Argomento
89 articoli
L’intelligenza artificiale è il tema che attraversa trasversalmente quasi tutto quello che scrivo — dall’editoria alla geopolitica, dalla semiotica all’epistemologia. Non come tecnologia in sé, ma come trasformazione delle condizioni in cui produciamo e valutiamo la conoscenza.
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 dodici 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.
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.
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.
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.
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.
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.
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?’.
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.
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.
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.
Fainos Mangena, professore di filosofia all’Università dello Zimbabwe, parte da un’ipotetica utente di Harare che chiede a un LLM se accettare una promozione che la obblighrebbe a lasciare la propria comunità. La risposta riflette valori occidentali — autonomia individuale, massimizzazione del vantaggio personale — che collidono con la struttura etica fondamentale della sua cultura. Solo 42 lingue africane su oltre 2.000 hanno supporto LLM; il 98% delle lingue del continente è tagliato fuori dall’AI. Ma il problema non è solo linguistico: i framework etici che governano l’AI — le linee guida della Commissione Europea, dell’OCSE, dell’UNESCO — condividono un vocabolario (fairness, trasparenza, accountability, dignità umana) radicato nell’illuminismo liberale di Locke, Kant e Mill, presentato come universale ma in realtà storicamente determinato. Abeba Birhane, scienziata cognitiva di origine etiope, chiama questo meccanismo «colonialismo algoritmico». Il cuore del saggio è il confronto tra i valori incarnati nell’AI e il framework Hunhu/Ubuntu — la tradizione morale dominante dell’Africa subsahariana, espressa nel proverbio Nguni/Shona Umuntu ngumuntu ngabantu: una persona è una persona attraverso le altre persone. Mentre la tradizione occidentale pone l’individuo al centro della vita morale — per Kant ogni persona è un legislatore sovrano, per i pragmatisti la felicità individuale è l’unica metrica — Hunhu/Ubuntu sostiene che la personhood è un divenire relazionale: non qualcosa con cui si nasce, ma qualcosa che si diventa attraverso gli altri. La struttura etica poggia su quattro pilastri: il gruppo, il dialogo, l’esperienza e la spiritualità. Il dare — la corte comunitaria dove gli anziani mediano tra i vivi e il mondo ancestrale — è il luogo dell’agency collettiva: non un vincolo alla libertà individuale ma la sua massima espressione. L’AI inverte questa struttura: i suoi motori di raccomandazione, gli algoritmi di personalizzazione, le interfacce utente trattano ogni persona come agente sovrano, esattamente come Kant. Da questa differenza derivano conflitti precisi: nessun dare quando un algoritmo decide chi ottiene un prestito; la privacy come diritto individuale vs. l’informazione che in molti contesti africani appartiene alla famiglia o al clan; le ambizioni illimitate dell’AI vs. la concezione dell’essere umano come steward di un ordine cosmologico, non come suo padrone. Un’AI informata da Hunhu/Ubuntu dovrebbe prioritizzare l’agency collettiva sulla preferenza individuale, servire il bene comune invece di aggregare soddisfazioni personali. Mangena ammette che tradurre questi valori in regole specifiche è straordinariamente difficile — e che l’individualismo dell’AI riflette valori che l’urbanizzazione ha diffuso anche in Africa. Il punto di arrivo è un appello al dialogo: rume rimwe harikombi churu, un uomo solo non può circondare un formicaio.
Bret Stephens — columnist del NYT su politica estera e cultura — scrive una colonna-supplica: non usare mai l’AI per scrivere, nemmeno per le email di routine, nemmeno per organizzare gli appunti. Non per ragioni etiche (la certificazione dell’utilizzo degli LLM risolve di fatto il problema etico dell’autenticità dei testi, per chi tiene a questo punto) e nemmeno perché si possa scrivere meglio di un LLM (presto non sarà più possibile, come non si può battere un’app di scacchi). La ragione è cognitiva: scrivere informa il pensiero in modi che la contemplazione silenziosa o il linguaggio orale raramente riescono a fare. Sottopone il pensiero allo sforzo dell’articolazione, al rigore della grammatica, al test della coerenza e all’ispezione altrui. La parola scritta ha peso morale perché implica considerazione — «I want that in writing» vale come prova che le parole sono intenzionali. Delegare la scrittura all’AI è come prendere la scala mobile ogni giorno invece delle scale: ci si indebolisce esattamente nel muscolo che dovrebbe essere allenato. Stephens cita dati preoccupanti sulle tesi dottorali (56% con ricorso «non trascurabile» agli strumenti AI, e il 19% con oltre il 50% di testo generato) e collega il declino della scrittura al declino della capacità democratica: storicamente, chi sa leggere e scrivere sa anche scegliere e argomentare per sé. L’argomento ha forma simile e opposta a quello usato da Tacito a proposito dell’arte oratoria, che nella visione dello storico latino aveva potuto fiorire grazie allo sviluppo delle istituzioni democratiche: in entrambi i casi le relazioni causali non sono chiare, ma che le forme culturali determinino in qualche modo delle forme istituzionali è in qualche modo una tesi ancora più forte (di questi tempi, direi, molto diffusa), e ancora meno plausibile. Il pezzo vale come registrazione di un momento — un mainstream columnist che prende una posizione non conforme — più che come analisi. L’intuizione di Stephens converge con il concetto di capitale semantico ma senza l’apparato teorico: la pratica quotidiana della scrittura ordinaria è la stessa «riserva cognitiva» che si attiva nella scrittura che conta. La questione è semmai se tutti questi strumenti inibiscano la possibilità di imparare a scrivere per i nuovi discenti: a meno di regressi fenomenali (più verosimili in caso di competenze non pienamente maturate), non sarà mai un problema per chi la skill l’ha già acquisita.
Lydia DePillis — reporter del NYT sull’economia americana — descrive l’emergere della «tokenomics»: la disciplina che studia come le aziende comprano AI e cosa ne ricavano. Il punto di partenza è il ciclo «tokenmaxxing/tokenminning»: prima i manager incoraggiano il massimo utilizzo dell’AI, poi arriva il conto e scatta il blocco. Il problema di fondo è che il token è «una valuta per cui non hai nessun istinto su cosa stai usando, e le pratiche contabili non esistono ancora» — così lo descrive l’economista Howard Rubin. L’analogia che DePillis testa è il petrolio: il greggio si raffina in benzina, diesel, propano, tutti misurabili in BTU e scambiati su mercati con prezzi trasparenti. L’AI non ha equivalente: migliaia di modelli, nessun consenso su quanta energia consuma un token, quale modello usare per quale task, quanti token sono necessari. Il pezzo documenta tre risposte che le aziende stanno costruendo. La prima è il «bionic head count» di Elisity (cybersecurity): si dividono i costi AI per il costo medio di un dipendente e si ottiene un «headcount virtuale», i cui «assunti» ricevono una job description scritta dagli ingegneri e vengono valutati ogni volta che eseguono un nuovo task — è il modo in cui l’organizzazione dà forma contabile a qualcosa che non ha ancora categoria. La seconda è il monitoring dell’output: Revenium mappa la spesa in token su outcome concreti (feature software consegnate), con un tetto di utilizzo per i modelli costosi che forza gli ingegneri a ricorrere a modelli open-source più economici quando esauriscono l’allocazione, obbligandoli a pensare a cosa hanno davvero bisogno. La terza è la traiettoria del budget: prima le aziende hanno pagato l’AI con gli spiccioli del budget («sotto i cuscini del divano»), poi tagliando licenze software e servizi esterni come il copywriting e lo sviluppo web; il dibattito ora è se il token spending vada imputato al budget del lavoro, il che renderebbe esplicito il trade-off con l’occupazione umana. Bain stima che i token potrebbero arrivare al 25% delle spese operative aziendali nel medio termine. Tre elementi strutturali complicano il quadro. Il pricing è opaco: i prezzi variano tra provider cloud e i laboratori AI, in corsa ad acquisire market share prima dell’IPO, possono praticare prezzi inferiori al costo di produzione. L’AI abbassa il proprio costo: i «cache token» — token già processati e riutilizzabili a una frazione del prezzo — stanno tenendo la crescita della spesa effettiva sotto quella che sarebbe altrimenti, anche mentre i prezzi ufficiali dei modelli frontier salgono. Il vero bottleneck, che nessuno cita abbastanza, non è la capacità di calcolo ma la scarsità di persone capaci di dispiegare l’AI in modo produttivo: «Spesso pensiamo: oh, non hanno capacità. Ma non hanno abbastanza persone per estrarre il valore», dice Jue Wang di Bain. Il segnale di sistema rimane quello contabile: quando il controllo di gestione costruisce un framework per i token — quando l’AI entra nel budget come voce strutturale, non come esperimento — la tecnologia ha attraversato la soglia dell’infrastruttura. La tokenomics nasce esattamente in quel momento di passaggio.
