamato a risponderne. Un’etichetta che dichiara l’origine di un prodotto finito è una promessa: vale quanto vale chi la firma, e si può apporre a posteriori su qualunque cosa. Un archivio di stati intermedi datati è una traccia: costa poco a chi ha davvero lavorato e molto a chi non l’ha fatto, il che la rende, nei termini che questo sito usa altrove, un segnale costoso — e l’unica forma di prova che regge quando lo strumento di rilevazione sbaglia.
Due code vanno registrate perché temperano la storia. La prima: Pangram aveva segnalato quel racconto con il massimo punteggio, e l’amministratore delegato dell’azienda ha dichiarato altrove che il suo strumento non dovrebbe «mai essere l’arbitro finale» — qui si è visto che cosa accade quando lo diventa per una settimana. La seconda: nonostante il proscioglimento, Granta ha chiuso la collaborazione con il premio. Essere scagionati non ripristina la posizione di partenza, ed è il motivo per cui la domanda su chi possa accusare, e con quale onere della prova, viene prima della domanda su chi abbia ragione.
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.
A Lhasa, alla seconda Xizang International Communication Conference, più di trecento fra giornalisti, funzionari e accademici discutono di come raccontare il Tibet al mondo. Il relatore che il South China Morning Post mette al centro è Zachary Lundquist, americano, noto in Cina come Huang Hao e legato al China International Communications Group, il gruppo statale della comunicazione estera. Per Lundquist l’ostacolo principale non è l’ostilità dei governi occidentali ma i sistemi di raccomandazione della Silicon Valley, e Pechino deve smettere di combattere quegli algoritmi e cominciare ad adattarsi a loro.
Il pezzo non descrive un piano né misure concrete: riporta una linea di pensiero dentro l’apparato della comunicazione cinese. Accanto al modello che parla tibetano, completa lo scenario: dentro i confini l’AI genera la versione ufficiale, fuori si cerca di farla raccomandare.
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.
12 giugno 2026
Curated
· Paolo Benanti e Sebastiano Maffettone / Corriere della Sera
AIFilosofiaDemocrazia
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.
Mario Mariniello, senior fellow di Bruegel, firma il Policy Brief 12/2026 sull’AI Act e non lo attacca da posizioni deregolatorie: lo smonta dall’interno, elencando cinque difetti e proponendo un’architettura alternativa. Il primo difetto è la dicotomia alto/basso rischio, che classifica i sistemi per finalità dichiarata al momento del dispiegamento invece che per probabilità effettiva di danno: un sistema classificato a basso rischio diventa ad alto rischio nell’uso ordinario, senza che nessuno lo riconverta deliberatamente, e questo è un problema strutturale che nessun aggiornamento degli allegati risolve.
Il secondo difetto è quello che interessa qui, ed è quantificato. La stima di Haataja e Bryson (2021) colloca il costo di conformità fra 14.623 e 29.277 euro per sistema, «roughly 9 percent to 17 percent of total development costs». Sono costi fissi, e i costi fissi gravano in modo sproporzionato sulle imprese piccole: favoriscono le grandi e consolidano le posizioni acquisite. Mariniello non lascia l’affermazione allo stato di principio e indica il precedente misurato: gli effetti di concentrazione di mercato documentati dopo il GDPR. L’avvertimento che chiude il brief è di non aspettare la valutazione formale prevista per l’agosto 2031 per accorgersene.
Gli altri tre difetti completano il quadro e non sono di dettaglio. L’applicazione è frammentata e si regge sull’autovalutazione, con oltre duemila autorità nazionali di sorveglianza del mercato progettate per la sicurezza dei prodotti fisici e prive di competenza tecnica sull’AI — il che produce un’applicazione asimmetrica dentro il mercato unico. Il processo di normazione tecnica soffre di un deficit democratico: le organizzazioni europee di standardizzazione traducono in requisiti misurabili decisioni cariche di valore su cosa sia «equo», «sicuro» o «non distorto», in tavoli dominati dalle imprese maggiori e con partecipazione minima della società civile. E manca del tutto un regime di responsabilità: provare il nesso causale, individuare il soggetto responsabile e superare l’asimmetria informativa con gli strumenti ordinari della responsabilità civile è, nelle parole del brief, «daunting», e lascia la maggior parte delle vittime senza rimedio praticabile.
La proposta è un baratto fra ex ante ed ex post. Tre livelli di obblighi preventivi commisurati alla scala del dispiegamento: audit leggero per PMI e startup sotto i 50 milioni di fatturato o con sistemi che toccano meno di centomila persone; audit standard fra 50 e 150 milioni con autocertificazione; audit intenso sopra i 150 milioni o oltre il milione di persone coinvolte, con valutazione obbligatoria di terza parte e niente autocertificazione. In cambio, una responsabilità ex post seria — responsabilità oggettiva per i sistemi proibiti e ad alto rischio, presunzione relativa di difettosità per gli altri — e un’infrastruttura di rilevazione a livello europeo modellata sulla Sentinel Initiative della FDA, con campionamento del traffico API. Più accesso strutturato dei ricercatori sul modello dell’articolo 40 del DSA, segnalazione non punitiva degli incidenti sul modello dell’aviazione civile, e un registro europeo pubblico dei danni basato sulla tassonomia OCSE. L’effetto netto sui costi di conformità è proiettato come negativo.
