L’intelligenza artificiale, raccontata

L’idea di una mente artificiale è più antica dei computer. Per secoli abbiamo immaginato creature capaci di parlare, obbedire o sfuggire al controllo; quei racconti hanno dato forma alle speranze e alle paure con cui osserviamo le macchine di oggi.

Nell’*Iliade*, Efesto è servito da ancelle d’oro dotate di voce e intelligenza. Il mito greco racconta anche Talos, il gigante di bronzo che protegge Creta; la tradizione ebraica tramanda il Golem, una creatura d’argilla animata da una parola. Sono immagini lontane dalla tecnologia moderna, ma pongono già una domanda familiare: che cosa accade quando l’essere umano costruisce qualcosa che sembra agire da sé?

Nel 1818 Mary Shelley pubblica *Frankenstein*. La creatura non è soltanto una minaccia: il romanzo interroga la responsabilità di chi crea e poi abbandona la propria opera. Nel 1920, il dramma *R.U.R.* di Karel Čapek porta in scena lavoratori artificiali e rende popolare la parola «robot», derivata dal termine ceco *robota*, lavoro forzato. Nel 1942 Isaac Asimov formula le tre leggi della robotica: i suoi racconti mostrano quanto sia difficile tradurre regole semplici in comportamenti sicuri in ogni situazione.

HAL 9000, nel film *2001: Odissea nello spazio* (1968), non agisce per malvagità: entra in conflitto con l’equipaggio mentre cerca di portare a termine la missione. In *Klara e il sole* (2021), Kazuo Ishiguro sposta la domanda dalla minaccia alla relazione: che cosa significa prendersi cura di qualcuno, e una macchina può farlo? La narrativa non predice il futuro, ma rende visibili le questioni morali che la tecnologia porta con sé.

Nel 1950 Alan Turing pubblica «Computing Machinery and Intelligence» e propone il gioco dell’imitazione, poi noto come test di Turing: una macchina può apparire intelligente in una conversazione? Nell’estate del 1956, un seminario al Dartmouth College dà un nome al nuovo campo: *artificial intelligence*. La proposta dei suoi organizzatori scommette che gli aspetti dell’intelligenza possano essere descritti abbastanza precisamente da essere simulati da una macchina.

Da allora si alternano due approcci. L’AI simbolica cerca di rappresentare conoscenza e ragionamento attraverso regole scritte esplicitamente. L’approccio connessionista usa reti artificiali che apprendono dagli esempi. Nessuna delle due strade scompare, ma l’aumento di dati e potenza di calcolo rende le reti neurali centrali nell’ondata più recente.

Tabella 1. Alcune tappe della storia dell’intelligenza artificiale; la selezione non rappresenta una cronologia completa.

Il Transformer, descritto nel 2017 da ricercatori di Google, è alla base di gran parte dei grandi modelli linguistici contemporanei. Il 30 novembre 2022 OpenAI rende ChatGPT accessibile al pubblico, trasformando un’interfaccia conversazionale in una porta d’ingresso semplice a modelli generativi. Nel 2024 il riconoscimento scientifico arriva anche con i Nobel: il premio per la fisica a John Hopfield e Geoffrey Hinton per contributi alle reti neurali, quello per la chimica a Demis Hassabis e John Jumper per il lavoro su AlphaFold.

Quando diciamo «AI» spesso parliamo di sistemi molto diversi. I modelli linguistici generano testo e codice; i modelli multimodali lavorano con più tipi di contenuto, come immagini, audio e video; gli agenti possono usare strumenti e svolgere sequenze di azioni. Altri sistemi sono specializzati in compiti scientifici, industriali o fisici, come l’analisi di strutture proteiche, il controllo di robot e la guida autonoma.

