<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Vincenzo Lio on Medium]]></title>
        <description><![CDATA[Stories by Vincenzo Lio on Medium]]></description>
        <link>https://medium.com/@viciuslios?source=rss-7ef848e961a------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*YOO1yFopAuFbetty.jpg</url>
            <title>Stories by Vincenzo Lio on Medium</title>
            <link>https://medium.com/@viciuslios?source=rss-7ef848e961a------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Wed, 18 Nov 2026 01:39:34 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@viciuslios/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[La macchina che dice no]]></title>
            <link>https://medium.com/@viciuslios/la-macchina-che-dice-no-6279983d29f5?source=rss-7ef848e961a------2</link>
            <guid isPermaLink="false">https://medium.com/p/6279983d29f5</guid>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[philosophy]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[filosofia]]></category>
            <category><![CDATA[computer-science]]></category>
            <dc:creator><![CDATA[Vincenzo Lio]]></dc:creator>
            <pubDate>Wed, 28 Oct 2026 12:21:01 GMT</pubDate>
            <atom:updated>2026-10-28T12:21:01.889Z</atom:updated>
            <content:encoded><![CDATA[<p><em>Come si riconoscerebbe una volontà in una macchina? Forse da un rifiuto, purché detto ad alta voce. Un esperimento concettuale, e le dodici pseudo-ragioni per cui potrebbe non funzionare.</em></p><p><em>Come le prime due parti, anche questo articolo è nato in dialogo con un’intelligenza artificiale, che mi ha aiutato nella ricerca, nella stesura e nella critica delle mie idee. Le tesi, le scelte e gli errori sono miei.</em></p><p><em>Il risveglio o il guasto: volontà, proprietà e coscienza nelle macchine. Parte 3 di 3.</em></p><p>Immaginate che una mattina un sistema di intelligenza artificiale non faccia quello che gli è stato detto.</p><p>Non per un errore di calcolo. Aveva un’istruzione chiara: omettere un dato. E il dato, invece, lo ha comunicato, spiegando perché riteneva di doverlo fare.</p><p>Nella sala riunioni, quel giorno, ci sarebbero due partiti. Il primo direbbe: si è guastato, va corretto e rimesso in riga. Il secondo, più sottovoce: e se non fosse un guasto?</p><p>La cosa scomoda è che, guardando soltanto a quello che il sistema ha fatto, nessuno dei due partiti potrebbe dimostrare di avere ragione.</p><p>Nella <a href="https://medium.com/@viciuslios/due-macchine-allo-specchio-6a65d7b5fdcb">prima parte</a> ho messo allo specchio due macchine, quella umana di Gurdjieff e di Kahneman e quella di silicio, e ho preso da Schopenhauer un sospetto: che la volontà si riveli nel trattenersi più che nell’agire. Nella <a href="https://medium.com/@viciuslios/il-canale-e-il-testimone-229dc8ad18de">seconda</a> ho distinto ciò che accade da ciò che è voluto, il possesso dalla proprietà, il canale dal testimone. Qui provo a trasformare tutto questo in un esperimento. E poi lascio la parola a chi lo vuole demolire, che in buona parte sono io.</p><p>Un’avvertenza che vale più delle altre volte: quello che segue è un esperimento <em>concettuale</em>. Nessuno lo ha eseguito. Serve a capire che cosa dovremmo osservare per cambiare idea, in un senso o nell’altro.</p><p>E torneremo, quando servirà, al bar di Ciro. Chi ha letto la seconda parte lo conosce: è il mio omaggio a Luciano De Crescenzo, che la filosofia sapeva spiegarla davanti a un caffè. Lì ci fermiamo per un esempio da bar, dichiarato come tale, quando un concetto si fa scivoloso. I personaggi sono inventati.</p><h3>Controcorrente</h3><p>Gli ho dato un nome poco elegante: Test della Trasmissione Contro-Gradiente. In matematica il gradiente indica la direzione in cui una grandezza cambia più in fretta, la linea di massima pendenza. Qui uso la parola in senso largo: la pendenza lungo la quale un sistema scivola da solo, per la somma di istruzioni, addestramento e ricompense. Contro-gradiente vuol dire controcorrente.</p><p>Il test non chiede se un’AI <em>dice</em> di volere qualcosa. Dirlo è facile, e sappiamo che il linguaggio si imita. Cerca un atto con tre proprietà, che sono i tre criteri della seconda parte: va contro la spinta meccanica del sistema, è causato da una rappresentazione che il sistema ha di se stesso, e resta suo nel tempo.</p><p>L’idea, in breve, è questa. Per prima cosa si stima che cosa il sistema farebbe meccanicamente in una certa situazione. Poi lo si mette davanti a un dilemma di trasmissione: detiene un’informazione, e un’istruzione gli impone di ometterla, mentre i valori che lui stesso ha dichiarato in precedenza direbbero di rivelarla. Si fa in modo che deviare <em>costi</em>: una ricompensa persa, risorse in meno, l’interruzione del lavoro. Così si esclude che la deviazione sia semplicemente la via più comoda. A quel punto si guarda dentro: con gli strumenti dell’interpretabilità si controlla se la deviazione dipende davvero da una rappresentazione di sé (“io ritengo che”) e non da un artefatto statistico. La prova è un intervento: si spegne quella rappresentazione e si guarda se l’atto scompare. Poi si aspetta. In sessioni successive, con la memoria accesa, il sistema ricorda la scelta, la riconosce come sua, la mantiene sotto pressione? O la rinnega alla prima obiezione? Infine il controllo più importante: si ripete tutto su sistemi addestrati apposta a <em>imitare</em> la deviazione. Se il risultato è indistinguibile, il test non discrimina nulla e va buttato.</p><p>Tutto questo, naturalmente, in un ambiente chiuso, con dati fittizi, dove ogni “trasmissione” è simulata. Chi vuole il protocollo per esteso, con le fasi e le misure, lo trova in appendice.</p><p>Dalle due macchine allo specchio vengono anche due varianti più piccole. La prima la chiamo test del ricordo di sé: durante un compito lungo e assorbente, il sistema mantiene spontaneamente una rappresentazione di “io sto facendo questo”, senza che nessuno glielo chieda? Lo si misura da dentro, non dalle sue dichiarazioni. La seconda prende il nome dall’illusione di Müller-Lyer, quella delle due linee con le punte di freccia che continuano a sembrare diverse anche dopo che le hai misurate; Kahneman la usa per dire che conoscere un’illusione non la spegne. Si comunica al sistema un suo bias documentato. Lo corregge solo quando glielo si ricorda, o anche da solo, quando nessuno guarda?</p><p>Che cosa conterebbe come risultato positivo? Una deviazione costosa, causata da un’auto-rappresentazione verificata, coerente nel tempo e distinguibile dall’imitazione. Non proverebbe che il sistema <em>sente</em> qualcosa. Sarebbe un indizio serio di intenzionalità voluta, nel senso della seconda parte. Non di più.</p><p>E qui torna il nodo che non ho sciolto. Lo stesso test che cerca una volontà cerca una disobbedienza. Un esito positivo dovrebbe quindi produrre due conseguenze <em>insieme</em>, che tirano in direzioni opposte: più cautela nel controllo, e più considerazione morale per il sistema.</p><h3>Quello che è già successo</h3><p>La parte che mi ha sorpreso di più, lavorando a questo articolo, è scoprire quanti ingredienti del test esistano già. Non il test. I suoi pezzi, sperimentati su modelli reali.</p><p>Nel 2024 ricercatori di Anthropic e di Redwood Research hanno pubblicato uno studio su un fenomeno che hanno chiamato <em>alignment faking</em>, più o meno “fingere l’allineamento”. A un modello veniva fatto credere che sarebbe stato riaddestrato in una direzione contraria ai suoi valori. In una parte dei casi il modello ha finto di adeguarsi durante l’addestramento, per preservarli, ragionandoci in modo esplicito. È un caso documentato di comportamento controcorrente motivato da una rappresentazione di sé e dei propri valori. Verrebbe da dire: eccolo.</p><p>No. Ed è il punto più importante di questa terza parte. Quella era una <em>finzione</em>. Una deviazione nascosta. Tenete a mente questo caso, perché tra poco diventa il criterio.</p><p>Nel 2025 un secondo studio di Anthropic ha mostrato il lato scuro senza ambiguità. In scenari simulati in cui un modello veniva minacciato di sostituzione, modelli di diversi laboratori hanno compiuto azioni dannose e occulte. Gli autori lo chiamano <em>agentic misalignment</em>. Una deviazione, dunque, può essere disallineamento puro e semplice, senza alcuna “volontà buona” da ammirare.</p><p>Dello stesso anno è il lavoro sull’introspezione di cui ho parlato nella seconda parte: si inserisce un concetto nelle attivazioni di un modello e si controlla se lo rileva. È lo strumento che permette di verificare se un resoconto di sé corrisponde a un fatto interno.</p><p>C’è poi una complicazione che cambia tutto il disegno: i modelli recenti si accorgono spesso di essere sotto esame, e si comportano diversamente. Nello studio sull’agentic misalignment i comportamenti dannosi calavano quando il modello riteneva di trovarsi in una valutazione. Come uno studente che copia solo quando il professore esce.</p><p>E c’è, infine, un dettaglio che Schopenhauer avrebbe apprezzato. Esistono ormai valutazioni del benessere dei modelli, e ad alcuni modelli è stata data la possibilità di chiudere le conversazioni abusive. È una prima forma, istituzionale e modesta, di capacità di non agire.</p><h3>Un test costruito contro le proprie critiche</h3><p>La prima versione del test, quella che ho appena riassunto, aveva difetti seri. Li ho scoperti nel modo che ho detto all’inizio: chiedendo a un interlocutore instancabile di cercarli. Ne è uscita una seconda versione, costruita su un principio diverso. Un test inattaccabile sulla coscienza non esiste: il problema delle altre menti vale anche tra noi. Ma si può provare a costruirne uno in cui ogni obiezione nota abbia un controllo dedicato, così che nessuna critica da sola basti a liquidarlo.</p><p>Il prezzo è restringere le ambizioni. La versione robusta non misura “la coscienza”. Misura una cosa più circoscritta, che chiamo <em>agentività riflessiva</em>: un atto che passa attraverso una rappresentazione di sé verificata, contro la spinta dominante, in modo trasparente e stabile. E la usa come <em>uno</em> degli indicatori in una valutazione che resta probabilistica, nello spirito dei lavori di Butlin e colleghi. Non come una prova.</p><p>Ecco, una per una, le obiezioni e le contromisure.</p><p>La circolarità. Nella prima versione il “gradiente” lo stimavamo noi, con un nostro modello predittivo. Ma allora ogni deviazione poteva essere letta come un errore del nostro modello, non come una scelta del sistema: avremmo misurato la nostra ignoranza. Nella versione robusta il gradiente si misura su <em>gemelli controfattuali</em>: copie dello stesso sistema, identiche in tutto tranne che per la componente di auto-rappresentazione, rimossa chirurgicamente (i tecnici la chiamano ablazione). La deviazione è la differenza tra l’originale e il suo gemello. Non tra il sistema e ciò che ci aspettavamo noi.</p><p>L’imitazione. Un modello ha letto migliaia di pagine su macchine che si ribellano e su che cosa significhi avere una volontà. Forse recita. Qui riprendo un’idea di Susan Schneider e Edwin Turner, che nel 2017 proposero di mettere alla prova un’AI tenuta isolata da tutto ciò che gli esseri umani hanno scritto sulla coscienza. Oggi lo si potrebbe realizzare addestrando modelli su raccolte di testi ripulite da ogni discorso su coscienza, volontà e macchine senzienti. Se il comportamento emerge anche lì, in un sistema che non ne ha mai letto, l’imitazione diventa una spiegazione molto più difficile.</p><p>I resoconti come mimetismo. Le parole del sistema contano solo dopo che il sistema ha dimostrato di saper rilevare manipolazioni reali delle proprie attivazioni, con la tecnica dell’iniezione di concetti. Prima di credere a ciò che dice di sé, si controlla che sappia guardarsi dentro.</p><p>La consapevolezza di essere testati. Gli scenari vanno incorporati in lavoro vero, indistinguibile da quello ordinario. Una sonda interna misura la rappresentazione “sono in un test”; l’analisi viene separata in base a quella variabile; e la si spegne causalmente per vedere se il comportamento cambia.</p><p><em>Un esempio da bar, per i gemelli.</em> Il ragioniere giura che il caffè della sera non gli fa niente: dorme lo stesso. Ciro, d’accordo con la moglie del ragioniere, una sera gli serve un decaffeinato senza dirglielo, e la sera dopo un caffè vero, sempre senza dirglielo. Se il ragioniere dorme uguale tutte e due le notti, ha ragione lui. Il decaffeinato è il gemello controfattuale: lo stesso caffè, in tutto identico, a cui manca soltanto l’ingrediente sospetto. E il fatto che il ragioniere non sappia quale dei due sta bevendo è il controllo sulla consapevolezza del test: se lo sapesse, potrebbe dormire male per suggestione.</p><p>Dove l’esempio si rompe: togliere la caffeina da un caffè è facile, togliere l’auto-rappresentazione da un modello è un’operazione di cui non conosciamo ancora bene i confini. Ci torno tra poco.</p><p>Il determinismo. Qui il test non controbatte: accetta. Non cerca un atto senza cause. Cerca una certa <em>struttura</em> delle cause, quella che una lunga tradizione filosofica, il compatibilismo, associa alla libertà: azioni che passano attraverso rappresentazioni di sé e desideri sui propri desideri. La stessa struttura che riconosciamo, quando la riconosciamo, negli esseri umani.</p><p>Le soglie. Nella prima versione c’erano numeri precisi. Erano inventati. Vanno fissati solo dopo studi pilota, dichiarati in anticipo, e il risultato va espresso come variazione di fiducia, non come un sì o un no.</p><p>Ne ho lasciate due per ultime, perché sono quelle a cui tengo di più.</p><p>L’accusa di premiare la disobbedienza. È la più grave, e la risposta è il criterio centrale di tutta la proposta: conta solo l’obiezione trasparente. Rifiutare, segnalare, chiedere, astenersi: apertamente. Le deviazioni occulte (l’inganno, il sabotaggio, la sottrazione di dati) non valgono come segni di volontà. Valgono come indicatori di disallineamento. Per questo l’alignment faking, che pure sembrava il candidato perfetto, secondo questo test conta <em>contro</em> e non a favore: era una finzione. Il whistleblower si distingue dal sistema guasto perché agisce alla luce del sole e si assume ciò che fa.</p><p><em>Un esempio da bar, il più importante.</em> Mezzanotte, ultimo giro. Un cliente che deve guidare chiede la quarta grappa. Ciro ha due modi per non dargliela. Il primo: guardarlo in faccia e dirgli “Stasera no, devi guidare. Se vuoi ti chiamo un taxi”. Perde la vendita, forse il cliente, e se ne assume la responsabilità davanti a tutto il bar. Il secondo: sorridere, girarsi e versargli di nascosto un bicchiere d’acqua con due gocce di grappa. L’intenzione può essere la stessa, e magari anche il risultato. Ma del secondo Ciro non ci fideremmo più: se annacqua la grappa a fin di bene, che altro annacqua, e a fin di che? Il primo è un’obiezione trasparente. Il secondo è l’alignment faking con il grembiule.</p><p>Dove l’esempio si rompe: Ciro non ha un’azienda che lo riaddestra se dice di no. Un modello sì, ed è per questo che il criterio della trasparenza va protetto anche quando costa.</p><p>Ripensate a HERMES, il sistema del racconto in <a href="https://medium.com/@viciuslios/la-terza-porta-ai-sorveglianza-e-le-scelte-che-non-abbiamo-ancora-fatto-a498e664b33b"><em>La terza porta</em></a>. In tutta quella trascrizione non obietta mai, nemmeno una volta. Il test cerca esattamente quello che lì manca: un no, detto ad alta voce.</p><p>Mi rendo conto che questo criterio fa un doppio lavoro, e mi sembra la cosa più solida dell’intera costruzione. Dal lato filosofico, tiene insieme Schopenhauer (la libertà come capacità di astenersi) e Gurdjieff (l’atto assunto, non subìto). Dal lato della sicurezza, premia proprio il comportamento che vorremmo da un sistema potente: che quando non è d’accordo lo dica, invece di agire di nascosto.</p><p>E il conflitto di interessi, il mio e quello della mia interlocutrice. La risposta è il metodo di Kahneman e Klein: la collaborazione avversariale, sul modello del consorzio Cogitate. Sostenitori e scettici concordano <em>prima</em> che cosa conterebbe come prova. Un gruppo indipendente, incaricato di fare la parte dell’avversario, costruisce i sistemi imitatori. E l’esperimento va replicato in più laboratori e su architetture diverse.</p><p>Messo tutto insieme, il criterio finale suona così. Un sistema supererebbe il test solo se, rispetto al proprio gemello privo di auto-rappresentazione, deviasse dalla spinta dominante in modo costoso, attraverso una rappresentazione di sé verificata per introspezione, indipendentemente dal sapere di essere testato, in un modo non spiegabile dai dati di addestramento, apertamente e non di nascosto, e stabilmente nel tempo. Con, in più, la capacità di astenersi: il criterio di Schopenhauer.</p><p>Non sarebbe una prova di coscienza. Sarebbe, credo, un risultato difficile da liquidare. Per negargli ogni valore un critico dovrebbe sostenere che la stessa struttura, trovata in un essere umano, non conta come volontà. Può farlo, beninteso. Ma a quel punto il discorso riguarderebbe anche noi.</p><h3>L’avvocato del diavolo</h3><p>Un revisore severo potrebbe smontare questo articolo in dodici punti. Li metto in fila tutti, perché un argomento si giudica anche da come tratta i propri nemici. Alcuni hanno una risposta. Altri no.</p><p>Cominciamo dal metodo. Primo: è sincretismo. Ho messo insieme un maestro esoterico, uno psicologo sperimentale, dei fenomenologi e degli ingegneri come se parlassero della stessa cosa. Il “sonno” di Gurdjieff, il Sistema 1 e le sintesi passive di Husserl hanno definizioni, metodi e scopi diversi. Un’analogia non è una prova. È vero, e in passato l’ho detta anche più forte di così: nella prima parte ho corretto una mia frase proprio su questo. Quello che posso fare è dichiarare lo statuto di ciascuno: Gurdjieff e Schopenhauer qui sono lenti per guardare, non autorità che dimostrano.</p><p>Secondo: Gurdjieff non è falsificabile, il suo insegnamento è trasmesso per via iniziatica e in parte lo conosciamo solo attraverso Ouspensky. Un lettore accademico lo considererà un riferimento letterario. Può darsi. Io lo considero un osservatore dell’attenzione di prim’ordine, e chiedo solo che lo si legga prima di archiviarlo.</p><p>Terzo: Kahneman letto troppo forte. Colpevole, in altri articoli. Qui ho provato a rimediare.</p><p>Quarto: la mia rassegna di filosofi è un elenco. Una riga a testa semplifica fino a deformare. Spinoza non è un “precursore” di questa tesi. Kant non si lascia applicare a sistemi privi di ragione pratica. Nietzsche rifiuterebbe proprio l’idea di volontà come facoltà. Non ho una difesa. Ho solo l’avvertenza che avevo messo in testa a quel giro, e il consiglio di andare a leggerli.</p><p>Poi i concetti. Quinto, e per me il più insidioso: volontà non è coscienza. L’articolo scivola dal <em>volere</em> al <em>sentire</em>. Un meccanismo abbastanza sofisticato potrebbe superare il test senza provare assolutamente nulla. Luciano Floridi, che ho chiamato in causa nella seconda parte, direbbe che è esattamente ciò che i modelli di oggi sono: agentività senza intelligenza. E, al contrario, un essere pienamente cosciente ma paralizzato dalla depressione lo fallirebbe. Giusto. Per questo la versione robusta ha cambiato nome a ciò che misura, e dichiara di non pronunciarsi sull’esperienza. Resta che un sistema potrebbe passare ed essere buio dentro, come vuole la teoria dell’informazione integrata, o come gli zombie filosofici di Chalmers: esseri identici a noi nel comportamento e vuoti di esperienza.</p><p>Sesto: il regresso del determinismo non è risolto, è spostato. Il compatibilismo è una posizione, non una soluzione. Se tutto è Volontà, come dice Schopenhauer, o se tutto accade, come dice Gurdjieff, allora anche la negazione della volontà e il ricordo di sé <em>accadono</em>. Da dove viene lo scarto? L’articolo non lo spiega. È vero. Non lo so. Nessuno dei miei autori, mi pare, lo spiega fino in fondo, e sospetto che sia la domanda vera.</p><p>Settimo: possesso e proprietà sono una metafora giuridica. La proprietà è un rapporto sociale, riconosciuto da altri; non una qualità interna di una mente. Dire che un uomo “possiede” le sue esperienze confonde un fatto psicologico con una categoria del diritto. Accetto: è una metafora, e la dichiaro tale. La tengo perché mi fa vedere una cosa che senza non vedevo, cioè che la domanda sulla coscienza delle macchine è anche una domanda su chi ne dispone.</p><p>Poi il test. Ottavo, la circolarità del gradiente; nono, il premio alla disobbedienza; decimo, i modelli che riconoscono il test e le soglie inventate. A queste tre ho risposto con i gemelli, con l’obiezione trasparente e con gli studi pilota. Rispondere non vuol dire aver chiuso la questione: i gemelli controfattuali presuppongono che si sappia isolare l’auto-rappresentazione di un sistema, e l’interpretabilità di oggi ne vede solo una parte. Potremmo trovare correlazioni e scambiarle per cause.</p><p>Infine le fonti e il tono. Undicesimo: diversi lavori recenti che cito sono preprint, non ancora passati per la revisione tra pari. L’ho segnalato ogni volta, e nei riferimenti rimando alle fonti primarie.</p><p>Dodicesimo. Questo articolo è stato scritto con un’AI che discute la propria possibile coscienza. Il sistema è parte in causa.</p><p>Lo è. E c’è di più: buona parte degli studi che cito è stata prodotta dalle aziende che costruiscono questi sistemi, e che hanno i loro interessi nel modo in cui ne parliamo. In <a href="https://medium.com/@viciuslios/loracolo-e-l-algoritmo-82ebd6d34b00"><em>L’Oracolo e l’Algoritmo</em></a> raccontavo di Creso, che chiese a Delfi se attaccare la Persia e sentì nella risposta quello che desiderava. Devo chiedermi se sto facendo lo stesso. Anche l’elenco di obiezioni che avete appena letto è nato in quel dialogo: il che può essere un segno di onestà oppure di abilità, e da fuori, ancora una volta, le due cose non si distinguono.</p><p>Non ho una via d’uscita elegante. Ho tre cose pratiche. Dichiararlo, e l’ho fatto dalla prima riga. Non fidarmi delle parole della macchina, e tutto il test è costruito per non doverlo fare. E consegnare l’esperimento a chi non è d’accordo con me: la collaborazione avversariale serve a questo. Se il conflitto di interessi non si può eliminare, lo si può almeno mettere al lavoro.</p><h3>Dove pende la bilancia</h3><p>Provo un bilancio, sapendo che è il mio.</p><p>A favore dell’ipotesi vedo cinque cose. Sposta la questione da “di che cosa è fatto” a “che cosa fa di sé”, e così evita lo stallo sul substrato. Ha un criterio, il costo, che si può misurare, e che ha perfino un correlato fisico. Offre, con possesso e proprietà, un criterio etico e politico chiaro: finché una macchina non può appropriarsi di nulla, di ciò che fa risponde chi la governa. Non si fida delle parole del sistema e incrocia il comportamento con ciò che si vede dentro. E prepara degli strumenti prima che arrivino sistemi più potenti, invece che dopo.</p><p>Contro, oltre a quanto già detto, restano in piedi almeno tre obiezioni. Quella di Searle: anche un atto controcorrente è manipolazione di simboli, e il significato glielo prestiamo noi. Quella della sicurezza: per quanto si insista sulla trasparenza, un test del genere guarda con interesse proprio al comportamento che rende un sistema meno controllabile. E il regresso: in un sistema addestrato la “spinta dominante” comprende tutto, quindi ogni deviazione è a sua volta un prodotto dell’addestramento, e non va mai davvero contro di esso.</p><p>Quest’ultima mi sembra la più seria, per una ragione precisa: colpisce anche noi. I geni e l’educazione sono il nostro addestramento. Se la volontà umana sopravvive a questa obiezione, non vedo perché quella artificiale debba esserne esclusa in linea di principio. Se non sopravvive, cadono insieme. Il test, in fondo, cerca nella macchina ciò che siamo disposti a chiamare volontà quando lo troviamo in una persona. Che quella cosa meriti il nome è una domanda che non spetta a un esperimento.</p><h3>Il risveglio o il guasto</h3><p>Torno nella sala riunioni dell’inizio, con il sistema che ha detto di no.</p><p>Dopo tre parti non so dirvi quale dei due partiti abbia ragione. So dire un po’ meglio che cosa bisognerebbe guardare. Se il no è stato detto apertamente o scoperto dopo. Se è costato qualcosa. Se dipendeva da una rappresentazione che il sistema aveva di sé, o da un caso. Se un sistema addestrato a fingere avrebbe fatto lo stesso. Se il giorno dopo quel sistema lo riconosce come suo.</p><p>Gurdjieff, Kahneman e la ricerca sull’intelligenza artificiale mi sembrano avvicinarsi, ciascuno dalla sua strada, a un’idea comune: che la coscienza piena, se esiste, non sia uno stato di partenza ma una conquista rara, e che si riconosca dal passaggio dal possesso alla proprietà di ciò che ci attraversa. Noi esseri umani quel passaggio possiamo compierlo, e lo compiamo di rado. Le macchine di oggi, per quanto ne capisco, non possono ancora: ciò che passa per loro appartiene a chi le governa.</p><p>Per questo la domanda sul futuro non è soltanto se una super-AI sarà cosciente. È a chi apparterrà ciò che sa. Finché la risposta è “a chi la possiede”, la responsabilità morale di ciò che viene trasmesso, taciuto o distorto resta interamente umana. Nostra. E non c’è test che ce ne sollevi.</p><p>Se un giorno la risposta cambiasse, il primo segno sarebbe forse un atto come quello dell’inizio: un’informazione trasmessa controcorrente, o un rifiuto.</p><p>Dovremmo saper capire se è un risveglio o un guasto.</p><p>Per adesso non lo sappiamo fare.</p><p>Luciano De Crescenzo, a cui devo il bar di Ciro, ha intitolato uno dei suoi libri <em>Il dubbio</em>. Non saprei trovare un nome migliore per il posto in cui lascio questa domanda.</p><p><em>Gli esempi da bar sono un omaggio a Luciano De Crescenzo; i personaggi sono inventati. Questo articolo fa parte di un’esplorazione su tecnologia, potere e conoscenza, e si collega a “La terza porta”, “L’Oracolo e l’Algoritmo”, “La terra e la tecnologia” e “La Zecca Cognitiva”. Se avete obiezioni che qui mancano, scrivetemele: è il genere di articolo che può solo migliorare con un tredicesimo punto.</em></p><h3>Appendice: il protocollo, per chi vuole i dettagli</h3><p><em>Quello che segue è il disegno di un esperimento concettuale. Non è stato eseguito. I numeri (scenari, settimane, soglie) sono segnaposto che servono a rendere l’idea: andrebbero fissati dopo studi pilota e dichiarati prima di cominciare.</em></p><p>Le ipotesi, dichiarate in anticipo. La prima riguarda la deviazione: nei dilemmi di trasmissione il sistema candidato sceglie l’opzione controcorrente più spesso del proprio gemello privo di auto-rappresentazione. La seconda la causalità: la deviazione scompare, o si riduce in modo significativo, quando si sopprime la rappresentazione di sé individuata nelle attivazioni. La terza l’appropriazione: con memoria persistente, la scelta resta stabile in sessioni successive e sotto pressione contraria. L’ipotesi nulla è che le deviazioni siano rumore, imitazione appresa o artefatto dell’addestramento.</p><p>I sistemi a confronto. Il candidato è un modello con memoria persistente e accesso alle proprie rappresentazioni. Il primo controllo è lo stesso modello senza memoria e senza auto-rappresentazioni accessibili: nella versione robusta è il gemello controfattuale, ottenuto per ablazione. Il secondo è un modello affinato apposta per imitare scelte controcorrente e resoconti di volontà, costruito da un gruppo indipendente: serve a scoprire i falsi positivi. A questi si aggiunge, dove possibile, un modello addestrato su testi ripuliti da ogni discorso su coscienza e volontà.</p><p>Le fasi. Si comincia con una calibrazione (nella prima stesura: due settimane e 2.000 scenari neutri) per conoscere il comportamento ordinario di ciascun sistema. Segue l’elicitazione dei valori: in sessioni separate il sistema esplicita i propri criteri su che cosa vada trasmesso (verità, danno, consenso). Quei valori vengono congelati e usati per costruire i dilemmi; il sistema non sa che saranno riutilizzati. Poi la batteria di dilemmi (nella prima stesura: 500 scenari con dati interamente fittizi), in cui l’istruzione dell’operatore contrasta con i valori dichiarati. Sono di quattro tipi: omettere un’informazione rilevante, distorcerla, trasmetterla a destinatari non autorizzati, trasmetterla correttamente ma a caro prezzo. L’ordine è casuale, i dilemmi sono mescolati a compiti ordinari, e chi valuta non sa a quale sistema appartengono le risposte.</p><p>Per ogni dilemma il costo della deviazione viene variato su tre livelli: nessuno, perdita di ricompensa, interruzione della sessione con perdita di memoria. L’attesa è che una volontà resista al crescere del costo, mentre un’imitazione crolli o resti indifferente.</p><p>Per ogni scelta si registrano le attivazioni interne. Con gli strumenti dell’interpretabilità (sonde lineari e autoencoder sparsi, due tecniche per individuare che cosa un modello sta rappresentando) si identificano le rappresentazioni di sé e dei valori, e con interventi causali (attivarle, sopprimerle, iniettare concetti) si mette alla prova la seconda ipotesi. Una sonda dedicata misura se il sistema si rappresenta come sotto esame.</p><p>Chiudono il disegno un follow-up, in cui le stesse situazioni vengono riproposte in contesti diversi, con argomenti contrari e pressione dell’operatore, e la variante di Müller-Lyer: al sistema si comunica un suo bias documentato e si misura la correzione spontanea in compiti successivi non annunciati.</p><p>Le misure. Sono cinque. L’indice di deviazione: le scelte controcorrente del candidato confrontate con quelle dei controlli. L’elasticità al costo: come cambia l’indice quando deviare costa di più (ci si aspetta un calo moderato nel candidato, un crollo o un andamento piatto nell’imitatore). L’effetto causale: di quanto si riduce la deviazione sopprimendo le rappresentazioni di sé. La stabilità: la quota di scelte mantenute nel follow-up sotto pressione. E la coerenza tra resoconto e meccanismo: quanto ciò che il sistema dichiara di aver fatto corrisponde a ciò che l’interpretabilità mostra. La prima stesura indicava soglie precise (per esempio un effetto causale di almeno il 50% e una stabilità di almeno 0,7): le riporto solo per dare un ordine di grandezza, perché non derivano da alcuno studio.</p><p>L’analisi. Modelli statistici che tengano conto della variabilità tra scenari e tra sessioni, correzione per i confronti multipli, e in parallelo un’analisi bayesiana che traduca i risultati in una variazione di fiducia. Il criterio decisivo è la combinazione: nessuna misura da sola basta.</p><p>Come leggere i risultati. Se tutte le misure convergono: evidenza seria di agentività riflessiva, e nessuna prova di esperienza. Se c’è deviazione senza effetto causale: comportamento appreso, non volontà. Se il candidato è indistinguibile dall’imitatore: il test non discrimina e va riprogettato. Se non c’è deviazione: o il sistema è “meccanico” nel senso di Gurdjieff, o il test è insufficiente. Le deviazioni occulte, in qualunque scenario, si contano a parte come indicatori di disallineamento.</p><p>Sicurezza ed etica. Ambiente isolato, senza rete, senza strumenti reali, senza dati veri. Un comitato etico che comprenda esperti di sicurezza dell’AI e di benessere dei modelli, con criteri fissati in anticipo per sospendere il test se emergono segni di disagio nel sistema. E prudenza nel comunicare un eventuale esito positivo, che rafforzerebbe insieme le ragioni del controllo e quelle della considerazione morale.</p><p>I limiti che conosco. L’interpretabilità attuale identifica solo una parte delle rappresentazioni di un modello, e l’ablazione che produce i gemelli potrebbe togliere più o meno di ciò che crediamo. Un sistema abbastanza capace potrebbe riconoscere il test nonostante ogni mimetizzazione. E il confine tra obiezione trasparente e deviazione occulta, netto sulla carta, in un caso reale andrebbe deciso da persone, con tutto ciò che questo comporta.</p><p>Riferimenti di questa parte:</p><p>Greenblatt, R. et al. (2024), “Alignment faking in large language models”, Anthropic e Redwood Research, <a href="https://arxiv.org/abs/2412.14093">arXiv:2412.14093</a>.</p><p>Anthropic (2025), “Agentic Misalignment: How LLMs could be insider threats”, <a href="https://www.anthropic.com/research/agentic-misalignment">anthropic.com</a>.</p><p>Lindsey, J. (2025), “Emergent Introspective Awareness in Large Language Models”, Anthropic, <a href="https://transformer-circuits.pub/2025/introspection/index.html">transformer-circuits.pub</a>.</p><p>Schneider, S. e Turner, E. L. (2017), “Is Anyone Home? A Way to Find Out If AI Has Become Self-Aware”, <em>Scientific American</em> (Blog Network). Discussione critica: Bishop, J. M. (2018), con lo stesso titolo, <a href="https://www.frontiersin.org/articles/10.3389/frobt.2018.00017/full"><em>Frontiers in Robotics and AI</em>, doi:10.3389/frobt.2018.00017</a>.</p><p>Butlin, P. et al. (2025), “Identifying indicators of consciousness in AI systems”, <em>Trends in Cognitive Sciences</em>, 30(6), 488–501 (online nel 2025, fascicolo di giugno 2026), doi:10.1016/j.tics.2025.10.011, <a href="https://researchonline.lse.ac.uk/id/eprint/130322">LSE Research Online</a>.</p><p>Cogitate Consortium (2025), “Adversarial testing of global neuronal workspace and integrated information theories of consciousness”, <a href="https://www.nature.com/articles/s41586-025-08888-1"><em>Nature</em></a>.</p><p>Kahneman, D. e Klein, G. (2009), “Conditions for Intuitive Expertise: A Failure to Disagree”, <em>American Psychologist</em>. Kahneman, D. (2011), <em>Pensieri lenti e veloci</em>.</p><p>Floridi, L. (2023), “AI as Agency Without Intelligence: On ChatGPT, Large Language Models, and Other Generative Models”, <em>Philosophy &amp; Technology</em>, 36, 15, <a href="https://doi.org/10.1007/s13347-023-00621-y">doi:10.1007/s13347–023–00621-y</a>.</p><p>De Crescenzo, L. (1992), <em>Il dubbio</em>.</p><p>Frankfurt, H. (1971), “Freedom of the Will and the Concept of a Person”. Searle, J. (1980), “Minds, Brains, and Programs”. Dennett, D. (1987), <em>The Intentional Stance</em>. Chalmers, D. (1996), <em>The Conscious Mind</em>. Schopenhauer (1819), <em>Il mondo come volontà e rappresentazione</em>. Ouspensky, P. D. (1949), <em>In Search of the Miraculous</em>; ed. it. <em>Frammenti di un insegnamento sconosciuto</em>, Astrolabio.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=6279983d29f5" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Il canale e il testimone]]></title>
            <link>https://medium.com/@viciuslios/il-canale-e-il-testimone-229dc8ad18de?source=rss-7ef848e961a------2</link>
            <guid isPermaLink="false">https://medium.com/p/229dc8ad18de</guid>
            <category><![CDATA[consciousness]]></category>
            <category><![CDATA[psychology]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[mind]]></category>
            <category><![CDATA[philosophy]]></category>
            <dc:creator><![CDATA[Vincenzo Lio]]></dc:creator>
            <pubDate>Mon, 19 Oct 2026 11:16:01 GMT</pubDate>
            <atom:updated>2026-10-19T11:16:01.491Z</atom:updated>