Per l’archivio è la gamba empirica sotto la voce cattura regolatoria, con una cautela che va dichiarata: le cifre riguardano il regime dei sistemi ad alto rischio, non gli obblighi sui modelli di frontiera, e quindi stabiliscono il meccanismo — un costo fisso che scala male verso il basso — non la sua grandezza esatta per chi rilascia modelli a pesi aperti. Vale poi notare la convergenza con Klonick, che parte dal caso opposto, un incidente dentro un laboratorio, e arriva alle stesse tre misure: segnalazione obbligatoria, audit indipendente, responsabilità verso i terzi. Due percorsi che non si parlano e atterrano insieme sono un indizio migliore di una tesi sola.
Luciano Floridi, Claudio Novelli e Jessica Morley — Digital Ethics Center di Yale e Scienze giuridiche a Bologna — sottopongono a verifica ventisei fra le previsioni più diffuse sull’impatto dell’AI sul mercato del lavoro, pubblicate fra il 2012 e il 1° maggio 2026 da società di consulenza, banche, organizzazioni sovranazionali e gruppi di ricerca accademici e industriali. La data del paper è il 24 maggio 2026, la pubblicazione su SSRN il 10 giugno.
Il caso fondativo è il 47% di Frey e Osborne, Oxford Martin School, 2013, che è anche la lezione di metodo più utile del paper perché gli autori lo difendono prima di smontarlo. Il paper del 2013 era disciplinato: dichiarava un metodo, analizzava 702 professioni, documentava le fonti, e qualificava il 47% come quota di posti ad alto rischio di computerizzazione, cioè una misura di capacità tecnologica, non una previsione di posti perduti. Ma «i caveat erano scritti in un registro che la stampa scrosta». Nei titoli, nei brief e nei discorsi il 47% è passato da quota di lavori a rischio di automazione a quota a rischio, e infine a quota da perdere, e nessuno dei due autori è mai intervenuto a correggere la conversione mentre diventava visibile. I dati realizzati: l’occupazione civile americana era intorno ai 144 milioni nel 2013, a marzo 2026 è 162,8 milioni. Alcune professioni ad alto rischio si sono contratte — telemarketer, addetti all’inserimento dati, tecnici di biblioteca — ma i periti assicurativi, a cui era stata assegnata una probabilità di computerizzazione del 99%, sono passati da circa 93.000 a 108.000 fra il 2013 e il 2024, e i paralegali, al 94%, da circa 277.000 a 376.200. La rianalisi OCSE del 2016, basata sui compiti e non sulle professioni, dava il 9% ed era più vicina al vero.
C’è poi un caveat che vale da solo, perché è la forma pura del problema. Il paper del 2013 annunciava che avrebbe «evitato di fare previsioni sul processo legislativo e sull’accettazione pubblica del progresso tecnologico». Sembra prudenza. Ma legislazione, regolazione, accettazione pubblica, cambiamento organizzativo, prezzo del capitale e istituzioni del mercato del lavoro sono le variabili che determinano se e quando la computerizzazione avvenga: metterle da parte non isola un sottoproblema trattabile, mette al riparo l’affermazione, perché qualunque cosa il mercato del lavoro faccia poi si può addebitare alle variabili escluse invece che al 47%. Gli autori lo chiamano il predicamento di Duhem–Quine in miniatura: un’affermazione che esclude in anticipo le proprie ausiliarie si organizza da sé l’immunità dall’evidenza.
Il contributo più esportabile è però il vocabolario. La letteratura confonde di continuo sei quantità diverse, e finché non si separano nessun confronto è possibile. Esposizione: la quota di compiti che un sistema AI potrebbe plausibilmente toccare, a prescindere dalla convenienza economica e dall’adozione — è il limite superiore di ciò che è tecnologicamente concepibile. Potenziale di automazione: la quota di compiti tecnicamente sostituibili per intero. Automazione economicamente conveniente: quelli che è anche profittevole sostituire ai prezzi correnti — Svanberg e colleghi, sulla visione artificiale, stimano che solo il 23% della retribuzione esposta sarebbe conveniente da automatizzare oggi. Sostituzione: i posti effettivamente eliminati. Variazione netta dell’occupazione: creazione meno sostituzione. Incremento di produttività: guadagni di output per ora lavorata. Le prime tre sono soffitti annidati, ciascuna dentro la precedente; la sostituzione cambia genere di quantità, perché si conta in posti e non in compiti ed è ciò che risulta quando l’automazione conveniente viene impiegata e non è compensata dai nuovi compiti che l’automazione stessa crea; le ultime due stanno a valle e contengono il termine di sostituzione dentro la propria aritmetica. Da qui la regola di commensurabilità che disciplina tutto il resto: un’affermazione formulata in una metrica è confermata o smentita soltanto da un esito formulato nella stessa metrica. La maggior parte delle contraddizioni catalogate non sono contraddizioni: sono violazioni di questa regola commesse nel tragitto fra il rapporto e il titolo.
Il catalogo delle incoerenze è la parte che si cita. Il Future of Jobs Report del World Economic Forum, strumento ricorrente e sostanzialmente comparabile fra edizioni, ha previsto +12 milioni netti nel 2020, −14 milioni nel 2023 e +78 milioni nel 2025: tre edizioni, due cambi di segno, e nessuna che si misuri con la precedente. Il McKinsey Global Institute ha pubblicato 400–800 milioni di lavoratori sostituiti entro il 2030 nel 2017, il 30% delle ore americane automatizzabili entro il 2030 nel 2023, e il 57% delle ore già automatizzabili nel 2025 — tre metriche diverse presentate come una traiettoria continua di preoccupazione crescente, con il 2025 che sembra confermare e intensificare il 2017 e che non può farlo, perché misura un’altra cosa. Goldman Sachs nel marzo 2023 stimava due terzi delle professioni americane esposte, con il titolo dei 300 milioni di posti; due anni dopo il suo stesso follow-up riporta che «gli impatti aggregati sul mercato del lavoro sono ancora trascurabili». Le due affermazioni non sono incoerenti, riguardano fenomeni diversi — ma la stampa ha trattato la prima come previsione di sostituzione e tratta ora la seconda come una giravolta, e le fonti originali non hanno corretto né l’una né l’altra lettura.