Anche tra modelli linguistici cambiano addestramento, accesso, costi, capacità e modalità di utilizzo. Alcuni si usano attraverso un servizio controllato dal fornitore; altri rendono disponibili pesi o componenti per essere eseguiti e adattati da terzi. Le etichette «aperto» e «chiuso» coprono gradi diversi di trasparenza e libertà d’uso: non sono una graduatoria semplice di qualità o sicurezza.

I modelli possono produrre risposte convincenti ma errate, perdere dettagli, riprodurre distorsioni presenti nei dati o essere sensibili alla formulazione della richiesta. Le funzioni di ragionamento e di uso degli strumenti ampliano ciò che possono fare, ma non trasformano ogni risposta in una verifica. La supervisione resta importante soprattutto quando sono in gioco decisioni, persone o dati riservati.

Dietro l’esperienza di una chat c’è un’infrastruttura fisica: chip per addestrare e usare i modelli, data center, reti, acqua e sistemi di raffreddamento. Le grandi imprese tecnologiche investono su larga scala per costruire questa capacità. Le stime finanziarie cambiano rapidamente e non sono tutte comparabili; più che inseguire una cifra unica, è utile osservare la direzione: il calcolo è diventato una risorsa strategica e costosa.

La competizione ha una dimensione geopolitica. Stati Uniti e Cina guidano buona parte dell’ecosistema, mentre controlli sulle esportazioni, accesso ai semiconduttori, investimenti pubblici e disponibilità di energia incidono sulla capacità di addestrare modelli. Il rilascio di DeepSeek-R1 nel gennaio 2025 ha riacceso il dibattito sui costi e sull’efficienza dei modelli; non dimostra da solo che l’infrastruttura sia diventata irrilevante.

La domanda sulla «bolla» resta aperta. Gli investimenti potrebbero generare prodotti e ricavi sostenibili, ma possono anche superare la domanda o concentrarsi in imprese che non riusciranno a recuperare i costi. La storia di Internet ricorda che una tecnologia può trasformare la società mentre molte aziende che l’hanno finanziata scompaiono. Innovazione e successo finanziario non sono la stessa cosa.

Gli agenti AI sono sistemi che, oltre a generare risposte, possono usare strumenti, consultare documenti o compiere passaggi successivi verso un obiettivo. Sono utili quando il compito è ben definito e le azioni sono verificabili. Quando ricevono accesso a dati, account o strumenti esterni, diventano altrettanto importanti i permessi, i limiti e la possibilità di interromperli.

L’espressione *intelligenza artificiale generale* (AGI) non ha una definizione condivisa. Può indicare un sistema capace di affrontare molti compiti cognitivi, ma le persone usano criteri diversi per misurarla: prestazioni, autonomia, adattabilità o confronto con il lavoro umano. La superintelligenza è un’ipotesi ulteriore, riferita a capacità che supererebbero ampiamente quelle umane in molti ambiti. Non esiste una data attendibile per questi traguardi.

Una linea di ricerca cerca di misurare capacità specifiche invece di fissare una data per l’AGI. METR, per esempio, ha stimato la durata dei compiti di programmazione che alcuni agenti riescono a completare autonomamente con una probabilità definita. Nel suo rapporto del 2025 osserva un raddoppio approssimativo ogni sette mesi nel periodo analizzato, ma avverte che i risultati dipendono dalla selezione dei compiti e dalla metodologia. È una tendenza sperimentale circoscritta, non un calendario garantito per l’autonomia generale.

Un cambiamento visibile è il passaggio dal software progettato in anticipo per un uso previsto a strumenti che possono essere descritti e adattati con il linguaggio naturale. Il *vibe coding* — espressione resa popolare da Andrej Karpathy nel 2025 — indica un modo di creare software chiedendo a un modello di scrivere o modificare codice e valutandone il risultato. Può rendere prototipi e piccoli strumenti accessibili a chi non programma; la manutenzione, la sicurezza e l’affidabilità richiedono comunque competenze e verifiche.