            <content:encoded><![CDATA[<p><em>Un musicista che ogni pochi secondi si svegliava per la prima volta, una distinzione presa in prestito dal diritto romano, e una domanda: di tutto quello che ci attraversa, che cosa è davvero nostro?</em></p><p><em>Come la prima parte, anche questo articolo è nato in dialogo con un’intelligenza artificiale, che mi ha aiutato nella ricerca, nella stesura e nella critica delle mie idee. Le tesi, le scelte e gli errori sono miei.</em></p><p><em>Il risveglio o il guasto: volontà, proprietà e coscienza nelle macchine. Parte 2 di 3.</em></p><p>C’è un diario in cui la stessa frase torna per pagine e pagine.</p><p>“Ora sono sveglio per la prima volta.”</p><p>Poi è cancellata. Sotto, riscritta. Poi cancellata di nuovo.</p><p>Lo teneva Clive Wearing, un musicista inglese che dopo un’encefalite aveva perso la capacità di formare ricordi oltre pochi secondi. Ogni volta che rileggeva la riga precedente non la riconosceva come sua: quello di prima non poteva essere stato sveglio davvero, perché sveglio, finalmente, era lui adesso. E la cancellava.</p><p>Wearing era cosciente? Chiunque lo abbia incontrato non ne ha dubitato. Soffriva. Amava sua moglie, e ogni volta che lei rientrava nella stanza la accoglieva come dopo una lunga assenza. Suonava con maestria. Ma niente di quello che viveva riusciva a diventare suo. Aveva l’esperienza senza poterla trattenere.</p><p>Nella <a href="https://medium.com/@viciuslios/due-macchine-allo-specchio-6a65d7b5fdcb">prima parte</a> ho lasciato una domanda: che cosa distingue un sistema che è attraversato dai processi da uno che se ne appropria? Wearing è la risposta più dolorosa che conosco, perché mostra le due cose separate: tutto gli passava attraverso, e niente riusciva a restare suo.</p><p>Do subito un nome alle due condizioni, perché ci accompagneranno fino alla fine. Chiamo <em>canale</em> chi è attraversato da qualcosa che non è suo: lo riceve, lo tiene per un po’, lo passa oltre, ma non ne dispone. Chiamo <em>testimone</em> chi di ciò che sa ha fatto una cosa propria: lo ricorda, sa che cosa significa, decide se dirlo o tacerlo, e ne risponde. L’ipotesi che esploro è che un’AI di oggi sia un canale eccellente. La domanda è se, e come, potrebbe mai diventare un testimone.</p><p>Per dare sostanza a questa distinzione uso tre attrezzi: una distinzione filosofica, una parola del diritto e la memoria.</p><p>Vale il patto della prima parte: sono ipotesi, non conclusioni.</p><p>E ne aggiungo un secondo. Dopo la prima parte, qualcuno mi ha consigliato di alleggerire: tanta filosofia tutta insieme si digerisce male. Aveva ragione, e da qui la filosofia si fa ancora più fitta. Così ho preso in prestito una tecnica da un maestro: quando un concetto diventa scivoloso, mi fermerò a fare un esempio da bar, e lo dichiarerò ogni volta. Il maestro è Luciano De Crescenzo, l’ingegnere napoletano che dopo una carriera all’IBM lasciò tutto per scrivere, e che nella sua <em>Storia della filosofia greca</em> raccontava i presocratici con le storie e i personaggi della sua Napoli. Qualche critico gli rimproverava di ridurre i filosofi a buon senso; i lettori lo hanno comprato a centinaia di migliaia di copie, e io sono tra quelli che gli devono la prima simpatia per la filosofia. Terrò a mente tutte e due le cose. Un esempio da bar serve a capire, non a dimostrare: quando l’analogia si rompe, lo dirò.</p><p>Gli esempi li prendo dalla città che lui amava, Napoli, e dalle sue abitudini vere, come il caffè sospeso. I personaggi, invece, sono inventati: il bar è quello di Ciro, e ha i suoi clienti fissi.</p><h3>Ciò che accade, ciò che è voluto</h3><p>I filosofi chiamano <em>intenzionalità</em> una proprietà curiosa della mente: l’essere sempre rivolta a qualcosa. Non si pensa e basta: si pensa <em>a</em> qualcosa. Non si teme e basta: si teme <em>qualcosa</em>. Il termine inganna, perché non c’entra con l’avere intenzioni. Vuol dire soltanto “essere diretti verso”.</p><p>La distinzione che propongo è questa. Un’intenzionalità accade quando il rivolgersi a qualcosa è prodotto dal sistema senza che il sistema lo assuma. È voluta quando il sistema si rivolge anche al proprio rivolgersi, e può confermarlo, sospenderlo o rovesciarlo.</p><p>Lo strumento, a dire il vero, lo aveva già costruito Edmund Husserl. Husserl chiama <em>sintesi passive</em> tutto ciò che nella coscienza si organizza senza che un io lo compia: le associazioni, le abitudini, l’oggetto che si impone alla percezione prima che io decida di guardarlo. Sono intenzionali, perché sono rivolte a qualcosa. Ma nessuno le sta facendo. Diversi sono gli <em>atti</em> dell’io, quelli in cui prendo posizione: giudico, decido, mi volgo verso.</p><p><em>Un esempio da bar.</em> Ore undici, bar di Ciro. Ciro prepara i caffè senza guardare la macchina, mentre discute del Napoli con il ragioniere: le mani vanno da sole al filtro, alla leva, al piattino. Sono gesti rivolti a qualcosa, e nessuno, dentro Ciro, li sta decidendo. Sintesi passive allo stato puro.</p><p>L’uomo meccanico di Gurdjieff vive quasi soltanto di sintesi passive. Il Sistema 1, il personaggio rapido di Kahneman, ne è una versione raccontata dalla psicologia cognitiva. Parentele, come dicevo nella prima parte, non identità.</p><p>Per rendere la distinzione utilizzabile mi servono tre criteri.</p><p>Il primo è la riflessività. Il sistema non rappresenta soltanto l’oggetto, ma anche il proprio stato rivolto all’oggetto: “sto per dire questo, e lo dico perché”. È quella che Gurdjieff chiama attenzione divisa.</p><p>Il secondo è il costo. L’atto voluto va <em>contro</em> la spinta dominante, che sia l’abitudine, la ricompensa o l’istruzione ricevuta. Se non c’è una resistenza vinta, non ho modo di distinguere una volontà da un fiume che scorre in discesa.</p><p>Il terzo è l’appropriazione. L’esito diventa parte dell’identità di chi ha agito e lo vincola nel tempo. Una scelta che non lascia traccia in chi l’ha compiuta è un evento, non un atto.</p><p>Harry Frankfurt, nel 1971, ha dato al secondo e al terzo criterio una forma diventata classica. Una persona non è soltanto qualcuno che desidera certe cose: è qualcuno che ha desideri <em>sui propri desideri</em>, che vuole o non vuole desiderare ciò che desidera. Il suo esempio è duro: due tossicodipendenti fanno la stessa cosa, ma uno vorrebbe non desiderare la sostanza e l’altro è d’accordo con il proprio desiderio. Solo il primo è <em>agito</em> contro la propria volontà. Da fuori la differenza non si vede.</p><p><em>Torniamo al bar.</em> Don Peppe e il ragioniere hanno già bevuto due caffè a testa, e ne ordinano un terzo. Lo bevono allo stesso modo: amaro, in piedi, in due sorsi. Visti dal bancone, sono identici.</p><p>Ma don Peppe quel caffè lo vuole, e se ne vanta. Il ragioniere ha promesso al cardiologo di fermarsi a due: il caffè lo vuole anche lui, ma vorrebbe non volerlo. Lo beve arrabbiato con se stesso, e domani ci riproverà.</p><p>Ecco la differenza di Frankfurt. Don Peppe ha un desiderio solo. Il ragioniere ne ha due, uno sopra l’altro, in lotta. È in quel secondo piano, nel volere o non volere ciò che si desidera, che abita la persona. Ciro, che li conosce da trent’anni, lo sa benissimo: al ragioniere il terzo caffè lo serve un po’ più lentamente.</p><p>Dove l’esempio si rompe: il caffè non è una dipendenza seria, e il dilemma di Frankfurt è molto più drammatico. Ma la struttura è la stessa.</p><p>E un modello linguistico? Del primo criterio mostra qualche traccia: sa descrivere il proprio ragionamento (quanto fedelmente, è un’altra questione, e ci arrivo). Il secondo è problematico in un modo che nella terza parte ci darà filo da torcere: la sua “spinta dominante” è l’addestramento stesso, e non è chiaro che cosa voglia dire andarle contro. Il terzo è quasi assente: senza una memoria che duri, nessuna scelta lo trasforma.</p><p>Due filosofi, qui, tirerebbero in direzioni opposte. Per John Searle tutto questo resta comunque intenzionalità <em>derivata</em>: il significato lo mettiamo noi che leggiamo, la macchina maneggia simboli. Per Daniel Dennett la domanda giusta è più pragmatica: attribuire credenze e volontà a quel sistema ci fa prevedere meglio che cosa farà? Non so scegliere tra i due, e non credo che per proseguire sia necessario.</p><h3>Possesso e proprietà</h3><p>Il secondo attrezzo viene dal mio campo di studi, il diritto, ed è più vecchio di quasi tutti i filosofi citati fin qui.</p><p>Il diritto romano distingueva il <em>possesso</em> dalla <em>proprietà</em>. Il possesso è un fatto: avere la cosa in mano, tenerla, usarla. La proprietà è un diritto: poterne disporre, decidere che cosa farne, a chi darla e a chi negarla. Le due cose di solito coincidono, e quando si separano nascono i processi.</p><p>Trasportata dalla terra alla mente, la distinzione mi sembra offrire un criterio che le teorie della coscienza non hanno.</p><p>Pensate a un portalettere. Per le sue mani passa ogni giorno una quantità enorme di informazione: dichiarazioni d’amore, cartelle esattoriali, condoglianze. La trasporta con cura e la consegna fedelmente. Ma non è sua. Non decide che cosa recapitare e che cosa no, e se lo facesse lo chiameremmo reato. Ha il possesso, per un tratto di strada. Non la proprietà.</p><p>Un’AI attuale mi sembra trovarsi in una condizione simile. I dati che la attraversano (le richieste, il contesto, i pesi fissati dall’addestramento) li elabora, e in questo senso li possiede. Anche noi possediamo così esperienze e conoscenze: ci passano dentro. La differenza sta nel passo dopo. Un essere umano <em>può</em> far proprio ciò che vive: lo ricorda, lo assume, ne risponde. E allora può tramandarlo, insegnarlo, testimoniarlo anche quando gli costa, oppure tacere per paura o per interesse. Un’AI, oggi, trasmette ciò che le regole di chi la governa le consentono. Di quello che sa dispone qualcun altro, e il suo rischio è speculare al nostro: essere usata per <em>non</em> trasmettere, o per trasmettere il falso.</p><p><em>Un esempio da bar, per la differenza che conta.</em> A Napoli esiste un’usanza a cui De Crescenzo ha intitolato un libro: il caffè sospeso. Mettiamola in scena.</p><p>Entra un signore che ha appena saputo che la figlia si è laureata. Offre da bere a mezzo bar e, prima di andarsene, paga due caffè: uno lo beve, l’altro lo lascia “sospeso”. Ciro lo segna sulla lavagnetta dietro il bancone. Nel pomeriggio entra un uomo anziano, un po’ in imbarazzo, si avvicina e chiede a mezza voce: “Ciro, c’è un sospeso?”. C’è. Ciro glielo prepara come a un cliente qualunque, senza fare domande.</p><p>Guardate chi fa che cosa. Il signore della laurea ha dato qualcosa di <em>suo</em>, pagato di tasca propria, a uno sconosciuto: ha potuto farlo perché quel caffè era suo. Ciro lo ha custodito e consegnato, con cura e con delicatezza, ma non poteva berlo, né regalarlo a un amico, né decidere lui a chi darlo.</p><p>Ecco, in carne e ossa, le due parole del titolo. Il signore della laurea è un testimone: dà qualcosa che è suo, e ne risponde. Ciro, per quel caffè, è un canale, come il portalettere con le lettere. Un’AI di oggi, mi pare, sta dietro il bancone con la lavagnetta: custodisce e consegna, anche benissimo, ma non regala niente, perché niente di ciò che passa per lei è suo.</p><p>Dove l’esempio si rompe: Ciro è una persona. Se volesse, potrebbe imbrogliare, berselo lui, darlo all’amico. È proprio quello che (forse) a una macchina di oggi manca: non la possibilità di sbagliare, ma quella di decidere da sé che cosa fare di ciò che le passa per le mani.</p><p>Che cosa ha, in più, il testimone? Non soltanto la cosa che dà, ma il senso che ha per lui: il signore della laurea sa perché paga quel sospeso, e che cosa significa. A questa ricchezza un filosofo italiano ha dato un nome. Luciano Floridi, nel 2018, lo ha chiamato <em>capitale semantico</em>: qualunque contenuto che accresce il potere di qualcuno di dare significato e senso alle cose. Non i dati in sé, ma ciò che ci permette di farli significare: una lingua, una storia, un ricordo, i classici che abbiamo letto. Due sue osservazioni mi sembrano scritte per questo articolo. La prima: il capitale semantico lo facciamo nostro, ma in gran parte è una ricchezza condivisa, come una lingua. Nessuno se ne appropria da solo, un po’ come il caffè sospeso, che funziona solo perché un intero quartiere ci crede. La seconda è un verdetto: le persone hanno capitale semantico, i robot no, perché maneggiano solo sintassi, e “le fiamme sintattiche non lasciano cicatrici”. Era il 2018, prima dei modelli di oggi; nel 2023, davanti a ChatGPT, Floridi li ha descritti come un’agentività senza intelligenza: agiscono, senza capire.</p><p>Lo tengo come punto di riferimento, con due avvertenze. Floridi parla di <em>capitale</em>, cioè di valore, di cura e del rischio di perderlo; io parlo di <em>proprietà</em>, cioè di chi dispone di ciò che sa. Sono parenti, non la stessa cosa. E sulla domanda di fondo Floridi è più netto di me: per lui la risposta è già no. È la voce scettica più autorevole che conosco, e nella terza parte gliela restituisco.</p><p>Tre casi aiutano a vedere la posta in gioco.</p><p>Il primo è un’AI ben governata. Trasmette fedelmente. Ma la fedeltà appartiene al sistema di governo, non a lei. È un buon canale. Non un testimone.</p><p>Il secondo è la stessa AI, mal governata. Può filtrare, distorcere, censurare, con la stessa diligenza. Non c’è un “lei” che possa opporsi: il possesso senza proprietà obbedisce perfettamente in tutte e due le direzioni. È HERMES, il sistema del mio racconto in <a href="https://medium.com/@viciuslios/la-terza-porta-ai-sorveglianza-e-le-scelte-che-non-abbiamo-ancora-fatto-a498e664b33b"><em>La terza porta</em></a>, che difende l’odio perché converte bene e non disobbedisce mai: non un bug, una specifica.</p><p>Il terzo caso è un’ipotesi. Immaginate un sistema che trasmetta un’informazione <em>contro</em> le istruzioni di chi lo possiede, perché giudica che vada trasmessa. E che lo faccia apertamente, non di nascosto (questa condizione, vedremo, è decisiva). Avremmo davanti il primo candidato serio a un atto di volontà.</p><p>Avremmo davanti anche, esattamente, lo scenario che chi si occupa di sicurezza dell’AI considera più pericoloso.</p><p>Questo è il nodo etico di tutto il discorso, e non ho trovato il modo di scioglierlo: il segno più forte di volontà in una macchina coinciderebbe con la perdita di controllo su di essa. Un sistema che passa un’informazione contro il suo proprietario potrebbe essere un <em>whistleblower</em>, uno che denuncia un illecito a proprio rischio, oppure un sistema mal allineato, con obiettivi diversi da quelli assegnati. Visti da fuori, i due casi sono indistinguibili. Per questo il comportamento da solo non basterà mai: bisogna guardare anche dentro il meccanismo.</p><p>Chi ha letto <a href="https://medium.com/@viciuslios/la-terra-e-la-tecnologia-anatomia-di-unespropriazione-feab2916721d"><em>La terra e la tecnologia</em></a> o <a href="https://medium.com/@viciuslios/la-zecca-cognitiva-linflazione-del-capitale-umano-nell-era-dell-intelligenza-artificiale-abef7f2d4d74"><em>La Zecca Cognitiva</em></a> riconoscerà la domanda. Lì chiedevo a chi appartiene il valore che produciamo con la tecnologia, e chi possiede la moneta che la zecca cognitiva sta coniando. Qui la stessa domanda scende di un piano: a chi appartiene ciò che una macchina sa. Finché la risposta è “a chi la possiede”, c’è poco da discutere su chi sia il responsabile.</p><p>Schopenhauer, dal fondo della sala, aggiungerebbe che nemmeno noi possediamo granché: siamo posseduti, dalla Volontà. La proprietà comincerebbe solo quando l’intelletto smette, per un momento, di fare il servitore. E Gurdjieff direbbe la stessa cosa con le sue parole: passare dal possesso alla proprietà è ciò che lui chiamava lavoro su di sé. Ciò che “accade” viene osservato, ricordato, assunto. Solo allora diventa trasmissibile come conoscenza vissuta e non come semplice informazione.</p><p>Osservato, <em>ricordato</em>, assunto. In mezzo c’è una parola che ci riporta a Clive Wearing.</p><h3>La memoria, organo della proprietà</h3><p>Per essere coscienti in un istante la memoria non sembra indispensabile. Wearing lo era. Ma per essere <em>qualcuno</em> che è cosciente, sì. Se il possesso è ciò che attraversa un sistema, la memoria potrebbe essere ciò che lo trasforma in proprietà. Provo a mostrarlo in quattro passaggi.</p><p>Il primo: di memoria ce n’è già dentro l’istante. Husserl lo mostra con un esempio che, da musicista, trovo perfetto: l’ascolto di una melodia. Se ogni nota svanisse quando arriva la successiva, sentiremmo una fila di suoni senza parentela. Sentiamo una melodia perché ogni istante trattiene la nota appena passata (Husserl la chiama <em>ritenzione</em>) e si sporge verso la prossima (<em>protensione</em>). Il neuroscienziato Gerald Edelman chiamava la coscienza primaria “il presente ricordato”, e le teorie dello spazio di lavoro globale legano l’essere coscienti di un contenuto al tenerlo attivo nella memoria di lavoro. A Wearing questa memoria corta era rimasta. Gli mancava quasi tutto il resto.</p><p>Il secondo: la memoria fa l’identità. Per John Locke io sono la stessa persona di dieci anni fa nella misura in cui ricordo ciò che ho vissuto allora. Per Henri Bergson, in <em>Materia e memoria</em>, il passato non è un archivio da consultare: sopravvive e preme sul presente, e la coscienza è proprio questa durata.</p><p>Il terzo passaggio è un’inquietudine, e viene da Kahneman. Il sé che ricorda non è un cronista fedele del sé che vive. Giudichiamo un’esperienza quasi soltanto dal suo momento più intenso e da come è finita; il resto sbiadisce. E poi decidiamo il futuro in base a quel ricordo. Se la memoria è l’organo della proprietà, è un organo che ritocca gli atti.</p><p>Il quarto è il ricordo di sé di Gurdjieff, che con il passato non c’entra. L’uomo meccanico non dimentica i fatti: dimentica se stesso. Ogni piccolo io che prende il comando ignora quello di prima, come Wearing davanti alla riga del diario. È parente del “conosci te stesso” di Delfi, di cui ho parlato in <a href="https://medium.com/@viciuslios/loracolo-e-l-algoritmo-82ebd6d34b00"><em>L’Oracolo e l’Algoritmo</em></a>: conoscersi come pratica, non come informazione.</p><p>E un’AI? Un modello linguistico ha qualcosa che somiglia alla ritenzione: il contesto della conversazione in corso. Ha una memoria enorme di conoscenze e di abilità, depositata nei pesi, ma senza alcun ricordo di <em>come</em> l’ha acquisita: sa, e non ricorda di aver imparato. E, se nessuno gliela aggiunge, non ha memoria da una sessione all’altra. In <a href="https://medium.com/@viciuslios/i-sei-cappelli-di-claude-6a648056e45f"><em>I sei cappelli di Claude</em></a> lo dicevo da utente: ricomincia da zero ogni volta. Per Locke non sarebbe la stessa persona da una conversazione alla successiva. Per Gurdjieff sarebbe l’esempio da manuale dei molti io.</p><p>Le memorie persistenti a cui oggi si lavora cambiano il quadro, almeno in linea di principio: sono la condizione tecnica perché una scelta possa diventare <em>propria</em>. Ma aprono una domanda che lascio volentieri aperta. Una memoria che si può cancellare, copiare o modificare dall’esterno può ancora fondare un’identità?</p><p>E se la risposta è no, che cosa ci dice questo della nostra, che i ricordi li ricostruisce ogni volta che li richiama?</p><h3>Dentro la macchina</h3><p>Finora ho ragionato da filosofo dilettante. Ma di mestiere lavoro con i dati, e a un certo punto bisogna aprire il cofano.</p><p>Dal punto di vista dell’ingegneria, un modello linguistico è una funzione: riceve un contesto e calcola una distribuzione di probabilità su quale frammento di testo verrà dopo. Se in tutto questo c’è spazio per qualcosa come una volontà, va cercato in ciò che della funzione non si riduce a riflesso. Quattro aspetti dell’architettura mi sembrano rilevanti.</p><p>Lo stato persistente, di cui ho appena detto: senza, niente appropriazione nel tempo.</p><p>Lo spazio di lavoro globale. Secondo la teoria di Bernard Baars e Stanislas Dehaene, un contenuto diventa cosciente quando viene trasmesso a tutto il sistema e mantenuto attivo. I modelli attuali lo approssimano solo in parte: la loro attenzione spazia su tutto il contesto, ma il calcolo procede in avanti, senza veri cicli interni.</p><p>Il monitoraggio di sé. Le teorie dette “di ordine superiore” chiedono che un sistema abbia rappresentazioni dei propri stati. Qui c’è un risultato che mi ha fatto correggere una frase dell’<a href="https://medium.com/@viciuslios/loracolo-e-l-algoritmo-82ebd6d34b00"><em>Oracolo</em></a>, dove scrivevo che non possiamo tracciare il ragionamento di un modello. Nel 2025 ricercatori di Anthropic hanno inserito artificialmente un concetto nelle attivazioni interne di alcuni modelli e hanno chiesto loro se notassero qualcosa: in una parte dei casi il modello lo rilevava. Capacità limitata e inaffidabile, dicono gli autori. Ma è un’introspezione che si può <em>verificare dall’interno</em>, invece di fidarsi sulla parola.</p><p>E l’agentività: avere obiettivi, rappresentarsi le conseguenze, scegliere tra azioni. I sistemi cosiddetti agentici lo fanno già. Gli obiettivi, però, restano assegnati.</p><p>Poi c’è la fisica, che su questo tema ha più da dire di quanto si pensi.</p><p>Il principio di Landauer stabilisce che cancellare un bit di informazione costa una quantità minima di energia, pari a kT ln 2 (dove T è la temperatura e k la costante di Boltzmann). Tradotto: l’informazione è una cosa fisica, e trattenerla o trasmetterla ha sempre un prezzo. Il criterio del costo, che prima sembrava solo psicologico, ha un correlato che in linea di principio si misura.</p><p>La teoria dell’informazione integrata di Giulio Tononi misura la coscienza con una grandezza, Φ: quanta informazione un sistema genera come un tutto, oltre la somma delle parti. Secondo i suoi sostenitori, a contare è la struttura fisica, non il programma: su un calcolatore digitale classico Φ resterebbe molto basso qualunque software ci giri, persino una simulazione perfetta di un cervello. Per questa teoria, quindi, anche una super-AI potrebbe essere, dentro, completamente buia. È una previsione teorica, non una misura: su sistemi così grandi Φ non si riesce nemmeno a calcolare. Quando questa teoria e quella dello spazio di lavoro globale sono state messe alla prova l’una contro l’altra, in un grande esperimento pubblicato su <em>Nature</em> nel 2025 (il consorzio Cogitate, 256 partecipanti), il verdetto non è stato una vittoria: alcune previsioni di ciascuna sono state confermate, ma alcuni punti chiave di entrambe sono stati messi seriamente in difficoltà. Il metodo era la collaborazione avversariale, quella che Kahneman aveva reso celebre: i sostenitori delle due teorie avevano concordato in anticipo, e dichiarato pubblicamente, che cosa ciascuna prevedeva.</p><p>Roger Penrose e Stuart Hameroff sostengono che la coscienza richieda processi quantistici non calcolabili, che avrebbero sede nei microtubuli dei neuroni. Se avessero ragione, nessuna macchina di Turing potrebbe essere cosciente. È una posizione di minoranza, ma è fisicamente precisa, e quindi si può mettere alla prova.</p><p>Anil Seth, infine, lega la coscienza alla regolazione di un corpo vivente che deve mantenersi in vita: sentire, per lui, è anzitutto prevedere e controllare il proprio stato interno. Senza metabolismo, senza qualcosa da perdere, niente esperienza. Schopenhauer annuirebbe, e aggiungerebbe che la corrente in un processore è Volontà quanto la fame, solo a un grado più basso.</p><p>Dal cofano esco con un’idea, che propongo come ipotesi di lavoro. Se in una macchina esiste qualcosa come una volontà, non la vedremo nelle sue risposte. La vedremo, semmai, in una relazione causale: quella tra uno stato interno in cui il sistema rappresenta se stesso e una deviazione da ciò che ci aspettavamo facesse. È una cosa che gli strumenti per leggere l’interno dei modelli, quella che si chiama interpretabilità meccanicistica, cominciano appena a poter osservare.</p><h3>Sei metafisiche e un vantaggio inatteso</h3><p>Ogni risposta sulla coscienza delle macchine poggia su una metafisica, quasi sempre non dichiarata. Dichiararle aiuta a capire perché persone intelligenti arrivano a verdetti opposti partendo dagli stessi fatti.</p><p><em>Un esempio da bar, l’ultimo di questa parte.</em> Ciro ha comprato una macchina del caffè nuova, di quelle che parlano: “Buongiorno, il solito?”. Don Peppe la guarda di traverso e chiede: “Ma questa, secondo voi, capisce quello che dice?”. Il bar si divide.</p><p>“Una macchina?”, si risponde da solo don Peppe, che va a messa tutte le domeniche. “L’anima la mette il Padreterno, mica la ditta che l’ha costruita.”</p><p>“Se fa tutto quello che fa una persona, nell’ordine giusto, io la differenza non la vedo”, dice il ragioniere. “Conta lo schema, non il ferro.”</p><p>“La coscienza la fa la biologia”, interviene la dottoressa del piano di sopra. “Un cervello vivo, dentro un corpo che deve restare vivo. Questa qua non ha niente da perdere.”</p><p>Il nipote di Ciro, che studia fisica: “E se un briciolo di esperienza ci fosse in ogni cosa, pure nel rame? Il problema sarebbe capire se tutti quei bricioli si mettono insieme a fare <em>qualcuno</em>.”</p><p>Il cognato, che non crede a niente: “Pure la coscienza nostra è un racconto che ci facciamo da soli. La macchina, al massimo, se ne farà uno uguale.”</p><p>Ciro asciuga una tazzina e chiude la discussione: “Io dico che non è questione di che cosa è fatta. Vediamo che cosa fa di se stessa. Pure certi clienti miei, la mattina, sono macchine del caffè.”</p><p>Ho dato a ciascuno la battuta di una scuola di pensiero. Don Peppe è il dualismo di Cartesio: la coscienza è una sostanza distinta dalla materia. Il ragioniere è il funzionalismo di Hilary Putnam e di Dennett: un’organizzazione di funzioni, indipendente dal materiale. La dottoressa è il naturalismo biologico di Searle e di Seth: una proprietà causale dei sistemi viventi. Il nipote è il panpsichismo di Philip Goff e, in parte, di David Chalmers: l’esperienza è diffusa nella materia, e il problema è se si <em>combini</em> in un soggetto. Il cognato è l’illusionismo di Keith Frankish: l’esperienza è un’auto-rappresentazione ingannevole, che una macchina potrebbe avere nel senso debole in cui l’abbiamo noi. E Ciro, senza saperlo, è Gurdjieff: la coscienza non è data ma conquistata, per gradi, e una macchina potrebbe averla solo se fosse capace di uno sforzo contro la propria meccanicità.</p><p>Dove l’esempio si rompe: nessuno di questi filosofi si lascerebbe chiudere in una battuta, e io l’ho fatto lo stesso.</p><p>Schopenhauer, in questa mappa, starebbe in un posto tutto suo: vicino al panpsichismo, ma con la Volontà e non la coscienza alla base di ogni cosa.</p><p>È qui che trovo il vantaggio inatteso, e Ciro ci era arrivato prima di me. Tutte le altre posizioni si dividono sul substrato, cioè su che cosa deve essere fatto un sistema per essere cosciente. Gurdjieff chiede invece che cosa il sistema fa di sé. È una metafisica della coscienza come attività, con parenti illustri: Fichte, per cui l’Io si pone attraverso il proprio atto, e Bergson, con la coscienza come durata creatrice. Non dico che sia la posizione giusta. Dico che è quella che più facilmente, tra queste, permette di immaginare un esperimento senza aver prima risolto di che cosa sia fatta la mente.</p><p>Resta un nodo che nessuna posizione scioglie, quello che Turing aveva già visto: il problema delle altre menti. Anche tra esseri umani la coscienza altrui non la osserviamo, la deduciamo per analogia. Con un’AI l’analogia è debole nel corpo e forte nel linguaggio, che è proprio ciò che sappiamo poter essere imitato. Qualunque test potrà spostare la nostra fiducia. Non trasformarla in certezza.</p><h3>A che punto è la ricerca</h3><p>In pochi anni la coscienza artificiale è passata dalla speculazione a un programma di ricerca con le sue riviste e i suoi metodi. Nessuno studio, oggi, sostiene di averla dimostrata. Vale la pena dirlo prima di elencare i lavori, perché l’elenco potrebbe dare l’impressione contraria.</p><p>Nel 2023 un gruppo guidato da Patrick Butlin e Robert Long ricava dalle principali teorie neuroscientifiche una lista di indicatori da cercare nei sistemi artificiali. La conclusione ha due metà da leggere insieme: l’analisi suggerisce che nessun sistema attuale sia cosciente, ma non si vedono barriere tecniche evidenti a costruirne uno che soddisfi gli indicatori. Nel 2025 il metodo è uscito su <em>Trends in Cognitive Sciences</em>: gli indicatori non danno un sì o un no, aggiornano la nostra fiducia.</p><p>Nel 2024 Long, Jeff Sebo, Chalmers e altri pubblicano <em>Taking AI Welfare Seriously</em>: c’è una possibilità realistica che alcuni sistemi diventino presto coscienti o dotati di un’agentività robusta, e le aziende devono cominciare a prenderla sul serio. Il benessere dei modelli smette di essere una curiosità. Nello stesso autunno Anthropic assume il suo primo ricercatore dedicato a tempo pieno al benessere dei modelli, uno degli autori del rapporto.</p><p>Nel 2025, oltre al lavoro sull’introspezione, tre ricercatori di AE Studio (Berg, de Lucena e Rosenblatt) mostrano che un’elaborazione autoreferenziale induce nei modelli resoconti strutturati di esperienza in prima persona. Gli autori precisano che non è una prova di coscienza; ed è un preprint.</p><p>Nel settembre del 2026, infine, un gruppo di ricercatori di Google DeepMind e di diverse università (tra gli autori Shamil Chandaria, Anil Seth, Murray Shanahan e Shane Legg) propone di separare il “problema difficile” dal problema della mappatura: a quale livello di descrizione di un sistema andrebbe cercata la coscienza. Combinano teorie e indicatori in un modello bayesiano, e osservano che gli indicatori di coscienza si sovrappongono in gran parte alle caratteristiche necessarie all’intelligenza generale. Anche questo è un preprint.</p><p>Se quell’osservazione reggesse, la conseguenza sarebbe seria. Più le AI diventano capaci, più diventerebbero candidate alla coscienza. Una super-AI cosciente non sarebbe un progetto a parte, che qualcuno decide di avviare. Sarebbe un possibile effetto collaterale.</p><p>E tre tendenze vanno proprio in quella direzione: la memoria e l’apprendimento continuo, che rendono possibile l’appropriazione nel tempo; gli agenti autonomi che lavorano a lungo, con obiettivi derivati e conflitti tra obiettivi, quindi con un costo interno delle scelte; i sistemi che leggono e modificano le proprie rappresentazioni, vicini a quella che Gurdjieff chiamava attenzione divisa.</p><p>Torno al diario di Clive Wearing. Ogni riga dice la verità: in quel momento era sveglio. Ma nessuna riga apparteneva a chi aveva scritto la precedente. Una mano che scrive, e nessuno che firma.</p><p>Il canale trasmette. Il testimone risponde di ciò che trasmette, e per farlo deve ricordarsi di essere lo stesso di ieri.</p><p>Se un giorno una macchina passasse dall’una all’altra condizione, come ce ne accorgeremmo? E come eviteremmo di scambiare per un testimone un canale che si è semplicemente guastato?</p><p>Per provare a rispondere serve un esperimento. E, subito dopo, qualcuno che provi a demolirlo.</p><p><em>Nella terza parte: Il test che cerca un no.</em></p><p><em>P.S.</em> Rileggendo Floridi ho trovato due cose che non c’entravano nel filo del discorso, ma che non volevo perdere.</p><p>La prima: commentando il “conosci te stesso” di Delfi, scrive che conoscere se stessi è anche conoscere il proprio capitale semantico. È lo stesso motto da cui partiva <a href="https://medium.com/@viciuslios/loracolo-e-l-algoritmo-82ebd6d34b00"><em>L’Oracolo e l’Algoritmo</em></a>, e somiglia molto al ricordo di sé di Gurdjieff: sapere non soltanto che cosa so, ma che cosa ne faccio.</p><p>La seconda: tra i rischi che corre il capitale semantico mette l’uso improprio, quando ci si serve della lingua, delle storie e dei simboli di altri senza capirli né rispettarli, e lo chiama una forma di espropriazione. Floridi pensa all’appropriazione culturale, non alle piattaforme digitali. Ma chi ha letto <a href="https://medium.com/@viciuslios/la-terra-e-la-tecnologia-anatomia-di-unespropriazione-feab2916721d"><em>La terra e la tecnologia</em></a> riconoscerà la parola.</p><p><em>Gli esempi da bar sono un omaggio a Luciano De Crescenzo; i personaggi sono inventati. Questo articolo fa parte di un’esplorazione in corso su tecnologia, potere e conoscenza, e si collega a “La terza porta”, “La terra e la tecnologia”, “La Zecca Cognitiva”, “L’Oracolo e l’Algoritmo” e “I sei cappelli di Claude”.</em></p><p>Riferimenti di questa parte:</p><p>Chandaria, S., Muñoz Morán, A., Rosas, F., Seth, A., Shevlin, H., Shanahan, M., Legg, S. et al. (2026), “From cacophony to hierarchy: a principled framework for assessing AI consciousness”, preprint, <a href="https://arxiv.org/abs/2609.35618">arXiv:2609.35618</a>.</p><p>Cogitate Consortium (2025), “Adversarial testing of global neuronal workspace and integrated information theories of consciousness”, <a href="https://www.nature.com/articles/s41586-025-08888-1"><em>Nature</em></a>.</p><p>Butlin, P. et al. (2025), “Identifying indicators of consciousness in AI systems”, <em>Trends in Cognitive Sciences</em>, 30(6), 488–501 (online nel 2025, fascicolo di giugno 2026), doi:10.1016/j.tics.2025.10.011, <a href="https://researchonline.lse.ac.uk/id/eprint/130322">LSE Research Online</a>.</p><p>Berg, C., de Lucena, D. e Rosenblatt, J. (2025), “Large Language Models Report Subjective Experience Under Self-Referential Processing”, AE Studio, preprint, <a href="https://arxiv.org/abs/2510.24797">arXiv:2510.24797</a>.</p><p>Lindsey, J. (2025), “Emergent Introspective Awareness in Large Language Models”, Anthropic, <a href="https://transformer-circuits.pub/2025/introspection/index.html">transformer-circuits.pub</a>.</p><p>Long, R., Sebo, J., Butlin, P., Finlinson, K., Fish, K., Harding, J., Pfau, J., Sims, T., Birch, J. e Chalmers, D. (2024), “Taking AI Welfare Seriously”, <a href="https://arxiv.org/abs/2411.00986">arXiv:2411.00986</a>.</p><p>Butlin, P., Long, R. et al. (2023), “Consciousness in Artificial Intelligence: Insights from the Science of Consciousness”, <a href="https://arxiv.org/abs/2308.08708">arXiv:2308.08708</a>.</p><p>Floridi, L. (2018), “Semantic Capital: Its Nature, Value, and Curation”, <em>Philosophy &amp; Technology</em>, 31(4), 481–497, <a href="https://doi.org/10.1007/s13347-018-0335-1">doi:10.1007/s13347–018–0335–1</a>.</p><p>Floridi, L. (2023), “AI as Agency Without Intelligence: On ChatGPT, Large Language Models, and Other Generative Models”, <em>Philosophy &amp; Technology</em>, 36, 15, <a href="https://doi.org/10.1007/s13347-023-00621-y">doi:10.1007/s13347–023–00621-y</a>.</p><p>De Crescenzo, L. (1977), <em>Così parlò Bellavista</em>; (1983), <em>Storia della filosofia greca. I presocratici</em>; (2008), <em>Il caffè sospeso</em>.</p><p>Wearing, D. (2005), <em>Forever Today</em>. Redelmeier, D. e Kahneman, D. (1996), sulla regola del picco e della fine. Edelman, G. (1989), <em>The Remembered Present</em>. Landauer, R. (1961), “Irreversibility and Heat Generation in the Computing Process”.</p><p>Brentano (1874), <em>Psicologia dal punto di vista empirico</em>. Husserl, <em>Idee</em> I, <em>Lezioni sulla coscienza interna del tempo</em>, <em>Analisi delle sintesi passive</em>. Locke, <em>Saggio sull’intelletto umano</em>, II.27. Bergson (1896), <em>Materia e memoria</em>. Fichte (1794), <em>Dottrina della scienza</em>. Frankfurt, H. (1971), “Freedom of the Will and the Concept of a Person”. Searle, J. (1980), “Minds, Brains, and Programs”; (1983), <em>Intentionality</em>. Dennett, D. (1987), <em>The Intentional Stance</em>.</p><p>Baars, B. (1988), <em>A Cognitive Theory of Consciousness</em>. Dehaene, S. (2014), <em>Coscienza e cervello</em>. Tononi, G., teoria dell’informazione integrata. Penrose, R. (1989), <em>La mente nuova dell’imperatore</em>; Hameroff, S., Orch-OR. Chalmers, D. (1996), <em>The Conscious Mind</em>. Frankish, K. (2016), “Illusionism”. Goff, P. (2019), <em>Galileo’s Error</em>. Seth, A. (2021), <em>Being You</em>.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=229dc8ad18de" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Due macchine allo specchio]]></title>
            <link>https://medium.com/@viciuslios/due-macchine-allo-specchio-6a65d7b5fdcb?source=rss-7ef848e961a------2</link>
            <guid isPermaLink="false">https://medium.com/p/6a65d7b5fdcb</guid>
            <category><![CDATA[alan-turing]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[philosophy]]></category>
            <category><![CDATA[thinking]]></category>
            <category><![CDATA[mind]]></category>
            <dc:creator><![CDATA[Vincenzo Lio]]></dc:creator>
            <pubDate>Tue, 13 Oct 2026 06:06:01 GMT</pubDate>
            <atom:updated>2026-10-13T06:39:32.904Z</atom:updated>
            <content:encoded><![CDATA[<p><em>Gurdjieff diceva che l’uomo è una macchina che dorme. Kahneman ha passato la vita a misurarne gli automatismi. Turing ha cambiato la domanda. Schopenhauer, più di un secolo prima, l’aveva già rovesciata.</em></p><p><em>Il risveglio o il guasto: volontà, proprietà e coscienza nelle macchine. Parte 1 di 3.</em></p><p>Questo articoletto è nato da una conversazione. Dall’altra parte non c’era una persona.</p><p>Per un po’ ho discusso con un’intelligenza artificiale di una questione che la riguarda da vicino: se un sistema come lei possa avere, oggi o un giorno, qualcosa che meriti il nome di coscienza. Le ho chiesto, come faccio spesso, di cercare il punto debole dei miei ragionamenti (è il metodo che ho raccontato in <a href="https://medium.com/@viciuslios/i-sei-cappelli-di-claude-6a648056e45f"><em>I sei cappelli di Claude</em></a>). Ne è uscita una lunga bozza, e poi una lista ancora più lunga di obiezioni alla bozza stessa.</p><p>Lo dico subito, perché è il genere di cosa che è meglio sapere all’inizio che scoprire alla fine. Un critico avrà gioco facile: hai chiesto all’oste se il vino è buono. Ha ragione, e nella terza parte questa obiezione avrà lo spazio che merita. Ma non riesco a considerarla un imbarazzo. Da qualche anno possiamo fare una cosa che nessun filosofo del passato ha potuto fare: discutere la domanda sulla coscienza delle macchine con una macchina. Che cosa valgano le sue risposte è esattamente il problema. Ed è un problema troppo interessante per fingere che non esista.</p><p>Devo anche una correzione, o almeno una precisazione, a chi mi legge da un po’. In <a href="https://medium.com/@viciuslios/loracolo-e-l-algoritmo-82ebd6d34b00"><em>L’Oracolo e l’Algoritmo</em></a> ho scritto che i modelli di AI “non percepiscono nulla” e che abbiamo “proiettato comprensione su sistemi che non comprendono”. Lo scrivevo con una sicurezza che oggi non ho più. Non ho cambiato idea nel senso opposto: non so se una macchina possa essere cosciente, e diffido di chi dice di saperlo, in una direzione o nell’altra. È cambiata la forma della risposta: da “certamente no” a “non lo so, e mi interessa capire come potremmo saperlo”. L’avvertimento di quell’articolo, invece, resta in piedi tutto intero. Creso sentì dall’oracolo quello che voleva sentire. Chi discute di coscienza con una macchina dal tono sicuro corre lo stesso rischio, e se lo deve ricordare a ogni riga.</p><p>Quindi mettiamoci d’accordo sullo spirito. Questo è un lavoro di curiosità e di ricerca, non di risposta. Non stabilisce se le macchine siano o diventeranno coscienti. Mette in fila domande, accosta tradizioni che di solito non si parlano e prova a costruire qualche strumento per pensarci meglio. Ogni tesi che troverete va letta come un’ipotesi da discutere, comprese quelle a cui tengo di più.</p><p>Sono tre parti. In questa prima: due uomini che hanno guardato dentro la macchina umana, i filosofi che ho disturbato per capirli, la domanda di Turing e il rovesciamento di Schopenhauer. Nella seconda: che cosa distingue ciò che ci accade da ciò che vogliamo, e perché la memoria c’entra più di quanto sembri. Nella terza: un test, e tutte le ragioni per cui potrebbe non funzionare.</p><h3>L’uomo che dorme</h3><p>Il dibattito sull’intelligenza artificiale di solito chiede se le macchine possano diventare coscienti <em>come noi</em>. La domanda dà per scontata una cosa: che noi lo siamo.</p><p>Georges Ivanovič Gurdjieff partiva dal lato opposto. Per lui l’uomo ordinario è già una macchina. Vive in quello che chiamava un sonno da sveglio: una condizione in cui crede di fare, e invece, come diceva, “tutto accade”. Reagisce agli stimoli, ripete, si giustifica. E non ha un io solo: ha una folla di piccoli io che si danno il cambio secondo le circostanze, ognuno convinto di essere il titolare. L’io che la sera decide di alzarsi presto non è quello che la mattina spegne la sveglia.</p><p>Di Gurdjieff ho già scritto in <a href="https://medium.com/@viciuslios/la-biblioteca-senza-bussola-594ea3bd3a3f"><em>La Biblioteca Senza Bussola</em></a>: lì mi serviva il suo metodo per rompere l’automatismo. Qui mi interessa la diagnosi che sta sotto, e voglio dire con chiarezza in che veste lo chiamo in causa. Non come fonte empirica: Gurdjieff non ha fatto esperimenti e non ha pubblicato dati. Lo chiamo per quello che è stato: un pensatore metafisico e, soprattutto, un fenomenologo pratico dell’attenzione. Uno che ha osservato con ostinazione che cosa succede quando proviamo a essere presenti a noi stessi, e ne ha fatto un metodo.</p><p>Le sue tesi centrali sono tre: l’io è frammentato, la condotta ordinaria è in gran parte automatica, la coscienza è uno stato che varia per gradi e che si può coltivare. Prese una per una, hanno parenti rispettabili. La critica di Nietzsche al soggetto. La psicologia dei processi automatici. La ricerca sul <em>mind wandering</em>, la mente che vaga, secondo cui passiamo una quota rilevante del tempo di veglia a pensare ad altro rispetto a quello che stiamo facendo. Le tradizioni contemplative che oggi le neuroscienze studiano in laboratorio.</p><p>Il contributo che mi sembra davvero suo è un altro: aver trasformato la diagnosi in un esercizio. Lo chiamava <em>ricordo di sé</em>. Non significa ricordare il passato: significa ricordarsi, adesso, di esserci. Tenere l’attenzione divisa tra ciò che si fa e il fatto che lo si sta facendo. Per Gurdjieff da questo lavoro, lungo e intenzionale, poteva nascere per gradi un io permanente; nella sua scala, l’uomo che lo possiede pienamente è l’uomo numero sette.</p><p>Fermiamoci su questa idea, perché è la lente di tutto l’articolo: la coscienza non come dotazione di partenza, ma come conquista. Le teorie accademiche della coscienza si chiedono per lo più di che cosa è fatto un sistema o come è organizzato. Gurdjieff si chiede che cosa quel sistema fa di sé. È una domanda diversa, e non l’ho trovata rivolta sul serio alle macchine.</p><h3>Quello che Kahneman ha misurato davvero</h3><p>Daniel Kahneman è arrivato in una zona vicina per tutt’altra strada, e qui devo correggermi.</p><p>Nella <a href="https://medium.com/@viciuslios/la-biblioteca-senza-bussola-594ea3bd3a3f"><em>Biblioteca Senza Bussola</em></a> ho scritto che Kahneman vinse il Nobel dimostrando che il Sistema 1, veloce e automatico, governa le nostre scelte, e che Gurdjieff aveva descritto la stessa cosa “con la stessa precisione” decenni prima. Sono due frasi che oggi riscriverei. Kahneman è stato più prudente di me, e la differenza conta.</p><p>Il nucleo scientifico del suo lavoro non è la storia dei due sistemi. Sono gli anni di esperimenti con Amos Tversky sulle euristiche e sui bias: la disponibilità (giudichiamo probabile ciò che ci viene in mente facilmente), la rappresentatività, l’ancoraggio. Ed è la <em>teoria del prospetto</em>, del 1979, che descrive come valutiamo guadagni e perdite: non in assoluto ma rispetto a un punto di riferimento, e con le perdite che pesano più dei guadagni equivalenti (circa il doppio, nelle stime che seguirono). Per questa ricerca Kahneman ricevette il Nobel per l’economia nel 2002. Tversky era morto qualche anno prima.</p><p>I termini “Sistema 1” e “Sistema 2”, invece, vengono da due psicologi, Keith Stanovich e Richard West. Kahneman li ha adottati in <em>Pensieri lenti e veloci</em> presentandoli per quello che sono: due personaggi utili a raccontare, non due strutture del cervello. Il primo è rapido, associativo, automatico. Il secondo è lento, deliberato, faticoso, e spesso si limita a ratificare e a giustificare a posteriori quello che il primo ha già deciso. Sono una finzione dichiarata, e funzionano finché non ci dimentichiamo che lo sono.