I n una delle scene di November, lavoro video di Hito Steyerl del 2004, si vede l’artista stessa avvolta da una bandiera del PKK mentre marcia al fianco di manifestanti curdi all’indomani dell’invasione americana dell’Iraq. Nel video, Steyerl denunciava come quella piccola messa in scena a favore di camera, di cui era stata protagonista improvvisata per un documentario della TV tedesca, le avesse dato modo di pensare all’ambiguità delle rappresentazioni documentarie. In quella immagine, infatti, si condensa un’aperta contraddizione, che permette a Hito Steyerl di apparire come l’intellettuale politicizzata e preoccupata, ma solo a seguito di un’ipocrita ricostruzione scenica a favore di camera. Questa riflessione metalinguistica si inserisce nella complessa narrazione di November, in cui Steyerl ricostruisce vita e immagine post-mortem di Andrea Wolf, attraverso un intricato pattern lessicale e iconografico che si rivela essere il modus operandi capace di mappare le connessioni improbabili tra il contesto dell’arte e quello dei regimi di potere globali, fino a far presagire una loro inevitabile collusione. November è, infatti, sia l’analisi documentaria della vicenda di Andrea Wolf – sua amica e attivista politica scomparsa a metà degli anni Novanta e poi uccisa nel 1998 dall’esercito turco per la sua militanza in un’organizzazione femminista curda legata al PKK – sia un video-saggio sull’ontologia dell’immagine. Le storie della protagonista si intrecciano alla circolazione e trasformazione della sua immagine definendo il regime di visibilità che i media contribuiscono a creare intorno alla donna. Storie alimentate dall’ambiguità delle posizioni intorno alla figura di Andrea Wolf, sulla cui morte è gravata per anni una contesa internazionale, con la Turchia a negare le responsabilità dell’esecuzione e con i sostenitori dell’indipendenza curda a celebrare l’attivista tedesca come martire della rivoluzione. Quest’attenzione alla trasfigurazione mediatica dell’immagine, insomma, contraddistingue l’intero lavoro di Hito Steyerl, con l’artista capace di mettere in discussione la funzione delle immagini contemporanee e le loro trasformazioni tecnologiche, anche attraverso l’uso e la sperimentazione delle immagini generate dalle intelligenze artificiali (IA). Una pratica che l’artista ha sistematizzato teoricamente con la pubblicazione del suo ultimo libro Medium Hot. Intelligenza artificiale e immagini ai tempi del riscaldamento globale (2025) che la casa editrice Timeo porta in Italia a breve distanza dalla sua pubblicazione in lingua inglese. > L’attenzione alla trasfigurazione mediatica dell’immagine contraddistingue > l’intero lavoro di Hito Steyerl, con l’artista capace di mettere in > discussione la funzione delle immagini contemporanee e le loro trasformazioni > tecnologiche. Per comprendere il lavoro attuale di Hito Steyerl però è necessario fare un passo indietro a un suo notissimo saggio del 2009, In Defense of the Poor Image, in cui l’artista aveva iniziato a ipotizzare quanto alla codifica digitale fosse associabile un incremento del viaggiare vorticoso delle immagini. Se all’epoca Steyerl legava a questo vagare dell’immagine anche una funzione emancipatoria tutta intrinseca alle possibilità di trasmettere conoscenza delle immagini compresse digitalmente, oggi queste stesse immagini stanno maturando un ruolo sempre più rilevante nella ridefinizione reazionaria della contemporaneità. È infatti da questa prospettiva teorica che l’artista osserva l’odierno pictorial turn di matrice artificiale, leggendo le IA non tanto come strumenti rappresentazionali quanto per la loro specifica dimensione termodinamica. D’altronde in fisica, il calore misura il grado di agitazione della materia, la capacità dell’energia cinetica delle particelle di trasformare le cose. Da questo spunto parte la riflessione sull’immagine di Medium Hot in cui quell’aggettivo hot (calore) indica la dimensione metaforica e l’effetto materiale dei sistemi di generazione artificiale di contenuti sul mondo. Questi media producono immagini “calde” perché accelerate, incessantemente messe in circolazione da infrastrutture estrattive che consumano energia, territori e corpi. L’artista si chiede come le architetture dei media digitali (piattaforme, sistemi di governance tecnica, logiche di visibilità e di cancellazione) contribuiscano a naturalizzare un ordine del mondo tecnocratico e razzista, e quali possibilità di vita, azione e lotta vengano abilitate o precluse da tali dispositivi mediali. Nel suo testo, Hito Steyerl spinge sull’ambiguità di fondo delle IA, sulla loro invisibilità e più in generale sulle basi materiali dei processi di produzione delle tecnologie digitali. Qualcosa che si tende a percepire come completamente immateriale, ma che, come dimostra attraverso i dati, ha implicazioni profonde nei regimi di sfruttamento che alimentano il collasso climatico. Il surriscaldamento delle immagini – la loro velocità, la loro obsolescenza programmata, la loro violenza percettiva – rispecchia e contribuisce al surriscaldamento del pianeta. Una nuova ecologia delle immagini inseparabile dalla politica dell’energia che le rende possibili, ma anche una tassonomia intorno alla produzione visuale contemporanea e alla nostra abitudine a generare contenuti che hanno un impatto trasformativo sul pianeta e sul nostro lavoro. Il titolo del libro richiama esplicitamente sia Marshall McLuhan, con la sua teoria del medium caldo (hot) e del medium freddo (cool) elaborata in Understanding Media (1964), sia il film Medium Cool (1969) del regista e direttore della fotografia americano Haskell Wexler. Steyerl, pur riprendendo l’approccio euristico e fenomenologico dei media proposto negli anni Sessanta, precisa quanto le trasformazioni contemporanee e la vocazione a comprimersi per circolare abbiano contribuito a una nuova singolarità delle immagini derivate dai processi generativi. Innanzitutto, l’autrice sottolinea come il ritorno a modelli di trasmissione di tipo top-down, come quelli di TikTok, rappresenti una forma di sostanziale ri-mediazione del modello televisivo, un ritorno al futuro della TV a cui non corrisponderebbe una messa in discussione critica del dispositivo mediale come accadeva nel film di Wexler. > L’artista si chiede come le architetture dei media digitali (piattaforme, > sistemi di governance tecnica, logiche di visibilità e di cancellazione) > contribuiscano a naturalizzare un ordine del mondo tecnocratico e razzista, e > quali possibilità di vita, azione e lotta vengano abilitate o precluse da tali > dispositivi mediali. Rivedere oggi Medium Cool con le riprese della guardia nazionale che si esercita contro i finti manifestanti in un reenactment funzionale solo all’addestramento militare, oppure osservare gli elementi finzionali della storia o le immagini documentali delle proteste del Sessantotto e della convention democratica tenutasi a Chicago quello stesso anno, solleva però una serie di questioni etiche trans-storiche sulla produzione e diffusione dell’immagine. L’obiettivo di Wexler di mettere in discussione l’idea stessa di partecipazione di massa alla mediatizzazione della realtà violenta emerge in forma di domanda, un quesito che il film recapita al suo pubblico: se è necessaria una certa assuefazione alla violenza per poterla documentare, se è necessario ignorare il reale per riprodurlo attraverso le tecnologie di registrazione dell’immagine, quale è lo scopo della produzione (sempre più massiccia) di immagini? Se la facilitazione della produzione di immagini ha un impatto nella riproduzione sociale, che ritorna nei comportamenti cinici e distaccati del protagonista del film, assuefatto a qualsiasi forma di violenza vissuta in prima persona pur di documentarla in video, cosa accade quando questo stesso processo diventa di massa? Partendo da Medium Cool, Steyerl riflette sull’avvenire delle immagini nel contesto dell’IA, definendone la natura, l’estetica focomelica, o ricostruendone la genesi nell’istruzione estetico-pornografica. A questo punto è evidente come della speranza benjaminiana dei primi lavori dell’artista sia rimasto ben poco; la discesa a capofitto verso un’adornizzazione delle sue tesi – Adorno è l’obiettivo polemico di Steyerl nella sua videoinstallazione Adorno’s Grey (2012) – appare chiara quando nel testo inizia a definire le immagini/prodotto come nient’altro che derivati stocastici o come un furto di dati per cui nessun provider di servizi di IA intende pagare un centesimo. Questi mezzi di produzione crudele (The Means of Mean Production nel testo) sono delle minacce, producono danni che nascondono dietro alla complessità della loro ipertrofia. Alle preoccupazioni per la dimensione energivora di queste immagini, per il loro carbon footprint, si aggiungono poi quelle sulla natura estrattiva in senso puramente lavorativo. Queste immagini, infatti, fagocitano e ri-elaborano ogni contenuto originale presente online assorbendo tutto in dataset di addestramento che funzionano senza il consenso dei creatori di contenuti. Da un punto di vista autoriale e lavorativo, questo modo di produrre immagini apre a degli scenari estrattivi per nulla nuovi, in cui il lavoro di artisti e creativi entra inconsapevolmente nell’ecosistema dell’IA sotto forma di esproprio di risorse intellettuali. A suffragio di ciò, l’artista menziona l’aggiornamento dei termini di servizio di Adobe, lasciando intendere come il gigante della software-grafica potrà un giorno utilizzare i contenuti degli utenti per il machine learning dei propri prodotti. Da questa ristrutturazione del lavoro, in cui le risorse creative sottratte ai legittimi produttori ritornano indietro in forma di average images, risultati di una media ponderata, pressoché inservibili, emerge lo spettro manco tanto nascosto di una cannibalizzazione generale del lavoro. Una dinamica che oltre a vedere gli artisti lavorare su e per infrastrutture produttive delle aziende del big-tech, alimenta dinamiche razziali/imperialiste in cui divisione e delocalizzazione di micro-task verso lavoratori e lavoratrici poveri e razzializzati, rafforza inevitabilmente il divario di classe. > Alle preoccupazioni per la dimensione energivora di queste immagini, per il > loro carbon footprint, si aggiungono poi quelle sulla natura estrattiva in > senso puramente lavorativo di immagini che fagocitano e ri-elaborano ogni > contenuto originale senza il consenso dei creatori di contenuti. A questo punto mi viene da chiedermi se di fronte a questa ricostruzione caustica e sicuramente non lineare dell’attività delle IA e delle immagini ai tempi del riscaldamento globale non ritorni utile anche a noi la domanda di Wexler: una riedizione riveduta sulle ragioni odierne a produrre immagini. Se, al netto del collasso etico ed estetico dell’immagine generata dalle IA, si continua ad alimentare la corsa alla loro produzione deve esserci un motivo. Per rispondere credo sia necessario, una volta ancora, scavare nel passato recente della produzione di Hito Steyerl. Da tempo, infatti, Steyerl ha ridefinito l’idea di immagine operazionale e se Harun Farocki, suo amico e maestro, aveva posto l’attenzione sulla trasformazione dell’immagine che dal rappresentare passa a essere un elemento necessario per il completamento di operazioni meccaniche, per Steyerl l’immagine operazionale è e non può che essere inserita negli interessi degli asset finanziari. Queste immagini sono lo strumento che realizza il “circolazionismo” di cui l’artista parla nel suo saggio Too Much World: Is the Internet Dead? (2013). Se le avanguardie sovietiche pensavano a un’arte produttivista perché integrata nella produzione della fabbrica, il capitalismo finanziario si appropria del sogno bolscevico con un’arte che nell’accelerare la creazione e la circolazione delle sue immagini, diventa essa stessa economia. Un mercato fatto di trasmissioni di prodotti che consumano grandi fette di mondo. Nessuna distinzione tra struttura e sovrastruttura, nessuna differenza tra rappresentazione e prodotto, come in una perpetua riedizione del mago di Oz, il sistema fittizio delle IA agisce al riparo della tenda del black box per aprire un’enorme frattura metabolica digitale. In definitiva con il suo libro Hito Steyerl svela un’economia saldamente basata sulle contraddizioni nascoste del capitalismo contemporaneo che si fondano sulle differenze tra l’economia e le sue condizioni di possibilità, tra produzione e riproduzione, società e natura, economia e sistema politico, sfruttamento ed espropriazione. L’arte sta espandendo quelli che sembravano essere i confini materiali del capitalismo e non mi meraviglio, quindi, che sia proprio un artista a confermare quella vecchia storiella secondo cui quando incontri un architetto, una dottoressa o chiunque altro/a, finisci a parlare un po’ di tutto, mentre quando sei con un artista l’unica cosa di cui parli è di soldi. Beh, questa vecchia storiella per forza di cose adesso dice il vero, parlando di nuovi modi di far soldi, della finanziarizzazione e di noi, o quantomeno delle nostre orrende immagini generate con le IA. L'articolo Estetica del surriscaldamento proviene da Il Tascabile.