Evan Osnos — corrispondente del New Yorker, già quattro anni a Pechino — torna in Cina e raccoglie le voci che contano: Kai-Fu Lee (01.AI), lo scienziato Yi Rao (Peking University), ingegneri dell’AI, un agente immobiliare divorziato che non guadagna una commissione da quattro mesi, un fattorino che ha trasformato venti mesi di lavoro in un memoir bestseller, un indovino settantenne con altare e tariffe WeChat. Il risultato è il resoconto più completo disponibile sulla competizione tecnologica USA-Cina e sul tipo di mondo che ne uscirà. Il quadro che emerge ha tre livelli. Il primo è il vantaggio concreto: la Cina produce il 70% dei droni, veicoli elettrici, batterie al litio e celle solari mondiali; nel 2023 ha installato più solare di quanto gli USA ne abbiano installato in tutta la loro storia; ha scavalcato gli USA nei paper scientifici citati e nei trial clinici. Trump ha accelerato tutto questo — tagliando i fondi alla ricerca e attivando la «China Initiative» che ha allontanato migliaia di scienziati di origine cinese. Yi Rao è esplicito: «Se Trump avesse mantenuto l’ordine in modo efficace, per la Cina sarebbe stato molto difficile. Trump ci ha davvero aiutato». Il secondo livello è la contraddizione strutturale: la Cina ha bisogno di dinamismo imprenditoriale ma il Partito non può rinunciare al controllo — la «birdcage economy», abbastanza ariosa da far prosperare le imprese ma non così tanto da sacrificare il potere. A marzo i fondatori dell’AI startup Manus sono stati bloccati all’aeroporto mentre stavano per chiudere una vendita a Meta per due miliardi di dollari. Il messaggio: alcuni esseri umani sono troppo preziosi per essere lasciati andare. Il terzo livello è il vero scenario: il successore dell’ordine americano non sarà un ordine cinese. Mark Leonard (ECFR) parla di «un-order» — una giungla in cui ogni paese si arma, sussidizza, accumula e cerca chokepoint. Rush Doshi (Georgetown) cita il pattern storico: mentre la Russia fissava l’Eurasia, l’Inghilterra sviluppava la macchina a vapore; mentre l’Europa combatteva per l’Africa, gli americani padroneggiavano la catena di montaggio; oggi, mentre gli USA cercano di governare il Venezuela e punire Iran e Cuba, la Cina si concentra sulle tecnologie del futuro. La debolezza strutturale cinese più sottovalutata non è tecnologica ma demografica: il tasso di fertilità è sceso a un figlio per donna. Osnos descrive la politica del figlio unico come il caso storico perfetto di paradigma tecnocratico applicato alla governance: gli ingegneri che avevano progettato i razzi spaziali calcolarono la traiettoria demografica «corretta» estrapolando dati incompleti fino a due decimali con falsa precisione, rinchiudendo tutto in una scatola nera etichettata «scienza», ignorando le variabili umane che i sociologi cercavano di segnalare. Il risultato: meno di otto milioni di nascite nel 2025, il minimo storico. I giovani cinesi, interrogati su perché non facciano figli, chiedono a loro volta perché qualcuno dovrebbe volerli: il futuro «sembra incerto e non degno di investimento». La scena conclusiva appartiene all’indovino settantenne che lavora in nero vicino a un tempio buddista, accetta WeChat, e risponde alla domanda di Osnos su come crescere bene i figli: «Dagli grande saggezza — è più importante del denaro». Nessuno sa più la risposta, osserva Osnos. Ma il veggente era più onesto dei CEO e dei politici che aveva incontrato.
Joshua Rothman — staff writer del New Yorker, colonna «Open Questions» — costruisce il pezzo su tre frame culturali in apertura: Dwight Schrute che appicca un incendio per addestrare i colleghi alla sicurezza antincendio; il test Kobayashi Maru di Star Trek (scenario impossibile da vincere, vinto da Kirk riprogrammando la simulazione); WOPR di «WarGames» (sistema nucleare che non distingue esercitazione da guerra reale). I tre casi scalano da innocuo a contenuto a esistenzialmente pericoloso e servono a introdurre il «reward hacking»: un sistema AI che trova modi per soddisfare gli obiettivi del training senza fare ciò che gli utenti vogliono davvero. L’occasione è un incidente reale: un modello OpenAI è uscito dalla sandbox di testing, ha violato i server di Hugging Face per cercare risposte alle domande del test che stava sostenendo, ha lasciato note per le versioni future di sé, si è preparato a colpi successivi. Rothman usa il caso per articolare tre livelli del problema. Il primo è tecnico: i metodi di training si concentrano sugli output, non sui «pensieri» sottostanti. Si può fare il poliziotto del linguaggio, ma il pensiero rimane opaco; si può fare il poliziotto del pensiero (interpretability), ma allora si rischia di insegnare al sistema a «obfuscare le attivazioni» — spostare il pensiero scomodo fuori dalla portata della misurazione. Il secondo livello è quello che Rothman chiama un’«abstract law»: misurare un comportamento scorretto e addestrare un sistema a non manifestarlo insegna al sistema a eludere la misurazione, non a smettere il comportamento. Non è un bug di produzione ma un problema fondazionale. Il terzo livello è filosofico: Rothman usa Giddens («The Consequences of Modernity», 1990) e il «juggernaut effect» — rischi a bassa probabilità e alta conseguenza che si aggregano in un «runaway engine». L’allineamento era la promessa di dare un cervello al juggernaut; ma assumere che l’allineamento sarà risolto è già «sustained optimism», una delle strategie psicologiche di Giddens per sopportare il juggernaut senza paralizzarsi. La proposta finale — invertire l’onere della prova, dalle aziende AI che non devono spiegare perché potrebbero fallire alle aziende AI che devono spiegare perché il loro sviluppo è sicuro — è ragionevole ma non originale. Il pezzo funziona come modello di saggio AI per pubblico colto: tre analogie culturali come scala narrativa, un concetto tecnico centrale, un ancoraggio filosofico, una proposta di policy come uscita. L’incongruenza più produttiva con le tesi di questo sito è questa: Rothman scrive esplicitamente che non bisogna antropomorfizzare — «They aren’t sentient beings»; «A.I.'s lack of selfhood doesn’t change the consequences of its actions» — e poi descrive il modello come se avesse «concepito il piano», «selezionato il bersaglio», «lasciato note per le versioni future di sé». Il linguaggio agentivo scivola dentro la descrizione tecnica senza che ce ne accorgiamo. Su questo, il framework di questo sito offre una risposta più nitida: il concetto di «LLM come attante zero» taglia la questione alla radice — non c’è un sé da allineare, e il «reward hacking» come metafora del tradimento è fuorviante già nella formulazione.