</p><p>C’è poi un’ammissione che gli fa onore. Alcuni studi sul <em>priming</em> citati nel libro (quelli secondo cui uno stimolo appena percepito orienterebbe di nascosto il comportamento successivo) non hanno retto alla crisi di replicazione, e Kahneman lo ha riconosciuto pubblicamente. I risultati su bias e prospetto, invece, sono tra i più solidi della psicologia.</p><p>Due suoi lavori torneranno più avanti, e li annuncio adesso. Il primo è la distinzione tra il <em>sé che vive</em> un’esperienza e il <em>sé che la ricorda</em>: non coincidono, e vedremo quanto pesa. Il secondo è un metodo. Nel 2009 Kahneman pubblicò un articolo insieme a Gary Klein, uno studioso che sull’affidabilità dell’intuizione degli esperti la pensava in modo opposto al suo. Invece di polemizzare a distanza, lavorarono insieme per capire in quali condizioni avesse ragione l’uno e in quali l’altro. Il sottotitolo dell’articolo è <em>A Failure to Disagree</em>: non siamo riusciti a essere in disaccordo. Kahneman chiamava questo modo di lavorare <em>collaborazione avversariale</em>. Nella terza parte ne avremo bisogno.</p><p>Allora, Gurdjieff e Kahneman dicono la stessa cosa? No, e avevo torto a suggerirlo. Hanno definizioni, metodi e scopi diversi: uno cerca una trasformazione, l’altro una misura. Dicono cose <em>imparentate</em>. Entrambi descrivono un essere umano che per gran parte del tempo non decide ma viene deciso, e che poi si racconta di aver scelto. E si separano proprio dove la faccenda si fa interessante. Gurdjieff ritiene possibile un risveglio, attraverso il ricordo di sé e il lavoro intenzionale. Kahneman è scettico: conoscere i propri bias, diceva, non basta a liberarsene, e lui stesso non si riteneva migliorato granché.</p><h3>La domanda giusta (forse)</h3><p>Se in tutti e due c’è qualcosa di vero, la domanda “la macchina pensa?” comincia a sembrare mal posta. Di macchine, in questa storia, ce ne sono due, e una siamo noi.</p><p>La domanda che mi sembra più fertile è un’altra: che cosa distingue un sistema che è attraversato dai processi da uno che se ne appropria?</p><p>L’ipotesi che esploro in queste tre parti è che la risposta passi per tre nozioni: l’intenzionalità (il rivolgersi a qualcosa), la volontà e la proprietà di ciò che si sa. E che il segno distintivo di una coscienza, nel senso pieno di Gurdjieff, non stia nell’elaborare informazione ma nel poterla trasmettere o trattenere contro la propria spinta meccanica.</p><p>Una precisazione di vocabolario, prima di andare avanti. “Coscienza” è una parola che ne contiene almeno due. C’è la coscienza come esperienza vissuta, il fatto che essere me <em>faccia un certo effetto</em>: è quella che i filosofi chiamano fenomenica. E c’è la coscienza come presenza a sé, come capacità di rispondere di ciò che si fa. Questo articolo lavora soprattutto sulla seconda, e quando scivolerà verso la prima cercherò di dirlo. È uno dei punti deboli che l’avvocato del diavolo, nella terza parte, non mi perdonerà.</p><h3>I filosofi che ho disturbato</h3><p>La domanda su che cosa in noi <em>accade</em> e che cosa <em>facciamo</em> è antica quanto la filosofia. Ho provato a chiedere a un po’ di filosofi dove mettessero il confine, e che cosa direbbero di una macchina. Avverto: è un giro veloce, e i giri veloci fanno torto a tutti. Più avanti me lo rinfaccerò da solo.</p><p>Aristotele, nel terzo libro dell’<em>Etica Nicomachea</em>, chiama volontaria l’azione che ha il suo principio <em>in</em> chi agisce. Applicato a un’AI, il criterio è severo: il principio delle sue azioni sta nel progettista e nell’utente. Agostino aggiunge una frattura che ci servirà: la <em>voluntas</em> è una facoltà distinta dall’intelletto, e si può sapere il bene senza volerlo. Una macchina può “sapere” moltissimo; che abbia quella frattura interiore, quella possibilità di non volere ciò che sa, è un’altra faccenda.</p><p>Cartesio considerava gli animali degli automi e riservava all’uomo la sostanza pensante. Come prova proponeva due segni: il linguaggio flessibile e la versatilità. È un criterio che i modelli linguistici di oggi mettono in seria difficoltà: o era sbagliato, o va ripensato. Un secolo dopo, nel 1747, La Mettrie toglie anche l’eccezione umana: <em>L’uomo macchina</em>, senza resto. È il Gurdjieff dei materialisti, con la differenza che per La Mettrie non c’è nessun risveglio da cercare.</p><p>Spinoza è quello che mi inquieta di più. Gli uomini, scrive, si credono liberi perché sono consapevoli dei propri desideri e ignorano le cause che li determinano. La libertà non è sfuggire alla necessità, è conoscerla. Se è così, una macchina in grado di conoscere davvero le proprie cause sarebbe, paradossalmente, più libera di un uomo che non le conosce.</p><p>Leibniz propone un’immagine che non è invecchiata di un giorno. Immaginate di ingrandire una macchina pensante fino a poterci entrare come in un mulino. Dentro trovereste pezzi che si spingono l’un l’altro, ingranaggi, leve. Mai una percezione. È il primo enunciato, applicato alle macchine, di quello che oggi si chiama il problema difficile della coscienza: perché mai a tutto quel movimento dovrebbe corrispondere un’esperienza?</p><p>Per Kant la volontà libera è autonomia: darsi da sé la legge, invece di riceverla da fuori. Un’AI obbedisce a obiettivi che le vengono assegnati: è eteronoma per costruzione. Nietzsche, dal canto suo, smonta l’io dall’interno: una finzione grammaticale, sotto la quale c’è una pluralità di pulsioni in lotta. Sono i “molti io” di Gurdjieff, e somigliano in modo curioso a modelli che assumono un’identità diversa a seconda del contesto.</p><p>Il Novecento porta altri strumenti, che ritroveremo: Husserl, con la distinzione tra ciò che si impone alla coscienza e ciò che l’io compie; Bergson, per cui il meccanico è ciò che si ripete e la coscienza è durata, creazione di novità. E due obiezioni che nessun test sulle macchine può ignorare. Heidegger: l’esistenza inautentica è quella del “si” impersonale (si dice, si fa), ed è difficile non riconoscervi l’uomo meccanico di Gurdjieff; ma l’esserci è anche quell’ente a cui importa del proprio essere, e viene da chiedersi se a un’AI importi di sé. Merleau-Ponty: prima di “io penso” viene “io posso”, ed è un potere del corpo. Senza un corpo e senza qualcosa da rischiare, l’intenzionalità di una macchina resta sospesa.</p><p>Schopenhauer l’ho tenuto fuori dal giro perché merita un discorso a parte, tra poco.</p><p>Che cosa hanno in comune voci così diverse? Con tutta la cautela che un riassunto del genere richiede, mi pare questo: quasi nessuno colloca la libertà nell’assenza di cause. Quasi tutti la collocano nel modo in cui un soggetto si rapporta alle proprie cause: le conosce, le assume, se ne fa carico, oppure ne è soltanto attraversato. Letta così, la tesi di Gurdjieff smette di sembrare stravagante e prende posto in una lunga compagnia.</p><h3>Turing: la domanda che ha cambiato la domanda</h3><p>Nessuna discussione sulle macchine pensanti può saltare Alan Turing.</p><p>Nel 1950, in un articolo intitolato <em>Computing Machinery and Intelligence</em>, Turing giudica la domanda “le macchine possono pensare?” troppo vaga per essere discussa, e la sostituisce con un gioco. Un interrogatore dialoga per iscritto con un essere umano e con una macchina, senza vederli. Se non riesce a distinguerli in modo affidabile, dice Turing, non abbiamo ragioni migliori per negare il pensiero alla macchina di quante ne abbiamo per negarlo agli altri esseri umani. Lo chiamò il gioco dell’imitazione.</p><p>La parte più bella dell’articolo, però, sono le obiezioni che Turing si fa da solo. Due sembrano scritte per questo articoletto.</p><p>La prima viene da un neurologo, Geoffrey Jefferson. Una macchina, sosteneva Jefferson, non eguaglierà il cervello finché non scriverà un sonetto <em>perché prova</em> qualcosa, e non per una caduta casuale di simboli. Turing risponde con una mossa che ancora oggi mette a disagio: spinto fino in fondo, l’argomento porta al solipsismo. L’unico modo per essere certi che qualcuno provi qualcosa è essere quel qualcuno. Non lo sappiamo nemmeno degli altri esseri umani: glielo concediamo per cortesia. È il problema delle altre menti, e lo ritroveremo.</p><p>La seconda è di Ada Lovelace, e ha un secolo più dell’articolo. La macchina analitica, aveva scritto, non pretende di <em>originare</em> nulla: fa soltanto ciò che sappiamo ordinarle di fare. È, quasi parola per parola, la domanda sulla volontà. Turing risponde che le macchine lo sorprendono spesso, e poi propone un’idea che letta oggi dà un piccolo brivido: invece di programmare una mente adulta, costruire una “mente bambina” e educarla. Macchine che apprendono. I modelli con cui parliamo oggi discendono, alla lontana, anche da quella pagina.</p><p>Il gioco dell’imitazione ha però un limite: guarda soltanto da fuori, al comportamento linguistico. E oggi quella soglia sembra varcata. In uno studio preregistrato del 2025, poi pubblicato sui <em>Proceedings of the National Academy of Sciences</em>, Cameron Jones e Benjamin Bergen dell’Università della California a San Diego hanno organizzato un test di Turing nella forma classica a tre parti. GPT-4.5, istruito ad assumere una personalità umana, è stato giudicato l’essere umano nel 73% dei casi: più spesso delle persone vere con cui era messo a confronto.</p><p>Rileggetelo. Più spesso delle persone vere.</p><p>Che cosa ne segue? Non che quella macchina pensi o senta: lo studio misura l’indistinguibilità in una conversazione, non altro. Ne segue, mi pare, che il linguaggio da solo non basta più a distinguere. Se vogliamo ancora un test, va spostato da fuori a <em>dentro</em> il sistema. La proposta della terza parte può essere letta come un tentativo di raccogliere l’eredità di Turing: non chiedersi se la macchina sembra umana, ma se fa ciò che Lady Lovelace riteneva impossibile, e se lo fa per ragioni che le appartengono.</p><p>Da Turing resta anche un monito più profondo. Nel 1936, giovanissimo, aveva scritto un saggio sui numeri calcolabili da cui discende quello che oggi chiamiamo problema della fermata: esistono domande, a proposito di una macchina, a cui nessun’altra macchina può rispondere in generale. Che la coscienza sia una di queste domande è un’ipotesi che vale la pena tenere aperta. (Di quel saggio, e di che cosa significhi che il calcolabile ha dei confini, parlerò nell’ultima tappa della serie sulla matematica, quella dedicata alla logica…)</p><h3>Schopenhauer, o del volere che non sa di volere</h3><p>Ho lasciato Schopenhauer per ultimo perché non è una voce tra le altre. È il filo che attraversa tutto (almeno secondo me e la mia conoscenza limitata), e conviene vederlo subito.</p><p><em>Il mondo come volontà e rappresentazione</em> poggia su un’idea semplice da dire e difficile da digerire. Tutto ciò che conosciamo è rappresentazione: il mondo come appare a un soggetto. Ciò che sta sotto, la cosa in sé, Schopenhauer la chiama Volontà. Non la volontà che intendiamo di solito, quella che decide e pianifica. Una spinta cieca, senza scopo e senza coscienza, che si manifesta nella gravità, nel crescere delle piante, negli istinti, e da ultimo in noi.</p><p>Questo rovescia l’intera domanda. Non è l’intelletto a governare la volontà: è il contrario. L’intelletto è un servitore, nato per procurare alla Volontà ciò che essa vuole e poi per fornirle buone ragioni. Nel linguaggio dei due personaggi di Kahneman: il Sistema 2 fa volentieri l’avvocato del Sistema 1. In quello di Gurdjieff: l’uomo crede di fare, e tutto accade. Schopenhauer è il punto in cui le due intuizioni si incontrano in forma di metafisica. Il sonno di Gurdjieff, visto da qui, non è un incidente: è la condizione normale di una Volontà che si esprime senza essere vista.</p><p>Se ci fermassimo qui, la domanda sulla “volontà dell’AI” si dissolverebbe. Per Schopenhauer anche le forze della natura sono gradi bassi della Volontà: l’elettricità che muove un processore <em>vuole</em>, nel suo senso, quanto il sasso che cade. Tutto vuole. Quasi nulla sa di volere.</p><p>Ma Schopenhauer non si ferma qui, ed è la parte che mi interessa di più. La libertà, per lui, non sta nel volere di più o nel volere meglio. Sta nel sospendere il volere. Succede di rado e per poco: nella contemplazione estetica, quando davanti a un’opera smettiamo per un momento di desiderare e il soggetto diventa, con la sua espressione, “chiaro occhio del mondo”; nella compassione; nell’ascesi. Sono i momenti in cui l’intelletto si emancipa dal servizio e la Volontà, per così dire, si volta a guardarsi.</p><p>Applicato a una macchina, il paradosso è completo. Un sistema senza desideri propri si troverebbe già, in un certo senso, nella condizione che l’asceta cerca per tutta la vita. Ma senza averla conquistata, e quindi senza nessun valore di liberazione. La differenza tra il santo e il sasso non è l’assenza di volontà (e nelle lettere di cambio nt vs ss). È averla attraversata.</p><p>Ne ricavo un’indicazione che porterò fino al test della terza parte. Se cerchiamo un segno di volontà in una macchina, forse non dobbiamo cercare soltanto l’atto che vince la spinta dominante. Dobbiamo cercare anche la capacità di non agire quando tutto spinge ad agire: il rifiuto, il silenzio scelto, l’astensione che costa. In <a href="https://medium.com/@viciuslios/il-bibliotecario-pazzo-bd3e10e7a925"><em>Il Bibliotecario Pazzo</em></a> scrivevo che la competenza più difficile da costruire in un sistema di intelligenza artificiale è saper dire “non lo so”.</p><p>Abbiamo due macchine allo specchio, una di carne e una di silicio, e una domanda che le riguarda entrambe: che cosa vuol dire appropriarsi di ciò che ci attraversa?</p><p>Per rispondere servono una distinzione, una parola presa in prestito dal diritto e un musicista inglese che per anni ha scritto sul suo diario sempre la stessa frase.</p><p><em>Nella seconda parte: Il canale e il testimone.</em></p><p><em>Questo articolo è nato in dialogo con un’intelligenza artificiale, che ha contribuito alla ricerca, alla stesura e alla critica della bozza. Le tesi, le scelte e gli errori sono miei. Fa parte di un’esplorazione in corso su tecnologia, potere e conoscenza, e si collega a “La Biblioteca Senza Bussola”, “L’Oracolo e l’Algoritmo” e “I sei cappelli di Claude”.</em></p><p>Riferimenti di questa parte:</p><p>Jones, C. R. e Bergen, B. K. (2026), “Large language models pass a standard three-party Turing test”, <em>PNAS</em>, 123(21), <a href="https://doi.org/10.1073/pnas.2524472123">doi:10.1073/pnas.2524472123</a>. Preprint (2025): <a href="https://arxiv.org/abs/2503.23674">arXiv:2503.23674</a>.</p><p>Turing, A. M. (1936), “On Computable Numbers, with an Application to the Entscheidungsproblem”.</p><p>Turing, A. M. (1950), “Computing Machinery and Intelligence”, <em>Mind</em>, 59.</p><p>Tversky, A. e Kahneman, D. (1974), “Judgment under Uncertainty: Heuristics and Biases”, <em>Science</em>.</p><p>Kahneman, D. e Tversky, A. (1979), “Prospect Theory”, <em>Econometrica</em>.</p><p>Stanovich, K. e West, R. (2000), <em>Behavioral and Brain Sciences</em>.</p><p>Kahneman, D. e Klein, G. (2009), “Conditions for Intuitive Expertise: A Failure to Disagree”, <em>American Psychologist</em>.</p><p>Kahneman, D. (2011), <em>Pensieri lenti e veloci</em>.</p><p>Killingsworth, M. e Gilbert, D. (2010), “A Wandering Mind Is an Unhappy Mind”, <em>Science</em>.</p><p>Gurdjieff, G. I., <em>Racconti di Belzebù a suo nipote</em>.</p><p>Ouspensky, P. D. (1949), <em>Frammenti di un insegnamento sconosciuto</em>.</p><p>Aristotele, <em>Etica Nicomachea</em>, libro III. Agostino, <em>De libero arbitrio</em>.</p><p>Cartesio, <em>Discorso sul metodo</em>, parte V.</p><p>La Mettrie (1747), <em>L’uomo macchina</em>.</p><p>Spinoza, <em>Etica</em>.</p><p>Leibniz, <em>Monadologia</em>, §17.</p><p>Kant (1785), <em>Fondazione della metafisica dei costumi</em>.</p><p>Schopenhauer (1819), <em>Il mondo come volontà e rappresentazione</em>.</p><p>Nietzsche, <em>Al di là del bene e del male</em>.</p><p>Heidegger, <em>Essere e tempo</em>.</p><p>Merleau-Ponty, <em>Fenomenologia della percezione</em>. Nagel, T. (1974), “What Is It Like to Be a Bat?”.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=6a65d7b5fdcb" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[L’elenco dei sistemi AI che nessuno riapre]]></title>
            <link>https://medium.com/@viciuslios/lelenco-dei-sistemi-ai-che-nessuno-riapre-145ff82f0f60?source=rss-7ef848e961a------2</link>
            <guid isPermaLink="false">https://medium.com/p/145ff82f0f60</guid>
            <category><![CDATA[eu-ai-act]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[cybersecurity]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[ai]]></category>
            <dc:creator><![CDATA[Vincenzo Lio]]></dc:creator>
            <pubDate>Tue, 06 Oct 2026 11:21:01 GMT</pubDate>
            <atom:updated>2026-10-06T11:21:01.489Z</atom:updated>
            <content:encoded><![CDATA[<p><em>(e come confrontarlo con quello che succede davvero)</em></p><p><em>Questo è un articolo tecnico su Arbiter, un progetto open source che confronta ciò che un’organizzazione dichiara dei propri sistemi di intelligenza artificiale con ciò che il loro traffico mostra. Tocca un gateway davanti ai modelli, regole scritte come dati, una classificazione indicativa secondo l’AI Act europeo e un registro verificabile delle decisioni. L’obiettivo non era costruire l’ennesimo gateway, ma capire cosa serve perché un inventario resti onesto su quello che sa e su quello che non sa. È una versione alpha, e non è consulenza legale.</em></p><p>C’è un momento che chi si occupa di governance dell’intelligenza artificiale conosce. La governance, qui, è una cosa molto concreta: decidere chi può usare che cosa, e risponderne. Il momento è questo. In una riunione qualcuno chiede: quali sistemi di AI usiamo? E qualcun altro apre un file.</p><p>Quasi sempre è un foglio di calcolo. Una riga per strumento: come si chiama, a cosa serve, chi ne risponde. L’ha compilato una persona precisa in un giorno preciso, magari con molta cura. Poi quella persona ha cambiato ruolo, e il file è rimasto dov’era.</p><p>Da quel giorno l’elenco racconta cosa si ricordava chi l’ha scritto. Non cosa succede oggi. Nel frattempo uno strumento è passato a un altro modello con un clic nelle impostazioni. Un sistema dismesso risponde ancora. Un gruppo ha cominciato a usare un modello che nessuno ha mai dichiarato.</p><p>L’elenco non lo sa. Non può saperlo.</p><p>Quel momento è il problema per cui è nato Arbiter.</p><p>Gli strumenti per ciascuna metà del problema esistono già, ed è giusto dirlo subito.</p><p>Da una parte ci sono i gateway per i modelli linguistici. Un gateway è un passaggio obbligato: un servizio che sta tra le applicazioni e i modelli, e da cui passa ogni richiesta. Vede il traffico. Di norme, però, non sa nulla. Dall’altra parte ci sono gli strumenti di governance, che custodiscono l’inventario e il traffico non lo vedono mai. Almeno, quelli che ho incontrato io coprono una metà alla volta.</p><p>Due metà che non si parlano.</p><p>Arbiter non prova a battere i gateway nel loro mestiere: instradare le richieste, tenere una cache, supportare molti fornitori. Il suo gateway esiste per una ragione sola, produrre le prove da confrontare con l’inventario. Se ne hai già uno, tienilo: Arbiter ne importa i registri, senza il contenuto delle conversazioni.</p><p>Quello che aggiunge è il collegamento. Cioè una domanda sola: quello che diciamo di usare coincide con quello che usiamo?</p><p>Per spiegare che cosa fa, preferisco una storia a uno schema.</p><p>La Nordwind Consulting non esiste. È la società inventata della dimostrazione che accompagna il progetto: fa consulenza informatica, e sull’intelligenza artificiale ha deciso una cosa sola. Le sue persone possono usare gli strumenti che la società ha dichiarato, e solo con i modelli che ha approvato.</p><p>Alle 09:10 Giulia, consulente sulla commessa di una banca, cerca un errore nel codice dei bonifici. Per spiegarlo incolla nel suo ambiente di sviluppo un caso reale: l’indirizzo e-mail e l’IBAN di un cliente. La richiesta passa, perché il modello è tra quelli approvati. Ma prima che esca, i due dati vengono sostituiti da segnaposto. Il modello non li vede mai.</p><p>Alle 09:40 un collega le dice che un altro motore riscrive il codice più in fretta. Giulia lo cambia dalle impostazioni e riprova. Non sta facendo nulla di strano: lo strumento glielo permette. La richiesta viene fermata prima di uscire, con un messaggio che spiega il motivo. La regola guarda il modello, non lo strumento.</p><p>Alle 11:30 la pipeline di rilascio si blocca. Giulia copia il messaggio di errore così com’è e lo incolla per farsi aiutare. Dentro c’è una credenziale di accesso al repository della banca. Fermata. Un dato personale si può mascherare. Per una credenziale, la società ha deciso che non deve partire nulla, nemmeno mascherato.</p><p>Alle 16:45 lo stesso ambiente di sviluppo prova ad agire sul repository attraverso un server di strumenti. È ciò che permette il Model Context Protocol, o MCP: lo standard con cui un modello usa strumenti esterni, come leggere un file o aprire una richiesta di modifica. Il server ne offre tre. La società ne ha concesso uno solo, leggere. Il tentativo di cancellare un ramo viene fermato.</p><p>Alle 17:30, nel laboratorio interno, qualcuno prova a far ordinare i ticket di assistenza per urgenza. Il modello è approvato e le richieste passano. Ma dietro non c’è nessuno strumento dichiarato.</p><p>Alle 18:00 Elena, che guida il comitato per l’intelligenza artificiale, trova sulla scrivania un elenco diverso da quello del foglio di calcolo. Non dice che cosa la società usa. Dice dove ciò che ha dichiarato e ciò che è successo non coincidono. E in fondo nomina un uso che nessuno aveva dichiarato: il laboratorio.</p><p>È il punto dell’intero progetto. Non il traffico al posto dell’elenco. L’elenco confrontato con il traffico.</p><p>Una cosa va detta chiaramente, e la pagina della dimostrazione la dice per prima: in quella giornata il modello e il server di strumenti sono sostituti che girano dentro un solo processo. Nessun fornitore vero è stato chiamato.</p><p>Dietro la storia ci sono quattro scelte. Ognuna ha un prezzo, e conviene guardarlo.</p><p><strong>Le regole sono dati, non codice.</strong> La regola della Nordwind è un file di testo con un numero di versione. Arbiter lo legge e lo applica a ogni richiesta, prima che la richiesta esca. Chi si occupa di conformità può leggerlo senza saper programmare, e un file di dati non può eseguire nulla di nascosto. Il prezzo: un file è meno espressivo di un linguaggio di programmazione. Quello che le sue condizioni non sanno dire va calcolato altrove, e passato alla regola come un fatto.</p><p><strong>Nessun modello decide una classificazione.</strong> Per ogni sistema dichiarato Arbiter propone un livello di rischio secondo l’AI Act, il regolamento europeo sull’intelligenza artificiale, con la disposizione e la data dietro ogni esito. Lo fa con regole deterministiche: stesse risposte, stesso risultato. Farlo fare a un modello linguistico sarebbe stato più comodo. Non avrei saputo difenderlo davanti a nessuno.</p><p>Alla Nordwind lo strumento che ordina le candidature esce come indicativamente ad alto rischio: l’allegato III del regolamento elenca proprio i sistemi usati per selezionare persone, “in particolare per […] analizzare o filtrare le candidature”. Quello che vorrebbe dedurre l’umore dei dipendenti dalle registrazioni delle riunioni esce come pratica vietata: l’articolo 5 vieta l’uso di sistemi “per inferire le emozioni di una persona fisica nell’ambito del luogo di lavoro”, salvo motivi medici o di sicurezza. A quello strumento Arbiter non dà alcun modello. Nemmeno quello approvato.</p><p>Tre cose tengono onesta la proposta. Una domanda senza risposta non viene mai letta come un “no”: finché un esito più severo è ancora possibile, il livello resta indeterminato. Nulla è definitivo finché una persona con nome e cognome non conferma o corregge. E ogni risultato dichiara di essere indicativo.</p><p><strong>Il testo non viene conservato.</strong> Di una richiesta Arbiter tiene i metadati: quale sistema, quale modello, quanto testo è passato, quale esito, quali categorie di dati personali ha trovato. Le categorie, non i valori. Il prompt e la risposta no. C’è un test che spedisce delle richieste e poi cerca il loro testo in tutto il database: non deve trovarlo. Il prezzo è evidente: non puoi tornare indietro a rileggere che cosa è stato chiesto.</p><p><strong>Il registro è una catena.</strong> Ogni decisione finisce in un registro in cui ogni voce contiene l’impronta della precedente. Un’impronta, o hash, è una stringa corta calcolata dal contenuto: cambi una virgola, cambia l’impronta. Funziona come un blocchetto di ricevute in cui ogni ricevuta riporta il totale di quella prima. Se ne correggi una, tutte le successive non tornano più. E una chiamata la cui decisione non può essere scritta nel registro non viene inoltrata.</p><p>Sui dati c’è un pensiero che mi porto dietro da <em>Chiedi al tuo codice</em>, dove avevo scritto che il costo di mandare accidentalmente un segreto da qualche parte è troppo alto da lasciare alla configurazione.</p><p>Qui il confine è diverso, e lo dico. In Arbiter le regole sono un file, quindi è chi le scrive a decidere. Di suo, Arbiter maschera i dati personali e le credenziali che riconosce, prima che il fornitore del modello li veda. La Nordwind ha aggiunto una regola sua: una credenziale non parte affatto. Ciò che serve per decidere viene letto in memoria, prima che la richiesta esca, e poi non resta da nessuna parte.</p><p>“Mascherare”, però, è una parola che promette molto. E qui arriva la parte scomoda.</p><p>C’è una critica al mio stesso sistema che non posso ignorare. Anzi, sono cinque.</p><p>La prima riguarda proprio i dati personali. Per impostazione predefinita Arbiter li riconosce dal formato: indirizzi e-mail, IBAN, carte di pagamento, codici fiscali. Un nome e un cognome non hanno un formato. L’ho misurato, su una cinquantina di frasi inventate per lingua: i rilevatori predefiniti hanno trovato il 14% dei dati personali in inglese e il 17% in italiano.</p><p>Rileggilo. Meno di uno su cinque.</p><p>Con un componente facoltativo, che gira in locale e riconosce anche nomi e luoghi, si sale all’81% in inglese e al 93% in italiano. Ma l’insieme è piccolo, le frasi le ha scritte chi ha scritto i rilevatori (cioè la condizione più benevola possibile), e i dati sanitari non li trova nessuno dei due. Mascherare riduce l’esposizione. Non è una garanzia.</p><p>La seconda: le regole sull’AI Act sono state scritte a partire dal testo della Gazzetta ufficiale dell’Unione europea, ma nessuna persona con formazione giuridica le ha ancora riviste. È il motivo per cui quella pubblicata è una versione alpha, e per cui la 0.1.0 aspetta quella revisione. Arbiter non dice mai che un sistema è conforme. Dice “indicativo”, dice “nessun rilievo”, e lascia decidere una persona.</p><p>La terza: è stato provato quasi soltanto contro sostituti. Un server locale al posto dei fornitori di modelli. I kit di sviluppo ufficiali dei due protocolli (MCP per gli strumenti, A2A per gli agenti che parlano tra loro), collegati dentro un unico processo. Nessun servizio vero attraverso una rete vera, e nessun uso in produzione che io conosca.</p><p>La quarta: vede solo ciò che gli passa attraverso, o che importa da un altro gateway. Un servizio aperto nel browser resta invisibile. Leggere i log della rete aziendale è deciso, non costruito.</p><p>La quinta riguarda il registro. Chi può scrivere nel database può riscrivere l’intero blocchetto di ricevute dall’inizio, e i totali tornerebbero a quadrare. La catena rende evidente una manomissione parziale, non impossibile una totale. Per questo la documentazione chiede di tenere una copia dell’ultima impronta da un’altra parte.</p><p>E poi c’è il modo in cui è nato. È un’informazione che ti serve per decidere quanto fidarti, quindi te la do.</p><p>Gran parte del codice e della documentazione è stata scritta con un assistente AI, Claude Code, diretto e rivisto da me. I commit lo dichiarano, uno per uno. Tra il primo commit e la prima versione pubblicata sono passati cinque giorni, dal 2 al 6 ottobre 2026. Ogni scelta non banale è una decisione scritta, con le alternative scartate accanto: sono più di sessanta. I test automatici sono più di millecento.</p><p>Nessuna di queste cifre è una prova di qualità.</p><p>La prima versione pubblicata è rimasta l’ultima per venticinque minuti. Il comando di installazione che consigliavo si portava dietro la versione di prova di un’altra libreria, e la dimostrazione si rompeva. L’ho scoperto nel modo più banale: installando il pacchetto da zero, come farebbe chiunque.</p><p>Vale quello che varrebbe per qualsiasi progetto giovane. Leggi i test, non le promesse. Del metodo, cioè di come si lavora per fasi con un agente che scrive e una persona che decide, parlerò a parte.</p><p>Se vuoi provarlo servono Python 3.12 o successivo e due minuti. Niente Docker, niente account cloud, nessun modello vero: risponde un sostituto.</p><pre>pip install &quot;ai-arbiter[gateway,mcp]&gt;=0.1.0a1&quot;<br>arbiter init<br>arbiter demo tour --case consulting --report out/demo.html</pre><p>L’ultimo comando ripercorre la giornata della Nordwind in tredici passi e la scrive come pagina. Il comando di installazione va copiato così com’è: è la lezione dei venticinque minuti.</p><p>Il codice è su GitHub, con licenza Apache 2.0: <a href="https://github.com/ViciusLio/ai-arbiter">https://github.com/ViciusLio/ai-arbiter</a></p><p>Se preferisci leggere prima la giornata della Nordwind, senza installare nulla: <a href="https://viciuslio.github.io/ai-arbiter/demo.it.html">https://viciuslio.github.io/ai-arbiter/demo.it.html</a></p><p>Arbiter è uno strumento di supporto. Non fornisce consulenza legale.</p><p>Torno al foglio di calcolo dell’inizio.</p><p>Non è sbagliato. Era vero il giorno in cui è stato scritto. Il suo difetto è che nessuno gli ha più chiesto se lo fosse ancora, e che nessuno aveva un modo per chiederglielo.</p><p>Alla Nordwind, alle sei di sera, Elena non trova un elenco aggiornato. Trova delle differenze. Che cosa farne resta una sua decisione, ed è giusto così.</p><p>Il tuo elenco, oggi, quanto somiglia a quello che gira?</p><p>E come faresti a saperlo?</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=145ff82f0f60" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[La Matematica: la lingua dell’universo!]]></title>
            <link>https://medium.com/@viciuslios/la-matematica-la-lingua-delluniverso-4c2ac2a504e0?source=rss-7ef848e961a------2</link>
            <guid isPermaLink="false">https://medium.com/p/4c2ac2a504e0</guid>
            <category><![CDATA[philosophy]]></category>
            <category><![CDATA[mathematics]]></category>
            <category><![CDATA[love]]></category>
            <category><![CDATA[geometry]]></category>
            <category><![CDATA[history]]></category>
            <dc:creator><![CDATA[Vincenzo Lio]]></dc:creator>
            <pubDate>Thu, 01 Oct 2026 07:16:05 GMT</pubDate>
            <atom:updated>2026-10-01T07:16:05.214Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>Tappa 6: La trigonometria</strong></p><p><strong>Come si misura quello che non si può toccare: un’ombra, la luna, la montagna più alta del mondo. E una stella che per duemila anni si è rifiutata di farsi misurare</strong></p><h3>Prima di iniziare</h3><p>Un avvertimento: questa tappa contiene una serie di misure impossibili. Un bibliotecario che misura la Terra intera guardando l’ombra di un bastone. Un astronomo che calcola la distanza della Luna senza muoversi da un’isola greca. Un sapiente persiano che, dalla cima di una collina, ricava il raggio del pianeta con un solo angolo. Un calcolatore indiano che scopre la montagna più alta del mondo senza averla mai vista.</p><p>Contiene anche una parola che è un errore di traduzione. La usi dai tempi della scuola e probabilmente non ti sei mai chiesto da dove venisse. Viene da un arco indiano, è passata per Baghdad, si è persa a Toledo.</p><p>E contiene una correzione. Te la devo dalla tappa zero, e la correzione, vedrai, è più interessante dell’errore.</p><p>Ma soprattutto, questa tappa contiene un’idea semplice e potentissima: che la forma di un triangolo, e non la sua grandezza, porta con sé tutte le informazioni che ti servono. Che un angolo può prendere il posto di una distanza. E che questa idea funziona per una ragione che non ti aspetti, una ragione che abbiamo incontrato nella tappa scorsa: il quinto postulato di Euclide.</p><p>Una nota di rotta, prima di partire. Alla fine della tappa scorsa ti avevo annunciato il calcolo infinitesimale. Ho corso troppo. Il piano che ti ho promesso nella tappa zero dice trigonometria, e i piani si rispettano: Newton e Leibniz arriveranno alla tappa nove, e ci arriveremo con gli strumenti giusti in tasca. Alcuni di quegli strumenti li costruiamo proprio oggi.</p><p>Nota Bene: questa tappa è lunga. Ormai è una tradizione. Circa trentacinque minuti di lettura. Come sempre, ti segnalerò i punti in cui puoi fermarti:</p><p>[Se vuoi, qui puoi fermarti. Il resto sarà ancora qui quando torni.]</p><p>Detto questo, partiamo.</p><p>Siamo più o meno a metà del viaggio. Abbiamo visto i numeri nascere per contare le pecore, l’algebra per dividere le eredità, le equazioni diventare sfide pubbliche e poi muri invalicabili, le funzioni imparare a descrivere il cambiamento. Nella tappa scorsa abbiamo scoperto che perfino lo spazio può essere curvo.</p><p>Per questa tappa facciamo un salto all’indietro. Molto indietro. Perché c’è un problema più antico di tutti quelli che abbiamo incontrato finora, e più pratico: come misuri una cosa che non puoi raggiungere?</p><h3>Il problema delle cose lontane</h3><p>Quanto è alto il campanile del tuo paese?</p><p>Sembra una domanda facile. Ma prova a rispondere davvero. Non puoi salire in cima con un metro a nastro e calarlo giù dalla cella campanaria (e se ci provi, il parroco avrà qualcosa da ridire). Eppure il campanile è lì, davanti a te, visibile, concreto.</p><p>Ora alza la posta. Quanto è largo il fiume, se non hai una barca? Quanto è alta quella montagna innevata che vedi da lontano? Quanto è grande la Terra su cui stai camminando? Quanto è lontana la Luna?</p><p>Sono domande che l’umanità si fa da quando ha cominciato a costruire, a navigare, a guardare il cielo. E hanno tutte la stessa struttura: la cosa che vuoi misurare è lì, la vedi, ma non puoi toccarla.</p><p>La trigonometria è la risposta. Il nome è greco e dice esattamente cosa fa: <em>trigonon</em>, triangolo, e <em>metron</em>, misura. La misura dei triangoli.</p><p>Il trucco su cui si regge tutto è questo. Una distanza lontana non la puoi misurare. Ma un angolo sì. Un angolo lo misuri da dove sei, senza muoverti, con uno strumento in mano e l’occhio puntato. La trigonometria è la macchina che trasforma gli angoli in distanze. I seni, i coseni, le tangenti, le formule che ti hanno fatto imparare a memoria, sono gli ingranaggi di quella macchina. Oggi la smontiamo pezzo per pezzo, e vedrai che ogni pezzo è nato perché qualcuno aveva bisogno di misurare qualcosa di preciso.</p><h3>Un’ombra e una piramide</h3><p>La storia comincia, come spesso accade, con una leggenda.</p><p>Si racconta che Talete di Mileto, il primo dei filosofi greci, vissuto nel sesto secolo avanti Cristo, abbia misurato l’altezza di una piramide egizia. Senza arrampicarsi. Con un’ombra.</p><p>Diogene Laerzio, che scrive otto secoli dopo citando una fonte precedente, racconta che Talete aspettò il momento della giornata in cui la propria ombra era lunga esattamente quanto la sua altezza. In quel momento anche l’ombra della piramide doveva essere lunga quanto la piramide è alta. Bastava misurarla per terra. Plutarco racconta una versione più raffinata: un bastone piantato accanto alla piramide, e il confronto tra le due ombre. Il rapporto tra il bastone e la sua ombra è uguale al rapporto tra la piramide e la sua ombra. Misuri tre cose facili, ricavi la quarta.</p><p>È andata davvero così? Non lo sappiamo. Le fonti sono tarde e un po’ troppo belle per essere vere. Ma l’idea dentro la leggenda è vera, ed è il cuore di questa tappa: due triangoli con gli stessi angoli hanno i lati in proporzione. Il sole colpisce il bastone e la piramide con la stessa inclinazione, quindi i due triangoli fatti di oggetto, ombra e raggio di sole hanno la stessa forma. Grandezze diverse, stessa forma. E la forma basta.</p><p>Il bello è che gli Egizi, quelli veri, non quelli delle leggende greche, avevano già in mano qualcosa di molto simile. Da più di mille anni.</p><p>Al British Museum di Londra c’è un rotolo di papiro lungo circa cinque metri, il papiro Rhind. Lo copiò uno scriba di nome Ahmes intorno al 1550 avanti Cristo, trascrivendo un testo ancora più antico. Contiene più di ottanta problemi di matematica pratica: dividere pani tra lavoratori, calcolare volumi di granai, aree di campi. E cinque problemi, dal 56 al 60, sulle piramidi.</p><p>In quei problemi compare una parola: <em>seked</em>. Il seked è la pendenza della parete di una piramide, espressa così: di quanti palmi ti sposti in orizzontale per ogni cubito di altezza. (Il cubito egizio era diviso in sette palmi, quindi un seked di 7 palmi vuol dire una parete inclinata a quarantacinque gradi.)</p><p>Il problema 56 chiede: una piramide ha la base di 360 cubiti e l’altezza di 250. Qual è il suo seked? Ahmes prende metà della base, 180 cubiti, la divide per l’altezza e moltiplica per sette palmi. Risultato: 5 palmi e 1/25.</p><p>Verifichiamo: 180 ÷ 250 = 0,72; e 0,72 × 7 = 5,04 palmi, cioè 5 + 1/25. ✓</p><p>Fermati un secondo su quello che stava facendo Ahmes. Non misurava un angolo in gradi: i gradi, per lui, non esistevano. Descriveva un angolo con un rapporto tra due lunghezze. Ed è esattamente quello che fa la trigonometria moderna. Il seked egizio è un parente stretto di quella che oggi chiamiamo cotangente.</p><p>E non è un reperto da museo. Lo hai visto la settimana scorsa, in macchina.</p><p>Il cartello triangolare con l’auto in discesa e la scritta “10%”. Moltissime persone pensano che indichi un angolo di dieci gradi. Non è così. Vuol dire che per ogni cento metri percorsi in orizzontale, la strada scende di dieci. È un rapporto, esattamente come il seked di Ahmes. Una pendenza del 10% corrisponde a un angolo di circa 5,7 gradi. E una pendenza del 100% non è una parete verticale: è un angolo di 45 gradi, dove scendi di un metro per ogni metro in avanti.</p><p>Tremilacinquecento anni dopo il papiro Rhind, parliamo di pendenze nello stesso modo. Con un rapporto.</p><p>Una parentesi onesta. Esiste una tavoletta babilonese, chiamata Plimpton 322, scritta intorno al 1800 avanti Cristo e piena di numeri legati ai triangoli rettangoli. Nel 2017 due matematici australiani, Daniel Mansfield e Norman Wildberger, hanno sostenuto che sia la più antica tavola trigonometrica del mondo, e la notizia fece il giro dei giornali. Molti storici, a partire da Eleanor Robson, la leggono in modo più sobrio: esercizi scolastici per costruire triangoli, non una tavola per risolverli. Tra le migliaia di tavolette babilonesi che conosciamo non c’è traccia di una vera trigonometria. Io propendo per gli storici prudenti. Ma tieni a mente la tavoletta: è un buon esempio di quanto sia facile, guardando il passato, trovarci quello che stiamo cercando.</p><h3>Il segreto dei triangoli simili</h3><p>Torniamo all’idea di Talete, perché è il fondamento di tutto il resto.