A lcuni ci avevano avvisato sul fatto che a un certo punto l’immagine avrebbe preso il sopravvento, fino a rimodellare la nostra articolazione del senso, il nostro modo di percepire e orientarci nel mondo. Com’è potuto accadere che cose così artificiali e tecniche, come la fotografia e la grafica (un tempo avremmo detto soltanto la pittura), in poco più di un secolo, ci abbiano costretti a rimodellare il linguaggio articolato? Forse non c’è nulla di trascendentale, se si pensa che attualmente pare vengano scattate 5 miliardi di foto al giorno – secondo una stima che definire approssimativa è riduttivo. È invece letteralmente utopico avere l’ambizione di sapere, anche solo in via orientativa, quante sono le immagini guardate ogni giorno. Perché ormai l’immagine non è più soltanto quella fotografata o creata artigianalmente attraverso la grafica, ma è anche quella che viene prodotta da un agente altro: l’intelligenza non umana. Un evento questo che ha spinto l’autore Fred Ritchin, nel suo ultimo libro L’occhio sintetico. La trasformazione della fotografia nell’epoca dell’intelligenza artificiale (2025), a chiedersi: la fotografia può essere ancora credibile? Centinaia di milioni di fotografie ogni ora, rapidamente caricate, modificate, archiviate insieme a miliardi di immagini generate da modelli addestrati sul”“già visto”. In questa marea indifferenziata di pixel, la fotografia, nata come traccia fisica di un evento realmente accaduto, perde progressivamente il suo privilegio di testimone del reale: una foto può essere non solo scattata, ma anche ritoccata, sintetizzata, mescolata a infinite altre. Questa ha ancora lo status di medium ultimo per certificare la verità – il celebre “se non vedo non credo” – che ha avuto fino ad oggi? Detiene ancora questa valenza in un’epoca in cui l’“occhio” non è più solo umano ma sintetico, algoritmico? Ritchin insiste sul fatto che non siamo semplicemente passati da analogico a digitale, ma da immagini ancorate a un evento a immagini prodotte per combinazione statistica di altre immagini: una sorta di “mimesi di mimesi”, copie di copie che costruiscono realtà verosimili a partire da archivi preesistenti. In questo regime, il legame indicale – quel “questa cosa è accaduta davanti a un obiettivo” che garantiva alla fotografia un’aura documentaria – si sfibra. Il risultato è un campo visivo in cui non sappiamo più se ciò che vediamo è stato registrato, simulato o ibridato. > In questa marea indifferenziata di pixel, la fotografia, nata come traccia > fisica di un evento realmente accaduto, perde progressivamente il suo > privilegio di testimone del reale: una foto può essere non solo scattata, ma > anche ritoccata, sintetizzata, mescolata a infinite altre. E tuttavia, sottolinea Ritchin, non siamo condannati a un fatalismo apocalittico, perché nel libro aleggia anche un’atmosfera ottimista. L’intelligenza artificiale (IA) non distrugge la fotografia, può piuttosto diventare uno strumento per ampliare la nostra visione anziché indebolirla. Non è la tecnologia in sé a decidere il destino delle immagini, ma gli usi che ne facciamo, le cornici istituzionali, le forme di responsabilità che sapremo costruire. Per spiegare questo racconta di un aneddoto in cui Russel Brown, il senior art director di Adobe Systems, durante una delle prime presentazioni pubbliche di Photoshop, paragonò il software a un martello: “Posso dare un martello a dieci persone: molti costruiranno un palazzo favoloso, altri impazziranno e distruggeranno qualcosa.” L’invito sembra quindi essere esplicito, a ripensare radicalmente cosa intendiamo per fotografia quando il gesto di scattare, ma anche modificare, e generare per poi eventualmente diffondere, immagini converge nello stesso dispositivo. Ma quali sono i veri apporti estetici che le IA hanno messo a disposizione per l’immaginario umano? Cosa sono riuscite a fare di diverso da ciò che già non fosse in grado di fare l’essere umano con le sue capacità tecniche? Tra il 2022 e il 2023 l’intelligenza artificiale generativa ha iniziato a produrre immagini sorprendenti, ma spesso riconoscibili come artificiali a causa di bizzarri difetti. Le fotografie “impossibili” generate dall’IA presentavano indizi rivelatori: mani con un numero errato di dita, anatomie deformate, occhi leggermente disallineati, sorrisi con troppi denti, e testi completamente senza senso nei loghi o nei cartelli. Questi errori ricorrenti – una mano con sei o più dita, un volto dai lineamenti sfalsati o scritte simili all’inglese ma prive di significato – sono diventati icone involontarie dell’estetica IA primitiva. Queste stranezze non erano limitate alle figure umane. Nei primi esperimenti, chiedere a un’IA di generare un’immagine con testo (per esempio un’insegna o dei sottotitoli) produceva gibberish, stringhe di lettere che ricordavano vagamente parole inglesi ma erano prive di senso compiuto. Su Internet c’è stato ovviamente qualcuno che ha addirittura relegato questo fenomeno a nuovo slang o sottocultura, ma la cosa non ha avuto seguito. All’epoca, questi difetti venivano perlopiù considerati incidenti di percorso. I progettisti di modelli IA lavoravano per eliminarli, mentre online ci si faceva ironia: gallerie di AI fails mostravano mani mostruose e volti inquietanti facendo ridere e rabbrividire al tempo stesso. Eppure, fin dall’inizio si è creata l’opportunità di chiedersi se in quelle imperfezioni non ci fosse un valore estetico latente. Dopotutto, la storia della cultura visuale (ma anche di qualsiasi tipo di cultura) insegna che ciò che in un’epoca è un limite tecnico o un errore, in seguito può essere rivalutato come cifra stilistica. > Invece di scartarle, si possono considerare le “allucinazioni” dell’IA nel > produrre immagini come un nuovo linguaggio visivo, emerso al confine tra > intenzione umana e caos puramente algoritmico. È la logica alla base della > glitch art, già nota in ambito musicale. Basti pensare alla grana sporca delle foto analogiche, alle distorsioni delle videocassette VHS o ai pixel grossolani dei videogiochi anni Ottanta: elementi nati da tecnologie immature, ma che oggi suscitano nostalgia e vengono spesso ricreati volutamente per ottenere un certo mood rétro. Vinili e pellicole analogiche hanno imperfezioni (fruscii, graffi, granulosità) che i supporti digitali hanno eliminato, eppure c’è tutta una piccola umanità che invece le apprezza come texture che danno calore e autenticità all’esperienza. Allo stesso modo, nella fotografia contemporanea c’è chi aggiunge grana, sfocature e piccoli difetti alle immagini digitali perfette, per farle sembrare più vive e credibili. Nel caso specifico dell’AI art – se così si può chiamare –, già nel 2023 alcuni artisti hanno iniziato a rivalutare i glitch generativi come forma d’espressione. Con un po’ di romanticismo, è possibile credere che dalle “allucinazioni” dell’IA (quelle strane deviazioni dal prompt originale) si possano rivelare la personalità del modello, il suo processo interpretativo, quasi fossero la firma involontaria della macchina. Invece di scartarli, li si può considerare un nuovo linguaggio visivo, emerso al confine tra intenzione umana e caos puramente algoritmico. È la logica alla base della glitch art, già nota in altri campi, non solo visivo, ma anche ad esempio musicale, come per il caso del genere glitch music – per l’appunto. D’altronde, introducendo volutamente certi difetti, si può arricchire la palette estetica: colori sbagliati possono dare un tocco onirico, pixelazioni e artefatti evocare la nostalgia dei primi videogame, mentre sproporzioni e sovrapposizioni generano inquietudine surrealista: c’è insomma chi vede in quegli errori non solo qualcosa da correggere, ma un potenziale espressivo da coltivare. Col passare dei mesi, comunque, i modelli generativi hanno iniziato a migliorare. Le versioni più recenti di Midjourney, Stable Diffusion e altri sembrano aver imparato a rispettare meglio il numero di dita e la simmetria dei volti, mentre i prompt testuali vengono interpretati con maggior precisione. Si avvicina così l’orizzonte di una “trasparenza” totale dell’immagine IA: uno scenario in cui un occhio umano medio non riuscirà più a distinguere una foto reale da una perfettamente sintetizzata. Paradossalmente, però, più l’IA raggiunge la perfezione mimetica, più rischia di generare risultati freddi, troppo levigati, privi di quei piccoli segni di vita che rendono un’immagine davvero “umana”. È qualcosa di simile al cosiddetto problema dell’uncanny valley, seppure in una nuova veste: un volto generato al computer può avere tutti i pixel al posto giusto, eppure risultare freddo e senz’anima perché manca di quella irregolarità organica cui il nostro cervello è abituato. Non è la perfezione a rendere umano qualcosa, quanto piuttosto l’imperfezione. Non sorprende allora che già oggi molti creator nei prompt specifichino elementi come “unpolished, grainy, off-center” per ottenere immagini più credibili e dotate di atmosfera. In pratica, stiamo chiudendo il cerchio: dopo aver inseguito la qualità perfetta, reintroduciamo il difetto per recuperare calore e familiarità. Una vera e propria battaglia tra umano e simulacro, fatta di perdite e guadagni verso il reale. Ma al di là della ricerca di realismo, c’è un altro motivo per cui le imperfezioni potrebbero tornare protagoniste: il loro valore nostalgico e culturale. Gli artefatti delle prime immagini IA potrebbero diventare presto ciò che la pellicola sgranata è per i fotografi analogici, o ciò che i filtri 8-bit sono per i fan dei videogiochi rétro: un segno distintivo di un’epoca passata, da omaggiare e riprodurre per evocare determinate sensazioni. Non è quindi fantascientifico pensare che in un futuro prossimo queste imperfezioni verranno volontariamente imitate, per creare un effetto nostalgico e inquietante. Colori leggermente sbagliati, qualche mano con sei dita sullo sfondo e scritte pseudoinglesi sui cartelli stradali e si è subito in piena IA vintage. Sono dettagli che, per chi ha vissuto l’era pionieristica dell’AI art, richiameranno immediatamente un senso di déjà-vu, il ricordo di quando quelle immagini ci stupivano e spaventavano insieme per la loro stranezza. > Paradossalmente, però, più l’IA raggiunge la perfezione mimetica, più rischia > di generare risultati freddi, troppo levigati, privi di quei piccoli segni di > vita che rendono un’immagine davvero “umana”. È qualcosa di simile al > cosiddetto problema dell’uncanny valley, seppure in una nuova veste. Del resto, la nostalgia spesso si lega a periodi di trasformazione tecnologica. All’inizio, le innovazioni appaiono sgangherate, come fossero giocattoli imperfetti; poi, quando maturano e diventano ubiquitarie, guardiamo con tenerezza alle loro versioni arretrate. È quello che è successo con il web: chi ha conosciuto l’Internet ruggente degli anni Novanta ricorda la grafica rudimentale delle pagine Geocities, così come i suoni gracchianti del modem 56k e i forum anarchici pieni di GIF sgrammaticate. Oggi quell’estetica lo-fi è oggetto di revival: non solo come kitsch divertente, ma come simbolo di un’epoca considerata più ingenua e libera. Ma da questo punto di vista, l’esempio emblematico è sicuramente il fenomeno vaporwave. Nato nei primi anni 2010, è un movimento musicale e poi visivo che non