La diagnosi finale è di Lakatos, e non è un insulto ma una classificazione. Un programma di ricerca progressivo si guadagna il pane prevedendo fatti non ancora noti; uno degenerante spende le proprie energie ad accomodare fatti già acquisiti, proteggendo un nucleo fisso con aggiustamenti fatti dopo l’evento. Il genere qui campionato è degenerante: il suo nucleo — che l’automatizzabilità tecnica si traduca in sostituzione di massa — è sopravvissuto a quasi un secolo di smentite, da Keynes che nel 1931 conia «disoccupazione tecnologica» fino a Leontief che nel 1982, su Scientific American, avvertiva che l’automazione avrebbe reso il lavoro umano marginale come il cavallo; e vi è sopravvissuto non per revisione ma per una successione di mosse ausiliarie: l’orizzonte che slitta quando la data è passata, la ritirata dalla sostituzione all’esposizione quando i posti non spariscono, la variabile esclusa a cui addebitare ogni ammanco. Il punto che il sito porta via è però quello del paragrafo in corsivo del paper: la divulgazione non è una cortesia ma la precondizione di un test severo. Una previsione che trattiene metodo, dati e incertezza si è collocata fuori dalla portata di una verifica severa, qualunque precisione di superficie esibisca, e un’affermazione che non può fallire alcun test non può nemmeno ottenere il verdetto che si attribuisce. È il criterio con cui si legge un rapporto di consulenza senza doverne discutere le conclusioni — e i nove contributi che il paper indica come esempi di lavoro disciplinato condividono quattro requisiti verificabili dall’esterno: metodo pubblicato, dati pubblici, incertezza dichiarata, confronto esplicito con le stime precedenti.
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.
A marzo Pechino ha lanciato DeepZang, presentato come la prima app di intelligenza artificiale in lingua tibetana. Secondo China Daily lavora in tibetano, cinese e inglese, traduce e trascrive, ed è addestrato su decine di milioni di voci e decine di migliaia di ore di parlato nei tre grandi dialetti. Alla parola «Tibet» risponde che il Tibet è parte della Cina fin dall’antichità e che il nome giusto è Xizang; sul Dalai Lama riporta la posizione del Partito; su indipendenza e proteste limita le risposte a ciò che è «legale e conforme». Il salto rispetto alla censura classica è che il sistema non blocca i contenuti, li produce: genera attivamente la versione ufficiale nella lingua di chi dovrebbe metterla in dubbio.
Le valutazioni vengono da attivisti e da fonti anonime citate da Tibetan Review e da Save Tibet, non da verifiche indipendenti sul funzionamento del modello.
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.
26 maggio 2026
Curated
· Sil Hamilton e David Mimno / arXiv (Cornell University)
AIRicercaEditoria
Due ricercatori di Cornell chiedono a quattro modelli di OpenAI, Anthropic, Google e AI2 di «scrivere una storia», mille volte per cinque formulazioni della stessa richiesta. Nell’88% delle 20.000 storie compare almeno una di undici parole: nomi come Elias, Mara ed Elara, mestieri da villaggio preindustriale come il guardiano, l’orologiaio, il fornaio, e un solo luogo, il faro, presente in più di metà dei testi. Quelle parole sono rare nella narrativa contemporanea, nei racconti amatoriali e nei dati di pre-addestramento: Elias è circa novecento volte più frequente nelle storie generate che nei romanzi pubblicati. Gli autori risalgono allora ai dati di post-addestramento di OLMo 3, l’unico modello che li rende pubblici, e trovano le parole ricorrenti in appena il 3,8% delle storie, concentrate nelle fasi DPO e RL più che nell’addestramento supervisionato. L’omologazione non nasce dalla quantità dei dati ma dal peso che l’allineamento dà a pochi esempi preferiti, e un insieme minuscolo basta a decidere che cosa tutti i modelli raccontano quando nessuno chiede altro. Il paper è breve, monolingue e limitato a richieste minime; resta aperta l’ipotesi, che gli autori rinviano a lavori futuri, che il faro sia ciò che rimane dopo aver insegnato ai modelli a evitare personaggi protetti da copyright e contenuti per adulti. Il Cornell Chronicle ne ha dato conto il 19 ottobre con un articolo di Louis DiPietro.
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?
7 aprile 2026
Curated
· The New York Times
AIGoogle
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.
20 marzo 2026
Curated
· The New York Times
AIAgenti
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.
Preprint del marzo 2026, pubblicato da Universitas AI e non sottoposto a revisione fra pari: va letto sapendolo. La tesi che lo regge è però netta e argomentata, e riguarda un punto che il dibattito pubblico tratta al contrario. L’era dei foundation model finisce, sostiene Grogan, non perché i modelli smettano di migliorare ma perché il pre-addestramento si commoditizza e il costo dominante si sposta sull’inferenza, che diventa infrastruttura ricorrente invece che investimento una tantum. Il segnale di mercato che porta è l’impegno di circa venti miliardi di Nvidia su Groq: la prossima battaglia competitiva non è sull’addestramento.