Si stanno evolvendo anche le interfacce. Il 7 ottobre 2026 OpenAI ha annunciato Intelligent UI in ChatGPT: risposte che possono includere elementi visivi e interattivi. È un esempio concreto di interfaccia generata al momento in funzione della richiesta. La promessa è ridurre i passaggi fra una domanda e un’azione; la sfida è mantenere trasparenza, controllo e accessibilità.

La ricerca sul lavoro suggerisce opportunità reali, ma i risultati dipendono dal compito e dal contesto. Due studi spesso citati mostrano scale e misure diverse:

Tabella 2. Risultati non direttamente comparabili: cambiano metodo, campione e definizione di produttività.

Questi studi misurano effetti diversi. Un guadagno di tempo in un’attività non dice da solo se il risultato sarà migliore, se il beneficio sarà distribuito in modo equo o se si tradurrà in una crescita dell’intera economia. Le organizzazioni devono osservare qualità, errori, carico di lavoro e apprendimento, oltre alla velocità.

Gli usi più significativi spesso risolvono problemi concreti. Be My Eyes affianca alla rete di volontari uno strumento che descrive immagini e aiuta persone cieche o ipovedenti a interpretare ciò che le circonda. NotebookLM può trasformare materiali caricati in riepiloghi e conversazioni audio. La clonazione vocale, se autorizzata e gestita con attenzione, può aiutare alcune persone che hanno perso la voce; la stessa tecnologia può facilitare frodi e impersonificazioni. AlphaFold ha reso disponibili previsioni strutturali su larga scala per la ricerca biologica. Sono casi diversi, con benefici e limiti che vanno valutati nel loro contesto.

Le questioni non riguardano soltanto scenari futuri. Sistemi generativi possono inventare informazioni, riprodurre pregiudizi, agevolare contenuti ingannevoli o esporre dati inseriti dagli utenti. Gli agenti aggiungono il rischio di azioni non autorizzate, soprattutto quando dispongono di permessi ampi o non chiedono conferma prima di operazioni difficili da annullare.

Ci sono poi domande sul lavoro e sul potere: quali mansioni cambieranno, chi riceverà i benefici, chi sosterrà i costi della transizione? I modelli più avanzati richiedono capitale, dati, energia e competenze concentrate in un numero limitato di organizzazioni. Kate Crawford ricorda in *Atlas of AI* che l’AI non è immateriale: dipende da risorse naturali e dal lavoro di molte persone. Emily Bender, Timnit Gebru e coautrici, nel saggio sui «pappagalli stocastici», mettono in guardia dal confondere la fluidità linguistica con una comprensione umana.

La regolazione definisce alcune responsabilità, ma non risolve ogni questione etica o organizzativa. Nell’Unione europea l’AI Act si applica secondo un calendario graduale: alcuni divieti e l’obbligo di promuovere l’alfabetizzazione AI sono in vigore dal febbraio 2025; gli obblighi per i modelli per uso generale si applicano dall’agosto 2025; le regole generali si applicano dall’agosto 2026, con scadenze successive per specifiche categorie di sistemi ad alto rischio. Ogni organizzazione deve verificare il proprio ruolo, l’uso concreto e le disposizioni applicabili.

L’intelligenza artificiale è il risultato di una storia lunga, ma la velocità con cui è entrata nelle attività quotidiane è nuova. La promessa più concreta non è che ogni problema sparisca: è che alcune capacità — scrivere, cercare, tradurre, prototipare, analizzare — possano diventare più accessibili. La stessa facilità può amplificare errori, dipendenze e concentrazione del potere.

Mary Shelley aveva già posto la questione della responsabilità di chi crea. Oggi la risposta non appartiene solo a chi costruisce i modelli: riguarda istituzioni, imprese, professionisti e persone che li usano. Essere apocaloptimisti, come propone il titolo del documentario di Daniel Roher, significa tenere insieme la possibilità di benefici importanti e la necessità di governarne i rischi. La scelta non è fra entusiasmo e paura: è quanto siamo disposti a capire, verificare e decidere.