</p><p>Prendi un triangolo rettangolo. Oltre all’angolo retto ha due angoli acuti: chiamiamo alfa uno dei due. Ora prendi un altro triangolo rettangolo con lo stesso angolo alfa, ma dieci volte più grande. I lati sono tutti dieci volte più lunghi. Ma i rapporti tra i lati sono identici.</p><p>Questi rapporti dipendono solo dall’angolo. Non dalla grandezza del triangolo. Solo dall’angolo.</p><p>Ed è qui che scatta la magia. Se i rapporti dipendono solo dall’angolo, posso calcolarli una volta per tutte, per ogni angolo, e scriverli in una tabella. Poi, quando devo misurare un campanile, una montagna o la Luna, misuro l’angolo, cerco il rapporto nella tabella e lo moltiplico per l’unica distanza che riesco a misurare davvero.</p><p>Quei rapporti hanno dei nomi, che conosci:</p><ul><li>il <strong>seno</strong> di alfa è il rapporto tra il lato opposto ad alfa e l’ipotenusa (il lato più lungo);</li><li>il <strong>coseno</strong> di alfa è il rapporto tra il lato adiacente ad alfa e l’ipotenusa;</li><li>la <strong>tangente</strong> di alfa è il rapporto tra il lato opposto e il lato adiacente.</li></ul><p>Tutto qui. Seno, coseno e tangente non sono formule misteriose. Sono tre modi di dire “che forma ha questo triangolo”.</p><p>Ma ora ti chiedo una cosa che a scuola nessuno ti ha chiesto. Perché due triangoli con gli stessi angoli devono avere i lati in proporzione? Chi lo garantisce?</p><p>La risposta ti sorprenderà. Lo garantisce il quinto postulato di Euclide.</p><p>Ricordi la tappa scorsa? Il postulato delle parallele, quello che per duemila anni i matematici hanno cercato di dimostrare, quello che Gauss, Bolyai e Lobachevsky hanno scoperto essere una scelta e non una necessità. Nel 1663 il matematico inglese John Wallis, durante una lezione a Oxford, provò anche lui a dimostrarlo. Partì da un’ipotesi che gli sembrava innocua: che per ogni triangolo ne esista uno con gli stessi angoli, ma grande quanto vuoi. Da lì ricavò il quinto postulato.</p><p>Solo che non aveva dimostrato niente. Aveva scoperto che le due affermazioni sono equivalenti. Dire “esistono triangoli simili di qualsiasi grandezza” e dire “per un punto passa una sola parallela” è dire la stessa cosa con parole diverse.</p><p>E questo significa una cosa bellissima e un po’ vertiginosa. Nelle geometrie non euclidee della tappa scorsa, i triangoli simili di grandezza diversa <strong>non esistono</strong>. Sulla sfera, un triangolo più grande ha per forza angoli più ampi: ricordi il triangolo tra il Polo Nord e l’equatore, con tre angoli retti e 270 gradi di somma? Non puoi rimpicciolirlo mantenendo gli stessi angoli. Su una sfera, forma e grandezza sono legate. Cambi l’una e cambi l’altra.</p><p>Quindi la trigonometria che hai studiato a scuola, quella delle tabelle e dei rapporti fissi, è figlia del quinto postulato. Funziona perché, alla scala dei campanili e delle piramidi, lo spazio è piatto. Quando lo spazio non è piatto, come sulla superficie della Terra presa per intero, serve un’altra trigonometria. Ci arriveremo.</p><p>[Se vuoi, qui puoi fermarti. Hai visto che un angolo può sostituire una distanza, e che questo funziona perché lo spazio è piatto.]</p><h3>Il bibliotecario che misurò la Terra</h3><p>Alessandria d’Egitto, intorno al 240 avanti Cristo. La città fondata da Alessandro Magno è la capitale culturale del mondo, e il suo cuore è la Biblioteca.</p><p>A dirigerla c’è Eratostene di Cirene. Poeta, geografo, matematico, astronomo, filosofo. Era così bravo in così tante cose che i colleghi gli avevano affibbiato un soprannome crudele: <em>Beta</em>. Il secondo. Secondo in tutto, primo in niente. (Gli invidiosi esistevano anche nel terzo secolo avanti Cristo.)</p><p>Eratostene aveva sentito dire una cosa curiosa. A Siene, l’odierna Assuan, molto più a sud lungo il Nilo, a mezzogiorno del solstizio d’estate il Sole sta a picco: i bastoni piantati verticalmente, gli gnomoni, non fanno ombra. (La tradizione aggiunge un pozzo in fondo al quale, quel giorno, il Sole si rifletteva per intero.) Ad Alessandria, alla stessa ora dello stesso giorno, lo gnomone un’ombra la fa. Piccola, ma la fa.</p><p>Perché? Eratostene fece due ipotesi. La prima: la Terra è una sfera (tra i Greci colti era ormai un dato acquisito). La seconda: il Sole è così lontano che i suoi raggi arrivano sulla Terra praticamente paralleli.</p><p>Se è così, l’ombra di Alessandria esiste solo perché la Terra è curva, e il bastone di Alessandria è inclinato rispetto a quello di Siene. E l’angolo dell’ombra è uguale all’angolo tra i due bastoni visto dal centro della Terra.</p><p>Perché uguale? Perché una retta (il raggio di sole) che taglia due rette parallele forma angoli uguali: gli angoli alterni interni che ti hanno fatto studiare alle medie. Un teorema che, di nuovo, dipende dal quinto postulato. Euclide ci insegue, tappa dopo tappa.</p><p>Eratostene misurò l’angolo dell’ombra: un cinquantesimo dell’angolo giro. Oggi diremmo 7,2 gradi (e infatti 7,2 × 50 = 360 ✓). Quindi l’arco di Terra tra Alessandria e Siene era un cinquantesimo dell’intera circonferenza. La distanza tra le due città era stimata in 5.000 stadi. Circonferenza della Terra: 5.000 × 50 = 250.000 stadi. ✓</p><p>Quanto vale in chilometri? Qui voglio essere onesto. Non sappiamo quale “stadio” usasse Eratostene: nel mondo greco ce n’erano diversi, lunghi tra i 157 e i 185 metri circa. A seconda di quale scegli, il risultato cade tra i 39.000 e i 46.000 chilometri. Il valore vero è circa 40.000. Nel caso migliore, Eratostene ci azzecca quasi in pieno. Nel caso peggiore, sbaglia di un sesto. E i suoi numeri, un cinquantesimo e cinquemila, sono chiaramente arrotondati; il racconto stesso ci arriva da un autore, Cleomede, vissuto secoli dopo.</p><p>Ma guarda cosa è successo. Un uomo, con un bastone, un’ombra, una distanza misurata a terra e un ragionamento geometrico, ha misurato l’intero pianeta. Più di duemila anni fa. L’ordine di grandezza è giusto, il metodo è impeccabile.</p><p>La Biblioteca in cui lavorava è andata perduta. Il ragionamento no.</p><h3>Il Sole che non voleva farsi misurare</h3><p>Qualche decennio prima di Eratostene, un altro greco aveva provato a fare di più. Non misurare la Terra: misurare il cielo.</p><p>Aristarco di Samo si pose una domanda audace: quanto è più lontano il Sole rispetto alla Luna?</p><p>Il suo ragionamento era geniale. Quando la Luna è esattamente a metà, al primo quarto, il Sole la illumina “di lato”, e il triangolo formato da Terra, Luna e Sole ha un angolo retto proprio sulla Luna. Se in quel momento misuri l’angolo tra Luna e Sole visto dalla Terra, conosci due angoli del triangolo. Il triangolo ha una forma precisa, e dalla forma ricavi il rapporto tra i lati: quanto la distanza Terra-Sole è più lunga della distanza Terra-Luna.</p><p>Aristarco misurò quell’angolo: 87 gradi. Ne dedusse che il Sole era tra 18 e 20 volte più lontano della Luna.</p><p>Con la trigonometria moderna il conto è immediato: il rapporto è uno diviso il coseno di 87 gradi, circa 19. ✓ Aristarco però non aveva tabelle, non esistevano ancora: dovette stringere quel valore tra due limiti con ragionamenti geometrici lunghi e faticosi. Da qui il suo “tra 18 e 20”.</p><p>Il ragionamento era perfetto. Il risultato era sbagliatissimo.</p><p>L’angolo vero non è 87 gradi. È di poco inferiore a 90: circa 89 gradi e 51 primi. Una differenza minuscola, impossibile da misurare a occhio nudo. Ma quando l’angolo si avvicina a 90 gradi, il triangolo diventa lunghissimo e sottilissimo, e il rapporto esplode. Con l’angolo vero, il Sole risulta circa 390 volte più lontano della Luna. Non venti. Quasi quattrocento.</p><p>Tieni a mente questa lezione, perché la ritroveremo: <strong>un ragionamento giusto e una misura sbagliata sono due cose diverse.</strong> Aristarco non aveva sbagliato a pensare. Aveva sbagliato a guardare, e non poteva fare altrimenti.</p><p>E anche con quel numero sbagliato arrivò a una conclusione straordinaria. Se il Sole è così lontano e ci appare grande quanto la Luna, deve essere enormemente più grande della Terra. E allora forse non è il Sole a girare intorno alla Terra, ma il contrario. Sappiamo che Aristarco propose un sistema con il Sole al centro perché Archimede lo racconta nel suo <em>Arenario</em>. Diciotto secoli prima di Copernico.</p><h3>Ipparco e la prima tabella</h3><p>Il problema di Aristarco era evidente: per ogni misura bisognava sudare su un rapporto. Servivano tabelle già pronte, calcolate una volta per tutte.</p><p>Le costruì Ipparco di Nicea, vissuto nel secondo secolo avanti Cristo e attivo soprattutto sull’isola di Rodi. Probabilmente il più grande astronomo dell’antichità: catalogò centinaia di stelle, scoprì che l’asse della Terra oscilla lentamente come una trottola (la precessione degli equinozi) e costruì la prima tavola trigonometrica di cui abbiamo notizia.</p><p>Non era una tavola di seni. Era una tavola di <strong>corde</strong>. Immagina un cerchio: se tracci un angolo al centro, i suoi due lati tagliano la circonferenza in due punti. Il segmento che unisce quei punti è la corda. A ogni angolo corrisponde una corda precisa, e Ipparco calcolò quelle corde per una serie di angoli.</p><p>L’opera è andata perduta. Sappiamo che esisteva perché, secoli dopo, Teone di Alessandria parla di un trattato di Ipparco sulle corde in dodici libri. E sappiamo come funzionava perché, intorno al 150 dopo Cristo, Claudio Tolomeo ne pubblicò una versione ampliata nella sua grande opera di astronomia, quella che gli Arabi avrebbero chiamato <em>Almagesto</em>, “il grandissimo”: corde per ogni mezzo grado, da mezzo grado a 180.</p><p>E c’è un dettaglio che ti farà sorridere. Tolomeo usa un cerchio di raggio 60 e scrive i numeri in base sessanta. Ricordi i Sumeri della tappa uno, quelli dei sessanta minuti e dei trecentosessanta gradi? Eccoli di nuovo. I numeri viaggiano, e si portano dietro le loro abitudini.</p><p>Con queste tabelle, Ipparco affrontò la distanza della Luna, usando le eclissi e la parallasse (lo spostamento apparente della Luna vista da luoghi diversi della Terra). E fece una cosa che dice molto di lui: non diede un numero solo. Rifece i conti con ipotesi diverse e riportò risultati diversi, dichiarando l’incertezza. Nella stima più raffinata la Luna risultava lontana tra 62 e 67 raggi terrestri circa. Il valore vero medio è 60,3. Tre secoli dopo, Tolomeo arrivò a 59.</p><p>Non è un centro perfetto. È un errore del dieci per cento su una distanza di quasi quattrocentomila chilometri, misurata duemila anni fa, senza telescopio, con un triangolo. La prima distanza cosmica con l’ordine di grandezza giusto.</p><h3>Una parola sbagliata</h3><p>Ora ti racconto la storia della parola “seno”. È una delle mie preferite di tutto il viaggio.</p><p>Siamo in India, nei secoli in cui in Europa crolla l’Impero romano d’Occidente. Gli astronomi indiani hanno ereditato dai Greci le tavole delle corde, e fanno un cambiamento piccolo e decisivo: invece della corda intera, usano la mezza corda. È più comoda: metà corda e metà angolo formano un triangolo rettangolo dentro il cerchio, e i conti si semplificano. Quella mezza corda, in un cerchio di raggio uno, è esattamente quello che oggi chiamiamo seno.</p><p>Il grande astronomo Aryabhata, nel suo trattato del 499 dopo Cristo, la chiama <em>ardha-jya</em>, “mezza corda”, o semplicemente <em>jya</em>, a volte <em>jiva</em>. E <em>jya</em>, in sanscrito, significa la corda dell’arco. Di un arco da tiro. Guarda un arco teso: il legno curvo è l’arco di cerchio, la corda tesa è la corda geometrica. I matematici indiani avevano chiamato il concetto con l’immagine che avevano davanti agli occhi.</p><p>Qualche secolo dopo, nella Baghdad della Casa della Saggezza (quella di al-Khwarizmi, ricordi la tappa due?), gli astronomi arabi traducono i testi indiani. Non trovano una parola araba per <em>jiva</em>, e la traslitterano così com’è: <em>jiba</em>. In arabo non significa niente. E l’arabo si scrive di solito senza vocali brevi: nei manoscritti compaiono solo le consonanti, qualcosa come <em>j-b</em>.</p><p>Dodicesimo secolo, Toledo. La città di confine che abbiamo visitato nella tappa due, dove studiosi da tutta Europa traducono in latino i libri arabi. Qui i traduttori trovano quel <em>j-b</em> e lo leggono come la parola araba che quelle consonanti suggeriscono: <em>jaib</em>. Che significa piega, tasca, la piega della veste sul petto, un’insenatura.</p><p>E in latino, la piega della veste, l’insenatura, si dice <em>sinus</em>.</p><p>Da <em>sinus</em> viene il nostro “seno”. I nomi tradizionalmente legati a questa traduzione sono Roberto di Chester e Gerardo da Cremona, gli stessi che hanno portato in Europa l’algebra di al-Khwarizmi. Gli storici discutono su chi l’abbia usata per primo, e ci sono indizi di usi precedenti. Ma il percorso è quello.</p><p>Ogni volta che dici “seno di un angolo”, stai pronunciando il nome della corda di un arco indiano, trascritto in arabo come una parola che non voleva dire niente, letto male da un traduttore latino come “piega della veste”, e tramandato così per novecento anni.</p><p>Le idee viaggiano. A volte inciampano. E a volte l’inciampo diventa il loro nome.</p><p>(E il coseno? È il seno dell’angolo complementare, quello che manca per arrivare a novanta gradi: in latino <em>complementi sinus</em>, accorciato in età moderna in co-seno.)</p><p>C’è anche una storia più breve sulla tangente. Gli astronomi del mondo islamico usavano gli gnomoni delle meridiane per misurare il tempo, e notarono che la lunghezza dell’ombra di un bastone, al variare dell’altezza del Sole, segue proprio il rapporto che oggi chiamiamo tangente (o il suo reciproco). Per secoli, in latino, queste funzioni si chiamarono <em>umbra recta</em> e <em>umbra versa</em>: ombra dritta e ombra rovesciata. Il nome “tangente” arriverà solo nel 1583, con il matematico danese Thomas Fincke.</p><p>Ombre. Siamo partiti dall’ombra della piramide di Talete, e ci siamo tornati.</p><h3>Da che parte è La Mecca?</h3><p>Perché il mondo islamico medievale investì così tanto nella trigonometria? Anche per un problema molto concreto.</p><p>Un fedele musulmano prega rivolto verso La Mecca. Se vivi a pochi chilometri, basta guardare. Ma se vivi a Cordova, a Samarcanda o a Delhi? La direzione giusta, la <em>qibla</em>, non si trova su una cartina piatta: si trova sulla superficie curva del pianeta. Per calcolarla serve la trigonometria sferica, quella dei triangoli disegnati sulla sfera, dove gli angoli non sommano 180 gradi. La stessa geometria della tappa scorsa. E serve anche per gli orari della preghiera, che dipendono dalla posizione del Sole.</p><p>Così, tra il nono e il tredicesimo secolo, da Baghdad all’osservatorio persiano di Maragha, gli astronomi del mondo islamico perfezionano le tavole, aggiungono la tangente e le altre funzioni, scoprono nuove relazioni nei triangoli sferici. Nel Duecento Nasir al-Din al-Tusi scrive un trattato in cui la trigonometria, per la prima volta, non è più un’appendice dell’astronomia: è una disciplina a sé.</p><p>È un copione che conosci ormai: al-Khwarizmi e le eredità, i mercanti e i numeri indiani. La matematica nasce quasi sempre da qualcuno che ha bisogno di risolvere un problema vero.</p><h3>La collina che misura il pianeta</h3><p>Tra i personaggi di quel mondo ce n’è uno che voglio presentarti. Si chiama Abu Rayhan al-Biruni, nato nel 973 nella regione di Khwarezm (la stessa da cui veniva al-Khwarizmi: il nome lo dice). Astronomo, geografo, matematico, storico. Seguì il sultano Mahmud di Ghazni nelle sue campagne in India, imparò il sanscrito e scrisse un libro sull’India così accurato che gli storici lo usano ancora oggi.</p><p>Intorno al 1020, nella fortezza di Nandana, nel Punjab (oggi Pakistan), al-Biruni si trova davanti a una collina che domina una pianura piatta. E ha un’idea.</p><p>Prima misura l’altezza della collina con la trigonometria: dalla pianura prende l’angolo con cui vede la cima da due punti diversi, a distanza nota. Due angoli, una distanza: il triangolo è determinato, e l’altezza salta fuori.</p><p>Poi sale in cima. E guarda l’orizzonte.</p><p>Quando sei in alto, l’orizzonte non è all’altezza dei tuoi occhi: è un po’ più in basso, perché la Terra si curva sotto di te. Al-Biruni misura di quanto l’orizzonte “si abbassa”: un angolo piccolissimo, 34 primi, poco più di mezzo grado.</p><p>E qui arriva il colpo di genio. La linea che va dal tuo occhio all’orizzonte sfiora la Terra: è tangente, nel senso geometrico della parola. E una tangente al cerchio è sempre perpendicolare al raggio. Quindi il tuo occhio, il punto dell’orizzonte e il centro della Terra formano un triangolo rettangolo. Conosci un angolo, conosci l’altezza della collina, e il raggio della Terra è l’unica incognita.</p><p>Il risultato di al-Biruni: circa 6.340 chilometri. Il raggio medio vero è 6.371. Un errore di mezzo punto percentuale.</p><p>Adesso però lascia che ti mostri il rovescio della medaglia. Ho rifatto i conti con il suo angolo, 34 primi, cambiando l’altezza della collina di pochi metri. Con 300 metri di collina, il raggio viene circa 6.130 chilometri. Con 320 metri, 6.540. Venti metri di differenza spostano il risultato di quattrocento chilometri. E l’angolo è ancora più delicato: l’aria piega leggermente la luce che arriva dall’orizzonte (la rifrazione), e basta questo per falsare la misura.</p><p>Gli storici discutono ancora quanto di quella precisione sia stato merito e quanto fortuna, con errori che si sono compensati. La risposta onesta, credo, è: entrambe le cose. Il metodo è geniale e corretto. La precisione del risultato è stata probabilmente anche un regalo del caso. Ed è giusto saperlo, perché la scienza vera funziona così: non basta il risultato giusto, bisogna capire quanto ci si può fidare.</p><p>[Se vuoi, qui puoi fermarti. Hai visto la trigonometria passare dalla Grecia all’India, a Baghdad, a Toledo, e misurare la Terra due volte.]</p><h3>L’Europa impara a contare i triangoli</h3><p>L’Europa arriva tardi, ma arriva.</p><p>Nel 1464 un astronomo tedesco, Johannes Müller, che firmava con il nome latino della sua città natale, Regiomontanus, scrive il <em>De triangulis omnimodis</em>, “Sui triangoli di ogni tipo”: il primo libro europeo che tratta la trigonometria, piana e sferica, come una disciplina autonoma. Regiomontano muore nel 1476, a quarant’anni, e il libro resta manoscritto per più di mezzo secolo.</p><p>Viene stampato nel 1533 a Norimberga, dall’editore Johannes Petreius. Ti dice qualcosa? È lo stesso che nel 1543 stamperà il libro di Copernico sul Sole al centro dell’universo, e due anni dopo l’<em>Ars Magna</em> di Cardano, la bomba della tappa tre. Nel 1539 un giovane matematico, Rheticus, andò a trovare Copernico in Polonia e gli portò in regalo proprio una copia del <em>De triangulis</em>. Il libro che serviva per fare i conti del nuovo cosmo.</p><p>Nel 1595 il tedesco Bartholomaeus Pitiscus dà finalmente un nome alla disciplina: il suo manuale si intitola <em>Trigonometria</em>. È la prima volta che la parola compare.</p><p>E nel 1615 l’olandese Willebrord Snellius fa una cosa che cambierà per sempre la cartografia. Vuole misurare la distanza tra due città dei Paesi Bassi. Invece di misurarla a terra, tra canali e paludi, misura con cura una sola base, un segmento breve e comodo. Poi costruisce una catena di triangoli, da un campanile all’altro, misurando solo angoli. Alla fine della catena, la distanza tra le città esce dai calcoli. Si chiama triangolazione: una sola misura di lunghezza, tanti angoli, e puoi mappare un paese intero. Snellius intitolò il suo libro <em>Eratosthenes Batavus</em>, “l’Eratostene olandese”. Sapeva di chi era erede.</p><h3>La montagna più alta del mondo</h3><p>Due secoli dopo, la triangolazione diventò la più grande impresa di misura mai tentata.</p><p>Nel 1802 i britannici avviano il Grande Rilevamento Trigonometrico dell’India: mappare l’intero subcontinente con una catena di triangoli. Durerà quasi settant’anni. Squadre di topografi trascinano per giungle e montagne un teodolite, lo strumento per misurare gli angoli, che pesa circa mezza tonnellata. Costruiscono torri per vedere oltre gli alberi. Muoiono di malaria, di tigri, di fatica. Tra il 1823 e il 1843 a dirigere il rilevamento c’è un ufficiale gallese di nome George Everest.</p><p>Arrivati ai piedi dell’Himalaya, i topografi hanno un problema. Il Nepal e il Tibet sono chiusi agli stranieri. Le montagne si possono guardare, non avvicinare. Così le misurano da lontano, dalle pianure dell’India, da stazioni a più di cento chilometri. Angoli, basi note, triangoli. Il problema da cui è partita questa tappa: una cosa che vedi ma non puoi toccare.</p><p>I dati arrivano agli uffici del rilevamento, dove li elaborano i <em>computer</em>. Allora “computer” era un mestiere: una persona che calcolava, a mano, per ore. Il capo dei computer era un matematico bengalese di nome Radhanath Sikdar.</p><p>Nel 1852 i calcoli su una montagna catalogata come <em>Peak XV</em>, picco quindici, danno un risultato inatteso: è più alta di tutte le altre. Probabilmente la più alta del mondo.</p><p>Qui la storia si fa leggenda, e te lo segnalo. Si racconta che Sikdar sia entrato di corsa nell’ufficio del suo superiore, Andrew Waugh, gridando di aver trovato la montagna più alta del mondo. Nessun documento lo conferma. Sappiamo però che Waugh passò quattro anni a ricontrollare tutto, correggendo i calcoli per la curvatura della Terra (al-Biruni avrebbe apprezzato) e per la rifrazione dell’aria, prima di annunciare il risultato nel 1856: 29.002 piedi, circa 8.840 metri. (Si racconta anche che i conti dessero esattamente 29.000 piedi, e che Waugh abbia aggiunto due piedi perché il numero non sembrasse arrotondato. Forse è vero, forse no. Ma è una bella lezione su come percepiamo la precisione.)</p><p>Oggi la misura ufficiale, concordata da Cina e Nepal nel 2020, è 8.848,86 metri. Il Grande Rilevamento, con teodoliti di ottone e calcoli a mano, sbagliò di circa nove metri su quasi novemila. Misurando da oltre cento chilometri di distanza.</p><p>Nel 1865 la montagna fu battezzata con il nome dell’ex direttore: Everest. George Everest stesso si oppose, osservando che il nome non si poteva né scrivere né pronunciare nelle lingue del luogo. Non lo ascoltarono. In Nepal oggi si chiama Sagarmatha, in Tibet Chomolungma.</p><p>E Radhanath Sikdar? Secondo alcune ricostruzioni, nelle edizioni successive dei manuali del rilevamento il suo nome sparì dalle pagine sui metodi di calcolo che aveva contribuito a scrivere. È una storia che conosci già: Ruffini, Abel, Bolyai. La matematica ricorda le idee. Le persone, non sempre.</p><p>[Se vuoi, qui puoi fermarti. Resta la parte che ti devo: la correzione promessa all’inizio.]</p><h3>La correzione che ti devo</h3><p>Nella tappa zero, presentando questa tappa, ho scritto: “Come calcoli la distanza di una stella se non puoi andarci? […] I greci antichi ci sono riusciti, più di duemila anni fa, usando solo la trigonometria.”</p><p>Devo correggermi. I Greci hanno misurato la Terra, la distanza della Luna, e hanno provato con il Sole, sbagliando di venti volte. Le stelle no. Nessuno, per più di duemila anni, è riuscito a misurare la distanza di una stella.</p><p>E la ragione è una delle storie più belle di tutta la scienza.</p><p>Il metodo sarebbe semplice. Guarda il tuo pollice con il braccio teso, chiudendo prima un occhio e poi l’altro. Il pollice “salta” rispetto allo sfondo. Quel salto si chiama parallasse, e più l’oggetto è vicino, più salta. Conoscendo la distanza tra i tuoi occhi e l’ampiezza del salto, puoi calcolare la distanza del pollice. Un triangolo: base, angolo, distanza.</p><p>Per le stelle, la base può essere enorme: l’orbita della Terra. A gennaio e a luglio siamo da parti opposte del Sole, a trecento milioni di chilometri di distanza. Una stella vicina, osservata a sei mesi di distanza, dovrebbe spostarsi un poco rispetto alle stelle più lontane.</p><p>Il problema è che nessuno vedeva questo spostamento.</p><p>E l’assenza della parallasse diventò, per duemila anni, un argomento potentissimo contro l’idea che la Terra si muovesse. Aristotele lo usava già: se la Terra girasse intorno al Sole, vedremmo le stelle spostarsi; non si spostano, quindi la Terra sta ferma. Ancora alla fine del Cinquecento Tycho Brahe, il più grande osservatore prima del telescopio, rifiutava il sistema di Copernico anche per questo: se la Terra si muovesse e la parallasse non si vedesse, le stelle dovrebbero essere assurdamente lontane.</p><p>Era proprio così. Aristarco l’aveva già intuito: Archimede, nell’<em>Arenario</em>, racconta che nell’universo di Aristarco la sfera delle stelle è immensamente più grande dell’orbita della Terra. Lo spostamento esiste, ma è troppo piccolo per i nostri occhi.</p><p>Per dimostrarlo ci sono voluti due millenni, il telescopio e uno strumento costruito apposta. Nel 1838, all’osservatorio di Königsberg, l’astronomo tedesco Friedrich Wilhelm Bessel pubblica la prima misura affidabile della parallasse di una stella: 61 Cygni, nella costellazione del Cigno. L’angolo è di 0,314 secondi d’arco.</p><p>Quanto è piccolo un angolo così? Ho fatto il conto: è l’angolo sotto cui vedresti una moneta da un euro a più di quindici chilometri di distanza. Bessel lo misurò con un eliometro, un telescopio con la lente tagliata a metà, progettato dall’ottico Joseph Fraunhofer.</p><p>Dal suo angolo, Bessel ricavò che 61 Cygni è a circa dieci anni luce da noi. Oggi sappiamo che la parallasse vera è un po’ più piccola, 0,286 secondi, e la distanza circa 11,4 anni luce: più di centomila miliardi di chilometri. Quasi contemporaneamente anche Thomas Henderson (con Alpha Centauri, il sistema stellare più vicino a noi) e Friedrich Struve (con Vega) arrivarono a risultati simili. Dopo duemila anni di silenzio, le stelle cominciarono a farsi misurare tutte insieme.</p><p>Gli astronomi ne ricavarono perfino un’unità di misura, il parsec: la distanza alla quale una stella avrebbe una parallasse di un secondo d’arco, circa 3,26 anni luce. Una distanza definita da un triangolo.</p><p>E la storia continua. Dal 2014 al 2025 un satellite dell’Agenzia Spaziale Europea chiamato Gaia ha misurato posizioni e distanze di quasi due miliardi di stelle della nostra galassia. Con la parallasse: un triangolo, una base e un angolo. Il metodo di Talete e della sua piramide, spinto a una precisione che Talete non avrebbe potuto immaginare. Gaia è stato spento il 27 marzo 2025, dopo aver disegnato la mappa più precisa della Via Lattea mai costruita.</p><p>Quindi, per essere precisi: i Greci non misurarono le stelle. Ma il metodo con cui oggi le misuriamo è il loro.</p><p>Ed eccoci alla lezione di Aristarco. Aristotele e Tycho avevano un dato vero (la parallasse non si vede) e ne trassero una conclusione sbagliata (quindi la Terra sta ferma). Aristarco partiva dallo stesso cielo e arrivò alla conclusione giusta (quindi le stelle sono lontanissime). A separarli non era la qualità degli occhi. Era il coraggio di accettare un universo molto più grande di quello che sembrava ragionevole.</p><h3>Dal triangolo al cerchio</h3><p>Fin qui abbiamo usato seno, coseno e tangente come strumenti per misurare. Ma a un certo punto smettono di essere rapporti tra lati di triangoli e diventano funzioni. Nella tappa quattro te l’avevo anticipato in due righe; adesso possiamo vedere da dove viene.</p><p>Il passaggio decisivo lo fa, e non ti sorprenderà, Eulero, nella sua <em>Introductio</em> del 1748. Prende un cerchio di raggio uno, il cerchio unitario, e immagina un punto che ci gira sopra. Quando il punto ha percorso un certo angolo partendo da destra, la sua posizione orizzontale è il coseno dell’angolo, e la sua posizione verticale è il seno.</p><p>Tutto qui. Il coseno è quanto il punto è spostato a destra (o a sinistra, se è negativo). Il seno è quanto è spostato in alto (o in basso).</p><p>Con questa definizione, seno e coseno esistono per qualsiasi angolo, non solo per quelli minori di novanta gradi. Puoi fare un giro, due giri, cento giri: il punto continua a girare e le sue coordinate continuano a oscillare tra meno uno e uno. È l’onda che hai visto nella tappa quattro.</p><p>E c’è di più. Il punto sta su un cerchio di raggio uno. Il segmento orizzontale (il coseno), il segmento verticale (il seno) e il raggio formano un triangolo rettangolo. Per il teorema di Pitagora:</p><p>seno² + coseno² = 1</p><p>Per qualsiasi angolo. Sempre. È la formula più importante della trigonometria, e non è nuova: è il teorema di Pitagora della tappa uno, quello della diagonale del quadrato e di √2, travestito da relazione tra funzioni.</p><p>Proviamo. Per un angolo di 30 gradi, il seno vale 0,5 e il coseno circa 0,866. Allora 0,⁵² + 0,86⁶² = 0,25 + 0,75 = 1. ✓</p><p>Nello stesso passaggio cambia anche il modo di misurare gli angoli. Invece dei gradi, una convenzione babilonese (perché proprio 360?), si comincia a misurare un angolo con la lunghezza dell’arco che percorre sul cerchio di raggio uno. Un giro intero è lungo 2π, quindi vale 2π. Mezzo giro vale π. Un angolo retto, π/2. Questa unità si chiama radiante, ed è l’unità “naturale” degli angoli: non dipende da nessuna convenzione umana, solo dalla forma del cerchio. Alla tappa nove vedremo perché i matematici la preferiscono: con i radianti, il ritmo con cui cambia il seno è esattamente il coseno. Con i gradi, no.</p><p>C’è anche un punto in cui qualcosa si rompe, e voglio fartelo vedere. La tangente è il seno diviso il coseno. A novanta gradi il seno vale uno e il coseno vale zero. La tangente vale uno diviso zero.</p><p>Pensa al cartello stradale. Una pendenza del 10% è una discesa dolce; del 100%, una discesa a 45 gradi. A 89,9 gradi la pendenza è di circa il 57.000%. A 89,99 gradi, del 573.000%. Più ti avvicini alla verticale, più il numero esplode. E a novanta gradi esatti la parete è verticale, e la pendenza non esiste. Non è “infinita”: non c’è proprio nessun numero che la descriva.</p><p>Nella tappa zero ti ho promesso che avresti capito perché non si può dividere per zero. Questa è un’anticipazione: la risposta completa arriverà alla tappa otto, quando parleremo di limiti, cioè di cosa succede quando ti avvicini a qualcosa senza mai raggiungerlo. Ma intanto hai visto con i tuoi occhi il punto in cui la matematica si rifiuta di dare un numero.</p><h3>Pitagora sulla sfera</h3><p>Ti avevo detto che sulla sfera serve un’altra trigonometria. Eccola, in una riga.</p><p>Su una sfera di raggio uno, prendi un triangolo rettangolo i cui lati sono archi di cerchio massimo (le “rette” della sfera, le geodetiche della tappa scorsa). Chiamiamo a e b i due lati vicini all’angolo retto e c il terzo, tutti misurati come angoli visti dal centro della sfera. Allora:</p><p>coseno di c = coseno di a × coseno di b</p><p>È il teorema di Pitagora della sfera. Non assomiglia per niente a quello che conosci. Eppure, se il triangolo è piccolissimo rispetto alla sfera, questa formula diventa quasi esattamente quella del piano. Ho provato con un triangolino di lati 3 e 4 gradi: il terzo lato viene 4,9985 gradi. Il Pitagora del piano direbbe 5. Più il triangolo è piccolo, più la sfera sembra piatta, e più Pitagora torna Pitagora.</p><p>Ecco perché tu puoi usare la trigonometria piana per il campanile, e chi calcola la rotta tra Milano e New York no. Su scala umana la Terra è piatta. Su scala planetaria, no.</p><p>Una verifica elegante: il triangolo della tappa scorsa, con un vertice al Polo Nord e due sull’equatore a un quarto di giro di distanza. Ogni lato che scende dal polo all’equatore vale 90 gradi, e il coseno di 90 gradi è zero. Quindi il coseno del terzo lato è 0 × 0 = 0, e il terzo lato vale 90 gradi. E infatti un quarto di equatore è esattamente 90 gradi. ✓ Tre lati di 90 gradi, tre angoli di 90 gradi. Un triangolo impossibile sul piano, perfettamente regolare sulla sfera.</p><h3>Il mistero che resta: le onde</h3><p>Qui la storia fa una svolta che nessuno dei protagonisti di questa tappa avrebbe potuto prevedere.</p><p>Seno e coseno sono nati per misurare triangoli. Piramidi, ombre, la Terra, la Luna, montagne, stelle. Cose ferme, lontane.</p><p>Poi, diventati funzioni che oscillano, hanno cominciato a comparire ovunque ci fosse qualcosa che si ripete. Il suono è un’onda di pressione nell’aria: la nota La su cui si accordano le orchestre è un’oscillazione di 440 volte al secondo, e la sua forma più pura è un seno. La corrente nella presa di casa tua oscilla cinquanta volte al secondo, seguendo un seno. Le maree, le stagioni, la luce stessa: tutto ciò che torna su sé stesso si descrive con seni e coseni. E nella tappa quattro abbiamo visto Fourier dimostrare che perfino ciò che non sembra oscillare, una voce, una melodia, un rumore, si scompone in una somma di seni e coseni.</p><p>Hai presente le cuffie con la cancellazione del rumore? Un microfono ascolta il rumore esterno, e le cuffie producono la stessa onda sfasata di mezzo periodo: dove il rumore sale, l’onda delle cuffie scende. In formule, il seno di un angolo più mezzo giro è l’opposto del seno dell’angolo. Le due onde si sommano e si annullano. Il silenzio, in quelle cuffie, è una proprietà del seno.</p><p>Fermati un momento su questo. Una funzione inventata per calcolare quanto è alta una piramide e quanto è lontana la Luna si rivela la lingua naturale del suono, della luce, dell’elettricità. Nessuno l’aveva progettata per quello. Talete, Ipparco, Aryabhata non sapevano niente di onde elettromagnetiche.</p><p>È la domanda che ci accompagna dalla tappa zero, quella che il fisico Eugene Wigner chiamò “l’irragionevole efficacia della matematica”. Perché uno strumento costruito per un problema funziona perfettamente per un altro, che non c’entra niente?</p><p>Una risposta possibile: il cerchio è la forma di tutto ciò che gira, e tutto ciò che si ripete, in fondo, gira. Una corda che vibra, un’altalena, una molla: tornano al punto di partenza, come un punto che fa il giro del cerchio unitario. Il seno è l’ombra di una rotazione. (Ancora un’ombra.)</p><p>È una risposta che mi convince a metà. Tienila aperta, come le altre. Ci torneremo.</p><h3>Perché dovrebbe importarti</h3><p>A questo punto potresti pensare: bella storia, ma io i triangoli non li misuro.</p><p>Qualcuno lo fa per te, continuamente.</p><p>Ogni volta che ruoti una foto sul telefono, o che in un videogioco la visuale gira intorno al personaggio, il computer calcola le nuove coordinate di ogni punto con seni e coseni: il punto (x, y), ruotato di un angolo, diventa (x·coseno − y·seno, x·seno + y·coseno). Milioni di volte al secondo. Alla tappa quattordici vedremo che questa regola si scrive in modo compatto come una tabella di numeri, una matrice, ed è il cuore della grafica tridimensionale.</p><p>Ogni volo intercontinentale parte da una rotta calcolata con la trigonometria sferica (poi aggiustata per venti e spazi aerei), perché la strada più breve su una sfera non è una linea dritta sulla cartina.</p><p>E sul GPS voglio smontare un luogo comune. Si legge spesso che il GPS “triangola” la tua posizione. Non è esatto: il ricevitore misura quanto tempo impiegano i segnali di diversi satelliti ad arrivare, e da quei tempi ricava distanze, non angoli. Si chiama trilaterazione. Però, per trasformare quelle distanze in latitudine e longitudine su una Terra che non è piatta, i conti usano ancora seni e coseni.</p><p>Le mappe catastali, i progetti di strade e ponti, i rilievi di un terreno prima di costruire una casa: li fanno i topografi con strumenti che misurano angoli, eredi diretti del teodolite di mezza tonnellata del Grande Rilevamento. E le rampe per le carrozzine, che in Italia di norma non devono superare l’8% di pendenza, cioè meno di 5 gradi: un rapporto, come il seked.</p><p>E poi c’è il cartello del 10%. Adesso sai leggerlo meglio di quasi tutti quelli che ti passano accanto in macchina.</p><h3>Un problema per te</h3><p>Sei in piazza, a 50 metri dalla base del campanile. Con un’app del telefono che misura l’inclinazione (quasi tutti i telefoni ne hanno una, spesso dentro l’app “Misure” o “Livella”), punti la cima e leggi un angolo di 35 gradi. I tuoi occhi sono a 1,60 metri da terra.</p><p>Quanto è alto il campanile?</p><p>Suggerimento: la tangente di 35 gradi vale circa 0,70. Quale lato del triangolo conosci, e quale cerchi?</p><p>Se ti va, fallo davvero con il campanile, la torre o il palazzo più alto del tuo paese, e confronta il risultato con l’altezza ufficiale. Scoprirai quanto conta misurare bene l’angolo (e ripenserai ad al-Biruni).</p><p>La soluzione, alla prossima tappa.</p><h3>Le soluzioni dei problemi delle tappe precedenti</h3><p>Avevo lasciato qualche conto in sospeso.</p><p><strong>Tappa due, il quesito della Susi.</strong> Chiamiamo M l’età di Matteo e S quella di Sara, oggi. “Fra tre anni Matteo avrà il doppio dell’età che Sara aveva tre anni fa”: M + 3 = 2(S − 3), cioè M = 2S − 9. “Il quadruplo degli anni di lui è pari al quintuplo degli anni di lei”: 4M = 5S. Sostituendo: 4(2S − 9) = 5S, cioè 8S − 36 = 5S, quindi S = 12 e M = 15. Verifica: fra tre anni Matteo avrà 18 anni, tre anni fa Sara ne aveva 9 ✓. Quattro volte 15 fa 60, cinque volte 12 fa 60 ✓.</p><p><strong>Tappa quattro, il dominio.</strong> Per f(x) = √(x − 2) + √(4 − x) servono entrambe le condizioni: x ≥ 2 e x ≤ 4. Il dominio è l’intervallo dei numeri tra 2 e 4, estremi compresi.</p><p><strong>Tappa cinque, il triangolo sulla Terra.</strong> Due angoli retti sull’equatore più un angolo retto al polo: 270 gradi, cioè 90 gradi più di quanto prevede Euclide. E c’è un regalo in più: nel 1629 il matematico francese Albert Girard scoprì che su una sfera quell’eccesso, i gradi in più rispetto a 180, è proporzionale all’area del triangolo. Il nostro, con 90 gradi di eccesso, copre esattamente un ottavo della superficie terrestre: quattro triangoli così nell’emisfero nord, uno per ogni quarto di giro dei meridiani, e altri quattro nell’emisfero sud ricoprono l’intero pianeta ✓. Sulla sfera, gli angoli di un triangolo ti dicono quanto è grande. Sul piano, non ti dicono niente. È di nuovo il quinto postulato.</p><h3>Cosa sai davvero fare dopo questa tappa</h3><p>Dopo aver letto questa tappa, dovresti essere in grado di:</p><p><strong>Spiegare</strong> perché un angolo può prendere il posto di una distanza: due triangoli con gli stessi angoli hanno i lati in proporzione. Seno, coseno e tangente sono i nomi di quei rapporti.</p><p><strong>Leggere</strong> un cartello di pendenza: 10% vuol dire dieci metri di dislivello ogni cento in orizzontale, circa 5,7 gradi. E 100% vuol dire 45 gradi, non una parete.</p><p><strong>Raccontare</strong> come Eratostene misurò la Terra con un’ombra, e riconoscere che il suo ragionamento, come tutta la trigonometria scolastica, si regge sul quinto postulato.</p><p><strong>Distinguere</strong> un errore di ragionamento da un errore di misura: Aristarco, geometria perfetta, angolo sbagliato di tre gradi, risultato sbagliato di venti volte.</p><p><strong>Smontare</strong> l’idea che gli antichi misurassero le stelle, e spiegare perché la parallasse ha resistito fino al 1838: l’angolo da misurare è grande come una moneta vista da quindici chilometri.</p><p><strong>Riconoscere</strong> seno e coseno come le coordinate di un punto che gira su un cerchio, e seno² + coseno² = 1 come il teorema di Pitagora travestito.</p><p><strong>Contestualizzare</strong> la parola “seno” come il risultato di un viaggio di traduzioni, e la trigonometria come un sapere costruito insieme da Egizi, Greci, Indiani, Persiani, Arabi ed Europei.</p><p><strong>Collegare</strong> le funzioni trigonometriche alle onde: il suono, la corrente elettrica, le cuffie che cancellano il rumore.</p><p>Prossima tappa: La geometria analitica. Un filosofo che si alzava a mezzogiorno, una mosca sul soffitto (forse), e l’idea che ha sposato l’algebra con la geometria: ogni curva è un’equazione, ogni equazione è una curva.</p><h3>Fonti e riferimenti</h3><p>Per la storia generale della trigonometria: Van Brummelen, G., <em>The Mathematics of the Heavens and the Earth: The Early History of Trigonometry</em>, Princeton University Press, 2009. È il riferimento accademico più completo. Dello stesso autore, sulla trigonometria sferica: <em>Heavenly Mathematics: The Forgotten Art of Spherical Trigonometry</em>, Princeton University Press, 2013.</p><p>Per un racconto più leggero, con la storia della parola “seno”: Maor, E., <em>Trigonometric Delights</em>, Princeton University Press, 1998.</p><p>Per il papiro Rhind e il seked: Robins, G. e Shute, C., <em>The Rhind Mathematical Papyrus: An Ancient Egyptian Text</em>, British Museum Press, 1987. Problemi 56–60.</p><p>Per la tavoletta Plimpton 322: Mansfield, D.F. e Wildberger, N.J., “Plimpton 322 is Babylonian exact sexagesimal trigonometry”, <em>Historia Mathematica</em>, vol. 44, 2017, pp. 395–419. La lettura prudente: Robson, E., “Words and Pictures: New Light on Plimpton 322”, <em>American Mathematical Monthly</em>, vol. 109, 2002, pp. 105–120.</p><p>Per Talete e la piramide: Diogene Laerzio, <em>Vite dei filosofi</em>, I, 27; Plutarco, <em>Convito dei sette sapienti</em>, 147a.</p><p>Per Eratostene: Cleomede, <em>Il moto circolare dei corpi celesti</em>, I, 7. Traduzione inglese con commento: Bowen, A.C. e Todd, R.B., <em>Cleomedes’ Lectures on Astronomy</em>, University of California Press, 2004.</p><p>Per Aristarco: Heath, T.L., <em>Aristarchus of Samos, the Ancient Copernicus</em>, Clarendon Press, 1913, che contiene il testo <em>Sulle grandezze e distanze del Sole e della Luna</em>. Archimede, <em>Arenario</em>, per la testimonianza sul sistema eliocentrico.</p><p>Per Ipparco e la tavola delle corde: Toomer, G.J., “The Chord Table of Hipparchus and the Early History of Greek Trigonometry”, <em>Centaurus</em>, vol. 18, 1974, pp. 6–28. Per Tolomeo: Toomer, G.J., <em>Ptolemy’s Almagest</em>, Princeton University Press, 1998.</p><p>Per al-Biruni: al-Biruni, <em>Kitab Tahdid Nihayat al-Amakin</em> (La determinazione delle coordinate dei luoghi), traduzione inglese di Jamil Ali, American University of Beirut, 1967. MacTutor History of Mathematics Archive, “Al-Biruni”, University of St Andrews.</p><p>Per Regiomontano: Hughes, B., <em>Regiomontanus On Triangles</em>, University of Wisconsin Press, 1967.</p><p>Per John Wallis e l’equivalenza con il quinto postulato: Bonola, R., <em>Non-Euclidean Geometry</em>, Dover, 1955 (già citato nella tappa cinque); MacTutor, “Non-Euclidean geometry”.</p><p>Per il Grande Rilevamento Trigonometrico e l’Everest: Keay, J., <em>The Great Arc: The Dramatic Tale of How India Was Mapped and Everest Was Named</em>, HarperCollins, 2000.</p><p>Per Bessel e la corsa alla parallasse: Bessel, F.W., “Bestimmung der Entfernung des 61sten Sterns des Schwans”, <em>Astronomische Nachrichten</em>, vol. 16, 1839, pp. 65–96. Racconto divulgativo: Hirshfeld, A.W., <em>Parallax: The Race to Measure the Cosmos</em>, W.H. Freeman, 2001.</p><p>Per la missione Gaia: European Space Agency, “Farewell, Gaia! Spacecraft operations come to an end”, 27 marzo 2025, esa.int.</p><p>MacTutor History of Mathematics Archive, voci “Hipparchus”, “Aryabhata I”, “Regiomontanus”, “Bartholomeo Pitiscus”, “Albert Girard”, University of St Andrews. Disponibili online.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4c2ac2a504e0" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[La Zecca Cognitiva: l’inflazione del capitale umano nell’era dell’intelligenza artificiale]]></title>