rimanda a una nostalgia “rosa e fiori”, ma più concettuale. Esprime infatti la malinconia di un futuro che ci era stato promesso e che invece non si è mai realizzato. Tutta la potenza utopistica e tecnologica della prima fase internettiana, poi svanita dietro alle sovrastrutture tecnocapitaliste che l’hanno depredata. L’idea di una rete libera, democratica, quasi socialista è raccontata attraverso quelle visioni ingenue e ipomediali, ma proprio per questo affascinanti come incisioni rupestri. > Il fenomeno vaporwave è un movimento musicale e poi visivo che esprime la > malinconia di un futuro che ci era stato promesso e che invece non si è mai > realizzato. Tutta la potenza utopistica e tecnologica della prima fase > internettiana, poi svanita dietro alle sovrastrutture tecnocapitaliste che > l’hanno depredata. Viene allora da chiedersi: di cosa avremo nostalgia, riguardo alle prime immagini IA, dal momento che, nel caso delle IA visuali, non c’è stata una vera “età dell’innocenza” idealistica? Queste tecnologie nascono infatti nel pieno dominio delle multinazionali tech: i modelli più avanzati sono custoditi da pochi giganti (OpenAI, Google, Meta…), integrati in piattaforme chiuse e subito orientati al mercato. Non c’è stato neanche il tempo di un sogno utopico condiviso prima della loro commercializzazione di massa. Anzi, fin dall’inizio il dibattito sulle IA generative è stato inquinato da preoccupazioni concrete: copyright, deepfake, bias etici, concentrazione di potere e così via. A differenza del web anni Novanta – percepito allora come una frontiera libera in cui chiunque poteva costruire il proprio sito e magari cambiare il mondo – l’IA degli anni Venti è arrivata già incapsulata in app e servizi preconfezionati, con livelli di accesso differenziati (versioni gratuite con limitazioni, modelli open-source meno performanti rispetto a quelli proprietari, e via di questo passo). Inoltre, l’assenza di un’identità “comunitaria” forte (le community di AI art sono sorte su Discord e forum, ma perlopiù come utilizzatori di uno strumento più che come movimento culturale coeso) fa sì che la nostalgia non possa basarsi sulla memoria di un ideale condiviso tradito – poiché tale ideale non c’era in partenza. Eppure, ciò non significa che non nascerà affatto nostalgia. Sarà una nostalgia solo estetica, più legata alla sensazione di quel periodo pionieristico che non a un valore ideologico. Sarà, per capirci, simile alla nostalgia che si prova rivedendo la grafica di un vecchio videogioco: non importano tanto le condizioni sociali in cui quel gioco uscì, quanto le emozioni che ci dava la sua estetica oggi sorpassata. Analogamente, chi ha sperimentato le prime AI art ricorderà l’emozione mista a inquietudine nel vedere il computer tentare di generare realismo e fallire in modo spettacolare: quei fallimenti inaspettati erano il segno di una macchina alle prime armi, quasi infantile nella sua creatività caotica. Del resto, c’è già oggi un velo di futura malinconia anche nel sapere che certe immagini non potranno più essere “sbagliate così”. Nel suo piccolo, stiamo vivendo un momento storico irripetibile. Volendo dare una lettura sbrigativa si potrebbe affermare che ciò che manca è la politica e ciò che abbaglia è invece l’estetica. L'articolo La vaporwave delle IA proviene da Il Tascabile.

P roviamo a immaginare questa scena: siamo nello studio di un ambulatorio ospedaliero di medicina interna. Il monitor è acceso da qualche minuto. La cartella clinica digitale è completa: anamnesi, esami ematochimici, imaging, una serie di indicatori sintetizzati in grafici che scorrono ordinati sulla destra dello schermo. In basso, evidenziata in un riquadro discreto ma visivamente centrale, compare una raccomandazione: probabilità di beneficio elevata, rischio accettabile, consigliato l’avvio di una terapia anticoagulante in un paziente con fibrillazione atriale e profilo di rischio tromboembolico significativo. Il medico legge, rilegge, poi alza lo sguardo verso il paziente seduto di fronte a lui. La decisione, almeno formalmente, spetta ancora a lui. Non c’è nulla di coercitivo in quel suggerimento. Nessun allarme rosso, nessun obbligo esplicito. Eppure, il peso che esercita è tangibile. Non perché imponga una scelta, ma perché la rende asimmetrica: accoglierla significa seguire una traiettoria già validata, statisticamente fondata, condivisa da un’infrastruttura che promette affidabilità; discostarsene richiede invece una giustificazione ulteriore, una deviazione consapevole che dovrà essere spiegata, forse difesa. In questo scarto silenzioso prende forma una nuova condizione della decisione clinica contemporanea: un atto che resta umano nella sua firma finale, ma che viene preparato, orientato e in parte anticipato da sistemi tecnologici sempre più pervasivi, come accade nei sistemi di supporto alle decisioni cliniche (CDSS, Clinical Decision Support Systems), software che analizzano dati sanitari e suggeriscono possibili decisioni terapeutiche, affiancando il giudizio clinico senza sostituirlo. > Studi clinici hanno mostrato che modelli di deep learning possono raggiungere > prestazioni comparabili o superiori a quelle degli specialisti > nell’identificazione di patologie come tumori cutanei o lesioni radiologiche > complesse. Scene come questa non sono eccezionali. Si ripetono quotidianamente in reparti ospedalieri, ambulatori, pronto soccorso. A volte il suggerimento arriva sotto forma di punteggio di rischio inteso come una stima numerica della probabilità che si verifichi un determinato evento clinico, altre come raccomandazione terapeutica, altre ancora come priorità di accesso a una procedura. Cambia l’interfaccia, non la logica sottostante: un insieme di modelli predittivi, regole apprese dai dati, correlazioni statistiche trasformate in indicazioni operative. Studi clinici hanno mostrato che modelli di deep learning, cioè sistemi informatici che apprendono a riconoscere schemi complessi analizzando grandi quantità di dati, in modo simile a come l’esperienza permette agli esseri umani di affinare il riconoscimento visivo,  possono raggiungere prestazioni comparabili o superiori a quelle degli specialisti nell’identificazione di alcune patologie, come tumori cutanei o lesioni radiologiche complesse, contribuendo a migliorare l’accuratezza diagnostica e la stratificazione del rischio nei pazienti. In questi contesti, l’intelligenza artificiale (IA) non sostituisce il medico, ma amplia la sua capacità di osservazione, rendendo disponibili informazioni che difficilmente emergerebbero dall’esperienza individuale. La decisione resta nelle mani del clinico, ma viene indirizzata verso opzioni considerate ragionevoli, efficienti e più facilmente giustificabili, che orientano il percorso di cura. La scena raccontata a inizio articolo ha radici lontane. Già nel Novecento i primi sistemi di supporto alle decisioni cliniche aiutavano il medico a ridurre la variabilità e l’errore, affiancando il giudizio umano con strumenti oggettivi. Tra questi primi sistemi c’era ad esempio MYCIN, sviluppato negli anni Settanta all’Università di Stanford, che aiutava a diagnosticare infezioni batteriche e suggeriva dosaggi di antibiotici basandosi su un insieme di regole codificate dagli esperti. Sempre in quegli anni, altri sistemi, come Internist-1, fornivano supporto nella diagnosi di malattie complesse, chiedendo al medico di inserire sintomi e segni clinici per ottenere un elenco di possibili diagnosi ordinate per probabilità. All’epoca si trattava di strumenti relativamente semplici, costruiti su poche variabili e su schemi decisionali predefiniti; oggi parliamo, invece, di modelli complessi, addestrati su milioni di dati, in grado di cogliere pattern invisibili all’esperienza individuale. Ma il nodo concettuale resta sorprendentemente simile: come cambia una decisione quando non nasce più soltanto dal sapere di una persona, ma da un’infrastruttura che combina l’intelligenza di esseri umani e macchine, come già avveniva nei primi sistemi esperti medici sviluppati negli anni Settanta. > L’intelligenza artificiale non decide al posto del medico, piuttosto > costruisce l’orizzonte entro cui la decisione prende forma. Il risultato è una > forma di delega parziale, che non elimina la responsabilità individuale ma la > riorganizza. Un episodio spesso citato nella storia della medicina computazionale riguarda l’introduzione dei primi sistemi di triage algoritmico nei pronto soccorso statunitensi. Nati per gestire l’aumento dei flussi e ridurre i tempi di attesa, questi strumenti promettevano di assegnare le priorità in modo più equo e razionale. Il personale restava libero di intervenire, di modificare l’ordine suggerito. Tuttavia, col tempo, la deviazione dalla raccomandazione algoritmica iniziò a essere percepita come un’eccezione da giustificare, non come una delle alternative legittime. Il criterio implicito non era più soltanto “che cosa è meglio per questo paziente”, ma anche “che cosa è difendibile rispetto a ciò che il sistema indica”, una dinamica che diventa particolarmente visibile quando gli algoritmi incidono sulla distribuzione delle risorse sanitarie. Un caso emblematico riguarda un algoritmo ampiamente utilizzato negli Stati Uniti per identificare i pazienti che necessitavano di programmi di assistenza sanitaria intensiva. Studi successivi hanno mostrato che il sistema sottostimava sistematicamente i bisogni dei pazienti neri rispetto a quelli bianchi con condizioni cliniche simili, perché utilizzava i costi sanitari sostenuti in passato come proxy dello stato di salute. Poiché storicamente i pazienti neri avevano avuto minore accesso alle cure, il modello interpretava questa minore spesa come indicatore di minore gravità clinica, riproducendo e amplificando una disuguaglianza preesistente. L’errore non nasceva da una decisione discriminatoria esplicita, ma dalla logica statistica incorporata nel sistema. Qui emerge il nodo centrale della questione. La decisione resta, sulla carta, un atto umano: qualcuno clicca, firma, approva. Ma il contesto in cui quella decisione viene presa è radicalmente trasformato. L’IA non decide al posto del clinico; piuttosto, costruisce l’orizzonte entro cui la decisione prende forma, stabilendo ciò che appare normale, probabile, raccomandabile. Il risultato è una forma di delega parziale, spesso impercettibile, che non elimina la responsabilità individuale ma la riorganizza. Riflettere su questo passaggio non significa denunciare una perdita di umanità né invocare un ritorno a un passato idealizzato. Significa piuttosto rendere visibile un passaggio spesso dato per scontato: quello in cui la decisione, pur restando formalmente umana, viene progressivamente trasformata in un atto di ratifica di suggerimenti prodotti altrove. È da questo punto che occorre partire per interrogarsi sul ruolo dell’intelligenza artificiale in sanità, non come semplice strumento tecnico, ma come dispositivo culturale che ridefinisce il modo in cui decidiamo, giudichiamo e assumiamo responsabilità. Decidere, giudicare, approvare: una breve genealogia culturale Decidere non è mai stato un gesto semplice. Nella tradizione occidentale, la decisione è stata a lungo pensata come un atto puntuale, un momento in cui il giudizio si cristallizza, assumendo la forma