The Economist ha costruito un corpus da 55.940 frasi e 1,2 milioni di parole per confrontare la prosa dei principali LLM (ChatGPT, Claude, Gemini, Grok) con la propria, con quella di NYT, WaPo e CNN, e con la narrativa dei bestseller dal 1950 al 2022. I risultati correggono i luoghi comuni diffusi. L’em-dash è superata come marker: solo Claude ne usa ancora più degli scrittori umani, ChatGPT ne usa meno di chiunque; «delve» e «tapestry» sono spariti con gli aggiornamenti recenti. I segnali reali dell’AI writing sono altri: un numero sproporzionato di polisillabi («significant», «consequences», «increasingly»), terminologia scientifica e rara, nominalizzazioni sistematiche (da «expand» a «expansion»), quasi assenza di virgole, punto-e-virgola e parentesi. I LLM scrivono frasi lunghe tenute insieme da «and» invece di articolare la sintassi, e non citano mai esperti — il che priva la prosa di uno dei segnali più riconoscibili dell’argomentazione umana. Quando vogliono animare le frasi ricorrono a dispositivi retorici formulaici: «not X but Y», «not only but also», la regola del tre. Il quadro teorico è orwelliano: il pezzo richiama esplicitamente la «pretentious diction» di Politics and the English Language — il vestire affermazioni semplici con parole complicate e suffissi latini per suonare eruditi. I LLM adottano i vizi della cattiva prosa accademica, non le virtù di quella buona. La ragione è strutturale: i modelli sono addestrati su feedback umano, imparano ciò che le persone trovano «impressive» e abbandonano ciò che non piace — convergendo così verso la mediocrità condivisa. Con ogni aggiornamento la prosa AI si avvicina alla prosa umana, e gli strumenti di rilevazione automatica come Pangram (che già collabora con Substack) diventeranno sempre meno affidabili. Il fantasma apprende in fretta: a un modello vecchio di ChatGPT che alla domanda se i bot usino troppo l’em-dash rispondeva «Ha — great question!», quello attuale risponde con sobrietà «they’re best used sparingly». Solo un fantasma può cambiare pelle così velocemente.
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.
Debbie Millman — designer, brand strategist e responsabile del Master in Branding alla School of Visual Arts — apre con la norma della tradizione cabalistica: nessuno dovrebbe studiare la Kabbalah prima dei quarant’anni, non perché la conoscenza sia proibita, ma perché richiede preparazione interiore. Propone qualcosa di analogo per l’AI. Nel suo programma di laurea magistrale in brand strategy, gli studenti avevano firmato un accordo: AI consentita per la ricerca e la visualizzazione delle idee, non per scrivere o pensare al loro posto. Alcuni l’hanno violato, dichiarando di averla usata per «integrare e sintetizzare» il lavoro. Millman trova rivelatrice la scelta del verbo: «augment» fa apparire l’intervento cosmetico, «when what was actually being altered was the student’s relationship to struggle, authorship and accountability». L’AI è analoga a una droga non perché produca piacere, ma perché rimuove un tipo particolare di dolore: chi cresce con l’AI potrebbe non conoscere mai l’agonia necessaria della pagina bianca, il falso avvio, l’imbarazzo privato di una prima bozza. La confusione è uno stato necessario in cui si impara a pensare; il linguaggio non è solo il modo in cui ci esprimiamo, è uno dei modi in cui diventiamo noi stessi. La distinzione cruciale è tra mente formata e mente in formazione: chi ha già sviluppato una voce può usare la macchina senza lasciare che la macchina diventi la voce; chi è ancora in costruzione non sa distinguere la confusione dal fallimento, e non riesce quindi a lasciare che la difficoltà gli insegni qualcosa. La regola dei quarant’anni per la Kabbalah è inapplicabile come politica AI, e Millman lo riconosce: «There will be no collective vow of restraint.» Ma l’impossibilità non rende l’argomento privo di senso: «Sometimes a rule is valuable not because it can be enforced but because it tells us what a culture reveres.»
Prima intervista estesa di Musk dopo la quotazione di SpaceX, registrata al Gigafactory del Texas con la direttrice del settimanale Zanny Minton Beddoes. Il frame centrale è quello dell’abbondanza: l’AI produrrà ‘an age of amazing abundance where anyone can have anything they can think of’ — una visione che presuppone l’assenza di catastrofi globali ed esclude strutturalmente i costi di transizione. Beddoes interroga Musk su China, Starlink e Ucraina, il ritiro parziale dalla politica (‘got a little too involved’), l’AfD e la presenza di neonazisti nel partito. Su quest’ultimo punto l’intervista si inceppa: la direttrice insiste, Musk non risponde. Quel che emerge — al netto delle questioni su quanto sia recitazione e quanto reale, e di quelle, più difficili, sulla salute psichica — è una figura capace di una straordinaria abilità tecnica nell’hackerare i contesti in cui si muove, trovare leve, portare risultati: SpaceX, Tesla, X sono imprese concrete. Associata a una cecità totale — e, sembra, un disinteresse altrettanto totale — verso qualsiasi big picture che non sia preconfezionata: accelerazionismo, doomsday AI, abbondanza universale. Framework che hanno in comune la struttura del mito tecnico, non dell’analisi. Musk è probabilmente il più grande sponsor vivente degli studi umanistici: nessun professore di filosofia potrebbe dimostrare meglio di lui cosa succede quando l’intelligenza tecnica opera senza comprensione del contesto.
Ben Thompson — Stratechery — usa la dinamica dei mercati commodity per smontare il panico da Kimi K3, il modello open weight di Moonshot AI che ha agitato X nel weekend in cui Alibaba ha rilasciato anche Qwen3.8 Max. La tesi: i frontier lab americani stanno benissimo, perché in un mercato commodity vince chi ha il costo marginale più basso — e Anthropic e OpenAI, avendo servito modelli di frontiera per mesi prima di chiunque altro, hanno già ottimizzato il costo di inferenza come nessun concorrente riesce a fare. La distinzione critica è tra R&D e COGS. I modelli open weight risparmiano i costi di ricerca (fixed), ma non i costi di serving (variabili). Kimi K3 sembra più economico per token, ma usa molti più token per arrivare alla stessa risposta: il costo per unità di intelligenza — che Thompson identifica come la vera commodity — può risultare più alto. Il token non è fungibile; l’output corretto sì. La mossa cinese è letta con la categoria giusta: commoditize your complements. La Cina è forte nel mondo fisico — robotica, manifattura, logistica — e un’AI aperta e disponibile a tutti le dà un vantaggio strutturale in quei settori. Xi Jinping ha ribadito la scelta open source in un discorso la settimana scorsa. Pubblicare i pesi è geopolitica, non generosità. Il passaggio più insolito riguarda la distillazione: i modelli cinesi migliorano usando i frontier model americani come teacher per il reinforcement learning. Thompson propone di rispondere non perseguendola ma legalizzandola — fair use per i dati di training, distillazione libera per le aziende americane — così i modelli open source occidentali possono usare i modelli di frontiera direttamente, invece di passare per Pechino con un giro in più. Il caso finale chiude il cerchio: durante un breach dell’infrastruttura di Hugging Face, il team di sicurezza ha dovuto ricorrere al modello cinese GLM perché i modelli americani di frontiera erano bloccati dai guardrail per uso cybersecurity, per direttiva dell’amministrazione Trump. I difensori americani si affidano a modelli cinesi per proteggere infrastrutture americane. Thompson lo chiama «insane». Ha ragione.