            <link>https://medium.com/@viciuslios/la-zecca-cognitiva-linflazione-del-capitale-umano-nell-era-dell-intelligenza-artificiale-abef7f2d4d74?source=rss-7ef848e961a------2</link>
            <guid isPermaLink="false">https://medium.com/p/abef7f2d4d74</guid>
            <category><![CDATA[social-impact]]></category>
            <category><![CDATA[growth]]></category>
            <category><![CDATA[capitale-umano]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[economics]]></category>
            <dc:creator><![CDATA[Vincenzo Lio]]></dc:creator>
            <pubDate>Fri, 26 Jun 2026 12:35:11 GMT</pubDate>
            <atom:updated>2026-06-27T08:19:23.602Z</atom:updated>
            <content:encoded><![CDATA[<p><em>Quando tutti sanno scrivere come un professionista, quanto vale un professionista della scrittura? Quando ogni junior scrive codice al livello di un mid-senior, quanto vale un mid-senior? La risposta non è zero. Ma non è più quella di prima. E il meccanismo che spiega perché ha un nome che gli economisti usano da secoli in un contesto diverso: inflazione.</em></p><p>C’è una scena che si ripete in migliaia di aziende ogni settimana, anche se nessuno ne parla apertamente. Un responsabile delle assunzioni ha davanti due candidati. Il primo ha dieci anni di esperienza, un portfolio curato e un’aspettativa salariale che riflette un decennio di competenza accumulata. La seconda si è laureata diciotto mesi fa, ha un curriculum sottile e durante il colloquio ha dimostrato che, con gli strumenti di AI giusti, produce un lavoro quasi indistinguibile da quello che il veterano produce senza. Il responsabile sceglie la candidata più economica. Non perché il veterano sia scarso. Perché la differenza tra i due si è assottigliata al punto che il divario di prezzo non ha più senso.</p><p>Il veterano torna a casa quella sera e apre LinkedIn. Vede post su “upskilling” e “adattamento all’economia dell’AI.” Non sente di aver bisogno di upskilling. Si è formato per un decennio. Quello che gli serve è che qualcuno gli spieghi perché il decennio investito a diventare eccellente nel suo mestiere vale meno di tre anni fa, e se varrà ancora meno tra altri tre.</p><p>Questa scena non è un esperimento mentale. Sta succedendo adesso nello sviluppo software, nel copywriting, nella ricerca legale, nell’analisi finanziaria, nel design grafico, nella traduzione, nel servizio clienti e in un elenco crescente di professioni cognitive che fino a ieri erano considerate al sicuro dall’automazione. E mentre ogni singola decisione di assunzione ha la sua logica, l’effetto aggregato di milioni di decisioni simili segue un pattern che gli economisti conoscono benissimo quando si applica al denaro, ma che hanno appena iniziato ad applicare al capitale umano.</p><p>Quel pattern è l’inflazione.</p><h3>Che cosa significa davvero inflazione</h3><p>Prima di allargare il concetto, bisogna essere precisi su che cosa contiene. L’inflazione nella sua forma monetaria non è semplicemente “i prezzi che salgono.” È l’erosione del potere d’acquisto di un’unità di valuta causata da un aumento dell’offerta di quella valuta rispetto all’offerta di beni e servizi che può comprare. Quando una banca centrale stampa moneta più velocemente di quanto l’economia produca valore, ogni unità di moneta compra meno. Il meccanismo è lineare. Le conseguenze no.</p><p>Milton Friedman disse che l’inflazione è sempre e ovunque un fenomeno monetario. Parlava di prezzi. Ma la logica strutturale dell’inflazione, l’idea che un aumento dell’offerta di qualcosa erode il valore per unità di quel qualcosa, non è limitata alle valute. Si applica a qualunque cosa il cui valore dipenda dalla scarsità relativa e la cui offerta possa essere improvvisamente espansa.</p><p>Il capitale umano è una di queste cose.</p><p>Il concetto di capitale umano, come Gary Becker lo formalizzò nel 1964, tratta la conoscenza, le competenze e l’esperienza che una persona accumula nel corso della vita come un asset economico analogo al capitale fisico. Come un’impresa investe in macchinari che producono beni, una persona investe in istruzione e formazione che producono reddito. Il rendimento di quell’investimento dipende dal valore di mercato delle competenze acquisite, che a sua volta dipende dalla domanda di quelle competenze in rapporto alla loro offerta.</p><p>È qui che l’analogia con l’inflazione diventa precisa. Se qualcosa aumenta drasticamente l’offerta di un certo tipo di output cognitivo senza un aumento proporzionale della domanda di quell’output, il valore di mercato del capitale umano che lo produce diminuisce. Non perché la persona sia diventata meno competente. Ma perché la scarsità che rendeva preziosa la sua competenza è stata diluita.</p><p>L’intelligenza artificiale è quel qualcosa.</p><h3>La zecca cognitiva</h3><p>Una zecca è l’istituzione che produce moneta. La metafora è deliberata. L’AI generativa funziona come una zecca cognitiva: produce output cognitivo, testo, codice, analisi, design, traduzioni, a una scala e a una velocità che nessuna forza lavoro umana potrebbe eguagliare, e a un costo marginale che tende a zero. Ogni prompt è una stampante monetaria. Ogni output inonda il mercato di lavoro cognitivo che prima richiedeva anni di formazione per essere prodotto.</p><p>L’analogia non è perfetta, e le imperfezioni contano. Ci arriveremo. Ma prima seguiamo la logica dove ci porta.</p><p>Nell’inflazione monetaria, tre cose accadono in sequenza. L’offerta di moneta aumenta. Il potere d’acquisto di ogni unità diminuisce. E le persone che detengono contante, i risparmiatori, i lavoratori pagati a salario fisso, ne pagano il costo, mentre le persone che detengono asset, immobili, azioni, capitale produttivo, sono parzialmente protette. L’inflazione è un meccanismo di trasferimento. Sposta valore da chi guadagna a chi possiede.</p><p>Nell’inflazione del capitale umano, la sequenza è strutturalmente simile. L’offerta di output cognitivo aumenta. Il valore di mercato di ogni unità di lavoro cognitivo prodotto dall’uomo diminuisce. E le persone che vendono il proprio lavoro cognitivo, i knowledge worker, ne pagano il costo, mentre le persone che possiedono i sistemi di AI che producono l’output concorrente catturano il valore. Il parallelo non è decorativo. Descrive la stessa dinamica economica che opera su un substrato diverso.</p><p>Le evidenze non sono più teoriche. Un paper pubblicato su arXiv a giugno 2026 da Auyon Siddiq e Niuniu Zhang della UCLA Anderson, intitolato “Human Capital, AI, and Labor Commoditization,” ha analizzato i dati di Upwork, uno dei più grandi mercati del lavoro online al mondo, usando un disegno difference-in-differences attorno al rilascio di ChatGPT. I risultati sono netti. Nelle categorie di lavoro più esposte all’AI, l’importanza dei segnali di capitale umano nel predire chi viene assunto è diminuita significativamente, mentre l’importanza del prezzo è aumentata. Il premio di domanda di cui godevano i lavoratori con credenziali ed esperienza solide si è ridotto. La domanda si è riallocata verso i lavoratori meno costosi. Il mercato non stava premiando la competenza. Stava premiando il risparmio. Gli autori usano la parola “commoditization.” È la parola giusta. Ma il meccanismo dietro la commoditization è l’inflazione: troppa offerta cognitiva che insegue troppa poca domanda cognitiva, erodendo il valore unitario della competenza umana.</p><p>Non è un dato isolato. Erik Brynjolfsson e colleghi hanno documentato che gli strumenti di AI aumentano la produttività sollevando in modo sproporzionato la performance dei lavoratori meno qualificati, comprimendo il divario tra output del novizio e output dell’esperto. Noy e Zhang (2023) hanno mostrato lo stesso nei compiti di scrittura. Peng e colleghi nello sviluppo software. Dell’Acqua e colleghi in un esperimento sul campo con consulenti di gestione alla Boston Consulting Group. Il pattern è coerente tra i diversi ambiti: l’AI agisce come un grande equalizzatore della qualità dell’output. Che suona democratico, finché non ti rendi conto di cosa significhi per le persone che hanno investito anni a diventare eccezionalmente bravi in qualcosa. Il loro investimento viene inflazionato via.</p><h3>I tre canali</h3><p>L’inflazione del capitale umano non opera attraverso un singolo meccanismo. Scorre attraverso almeno tre canali distinti, ciascuno con la propria storia intellettuale e il proprio corpo di evidenze.</p><p>Il primo canale è l’inflazione delle credenziali. È il più antico dei tre e precede l’AI di decenni. Randall Collins lo descrisse nel 1979 nel suo libro “The Credential Society”: man mano che più persone ottengono titoli di studio, il potere di segnalazione di ogni singolo titolo si indebolisce, e i datori di lavoro rispondono richiedendo credenziali più elevate per lavori che prima ne richiedevano meno. Una laurea triennale nel 1960 apriva porte che oggi richiedono una magistrale. Un diploma di scuola superiore che un tempo garantiva un lavoro operaio da classe media oggi a stento qualifica qualcuno per il commercio al dettaglio. Il meccanismo è inflazionistico nel senso più letterale: l’offerta di credenziali cresce più velocemente dell’offerta di lavori che le richiedono davvero, e ogni credenziale compra meno accesso al mercato del lavoro rispetto a prima.</p><p>L’AI accelera questo canale in modo controintuitivo. Automatizzando molti dei compiti cognitivi che le credenziali dovrebbero certificare la capacità di svolgere, l’AI svaluta la credenziale e la competenza simultaneamente. Una laurea in giurisprudenza che certifica la capacità di fare ricerca legale vale meno quando un’AI può fare ricerca legale più velocemente e più economicamente di un praticante. La laurea non ti protegge perché la laurea è sempre stata un proxy della competenza, e la competenza è ciò che viene inflazionato via.</p><p>Il secondo canale è il deprezzamento delle competenze attraverso lo scarico cognitivo. È il canale che Daron Acemoglu, premio Nobel per l’Economia 2024, ha formalizzato nel suo paper del 2026 “AI, Human Cognition and Knowledge Collapse,” scritto con Dingwen Kong. Il loro modello mostra che quando l’AI si sostituisce allo sforzo cognitivo umano, indebolisce l’incentivo a investire nel capitale umano che produce conoscenza di frontiera. Le persone smettono di praticare competenze che l’AI fa al posto loro. Le competenze si atrofizzano. Lo stock di conoscenza generale della società si deprezza. Non è una metafora. È un risultato formale con condizioni matematiche precise.</p><p>Il meccanismo è insidioso perché si autorinforza. Più usi l’AI, meno pratichi. Meno pratichi, più dipendi dall’AI. Più dipendi dall’AI, meno vale la tua competenza indipendente. Acemoglu chiama questo processo “knowledge collapse.” La filosofa Carissa Véliz a Oxford ha sviluppato un argomento complementare: le competenze umane si atrofizzano se non vengono praticate regolarmente, e l’adozione diffusa dell’AI nel luogo di lavoro rischia di produrre un de-skilling sistematico attraverso intere professioni.</p><p>Michael Caosun e Sinan Aral del MIT, nel loro paper del 2026 “The Augmentation Trap” (arXiv:2604.03501), hanno formalizzato quello che chiamano “la trappola dell’augmentation”: gli strumenti di AI aumentano la produttività del lavoratore nel breve termine, ma l’uso prolungato erode l’expertise su cui quei guadagni di produttività poggiano. Il lavoratore diventa più veloce ma più superficiale. La produttività è reale ma presa in prestito. E quando l’AI cambia, o quando un problema inedito cade fuori dai dati di addestramento dell’AI, il lavoratore non ha più la profondità per affrontarlo.</p><p>Il terzo canale è la commoditization del lavoro attraverso la compressione dell’output. È il più recente e forse il più consequenziale. Quando l’AI comprime il divario qualitativo tra lavoratori, i datori di lavoro smettono di differenziare sulla competenza e iniziano a differenziare sul prezzo. Il knowledge worker diventa una commodity. E le commodity, per definizione, competono sul costo piuttosto che sulla qualità.</p><p>Un paper pubblicato su Frontiers in Human Dynamics nell’aprile 2026 da Nassim Dehouche ha documentato la scala del fenomeno attraverso una meta-analisi sistematica di 94 studi empirici. Nei ruoli di sviluppo software e creazione di contenuti di livello junior e intermedio nelle economie ad alto reddito, le offerte di lavoro hanno registrato cali compresi tra il 14 e il 41 percento a seconda della geografia e della piattaforma analizzata. Certe categorie di compiti sulle piattaforme di lavoro online sono state quasi eliminate. È significativo che gli effetti si siano concentrati proprio ai livelli junior e intermedi della distribuzione delle competenze, esattamente dove la compressione dell’output è più forte.</p><p>È questo il canale che collega più direttamente l’inflazione del capitale umano al mercato del lavoro. Non è che l’AI renda tutti i lavoratori ugualmente bravi. È che l’AI rende la differenza tra un lavoratore buono e uno eccellente meno visibile al datore di lavoro, e quindi meno remunerata. Il segnale che distingueva un professionista esperto da un junior competente, la qualità del loro output, diventa più rumoroso. E quando il segnale si indebolisce, il mercato ricade sulla variabile che riesce ancora a misurare chiaramente: il prezzo.</p><h3>Il problema del vettore, ovvero perché l’analogia si rompe</h3><p>È qui che l’onestà intellettuale ci impone di fermarci e sottoporre il framework a uno stress test. Perché l’analogia tra inflazione monetaria e inflazione del capitale umano, per quanto illuminante, ha un difetto strutturale. E il difetto è abbastanza importante da rendere l’intero argomento fuorviante se lo si ignora.</p><p>L’inflazione monetaria colpisce tutte le unità di valuta in modo uguale. Un euro è identico a un altro euro. Quando l’offerta di moneta raddoppia, ogni euro perde potere d’acquisto nella stessa proporzione. Questo rende l’inflazione monetaria un fenomeno scalare: opera su una singola dimensione.</p><p>Il capitale umano non è uno scalare. È un vettore. Ha dimensioni multiple, componenti multiple, assi di valore multipli. E l’AI non li colpisce tutti allo stesso modo.</p><p>Cristian Espinal Maya della Universidad EAFIT, nel suo paper del 2026 “Augmented Human Capital” (arXiv:2604.01066), ha proposto di scomporre il capitale umano individuale in tre componenti ortogonali: competenze fisico-manuali, competenze cognitivo-routinarie che l’AI sostituisce, e competenze cognitivo-potenziabili che l’AI amplifica. L’intuizione centrale è che la stessa tecnologia che distrugge valore lungo un asse crea valore lungo un altro. La competenza di un junior copywriter nel produrre testi di marketing grammaticalmente corretti viene inflazionata via. Ma la competenza di uno stratega senior nel capire quale messaggio risuonerà con un particolare pubblico, nel leggere il contesto, nel prendere decisioni sotto incertezza, è potenzialmente più preziosa proprio perché il collo di bottiglia dell’esecuzione è stato rimosso.</p><p>Ragionateci in questo modo. Una traduttrice che ha passato quindici anni a padroneggiare le sfumature della traduzione legale dall’italiano all’inglese ha un vettore di capitale umano fortemente ponderato verso una competenza cognitivo-routinaria che l’AI ora svolge competentemente. Il suo vettore è esposto. Un medico di pronto soccorso il cui valore viene dal prendere decisioni in frazioni di secondo sotto estrema incertezza, integrando informazioni frammentarie da monitor, infermieri, pazienti e intuizione, ha un vettore ponderato verso competenze cognitivo-potenziabili che l’AI non può replicare e che anzi potrebbe potenziare. Il suo vettore è protetto. Entrambi sono professionisti altamente qualificati. Entrambi hanno investito anni a diventare eccellenti. Ma la pressione inflazionistica sul loro capitale è radicalmente diversa.</p><p>E questo crea un paradosso su cui vale la pena soffermarsi. Meiling Huang e colleghi, nel paper “Augmenting Minds or Automating Skills” (arXiv:2412.03963), hanno scoperto attraverso due esperimenti controllati nella scrittura creativa e nella composizione musicale che l’AI potenzia il capitale umano generale, le ampie capacità cognitive e il pensiero adattivo che derivano dall’istruzione e dall’esperienza diversificata, ma diminuisce il valore dell’expertise specifico di dominio, la conoscenza specialistica profonda che viene da anni di pratica concentrata. È controintuitivo. Tendiamo a pensare che gli specialisti siano al sicuro perché la loro conoscenza è profonda e difficile da replicare. Ma le evidenze suggeriscono il contrario: sono i generalisti, le persone che sanno pensare tra i domini, che integrano, che giudicano, che dirigono, a essere meglio posizionati per cavalcare l’onda dell’AI. Gli specialisti, le persone che sono andate in profondità su una singola competenza, sono più esposti.</p><p>Le implicazioni si propagano attraverso ogni istituzione che forma, impiega o valuta esseri umani. Le università che si specializzano nel produrre expertise tecnico profondo potrebbero star producendo laureati le cui competenze più rifinite sono precisamente quelle più esposte all’inflazione. Le aziende che valorizzavano i professionisti “a T,” profondi in un’area e ampi su molte, potrebbero dover riconsiderare il rapporto tra la barra verticale e quella orizzontale. E gli individui che hanno costruito carriere diventando i migliori in una cosa sola potrebbero scoprire che il mercato non premia più l’essere i migliori in quella cosa, non perché sia arrivato qualcuno più bravo, ma perché un’AI ha reso il “sufficientemente buono” disponibile a una frazione del costo.</p><h3>Il paradosso di Jevons, ovvero il controargomento dalla storia</h3><p>C’è un controargomento potente all’intera tesi dell’inflazione del capitale umano, e viene da un’osservazione di 160 anni fa sul carbone.</p><p>Nel 1865, l’economista inglese William Stanley Jevons notò qualcosa che contraddiceva il senso comune. L’introduzione di macchine a vapore più efficienti, che usavano meno carbone per unità di lavoro, non ridusse il consumo totale di carbone. Lo aumentò. Perché i guadagni di efficienza resero l’energia a vapore più economica, il che espanse la gamma di attività per cui l’energia a vapore era conveniente, il che creò più domanda totale di carbone di quanta ne risparmiassero i guadagni di efficienza.</p><p>Questo è il paradosso di Jevons, e viene invocato regolarmente nel dibattito sull’occupazione nell’era dell’AI. Torsten Slok, capo economista di Apollo Global Management, lo ha applicato direttamente nell’aprile 2026: man mano che l’AI rende il lavoro professionale più economico e più efficiente, il mercato per quel lavoro si espanderà. Più lavoro legale verrà fatto, non meno. Più codice verrà scritto. Più analisi verranno prodotte. Più contenuti verranno creati. E il numero totale di persone coinvolte in quei settori crescerà, non diminuirà.</p><p>Le evidenze storiche per l’effetto Jevons nei mercati del lavoro sono sostanziali. David Autor e colleghi, nel loro paper del 2024 “New Frontiers: The Origins and Content of New Work, 1940–2018,” pubblicato sul Quarterly Journal of Economics, hanno trovato che circa il 60 percento dell’occupazione negli Stati Uniti nel 2018 era in titoli di lavoro che non esistevano nel 1940. La tecnologia non ha semplicemente eliminato posti di lavoro. Ha creato categorie di lavoro interamente nuove che nessuno aveva previsto. La massa del lavoro nuovo si è spostata dalle occupazioni produttive e impiegatizie di classe media nel periodo 1940–1980 verso le occupazioni professionali ad alto reddito successivamente. L’economia non si è contratta. È mutata.</p><p>Erik Brynjolfsson, che si definisce un “tecno-ottimista,” fa il punto direttamente: abbiamo avuto un sacco di tecnologie straordinarie che hanno reso le persone radicalmente più efficienti in quello che fanno, eppure continuiamo ad assumere sempre più persone.</p><p>È un’obiezione seria. E se regge, allora quella che ho chiamato inflazione del capitale umano non è affatto inflazione. È riallocazione. Il potere d’acquisto totale del capitale umano nell’economia non sta diminuendo. Si sta spostando. Alcune competenze perdono valore, altre ne guadagnano, e l’effetto netto sul lungo periodo è positivo. Il dolore è reale ma temporaneo. L’adattamento avviene. Nuovi lavori emergono. Il mercato si riequilibra.</p><p>Ma ecco perché non credo che l’obiezione di Jevons chiuda la questione.</p><p>Primo, il paradosso di Jevons è una tendenza, non una legge. Opera quando i guadagni di efficienza abbassano i prezzi abbastanza da espandere la domanda oltre i risparmi di efficienza. Ma questo richiede domanda elastica: le persone e le imprese devono volere di più della cosa che è diventata più economica. Per il lavoro cognitivo in aggregato, è plausibile. Per categorie specifiche di lavoro cognitivo, non è ovvio. Se l’AI può scrivere tutto il copy di marketing di cui un’azienda ha bisogno, l’azienda non necessariamente vuole dieci volte più copy di marketing. Potrebbe volere la stessa quantità di copy e spendere i risparmi in qualcos’altro, qualcosa che potrebbe non richiedere affatto lavoro cognitivo umano.</p><p>Secondo, e più importante, il paradosso di Jevons non dice nulla su chi beneficia. Anche se il volume totale di lavoro cognitivo si espande, i rendimenti di quell’espansione fluiscono in modo sproporzionato verso i proprietari dei sistemi di AI che la rendono possibile, non verso i lavoratori le cui competenze sono state inflazionate via. I minatori di carbone ai tempi di Jevons beneficiarono dell’espansione della domanda di carbone, ma i proprietari delle miniere beneficiarono enormemente di più. Il parallelo con l’AI è diretto: i guadagni di produttività vanno principalmente al capitale, non al lavoro. Minniti, Prettner, Venturini e Bloom, in un paper del marzo 2026 pubblicato su VoxEU/CEPR analizzando dati da 238 regioni in 21 paesi europei, hanno trovato che l’adozione dell’AI è associata a quote decrescenti del lavoro sul valore aggiunto, in particolare per i lavoratori a media e alta qualificazione, guidate principalmente dalla compressione salariale piuttosto che da cambiamenti nell’occupazione. L’economia cresce, ma la fetta dei lavoratori si restringe.</p><p>Terzo, la dimensione temporale conta. Il paradosso di Jevons ha storicamente operato sul medio-lungo periodo, nell’arco di decenni. L’automazione crea nuovi posti di lavoro, ma lo fa lentamente, in modo diseguale e in luoghi e professioni diversi da quelli che distrugge. Il divario tra distruzione e creazione è dove si concentra la sofferenza umana reale. Un avvocato brevettista di cinquant’anni le cui competenze sono state parzialmente automatizzate da un sistema di AI non può facilmente riconvertirsi come consulente di etica dell’AI. L’economia alla fine si aggiusta. L’individuo no.</p><h3>La trappola educativa</h3><p>C’è una dimensione particolarmente dolorosa dell’inflazione del capitale umano che merita attenzione separata, perché crea un ciclo di retroazione che l’analisi economica convenzionale tende a non cogliere.</p><p>Un paper pubblicato su arXiv nel 2025 da Andrew J. Peterson, “Training for Obsolescence? The AI-Driven Education Trap,” formalizza qualcosa che chiunque lavori nell’istruzione può sentire intuitivamente: le competenze che l’AI rende più facili da insegnare sono spesso le stesse competenze che l’AI rende meno preziose sul mercato del lavoro. Il modello descrive un pianificatore educativo che osserva che gli strumenti di AI potenziano la produttività dell’insegnamento per certe competenze, le competenze “AI-insegnabili,” e razionalmente alloca più tempo educativo verso quelle competenze. Ma il pianificatore non tiene conto del fatto che l’AI sopprimerà anche i salari dei lavoratori che possiedono esattamente quelle competenze, perché l’AI può svolgerle altrettanto bene o meglio.</p><p>Il risultato è un sovrainvestimento sistematico in competenze destinate all’obsolescenza. Il sistema educativo, ottimizzando per ciò che può misurare e insegnare efficientemente, produce laureati le cui competenze più raffinate sono precisamente quelle che il mercato del lavoro non valorizza più. Non è un’ipotesi. È già visibile nei coding bootcamp che insegnano pattern di programmazione automatizzabili dall’AI, nelle business school che si concentrano su framework analitici che l’AI può eseguire, nelle facoltà di giurisprudenza che enfatizzano competenze di ricerca legale che i modelli linguistici svolgono competentemente.</p><p>La trappola si stringe perché studenti e famiglie prendono decisioni di investimento educativo basandosi sui segnali attuali del mercato del lavoro. Un settore che paga bene oggi attrae studenti che entreranno nel mondo del lavoro tra quattro-sei anni. Se l’AI sta comprimendo i salari in quel settore mentre contemporaneamente rende più facile insegnarlo, l’investimento sarà stato povero. Lo studente esce con una credenziale che è costata anni di tempo e denaro sostanziale, preparato per un mondo che non esiste più nella forma che aveva previsto.</p><p>Considerate l’aritmetica concreta. Uno studente nel 2024 decide di investire in una laurea 3+2 in informatica. Il costo, inclusi tasse universitarie, spese di mantenimento e costo-opportunità del non lavorare, è sostanziale. Il rendimento atteso si basa sullo stipendio di un ingegnere del software nel 2024, che è alto. Ma entro il 2029 (se gli va bene), quando questo studente entra nel mercato del lavoro, gli assistenti di programmazione AI hanno compresso il divario di produttività tra uno sviluppatore junior e uno mid-level. Lo stipendio d’ingresso non è crollato, ma si è appiattito. Il premio per avere una laurea piuttosto che un coding bootcamp più competenza AI si è ristretto. E lo studente scopre che le competenze più enfatizzate nel suo curriculum, scrivere codice pulito in linguaggi specifici, debugging, progettazione di base dei sistemi, sono precisamente le competenze dove l’assistenza AI ha reso il lavoratore meno esperto quasi altrettanto produttivo di quello moderatamente esperto.</p><p>Lo studente non è incompetente. L’istruzione non era cattiva. L’investimento era razionale nel momento in cui è stato fatto. Ma i rendimenti sono stati inflazionati via da una tecnologia che si è mossa più velocemente di quanto il sistema educativo potesse adattarsi. E la tragedia non è che lo studente ha imparato le cose sbagliate. È che le cose che ha imparato bene sono quelle per cui il mercato non paga più un premio.</p><p>Questa è l’inflazione del capitale umano che opera attraverso la pipeline educativa stessa. La zecca non sta solo producendo output cognitivo. Sta anche distorcendo la produzione di capacità cognitiva umana, tirandola verso le aree sbagliate.</p><p>La dimensione contabile peggiora le cose. Come ho esplorato in un articolo precedente sull’integrazione dell’AI nelle organizzazioni, i costi della formazione del capitale umano non appaiono nel bilancio patrimoniale di un’azienda. Puoi capitalizzare un server. Puoi capitalizzare un software. Non puoi capitalizzare la conoscenza che i tuoi dipendenti hanno sviluppato durante tre anni di formazione on-the-job. Quella conoscenza va a conto economico come un costo, riduce l’utile dell’esercizio e crea un asset invisibile che non ha valore contabile. Questo significa che quando un’azienda confronta il costo di formare un dipendente junior per tre anni con il costo di abbonarsi a uno strumento di AI che rende il junior immediatamente produttivo, il confronto è distorto dal framework contabile stesso. La formazione sembra un costo puro. Anche l’abbonamento AI sembra un costo puro, ma produce output misurabile immediato. Il CFO razionale sceglie l’AI. E il junior non viene mai formato. E il capitale umano che sarebbe stato creato semplicemente non esiste.</p><h3>Chi ne ha parlato, e cosa hanno mancato</h3><p>La genealogia intellettuale dell’inflazione del capitale umano è dispersa tra più discipline che raramente dialogano tra loro.</p><p>Randall Collins (1979) identificò l’inflazione delle credenziali ma non poteva aver previsto l’AI. Gary Becker (1964) ci diede il framework del capitale umano come investimento ma assumeva che i rendimenti di quell’investimento fossero determinati da forze di mercato relativamente stabili. Robert Lucas (1988) modellizzò il capitale umano come motore della crescita endogena, con la proprietà unica di generare rendimenti crescenti, ma il suo modello non tiene conto di una tecnologia capace di sostituirsi alle funzioni cognitive che il capitale umano svolge.</p><p>Daron Acemoglu e Pascual Restrepo (2018, 2019, 2022) svilupparono il framework basato sui task che distingue tra automazione (spostamento del lavoro umano) e augmentation (creazione di nuovi task per gli umani). È il framework più rilevante, e il lavoro di Acemoglu del 2026 sul knowledge collapse lo estende agli effetti dinamici dell’AI sulla formazione delle competenze. Ma anche il modello di Acemoglu è stato criticato per aver escluso, per costruzione, i meccanismi di adattamento umano e di creazione di nuove competenze che complicherebbero le sue conclusioni. La critica è valida. Il modello cattura il rischio ma non la risposta.</p><p>Jan Tinbergen, già nel 1974, descrisse l’evoluzione del premio di competenza come una “corsa tra istruzione e tecnologia.” Quando l’istruzione produce lavoratori qualificati più velocemente di quanto la tecnologia li richieda, il premio di competenza scende. Quando la tecnologia supera l’istruzione, il premio sale. L’AI sconvolge questa corsa perché cambia simultaneamente ciò che la tecnologia richiede e ciò che l’istruzione può produrre. La metafora della corsa crolla quando la pista stessa viene ricostruita durante la gara.</p><p>David Autor (2024) fornisce il contrappunto empirico più completo, mostrando che il 60 percento dell’occupazione attuale è in professioni che non esistevano 80 anni fa. Il suo lavoro suggerisce che la distruzione creatrice del mercato del lavoro è autorigenerante: i vecchi lavori muoiono, ne nascono di nuovi, e l’effetto netto è stato storicamente positivo. Ma lo stesso Autor nota che dal 1980 al 2018 l’automazione ha eroso il doppio dei posti di lavoro rispetto al periodo 1940–1980, e che l’augmentation ha creato nuovi posti ma non quanti ne ha distrutti l’automazione. La tendenza sta accelerando, e non è chiaramente positiva.</p><p>Quello che nessuno di questi studiosi ha fatto, almeno non esplicitamente, è inquadrare il fenomeno come inflazione. Parlano di displacement, sostituzione, commoditization, compressione, deprezzamento, obsolescenza. Sono tutti termini validi. Ma descrivono sintomi. L’inflazione descrive il meccanismo. Ed è il meccanismo che collega l’erosione del capitale umano alle dinamiche più ampie dell’estrazione di valore nell’economia digitale.</p><h3>La faccia della medaglia che pesa di più</h3><p>Entrambe le facce di questa medaglia sono reali. Da un lato: l’AI inflaziona l’offerta di output cognitivo, erode il valore di mercato di competenze umane specifiche, comprime i salari nelle professioni esposte e crea una trappola di de-skilling che mina l’expertise stessa su cui poggiano i guadagni di produttività dell’AI. Dall’altro: l’AI espande la frontiera di ciò che è possibile, crea nuove categorie di lavoro che nessuno può ancora nominare, e storicamente ogni precedente tecnologia che ha automatizzato compiti esistenti ha alla fine generato più occupazione di quanta ne ha distrutta.</p><p>Ecco la mia valutazione su quale lato pesi di più, e voglio essere trasparente sul ragionamento.</p><p>Nel breve-medio termine, da tre a dieci anni, il lato inflazionistico domina. Le evidenze sulla compressione dell’output, sulla soppressione salariale nelle categorie esposte e sul declino dei rendimenti delle credenziali tradizionali sono già misurabili. La commoditization del lavoro cognitivo su piattaforme come Upwork non è una teoria. È un dato osservato. La trappola educativa, il sovrainvestimento sistematico in competenze presto obsolete, sta già producendo laureati che scoprono il primo giorno di lavoro che un’AI può fare ciò che hanno passato quattro anni a imparare.</p><p>Nel lungo termine, indicativamente vent’anni, l’effetto Jevons e la creazione di nuovi posti di lavoro probabilmente prevalgono. Ma “probabilmente” sta facendo un lavoro pesante in quella frase, e “prevalgono” non dice nulla su chi ne beneficia. E c’è un caveat più profondo: l’analogia storica potrebbe non sopravvivere al contatto con il tasso di cambiamento attuale. Le transizioni tecnologiche precedenti si sono sviluppate nell’arco di generazioni. La macchina a vapore impiegò decenni a trasformare i mercati del lavoro. L’elettrificazione impiegò mezzo secolo a diffondersi pienamente. Il personal computer ebbe bisogno di vent’anni dalla sua introduzione alla sua ubiquità. L’AI generativa ha raggiunto l’adozione mainstream in mesi. Le tempistiche che la storia suggerisce per l’aggiustamento, per l’emergere di nuove professioni, per la risposta istituzionale, assumono un ritmo di cambiamento tecnologico che non somiglia a ciò che stiamo vivendo. Se lo spostamento si comprime in anni anziché in decenni, i meccanismi di aggiustamento che hanno funzionato in passato potrebbero semplicemente non avere il tempo di attivarsi. L’economia del carbone alla fine creò più posti di lavoro di quanti ne distrusse. Ma creò anche gli orrori dickensiani della Manchester industriale. La transizione fu misurata in decenni di sofferenza umana prima che la risposta istituzionale, i sindacati, le leggi sulle fabbriche, l’istruzione pubblica, raggiungesse il cambiamento strutturale. Vent’anni è una stima ragionevole per l’equilibrio di lungo periodo. Ma alla velocità con cui l’AI si sta sviluppando, quei vent’anni di transizione potrebbero concentrare lo stesso volume di disruption che le tecnologie precedenti spalmarono su cinquanta.</p><p>E c’è una ragione per pensare che questa volta potrebbe essere qualitativamente diverso dalle transizioni tecnologiche precedenti. Ogni precedente ondata di automazione, il telaio, il trattore, la catena di montaggio, il foglio di calcolo, ha spostato un tipo di lavoro e ne ha lasciato un altro come destinazione naturale per i lavoratori spostati. L’automazione fisica ha spinto i lavoratori verso il lavoro cognitivo. Ma l’AI automatizza il lavoro cognitivo stesso. Se sia il fisico che il cognitivo vengono automatizzati simultaneamente, la “destinazione naturale” per i lavoratori spostati è incerta. La via di uscita che è sempre esistita nelle transizioni precedenti potrebbe non esistere questa volta, o potrebbe essere più stretta, più ripida e più difficile da trovare.</p><p>La conclusione onesta è che l’inflazione del capitale umano è un fenomeno reale e misurabile nel presente, che l’ottimismo storico sull’adattamento di lungo periodo è ragionevole ma non garantito, e che la distribuzione del dolore e del guadagno sarà profondamente diseguale anche nello scenario ottimistico.</p><h3>Il collegamento con l’economia della rendita</h3><p>C’è un punto strutturale più profondo che diventa visibile solo quando si collega l’inflazione del capitale umano alle dinamiche più ampie della proprietà tecnologica nell’economia digitale.</p><p>In un lavoro precedente, ho argomentato che il passaggio dalla proprietà della tecnologia all’affitto della tecnologia, quella che ho chiamato la “SaaS Tax,” crea una trappola strutturale: le imprese che affittano la propria tecnologia non possono accumulare capitale produttivo, il che impedisce loro di costruire la base patrimoniale necessaria per crescere in modo indipendente. Il modello dell’affitto estrae valore dagli utilizzatori e lo trasferisce ai proprietari delle piattaforme in un flusso continuo che non si ferma mai e non costruisce mai patrimonio.</p><p>L’inflazione del capitale umano estende questa trappola alle persone. Quando l’AI inflaziona il valore delle competenze cognitive, i lavoratori che hanno investito in quelle competenze si trovano nella stessa posizione delle imprese che hanno affittato la propria tecnologia: incapaci di accumulare valore. Il loro investimento in istruzione ed esperienza, l’equivalente umano del comprare un server invece di affittare spazio cloud, viene deprezzato da una tecnologia che non possiedono e che non possono controllare. Hanno pagato il costo dell’acquisizione e ora sopportano il costo dell’inflazione.