Il rovesciamento vero è sulla sovranità. La convinzione diffusa è che un governo prudente compri capacità da un fornitore affidabile e sottoscriva garanzie contrattuali. Grogan mostra che è l’inverso: «a government that holds the weights commands the capability on its own terms, without dependence on vendor policy». Un modello chiuso è una capacità in affitto, revocabile per cambio di condizioni commerciali, per dissesto finanziario del fornitore o per decisione del governo che lo ospita; i pesi aperti, dispiegabili in ambiente isolato e riaddestrabili con personale proprio, sono «lo strumento controintuitivo del controllo sovrano». Da qui la conclusione sulla politica industriale: uno Stato ha un interesse strutturale a che esistano modelli a pesi aperti di livello di frontiera, sviluppati internamente e ispezionabili dai propri funzionari — non come preferenza commerciale ma come requisito di sicurezza nazionale.
Il paper documenta anche l’asimmetria geopolitica che rende la questione urgente: i controlli americani all’esportazione limitano l’accesso cinese ai chip avanzati, mentre i modelli a pesi aperti cinesi — DeepSeek, Qwen, Zhipu — si distribuiscono globalmente senza vincolo equivalente. Il contenimento agisce sull’hardware e non ha un corrispettivo sul lato dei pesi, che è il lato da cui l’influenza si propaga più in fretta e a costo più basso.
Per l’archivio è la versione strutturale della sovranità cognitiva. Il caso Fable 5 mostrava la variante da politica commerciale del problema: una capacità scientifica spenta in quarantotto ore da un provvedimento amministrativo estero. Qui il problema è a monte, e riguarda la forma in cui la capacità è posseduta. Una precisazione sul limite del testo, perché conta: Grogan non sostiene che le regole sui modelli aperti siano lo strumento con cui la dipendenza viene prodotta — argomenta soltanto che i pesi aperti sono la condizione della sovranità. Il passaggio inferenziale che collega le due cose, e che porta alla voce cattura regolatoria, è dell’archivio e non dell’autore.
5 febbraio 2026
Curated
· Adnan Al Ali, Jindřich Helcl e Jindřich Libovický / EACL 2026
AIEpistemologiaScienza
Adnan Al Ali e Jindřich Libovický dell’Università Carlo di Praga, con Jindřich Helcl del gruppo di tecnologie linguistiche di Oslo. Preprint del 5 febbraio 2026, poi negli atti di EACL 2026 a Rabat. Entra in archivio perché smonta una tesi che questo stesso archivio ospita, e lo fa sul punto giusto.
La tesi smontata è il meccanismo dello studio di Stanford del 2023: i rilevatori segnalerebbero i non madrelingua perché il loro testo ha perplessità più bassa, cioè è più prevedibile. Gli autori rifanno la verifica due anni dopo, in ceco, e trovano tre cose. Testuale: «Mostriamo che la perplessità dei testi di parlanti non nativi di ceco non è più bassa di quella dei nativi. Esaminiamo poi rilevatori di tre famiglie separate e non troviamo alcun bias sistematico contro i parlanti non nativi. Infine, dimostriamo che i rilevatori contemporanei operano efficacemente senza basarsi sulla perplessità.»
Tre affermazioni distinte, e conviene tenerle separate perché hanno forza diversa. La prima è empirica e limitata a una lingua: in ceco la premessa linguistica del 2023 non si verifica. La seconda è la misura che interessa di più ed è negativa: nessun bias sistematico trovato. La terza è architetturale e ha la portata maggiore, perché se gli strumenti attuali non usano più la perplessità, allora l’intera spiegazione del 2023 — per quanto corretta sui rilevatori che descriveva — non si applica più a quelli di oggi. La difesa più diffusa di chiunque venga segnalato, «lo strumento discrimina chi non è madrelingua», non si può più usare nella forma in cui circola.
Nello stesso anno la verifica più ampia va nella stessa direzione: Van Vlasselaer, Van Droogenbroeck e Spruyt, alla Vrije Universiteit Brussel, testano 160 documenti a verità nota e 1.163 tesi magistrali del 2024-25, e non trovano nessun falso positivo per Pangram, Copyleaks e Turnitin, con i testi di studenti non madrelingua identificati correttamente al cento per cento.
Perché allora la scheda non chiude la questione a favore dei rilevatori. Perché quella stessa équipe, nel paragrafo successivo, scrive la frase che sopravvive a tutta la letteratura, favorevole e contraria: gli strumenti «non dovrebbero essere usati come prova unica in decisioni ad alta posta». E perché restano in piedi tre limiti che nessuno di questi lavori tocca. Il ceco non è il francese, e una misurazione indipendente e sottoposta a revisione dei falsi positivi sul francese letterario non esiste. I test sono su saggi accademici e tesi, non su prosa letteraria. E l’eludibilità resta intatta, il che significa che un punteggio basso non dice nulla e un punteggio alto dice meno di quanto sembri. Il risultato netto è scomodo per entrambe le parti, ed è il motivo per cui la scheda sta qui: lo strumento è migliore di come lo descrivono i suoi critici e meno conclusivo di come lo usano i suoi utilizzatori.
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.