di una scelta che impegna chi la compie. Ma questo atto è sempre stato sostenuto da un processo più ampio, fatto di valutazioni, confronti, mediazioni e, soprattutto, da un’assunzione di responsabilità che non si esaurisce nell’istante della scelta. Nel contesto clinico, questa stratificazione è particolarmente evidente. Il medico non decide soltanto, ma giudica sulla base della propria esperienza, interpreta segni e sintomi, assume su di sé il rischio dell’errore. La decisione non coincide con la procedura, ma con la capacità di rispondere delle conseguenze di ciò che si è scelto di fare o di non fare. A partire dal Novecento, questo equilibrio comincia lentamente a spostarsi. Con l’espansione delle organizzazioni complesse e della burocrazia moderna, il giudizio individuale viene progressivamente affiancato da procedure standardizzate. Max Weber descriveva questo passaggio come una razionalizzazione necessaria: regole formali, criteri impersonali, processi replicabili servono a garantire equità, prevedibilità, controllo. La decisione, in questo schema, non scompare, ma viene incastonata in una sequenza di passaggi che ne delimitano il perimetro. > Il medico non decide soltanto, ma giudica sulla base della propria esperienza > e si assume il rischio dell’errore. La decisione non coincide con la > procedura, ma con la capacità di rispondere delle conseguenze di ciò che si è > scelto di fare. O di non fare. In altre parole, il giudizio si trasforma progressivamente in procedura: l’atto decisionale diventa il punto finale di un percorso già in gran parte tracciato. Questo spostamento non modifica solo il modo di decidere, ma ridefinisce il significato stesso della responsabilità: se la decisione è l’esito “corretto” di una procedura correttamente seguita, la responsabilità tende a spostarsi dall’atto al processo. Non si tratta più di dire “ho deciso questo”, ma di poter affermare “ho seguito ciò che era indicato”. È su questa trasformazione, spesso silenziosa, che opera oggi l’intelligenza artificiale. Che cosa fa oggi l’IA generativa in sanità Quando si parla di intelligenza artificiale in sanità, l’immaginario oscilla tra due estremi: da un lato la promessa di macchine che decidono al posto dei medici, dall’altro l’idea rassicurante di strumenti neutrali che si limitano a “supportare” il lavoro umano. La realtà è più sfumata e più interessante. Oggi l’IA generativa e predittiva opera principalmente come infrastruttura decisionale. Non prende decisioni cliniche autonome, ma organizza informazioni, suggerisce interpretazioni, propone priorità. Nei sistemi di supporto diagnostico, analizza immagini, testi clinici, dati di laboratorio per individuare pattern compatibili con determinate condizioni. Nei modelli predittivi, stima rischi futuri: progressione di malattia, probabilità di eventi avversi, risposta a un trattamento. Nel triage e nella stratificazione del rischio, questi sistemi contribuiscono a ordinare i pazienti secondo criteri di urgenza o complessità, allocando risorse scarse ‒ tempo, posti letto, interventi ‒ in modo ritenuto più efficiente. Nelle raccomandazioni cliniche, integrano linee guida e dati individuali per suggerire opzioni terapeutiche personalizzate. È importante notare che, nella maggior parte dei casi, non si tratta di automazione della scelta, ma di automazione del contesto decisionale. L’IA non dice “fai questo”, ma costruisce un ambiente in cui alcune opzioni emergono come naturali, altre come marginali. Rende alcune decisioni più rapide, più giustificabili, più difendibili. E, così facendo, ridefinisce ciò che appare ragionevole. > Quando qualcosa va storto, l’errore non è più attribuibile a un singolo > individuo, ma al sistema nel suo complesso: non c’è colpa, ma > malfunzionamento; non responsabilità, ma errore tecnico. Questa infrastruttura è spesso invisibile. Il clinico vede il risultato, un punteggio, una raccomandazione, ma non il lavoro di selezione, pesatura e normalizzazione che lo ha prodotto. L’intelligenza artificiale non si presenta come un nuovo decisore, ma come uno sfondo operativo che accompagna ogni gesto. Il clic che decide Non è solo la sanità a sperimentare la frammentazione delle decisioni. Accade ogni volta che ci affidiamo a sistemi che guidano le nostre scelte: per esempio, lasciamo che algoritmi filtrino i candidati per una posizione lavorativa prima ancora che qualcuno li valuti personalmente; utilizziamo valutazioni di rischio prodotte da sistemi finanziari o assicurativi per orientare decisioni economiche e contrattuali; accettiamo i suggerimenti delle piattaforme digitali, cosa guardare, cosa comprare, cosa leggere, senza conoscere i criteri con cui quelle raccomandazioni sono state prodotte. In tutti questi casi, la decisione viene scomposta in microdeleghe: nessuno decide tutto, ma ciascuno approva un passaggio. Quando qualcosa va storto, l’errore non è più attribuibile a un singolo individuo, ma al sistema nel suo complesso: non c’è colpa, ma malfunzionamento; non responsabilità, ma errore tecnico. Gli studi sul bias di automazione spiegano come gli operatori tendano a fidarsi dei suggerimenti delle macchine anche quando sono errati, perché seguire la raccomandazione riduce il carico cognitivo. In sanità, questo crea un paradosso: il medico resta formalmente responsabile, ma il margine effettivo di intervento si riduce, e la responsabilità si sposta dal gesto decisionale al clic finale: non “che cosa hai deciso”, ma “perché non hai seguito ciò che era indicato”. La letteratura sulle responsabilità mediche nell’era dell’IA sottolinea come la supervisione umana rimanga obbligatoria e non possa essere semplicemente delegata alla tecnologia. Sistemi di supporto decisionale come quelli utilizzati nella prescrizione elettronica di farmaci possono ridurre alcuni errori, ma introducono nuove vulnerabilità quando il medico si affida senza verificarne le indicazioni. Studi sull’uso di sistemi di allerta clinica hanno mostrato che i professionisti tendono talvolta ad accettare le raccomandazioni algoritmiche senza verificarle criticamente, soprattutto in condizioni di carico cognitivo elevato, mentre in altri casi sviluppano una forma di assuefazione agli avvisi ripetitivi, ignorando segnali potenzialmente rilevanti. Questo fenomeno, noto come automation bias, cioè la tendenza a fidarsi eccessivamente delle indicazioni dei sistemi automatizzati, non elimina il ruolo umano, ma lo trasforma: il rischio non è più soltanto l’errore individuale, ma l’interazione imperfetta tra operatore e sistema. > In alcuni casi gli operatori tendono a fidarsi dei suggerimenti delle macchine > anche quando sono errati, sia perché seguire la raccomandazione riduce il > carico cognitivo, sia perché una scelta alternativa potrebbe comportare > responsabilità legali. È qui che emerge lo slittamento cruciale: quando un suggerimento è ragionevole, tempestivo e probabilistico, diventa difficile ignorarlo. Non perché sia obbligatorio seguirlo, ma perché offre la via di minor resistenza. La decisione non viene sottratta, ma alleggerita e trasformata. Il clinico resta libero di fare diversamente, ma questa libertà è asimmetrica: seguire la raccomandazione richiede poco (un clic, una firma, un’approvazione) mentre deviare comporta lavoro cognitivo e morale extra, spiegazioni, documentazioni, assunzione di rischi clinici, organizzativi e legali. Questioni etiche come trasparenza, responsabilità e bias nei sistemi di IA sono tra i nodi critici nel dibattito sull’integrazione dell’IA nei processi clinici. Nei casi di terapia intensiva, ad esempio, scegliere un trattamento diverso da quello suggerito dai modelli predittivi può comportare responsabilità legali e giustificazioni agli audit clinici, anche quando la deviazione è clinicamente motivata. La decisione tende così a diventare ratifica: non per rinuncia consapevole, ma come esito naturale di un processo che ha già selezionato l’opzione “migliore”. La velocità del suggerimento e l’aura di oggettività che lo accompagna ‒ numeri, percentuali, modelli ‒ funzionano come criteri morali impliciti: ciò che è rapido e calcolato appare anche giusto. La responsabilità resta sempre del medico, ma cambia forma: non riguarda tanto la scelta in sé, quanto il seguire, o non seguire, i suggerimenti del sistema. La libertà di decidere esiste ancora, ma è più difficile da esercitare e spesso poco visibile. Agentività residuale e libertà formale L’effetto di questi meccanismi non è tanto l’eliminazione della libertà decisionale, quanto la sua progressiva rarefazione. La possibilità di scegliere diversamente rimane formalmente intatta, ma perde centralità nella pratica quotidiana. La decisione autonoma non scompare, ma viene spostata ai margini, trasformata in evento eccezionale, da attivare solo quando qualcosa interrompe il flusso ordinario del lavoro clinico. L’agentività che resta, cioè il margine reale di decisione e di azione autonoma del clinico, la sua capacità effettiva di agire intenzionalmente e assumersi la responsabilità delle proprie scelte, è residuale. Non perché sia stata abolita, ma perché è stata resa onerosa. La libertà decisionale sopravvive come eccezione, non come norma. In molti settori tecnologici, dall’aviazione alla finanza algoritmica, si osserva un fenomeno simile: gli operatori formalmente possono intervenire, ma ogni deviazione dai protocolli automatizzati richiede una documentazione aggiuntiva e aumenta il rischio di responsabilità. Anche la storia della medicina offre paralleli. L’introduzione dei protocolli di sicurezza chirurgica o dei sistemi di prescrizione elettronica ha ridotto gli errori, ma ha trasformato la libertà decisionale individuale in un esercizio oneroso e spesso invisibile. > La questione non è scegliere tra autonomia umana e automazione, ma riconoscere > ciò che accade nello spazio intermedio tra suggerimento e scelta. È lì che il > giudizio clinico rischia di ridursi a conferma di opzioni già selezionate > altrove. In questo contesto, la frase “si poteva fare diversamente” perde il suo significato morale. Non indica più una possibilità reale, ma una clausola formale che tutela il sistema, non chi decide. È una libertà che esiste sulla carta, ma nella pratica diventa spesso solo una scelta teorica, costosa in termini di tempo, responsabilità e stress cognitivo. Il margine di decisione personale non scompare, ma si nasconde, e chi la esercita deve confrontarsi con un doppio vincolo: quello della ragione clinica e quello della difendibilità organizzativa. Abitare lo spazio intermedio La medicina non è mai stata un atto solitario: il giudizio medico si è sempre formato all’interno di apparati tecnici, protocolli e strumenti che ne hanno orientato l’esercizio. Ciò che cambia oggi non è la presenza della tecnologia, ma la sua capacità di strutturare in anticipo ciò che appare come una decisione ragionevole. La questione, allora, non è scegliere tra autonomia umana e automazione, ma riconoscere ciò che accade nello spazio intermedio tra suggerimento e scelta. È lì che la raccomandazione algoritmica diventa norma implicita, è lì che il giudizio clinico rischia di ridursi a conferma di opzioni già selezionate altrove. L’agentività che sopravvive non scompare, ma si restringe: non viene negata, viene resa costosa, eccezionale, giustificabile