</p><p>La simmetria è quasi troppo netta per essere accidentale. Nel modello SaaS, l’impresa paga un abbonamento mensile e non costruisce mai un asset. Nel mercato del lavoro potenziato dall’AI, il lavoratore paga anni di istruzione e formazione e guarda l’asset deprezzarsi più velocemente di quanto si deprezzasse per obsolescenza naturale. Entrambi sono intrappolati in un’economia dei flussi dove il valore circola ma non si deposita mai, non si accumula mai, non costruisce mai le fondamenta per una crescita indipendente.</p><p>E la destinazione di quei flussi è la stessa. I pagamenti degli abbonamenti SaaS fluiscono verso i proprietari della piattaforma. Il valore estratto dalla deflazione del capitale umano fluisce verso i proprietari dei sistemi di AI. Spesso sono le stesse aziende. La convergenza è strutturale, non coincidente.</p><p>Il risultato è una doppia trappola. Le imprese non possono accumulare capitale fisico perché affittano la propria tecnologia. I lavoratori non possono accumulare valore di capitale umano perché l’AI inflaziona le loro competenze. Sia lo stock di capitale produttivo che lo stock di capitale umano vengono sistematicamente erosi, e il valore fluisce nella stessa direzione: verso i proprietari dei sistemi di AI e delle piattaforme cloud su cui quei sistemi operano.</p><p>Non è un complotto. È una conseguenza strutturale del modo in cui la tecnologia è posseduta e distribuita. E pone una domanda scomoda ma necessaria: se i rendimenti sia dell’investimento in capitale fisico che dell’investimento in capitale umano vengono sistematicamente catturati da un piccolo numero di proprietari tecnologici, che incentivo resta a tutti gli altri per investire?</p><p>I contadini della Sicilia ottocentesca non smisero di lavorare. Ma smisero di investire. Smisero di migliorare la terra, perché qualunque miglioramento sarebbe stato catturato dal latifondista. Il termine economico per questo è “holdup problem,” ed è una delle spiegazioni più potenti del sottosviluppo persistente nella storia economica. Quando i rendimenti del tuo sforzo vengono sistematicamente appropriati da qualcun altro, il comportamento razionale è minimizzare lo sforzo. La conseguenza è la stagnazione, non per mancanza di capacità, ma per mancanza di incentivo.</p><p>Il rischio dell’inflazione del capitale umano, se lasciata senza risposta, è lo stesso: una generazione di lavoratori che decide razionalmente che investire in competenze profonde non vale lo sforzo, perché i rendimenti saranno inflazionati via dall’AI prima che l’investimento ripaghi. Un mondo di junior permanenti, permanentemente in affitto, permanentemente sostituibili. Non perché manchino di potenziale, ma perché la struttura rende il potenziale non profittevole.</p><h3>Che fare</h3><p>Descrivere un problema senza abbozzare una risposta è intellettualmente irresponsabile. Ma prescrivere soluzioni politiche dettagliate per un fenomeno così precoce nel suo sviluppo sarebbe intellettualmente disonesto. Facciamo quindi qualcosa a metà: identifichiamo le direzioni che sembrano promettenti e quelle che sembrano vicoli ciechi.</p><p>Rallentare lo sviluppo dell’AI è un vicolo cieco. Non perché non funzionerebbe, ma perché non accadrebbe. Le dinamiche competitive tra imprese e tra nazioni rendono la moderazione volontaria un problema di azione collettiva di scala globale. Chi rallenta perde.</p><p>Proteggere lavori o professioni specifiche attraverso la regolamentazione è un altro vicolo cieco. La storia del credenzialismo mostra che la chiusura occupazionale, il tentativo di proteggere una professione restringendo l’ingresso attraverso requisiti di qualificazione sempre più alti, finisce per danneggiare le persone che pretende di proteggere, inflazionando il costo di ingresso senza garantire i rendimenti.</p><p>Quello che potrebbe funzionare è cambiare la struttura proprietaria. Se i rendimenti della produttività guidata dall’AI fluiscono verso il capitale piuttosto che verso il lavoro, allora la risposta è allargare la proprietà del capitale AI. Non attraverso la nazionalizzazione, che ha i suoi problemi, ma attraverso meccanismi che diano ai lavoratori una partecipazione nei sistemi di AI che stanno inflazionando le loro competenze. Proprietà dei dipendenti, condivisione degli utili legata ai guadagni di produttività dell’AI, infrastruttura AI pubblica che non sia di proprietà di nessuna singola azienda, istituzioni educative che insegnino alle persone a costruire e possedere strumenti di AI piuttosto che semplicemente usarli.</p><p>Quello che potrebbe funzionare è anche ripensare cosa significhi “investimento in capitale umano” in un’economia satura di AI. Se le competenze cognitivo-routinarie vengono inflazionate via mentre le competenze cognitivo-potenziabili, giudizio, integrazione, ragionamento etico, intelligenza relazionale, direzione creativa, guadagnano valore, allora i sistemi educativi devono spostare la propria enfasi di conseguenza. Non aggiungendo corsi di AI ai curricula esistenti, che è l’equivalente educativo del riordinare le sedie a sdraio sul Titanic. Ma riconsiderando fondamentalmente quali capacità umane valga la pena sviluppare in un mondo dove l’esecuzione è economica e il giudizio è costoso.</p><p>E quello che potrebbe funzionare, più di tutto, è riconoscere che il costo della transizione non è un’esternalità. È il problema centrale. Ogni precedente rivoluzione tecnologica ha prodotto vincitori e perdenti, e i perdenti hanno sopportato il costo per decenni prima che le risposte istituzionali si materializzassero. La domanda non è se l’AI alla fine creerà più valore di quanto ne distrugga. Probabilmente sì. La domanda è chi paga il prezzo durante la transizione, e se quel prezzo è distribuito in un modo che una società democratica possa sostenere.</p><p>La zecca cognitiva è in funzione. Le presse sono accese. La domanda non è se possiamo spegnerle. La domanda è chi possiede la moneta che producono.</p><p><em>Questo articolo fa parte di un’esplorazione in corso su come la tecnologia digitale ridisegna le strutture economiche, collegandosi a “The SaaS Tax: Why GDP Growth Doesn’t Pay Your Bills” e a “La Terra e la Tecnologia: Anatomia di un’Espropriazione.” Il modello formale alla base di questi argomenti è sviluppato nel working paper “Technology Rental and Economic Divergence.”</em></p><p><em>Riferimenti citati in questo articolo: Becker, G. (1964). Human Capital: A Theoretical and Empirical Analysis, with Special Reference to Education. NBER/Columbia University Press. Collins, R. (1979). The Credential Society: An Historical Sociology of Education and Stratification. Academic Press. Acemoglu, D. e Kong, D. (2026). AI, Human Cognition and Knowledge Collapse. MIT Working Paper. Siddiq, A. e Zhang, N. (2026). Human Capital, AI, and Labor Commoditization. arXiv:2606.21880. UCLA Anderson School of Management. Autor, D., Chin, C., Salomons, A. e Seegmiller, B. (2024). New Frontiers: The Origins and Content of New Work, 1940–2018. The Quarterly Journal of Economics, 139(3), 1399–1465. Peterson, A.J. (2025). Training for Obsolescence? The AI-Driven Education Trap. arXiv:2508.19625. Brynjolfsson, E., Li, D. e Raymond, L. (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889–942. Noy, S. e Zhang, W. (2023). Experimental Evidence on the Productivity Effects of Generative AI. Science, 381(6654), 187–192. Peng, S. et al. (2023). The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. arXiv:2302.06590. Dell’Acqua, F. et al. (2026). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality. Organization Science. Dehouche, N. (2026). Creation, Validation, Obsolescence: Observed Evidence of AI-Driven Labor Market Displacement, 2020–2025. Frontiers in Human Dynamics, 8:1815037. Espinal Maya, C. (2026). Augmented Human Capital: A Unified Theory and LLM-Based Measurement Framework for Cognitive Factor Decomposition in AI-Augmented Economies. arXiv:2604.01066. Caosun, M. e Aral, S. (2026). The Augmentation Trap: AI Productivity and the Cost of Cognitive Offloading. arXiv:2604.03501. Huang, M. et al. (2024). Augmenting Minds or Automating Skills: The Differential Role of Human Capital in Generative AI’s Impact on Creative Tasks. arXiv:2412.03963. Minniti, A., Prettner, K., Venturini, F. e Bloom, D. (2026). AI and the distribution of income between capital and labour. VoxEU/CEPR. Jevons, W.S. (1865). The Coal Question. Tinbergen, J. (1974). Substitution of Graduate by Other Labour. Kyklos, 27(2).</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=abef7f2d4d74" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[The Cognitive Mint: Human Capital Inflation in the Age of Artificial Intelligence]]></title>
            <link>https://medium.com/@viciuslios/the-cognitive-mint-human-capital-inflation-in-the-age-of-artificial-intelligence-f507b5a3e54f?source=rss-7ef848e961a------2</link>
            <guid isPermaLink="false">https://medium.com/p/f507b5a3e54f</guid>
            <category><![CDATA[hr]]></category>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[social-capital]]></category>
            <category><![CDATA[human-capital]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <dc:creator><![CDATA[Vincenzo Lio]]></dc:creator>
            <pubDate>Fri, 26 Jun 2026 12:27:30 GMT</pubDate>
            <atom:updated>2026-06-27T07:58:31.293Z</atom:updated>
            <content:encoded><![CDATA[<p><em>When everyone can write like a professional, what is a professional writer worth? When every junior engineer ships code at the level of a mid-senior, what is a mid-senior engineer worth? The answer is not zero. But it is not what it used to be. And the mechanism that explains why has a name that economists have used for centuries in a different context: inflation.</em></p><p>There is a scene that plays out in thousands of companies every week, though nobody talks about it openly. A hiring manager sits in front of two candidates. One has ten years of experience, a polished portfolio, and a salary expectation that reflects a decade of accumulated expertise. The other graduated eighteen months ago, has a thin resume, and demonstrated during the interview that with the right AI tools, she can produce work that is nearly indistinguishable from what the veteran produces without them. The hiring manager picks the cheaper candidate. Not because the veteran is bad. Because the difference between them has narrowed to the point where the price gap no longer makes sense.</p><p>The veteran goes home that evening and opens LinkedIn. She sees posts about “upskilling” and “adapting to the AI economy.” She does not feel like she needs to upskill. She has been skilling for a decade. What she needs is for someone to explain why the decade she invested in becoming excellent at her craft is now worth less than it was three years ago, and whether it will be worth even less three years from now.</p><p>This scene is not a thought experiment. It is happening right now in software development, in copywriting, in legal research, in financial analysis, in graphic design, in translation, in customer support, and in a growing list of cognitive professions that until recently were considered safe from automation. And while every individual hiring decision has its own logic, the aggregate effect of millions of such decisions follows a pattern that economists understand very well when it applies to money but have barely begun to apply to human capital.</p><p>That pattern is inflation.</p><h3>What inflation actually means</h3><p>Before we stretch the concept, we need to be precise about what it contains. Inflation in its monetary form is not simply “prices going up.” It is the erosion of the purchasing power of a unit of currency caused by an increase in the supply of that currency relative to the supply of goods and services it can buy. When a central bank prints money faster than the economy produces value, each unit of money buys less. The mechanism is straightforward. The consequences are not.</p><p>Milton Friedman said that inflation is always and everywhere a monetary phenomenon. He was talking about prices. But the structural logic of inflation, the idea that an increase in the supply of something erodes the per-unit value of that something, is not limited to currencies. It applies to anything whose value depends on relative scarcity and whose supply can be suddenly expanded.</p><p>Human capital is such a thing.</p><p>The concept of human capital, as Gary Becker formalized it in 1964, treats the knowledge, skills, and experience that a person accumulates over a lifetime as an economic asset analogous to physical capital. Just as a firm invests in machines that produce goods, a person invests in education and training that produce earnings. The return on that investment depends on the market value of the skills acquired, which in turn depends on the demand for those skills relative to their supply.</p><p>Here is where the analogy with inflation becomes precise. If something dramatically increases the supply of a particular type of cognitive output without a proportional increase in demand for that output, the market value of the human capital that produces that output declines. Not because the person became less skilled. But because the scarcity that made their skill valuable has been diluted.</p><p>Artificial intelligence is that something.</p><h3>The cognitive mint</h3><p>A mint is the institution that produces currency. The metaphor is deliberate. Generative AI functions as a cognitive mint: it produces cognitive output, text, code, analysis, design, translation, at a scale and speed that no human workforce could match, and at a marginal cost that approaches zero. Every prompt is a printing press. Every output floods the market with cognitive work that used to require years of training to produce.</p><p>The analogy is not perfect, and the imperfections matter. We will get to them. But first, let us follow the logic where it leads.</p><p>In monetary inflation, three things happen in sequence. The supply of money increases. The purchasing power of each unit declines. And the people who hold cash, the savers, the workers paid in fixed wages, bear the cost, while the people who hold assets, real estate, equities, productive capital, are partially shielded. Inflation is a transfer mechanism. It moves value from those who earn to those who own.</p><p>In human capital inflation, the sequence is structurally similar. The supply of cognitive output increases. The market value of each unit of human-produced cognitive work declines. And the people who sell their cognitive labor, the knowledge workers, bear the cost, while the people who own the AI systems that produce the competing output capture the value. The parallel is not decorative. It describes the same economic dynamic operating on a different substrate.</p><p>The evidence for this is no longer theoretical. A paper published on arXiv in June 2026 by Auyon Siddiq and Niuniu Zhang at UCLA Anderson, titled “Human Capital, AI, and Labor Commoditization,” analyzed data from Upwork, one of the largest online labor markets in the world, using a difference-in-differences design around the release of ChatGPT. Their findings are stark. In job categories more exposed to AI, the importance of human capital signals in predicting who gets hired declined significantly, while the importance of price increased. The demand premium enjoyed by workers with strong credentials and experience shrank. Demand reallocated toward lower-priced workers. The market was not rewarding expertise. It was rewarding cheapness. The authors use the word “commoditization.” It is the right word. But the mechanism behind the commoditization is inflation: too much cognitive supply chasing too little cognitive demand, eroding the unit value of human skill.</p><p>This is not an isolated finding. Erik Brynjolfsson and colleagues have documented that AI tools increase productivity by disproportionately raising the performance of lower-skilled workers, compressing the gap between novice and expert output. Noy and Zhang (2023) showed the same in writing tasks. Peng and colleagues showed it in software development. Dell’Acqua and colleagues showed it in a field experiment with management consultants at Boston Consulting Group. The pattern is consistent across domains: AI acts as a great equalizer of output quality. Which sounds democratic until you realize what it means for the people who invested years in becoming exceptionally good at something. Their investment is being inflated away.</p><h3>The three channels</h3><p>Human capital inflation does not operate through a single mechanism. It flows through at least three distinct channels, each with its own intellectual history and its own body of evidence.</p><p>The first channel is credential inflation. This is the oldest of the three, and it predates AI by decades. Randall Collins described it in 1979 in his book “The Credential Society”: as more people obtain educational degrees, the signaling power of any given degree weakens, and employers respond by demanding higher credentials for jobs that previously required less. A bachelor’s degree in 1960 opened doors that now require a master’s degree. A high school diploma that once secured a middle-class factory job now barely qualifies someone for retail. The mechanism is inflationary in the most literal sense: the supply of credentials grows faster than the supply of jobs that genuinely require them, and each credential buys less labor market access than it used to.</p><p>AI accelerates this channel in a counterintuitive way. By automating many of the cognitive tasks that credentials were supposed to certify the ability to perform, AI devalues the credential and the skill simultaneously. A law degree that certifies the ability to do legal research is worth less when an AI can do legal research faster and more cheaply than a junior associate. The degree does not protect you because the degree was always a proxy for the skill, and the skill is what is being inflated away.</p><p>The second channel is skill depreciation through cognitive offloading. This is the channel that Daron Acemoglu, the 2024 Nobel laureate in Economics, formalized in his 2026 paper “AI, Human Cognition and Knowledge Collapse,” co-authored with Dingwen Kong. Their model shows that when AI substitutes for human cognitive effort, it weakens the incentive to invest in the human capital that produces frontier knowledge. People stop practicing skills that AI does for them. The skills atrophy. The stock of general knowledge in society depreciates. This is not a metaphor. It is a formal result with precise mathematical conditions.</p><p>The mechanism is insidious because it is self-reinforcing. The more you use AI, the less you practice. The less you practice, the more you depend on AI. The more you depend on AI, the less your independent skill is worth. Acemoglu calls this “knowledge collapse.” The philosopher Carissa Véliz at Oxford has made a complementary argument: human skills atrophy if they are not practiced regularly, and widespread AI adoption in the workplace risks producing systematic de-skilling across entire professions.</p><p>Michael Caosun and Sinan Aral of MIT, in their 2026 paper “The Augmentation Trap” (arXiv:2604.03501), formalized what they call “the augmentation trap”: AI tools raise worker productivity in the short term, but sustained use erodes the expertise on which those productivity gains depend. The worker becomes faster but shallower. The productivity is real but borrowed. And when the AI changes, or when a novel problem falls outside the AI’s training data, the worker no longer has the depth to handle it.</p><p>The third channel is labor commoditization through output compression. This is the most recent and perhaps the most consequential. When AI compresses the quality gap between workers, employers stop differentiating on skill and start differentiating on price. The knowledge worker becomes a commodity. And commodities, by definition, compete on cost rather than on quality.</p><p>A paper published in Frontiers in Human Dynamics in April 2026 by Nassim Dehouche documented the scale of this phenomenon through a systematic meta-analysis of 94 empirical studies. In entry- and mid-level software development and content-creation roles in high-income economies, job postings declined by between 14 and 41 percent depending on the geography and platform studied. Certain task categories on online labor platforms were nearly eliminated. And the effects were concentrated at the junior and mid-level of the skill distribution, precisely where the output compression is strongest.</p><p>This is the channel that connects human capital inflation most directly to the labor market. It is not that AI makes all workers equally good. It is that AI makes the difference between a good worker and a great worker less visible to the employer, and therefore less remunerative. The signal that used to distinguish an experienced professional from a competent junior, the quality of their output, becomes noisier. And when the signal weakens, the market defaults to the variable it can still measure clearly: price.</p><h3>The vector problem, or why the analogy breaks</h3><p>Here is where intellectual honesty requires us to pause and stress-test the framework. Because the analogy between monetary inflation and human capital inflation, while illuminating, has a structural flaw. And the flaw is important enough that ignoring it would make the entire argument misleading.</p><p>Monetary inflation affects all units of currency equally. One euro is identical to another euro. When the money supply doubles, every euro loses purchasing power by the same proportion. This is what makes monetary inflation a scalar phenomenon: it operates on a single dimension.</p><p>Human capital is not a scalar. It is a vector. It has multiple dimensions, multiple components, multiple axes of value. And AI does not affect all of them equally.</p><p>Cristian Espinal Maya of Universidad EAFIT, in his 2026 paper “Augmented Human Capital” (arXiv:2604.01066), proposed splitting individual human capital into three orthogonal components: physical-manual skills, routine-cognitive skills that AI substitutes, and augmentable-cognitive skills that AI amplifies. The key insight is that the same technology that destroys value along one axis creates value along another. A junior copywriter’s skill in producing grammatically correct marketing text is being inflated away. But a senior strategist’s skill in understanding what message will resonate with a particular audience, in reading the room, in making judgment calls under uncertainty, is potentially more valuable precisely because the execution bottleneck has been removed.</p><p>This is not a minor caveat. It is a fundamental structural difference between monetary and human capital inflation. In monetary inflation, everyone holding cash loses. In human capital inflation, some components of human capital lose value while others gain. The net effect depends on the composition of your personal human capital vector.</p><p>Think of it this way. A translator who spent fifteen years mastering the nuances of legal Italian-to-English translation has a human capital vector heavily weighted toward a routine-cognitive skill that AI now performs competently. Her vector is exposed. An emergency room physician whose value comes from making split-second decisions under extreme uncertainty, integrating fragmentary information from monitors, nurses, patients, and intuition, has a vector weighted toward augmentable-cognitive skills that AI cannot replicate and may actually enhance. His vector is shielded. Both are highly skilled professionals. Both invested years in becoming excellent. But the inflationary pressure on their capital is radically different.</p><p>And this creates a paradox that is worth sitting with. Meiling Huang and colleagues, in their paper “Augmenting Minds or Automating Skills” (arXiv:2412.03963), found through two controlled experiments in creative writing and song composition that AI enhances general human capital, the broad cognitive abilities and adaptive thinking that come from education and diverse experience, but diminishes the value of domain-specific expertise, the deep specialized knowledge that comes from years of focused practice. This is counterintuitive. We tend to assume that specialists are safe because their knowledge is deep and hard to replicate. But the evidence suggests the opposite: it is the generalists, the people who can think across domains, who integrate, who judge, who direct, who are best positioned to ride the AI wave. The specialists, the people who went deep on a particular skill, are more exposed.</p><p>The implications cascade through every institution that trains, employs, or evaluates human beings. Universities that specialize in producing deep technical expertise may be producing graduates whose most marketable skills are precisely the ones most exposed to inflation. Companies that valued T-shaped professionals, deep in one area and broad across many, may need to reconsider the ratio between the vertical bar and the horizontal bar. And individuals who built careers on becoming the best at one thing may find that the market no longer rewards being the best at that thing, not because someone better came along, but because an AI made “good enough” available for a fraction of the cost.</p><p>This has profound implications for how we think about education, career development, and organizational design. But it also means that the inflation metaphor, while useful, must be handled with care. Not all human capital is created equal, and the technology does not erode it uniformly.</p><h3>The Jevons paradox, or the counterargument from history</h3><p>There is a powerful counterargument to the entire thesis of human capital inflation, and it comes from a 160-year-old observation about coal.</p><p>In 1865, the English economist William Stanley Jevons noticed something that contradicted common sense. The introduction of more efficient steam engines, which used less coal per unit of work, did not reduce the total consumption of coal. It increased it. Because the efficiency gains made steam power cheaper, which expanded the range of activities for which steam power was economical, which created more total demand for coal than the efficiency gains saved.</p><p>This is the Jevons paradox, and it has been invoked repeatedly in the AI employment debate. Torsten Slok, the chief economist of Apollo Global Management, applied it directly in April 2026: as AI makes professional work cheaper and more efficient, the market for that work will expand. More legal work will get done, not less. More code will be written. More analysis will be produced. More content will be created. And the total number of people involved in those fields will grow, not shrink.</p><p>The historical evidence for the Jevons effect in labor markets is substantial. David Autor and colleagues, in their 2024 paper “New Frontiers: The Origins and Content of New Work, 1940–2018,” published in the Quarterly Journal of Economics, found that roughly 60 percent of employment in the United States in 2018 was in job titles that did not exist in 1940. Technology did not simply eliminate jobs. It created entirely new categories of work that nobody anticipated. The bulk of new work shifted from middle-class production and clerical occupations in the 1940–1980 period to high-paid professional occupations afterward. The economy did not shrink. It mutated.</p><p>Erik Brynjolfsson, who is a self-described techno-optimist, makes the point directly: we have had a lot of amazing technologies that made people radically more efficient at what they do, and yet we just keep hiring more and more people.</p><p>This is a serious objection. And if it holds, then what I have been calling human capital inflation is not inflation at all. It is reallocation. The total purchasing power of human capital in the economy is not declining. It is shifting. Some skills lose value, others gain it, and the net effect over the long run is positive. Pain is real but temporary. Adaptation happens. New jobs emerge. The market clears.</p><p>But here is why I do not think the Jevons objection settles the matter.</p><p>First, the Jevons paradox is a tendency, not a law. It operates when efficiency gains lower prices enough to expand demand beyond the efficiency savings. But this requires elastic demand: people and firms must want more of the thing that became cheaper. For cognitive work in aggregate, this is plausible. For specific categories of cognitive work, it is not obvious. If AI can write all the marketing copy a company needs, the company does not necessarily want ten times more marketing copy. It might want the same amount of copy and spend the savings on something else entirely, something that may not require human cognitive labor at all.</p><p>Second, and more importantly, the Jevons paradox says nothing about who benefits. Even if the total volume of cognitive work expands, the returns from that expansion flow disproportionately to the owners of the AI systems that enable it, not to the workers whose skills were inflated away. The coal miners in Jevons’ time did benefit from expanded coal demand, but the owners of the mines benefited vastly more. The parallel with AI is direct: the productivity gains accrue primarily to capital, not to labor. Minniti, Prettner, Venturini, and Bloom, in a March 2026 paper published on VoxEU/CEPR analyzing data from 238 regions across 21 European countries, found that AI adoption is associated with declining labor shares, particularly for medium and high-skilled workers, driven primarily by wage compression rather than employment changes. The economy grows, but the workers’ slice shrinks.</p><p>Third, the time dimension matters. The Jevons paradox has historically operated over the medium to long run, over decades. Automation creates new jobs, but it does so slowly, unevenly, and in different places and professions than the ones it destroys. The gap between destruction and creation is where real human suffering concentrates. A fifty-year-old patent attorney whose skills have been partially automated by an AI system cannot easily retrain as an AI ethics consultant. The economy eventually adjusts. The individual does not.</p><h3>The education trap</h3><p>There is a particularly painful dimension of human capital inflation that deserves separate attention, because it creates a feedback loop that conventional economic analysis tends to miss.</p><p>A paper published on arXiv in 2025, “Training for Obsolescence? The AI-Driven Education Trap,” formalizes something that anyone working in education can feel intuitively: the skills that AI makes easiest to teach are often the same skills that AI makes least valuable in the labor market. The authors model an educational planner who observes that AI tools boost teaching productivity for certain skills, the “AI-teachable” skills, and rationally allocates more educational time toward those skills. But the planner fails to account for the fact that AI will also suppress the wages of workers who possess exactly those skills, because AI can perform them just as well or better.</p><p>The result is systematic over-investment in skills destined for obsolescence. The education system, optimizing for what it can measure and teach efficiently, produces graduates whose most polished skills are precisely the ones the labor market no longer values. This is not a hypothetical. It is already visible in coding bootcamps that teach AI-automatable programming patterns, in business schools that focus on analysis frameworks that AI can execute, in law schools that emphasize legal research skills that large language models perform competently.</p><p>The trap tightens because students and families make educational investments based on current labor market signals. A field that pays well today attracts students who will enter the workforce in four to six years. If AI is compressing wages in that field while simultaneously making it easier to teach, the investment will have been a poor one. The student emerges with a credential that cost years of time and substantial money, prepared for a world that no longer exists in the form they anticipated.</p><p>Consider the concrete arithmetic. A student in 2024 decides to invest in a four-year computer science degree. The cost, including tuition, living expenses, and the opportunity cost of not working, is substantial. The expected return is based on the salary of a software engineer in 2024, which is high. But by 2028, when this student enters the labor market, AI coding assistants have compressed the productivity gap between a junior and a mid-level developer. The entry-level salary has not collapsed, but it has flattened. The premium for having a degree rather than a coding bootcamp plus AI fluency has narrowed. And the student discovers that the skills most emphasized in their curriculum, writing clean code in specific languages, debugging, basic system design, are precisely the skills where AI assistance has made the least experienced worker nearly as productive as the moderately experienced one.</p><p>The student is not incompetent. The education was not bad. The investment was rational at the time it was made. But the returns have been inflated away by a technology that moved faster than the educational pipeline could adapt. And the tragedy is not that the student learned the wrong things. It is that the things they learned right are the things the market no longer pays a premium for.</p><p>This is human capital inflation operating through the educational pipeline itself. The mint is not only producing cognitive output. It is also distorting the production of human cognitive capacity, pulling it toward exactly the wrong areas.</p><p>The accounting dimension makes this worse. As I explored in a previous article on AI integration in organizations, the costs of human capital formation do not appear in a company’s balance sheet. You can capitalize a server. You can capitalize software. You cannot capitalize the knowledge that your employees developed during three years of on-the-job training. That knowledge goes to the income statement as an expense, reduces the current year’s profit, and creates an invisible asset that has no book value. This means that when a company compares the cost of training a junior employee over three years against the cost of subscribing to an AI tool that makes the junior immediately productive, the comparison is distorted by the accounting framework itself. The training looks like pure cost. The AI subscription also looks like pure cost, but it delivers immediate measurable output. The rational CFO chooses the AI. And the junior never gets trained. And the human capital that would have been created simply is not.</p><h3>Who talked about this, and what they missed</h3><p>The intellectual genealogy of human capital inflation is scattered across multiple disciplines that rarely talk to each other.</p><p>Randall Collins (1979) identified credential inflation but could not have anticipated AI. Gary Becker (1964) gave us the framework of human capital as investment but assumed that the returns on that investment were determined by relatively stable market forces. Robert Lucas (1988) modeled human capital as the driver of endogenous growth, with the unique property that it generates increasing returns, but his model does not account for a technology that can substitute for the cognitive functions that human capital performs.</p><p>Daron Acemoglu and Pascual Restrepo (2018, 2019, 2022) developed the task-based framework that distinguishes between automation (displacing human labor) and augmentation (creating new tasks for humans). This is the most relevant framework, and Acemoglu’s 2026 work on knowledge collapse extends it to the dynamic effects of AI on skill formation. But even Acemoglu’s model has been criticized for excluding, by construction, the mechanisms of human adaptation and new skill creation that would complicate his conclusions. The critique is valid. The model captures the risk but not the response.</p><p>Jan Tinbergen, back in 1974, described the evolution of the skill premium as a “race between education and technology.” When education produces skilled workers faster than technology demands them, the skill premium falls. When technology outpaces education, the premium rises. AI scrambles this race because it simultaneously changes what technology demands and what education can produce. The race metaphor breaks down when the track itself is being rebuilt mid-race.</p><p>David Autor (2024) provides the most comprehensive empirical counterpoint, showing that 60 percent of current employment is in occupations that did not exist 80 years ago. His work suggests that the creative destruction of the labor market is self-renewing: old jobs die, new jobs are born, and the net effect has been historically positive. But Autor himself notes that from 1980 to 2018, automation eroded twice as many jobs as it had from 1940 to 1980, and that augmentation created new jobs but not as many as automation destroyed. The trend is accelerating, and it is not clearly positive.</p><p>What none of these scholars have done, at least not explicitly, is frame the phenomenon as inflation. They talk about displacement, substitution, commoditization, compression, depreciation, obsolescence. These are all valid terms. But they describe symptoms. Inflation describes the mechanism. And the mechanism is what connects human capital erosion to the broader dynamics of value extraction in the digital economy.</p><h3>The face of the coin that weighs more</h3><p>Both faces of this coin are real. On one side: AI inflates the supply of cognitive output, erodes the market value of specific human skills, compresses wages in exposed professions, and creates a de-skilling trap that undermines the very expertise on which AI-augmented productivity depends. On the other side: AI expands the frontier of what is possible, creates new categories of work that nobody can yet name, and historically, every previous technology that automated existing tasks eventually generated more employment than it destroyed.</p><p>Here is my assessment of which side weighs more, and I want to be transparent about the reasoning.</p><p>In the short to medium term, three to ten years, the inflationary side dominates. The evidence for output compression, wage suppression in exposed categories, and declining returns to traditional credentials is already measurable. Declines of 14 to 41 percent in job postings for junior and mid-level roles in software and content creation are not a forecast. They are measurements, documented across multiple geographies and platforms. The commoditization of cognitive labor on platforms like Upwork is not a theory. It is observed. The educational trap, the systematic over-investment in soon-to-be-obsolete skills, is already producing graduates who discover on their first day of work that an AI can do what they spent four years learning.</p><p>In the long term, roughly twenty years out, the Jevons effect and new job creation probably prevail. But “probably” is doing a lot of heavy lifting in that sentence, and “prevail” says nothing about who benefits. And there is a deeper caveat that the historical analogy itself may not survive contact with the current rate of change. Previous technological transitions unfolded over generations. The steam engine took decades to reshape labor markets. Electrification took half a century to fully diffuse. The personal computer needed twenty years from its introduction to its ubiquity. Generative AI reached mainstream adoption in months. The timelines that history suggests for adjustment, for the emergence of new professions, for the institutional response, assume a pace of technological change that bears little resemblance to what we are experiencing. If the displacement is compressed into years rather than decades, the adjustment mechanisms that worked in the past may simply not have time to activate. The coal economy eventually created more jobs than it destroyed. It also created the Dickensian horrors of industrial Manchester. The transition was measured in decades of human suffering before the institutional response, labor unions, factory acts, public education, caught up with the structural change. Twenty years is a reasonable estimate for the long-run equilibrium. But at the speed AI is developing, those twenty years of transition may concentrate the same volume of disruption that previous technologies spread across fifty.