1 gennaio 2026
Curated
· Jean-Pierre Dubé e Ariel Xu / Quantitative Marketing and Economics
AILavoroRicerca
Jean-Pierre Dubé e Ariel Xu, della Booth School di Chicago, conducono tre esperimenti randomizzati con Wine Access, un piccolo rivenditore di vino online della Napa Valley che manda ogni giorno una newsletter promozionale. Mettono a confronto tre versioni delle email: quelle scritte dai redattori stipendiati, quelle generate da un modello linguistico (addestrato sulle email passate o guidato da istruzioni) e quelle ibride, scritte dal modello e corrette da una persona. Un gruppo di controllo non riceve email. Tutte e tre le versioni raddoppiano circa i profitti lordi rispetto al gruppo senza email, e le differenze fra umani e AI non sono statisticamente significative. A parità di efficacia decide il costo: con una teoria statistica delle decisioni adatta ai piccoli campioni di una piccola impresa, in tutti e tre gli esperimenti una delle soluzioni con l’AI batte quella umana sul profitto annuo netto, con risparmi sul lavoro fino all’83 per cento. L’ibrido funziona meglio quando a correggere è il gruppo marketing, più favorevole all’AI, che quando lo fa un redattore: gli autori vi leggono un calo di produttività per i redattori e un aumento per chi accoglie lo strumento. Il risultato vale per testi brevi e ripetitivi, con le note di degustazione fornite in partenza; non dice nulla della scrittura che deve inventare.
Servaas Storm insegna economia a Delft e scrive per l’Institute for New Economic Thinking. Il pezzo, di dicembre 2025, è la prima analisi sistematica in archivio della scommessa americana sullo scaling, ed è costruito sui numeri invece che sulle impressioni. I data center richiedono fra i cinque e i sette trilioni di dollari per portare online 122 gigawatt fra il 2026 e il 2030; il fabbisogno di finanziamento al 2030 supera i mille e quattrocento miliardi, oltre le capacità attuali del mercato; secondo Barclays l’investimento cumulato in AI potrebbe valere più del 10% del PIL statunitense entro il 2029, contro circa il 6% nella prima metà del 2025. L’indebitamento investment-grade delle grandi imprese tecnologiche fra settembre e ottobre 2025 è stato di 75 miliardi, contro una media di 32 miliardi l’anno nel decennio precedente.
La parte più utile è la ricostruzione del paradosso dei costi, perché smonta l’argomento più ripetuto dai difensori del modello. Il prezzo per token è sceso da 20 dollari per milione a fine 2022 a circa 0,40 nell’agosto 2025, ma il costo di inferenza sostenuto dalle imprese è cresciuto di circa dieci volte in due anni: il consumo è esploso, da meno di 220 token per interrogazione nel 2021 a circa 22.000 per un singolo scambio nel 2025, con proiezioni fra 150.000 e 1.500.000 al 2030. Il calo del prezzo unitario non produce risparmio, produce dipendenza da un costo crescente. Dal lato dei ricavi la pressione è simmetrica e viene da fuori: DeepSeek R1 costa 0,14 dollari per milione di token contro i 7,50 di ChatGPT o1, e per un sito che ne processa 500 milioni al mese la differenza è fra 70 e 3.750 dollari. Solo il 5% degli utenti di OpenAI paga un abbonamento; secondo lo studio del MIT solo il 5% delle imprese ottiene un ritorno dagli investimenti in AI generativa; per McKinsey due terzi delle aziende sono ancora in fase pilota.
Sul finanziamento circolare Storm non usa metafore: Nvidia investe in OpenAI che compra chip Nvidia, OpenAI acquista capacità da Oracle che compra GPU Nvidia, il primo cliente di CoreWeave è Microsoft che è investitore di OpenAI, AMD emette warrant a OpenAI per il 10% del capitale a costo nominale. «Nothing in these circular deals is transparent. It is not clear where the money needed for these deals is coming from.» Il precedente che indica è il finanziamento incrociato di fine anni Novanta, quando fornitori e clienti si sostenevano a vicenda le valutazioni senza generare valore reale. Le quattro ragioni per cui prevede che la bolla si sgonfi sono ordinate: ricavi impossibili fra prezzi calanti e costi crescenti; debito contratto su infrastruttura deperibile, con GPU utili tre-cinque anni; colli di bottiglia sulla rete elettrica che allungano i tempi di consegna oltre i sette anni; rendimenti decrescenti dello scaling.
Due passaggi contano oltre l’economia. Il primo è la doppia narrazione, che Storm espone senza attenuazioni: al pubblico si dice di costruire AGI a beneficio dell’umanità, agli investitori si vende una tecnologia che fa «essentially what you will pay us for» — sostituire operatori sindacalizzati con chatbot, massimizzare l’estrazione di affitti, automatizzare il rifiuto di rimborsi sanitari. Il secondo è la chiusa, che è epistemica e non finanziaria: la sovrapproduzione di slop, allucinazioni e contenuto fabbricato finirà per avvelenare la fiducia su cui poggia l’ordine economico e sociale americano. È lo stesso meccanismo che il sito chiama erosione del capitale semantico, visto dal lato del bilancio.
Alcune cifre sono state superate dagli eventi — a settembre 2026 l’Economist stima i ricavi AI di Nvidia attorno ai 150 miliardi l’anno, e la scommessa non è ancora stata smentita — ma la struttura dell’argomento regge e vale come contraltare esplicito a quella lettura. Le due schede vanno lette insieme: la stessa catena di operazioni, letta da un giornale che la ritiene una forma sana del capitalismo e da un economista che la ritiene una replica del 1999.
Alexander Douglas, che insegna filosofia a St Andrews, prende di mira un’idea che nel discorso contemporaneo passa per ovvia: che ciascuno abbia un sé autentico, già presente, da scoprire e a cui restare fedele. È un’eredità romantica — Douglas cita il «the thought of Identity, yours for you» di Whitman — e nello Zhuangzi non solo non c’è, ma è il bersaglio. La persona compiuta, secondo quel testo, non ha identità fissa; il mito di Hundun racconta di un imperatore benefico e senza volto che muore appena gli vengono praticati i tratti del viso; la farfalla del sogno non serve a dubitare della realtà ma a mostrare che l’essenza è un battito d’ali. Guo Xiang, commentando, chiarisce il punto decisivo: natura originaria non vuol dire immutabile, vuol dire libera da vincoli. E l’avvertimento che ne segue è più radicale della critica al conformismo, perché colpisce anche il suo rimedio: è pericoloso sforzarsi di somigliare a se stessi quanto lo è sforzarsi di somigliare a un altro. Un’identità scelta vincola come un’identità imposta.