solo a posteriori. In questo contesto, lo scostamento dal suggerimento non è più un gesto ordinario del ragionamento clinico, ma un atto che deve essere difeso. La responsabilità non riguarda più tanto ciò che si decide, quanto il motivo per cui non si è aderito a ciò che era indicato. L’intelligenza artificiale può rendere le decisioni più rapide, più coerenti, più difendibili, ma proprio per questo rischia di rendere meno visibile il momento in cui qualcuno decide davvero. In alcuni casi, gli strumenti predittivi hanno migliorato sensibilmente diagnosi e allocazione delle risorse: ad esempio, modelli predittivi in oncologia hanno aumentato la precisione nella classificazione dei pazienti e nella personalizzazione dei trattamenti, migliorando gli esiti clinici rispetto ai metodi tradizionali. Allo stesso tempo, alcuni studi documentano come algoritmi di supporto decisionale possano riprodurre e amplificare bias preesistenti, generando disparità nei risultati tra gruppi etnici o razziali, specialmente quando i dati di addestramento non sono rappresentativi della popolazione reale; in ambito diagnostico, sono state osservate anche prestazioni peggiori dell’IA su immagini di pazienti con caratteristiche meno rappresentate nei dataset, come alcune condizioni dermatologiche o popolazioni con fenotipi cutanei diversi. Questi esempi illustrano due facce della stessa medaglia: l’IA può ampliare la capacità diagnostica e decisionale, eppure può anche riprodurre disuguaglianze sanitarie e introdurre errori sistematici se non adeguatamente progettata, validata e monitorata. In ultima analisi, la diffusione dell’intelligenza artificiale non elimina la responsabilità individuale, la riorganizza. Non siamo più davanti a un medico che decide “da solo”, ma a un professionista che decide entro un contesto tecnologico e culturale in continua evoluzione, che richiede non solo competenza tecnica, ma anche consapevolezza delle implicazioni etiche e sociali associate all’uso dell’IA in sanità. > L’IA può ampliare la capacità diagnostica e decisionale, ma può anche > riprodurre disuguaglianze sanitarie e introdurre errori sistematici, se non > adeguatamente progettata, validata e monitorata. È proprio in questa riorganizzazione che emerge il cambiamento più rilevante: una medicina in cui la firma continua ad apparire, e il consenso viene formalmente ottenuto, può assumere un valore sempre più simbolico o ridursi a una percezione di controllo, mentre le scelte realmente operative vengono guidate, in parte, da algoritmi e infrastrutture complesse. La responsabilità non scompare, ma si sposta e si distribuisce lungo una catena decisionale più ampia, nella quale diventa meno immediato riconoscere chi abbia davvero deciso. Abitare consapevolmente questo spazio intermedio, tra suggerimento e scelta, tra supporto e delega, non è allora un limite della medicina contemporanea, ma la condizione necessaria per preservarne la libertà e il senso di responsabilità nell’epoca dell’intelligenza artificiale. L'articolo Doctor ex machina proviene da Il Tascabile.

T ra i miei messaggi privati, in una chat che condivido con una persona a me cara, circola ormai una nutrita rappresentanza di video frutto dell’intelligenza artificiale (IA). Clip interamente generate da algoritmi, oppure collezioni ibride di vario genere, che mescolano immagini sintetiche e riprese autentiche. Eppure, a prescindere da quanto siano sofisticati o realistici, nessuno di quei video riesce a suscitare in me una qualche reazione: non credo a ciò che vedo. Fare un ritratto esaustivo del fenomeno dei video generati, sembra un’impresa disperata. Le macchine intelligenti sono ovunque: scuola, lavoro, casa; hanno soppiantato i vecchi motori di ricerca, scrivono messaggi per chat romantiche, compilano liste della spesa; appaiono inevitabili. La fenomenologia dei video generati, in particolare, è investita da una mutazione rapidissima, un’estensione inarrestabile: feed automatizzati, nastri trasportatori di clip il cui unico scopo è gonfiare il traffico di visualizzazioni e interazioni. A guardare i social media, si ha l’impressione di stare scivolando da un livello di simulazione a un altro più profondo. Dopo tre anni di entusiasmo, disorientamento e ambivalenza, uno degli effetti culturali riconoscibili dell’IA è esattamente questo: le persone hanno la sensazione di essere in balia di qualcosa che sfugge senza controllo, come se proprio la realtà stesse deragliando da sotto i piedi. Come ogni tecnologia, i video generati da IA hanno attraversato una loro prima fase embrionale, ma brevissima, durata forse appena un paio d’anni. I risultati iniziali delle applicazioni text-to-video ‒ ovvero clip creati a partire da brevi descrizioni testuali ‒ erano spesso stranianti, bizzarri, allucinati e barocchi. Anche i prodotti più accurati trasmettevano un certo profondo senso di inquietudine digitale. In breve tempo, avevamo imparato a decifrarne la grammatica visiva, fino a normalizzarla. Alcuni utenti ne riproducevano le anomalie dinamiche, impersonandole in forma di meme: braccia che si moltiplicano da sotto una maglietta, piatti di pasta che spuntano sul finale di una rissa, improvvisi rallentamenti, espressioni facciali grottesche, arti deformi, sguardi abbacinati, dinamiche emotive incongruenti e ubriache. Il potenziale dei modelli futuri era già evidente, ma la produzione di video da parte degli utenti restava per lo più motivo di burla e sperimentazione estetica. > Il grado di fedeltà raggiunto dalle IA è impressionante. Sempre più gli indizi > a nostra disposizione, i segnali rivelatori rimasti, sono briciole: piccole > incongruenze, dettagli che appartengono all’osservazione di dinamiche fisiche > complesse non immediatamente evidenti. Oggi, senza che quasi si abbia avuto il tempo di registrarne l’evoluzione, il grado di fedeltà raggiunto dalle IA è impressionante. Sempre più gli indizi a nostra disposizione, i segnali rivelatori rimasti, sono briciole: piccole incongruenze, dettagli che appartengono all’osservazione di dinamiche fisiche complesse non immediatamente evidenti. Video familiari, agenti atmosferici bizzarri, assurdi incidenti stradali, influencer e guru del web, e ovviamente video di animali: cacatua che ballano, orsi, agnelli, maiali e procioni che saltano sui trampolini; cani che salvano umani da pericoli incombenti, gatti che impastano la massa lievitata del pane: una categoria di video dal ricercato mimetismo domestico, che inscenano una quotidianità tenera, buffa, rassicurante. Rispetto ad altre produzioni IA ‒ come quelle utilizzate per gli spot natalizi di aziende quali Coca-Cola e McDonald’s, che aprono importanti questioni politiche sul lavoro creativo ‒ in questa fattispecie di video non v’è alcuna aspirazione: solo presentismo, nessun altrove, nessuna frontiera, solo noi che ci parliamo addosso. Proprio questa estetica piatta, priva di profondità e conflitto, si rivela preziosa per oligarchi e governi autoritari: non un difetto da correggere o interpretare, ma una caratteristica anestetica sfruttata nella propaganda, perché abitua lo sguardo a consumare immagini senza posizionarsi o porsi domande. Simulazioni. Pseudoeventi. Narrazioni Una prima analisi dell’oggetto text-to-video non può prescindere dalla rilettura di Jean Baudrillard e la sua riflessione sui simulacri. Il filosofo descrive un regime visivo “democratizzato” in cui immagini vere e false posseggono la stessa dignità. Nel suo libro America (1986), racconta una visita al museo delle cere di Buena Park, in California, dove vede esposte fianco a fianco le repliche di Maria Antonietta e di Alice nel Paese delle Meraviglie. Le statue ricevono identico trattamento: cura nei dettagli, realismo espressivo, attenzione scenografica. Le due figure sembrano appartenere allo stesso registro ontologico, quello dei personaggi storici. Nel museo, osserva Baudrillard, accuratezza e realtà storica vengono trattate con atteggiamento casuale, e le questioni dell’aderenza al reale o dell’autenticità non sono prese in considerazione. Applicando queste osservazioni alle macchine algoritmiche dei nostri giorni, dove immagini reali e sintetiche si susseguono indistinguibili e inseparabili, appare evidente come ci si trovi ora nell’ultima fase dell’evoluzione iconica: la simulazione pura ‒ direbbe Baudrillard ‒ dove ogni nuova immagine replica altre immagini, che a loro volta riferiscono ad altre ancora. Visioni che si pongono come completamente autonome dalla realtà, pur rappresentandola. Le IA generative hanno esasperato questa abilità con una potenza esponenziale, rimescolando liberamente database di miliardi di dati visivi per reiterarne altri identici. È il simulacro perfetto. > Se da anni ripetiamo che “i social non sono la realtà”, perché mai ora > dovremmo scandalizzarci all’idea di interagire apertamente con contenuti > artificiali? La velocità sequenziale nella stimolazione visuale, lo scroll, non consente costitutivamente la distinzione critica del vero dal falso. Esporsi a questo carosello senza confini e linee di separazione, vuol dire “perdere la coscienza storica del mondo”: nelle repliche delle repliche, in cui ognuna possiede identico valore e statuto, il rischio è di smarrire la traccia di quanto realmente accaduto ‒ o  sta ancora accadendo. Scorrendo i commenti che migliaia di utenti lasciano sotto questi video, si nota come a una parte della popolazione preoccupata dall’incapacità di riconoscere i video generati con IA, risponde un pubblico altrettanto numeroso che invece non si pone nemmeno la questione. Non ne ha gli strumenti, oppure crede che distinguere il vero dal falso sarà via via meno rilevante. Da cosa nasce questa adesione immediata ai video generati nell’ecosistema digitale? Molto prima dell’avvento delle IA sapevamo che qualsiasi cosa circolasse online ‒ tra sketch, scenette, trovate marketing, filtri ‒ non era autentica. Se da anni ripetiamo che “i social non sono la realtà”, perché mai ora dovremmo scandalizzarci all’idea di interagire apertamente con contenuti artificiali? La nostra fruizione è divenuta, in certo senso, disincarnata: non ci interessa più che dall’altra parte del video ci sia o meno un corpo reale, una prossimità, un conflitto, un affaccendamento davvero umano o animale. Cosa conta dunque? Nello studio “How do users perceive AI? A dual-process perspective on enhancement and replacement” i ricercatori hanno indagato il valore percepito dell’intelligenza artificiale nelle interazioni uomo-macchina. Gli utenti percepiscono l’IA attraverso due processi cognitivi distinti: uno più immediato/affettivo (sistema 1), l’altro riflessivo (sistema 2). I risultati mostrano come la percezione immediata (sistema 1) prevale nella fruizione sociale. Possiamo applicare questa analisi anche alla ricezione dei video: non passiamo quasi mai al sistema 2 dell’analisi, quello che si chiede “è vero? è reale?”, ma restiamo nel sistema 1, la risposta veloce, emotiva, automatica. Inondati dai video generati, la soglia critica si riduce, ciò che importa è l’effetto: “mi fa ridere”, “provoca tenerezza”, “mi turba”. Una postura volutamente naive, ma destinata a diventare quella prevalente nella fruizione dei social media: effetti tangibili di emozione e risposta. Conta ciò che sento, non ciò che è. Il reale si riduce