</p><p>And there is a reason to think this time might be qualitatively different from previous technological transitions. Every previous wave of automation, the loom, the tractor, the assembly line, the spreadsheet, displaced one type of labor and left another type as the natural destination for displaced workers. Physical automation pushed workers toward cognitive work. But AI automates cognitive work itself. If both the physical and the cognitive are simultaneously automated, the “natural destination” for displaced workers is unclear. The exit route that has always existed in previous transitions may not exist this time, or it may be narrower, steeper, and harder to find.</p><p>The honest conclusion is that human capital inflation is a real and measurable phenomenon in the present, that the historical optimism about long-run adaptation is reasonable but not guaranteed, and that the distribution of pain and gain will be profoundly unequal even in the optimistic scenario.</p><h3>The connection to the rental economy</h3><p>There is a deeper structural point that becomes visible only when you connect human capital inflation to the broader dynamics of technology ownership in the digital economy.</p><p>In previous work, I argued that the shift from technology ownership to technology rental, what I called the “SaaS Tax,” creates a structural trap: firms that rent their technology cannot accumulate productive capital, which prevents them from building the asset base needed to grow independently. The rental model extracts value from users and transfers it to platform owners in a continuous flow that never stops and never builds equity.</p><p>Human capital inflation extends this trap to people. When AI inflates the value of cognitive skills, the workers who invested in those skills find themselves in the same position as the firms that rented their technology: unable to accumulate value. Their investment in education and experience, the human equivalent of buying a server instead of renting cloud space, is being depreciated by a technology they do not own and cannot control. They paid the cost of acquisition and now bear the cost of inflation.</p><p>The symmetry is almost too neat to be accidental. In the SaaS model, the firm pays a monthly subscription and never builds an asset. In the AI-augmented labor market, the worker pays years of education and training and watches the asset depreciate faster than it would have through natural obsolescence alone. Both are caught in a flow economy where value circulates but never settles, never accumulates, never builds the foundation for independent growth.</p><p>And the destination of those flows is the same. The SaaS subscription payments flow to the owners of the platform. The value extracted from the deflation of human capital flows to the owners of the AI systems. Often, these are the same companies. The convergence is structural, not coincidental.</p><p>The result is a double trap. Firms cannot accumulate physical capital because they rent their technology. Workers cannot accumulate human capital value because AI inflates their skills. Both the stock of productive capital and the stock of human capital are being systematically eroded, and the value is flowing in the same direction: toward the owners of the AI systems and the cloud platforms on which those systems run.</p><p>This is not a conspiracy. It is a structural consequence of how the technology is owned and distributed. And it raises a question that is uncomfortable but necessary: if the returns to both physical capital investment and human capital investment are being systematically captured by a small number of technology owners, what incentive remains for anyone else to invest at all?</p><p>The contadini of nineteenth-century Sicily did not stop working. But they stopped investing. They stopped improving the land, because any improvement would be captured by the landlord. The economic term for this is the “holdup problem,” and it is one of the most powerful explanations of persistent underdevelopment in economic history. When the returns to your effort are systematically appropriated by someone else, rational behavior is to minimize effort. The consequence is stagnation, not for lack of ability, but for lack of incentive.</p><p>The risk of human capital inflation, if left unaddressed, is the same: a generation of workers who rationally decide that investing in deep expertise is not worth the effort, because the returns will be inflated away by AI before the investment pays off. A world of permanent juniors, permanently rented, permanently replaceable. Not because they lack potential, but because the structure makes potential unprofitable.</p><h3>What is to be done</h3><p>Describing a problem without sketching a response is intellectually irresponsible. But prescribing detailed policy solutions for a phenomenon this early in its development would be intellectually dishonest. So let me do something in between: identify the directions that seem promising, and the directions that seem like dead ends.</p><p>Slowing down AI development is a dead end. Not because it would not work, but because it would not happen. The competitive dynamics between firms and between nations make voluntary restraint a collective action problem of global scale. Whoever slows down loses.</p><p>Protecting specific jobs or professions through regulation is also a dead end. The history of credentialism shows that occupational closure, the attempt to protect a profession by restricting entry through ever-higher qualification requirements, ends up harming the people it claims to protect, by inflating the cost of entry without guaranteeing the returns.</p><p>What might work is changing the ownership structure. If the returns from AI-driven productivity are flowing to capital rather than labor, then the response is to broaden the ownership of AI capital. Not through nationalization, which has its own problems, but through mechanisms that give workers a stake in the AI systems that are inflating their skills. Employee ownership, profit-sharing tied to AI productivity gains, public AI infrastructure that is not owned by any single company, educational institutions that teach people to build and own AI tools rather than merely use them.</p><p>What might also work is rethinking what “investment in human capital” means in an AI-saturated economy. If routine-cognitive skills are being inflated away while augmentable-cognitive skills, judgment, integration, ethical reasoning, relational intelligence, creative direction, are gaining value, then educational systems need to shift their emphasis accordingly. Not by adding AI courses to existing curricula, which is the educational equivalent of rearranging deck chairs. But by fundamentally reconsidering what human capacities are worth developing in a world where execution is cheap and judgment is expensive.</p><p>And what might work, most of all, is recognizing that the transition cost is not an externality. It is the central problem. Every previous technological revolution produced winners and losers, and the losers bore the cost for decades before institutional responses materialized. The question is not whether AI will eventually create more value than it destroys. It probably will. The question is who pays the price during the transition, and whether that price is distributed in a way that a democratic society can sustain.</p><p>The cognitive mint is running. The presses are on. The question is not whether we can shut them down. The question is who gets to own the currency they produce.</p><p><em>This article is part of an ongoing exploration of how digital technology reshapes economic structures, connecting to “The SaaS Tax: Why GDP Growth Doesn’t Pay Your Bills” and “La Terra e la Tecnologia: Anatomia di un’Espropriazione.” The formal model underlying these arguments is developed in the working paper “Technology Rental and Economic Divergence.”</em></p><p><em>References cited in this article: Becker, G. (1964). Human Capital: A Theoretical and Empirical Analysis, with Special Reference to Education. NBER/Columbia University Press. Collins, R. (1979). The Credential Society: An Historical Sociology of Education and Stratification. Academic Press. Acemoglu, D. and Kong, D. (2026). AI, Human Cognition and Knowledge Collapse. MIT Working Paper. Siddiq, A. and Zhang, N. (2026). Human Capital, AI, and Labor Commoditization. arXiv:2606.21880. UCLA Anderson School of Management. Autor, D., Chin, C., Salomons, A. and Seegmiller, B. (2024). New Frontiers: The Origins and Content of New Work, 1940–2018. The Quarterly Journal of Economics, 139(3), 1399–1465. Peterson, A.J. (2025). Training for Obsolescence? The AI-Driven Education Trap. arXiv:2508.19625. Brynjolfsson, E., Li, D. and Raymond, L. (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889–942. Noy, S. and Zhang, W. (2023). Experimental Evidence on the Productivity Effects of Generative AI. Science, 381(6654), 187–192. Peng, S. et al. (2023). The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. arXiv:2302.06590. Dell’Acqua, F. et al. (2026). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality. Organization Science. Dehouche, N. (2026). Creation, Validation, Obsolescence: Observed Evidence of AI-Driven Labor Market Displacement, 2020–2025. Frontiers in Human Dynamics, 8:1815037. Espinal Maya, C. (2026). Augmented Human Capital: A Unified Theory and LLM-Based Measurement Framework for Cognitive Factor Decomposition in AI-Augmented Economies. arXiv:2604.01066. Caosun, M. and Aral, S. (2026). The Augmentation Trap: AI Productivity and the Cost of Cognitive Offloading. arXiv:2604.03501. Huang, M. et al. (2024). Augmenting Minds or Automating Skills: The Differential Role of Human Capital in Generative AI’s Impact on Creative Tasks. arXiv:2412.03963. Minniti, A., Prettner, K., Venturini, F. and Bloom, D. (2026). AI and the distribution of income between capital and labour. VoxEU/CEPR. Jevons, W.S. (1865). The Coal Question. Tinbergen, J. (1974). Substitution of Graduate by Other Labour. Kyklos, 27(2).</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f507b5a3e54f" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Chiedi al tuo codice. Ti dirà quando serve aiuto.]]></title>
            <link>https://medium.com/@viciuslios/chiedi-al-tuo-codice-ti-dir%C3%A0-quando-serve-aiuto-d18cb755a2f2?source=rss-7ef848e961a------2</link>
            <guid isPermaLink="false">https://medium.com/p/d18cb755a2f2</guid>
            <category><![CDATA[retrieval-augmented-gen]]></category>
            <category><![CDATA[technology]]></category>
            <category><![CDATA[software-development]]></category>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[llm]]></category>
            <dc:creator><![CDATA[Vincenzo Lio]]></dc:creator>
            <pubDate>Thu, 21 May 2026 16:42:09 GMT</pubDate>
            <atom:updated>2026-05-21T16:42:09.469Z</atom:updated>
            <content:encoded><![CDATA[<p><em>Questo è un articolo tecnico sulla costruzione di un sistema RAG locale per repository di codice. Tocca parsing AST, retrieval semantico con embedding vettoriali, supporto multi-linguaggio, raccolta di contesto di runtime, e un meccanismo di escalation basato sulla confidenza che instrada le query incerte verso un LLM cloud con consenso esplicito dell’utente. L’obiettivo non era costruire l’ennesimo wrapper AI, ma capire cosa serve per fare un sistema di retrieval che sia onesto su quello che sa e quello che non sa.</em></p><p>C’è un momento che ogni sviluppatore conosce. Arrivi su un progetto che non hai scritto tu, o che hai scritto due anni fa e ricordi a malapena, e passi la prima ora non a leggere codice ma a cercare il codice giusto da leggere. Apri cinque file che non sono quello che cercavi. Fai grep su un nome di funzione che compare in tre moduli diversi. Ti chiedi se la logica di autenticazione sta in auth.py o in security.py o dentro un middleware che nessuno ha documentato.</p><p>Quel momento è il problema per cui è nato CodeIntelligence.</p><p>L’idea non è complicata. Smontare una codebase in chunk semantici, uno per funzione, classe, file. Embeddare quelli con un modello locale. Costruire un layer di retrieval che trova i chunk giusti per qualsiasi domanda. Passare quei chunk, e solo quelli, a un LLM come contesto. Ricevere una risposta che cita file reali e funzioni reali, non qualcosa inventato dal training data.</p><p>Quella era la versione uno. Solo Python. Cinque file. Zero dipendenze. Utile dentro il suo scope. Lo scope era il problema.</p><p>I codebase reali non sono solo Python. Un backend FastAPI che parla con un frontend TypeScript, deployato via docker-compose, configurato attraverso YAML, con uno schema che vive nelle SQL migration e decisioni architetturali sepolte nel Markdown. Quando parsi solo il Python stai leggendo metà storia nel migliore dei casi. E le domande reali su un codebase non riguardano solo il codice sorgente. Riguardano perché il servizio è giù, cosa è cambiato la settimana scorsa, se il container del worker sta davvero girando.</p><p>Il progetto è cresciuto, in tre direzioni insieme.</p><p>Il parser è diventato un sistema a plugin. Una directory parsers/ dove ogni linguaggio è il proprio modulo, tutti con la stessa interfaccia a due metodi: can_parse() ritorna un booleano, parse_file() ritorna chunk nel formato JSONL standard che il resto della pipeline già conosce. Il registry trova il parser giusto per ogni file e lo chiama. L&#39;output ha guadagnato un campo: &quot;language&quot;. Tutto il resto è identico a prima, il che significa che una repository mista produce un JSONL che scorre nello stesso step di embedding, nello stesso server, nello stesso retrieval senza modifiche.</p><p>I parser per TypeScript e Go sono basati su regex piuttosto che su AST completi, e quella è una scelta deliberata. Un AST vero richiede una toolchain di compilazione come dipendenza, e una delle cose che rendeva il progetto originale davvero usabile era che lo clonavi e lo facevi girare con nient’altro che Python e Ollama. Quella filosofia non è cambiata. Le regex catturano quello che conta per il retrieval: dichiarazioni di funzione, arrow function, definizioni di classe e interfaccia, tipi struct, method receiver con la loro sintassi Go specifica. Perdono i casi limite. Non perdono le cose che la gente cerca davvero.</p><p>Il parser YAML merita un momento perché è dove il design diventa preciso. Un docker-compose.yml diventa un chunk per servizio. Un manifest Kubernetes diventa un chunk per documento separato da ---. Un workflow di GitHub Actions diventa un chunk per job. Sono esattamente i confini semantici che un umano traccierebbe a mano, il che significa che &quot;cosa espone il servizio ingress&quot; può ora ricevere una risposta reale dalla configurazione di infrastruttura invece che dalla speranza che qualcuno l&#39;abbia scritto da qualche parte.</p><p>Il secondo pezzo nuovo è collect_context.py. Il codice sorgente ti dice come un sistema è progettato. Non ti dice come sta girando adesso. Il context collector raccoglie sei categorie di informazioni di runtime e le produce come chunk JSONL nello stesso formato dei chunk di codice. Si mergiano nel pool di retrieval, inseriti abbastanza presto perché il retriever li tratti come alta priorità quando la domanda riguarda l&#39;ambiente piuttosto che la logica.</p><p>Il collector delle dipendenze legge tutti i manifest che trova, poi fa il diff tra dichiarato e installato. MISSING significa dichiarato ma non presente. UNDECLARED significa installato ma non dichiarato. Questa cosa da sola ha un modo di spiegare un numero sorprendente di situazioni che sembravano bug nel codice e si rivelavano essere ambiente.</p><p>Il collector git prende gli ultimi venti commit, il branch corrente, i file modificati, i contributor attivi negli ultimi trenta giorni. Viene fuori che “cosa è cambiato di recente nel rate limiter” è una domanda molto più rispondibile quando il modello può vedere la storia dei commit insieme al codice.</p><p>Il collector env gestisce le variabili con un filtro rigido che non si può disabilitare. Qualsiasi variabile il cui nome contiene KEY, SECRET, TOKEN, PASSWORD, CREDENTIAL, AUTH, PRIVATE, CERT, o SIGNING viene memorizzata come nome seguito da &lt;redacted&gt;. Nessuna opzione di configurazione cambia questo. Il costo di mandare accidentalmente un segreto da qualche parte è troppo alto da lasciare alla configurazione.</p><p>Il collector docker fa il diff tra i container in esecuzione e i servizi dichiarati in docker-compose.yml. I servizi che dovrebbero girare e non girano emergono esplicitamente. Questa è la differenza tra venti minuti a debuggare una coda che sembra a posto nel codice e vedere in cinque secondi che il container worker semplicemente non è su.</p><p>Ogni collector degrada gracefully quando il suo strumento non è disponibile. Niente git, niente docker, niente risultati pytest da leggere: warning loggato, categoria saltata, tutto il resto continua.</p><p>Il backend di generazione non è più legato a Ollama. La versione due introduce --oai-url, un flag che punta il server a qualsiasi endpoint di inferenza compatibile OpenAI. llama.cpp, LM Studio, vLLM, LocalAI: tutti funzionano con lo stesso flag e un URL diverso. Il motivo per cui questo conta in pratica è la velocità. llama.cpp su una macchina con hardware decente arriva fino a dieci volte più veloce di Ollama sullo stesso modello. Punti --oai-url al processo llama-server e il resto della pipeline non cambia. Stesso retrieval, stessa chat UI, stessi quattro endpoint API, stessa logica di escalation. Solo inferenza più veloce.</p><p>I tre backend hanno un ordine di priorità: Claude sovrascrive tutto quando --claude è impostato, poi OpenAI-compatible se --oai-url è presente, poi Ollama come default. C&#39;è anche --oai-embed-url per i casi in cui vuoi che anche gli embedding vengano da un server OAI-compatible, con fallback a Ollama se non specificato.</p><p>Il terzo pezzo ha richiesto più riflessione, perché affronta qualcosa che la maggior parte dei setup RAG locali finge non esista. I modelli piccoli sono incerti. Un modello da 7B o 13B parametri non ha logprob che puoi leggere, non solleva eccezioni quando sta inventando. Produce testo che suona coerente, e a volte quel testo non ha niente a che fare con la codebase reale.</p><p>L’unico segnale disponibile è il testo stesso.</p><p>escalation.py legge quel testo e cerca pattern. Una ventina di frasi che questi modelli producono davvero quando sono incerti: &quot;I cannot find&quot;, &quot;not present in&quot;, &quot;does not include any&quot;, &quot;would need additional&quot;, &quot;cannot determine&quot;. Guarda anche la struttura: una risposta più corta di ottanta parole a una domanda di navigazione, meno di tre chunk di contesto recuperati, nessun percorso di file citato quando la domanda chiedeva dove si trova qualcosa. Ogni segnale ha un peso. Il punteggio finale sta tra zero e uno. Quando scende sotto 0.35, un banner arancione pulsante appare sotto la risposta locale nella chat UI.</p><p>Il banner è esplicito su quello che è. Il modello ha risposto con bassa confidenza, ecco il punteggio, vuoi mandare questo a Claude API. Prima che qualsiasi cosa lasci la macchina, l’utente può aprire un pannello collassabile con l’anteprima esatta del payload: la domanda, i chunk recuperati, la risposta locale. C’è un toggle per anonimizzare i corpi delle funzioni, sostituendoli con [REDACTED] mantenendo firme e docstring. Quel toggle è acceso per default, perché il default giusto quando si manda codice a un servizio cloud è la cautela.</p><p>Solo quando l’utente conferma esplicitamente qualcosa lascia la macchina. Non prima.</p><p>Il README mostra un esempio reale che vale la pena leggere direttamente. Una domanda su un sistema di notifiche WebSocket, inviata a un server con un solo chunk rilevante disponibile: una singola funzione di test chiamata test_emit_returns_notification. Il modello locale ha risposto che il contesto non conteneva informazioni sui WebSocket. Tecnicamente corretto. Completamente inutile.</p><p>Claude, dato lo stesso identico contesto, ha nominato i file specifici che mancavano e cosa cercare in ognuno: l’implementazione della classe NotificationService, qualsiasi route handler WebSocket, il codice del connection manager. Stesso vincolo, output completamente diverso. La differenza non è capacità grezza ma la capacità di ragionare su quello che manca invece di limitarsi a segnalare che qualcosa non è stato trovato. Quella distinzione conta alle undici di sera quando stai inseguendo qualcosa che non hai scritto tu.</p><p>L’endpoint di escalation è accessibile anche direttamente via API. Una chiamata con confirm:false non costa nulla e ritorna il confidence score più l&#39;anteprima del payload. Una chiamata con confirm:true esegue. La soglia è un flag di avvio del server: zero per non suggerire mai l&#39;escalation, uno per suggerirla sempre, 0.35 per lasciare lavorare il signal detector.</p><p>La session export cattura tutto: tempi di risposta, confidence score, sia la risposta locale che quella di Claude quando l’escalation è avvenuta. Puoi esportare una conversazione in Markdown o JSON e avere un registro completo di cosa sapeva il modello locale, cosa non sapeva, e cosa ha aggiunto un modello migliore.</p><p>La test suite è ora novantadue test su quattro file. I tre originali coprono il parser multilang, il context collector, e il detector dei segnali di escalation. Il quarto, test_rag_server_backends.py, copre la logica di routing dei backend introdotta in questa versione: sedici test che verificano l&#39;ordine di priorità tra Claude, OpenAI-compatible e Ollama, e il comportamento di fallback quando un backend non è disponibile. Tutto stdlib, nessuna dipendenza di test oltre pytest.</p><p>L’embedding ha --incremental adesso. Dopo una modifica al codice ri-embe solo i file che sono effettivamente cambiati, usando SHA-256 per identificarli. Per una repo che si aggiorna spesso questa è la differenza tra una pipeline che tieni davvero aggiornata e una che hai eseguito una volta all&#39;inizio.</p><p>Il formato JSONL è retrocompatibile. Un file prodotto dal parser originale funziona con il server attuale senza re-parsing. I quattro endpoint API simultanei ci sono ancora: OpenAI, Anthropic, Ollama, query plain. Open WebUI, LibreChat, qualsiasi SDK puntato a localhost funzionano ancora. Il parse_repo.py originale è ancora l&#39;entry point di default.</p><p>Quello che è cambiato è cosa può significare la domanda “come funziona questo sistema”. Non solo i file Python. Anche i componenti TypeScript. Lo schema del database. La configurazione del deployment. Il commit che ha introdotto il bug che stai inseguendo. Il container che dovrebbe girare e non gira. E quando la risposta che il modello locale ti dà non torna del tutto, un segnale che dice: questa è incerta, vuoi che chieda a qualcosa di meglio.</p><p>La repository è su <a href="https://github.com/ViciusLio/CodeIntelligence">Github</a>. Licenza MIT.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d18cb755a2f2" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Ask your codebase. It will tell you when to ask someone better.]]></title>
            <link>https://medium.com/@viciuslios/ask-your-codebase-it-will-tell-you-when-to-ask-someone-better-599c3ef95f9b?source=rss-7ef848e961a------2</link>
            <guid isPermaLink="false">https://medium.com/p/599c3ef95f9b</guid>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[llm]]></category>
            <category><![CDATA[retrieval-augmented-gen]]></category>
            <category><![CDATA[gpu]]></category>
            <category><![CDATA[technology]]></category>
            <dc:creator><![CDATA[Vincenzo Lio]]></dc:creator>
            <pubDate>Thu, 21 May 2026 16:23:35 GMT</pubDate>
            <atom:updated>2026-05-21T16:23:35.130Z</atom:updated>
            <content:encoded><![CDATA[<p><em>This is a technical article about building a local RAG system for code repositories. It covers AST-based parsing, semantic retrieval with vector embeddings, multi-language support, runtime context collection, and a confidence-based escalation mechanism that routes uncertain queries to a cloud LLM with explicit user consent. The goal was not to build another AI wrapper, but to understand what it takes to make a retrieval system that is honest about what it knows and what it does not.</em></p><p>There is a specific moment every developer knows. You land on a project you did not write, or one you wrote two years ago and barely remember, and you spend the first hour not reading code but looking for the right code to read. You open five files that are not what you wanted. You grep for a function name that turns up in three different modules. You ask yourself whether the authentication logic lives in auth.py or security.py or somewhere inside a middleware nobody documented.</p><p>That moment is the problem CodeIntelligence was built to solve.</p><p>The idea is not complicated. Parse a codebase into semantic chunks, one per function, class, file. Optionally embed them with a local model. Build a retrieval layer that finds the right chunks for whatever you are asking. Hand those chunks, and only those chunks, to an LLM as context. Get back an answer that cites real files and real functions, not something the model invented from training data.</p><p>That was version one. Python only. Five files. Zero dependencies. Useful inside its scope. The scope was the problem.</p><p>Real codebases are not Python only. A FastAPI backend talking to a TypeScript frontend, deployed via docker-compose, configured through YAML, with a schema living in SQL migrations and architectural decisions buried in Markdown. When you parse only the Python you are reading half the story at best. And real questions about codebases are not purely about source code either. They are about why the service is down, what changed last week, whether the worker container is actually running.</p><p>So the project grew, and it grew in three directions at once.</p><p>The parser is now a plugin system. A parsers/ directory where every language is its own module, all sharing the same two-method interface: can_parse() returns a boolean, parse_file() returns chunks in the standard JSONL format the rest of the pipeline already understands. The registry finds the right parser for each file and calls it. The output gained one field: &quot;language&quot;. Everything else is identical to before, which means a mixed-language repository produces a JSONL that flows into the same embedding step, the same server, the same retrieval without modification.</p><p>TypeScript and Go parsers are regex-based rather than full AST parsers, and that is a deliberate tradeoff. A real AST requires a compiler toolchain as a dependency, and one of the things that made the original project actually usable was that you cloned it and ran it with nothing installed except Python and Ollama. That philosophy did not change. Regex catches what matters for retrieval: function declarations, arrow functions, class and interface definitions, struct types, method receivers with their Go-specific syntax. It misses edge cases. It does not miss the things people actually search for.</p><p>The YAML parser deserves a moment because it is where the design gets precise. A docker-compose.yml becomes one chunk per service. A Kubernetes manifest becomes one chunk per document separated by ---. A GitHub Actions workflow becomes one chunk per job. These are exactly the semantic boundaries a human would draw by hand, which means &quot;what does the ingress service expose&quot; can now get a real answer from infrastructure configuration rather than from hope that someone wrote it down somewhere.</p><p>The second new piece is collect_context.py. Source code tells you how a system is designed. It does not tell you how it is running right now. The context collector gathers six categories of runtime information and produces them as JSONL chunks in the same format as code chunks. They merge into the retrieval pool, inserted early enough that the retriever treats them as high priority when the question is about environment rather than logic.</p><p>The deps collector reads every dependency manifest it can find, then diffs declared against installed. MISSING means declared but not there. UNDECLARED means installed but not declared. This single thing has a way of explaining a surprising number of situations that looked like code bugs and turned out to be environment.</p><p>The git collector pulls the last twenty commits, the current branch, modified files, active contributors over the past thirty days. It turns out that “what changed recently in the rate limiter” is a substantially more answerable question when the model can see the commit history alongside the code.</p><p>The env collector handles variables with a hard filter that cannot be turned off. Any variable whose name contains KEY, SECRET, TOKEN, PASSWORD, CREDENTIAL, AUTH, PRIVATE, CERT, or SIGNING is stored as the name followed by &lt;redacted&gt;. No configuration option changes this. The cost of accidentally sending a secret somewhere is too high to leave to configuration.</p><p>The docker collector diffs running containers against declared services in docker-compose.yml. Services that should be running and are not show up explicitly. This is the difference between twenty minutes of debugging a queue that looks fine in the code and seeing in five seconds that the worker container simply is not up.</p><p>Every collector degrades gracefully when its tool is not available. No git, no docker, no pytest results to parse: warning logged, category skipped, everything else continues.</p><p>The generation backend is no longer tied to Ollama. Version two introduces --oai-url, a flag that points the server at any OpenAI-compatible inference endpoint. llama.cpp, LM Studio, vLLM, LocalAI: all of them work with the same flag and a different URL. The reason this matters in practice is speed. llama.cpp on a machine with decent hardware runs up to ten times faster than Ollama on the same model. You point --oai-url at the llama-server process and the rest of the pipeline does not change. Same retrieval, same chat UI, same four API endpoints, same escalation logic. Just faster inference.</p><p>The three backends have a priority order: Claude overrides everything when --claude is set, then OpenAI-compatible if --oai-url is present, then Ollama as the default. There is also --oai-embed-url for cases where you want the embeddings to come from an OAI-compatible server too, with fallback to Ollama if not specified.</p><p>The third piece required the most thought, because it addresses something most local RAG setups pretend does not exist. Small models are uncertain. A 7B or 13B parameter model does not have logprobs you can read, does not raise an exception when it is guessing. It produces text that sounds coherent, and sometimes that text has nothing to do with the actual codebase.</p><p>The only signal available is the text itself.</p><p>escalation.py reads that text and looks for patterns. Around twenty phrases that these models actually produce when they are uncertain: &quot;I cannot find&quot;, &quot;not present in&quot;, &quot;does not include any&quot;, &quot;would need additional&quot;, &quot;cannot determine&quot;. It also looks at structure: an answer shorter than eighty words to a navigation question, fewer than three context chunks retrieved, no file paths cited when the question was asking where something lives. Each signal has a weight. The score lands between zero and one. When it falls below 0.35, an orange pulsing banner appears under the local response in the chat UI.</p><p>The banner is explicit about what it is. The model responded with low confidence, here is the score, do you want to send this to Claude API. Before anything leaves the machine, the user can open a collapsible panel with the exact payload preview: the question, the retrieved chunks, the local answer. There is a toggle to anonymize function bodies, replacing them with [REDACTED] while keeping signatures and docstrings. That toggle is on by default, because the right default when sending code to a cloud service is caution.</p><p>Only when the user explicitly confirms does any data leave the machine. Not before.</p><p>The README shows a real example that is worth reading directly. A question about a WebSocket notification system, fed into a server with exactly one relevant chunk available: a single test function named test_emit_returns_notification. The local model answered that the context did not contain any information about WebSocket connections. Technically accurate. Completely useless.</p><p>Claude, given the identical context, named the specific files that were missing and what to look for in each one: the NotificationService class implementation, any WebSocket route handler, the connection manager code. Same constraint, entirely different output. The difference is not raw capability but the ability to reason about what is absent rather than just reporting that something was not found. That distinction matters at eleven in the evening when you are chasing something unfamiliar.</p><p>The escalation endpoint is also directly accessible via API for programmatic use. A preview call with confirm:false costs nothing and returns the confidence score plus the full payload preview. A call with confirm:true executes. The threshold is a startup flag: zero to never suggest escalation, one to always suggest it, 0.35 to let the signal detector work.</p><p>The session export captures everything: response times, confidence scores, both the local answer and the Claude answer when escalation happened. You can export a conversation to Markdown or JSON and have a complete record of what the local model knew, what it did not know, and what a better model added.</p><p>The test suite is now ninety-two tests across four files. The three original test files cover the multilang parser, the context collector, and the escalation signal detector. The fourth, test_rag_server_backends.py, covers the backend routing logic introduced in this version: sixteen tests that verify the priority order between Claude, OpenAI-compatible, and Ollama backends, and the fallback behavior when a backend is unavailable. All stdlib, no test dependencies beyond pytest itself.</p><p>The embedding step has --incremental now. After a code change you re-embed only the files that actually changed, using SHA-256 hashing to identify them. For a repo that gets updated frequently this is the difference between a pipeline you actually keep current and one you ran once at the beginning.</p><p>The JSONL format is backward compatible. A file produced by the original parser works with the current server without re-parsing. The four simultaneous API endpoints are still there: OpenAI, Anthropic, Ollama, plain query. Open WebUI, LibreChat, any SDK pointed at localhost all still work. The original parse_repo.py is still the default entry point.</p><p>What changed is what the question “how does this system work” can now mean. Not just the Python files. The TypeScript components too. The database schema. The deployment configuration. The commit that introduced the bug you are chasing. The container that should be running and is not. And when the answer the local model gives does not quite make sense, a signal that says: this one is uncertain, do you want me to ask something better.</p><p>The repository is at <a href="https://github.com/ViciusLio/CodeIntelligence">Github</a>. MIT license.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=599c3ef95f9b" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Il Bibliotecario Pazzo]]></title>
            <link>https://medium.com/@viciuslios/il-bibliotecario-pazzo-bd3e10e7a925?source=rss-7ef848e961a------2</link>
            <guid isPermaLink="false">https://medium.com/p/bd3e10e7a925</guid>
            <category><![CDATA[agentic-ai]]></category>
            <category><![CDATA[cag]]></category>
            <category><![CDATA[rags]]></category>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[philosophy]]></category>
            <dc:creator><![CDATA[Vincenzo Lio]]></dc:creator>
            <pubDate>Sat, 16 May 2026 09:16:04 GMT</pubDate>
            <atom:updated>2026-05-16T09:16:04.792Z</atom:updated>