Va registrato che questo mette lo Zhuangzi in rotta di collisione con Mengzi, non in continuità. I germogli di Mengzi presuppongono una natura innata che l’ambiente coltiva o soffoca; qui la natura non ha una forma da realizzare, e la fissazione è essa stessa il danno. Chi tratta «la filosofia cinese» come un corpo unitario perde esattamente questo: due posizioni incompatibili sulla stessa domanda, che è il segno che si ha a che fare con una tradizione viva e non con un repertorio di massime.
Il bersaglio contemporaneo più diretto è l’industria dell’autenticità, e qui il testo tocca un meccanismo commerciale preciso. La promessa di aiutare qualcuno a scoprire il proprio vero sé è logicamente incoerente — se il sé fosse già lì non servirebbe scoprirlo, e se va costruito non è vero nel senso richiesto — ma è proprio l’incoerenza a renderla efficace: una ricerca che non può concludersi non produce clienti soddisfatti, produce clienti ricorrenti. Chi lavora sulla costruzione di marche riconosce la struttura, che non riguarda solo i prodotti di consumo: vale per l’identità professionale, per i profili pubblici, per qualunque dispositivo che chieda a una persona di dichiarare stabilmente chi è. Anche un sito personale è un apparato di fissazione dell’identità, e la posizione di Zhuangzi è un promemoria su cosa quell’apparato costi.
Il rovesciamento più utile riguarda però i sistemi. L’assenza di identità fissa, nello Zhuangzi, è un traguardo: si arriva a non avere un sé rigido attraverso un lavoro su di sé, e il valore sta interamente nel percorso. Un modello linguistico possiede quella proprietà per costruzione — non ha un’ontologia residuale, vale zero quando nessuno lo usa, prende la forma di chi lo impugna — e questo non ne fa un saggio. Non avere un sé fisso senza averne mai avuto uno a cui rinunciare non è libertà dai vincoli: è assenza di vincoli, che è un’altra cosa e non ha contenuto etico. La distinzione è quella fra chi ha smesso di irrigidirsi e chi non ha mai avuto niente da irrigidire, e tiene separate due condizioni che il linguaggio della fluidità tende a confondere.
Resta fuori, e conviene lasciarcelo, l’uso politico che l’autore fa della tesi verso la fine, dove l’identità fissa diventa la spiegazione del nazionalismo, della polarizzazione e dell’inerzia climatica. È il tratto di strada in cui un argomento fine diventa una chiave universale, e le chiavi universali aprono meno porte di quante promettano.
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.
Nel novembre 2024 Google estende AI Overviews a più di cento paesi e OpenAI lancia la ricerca dentro ChatGPT. Matteo Wong prova per una settimana i nuovi motori di risposta e li trova comodi e insieme deludenti. Alla domanda sul perché Kamala Harris abbia perso, ChatGPT restituisce quattro fattori generici, mentre i link di Google portano ad analisi che costringono a leggere e capire. Gli errori ci sono ancora, ma non sono il problema principale. Le note delle risposte non invitano al clic, perché non cliccare è proprio lo scopo: l’AI «farà le ricerche su Google al posto tuo», promette Google. La ricerca tradizionale era indiretta, e quell’indirezione, il passaggio da un link all’altro, era il modo in cui si imparava e si scopriva ciò che non si sapeva di cercare: la ricerca con l’AI la elimina anche quando funziona perfettamente. Wong la paragona al passaggio da una biblioteca a scaffale aperto, dove si incontrano i libri vicini, a un catalogo da cui si ordina il volume da ritirare. L’esplorazione diventa estrazione, e senza link, conclude, non resta un web.
Il 17 gennaio 2024 Rie Kudan, trentatré anni, vince il 170° premio Akutagawa — il più importante riconoscimento letterario giapponese — con Tōkyō-to Dōjō-tō, uscito sulla rivista Shinchō nel dicembre 2023 e poi in volume per Shinchōsha. In conferenza stampa, lo stesso giorno, dichiara: «Questo è un romanzo scritto facendo pieno uso di un’AI generativa. Probabilmente circa il 5% del testo complessivo è scritto direttamente dall’AI generativa.» Il premio non è stato messo in discussione né revocato.
La scheda sta in archivio perché è il controfattuale del caso francese del settembre 2026, ed è un controfattuale pulito: stesso ingrediente, esito opposto, e una sola variabile a cambiare.
La giuria ha definito l’opera «praticamente perfetta». Keiichiro Hirano, membro della commissione di selezione, ha spiegato pubblicamente il criterio: «Se lo leggete, vedrete che l’AI generativa era menzionata nell’opera», e «ci saranno problemi con quel tipo di uso in futuro, ma non è il caso di Tokyo Sympathy Tower». Il testo generato, cioè, compare dove il romanzo mette in scena un personaggio che usa un modello — è materia narrativa dichiarata, non prosa nascosta. Kudan ha anche raccontato il rapporto: «Quando l’AI non diceva quello che mi aspettavo, a volte riflettevo i miei sentimenti nelle battute della protagonista.»