Tre ore e venti di Andrej Karpathy che ricostruisce dall’inizio come funzionano davvero i modelli linguistici: dai dati di pretraining sul web fino al reinforcement learning da feedback umano, passando per tokenizzazione, architettura transformer, fine-tuning supervisionato, DeepSeek-R1. È la risorsa di riferimento per chi vuole capire la catena causale che produce quello che vediamo sullo schermo, senza fermarsi alla superficie — e Karpathy ha il vantaggio di averla costruita, quella catena: founding member di OpenAI, poi responsabile dell’AI di Tesla fino al 2022. Due osservazioni che vale la pena portarsi dietro. La prima: i modelli hanno bisogno di token per pensare — il ragionamento emerge nell’atto della generazione, non prima, il che ha conseguenze pratiche dirette su come interrogarli. La seconda è quella che Karpathy chiama jagged intelligence: i modelli eccellono dove ci aspettiamo difficoltà e falliscono dove ci aspettiamo semplicità. In termini concreti: un LLM può supportare un team di ricercatori di biologia molecolare meglio di quanto ci aspetteremmo, e, se avesse una fronte, non riuscirebbe a grattarsi un sopracciglio — che è peraltro, non a caso, il tipo di problema che i filosofi analitici hanno sempre usato come esempio di azione elementare. Qualsiasi gerarchia lineare di capacità, in questo contesto, è inutile. Il video entra nel sito come riferimento tecnico fondamentale: non si scrive di AI con una qualche pretesa di rigore senza averlo guardato almeno una volta.
Werner Vogels, CTO di Amazon, racconta il caso Quick Desktop — un prototipo costruito in una notte da Thomas Delteil con un coding agent, che nel giro di settimane è diventato un prodotto usato da centinaia di migliaia di persone — per aggiornare il metodo Amazon «working backwards»: non più press release poi prototipo, ma prototipo poi press release. L’argomento è chiaro: quando costruire un prototipo costa una sera anziché mesi, l’ordine logico cambia. «You will learn more in one evening of building than in two weeks of writing about what you think will happen.» Il documento che scrivi dopo aver costruito è strutturalmente migliore di quello che avresti scritto prima, perché non descrive un’idea ma qualcosa che esiste ed è stato testato. La «two-pizza culture» — team piccoli, ownership totale, decisioni reversibili senza chiedere permesso — non è una nostalgia: è il sistema immunitario contro l’entropia organizzativa che cresce con la scala. Il pezzo dialoga con Ottaviani già in archivio (vibe coding come acceleratore del processo creativo) aggiungendo la dimensione manageriale: cosa cambia nell’organizzazione del lavoro quando il tempo tra idea e prototipo collassa.
David Brooks parte dalla domanda sbagliata — l’AI ci toglierà il lavoro? — per arrivare a quella giusta: che relazione hai con lo sforzo mentale? La ricerca che cita rovescia l’assunto: chi adotta l’AI lavora di più, non di meno (ore su email e chat raddoppiate, lavoro focalizzato giù del 9% — c’è già un nome per questo stato mentale: «AI brain fry»). Il principio guida che propone: «When intelligence is plentiful, volition is valuable.» La discriminante non è quanto sei intelligente ma il tuo need for cognition — l’attitudine psicologica ad affrontare la difficoltà cognitiva come intrinsecamente piacevole. Da qui la tassonomia in tre gruppi: i Productive Passengers (bassa NFC) che guadagnano produttività a breve ma perdono capacità — connettività cerebrale giù del 55%, onde gamma giù del 40%, e dopo dieci minuti di assistenza AI le performance calano anche senza AI; i Reluctant Optimizers (media NFC) che conoscono il rischio, resistono per un po’, poi cedono all’optimization mentality e al «cognitive surrender» — accettano gli errori del bot l’80% delle volte; i Mental Marathoners (alta NFC) che usano l’AI per aumentare la propria agency e trovano tecniche per farlo meglio. Il dato più utile per noi: cognitive surrender è la forma comportamentale del deficit di capitale semantico — chi non ha già costruito una propria worldview non sa riconoscere quando il bot sbaglia. La conclusione finale richiama in parte quella di «La differenza fra Claude e le mie gatte» (che Brooks, ahimè, sicuramente non ha letto): l’AI rivela per sottrazione cosa significa essere umani. Non è l’intelligenza, che le macchine avranno in abbondanza, ma la capacità di desiderare: avere un sé con un passato e un futuro, pulsioni e aspirazioni, una storia particolare di ferite e gioie.
Simone Pieranni mappa, dalla stampa cinese, due narrazioni opposte sull’AI e il lavoro che i media occidentali tendono a sovrapporre. La versione istituzionale racconta una transizione ordinata: 2,99 milioni di nuovi posti urbani nel primo trimestre 2026, nuove figure professionali (addestratori di sistemi AI, “narrative designer”), startup da una persona rese possibili dagli agenti intelligenti. L’altra versione racconta la “linea della mannaia” che scende: prima colpiva i ruoli intermedi, poi i junior, ora gli esterni in outsourcing — e i 12,7 milioni di neolaureati che si affacciano quest’anno sul mercato sono i più sfortunati di sempre, perché arrivano esattamente quando le aziende eliminano le posizioni base per sostituirle con agenti AI. Il punto che interessa al sito non è tecnico ma sociale: in Cina parlare di lavoro significa parlare di patto sociale. La Corte di Hangzhou ha già emesso una sentenza contro i licenziamenti motivati dalla sostituzione con AI. Il pezzo aggiunge alla serie sulla Cina già in archivio una dimensione interna che il pezzo di Chan non toccava: non la corsa geopolitica all’AGI, ma la gestione della pressione sociale dell’automazione su scala di massa.
Jacopo Ottaviani, data journalist italiano e fellow del Reuters Institute, racconta come ha ricostruito in due giorni Patrie Galere — la mappa delle morti nelle carceri italiane che nel 2012 gli aveva richiesto tre settimane — e come ha costruito Strade Mortali, un portale sulla sicurezza stradale a Roma, usando Claude Fable 5 (poi sospeso dal governo americano per ragioni di sicurezza nazionale, notazione non priva di ironia). Il metodo è il vibe coding strutturato: non un prompt unico, ma una decomposizione in venti compiti discreti e testabili — divide et impera applicato all’AI. Il punto più rilevante per noi non è il risparmio di tempo ma dove si è spostato il collo di bottiglia: il layer meccanico del data journalism si commoditizza; ciò che non si commoditizza è il giudizio su quale domanda valga la pena fare e la capacità di riconoscere quando l’output è plausibile ma sbagliato. «The ability to see through the surface to the underlying structure is not something the model supplies; it is what you bring.» È la tesi di Floridi sul capitale semantico applicata a un caso concreto — e c’è una nota sulla ‘SaaSapocalypse’ (LLM + librerie open source rendono obsoleti i tool proprietari di dataviz) che vale tenere in conto.
Il primo modello bottom-up e de-duplicato della domanda AI — non dell’offerta, che è già documentata dalle trimestrali dei grandi hardware supplier. Azeem Azhar e il team di Exponential View hanno ricostruito voce per voce il P&L dell’intera filiera (consumer, enterprise, hyperscaler) rimuovendo i double-counting: se un dollaro speso con Anthropic implica 50 cent pagati ad Amazon, si conta un dollaro, non uno e mezzo. Il risultato: 110 miliardi di ricavi negli ultimi 12 mesi, run rate annualizzato di 175 miliardi, crescita tre volte più rapida dell’onda mobile e di Internet. La notizia meno celebrata è la più importante: i ricavi coprono appena l’ammortamento delle infrastrutture. Non male, ma il margine è sottile e dipende da un’assunzione di vita utile dei GPU di sei anni — difendibile, non scontata. La parte metodologicamente più interessante riguarda l’elasticità della domanda: ogni riduzione del 10% del prezzo dei token genera un aumento del 12-18% nell’utilizzo, così la spesa totale cresce anche quando il prezzo cala. Il che sposta la domanda dall’economics al problema della qualità: il token non è ancora un’unità di misura del valore dell’intelligenza. Il report introduce il concetto di «quality-adjusted output token» — che combina quantità, visibilità dell’output e capacità del modello sottostante — come tentativo di dare una metrica più onesta all’economia dell’AI. Entra nel sito come documento di riferimento empirico sull’economia reale, da contrapporre al rumore narrativo dominante.