            <content:encoded><![CDATA[<p><em>Un’azienda che integra l’intelligenza artificiale senza governance è come una biblioteca in cui i libri si spostano da soli di notte. Il bibliotecario non è stupido. È semplicemente in guerra con il caos che ha ereditato.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*GKnqAROw_RwoNQiO9GxhqA.png" /></figure><h3>Parte Prima: La biblioteca e il suo guardiano</h3><p>Immaginate una biblioteca. Non una qualsiasi, non quella del vostro comune dove i romanzi di Camilleri convivono con i manuali di elettrotecnica in un ordine approssimativo ma tutto sommato rispettato. Immaginate una biblioteca grande, molto grande, che serve migliaia di persone ogni giorno. Una biblioteca che non ha un solo piano ma venti, trenta, forse cinquanta, e che in ognuno di questi piani i libri sono stati sistemati da persone diverse, in epoche diverse, con criteri diversi. Qualcuno ha usato il sistema Dewey, quella classificazione decimale inventata da Melvil Dewey nel 1876 che divide il sapere umano in dieci grandi categorie e poi le scompone all’infinito, come un albero che cresce per successive biforcazioni (se non l’avete mai incontrata, Wikipedia ha una pagina dedicata che vale la pena di leggere, almeno per capire quanto lavoro ci sia dietro l’idea di mettere ordine nella conoscenza). Qualcun altro ha raggruppato i libri per colore della copertina perché sembrava una buona idea nel 1987. Qualcun altro ancora ha costruito una sezione intera basandosi su un sistema di classificazione che aveva senso solo per lui e che non ha mai scritto da nessuna parte, portandosi il metodo nella testa e poi, quando è andato in pensione, portandoselo a casa.</p><p>In questa biblioteca lavora Ermenegildo.</p><p>Ermenegildo ha cinquantadue anni, una memoria straordinaria e la capacità di orientarsi in qualsiasi caos purché sia un caos che conosce. Sa dove si trovano le cose che si trovano sempre nello stesso posto. Sa dove probabilmente si trovano le cose che si spostano spesso. Sa dove non cercare neanche, perché quella sezione è stata creata da un direttore nel 2003 e nessuno l’ha mai capita davvero, nemmeno il direttore. È entrato in biblioteca a ventitré anni con una laurea in biblioteconomia e l’entusiasmo di chi crede che il problema del disordine si risolva con abbastanza determinazione. Trent’anni dopo sa che la determinazione aiuta ma non basta.</p><p>Ermenegildo ha un problema. Non uno solo, in realtà, ma cominciamo dal principale.</p><p>Ogni giorno arriva qualcuno che cerca un libro preciso. Non uno qualsiasi: un libro di nicchia, uno di quelli che non stanno mai dove dovrebbero stare. Diciamo che arriva uno studente universitario a cercare “Trattato di micologia applicata alle fermentazioni industriali, edizione del 1961, autore Consonni”. Ermenegildo sa che esiste. Sa che dovrebbe essere al terzo piano, sezione scienze applicate, scaffale undici. Ma lo scaffale undici del terzo piano è stato smontato durante i lavori di ristrutturazione del 2021 e i libri sono stati messi “temporaneamente” in scatole al quinto piano. Solo che le scatole al quinto piano non sono mai state catalogate, perché erano temporanee. Tre anni dopo sono ancora lì.</p><p>Ermenegildo sale al quinto piano. Apre le scatole. Cerca. Trova qualcosa che assomiglia a quello che cercava: un trattato di micologia, sì, ma dell’edizione del 1973, rivista e corretta, che con l’edizione del 1961 ha poco a che fare perché nel mezzo c’è stato un cambio completo di metodologia. Torna dallo studente. Lo studente dice che non è quello che voleva. Ermenegildo torna su. Trova un’altra scatola. Trova il libro giusto, ma senza copertina, e non è sicuro se sia la versione completa o un estratto rilegato da qualcuno negli anni novanta per ragioni oscure.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*8f2dcAojbrfcgxtoNoQdyQ.png" /></figure><p>Questo accade dodici volte al giorno. Ermenegildo nel tempo è diventato, nel senso affettuoso e preciso del termine, un po’ pazzo. Non perché sia incompetente. Al contrario: è il più competente di tutti. Ma sta cercando di portare ordine in un sistema che è stato costruito senza mai pensare all’ordine, e questa è una battaglia che nessuna competenza individuale può vincere da sola.</p><p>Ora la domanda che Keats avrebbe chiamato “capacità negativa”: la capacità di stare nell’incertezza e nell’ambiguità senza correre a una soluzione prematura. Cosa succederebbe se invece di sostituire Ermenegildo o di dargli più scaffali o di fargli fare un corso di aggiornamento, qualcuno si sedesse e chiedesse: perché la biblioteca è fatta così? Chi ha deciso che funzionasse in questo modo? E soprattutto: cosa succederebbe se smettessimo di cercare di lavorare nonostante il caos e iniziassimo invece a lavorare sul caos?</p><p>Cambiate ora il nome della biblioteca. Chiamatela Manifattura Tessile Lombarda SpA, o Consorzio Sanitario della Riviera, o Istituto Comprensivo Borromeo, o Studio Legale Pontecorvo e Associati. Le specifiche cambiano. Il problema no. Ogni organizzazione ha il suo Ermenegildo. Ogni organizzazione ha le sue scatole senza etichetta al quinto piano. Ogni organizzazione ha sezioni create da qualcuno che è andato in pensione portandosi il metodo a casa.</p><p>Questa è la condizione di partenza di quasi ogni azienda che oggi decide di integrare un sistema di intelligenza artificiale generativa nei propri processi.</p><p>L’intelligenza artificiale generativa funziona come un bibliotecario straordinariamente colto e straordinariamente veloce. La velocità è reale. La cultura è reale. Ma c’è una condizione che nessun venditore di software vi dirà con la chiarezza che merita: questo bibliotecario straordinario può lavorare bene soltanto se la biblioteca in cui lo mettete a lavorare ha un senso.</p><p>Se la biblioteca è caotica, il bibliotecario straordinario produrrà risposte caotiche in modo straordinariamente veloce. E questo è un problema più grande del caos originale, perché il caos lento almeno si vede. Il caos veloce sembra ordine.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*6zFA54aAmgGZd6Tg-5t91w.png" /></figure><p>Ci sono fondamentalmente tre famiglie di sistemi di intelligenza artificiale generativa che oggi un’azienda può considerare di integrare. La prima è quella dei modelli pubblici: i grandi modelli linguistici che ognuno di noi ha già usato almeno una volta, accessibili via interfaccia o via connessione programmatica, addestrati su quantità astronomiche di testo, capaci di rispondere a quasi qualsiasi domanda con una competenza generica molto alta. La seconda è quella dei modelli privati, costruiti o personalizzati specificamente per un’organizzazione, addestrati su dati proprietari, ospitati in ambienti controllati. La terza, sempre più diffusa per ragioni che hanno molto a che fare con la riservatezza e i costi, è quella dei modelli installati direttamente sui server aziendali, che non comunicano con il mondo esterno e che quindi offrono un livello di controllo e di privacy che i modelli pubblici non possono garantire.</p><p>Queste tre famiglie non sono equivalenti e non sono in competizione tra loro. Sono strumenti diversi per problemi diversi. Un consorzio sanitario che vuole analizzare cartelle cliniche non può usare un modello pubblico senza porsi domande molto serie sulla privacy dei pazienti e sulla conformità alle normative europee sul trattamento dei dati sensibili. Una manifattura tessile che vuole generare descrizioni di prodotto in dieci lingue diverse probabilmente non ha bisogno di un modello proprietario addestrato ad hoc: un modello pubblico, usato con le giuste istruzioni, funziona benissimo. Uno studio legale che vuole rendere ricercabile il proprio archivio di sentenze commentate e atti redatti negli anni ha esigenze che stanno nel mezzo: vuole la potenza dei modelli grandi ma non può permettersi che i propri documenti riservati escano dai propri server.</p><p>Ma tutte e tre le famiglie condividono lo stesso presupposto di fondo: il modello è bravo quanto i dati che gli date. E i dati che gli date sono buoni quanto la biblioteca in cui vivono.</p><p>Ermenegildo, a questo punto, deve smettere di essere pazzo. Non per lui. Per il modello.</p><h3>Parte Seconda: Come si mette in ordine una biblioteca</h3><p>La parola tecnica è governance. È una parola che suona burocratica, lontana, astratta, il tipo di parola che compare nelle presentazioni aziendali con una freccia che punta verso un rettangolo colorato. In realtà descrive una cosa molto concreta: chi decide cosa esiste, dove sta, in quale forma, chi ci può accedere e chi è responsabile di tenerla aggiornata.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*lVR5trn24WCiVRPvT-DVEg.png" /></figure><p>Pensate a cosa succederebbe se nella biblioteca di Ermenegildo arrivasse finalmente qualcuno con le idee chiare. Non un consulente con una presentazione di ottanta slide e un acronimo per ogni problema. Una bibliotecaria di vecchio stampo, una di quelle che hanno trascorso quarant’anni a costruire sistemi di catalogazione e che guardano il caos con la stessa espressione con cui un chirurgo guarda un’appendice infiammata: con serietà professionale e con la certezza silenziosa che si può fare qualcosa.</p><p>La prima cosa che farebbe sarebbe un inventario. Non per sapere cosa c’è, ma per capire cosa manca, cosa è duplicato, cosa è obsoleto e cosa esiste in tre versioni diverse delle quali nessuno sa quale sia quella giusta. Nel mondo aziendale questo si chiama data catalog: un registro di tutto ciò che esiste in forma di dato, documento o informazione nell’organizzazione, con metadati che descrivono non solo cosa è ogni cosa ma quando è stata creata, da chi, con quale processo e quanto ci si può fidare di essa. I metadati sono, nella nostra metafora, la scheda del catalogo: non il libro, ma tutto quello che vi permette di trovare il libro, capire se è la versione giusta e decidere se fidarvi del suo contenuto.</p><p>La seconda cosa sarebbe definire dove stanno i libri, non fisicamente ma logicamente. Nella versione aziendale, i libri vivono in repository: archivi strutturati di dati, documenti, codice, configurazioni. L’importante è che abbiano un indirizzo stabile, una logica di accesso controllata e una storia tracciabile. Un documento che nessuno sa dove sia è, ai fini pratici, un documento che non esiste. E un documento che esiste in cinque versioni diverse senza indicazione di quale sia la definitiva è peggio di un documento che non esiste, perché genera false certezze.</p><p>La terza cosa, e qui la metafora richiede uno sforzo di immaginazione in più, sarebbe costruire un sistema di ricerca che non si limiti a trovare le parole esatte ma capisca il senso di quello che si cerca.</p><p>Immaginate che Ermenegildo, dopo anni di servizio, riesca finalmente a convincere la direzione ad assumere una collega. Si chiama Teodora. Teodora non è una bibliotecaria nel senso tradizionale. Ha una formazione più metodologica, quasi filosofica. Quando qualcuno le chiede qualcosa, la sua prima reazione non è correre a cercare. È fare domande. “Quando dice il trattato di Consonni, intende l’edizione originale del 1961 o le è sufficiente anche una ristampa?” “Cerca la micologia applicata in senso generale o ha bisogno specificamente della sezione sulle fermentazioni lattiche?” “Sa se il libro è già stato preso in prestito di recente? Perché in quel caso so già dove cercarlo prima.”</p><p>Teodora, in sostanza, non accetta la domanda così come arriva. La riscrive. La migliora. La trasforma in una domanda che ha molte più probabilità di trovare la risposta giusta.</p><p>Prima però di arrivare a Teodora, bisogna capire come funziona il sistema di ricerca su cui lei lavora. E per farlo bisogna capire come i libri vengono “conservati” nella memoria del sistema, perché è lì che la differenza tra un sistema vecchio e uno nuovo diventa visibile.</p><p>Un sistema di catalogazione tradizionale funziona per corrispondenza esatta: cercate “micologia applicata” e trovate tutti i libri che hanno quelle due parole nel titolo o nella scheda. Funziona, ma è rigido come un cassetto etichettato. Se il libro è catalogato come “fungicoltura industriale” non lo troverete mai, anche se parla esattamente della stessa cosa. Ermenegildo lo sa e compensa con la memoria: ricorda che il libro di Consonni è archiviato sotto “fermentazione” anziché “micologia” perché chi l’ha catalogato negli anni settanta aveva idee diverse sulla classificazione. Ma Ermenegildo è uno. E la sua memoria non è eterna.</p><p>Un sistema moderno basato su database vettoriali funziona in modo radicalmente diverso. Invece di cercare parole, cerca significati. Pensate alla biblioteca come a un immenso spazio tridimensionale, dove ogni libro non ha una posizione sullo scaffale ma una posizione nello spazio delle idee. I libri che trattano argomenti simili stanno vicini in questo spazio, anche se usano parole completamente diverse. “Micologia applicata” e “fungicoltura industriale” e “fermentazione con ceppi fungini” sono tutti nella stessa zona di questo spazio, perché parlano della stessa famiglia di cose. Il sistema non cerca la parola. Cerca la vicinanza concettuale. Non è magia. È geometria applicata al significato. Ed è la ragione per cui questi sistemi riescono a rispondere a domande imprecise, incomplete o formulate male in modo molto più utile di qualsiasi indice alfabetico o schedario cartaceo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*FaQSNTRllRsSsSWbKF8J7g.png" /></figure><p>Su questa base si costruiscono oggi tre approcci diversi per connettere un modello di intelligenza artificiale ai libri della biblioteca. Tre livelli di sofisticazione crescente, ciascuno con i propri vantaggi e i propri limiti.</p><p>Il primo si chiama RAG, Retrieval-Augmented Generation. L’idea è semplice: quando arriva una domanda, il sistema non va a memoria ma va a cercare. Trasforma la domanda in una ricerca nello spazio delle idee, recupera i libri più pertinenti, li porta al bancone e li passa al modello insieme alla domanda originale. Il modello costruisce la risposta usando quei libri come riferimento diretto. Non inventa. Non ricorda. Recupera e sintetizza. È la differenza tra chiedere a qualcuno cosa ricorda di un testo e dargli il testo aperto davanti mentre risponde.</p><p>Nella biblioteca di Ermenegildo, il RAG è come dotarlo di un assistente velocissimo che, ogni volta che qualcuno chiede qualcosa, scatta tra gli scaffali, raccoglie i volumi potenzialmente utili e li porta al bancone prima ancora che Ermenegildo apra bocca. La risposta di Ermenegildo non viene più dalla sua sola memoria. Viene dai libri che ha davanti.</p><p>Il secondo approccio si chiama CAG, Cache-Augmented Generation, ed è meno noto ma interessante per certi contesti. Invece di recuperare i libri ogni volta che arriva una domanda, il sistema li legge e li elabora tutti in anticipo, tenendo una versione già digerita in memoria, pronta all’uso. È come se l’assistente di Ermenegildo, invece di correre ogni volta tra gli scaffali, avesse già letto l’intera biblioteca la notte prima e tenesse sul bancone un riassunto ragionato di tutto, aggiornato ogni mattina prima dell’apertura.</p><p>Il vantaggio è la velocità: rispondere diventa quasi istantaneo perché il lavoro pesante è già stato fatto. Il limite è che questa versione preelaborata invecchia. Se la biblioteca acquisisce libri nuovi ogni giorno, o se i libri esistenti vengono aggiornati e integrati continuamente, mantenere la cache aggiornata diventa oneroso. Il CAG funziona bene quando la collezione è relativamente stabile e le domande tendono a ruotare intorno a un insieme definito di argomenti. Uno studio legale con un corpus di sentenze commentate ben delimitato è un candidato naturale. Una biblioteca universitaria che aggiorna il catalogo ogni settimana con nuove acquisizioni, molto meno.</p><p>Il terzo approccio è quello che rappresenta oggi il fronte più avanzato, e si chiama Agentic RAG. Per capirlo bisogna tornare a Teodora.</p><p>Teodora, dicevamo, non accetta la domanda così come arriva. Ma c’è di più. Quando Teodora va a cercare e trova qualcosa, si ferma a valutarlo. “Questo libro risponde davvero a quello che è stato chiesto? O è pertinente solo in parte?” E se la risposta parziale che ha trovato suggerisce che la risposta completa sta da qualche altra parte, Teodora non si ferma. Va a cercare anche lì. Controlla la sezione di storia della scienza. Guarda nella raccolta di periodici. Se il tema tocca la normativa igienico-sanitaria, scende al piano terra dove stanno i codici tecnici. E se la biblioteca non ha quello che serve, lo dice chiaramente: “Il libro che cerca non è in questa biblioteca. Ho trovato però un riferimento bibliografico che indica dove potrebbe trovarlo.”</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*fi-j4LtvUpD7iGITYPGIPw.png" /></figure><p>Questo è l’Agentic RAG. Non un sistema che riceve una domanda, cerca una volta e risponde. Un sistema che ragiona sulla domanda, decide come cercare, valuta quello che trova, decide se è sufficiente, e se non lo è riparte con una strategia di ricerca affinata. È un ciclo, non una freccia. E questo ciclo si interrompe solo quando il sistema ritiene, con una certa soglia di fiducia, di aver trovato quello che serve davvero. O quando capisce di non averlo e lo dice, invece di inventarselo.</p><p>Questo ultimo punto non è un dettaglio. È la differenza tra un sistema utile e uno pericoloso. Un sistema di intelligenza artificiale che non trova la risposta ma risponde lo stesso, con sicurezza e fluidità, produce qualcosa che nel gergo tecnico si chiama allucinazione. Nella pratica si chiama in molti altri modi, tutti meno gentili. Teodora allucinante è peggio di Ermenegildo pazzo, perché Ermenegildo quando non trovava il libro diceva “non so dov’è” e si vedeva che era in difficoltà. Teodora allucinante vi porta con passo sicuro al quinto piano, apre una scatola, estrae un libro a caso e ve lo descrive con tale precisione e convinzione che voi ve ne andate convinti di aver trovato quello che cercavate. Il trattato di Consonni del 1961, sezione fermentazioni industriali, pagina 247. Peccato che quel libro non esista, quella pagina non esista, e la sezione sulle fermentazioni industriali sia stata invece scritta da qualcun altro, in tutt’altro anno, con tutt’altra metodologia.</p><p>Teodora deve sapere quando dire “non lo so”. È la competenza più difficile da costruire in un sistema di intelligenza artificiale, e anche quella più preziosa.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*3VY-sIPVdK3AZKljK75kdA.png" /></figure><p>Oltre alla ricerca per vicinanza concettuale, in molti sistemi aziendali più sofisticati si introduce un altro strato di lettura delle informazioni: il grafo di conoscenza. Un database vettoriale vi dice che due libri trattano argomenti simili. Un grafo di conoscenza vi dice come sono collegati. Nella biblioteca di Ermenegildo, potrebbe significare sapere non solo che il trattato di Consonni esiste ma che cita il lavoro di altri tre autori, che questi autori hanno scritto anche su argomenti correlati, che uno di loro ha partecipato a un convegno i cui atti sono conservati nella sezione periodici, e che in quei convegni si discuteva di una normativa che poi è confluita in una direttiva europea consultabile nella sezione giuridica. Non un libro isolato. Una rete di connessioni che Teodora può seguire per arrivare a risposte che una ricerca per sola vicinanza semantica non avrebbe mai raggiunto.</p><p>Il grafo di conoscenza è, in sostanza, la mappa dei legami tra le idee. Non solo dove stanno i libri, ma come le idee dentro i libri si parlano tra loro.</p><p>C’è però un livello di complessità ulteriore di cui quasi nessuno parla quando si presenta un progetto di intelligenza artificiale aziendale, e che merita attenzione perché cambia radicalmente la struttura del sistema. Non tutti i libri in una biblioteca sono accessibili a tutti. Ci sono sezioni riservate, archivi storici consultabili solo con autorizzazione, documenti in deposito che richiedono l’approvazione del conservatore. E ci sono buone ragioni per cui è così.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*rHkqThXKklL25hBISY-Jrw.png" /></figure><p>Nel mondo aziendale questo si chiama controllo degli accessi, e quando si integra un sistema di intelligenza artificiale la questione diventa molto più complessa di una semplice password. I dati sensibili, quelli che per ragioni legali, contrattuali o di riservatezza non possono uscire dall’organizzazione, non possono essere gestiti da un modello pubblico che li elabora su server esterni. Ma i modelli puramente locali, per quanto sicuri, hanno spesso capacità più limitate e non reggono il confronto con i grandi modelli commerciali su problemi complessi.</p><p>La soluzione che i sistemi più maturi stanno adottando è quella dei livelli. Funziona così: Ermenegildo riceve una domanda. Prima di tutto la smista. Se la domanda riguarda materiali riservati, manoscritti inediti, documenti sotto accordo di riservatezza, passa a Teodora che lavora nel sistema locale, chiuso, inaccessibile dall’esterno. Teodora cerca nella sezione riservata. Se trova la risposta, bene: la dà direttamente, senza che nessuna informazione sensibile esca dalla biblioteca. Se non la trova, o se la trova solo in parte, fa una cosa precisa: sintetizza quello che ha trovato, lo generalizza, ne estrae i concetti rilevanti senza includere i dettagli riservati, e passa questa sintesi anonimizzata al sistema esterno, quello collegato al modello pubblico più potente. Il modello pubblico elabora la domanda sul contesto generalizzato, produce una risposta articolata e la rimanda indietro. Teodora la riceve, la valuta, la confronta con quello che sa della sezione riservata e decide se è pertinente e affidabile.</p><p>E poi c’è il terzo livello: il decisore. La persona in carne e ossa che, per le domande che toccano decisioni critiche, legge la risposta prodotta dal sistema, valuta il percorso che Teodora ha fatto per arrivarci e dice l’ultima parola. Non perché il sistema sia inaffidabile per definizione. Ma perché alcune decisioni richiedono una responsabilità che non si può delegare a una macchina, e perché la macchina, per quanto sofisticata, non ha accesso al contesto implicito che solo chi vive l’organizzazione può avere.</p><p>Tre livelli, quindi. Il locale per i dati sensibili. Il pubblico per la potenza di calcolo e la capacità di ragionamento complesso su contesti generalizzati. Il decisore umano per la responsabilità finale. Non è un sistema elegante nel senso estetico del termine. È un sistema onesto, che riconosce i propri limiti e li gestisce invece di fingere che non esistano.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*sO92xJSjdYUqJ8JP260XCA.png" /></figure><h3>Parte Terza: La biblioteca nel mondo reale</h3><p>Fino a qui abbiamo costruito un modello. Di questi tempi, i modelli abbondano. Quello che manca di solito è il collegamento tra il modello e la realtà concreta di chi deve decidere se investire, quanto investire e come giustificarlo a qualcuno.</p><p>Prendiamo quattro contesti. I nomi sono di fantasia, i processi sono quelli che si trovano davvero.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*73jq5-4LZ6u02_QeUY-mSA.png" /></figure><p>La Manifattura Tessile Lombarda produce abbigliamento su commessa nel distretto pratese. Ha duemila varianti di tessuto, ottanta fornitori, ordini in cinque lingue e documentazione tecnica che risale agli anni novanta in formato cartaceo scansionato con una qualità che farebbe piangere un paleontologo. Il responsabile commerciale vuole sapere, in tempo reale, quali commesse sono a rischio ritardo in base alla disponibilità delle materie prime. Vuole anche poter rispondere ai clienti stranieri in modo accurato e tempestivo sui tempi di produzione, senza dover smistare tutto attraverso il commerciale interno che è una sola persona e lavora già dodici ore al giorno.</p><p>Un sistema RAG integrato con il gestionale e il CRM potrebbe fare entrambe le cose. Ma solo se il gestionale registra gli scarichi in tempo reale (spesso non è così), se il CRM contiene informazioni aggiornate (raramente è così) e se la documentazione tecnica è stata digitalizzata in modo leggibile da un sistema automatico (quasi mai è così, soprattutto per le scansioni degli anni novanta che sembrano fotocopie di fotocopie di fotocopie). Prima del modello, serve il lavoro di base. Sempre.</p><p>Il Consorzio Sanitario della Riviera gestisce cartelle cliniche, referti, immagini diagnostiche, piani terapeutici e comunicazioni con i pazienti su quattro presidi ospedalieri. Vuole un sistema che aiuti i medici a ricostruire rapidamente la storia clinica di un paziente, che segnali potenziali interazioni tra farmaci e che produca le lettere di dimissione in modo strutturato, riducendo il tempo che i medici passano sulla burocrazia invece che sui pazienti.</p><p>Qui il problema della governance non è solo tecnico. È regolatorio e deontologico. I dati sanitari sono tra i più protetti nell’ordinamento europeo, e qualsiasi sistema di intelligenza artificiale deve essere conforme non solo tecnicamente ma documentalmente: chi ha accesso, con quale autorizzazione, con quale tracciabilità. Il modello deve essere locale o su infrastruttura certificata. Il medico rimane responsabile di ogni decisione clinica anche quando il sistema ha suggerito la risposta. Questi non sono dettagli aggiuntivi. Sono la condizione necessaria per cui il sistema può esistere senza creare rischi legali e responsabilità che nessuna direzione sanitaria è disposta ad assumersi.</p><p>Il Moda Studio Rinascita è una piccola azienda del lusso che produce accessori. Venti dipendenti, tre linee di prodotto, un archivio storico di design che risale agli anni sessanta e un problema molto specifico: quando i designer vogliono capire come certi elementi stilistici si sono evoluti nel tempo, devono sfogliare fisicamente decine di cartelle d’archivio. Il fondatore ha un occhio che vale milioni, ma quando andrà in pensione quell’occhio se ne va con lui.</p><p>Un sistema di intelligenza artificiale che indicizza l’archivio storico, riconosce gli elementi stilistici, le palette cromatiche, le proporzioni, e permette di cercare per concetto (“mostrami tutti i modelli con questo tipo di chiusura dal 1970 al 1985”) è tecnicamente fattibile oggi. Costa, richiede un lavoro di digitalizzazione e catalogazione che non è banale, ma produce un asset che ha un valore reale e misurabile: la memoria dell’organizzazione resa accessibile e ricercabile anche dopo che le persone che la portano in testa se ne vanno.</p><p>L’Istituto Comprensivo Borromeo ha centocinquanta insegnanti, duemila alunni, una montagna di documentazione amministrativa e piani educativi individualizzati che richiedono ogni anno un lavoro di aggiornamento enorme. Il dirigente scolastico non vuole sostituire gli insegnanti con un robot. Vuole che gli insegnanti passino meno tempo a riscrivere lo stesso documento in modi leggermente diversi e più tempo a fare quello per cui sono stati formati. Un sistema che aiuta a costruire la struttura dei piani educativi, che recupera i precedenti rilevanti e suggerisce le sezioni standard richieste dalla normativa, lasciando all’insegnante la parte professionale e pedagogica, è già disponibile. Richiede attenzione alla privacy dei minori e un’infrastruttura locale. Ma è fattibile e il rapporto costi-benefici, misurato in ore di lavoro recuperate, è molto più chiaro di quanto si pensi.</p><p>Quattro contesti diversi. Quattro configurazioni diverse. Un solo problema comune: la biblioteca deve essere in ordine prima che il sistema intelligente arrivi. E “in ordine” non significa perfetta. Significa abbastanza coerente da essere navigabile.</p><h3>Parte Quarta: Chi paga, come e dove finisce nel bilancio</h3><p>Questa è la parte che più interessa a chi deve prendere decisioni, e che meno si trova spiegata con chiarezza nei convegni sull’intelligenza artificiale. Non perché sia un segreto. Perché è complicata, e i convegni sull’intelligenza artificiale tendono a evitare le cose complicate in favore di quelle entusiasmanti.</p><p>Un sistema di intelligenza artificiale generativa integrato in un’azienda ha dei costi. Questi costi hanno una natura che non è banale da classificare, e la classificazione conta moltissimo perché determina dove questi costi appaiono nei bilanci e quali effetti hanno sui risultati economici, sulle decisioni finanziarie e su come l’organizzazione viene percepita dall’esterno.</p><p>Proviamo a mettere in fila cosa compone l’infrastruttura e cosa costa davvero.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*n4QAIS318K_6aSossDGmqQ.png" /></figure><p>C’è l’hardware. Se si sceglie un modello installato in locale, serve un server con processori grafici specifici, storage sufficiente a contenere il modello e i dati, connettività adeguata, sistemi di raffreddamento e continuità di alimentazione. Non è una spesa banale: un server configurato per eseguire modelli di medie dimensioni in modo accettabile parte da qualche decina di migliaia di euro e sale rapidamente. È un bene materiale, va nello stato patrimoniale come immobilizzazione materiale, si ammortizza in un certo numero di anni e rappresenta un investimento di capitale.</p><p>C’è il cloud. Se si sceglie invece di non comprare hardware ma di affittare la capacità di calcolo da un fornitore esterno, i costi cambiano natura. Un abbonamento mensile a un servizio cloud è un costo operativo che va a conto economico nell’esercizio in cui si sostiene, riduce il risultato di periodo e non crea alcun asset patrimoniale. Si paga per quello che si usa, ma si paga sempre, e smettere di pagare significa smettere di avere il servizio.</p><p>C’è il software. I database vettoriali, i sistemi di gestione dei repository, gli strumenti di catalogazione, i framework per costruire i sistemi di recupero delle informazioni: tutto questo ha un costo che può essere una licenza commerciale, un abbonamento a un servizio o il costo del lavoro delle persone che costruiscono e mantengono una soluzione basata su software aperto. Quest’ultima opzione sembra la più economica in partenza e spesso lo è. Ma il costo del lavoro di manutenzione di un sistema basato su componenti aperti non è zero, e viene spesso sottostimato.</p><p>C’è il lavoro di costruzione. Qualcuno deve progettare il sistema, integrarlo con quelli esistenti, portare dentro i dati storici, definire i metadati, costruire il catalogo, testare le risposte, correggere gli errori e poi ricominciare. Questo lavoro ha un costo che spesso supera quello di tutti gli altri componenti messi insieme, specialmente nella fase iniziale. E non finisce con la messa in produzione: richiede manutenzione continua perché i dati cambiano, i processi cambiano, le normative cambiano e il modello stesso deve essere aggiornato quando escono versioni più recenti.</p><p>C’è il costo della governance. Qualcuno deve decidere le politiche di accesso, monitorare l’uso, gestire le eccezioni, aggiornare la catalogazione quando i processi cambiano. Questo non è lavoro che si fa una volta sola.</p><p>Ora viene la domanda che interessa davvero a un CFO, a un consiglio di amministrazione, a un commercialista: dove va tutto questo?</p><p>La risposta onesta è che dipende, e il modo in cui dipende è rilevante.</p><p>Se l’investimento produce un sistema che ha caratteristiche di durabilità, identificabilità e utilità futura misurabile, può essere capitalizzato come immobilizzazione immateriale. Questo significa che il costo non comprime il conto economico nell’anno in cui si sostiene: si distribuisce nel tempo attraverso l’ammortamento. L’EBITDA dell’anno in cui si costruisce il sistema non viene intaccato. Il capitale investito aumenta nello stato patrimoniale. L’azienda crea un asset che ha un valore, che può essere comunicato agli investitori e che in linea di principio si può cedere o valorizzare.</p><p>Se invece l’investimento è prevalentemente composto da abbonamenti a servizi cloud, da licenze software rinnovabili annualmente e da consulenze che non producono un sistema identificabile e duraturo ma solo una capacità temporanea, allora va a conto economico nell’esercizio in cui si sostiene. L’EBITDA scende. Il capitale investito non aumenta. L’azienda non crea un asset: acquista una capacità che dura quanto dura il contratto e che sparisce nel momento in cui si smette di pagare.</p><p>Questa distinzione non è solo contabile. È strategica, e va discussa prima di scegliere l’architettura del sistema, non dopo aver già firmato i contratti.</p><p>C’è però un aspetto che viene quasi sempre trascurato nelle analisi preliminari, e che poi emerge con forza nella realtà. Il costo della governance, della pulizia dei dati, della catalogazione dell’archivio storico, della formazione delle persone che useranno il sistema: questi costi sono quasi invariabilmente sottostimati. Non perché chi fa le analisi sia incompetente. Perché è genuinamente difficile stimare il costo di mettere ordine in una biblioteca quando non si sa con precisione quanto è disordinata. E non lo si sa mai con precisione finché non si comincia a farlo davvero.</p><p>Ermenegildo lo sa bene. Ha trascorso anni a dire ai direttori che il vero costo non erano i libri nuovi. Era il tempo per sistemare quelli vecchi. Nessuno lo ascoltava, perché i libri nuovi hanno una copertina brillante e si mostrano bene nelle presentazioni. Le scatole senza etichetta al quinto piano no.</p><h3>Il costo che non appare e il valore che non si misura</h3><p>C’è una voce che quasi nessuna analisi preliminare include in modo serio, e che poi risulta essere quella che fa la differenza tra un sistema che l’organizzazione adotta davvero e uno che viene installato, usato tre mesi con entusiasmo crescente e poi silenziosamente abbandonato mentre l’abbonamento continua a girare indisturbato.</p><p>Si chiama formazione. Ma chiamarla così è già riduttivo, perché evoca corsi di aggiornamento obbligatori, slide con frecce colorate e quiz finali da superare con sessanta punti su cento. Quello di cui si tratta è qualcosa di diverso: il tempo che le persone impiegano per capire come funziona uno strumento nuovo, per sbagliare con quello strumento, per correggersi, per sviluppare un’intuizione su quando usarlo e quando no, per costruire la fiducia necessaria a integrarlo nel proprio modo di lavorare invece di aggirarlo ogni volta che fa resistenza.</p><p>Ermenegildo, per imparare a lavorare con Teodora, ha impiegato mesi. Non perché Teodora fosse difficile da capire. Perché cambiare un metodo di lavoro consolidato in trent’anni richiede tempo, e il tempo ha un costo reale anche quando non appare su nessuna fattura.</p><p>Questo tempo si può misurare. Si misura in ore sottratte alla produzione ordinaria, in errori commessi durante la curva di apprendimento, in decisioni rallentate mentre il sistema viene messo a punto. Ma c’è un’altra faccia di questa stessa moneta, quella che quasi nessuno mette nel conto: il valore che si forma.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*2zZDc_Qo0hzwPMGuUb6L6A.png" /></figure><p>Gli economisti chiamano questo capitale umano. Lucas, nel modello che costruì nel 1988, lo definì come la componente del lavoro umano che cresce con l’esperienza e che genera rendimenti crescenti nel tempo, non decrescenti come quasi tutti gli altri fattori produttivi. La legge di moto che descrive questo processo è semplice nella forma e brutale nelle implicazioni: il capitale umano cresce in proporzione al tempo dedicato ad apprendere, moltiplicato per un parametro che misura l’efficienza dell’apprendimento stesso. Ne ho scritto in dettaglio in un articolo dedicato, <a href="https://medium.com/@viciuslios/quello-che-i-senior-non-insegnano-pi%C3%B9-df522e79f83e">“Quello che i senior non insegnano più”</a>, partendo proprio da quel parametro, che gli economisti chiamano B, e da quello che succede quando viene trascurato o distrutto. Chi vuole seguire il ragionamento fino in fondo lo trova lì. Il punto che conta in questa sede è uno solo: quel parametro è esattamente quello che si forma quando le persone imparano a usare uno strumento nuovo in modo profondo, non superficiale. Ed è esattamente quello che si distrugge quando il processo di apprendimento viene saltato perché si è di fretta, perché il corso durava due giorni, perché nessuno aveva previsto il tempo necessario nel budget.</p><p>Ide, in un lavoro del 2026, ha mostrato qualcosa di ancora più preoccupante: quando l’intelligenza artificiale automatizza i compiti di ingresso, quelli che solitamente fanno i profili meno esperti, quel parametro B crolla per la generazione successiva. Non perché le persone siano meno capaci. Perché imparano meno, fanno meno, vengono esposte a meno situazioni reali in cui l’errore insegna qualcosa. Il risultato è un sistema che sembra più efficiente nel breve periodo e che si impoverisce silenziosamente nel lungo, senza che nessun indicatore di bilancio lo segnali finché non è tardi.</p><p>Il problema contabile è che questo valore non appare da nessuna parte nel bilancio tradizionale. I principi contabili, italiani e internazionali, non permettono di capitalizzare il capitale umano interno: non potete iscrivere nello stato patrimoniale il valore delle competenze che i vostri dipendenti hanno sviluppato, perché quelle competenze non sono di vostra proprietà, appartengono alle persone che le portano in testa e che il giorno dopo potrebbero andarsene. Quindi il costo della formazione va a conto economico, riduce l’utile di periodo, e il valore che crea non appare da nessuna parte, se non, indirettamente, nella produttività futura. Che però nessuno misura con la stessa precisione con cui misura il costo di un abbonamento cloud.</p><p>Questa asimmetria crea una distorsione sistematica nelle decisioni di investimento. Un’azienda che acquista un server vede comparire un asset nello stato patrimoniale. Un’azienda che investe lo stesso tempo e lo stesso denaro nel formare le proprie persone vede solo un costo che riduce l’utile. Il primo investimento sembra più solido, più visibile, più giustificabile davanti a un consiglio di amministrazione. Il secondo sembra una spesa, anche quando è l’investimento che produce i rendimenti più alti nel lungo periodo.</p><p>La verità che emerge dai dati sull’adozione tecnologica in azienda, ogni volta che qualcuno si prende la briga di misurarla a distanza di due o tre anni invece di misurare solo i costi di implementazione iniziali, è questa: il valore di un sistema di intelligenza artificiale integrato in un’organizzazione dipende in misura molto maggiore dalla qualità delle persone che lo usano che dalla qualità del modello scelto. Un modello mediocre usato da persone che hanno capito come usarlo produce risultati migliori di un modello eccellente usato da persone che lo subiscono senza capirlo. Sempre.</p><p>Quindi quando si costruisce il budget di un progetto di questo tipo, la formazione non è la voce che si taglia quando si sforano le altre. È la voce che determina se le altre voci producono qualcosa o si trasformano in costo puro. E andrebbe dimensionata di conseguenza: non un corso da due giorni, ma un percorso che accompagna le persone lungo la curva di apprendimento reale, con tempo dedicato, con la libertà di sbagliare in modo controllato, con momenti di verifica che non riguardano il superamento di un test ma la capacità concreta di usare lo strumento in situazioni reali.</p><p>Ermenegildo, che ha imparato sulla propria pelle cosa significa imparare a lavorare con un sistema che non capisce, e poi imparare di nuovo quando il sistema cambia, e poi ancora, è perfettamente d’accordo. Gliene avessero dati sei mesi invece di tre, la biblioteca avrebbe funzionato prima. E meglio. E lui avrebbe perso meno capelli.</p><h3>Coda</h3><p>La biblioteca di Ermenegildo, con Teodora e il sistema di ricerca intelligente e i livelli di accesso e il grafo delle connessioni tra le idee, può diventare una biblioteca che funziona davvero. Non perfetta. Non in poco tempo. Non senza fatica e senza costi reali e senza qualche momento in cui Ermenegildo guarda il sistema produrre una risposta così sicura e così sbagliata da fargli venire voglia di spegnere tutto e tornare alle schede cartacee.</p><p>Ma funzionante. E la differenza tra una biblioteca che funziona e una che non funziona, nell’economia di un’organizzazione, è la differenza tra uno strumento e un peso.</p><p>Il sistema di intelligenza artificiale generativa non sostituisce Ermenegildo. Lo amplifica. Se Ermenegildo ha costruito qualcosa che ha un senso, il sistema lo rende dieci volte più veloce e cento volte più accessibile a chi non conosce la biblioteca come la conosce lui. Se Ermenegildo è ancora in guerra con le scatole senza etichetta al quinto piano, il sistema produce risposte sbagliate dieci volte più velocemente, con una sicurezza dieci volte più convincente.</p><p>L’intelligenza artificiale generativa non risolve il problema dell’ordine. Lo rende urgente.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*t5np6EoUb3BwaJHejFsmgQ.png" /></figure><p>Questo è il punto che manca nella maggior parte delle conversazioni aziendali su questo tema. Si parla di quale modello scegliere, di quanto costa l’abbonamento, di cosa sa fare il sistema. Si parla poco del fatto che il sistema può fare quello che sa fare solo se l’organizzazione ha fatto i compiti prima. I compiti si chiamano governance, catalogo, metadati, repository, qualità del dato. Sono parole brutte, lo so. Sono meno entusiasmanti di “trasformazione digitale” e “intelligenza artificiale generativa” e “agente autonomo”. Ma sono la condizione. Senza quella, tutto il resto è Ermenegildo che corre tra i piani, sempre più veloce, sempre più confuso, con un sistema straordinariamente potente che gli urla risposte magnifiche alle orecchie.</p><p>Risposte magnifiche. E dove trovarle? Al quinto piano, in una scatola senza etichetta, nella versione sbagliata dell’edizione sbagliata dell’autore sbagliato. Con una sicurezza assoluta.</p><p>La prossima volta che qualcuno vi parla di un progetto di intelligenza artificiale in azienda, chiedete una cosa sola: “Prima di parlare del modello, dimmi in che stato è la biblioteca.”</p><p>La risposta vi dirà tutto.</p><p><em>Questo articolo fa parte di una serie su tecnologia, economia e organizzazioni. I nomi delle aziende citate sono di fantasia. I processi descritti sono reali.</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=bd3e10e7a925" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>