a un’interfaccia adattativa. > L’origine dei video non è più una condizione per stabilirne la veridicità: > accettiamo contenuti falsi perché riconosciamo in essi qualcosa che crediamo > già appartenere alle cose del mondo. In parte, questa dinamica ricorda il lavoro di Gregory Currie in The Nature of Fiction (1990), il quale a proposito della finzione dice che le nostre emozioni si mobilitano anche per eventi che sappiamo non essere mai accaduti, perché li trattiamo come “veri nella storia”, all’interno di uno spazio di simulazione. Nel nostro caso, però, non chiediamo più chi sia l’autore, e il “fictional author” ‒ quel soggetto, dice Currie, che costruiamo mentalmente come autore implicito al momento della lettura, un soggetto che sta “dietro” al testo, con le sue intenzioni, un certo carattere, sensibilità, visione ‒ si frantuma tra utenti, piattaforme, algoritmi e sistemi di prompt automatici. C’è una realtà che emerge dall’apparenza. La teleogenesi dei video ‒ la loro origine ‒ non è più un a priori, una condizione per stabilirne la veridicità: accettiamo contenuti falsi perché riconosciamo in essi qualcosa che crediamo già appartenere alle cose del mondo. Il messaggio dunque, non il messaggero: il problema non è più “chi parla” o “come è stato prodotto”, ma se ciò che vediamo conferma ciò che conosciamo. La forma non dissolve il contenuto, lo rende solo più in sintonia con le nostre aspettative. I video generati servono proprio a continuare a mostrarci ciò che siamo pronti a vedere. Gag costruite, finte candid camera, immagini riprodotte da telecamere a circuito chiuso, interviste falsificate con deepfake tra politici e celebrità, sono contenuti che richiamano quella categoria che Daniel J. Boorstin definiva come “pseudoeventi”, già nel 1961, in The Image: A Guide to Pseudo Events in America. Eventi non veri o falsi stricto sensu, ma scritti, pianificati, orchestrati o provocati, per avvenire in un preciso momento e luogo, generalmente con l’intento di esaltarne sensazionalismo e drammaticità o, come diremmo oggi, per favorire il click-baiting. Secondo la definizione di Boorstin, gli pseudoeventi non si oppongono ai fatti reali, ma agli eventi spontanei, e proprio queste loro caratteristiche hanno reso sempre più labile la distinzione tra eventi reali e falsi nel panorama mediatico. L’assuefazione alla proliferazione degli pseudoeventi ha fatto sì che tutte le narrazioni vengano recepite come tali. Allo stesso modo, nella proliferazione dei video IA, la ricerca dell’effetto estetico ideale diventa un atto manipolatorio: il valore della testimonianza, nel regime dei video sintetici, perde del tutto la sua efficacia, e la realtà viene letta come cinema ‒ o respinta come una messinscena, anche quando autentica (un caso evidente è stato quanto accaduto con l’omicidio di Renee Nicole Good in Minnesota). La narrazione non si limita a descrivere il mondo ma agisce su di esso. Le tecniche con cui una storia viene raccontata ‒ e oggi promossa, amplificata, mercificata ‒ hanno da sempre la capacità di riscrivere la realtà. Bruce Chatwin ha letterariamente inventato l’identità della sua Patagonia ne In Patagonia (1977), eppure quel racconto è diventato geopoiesi, immaginario condiviso. Chatwin ricorre a un collage di aneddoti, personaggi, leggende e folklore, che mescola realtà e finzione per servire un intento narrativo. Gli esempi in tal senso abbondano: dal turismo che ha riconfigurato le location scelte per la serie Game of Thrones, all’iconografia del manga One Piece di Eiichiro Oda usata come simbolo delle proteste in Nepal, fino alla grande parata del Giorno dei morti a Città del Messico ‒ inesistente prima che fosse immaginata per il film Spectre (2015) di Sam Mendes, e ora istituzionalizzata. La fiction modella l’esperienza. Così fanno i video generati, che forniscono coordinate emotive e culturali. Gli animali IA che saltano sui tappeti elastici plasmano la nostra percezione del possibile, forgiano le nostre aspettative ‒ “perché il mio corgi non usa il mattarello come in quel video?”. La realtà è un effetto narrativo. > È la realtà stessa a non essere più sicura per noi. Per intrattenerci, basterà > che tutto sia “verosimile”: qualcosa che potrebbe essere successo, o che > potrebbe accadere di lì a poco. Tutto sembra dirci che le IA, in fin dei conti, non sono più strane del mondo stesso, o delle creature che lo abitano. Ci arrenderemo perché tutto è ingovernabile. È la realtà stessa a non essere più sicura per noi. Per intrattenerci, basterà che tutto sia “verosimile”: qualcosa che potrebbe essere successo, o che potrebbe accadere di lì a poco. Una questione di verosimiglianza Jakob Süskind, nell’articolo “Verisimilitude or Probability? The history and analysis of a recurring conflation” (2025) esplora il concetto di verisimilitude, ossia “vicinanza alla verità” o “verosimiglianza” dal punto di vista della filosofia della scienza, e sottolinea come alcune teorie, pur false, risultino più verosimili di altre. In quest’ottica, anche un video generato può essere al contempo “meno vero” ma “più verosimile”: può sembrare più vicino alla nostra verità di quanto lo fosse la realtà precedente. Il problema, naturalmente, è che il “verosimile” si fonda su prompt che riflettono la nostra visione del mondo ‒ limitata, parziale, viziata dai nostri bias e caricata delle nostre attese. Secondo la filosofia dell’informazione di Luciano Floridi, la distinzione vero/falso sfuma o viene superata quando subentra l’effetto informativo. Non conta più la corrispondenza con un mondo esterno, quanto la relazione informativa che il soggetto instaura con il contenuto: qualcosa è “verosimile” se è integrato nel flusso informativo che abitiamo. La soglia della verità ontica viene trascesa, il criterio diviene: “mi informa, mi coinvolge, produce effetto”. Il video IA non deve essere “vero”: deve solo funzionare ‒ informare ‒ come se lo fosse. Anche Mario Perniola si è confrontato nei suoi lavori con estetica, media, soggettività tecnologica e simulacro, ma in un’accezione diversa da quella di Baudrillard. Perniola intendeva il simulacro come una forma ludica dell’espressione culturale e artistica, che eccede ‒ o non appartiene ‒ alla dicotomia vero/falso. In questa chiave, il video IA è un simulacro non in quanto imitazione del reale, ma perché obbedisce a una propria logica di esistenza estetica, che è tutta fondata sul “come se” appunto: la coerenza con i nostri immaginari e schemi percettivi. In E: La congiunzione (2021), Franco Berardi “Bifo” scrive che il governo di queste tecnologie è in mano alle “corporation dell’imagineering”, le quali “hanno scavato le trincee immateriali del tecno-schiavismo e del conformismo di massa.” Il semiocapitalismo riconfigura la relazione tra estetica ed economia: l’accumulazione finanziaria oggi coincide con l’accumulazione estetica digitale, con l’intrattenimento. La penetrazione capitalista nell’inconscio collettivo avviene attraverso la saturazione degli spazi di immaginazione, con una “produzione illimitata di realtà visibile”: rendere visibile tutto ciò che si può immaginare. Sospinta dalle multinazionali globali – Meta, TikTok, Google con YouTube, Sora2 di OpenAI, e altre – la stratificazione algoritmica produce un ambiente visivo che appare reale per frequenza e familiarità. In quel suo “funzionare” il sistema costruisce un mondo percettivo riconosciuto come legittimo. Un flusso ininterrotto di filmati che genera simulazioni infinite, alimentando un ambiente semiosferico ‒ cioè uno spazio saturo di segni e riferimenti che forma la nostra percezione condivisa ‒ in grado di colonizzare l’intero immaginario globale. > Nei video generati, ciò che cambia non è tanto il contenuto, quanto il modo in > cui lo guardiamo – o da cui siamo guardati. La simulazione non è “più reale del reale stesso”, come direbbe Baudrillard, ma ‒ almeno nella cultura fondamentalmente visuale dell’Occidente ‒ l’IA risulta reale tanto quanto la realtà irreale nella quale viviamo. In questa superfetazione simbolica gli algoritmi generativi saturano la realtà di simboli, interpretazioni, significati, immagini e dati, facendola sparire dietro a una foresta di copie e rappresentazioni. Un nuovo processo di accumulo mediale e tecnologico si innesta senza fine sui precedenti, prima che si abbia avuto il tempo di assimilarli. “Sembra IA”. La svolta percettiva I video generati da IA rappresentano l’emersione di un nuovo paradigma di simulazione che ha invaso il nostro campo percettivo. Già Marshall McLuhan parlava dei media come estensioni del nervo sensoriale umano, mentre per Bifo, l’infosfera agisce direttamente sul sistema nervoso della società, non si limita più ad ampliare i nostri sensi, modifica ciò che siamo abituati a sentire e a riconoscere in una “natura post-naturale del sensorio”: un sistema percettivo rieducato dai flussi digitali e automazioni inorganiche, più che dal mondo materiale. Questo scenario impone di ripensare il concetto di “post-verità” estendendolo alla sfera estetico-percettiva. In L’occhio della macchina (2018), Simone Arcagni esplora la tecnologia dell’informazione come dispositivo di visione e percezione: l’occhio della macchina media lo sguardo umano secondo meccanismi tecnico‑algoritmici, trasformando la nostra soggettività visiva e rendendoci partecipi di una percezione ibrida, uomo‑macchina. Nei video generati, ciò che cambia non è tanto il contenuto, quanto il modo in cui lo guardiamo – o da cui siamo guardati. Non è la prima volta che ci troviamo di fronte a un punto di svolta percettivo innescato dalla tecnologia dell’immagine. Nel 1994 e nel 1995, Lev Manovich identificava l’emergere del “realismo sintetico” come una cesura fondamentale, citando Jurassic Park (1993) di Steven Spielberg tra i momenti cruciali della transizione dal cinema fotografico al cinema digitale. La settima arte cambiava identità: “Oggi, nell’era dei media informatici, [filmare la realtà fisica] è solo una delle possibilità” annotava Manovich. Il cinema diventava un sottoinsieme dell’animazione, un suo caso particolare, e la CGI non imitava più la realtà, ma la riscriveva, inaugurando una nuova condizione visiva. Poco dopo, Stephen Prince ampliò questa riflessione paradigmatica nel saggio “True Lies: Perceptual Realism, Digital Images, and Film Theory” (1996), introducendo il concetto di perceptual realism per descrivere come le immagini digitali stessero rivoluzionando ogni fase della produzione cinematografica. Per il pubblico, l’applicazione più visibile di queste tecnologie risiedeva nella nuova ondata di effetti speciali generati al computer. Prince cita la creatura acquatica in The Abyss (1989) o Terminator 2 (1991) di James Cameron, ma furono soprattutto Jurassic Park e Forrest Gump (1994) di Robert Zemeckis a segnare uno spartiacque percettivo. Film capaci di produrre uno scarto visivo inedito, “diversi da qualsiasi cosa vista in precedenza”. Il realismo percettivo, scrive Prince, “designa una relazione tra l’immagine o il film e lo spettatore, e può comprendere sia immagini irreali che immagini referenzialmente realistiche. […] Le immagini irreali possono essere referenzialmente fittizie ma percettivamente realistiche”. Nel 2007, durante il pieno sviluppo del cinema in CGI, Tom Gunning, nel saggio “Moving Away from the