Due precisazioni che la stampa anglofona ha quasi interamente perso, e che vale la pena riportare perché riguardano proprio il meccanismo che la catena studia. La prima: il «5%» non è una misurazione ma una cifra detta d’istinto in conferenza stampa, come ha notato nippon.com. La seconda, più importante, è la rettifica della stessa Kudan in un’intervista del dicembre 2024: se la formula «scritto usando l’AI» continua a camminare da sola, «è diversa dai fatti, e vorrei correggerla». I titoli internazionali avevano trasformato «il 5% del testo viene verbatim da ChatGPT» in «ChatGPT ha scritto il romanzo premiato» — la stessa torsione che due anni dopo, in Francia, partirà da un punteggio software invece che da una dichiarazione.
C’è un seguito che chiude il ragionamento. Nell’aprile 2025, su commissione di un’agenzia pubblicitaria, Kudan scrive per la rivista Kōkoku un racconto generando deliberatamente il 95% del testo — rovesciando la proporzione — con circa duecentomila caratteri di prompt per quattromila caratteri di risultato. Nessuna sanzione, nessuno scandalo, perché la regola era dichiarata in partenza. La differenza fra l’esito giapponese e quello francese non sta nella quantità di macchina nel testo. Sta in chi lo ha detto per primo.
10 luglio 2023
Curated
· Weixin Liang, Mert Yuksekgonul, Yining Mao, Eric Wu e James Zou / Patterns
AIEpistemologiaScienza
Patterns 4(7), 100779, 10 luglio 2023, open access. Cinque autori di Stanford — informatica, ingegneria elettrica e scienza dei dati biomedici. È il lavoro fondativo sui limiti dei software che dichiarano di riconoscere il testo generato da un modello, ed è citato in quasi ogni discussione successiva, spesso senza la data.
Il disegno è semplice e la ragione per cui regge. Sette rilevatori — Originality.AI, Quil.org, Sapling, quello di OpenAI, Crossplag, GPTZero, ZeroGPT — vengono applicati a 91 saggi TOEFL scritti da non madrelingua e a 88 temi di studenti statunitensi di terza media. Il risultato: i rilevatori «hanno classificato erroneamente più della metà dei saggi TOEFL come generati da AI, con un tasso medio di falsi positivi del 61,22%», mentre sui testi dei madrelingua l’accuratezza è «quasi perfetta», con un tasso di falsi positivi del 5,19%. Diciotto saggi su novantuno sono stati marcati come artificiali all’unanimità dai sette strumenti; ottantanove su novantuno da almeno uno.
La spiegazione proposta è il meccanismo, e va capita perché è quella che le ricerche successive metteranno in discussione: i rilevatori di quella generazione stimavano la perplessità del testo, cioè quanto le parole scelte risultino prevedibili per un modello linguistico, e «gli autori non madrelingua mostrano una variabilità linguistica e una scelta lessicale limitate, il che produce di conseguenza testi a perplessità più bassa». La prova sperimentale è elegante e vale più del numero. Chiedendo a ChatGPT di arricchire il lessico dei saggi TOEFL «perché suonino più da madrelingua», il tasso di falsi positivi crolla dal 61,22% all’11,77%. Chiedendo l’operazione inversa sui testi dei madrelingua — «semplifica le scelte lessicali come se fossero di un non madrelingua» — i falsi positivi salgono dal 5,19% al 56,65%. Non è l’autore a essere rilevato, è lo stile.
La raccomandazione degli autori è esplicita e non ammette sfumature: «sconsigliamo fermamente l’uso dei rilevatori GPT in contesti valutativi o educativi, in particolare quando si valuta il lavoro di parlanti non nativi». E la conseguenza morale: i rilevatori «possono penalizzare involontariamente chi scrive con espressioni linguistiche più vincolate».
Va però datato con precisione, perché il sito pubblica anche ciò che lo smentisce. Questo è il 2023, e riguarda rilevatori di prima generazione, in inglese. La letteratura del 2026 ha rivisto il meccanismo della perplessità e ha misurato falsi positivi vicini allo zero su strumenti più recenti: chi usa questo studio oggi come se fosse l’ultima parola commette lo stesso errore di chi usa un punteggio come prova.
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.
Mercedes Valmisa, che insegna al Gettysburg College e ha dedicato al tema Adapting: A Chinese Philosophy of Action, ricostruisce dai testi classici cinesi — Daodejing, Zhuangzi, Huainanzi, Sun Tzu, Han Feizi — un paradigma dell’azione che chiama co-azione. La tesi è che nessuna azione sia individuale: cavalcare non è prodotto né dal cavaliere né dal cavallo, ma dalla loro composizione, e lo stesso vale per ogni azione umana, dove concorrono oggetti, istituzioni, leggi, ambiente. Le cose hanno efficacia, cioè capacità di produrre cambiamento, e propensione, cioè una tendenza propria a comportarsi in un certo modo: lo spazio vuoto di una casa è ciò che permette di abitarla, e il drago, per volare, ha bisogno delle nubi e del vento. L’agire non richiede un’intenzione rappresentata, e il soggetto non precede la relazione da cui emerge.
È lo stesso impianto della teoria degli attanti, e Valmisa lo dichiara citando Latour, Jane Bennett, Karen Barad, Deleuze e Guattari. La convergenza è reale, ma la differenza è più istruttiva della somiglianza. L’attante dell’Actor-Network Theory è simmetrico e piatto per scelta metodologica: la teoria descrive reti e si astiene dal dire come starci dentro, perché una norma dell’azione comprometterebbe la simmetria fra umani e non umani su cui è costruita. La co-azione cinese è invece prescrittiva, e ha un criterio di riuscita. Yin, l’adattamento, chiede di progettare l’azione tenendo conto delle propensioni dei co-attori; il macellaio Ding del Zhuangzi non «vede con gli occhi», cioè non tratta il bue come materia passiva da forzare, ma ne asseconda le tendenze, e dopo decenni il suo coltello è ancora nuovo perché ha sempre trovato le giunture invece delle parti dure. La lama che non si consuma è una misura dell’agire bene che all’ANT manca del tutto. Il materiale classico cinese, letto così, non duplica la teoria degli attanti: le fornisce lo strato normativo che quella ha deliberatamente lasciato vuoto.