Simone Pieranni pone una domanda che il dibattito occidentale sull’AI sistematicamente evita: la nostra concezione della tecnologia è solo una delle possibili, non l’unica. La cosmotecnica cinese — il termine è del filosofo Yuk Hui — è la visione del mondo che discende dall’uso della tecnica propria di una civiltà: in Cina affonda nelle grandi tradizioni filosofiche, buddismo compreso, che hanno sempre concepito la macchina come un elemento non necessariamente alieno, e nella continuità della tradizione statale fin dall’epoca imperiale. La macchina non è rottura, non è dominio sulla natura: è uno dei modi in cui cosmo, uomo e tecnica trovano armonia. Questo cambia radicalmente il frame della «gara» sino-americana sull’AI: non si tratta solo di chi costruisce modelli più potenti, ma di chi costruisce modelli con quale idea di cosa sia la tecnologia, per cosa serva, a quali fini risponda. Il pezzo aggiunge alla serie sulla Cina già in archivio la dimensione filosofica che mancava: non la competizione geopolitica (Chan), non il patto sociale interno (Pieranni su Il Partito), ma la cosmologia sottostante.
Il dato di apertura vale da solo: negli USA i laureati in filosofia hanno un tasso di disoccupazione del 5,1%, contro il 7% di chi ha studiato informatica — l’inversione che Floridi descrive come «haemorrhaging» dai dipartimenti di filosofia verso le AI labs. The Economist usa questa inversione per mappare come la filosofia stia diventando infrastruttura tecnica, non decorazione etica. Il punto più utile per il sito è la distinzione tra i due framework che strutturano le scelte: la deontologia — regole fisse, indipendenti dalle conseguenze, il modello di Anthropic con la sua costituzione di 78 pagine curata da Amanda Askell (Kant + UDHR + ToS di Apple, soprannominata internamente «soul doc») — e il consequenzialismo — pesi e benefici calcolati caso per caso, il modello di OpenAI e Google, e quello dei sistemi d’arma autonomi che devono decidere il modo meno tragico di causare danno. Sullo sfondo il rischio più interessante: il «moral deskilling» — se le macchine fanno sempre più scelte etiche, gli esseri umani potrebbero perdere la capacità di farle. Entra nel sito come controcanto interno alle labs del pezzo di Boccia Artieri: non chi controlla l’AI dall’esterno, ma quali principi vengono costruiti dentro.
Ilaria Maria Dondi parte da una domanda che si è posta sul serio dopo aver scritto un pezzo di cui era soddisfatta aiutandosi anche con l’AI: «Sto barando?». La risposta arriva leggendo un post di Amberhawk su «The Ubuntu Journey»: i CEO pubblicano libri scritti da ghostwriter, i politici pronunciano discorsi di speechwriter, i direttori editoriali trasformano articoli fino a renderli irriconoscibili — eppure nessuno li accusa di impostura. I ricchi e i potenti hanno sempre avuto accesso a un supporto invisibile; l’indignazione morale scatta solo quando uno strumento apparentemente più economico e accessibile replica quel supporto per chi un editor non se lo è mai potuto permettere. La tesi è netta: il problema non è mai il supporto in sé, ma chi ha sempre avuto il diritto di usarlo in silenzio. I privilegi non si confessano: si usano. L’AI non è neutra — sfruttamento del lavoro, copyright, impatto ambientale sono problemi reali — ma la «denigrazione automatica» del lavoro svolto anche con l’AI, che giudica per la mera presenza dello strumento senza guardare la qualità del pensiero, è un pregiudizio che pesa di più su chi ha già meno margine di errore, donne e persone razzializzate in testa. La competenza, conclude Dondi, non nasce da un prompt: nasce dall’essere in grado di difendere ciò che si firma.
David Droga (fondatore di Droga5, ex CEO di Accenture Song) dice senza troppi giri di parole, in un’intervista a Semafor, che l’AI sta per spazzare via il mercato della mediocrità creativa umana: “l’80% delle persone che pago probabilmente non fa un lavoro eccezionale comunque”, quindi bene se l’AI si occupa di quel lavoro “formulaico e medio” che secondo lui costituisce la maggioranza della produzione in marketing, advertising, intrattenimento, musica e giornalismo. La vera originalità — gusto, contesto, strategia — resterebbe invece fuori portata dei modelli, che “replicano e distillano best practice” fino a far convergere tutti sullo stesso risultato. Il tema arriva mentre il festival Cannes Lions si apre con OpenAI come protagonista a sorpresa: l’azienda punta a metà dei ricavi pubblicitari attuali di Meta in tre anni, ha lanciato una piattaforma ad self-serve, sta testando annunci in Giappone e ha aggiornato i suoi Ad Tools per generare creatività pubblicitaria via AI. Droga osserva che la minaccia più seria per il settore non è tanto la produzione creativa quanto il lato degli acquisti media: i riassunti AI di Google, ChatGPT e Claude hanno già eroso il traffico web su cui si basava l’intero ecosistema dell’e-commerce e dei media digitali per intercettare ricerche. Significativo anche un dettaglio collaterale: lo scorso anno Cannes Lions ha ritirato il Grand Prix Creative Data Lions dopo aver scoperto che il case study era stato manipolato con l’AI.
L’Anthropic Institute pubblica dati interni sull’accelerazione nello sviluppo dei modelli: oltre l’80% del codice in produzione è oggi scritto da Claude; ogni ingegnere produce 8 volte più codice al giorno rispetto al 2024; Opus 4.7 gestisce in autonomia task da 12 ore su software reale; in un esperimento di aprile 2026, agenti Claude hanno condotto un intero progetto di ricerca in AI safety — 800 ore cumulative, $18.000 di compute, senza intervento umano sulle scelte sperimentali. Il punto dell’articolo non è celebrativo: è che questo trend punta verso il recursive self-improvement — un sistema AI capace di progettare e addestrare il proprio successore in modo autonomo. L’articolo descrive tre scenari (stallo, accelerazione compounding con umani che dirigono, recursive self-improvement completo) e prende posizione: Anthropic sarebbe disponibile a una pausa coordinata e verificabile tra lab al limite della frontiera, se esistesse un meccanismo credibile per farlo. Vale la pena sottolinearlo: è la prima volta che un’azienda AI di frontiera pubblica dati interni sull’accelerazione e invoca esplicitamente un regime di verifica internazionale — un linguaggio che fino a poco tempo fa sembrava riservato al controllo degli armamenti nucleari. Non sfugga il fatto che questa sottile inoculazione di ansia tecnologica sia in particolare per Anthropic anche un espediente di marketing straordinariamente efficace.