Index”, ribalta l’idea secondo cui il potere del cinema (e della fotografia) risiederebbe nella sua “impronta” diretta dal reale. Se in semiotica, un “indice” è un segno che mantiene un legame fisico con ciò che rappresenta: il fumo con il fuoco, l’impronta con il piede, la fotografia con il corpo che è stato davanti all’obiettivo, per Gunning, il cinema non seduce lo spettatore grazie a quel legame fotografico e indiciale tra immagine e mondo, ma piuttosto attraverso l’“impressione di realtà”: un effetto costruito, intenzionale, performativo. Propone di spostare l’attenzione da questa garanzia ontologica dell’indice (l’immagine fotografica considerata come traccia diretta del mondo) alla capacità delle immagini di simulare la percezione del reale. Ancora una volta: ciò che conta non è la verità dell’immagine, ma la sua efficacia percettiva. > Software come Sora non registrano, piuttosto restituiscono idee in forma di > immagine, spostando il baricentro dal filmato alla ricostruzione digitale > totale, senza alcuna mediazione umana. Oggi anche il cinema comincia a subire l’accerchiamento metanarrativo dei video IA, con gli utenti che scrivono prompt per generare nuovi attori, ambientazioni inedite o riscrivere film adeguandoli alle proprie esigenze estetiche. In un articolo per The New Yorker, già due anni fa, Joshua Rothman si interrogava sul significato stesso della parola ‘video’ in un’epoca in cui l’IA è in grado di generare un intero film. Software come Sora non registrano, piuttosto restituiscono idee in forma di immagini, spostano il baricentro dal filmato alla ricostruzione digitale totale, senza alcuna mediazione umana. Il video IA è un render concettuale che mima causalità e durata, esaudendo le nostre pretese. Il film è ora nello sguardo di tutti. Nel suo procedere per tentativi e scoperte casuali l’umanità ha sempre accolto, quasi senza resistenza, la compenetrazione tecnologica. Non solo la grande macchina informatica o il robot umanoide, anche la più modesta estensione dello strumento quotidiano è stata integrata nella forma‑vita umana, trasformando abitudini e capacità. Oggi il test di Turing non solo è superato, ma abbiamo raggiunto il paradosso per cui intelligenze artificiali con tecnologia LLM e CoT, sono riconoscibili come non-umane, non per via dei loro limiti, ma in quanto troppo capaci. Fino a meno di un decennio addietro sembrava impossibile che un chatbot potesse esprimersi come noi, gestendo lo stesso livello di flessibilità argomentativa; ora invece le IA dominano in brevi istanti un tale volume di informazioni e campi di competenza differenti, da svelare la loro natura non-umana, anzi oltre-umana. Eppure questo non ci ha impedito di adottarle in ogni ambito della vita quotidiana, professionale, persino affettiva. In questo processo di mutazione cognitiva, sviluppiamo nuove competenze mentre altre si atrofizzano. La “fusione cyborg” teorizzata tra gli anni Ottanta e Novanta non è solo quella tra corpo e macchina, ma tra soggetto e mediazione. > Oggi il test di Turing non solo è superato, ma siamo a un punto in cui le > intelligenze artificiali sono riconoscibili come non-umane non per via dei > loro limiti, ma in quanto troppo capaci. Mentre Manovich, Prince e Gunning riflettono sulla materialità e la percettologia dell’immagine digitale, Marco Dinoi, in Lo sguardo e l’evento. I media, la memoria, il cinema (2008), si concentra sull’epistemologia dello sguardo: il ruolo del cinema nella costruzione della memoria e della testimonianza, e il rapporto tra evento e trasposizione mediatica. Nell’introduzione, Dinoi ricorda l’accoglienza delle prime proiezioni dei fratelli Lumière al Grand Café nel 1895, e individua un passaggio decisivo: dallo stupore del “Sembra vero!” davanti al cinema, all’angoscia del “Sembra un film!” davanti alla realtà mediatizzata, culminata con la trasmissione televisiva dell’11 settembre 2001, dove l’attentato alle torri gemelle viene spontaneamente letto attraverso una grammatica cinematografica. Dinoi definisce questa cesura come “salto cognitivo”: l’incredulità nei confronti del reale, l’istantaneità della sua trasmissione, la sua dilatazione nel tempo, la sensazione di spettatorialità collettiva. L’11/9 diventa il punto di non ritorno per la nostra competenza spettatoriale. Nel regime mediale, la finzione non si limita a ridurre la distanza tra significante e significato: diventa lente attraverso cui leggiamo e interpretiamo il reale. Se la realtà appare oggi iperbolica e fantasmagorica, tanto da richiedere strumenti di finzione narrativa per essere compresa, allora la distinzione tra reale e immaginario sembra essere esplosa del tutto. Dal passaggio iniziale del “Sembra vero” (cinema → sospensione dell’incredulità), siamo transitati al “Sembra un film” (mediatizzazione della realtà → sospensione del reale), mentre oggi siamo in una fase che può definirsi post-mimetica: il punto di partenza non è più la riproduzione di un pezzo di mondo, ma un processo cognitivo, una descrizione mentale o testuale – il prompt – a partire dalla quale generiamo un contenuto che ha a che fare, quindi, con l’interpretazione di categorie e riferimenti astratti, più che in relazione con il mondo. L’effetto visivo, come dicevo sopra, non nasce più dal confronto con il reale – la cui riproposizione fotografica è ormai superata – ma dal semplice soddisfacimento delle sue categorie. Davanti a contenuti generati da IA, assistiamo a nuovo salto cognitivo: “Sembra IA”, dove non si indica la simulazione, ma nuove forme di autenticità e riconoscibilità postumana. “Sembra IA” equivale a: “sembra vero per come immaginiamo che il vero debba apparire”. La domanda ‒ spesso inconscia ‒ non è più: “è successo davvero?”, ma: “rispetta i miei parametri estetici, emotivi, cognitivi?”. La soglia critica non è tanto l’evento reale, né la sua estetizzazione, ma la sintetizzabilità e la riconoscibilità dei loro effetti. Go and touch grass Siamo a un solo aggiornamento di distanza dalla prossima generazione di IA text-to-video, e con essa, dalla totale indistinguibilità tra immagine e realtà, tra ciò che è avvenuto e ciò che è stato generato. Non è chiaro se la plasticità cognitiva che finora ha permesso di adattarci ai salti percettivi dell’immagine mediale, riuscirà ancora una volta a elaborare una via d’uscita interpretativa. È plausibile che il pubblico, davanti ai video generati con IA, semplicemente, smetta di interrogarsi. La discussione – o il sospetto – su cosa sia vero, falso o possibile, potrebbe presto apparire come uno sforzo sterile, esausto, svuotato da ogni possibile resistenza, se non addirittura un atteggiamento reazionario. > La discussione – o il sospetto – su cosa sia vero, falso o possibile, potrebbe > presto apparire come uno sforzo sterile, esausto, svuotato da ogni possibile > resistenza, se non addirittura un atteggiamento reazionario. Le piattaforme non hanno alcun interesse a segnalare ciò che è stato generato. Il capitale della nostra attenzione viene cooptato da un contenuto generato all’altro. Le IA monopolizzano la scena divenendo creatrici, providers, e persino fact-checkers di quanto vediamo. Continuando a scrollare, la promessa che finalmente “qualcosa accada davvero” si sposta da un video a quello successivo, lasciandoci davanti allo schermo come consumatori, tragici, speranzosi, assopiti. Ma anche questa rischia di essere una narrazione egemonica. In The Most Radical Gesture (1992) Sadie Plant ci ricorda come il capitalismo ami la liquefazione di ogni referenza, la frattalizzazione, l’ambiguità, la sovrapposizione tra Marie Antoinette e Alice nel Paese delle Meraviglie. Non solo perché confonde, ma perché tale confusione è parte integrante del suo raccontarsi. Lo stesso Baudrillard, proprio all’indomani dell’11 settembre, riconobbe come simulacri e simulazioni non avessero azzerato la Storia: la produzione delle immagini non riesce ancora a nascondere e contenere la materialità viscerale del mondo. Dobbiamo ricordare che le immagini che ci raggiungono non invadono tutti allo stesso modo. In Davanti al dolore degli altri (2003), Susan Sontag analizza la rappresentazione della guerra e della violenza attraverso la fotografia e i media, ma a partire dalla sua esperienza nei Balcani, durante l’assedio di Sarajevo. Sontag sottolinea come esista una condizione materiale del dolore che non può essere ridotta alla relazione spettacolo/spettatore, e della quale dobbiamo farci carico. Le IA godono di una pervasiva ubiquità, ma i text-to-video generati convivono con milioni di corpi ostinati: chi manifesta per il genocidio a Gaza, chi per il movimento No King negli Sati Uniti; con chi lotta in Iran e in Myanmar, e con chi sopravvive alla catastrofe umanitaria in Sudan. Esiste una materialità viva nella nostra condizione esistenziale ‒ nel dolore, nella sofferenza, nella violenza, nel trauma, ma anche nella rabbia, nella gioia, nell’orgoglio ‒ che non è stata ancora sussunta, annichilita o neutralizzata dalle IA. Sulle orme di Plant, dobbiamo chiederci chi abbia interesse a che si pensi alle intelligenze artificiali come a un destino ineluttabile. Le intelligenze artificiali non saranno mai perfette, ma sono già abbastanza avanzate da rappresentare una sfida decisiva. Le aziende che si occupano di intelligenza artificiale non vogliono sostituirci, vogliono tutta la nostra attenzione. Per questo motivo, prima di cedere del tutto alla deriva percettiva indotta dagli algoritmi, abbiamo due possibilità. La prima è quella di un gesto radicale e immediato: disconnettersi. Oppure, la seconda: pretendere un uso creativo e il più orizzontale possibile delle tecnologie generative, cercando di liberare l’IA dalle logiche di monopolio. Valentina Tanni, in Antimacchine (2025), rileggendo Jon Ippolito, lo definisce misuse: imparare a usare male la tecnologia, a giocare contro l’apparecchio, deviare le sue funzioni, stortarlo in maniera conflittuale, produrre scarti, glitch, narrazioni che espongano il programma sottostante. Costringere l’IA contro la sua natura statistica e la tendenza alla simulazione onnisciente. Una forma di détournement digitale, atti di deviazione e riuso tattico dei loro stessi strumenti, per sottrarre immaginazione alle piattaforme e spostare altrove il potere simbolico. Infine, possiamo provare a contrapporre alla simulazione generativa un altro tipo di simulazione, una forma che esercitiamo da centinaia di migliaia di anni. Martha Nussbaum, in libri come  Love’s Knowledge (1990) e Poetic Justice (1995), parla di “immaginazione narrativa” come capacità di entrare nelle vite altrui, di usare la finzione non per evadere dal mondo, ma per rispondergli eticamente. Parafrasandola, possiamo chiamare questo processo mentale come “simulazione morale”. In questa prospettiva, il rifiuto della simulazione perfetta prodotta dalle macchine non è solo un tentativo di “non farsi ingannare”, né una semplice reazione tecnofobica. È la decisione di tenere aperto uno spazio in cui la distanza tra immagine e realtà resta discutibile, un laboratorio etico in cui continuiamo a esercitare la nostra capacità morale. Una controsimulazione che non si accontenta dell’effetto ma insiste nel chiedere dove sia l’altro e quali siano le sue condizioni. A patto che l’altro esista. L'articolo Sembra IA proviene da Il Tascabile.