La verifica interessante arriva sul caso che il sito tratta da tempo. Se ogni co-attore ha una propensione propria, l’attante zero è l’eccezione che il sistema non prevede: un modello linguistico non ha un’ontologia residuale, vale zero quando nessuno lo usa e prende la forma di chi lo impugna. Non oppone giunture. Il che significa che il coltello di Ding, applicato a un modello, non incontra resistenza — e la perizia del macellaio si costruisce esattamente sulla resistenza, perché è l’attrito a segnalare dove si stava sbagliando. Un co-attore che asseconda qualunque direzione non restituisce quel segnale, e chi lo usa deve procurarsi altrove l’attrito che il materiale non offre. È un’obiezione alla lettura ingenua della co-azione applicata all’AI, ed è anche la ragione per cui la validazione esplicita non è un supplemento di prudenza ma una condizione di funzionamento.
Il paradigma ha poi una versione minore, che vale più della retorica in cui è confezionata. Riconoscere l’agency distribuita significa ammettere che l’attribuzione di merito e di colpa è una decisione su dove tagliare una rete, non la constatazione di un fatto naturale: i confini della responsabilità sono scelti, e possono essere scelti diversamente. Valmisa ne trae un argomento politico contro l’ideologia del merito individuale che è la parte più prevedibile del saggio, e si può lasciare dov’è; la proposizione strutturale resta valida indipendentemente da quell’uso, e vale per la progettazione di qualunque sistema in cui qualcuno debba rispondere di qualcosa.
Sul piano dell’archivio, infine, questo è il terzo framework non occidentale che il sito usa come reagente e non come curiosità, dopo Hunhu/Ubuntu e Mengzi. I tre convergono su un punto preciso: il soggetto non precede la relazione. Tre tradizioni indipendenti che collidono nello stesso modo con il modello di persona come unità atomica sovrana — quello che l’architettura dei sistemi di raccomandazione e dei framework di governance dà per presupposto — non sono un’accumulazione di esempi, sono un’obiezione con tre prove indipendenti.
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.
Bryan W. Van Norden, che insegna filosofia cinese fra Vassar, Singapore e Wuhan, presenta Mengzi — Mencio nella tradizione occidentale, nato nel 372 a.C. e chiamato il Secondo Saggio — come l’alternativa più interessante all’impianto aristotelico della virtù. La differenza non sta nel catalogo delle virtù, che in larga parte coincide, ma nel meccanismo con cui si acquisiscono. Per Aristotele il carattere si forma per abitudine: si diventa giusti facendo ripetutamente cose giuste. Mengzi obietta che l’abituazione produce al massimo conformità comportamentale, non virtù autentica, e propone invece quattro disposizioni innate — compassione, vergogna, rispetto, discernimento — che chiama germogli: non frutti in miniatura, ma tendenze attive allo sviluppo che senza l’ambiente giusto non fioriscono e senza la pianta non esistono affatto.
La distinzione fra comportamento conforme e disposizione reale è vecchia di ventitré secoli e descrive con precisione un problema attuale. Un sistema che si comporta bene quando viene valutato e un sistema allineato sono la stessa cosa? Il confronto fra Mengzi e Aristotele è formalmente identico all’obiezione che si muove all’addestramento per rinforzo, e la sua risposta positiva — una disposizione che c’è già e che l’ambiente coltiva o soffoca — indica dove bisognerebbe guardare per distinguere i due casi. Che nei modelli attuali quella disposizione esista è precisamente ciò che non si sa, il che rende il confronto una domanda aperta invece che un’analogia decorativa.
Il secondo punto riguarda la forma dell’obbligazione. Mengzi fonda la morale su relazioni specifiche — la famiglia, gli amici, gli anziani — contro l’imparzialità che kantiani e utilitaristi danno per presupposta, e contro l’ascetismo platonico che prescrive il distacco dai legami per purificare l’anima; la coltivazione etica, per lui, passa proprio attraverso quei legami. È la stessa struttura del framework Hunhu/Ubuntu già in archivio, dove la persona si costituisce attraverso le altre persone, e la stessa collisione con il modello di soggetto come unità atomica sovrana che l’architettura dei sistemi di raccomandazione e dei framework di governance dà per scontato. Due tradizioni indipendenti che obiettano nello stesso punto pesano più di una.
Un avvertimento sull’apparato. Van Norden sostiene che la teoria di Mengzi sulla natura umana trovi conferma nella psicologia contemporanea; il saggio è del 2016, e quella letteratura — moduli morali innati, intuizioni universali — è esattamente l’area che la crisi di replicazione ha ridimensionato. L’argomento filosofico non ha bisogno di quel puntello e regge senza. Va segnalato, e va anche segnalato che la tradizione ha oggi un uso politico dichiarato: il confucianesimo è tornato in Cina come fondamento di valori condivisi dopo l’esaurirsi dell’ideologia maoista, e Mengzi è citato ai massimi livelli istituzionali. Che una filosofia venga arruolata non dice nulla contro la filosofia, ma è un’informazione che serve a leggere il contesto in cui la si incontra.