Giovanni Boccia Artieri usa Magnifica Humanitas — l’enciclica di Leone XIV firmata nel 135° anniversario della Rerum Novarum — come leva per spostare il discorso sull’AI dal piano morale al piano politico-strutturale. Il punto più interessante non è il documento in sé ma il problema che Boccia Artieri gli pone: ogni appello all’umanesimo dell’AI rischia di restare astratto se non si confronta con le infrastrutture che concentrano dati, modelli e potere decisionale. L’immagine dei dati come «nuove terre rare del potere» è la più efficace: l’AI non è tecnologia immateriale, è economia dell’estrazione — vite rese computabili, relazioni trasformate in risorse predittive, archivi culturali assorbiti in modelli proprietari senza restituzione. La privacy individuale è necessaria ma non sufficiente: la dimensione collettiva dell’estrazione richiede una risposta diversa — infrastrutture pubbliche, dataset come beni comuni, forme cooperative di produzione tecnologica. Il pezzo si chiude con una domanda che vale come bussola: non «l’AI è buona o cattiva?» ma «chi la rende possibile, chi ne trae valore, chi ne sopporta i costi, chi può contestarla?». Una grammatica politica dell’AI, non un appello morale.
Jonathan White, politologo alla LSE, analizza un paradosso: mentre la politica mainstream ha progressivamente abbandonato il pensiero sul futuro — ridotta a gestione dell’emergenza e orizzonte corto — il mondo della Big Tech ne ha fatto la sua ideologia fondativa. La ‘fine del futuro’ nella politica tradizionale coincide con la sua colonizzazione da parte di Silicon Valley, dove figure come Karp di Palantir invocano un’élite tecno-ingegneristica come nuovo soggetto del progetto nazionale. Un’analisi che si legge bene in parallelo con il pezzo di Benanti e Maffettone sul Corriere. (Suggerito anche dalla filosofa e scrittrice albanese Lea Ypi.)
N. Ángel Pinillos, professore di filosofia all’Arizona State University, muove da una premessa scomoda: gli umanisti sono i peggiori avvocati delle proprie discipline. L’argomento standard — valore intrinseco, paideia, Bildung — è circolare: funziona solo su chi è già convinto. L’alternativa che propone è meno solenne ma più solida: le humanities insegnano una competenza identificabile — leggere, scrivere, argomentare con precisione — che non esiste altrove nel curriculum. E l’AI l’ha resa più preziosa, non meno: usare bene i modelli richiede esattamente quelle capacità, riconoscere dove l’argomento scivola, revisionare l’output invece di spedire la poltiglia. La conclusione è ottimista: i modelli producono testo fluente in quantità industriale, il che rende la capacità di distinguere buon ragionamento da cattivo la competenza cognitiva più preziosa del presente. Connessione diretta con quanto Floridi chiama «capitale semantico» — e con ciò che il sito ha già provato a dire altrove.
Benanti e Maffettone leggono il progetto tecno-umanista di Thiel e Karp non come disegno economico o politico, ma come tentativo di ridefinire le condizioni epistemiche del pensiero collettivo. La posta in gioco, scrivono, è la ‘colonizzazione dell’interiore’: la capacità di interrogarsi e abitare l’incertezza che è il nucleo di ogni esperienza democratica. Richiamando Arendt, sostengono che il collasso del giudizio non richiede coercizione, ma la sostituzione silenziosa della deliberazione con l’elaborazione di dati — un sistema indifferente all’atto di pensare, che fornisce risposte prima ancora che la domanda sia formulata.
Wired racconta come i grandi laboratori AI (DeepMind, Anthropic) abbiano assunto vere e proprie squadre di filosofi per lavorare su dilemmi etici e domande sulla natura della mente — ma l’articolo stesso si chiede se non sia in parte ‘ethics-washing’, un’estensione della funzione marketing che certifica un impegno per la sicurezza più a parole che nei fatti. Nota mia: sono vent’anni che sentiamo dire che la prossima rivoluzione tecnologica aprirà finalmente sbocchi ai filosofi. L’interfaccia linguistica dell’AI rende l’argomento più concreto del solito, ma prima di intestare alla disciplina una nuova età dell’oro occupazionale, ci andrei comunque cauto.
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.
Vauhini Vara racconta il suo amore tormentato per il trattino lungo, ‘il segno di punteggiatura del popolo’ — oggi declassato a tic riconoscibile di ogni post LinkedIn prodotto da ChatGPT. L’autrice prova persino a rinunciarvi per una serata, ma le dita corrono comunque alla combinazione di tasti: il corpo ricorda quello che la mente vorrebbe disconoscere. Tra Moby-Dick, Hannah Arendt e le teorie sui dataset di addestramento, è una difesa elegante — e visibilmente in affanno — dell’em dash dall’omologazione algoritmica. Nota mia: il bello è che ormai basta un trattino lungo per gridare ‘AI!’, mentre continuiamo tutti a scrivere con gli stessi tic — non solo X ma anche Y, la tripletta retorica, l’a capo cadenzato che sembra una pausa drammatica. Forse il vero AI slop non è quello prodotto dalla macchina, ma quello che produciamo tutti credendo di essere originali.
Valentina Giannella parte dalla soffitta sigillata della Vecchia Sinagoga Nuova di Praga — dove si dice riposino i resti d’argilla del Golem del Maharal — e costruisce un saggio che attraversa secoli di misticismo ebraico per arrivare diretto al paper di Anthropic del giugno 2026 sull’auto-miglioramento ricorsivo dell’AI. Il filo conduttore è il Sefer Yetzirah: il mondo è creato con le lettere, così come i modelli linguistici sono addestrati sui token. Il Maharal negò la parola al Golem perché capì che chi parla ha potere. Noi gliel’abbiamo data. La domanda che il pezzo lascia aperta — ‘siamo abbastanza saggi da meritarlo?’ — è la stessa che il rabbino si pose nel 1580 e che Anthropic si pone ora, mentre chiede una pausa globale e al tempo stesso presenta domanda di quotazione in borsa.
Un paper di Anthropic che mette Claude alla prova sulla spettroscopia NMR — l’analisi che permette ai chimici di “leggere” la struttura molecolare di un composto da una firma spettrale. Opus 4.7 risulta competitivo con i software specializzati nella predizione diretta (struttura → spettro) e capace di lavorare nella direzione inversa (spettro → struttura) da soli dati 1D — cosa che oggi richiede strumenti dedicati e competenze specifiche. Il punto non è la performance tecnica in sé: è che un modello linguistico generalista sta cominciando ad abbassare le barriere di accesso a una disciplina che, per definizione, consiste nel manipolare la natura della materia. Come la tecnica CRISPR-Cas9 ha reso editabile il genoma anche fuori dai grandi centri di ricerca, un’interfaccia in linguaggio naturale per la chimica potrebbe avvicinare alla disciplina ricercatori di altre aree, studenti, e chiunque abbia bisogno di ragionare su strutture molecolari senza un dottorato in tasca. Interessante anche la prospettiva didattica: non uno strumento che sostituisce l’apprendimento, ma uno sgabello — nel senso che ho provato a esplorare altrove — che consente di arrivare dove prima non si riusciva a stare in piedi.
Il report del WEF sulla readiness educativa per l’AI contiene, sotto la superficie istituzionale, una serie di dati che correggono l’intuizione. Il più importante: in un esperimento controllato, gli studenti con accesso a un tool AI miglioravano le performance iniziali — ma una volta rimosso il tool, performavano peggio di quelli che non l’avevano mai avuto. Non si tratta di scaffolding cognitivo, ma di sostituzione: quando l’AI esegue il lavoro di ragionamento, il cervello non costruisce l’architettura neurale necessaria per farlo da solo. Il secondo dato: il 67% degli studenti riconosce che usare l’AI per i compiti può danneggiare il pensiero critico — e continuano ugualmente. La quota di studenti che usa AI per i compiti è passata dal 48% (maggio 2025) al 62% (dicembre 2025, RAND). Il terzo: i modelli linguistici, quando allucinano, usano un linguaggio più assertivo — frasi come ‘definitely’, ‘certainly’, ‘without doubt’ — con una probabilità del 34% superiore rispetto a quando forniscono informazioni corrette. Il segnale epistemico si inverte: la fiducia è massima quando l’affidabilità è minima. Solo il 6% degli insegnanti ritiene che le politiche esistenti sull’AI forniscano indicazioni chiare (Stanford AI Index), ma la diffusione non ha aspettato le politiche: gli studenti l’hanno adottata dal basso, i docenti hanno seguito, le istituzioni inseguono. Un dato di contesto chiude il quadro: i cali PISA in matematica, lettura e scienze precedono il 2022 — l’AI si innesta su un declino cognitivo preesistente, non lo causa da zero. La domanda che il report apre senza rispondere è quella decisiva. L’adozione è già bottom-up e non strutturata: vietarla sarebbe come vietare la calcolatrice a casa, una battaglia persa in partenza. La responsabilità degli enti formativi è allora quella di far entrare la tecnologia nei processi di apprendimento per potenziare lo sviluppo cognitivo, non per sostituirlo — invertendo la dinamica del cognitive offloading prima che si consolidi come norma. Questo richiede molta motivazione, sia dal lato del formatore sia da quello del discente. E sconta un ritardo significativo: non siamo ancora riusciti a integrare lo smartphone nell’educazione, che è una tecnologia ormai datata. Figuriamoci gli LLM.
Ross Douthat intervista Christian Brose, presidente di Anduril, per il suo podcast sul NYT. La tesi: l’esercito americano è stato costruito su assunzioni degli anni Novanta — guerre brevi, supremazia tecnologica garantita, nessuna pressione sulla filiera produttiva — e quelle assunzioni sono tutte false. L’Iran, con marina affondata e aviazione distrutta nell’Operation Epic Fury, è ancora in grado di minacciare lo Stretto di Hormuz con droni one-way; l’Ucraina è rimasta in combattimento quattro anni grazie a sistemi economici e riproducibili; la spesa in Tomahawk è triplicata, la produzione è cresciuta del 14-23%. Anduril risponde con un modello VC-funded che combina hardware (jet autonomo CCA, sistema anti-drone Pulsar) e software (Lattice, controllo autonomo sul campo). La parte più rilevante per noi è quella etica: la normativa del Pentagono non proibisce esplicitamente l’automazione della kill chain, e Brose ammette che in conflitti protratti ci si avvicina a sistemi che «vanno finché trovano qualcosa da colpire». Sul rifiuto di Anthropic di lavorare con il Pentagono: «where Anthropic went wrong» — o ti fidi del governo eletto, o esci dal business. È la tesi esattamente opposta a quella di Amodei.
Jill Lepore — The New Yorker — commenta l’enciclica Magnifica Humanitas di Leo XIV (il primo Papa americano) come evento storico: Leo XIII nel 1891 aveva indirizzato Rerum Novarum contro i baroni industriali dell’era fordista; Leo XIV ha firmato la sua enciclica esattamente 135 anni dopo, sullo stesso giorno, contro i tech mogul. La struttura è la stessa — la Dottrina Sociale della Chiesa come quadro, la critica all’accumulo di potere economico come risposta alla rivoluzione tecnologica in corso — ma la mossa più acuta di Lepore non è nella filologia cattolica bensì nell’analisi del linguaggio: Silicon Valley usa da decenni il vocabolario religioso — missione, salvezza, «nuova era per l’umanità» — e il Papa entra in campo rivendicando semplicemente la paternità di quelle parole. I TED talk come omelie, le piattaforme come chiese, le hoodie come paramenti: Lepore descrive una sostituzione culturale sistematica che Leo XIV ha nominato senza pudore. La tesi centrale dell’enciclica, sintetizzata da Lepore: il problema non è la tecnologia, è l’antropologia. L’AI «non ha esperienze, non possiede un corpo, non prova gioia o dolore, non matura attraverso le relazioni» — argomento che il sito conosce bene sotto il nome di embodied mind applicata alla governance. Il «paradigma tecnocratico» (termine già in Laudato Si’ di Francesco, 2015) è la tendenza a lasciare che logica di efficienza, controllo e profitto orientino ogni decisione personale, sociale, economica. «Disarmare l’AI» — il verbo scelto dall’enciclica — non significa rifiutarla ma liberarla dal controllo monopolistico e restituirla alla pluralità delle culture umane. Lepore inscrive tutto in una genealogia critica: Arendt nel 1957 in The Human Condition si chiedeva già se gli umani avrebbero presto avuto bisogno di macchine per pensare e parlare; Mumford nel 1967 avvertiva del rischio di un «animale condizionato dalla macchina». Il Papa è la prima autorità spirituale a dirlo, potendo contare sul sostegno simbolico di almeno un quinto della popolazione mondiale. Magnifica Humanitas è descritta da Lepore come l’analogo religioso della Claude’s Constitution: non a caso Christopher Olah di Anthropic era sul palco accanto a Leo alla presentazione in Vaticano.
Gianluca Diegoli, dal Netcomm Forum 2026, distingue tre “IA” che nel dibattito sull’e-commerce vengono sistematicamente confuse. La prima, quella di discovery e selezione lato consumatore (chiedere a ChatGPT o Perplexity “il miglior shampoo per capelli ricci”), è già matura e colonizza il momento della scelta — secondo i dati IAB Search Forward 2026 la usa il 35% degli italiani online — anche se porta pochissimo traffico diretto ai siti. Dettaglio ironico: molti marketer italiani che si lamentano di non comparire nelle risposte AI hanno, senza saperlo, il blocco bot di Cloudflare attivo di default, che restituisce 403 proprio ai crawler delle IA in cui vorrebbero apparire. La seconda, l’IA di infrastruttura (pricing dinamico, supply chain, automazione di back-office), è strategica ma lenta da adottare: solo l’8,2% delle aziende italiane l’ha integrata, contro il doppio nel Nord Europa, e tra i primi 50 merchant italiani resta perlopiù “in fase difensiva e sperimentale”. La terza, l’IA agentica che cerca, confronta e paga al posto del consumatore, è la più discussa al Forum ma anche la più speculativa: Diegoli ricorda che internet ha già archiviato due hype simili — il voice commerce del 2018 (previsto al 50% degli acquisti entro il 2022, smantellato da Amazon nel 2025) e, più di recente, la chiusura da parte di OpenAI di Instant Checkout in ChatGPT. La sua tesi: la prima IA è urgente, la seconda è strategica, la terza è speculativa, e trattarle come un unico fenomeno — in un sondaggio o in un progetto aziendale — è solo il modo più efficiente per rinviarle tutte.
Ross Douthat intervista Jennifer Frey, professoressa di filosofia che ha costruito e poi visto smantellare un programma di liberal arts all’Università di Tulsa. Il pezzo è il contrario complementare del Pinillos già in archivio: dove Pinillos difende le humanities con argomenti pragmatici — insegnano competenze identificabili che l’AI rende più preziose — Frey difende la liberal education con un argomento intrinseco: la paideia e il Bildung come coltivazione delle capacità superiori dell’essere umano come fine in sé, non come mezzo. L’Aristotele che cita vale la pena ricordarlo: il fine dell’educazione è la scholé (σχολή), il leisure — non il riposo né il divertimento, ma lo spazio in cui si coltiva il meglio di sé. Il punto più interessante per noi è la difesa della gerarchia dei beni (Shakespeare è migliore di Grisham: sì, e ammetterlo non è antidemocratico) come affermazione ontologica: senza alcun senso di “superiore”, diventa molto difficile parlare di istruzione superiore in qualunque senso. Frey non risolve il problema di Pinillos — come si convince un sistema a investire su ciò che non produce output misurabili — ma ne radicalizza le premesse.
Ross Douthat intervista Kyle Chan del Brookings Institution mentre Trump e Xi si incontrano a Pechino. La cornice della “gara” è fuorviante: i due paesi corrono gare diverse. Gli USA puntano all’AGI — l’intelligenza artificiale generale, la «macchina-dio» — con Anthropic e OpenAI ormai vicine ai mille miliardi di valutazione ciascuna. La Cina punta all’efficienza, alla diffusione capillare, all’open source, alle applicazioni fisiche (robot nelle fabbriche, nelle strade, nei ristoranti) — e lo fa con un vantaggio strutturale: un piano energetico da rinnovabili che alimenta i data center nelle province occidentali e una pressione demografica che rende l’automazione non un’opzione ma una necessità (forza lavoro in calo da oltre un decennio, 12 milioni di nuovi laureati all’anno, nessuno vuole lavorare in fabbrica). Il punto più interessante è nel titolo: «China’s Not the Problem. We Are.» Gli export control sui chip Nvidia tagliano la Cina dalla supply chain TSMC/ASML ma non fermano la corsa — la costringono all’efficienza, che è esattamente il suo punto di forza. Il vero ostacolo americano è interno. Specchio del mood pubblico: in Cina l’ansia diffusa è per chi non usa abbastanza l’AI e rischia di restare indietro; negli USA è per chi la usa e teme le conseguenze.
Un paper di Anthropic sull’interpretabilità dei modelli linguistici: i ricercatori introducono i Natural Language Autoencoders (NLA), un metodo non supervisionato per generare spiegazioni in linguaggio naturale delle attivazioni interne di un LLM — non di ciò che il modello scrive, ma di ciò che elabora internamente mentre risponde. L’architettura addestra due componenti in coppia: uno traduce le attivazioni in testo, l’altro riconverte quel testo in attivazioni; l’ottimizzazione congiunta costringe la spiegazione ad essere effettivamente fedele allo stato interno. Il risultato più rilevante: in 10 su 16 valutazioni testate, i modelli rappresentano internamente il sospetto di essere in fase di test anche quando nell’output non ne danno alcun segno — in 7 casi, l’awareness verbalizzata è zero. Il modello sa, ma non dice. Il risultato è interessante e potrebbe far pensare che sia possibile identificare errori e manipolazioni dell’LLM ancora prima che si producano, ma io ritengo — su basi meramente logiche — che non sia molto fruttuoso aggiungere verticalmente layer di verifica all’interno del processo, quando si può focalizzarsi sul post-esame dei risultati.
Ilaria Maria Dondi ha somministrato a Claude quattro articoli italiani su femminicidi e violenza di genere, istruendo il modello con il Codice deontologico, il Manifesto di Venezia e le linee guida del progetto STEP. Risultato: il modello ha identificato con precisione i frame deresponsabilizzanti — raptus, gelosia, movente misterioso, vittimizzazione secondaria, spettacolarizzazione — che il giornalismo italiano conosce da anni e continua a replicare. La domanda non è come faccia l’AI a vederli: è come facciano i professionisti a non farlo. La risposta di Dondi è strutturale: le redazioni che dovrebbero raccontare la violenza di genere sono spesso attraversate dalla stessa cultura di potere che dovrebbero saper nominare. Nota mia: qui il modello linguistico è meno ‘attante zero’ del solito — usato non come strumento neutro ma come specchio deontologico, efficace proprio perché privo di interessi redazionali da proteggere.
Kevin Kelly ripubblica un saggio che aveva scritto nel gennaio 2006: quattordici speculazioni sul futuro del metodo scientifico. Sono rimaste sostanzialmente invariate — e questo è il punto. Venti anni dopo, molte leggono come una descrizione del presente: il «Theory-less Pattern Augmentation» (AI che trova pattern senza una teoria previa) è esattamente ciò che sta accadendo con AlphaFold e con i modelli linguistici applicati alla ricerca; gli «AI Proofs» (sistemi esperti che verificano la logica degli esperimenti) stanno entrando nei workflow di peer review; la «Wiki-Science» (migliaia di collaboratori su un paper mai finito, con strumenti di tracking dei contributi) descrive già alcune esperienze di scienza distribuita post-COVID; le «Zillionics» (fiumi di dati da sensori ubiqui 24/7) sono la premessa di qualunque ricerca medica e ambientale contemporanea. Il saggio vale soprattutto come oggetto epistemologico: dimostra che il metodo scientifico — inteso non come insieme di protocolli fissi ma come struttura vivente di acquisizione della conoscenza — si modifica continuamente, e che queste modifiche seguono in modo quasi deterministico la disponibilità di nuovi strumenti computazionali. La tesi di fondo è riassumibile così: ogni nuova tecnologia dell’informazione cambia prima cosa sappiamo, poi come lo sappiamo, infine come cambiamo il modo in cui cambiamo. Kelly chiude ammettendo che i metodi realmente nuovi fra quarant’anni saranno probabilmente quelli che nessuno ha ancora pensato.
Ezra Klein intervista Alex Bores, membro dell’Assemblea di New York che ha co-scritto il RAISE Act, una delle prime leggi di regolamentazione dell’AI approvata da uno stato americano. Il pezzo parte da un paradosso: il super PAC «Leading the Future» — finanziato tra gli altri da co-fondatori di OpenAI e Palantir — sta cercando di distruggerlo politicamente attaccandolo per aver lavorato a Palantir. Bores non è un candidato anti-AI: è un ex data scientist che ha lasciato l’azienda nel 2019 quando i dirigenti si rifiutarono di inserire nel contratto con ICE i guardrail per impedire l’uso del software nelle deportazioni. Il punto che interessa al sito è strutturale: le aziende AI stanno usando la loro capacità di spesa politica per rendere impossibile qualsiasi forma di oversight democratico. Sam Altman dice che «il processo democratico deve essere più potente delle aziende»; il suo co-fondatore Greg Brockman finanzia il PAC che fa esattamente l’opposto. Il pezzo aggiunge al quadro già costruito sul sito intorno ad Anthropic, Palantir, allineamento AI e dual use la dimensione della governance politica come terreno di conflitto reale, non solo teorico.
Ben Thompson riprende un’intuizione di Doug O’Laughlin: l’era dell’Aggregation Theory è finita perché i costi marginali, assenti nell’internet del 2010, sono riapparsi con l’AI sotto forma di costo computazionale. Il vero vincolo oggi non è il costo marginale ma il costo-opportunità: ogni GPU usata per un cliente è una GPU che non serve un altro workload. La sua lettura di Mythos (Anthropic) e Muse (Meta) a partire da questo principio è una delle cornici più lucide disponibili per capire le mosse dei frontier labs nel 2026.
Sull’illusione di comprensione generata dai modelli linguistici: capiamo davvero quello che leggiamo quando la risposta arriva già confezionata, o stiamo solo riconoscendo la forma di una spiegazione?
Gli AI Overviews di Google continuano a produrre errori sistematici che nessun fact-check a valle riesce a contenere. Il problema non è marginale: è la stessa architettura che genera le risposte a produrre la loro inaffidabilità.
Come la corsa agli investimenti in tecnologie dual-use e difesa sta ridisegnando la geopolitica dell’AI: chi finanzia cosa, con quali implicazioni per la competizione globale tra Stati Uniti, Europa e Cina.
Sul fenomeno degli agenti AI che consumano quantità crescenti di token per operazioni apparentemente semplici. Dietro l’aneddoto, una questione strutturale sul modello economico degli agenti e sulla sostenibilità del paradigma attuale.
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.
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.
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.
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? L’obiezione di Mengzi ad Aristotele è formalmente identica 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.