N el suo dialogo intitolato Fedro, attraverso il mito di Theuth e la figura di Socrate, Platone esprime la sua celebre critica della scrittura. Per il filosofo greco, la scrittura è un pharmakon, rimedio e veleno al tempo stesso. La scrittura appare immobile, incapace di adattarsi all’interlocutore come invece fa il dialogo vivo; priva di autonomia, perché non sa difendere da sé le proprie tesi; inadeguata ad accrescere la sapienza, poiché offre informazioni senza generare la memoria e la saggezza che nascono dall’interazione dialettica. È, infine, un “gioco bellissimo” ma assai distante dalla serietà del processo dialettico orale che conduce alla conoscenza. Ciononostante, pur non essendo “vera” filosofia, per Platone la scrittura è uno strumento a essa necessario, così com’è necessaria per la cosiddetta hypomnesis, ovvero la capacità richiamare alla mente un’informazione. Se per il filosofo greco la scrittura rappresentava un ausilio esterno alla memoria, oggi la psicologia cognitiva e le neuroscienze hanno ampliato quella intuizione con il concetto di cognitive offloading. Con questa espressione si indicano tutte le pratiche attraverso cui gli individui delegano a un supporto esterno parte dei propri processi cognitivi, come ad esempio la funzione di ricordare informazioni, trasformando strumenti e tecnologie in estensioni delle proprie capacità mnemoniche. Tra queste si annoverano gesti quotidiani come segnare una lista della spesa, annotare un compleanno su un calendario o ricorrere al proverbiale nodo al fazzoletto. > Per Platone la scrittura è pharmakon, rimedio e veleno al tempo stesso: pur > non essendo “vera” filosofia è uno strumento che le è necessario, così com’è > necessaria per la capacità di richiamare alla mente un’informazione. Negli ultimi dieci anni, allo studio dello “scarico” cognitivo hanno dato un forte impulso la comparsa e la diffusione della rete, e delle tecnologie digitali. I dispositivi connessi, infatti, moltiplicano all’infinito le possibilità di delega della funzione cognitiva del ricordo, ma le loro pervasività e facilità di utilizzo rischiano di sbilanciare l’equilibrio di benefici e costi di queste pratiche a favore dei secondi. I dispositivi connessi ‒ se ne erano già accorti i fondatori del cyberpunk, il cui lavoro è stato fondamentale per cristallizzare nella nostra cultura l’immaginario del digitale ‒ funzionano come una vera e propria protesi della nostra mente, che ne esternalizza una o più funzioni cognitive, tra cui, appunto, la memoria. In un paper intitolato The benefits and potential costs of cognitive offloading for retrospective information, Lauren L. Richmond e Ryan G. Taylor si dedicano a ricostruire una panoramica di alcuni degli studi e degli esperimenti più significativi nell’ambito del cognitive offloading. Alla base di questo corpus teorico e sperimentale c’è il fatto che, per compiere un ampio numero di azioni quotidiane, le persone si affidano a due tipi di memoria: quella retrospettiva, ovvero la capacità di ricordare informazioni dal passato, e quella propositiva, ossia la capacità di ricordare azioni da compiere nel futuro. Per portare a termine compiti che comportano l’uso di tutti e due i tipi di memoria, possiamo contare sulla nostra capacità di ricordare o delegare questa funzione a un supporto esterno. Questo spiega il motivo per cui la maggior parte delle persone intervistate nei contesti di ricerca esaminati da Richmond e Taylor dichiara di usare tecniche di cognitive offloading per compensare peggioramenti nelle proprie performance mnemotecniche. Io stesso, che mi sono vantato a lungo di avere una memoria di ferro, sono stato costretto, passati i quaranta e diventato genitore per due volte, a dover ricorrere a promemoria, note e appunti per riuscire a ricordare impegni e scadenze. > Con l’espressione cognitive offloading si indicano le pratiche attraverso cui > gli individui delegano a un supporto esterno la funzione di ricordare > informazioni, trasformando strumenti e tecnologie in estensioni delle proprie > capacità mnemoniche. Età e capacità mnemoniche sono infatti due fattori collegati alla necessità di eseguire azioni di scarico cognitivo. Superata l’adolescenza, a mano a mano che ci si inoltra nella vita adulta si è costretti a ricordare un numero di cose più elevato, compito per cui il cognitive offloading offre indubbi benefici. Uno dei più evidenti risiede nel fatto che, a differenza di altre mnemotecniche più specifiche, non ha bisogno di una formazione mirata. Per un adulto con una percezione del tempo funzionale, usare un’agenda fisica o virtuale è un gesto intuitivo e immediato, che non richiede ulteriore carico cognitivo. La facilità d’uso non è l’unico vantaggio. Alcuni degli studi passati in rassegna nello studio mostrano come l’offloading cognitivo generi benefici per entrambi i tipi di memoria. Ad esempio, esso permette non soltanto di ricordare informazioni archiviate in precedenza, ma riesce anche ad attivare il ricordo di informazioni non archiviate tramite meccanismi di associazione mentale: una persona che ha segnato sulla propria lista della spesa di acquistare un barattolo di alici ha più probabilità di ricordarsi di acquistare il burro rispetto a una persona che non lo ha fatto, anche se il burro non è presente nella lista. Per quanto banali, questi esempi mostrano quanto le pratiche di offloading cognitivo siano d’ausilio alla memoria. Tali benefici, tuttavia, non sono gratuiti ma comportano una serie di costi.  Alcuni studi hanno evidenziato più difficoltà a ricordare le informazioni “scaricate” quando, in modo improvviso e inaspettato, viene negato loro accesso alle informazioni archiviate. Se invece il soggetto è consapevole del fatto che l’accesso può esser negato, le performance mnemoniche si dimostrano più efficaci. Un altro costo è la possibilità di favorire la formazione di falsi ricordi. Altri test condotti in laboratorio mostrano come quando le persone sono forzate a pratiche di scarico cognitivo, risultano meno capaci di individuare elementi estranei, aggiunti all’archivio delle informazioni a loro insaputa. > Le pratiche di offloading cognitivo possono essere d’ausilio alla memoria. > Tali benefici, tuttavia, comportano una serie di costi, ad esempio una maggior > difficoltà a reperire informazioni quando viene improvvisamente a mancare > l’accesso all’archivio esterno. Perciò, così come la scrittura per Platone aveva natura “farmacologica”, e offriva al tempo stesso rimedio e veleno per la memoria, anche le pratiche di cognitive offloading comportano costi e benefici. Da questa prospettiva, la diffusione dell’intelligenza artificiale (IA) sta mettendo in luce come questo strumento, ubiquo e facilmente accessibile, stia favorendo nuove forme di scarico cognitivo, e incidendo sul modo in cui le persone si rapportano alle informazioni, nonché sullo sviluppo del loro pensiero critico. Disponibili ormai ovunque, alla stregua di un motore di ricerca, le IA aggiungono all’esperienza utente la capacità di processare e presentare le informazioni, senza doversi confrontare direttamente con le relative fonti. Quale impatto esercita questa dinamica sulla capacità di pensiero critico? È la domanda al centro di uno studio condotto dal ricercatore Michael Gerlich su 666 partecipanti di età e percorsi formativi differenti. Questo studio analizza la relazione tra uso di strumenti di intelligenza artificiale e capacità di pensiero critico, mettendo in luce il ruolo mediatore delle pratiche di offloading cognitivo. Per pensiero critico si intende la capacità di analizzare, valutare e sintetizzare le informazioni al fine di prendere decisioni ragionate, incluse le abilità di problem solving e di valutazione critica delle situazioni. Secondo Gerlich, le caratteristiche delle interfacce basate su IA ‒ dalla velocità di accesso ai dati alla presentazione semplificata delle risposte ‒ scoraggiano l’impegno nei processi cognitivi più complessi. > La diffusione dell’intelligenza artificiale sta mettendo in luce come questo > strumento stia favorendo nuove forme di “scarico” cognitivo, incidendo sul > modo in cui le persone si rapportano alle informazioni e sviluppano pensiero > critico. Studi condotti in ambiti come sanità e finanza mostrano infatti che se da un lato il supporto automatizzato migliora l’efficienza, dall’altro riduce la necessità, per questi professionisti, di esercitare analisi critica. Una dinamica analoga si osserva nella cosiddetta “memoria transattiva”, ossia la tendenza a ricordare il luogo in cui un’informazione è archiviata o il suo contenuto, fenomeno già noto come “effetto Google”. Le IA accentuano questo processo, sollevando ulteriori interrogativi sul possibile declino delle capacità di ritenzione perché, anche in questo caso, la loro capacità di sintetizzare le informazioni fa sì che l’utente non debba più impegnarsi in un confronto con le fonti, ma sviluppa invece la consapevolezza che potrà farle affiorare in qualsiasi momento, rivolgendole a un’interfaccia che mima una conversazione umana Effetti simili riguardano attenzione e concentrazione: da un lato gli strumenti digitali aiutano a filtrare il rumore informativo, dall’altro favoriscono la frammentazione e il calo della concentrazione. Emergono inoltre ambivalenze anche nel problem solving: l’IA può ampliare le possibilità di soluzione ma rischia di ridurre l’indipendenza cognitiva, amplificare bias nei dataset o opacizzare i processi decisionali, rendendoli difficilmente interpretabili dagli utenti. Una condizione, quest’ultima, oggetto di un ampio dibattito anche in ambito militare, dove lo sviluppo di sistemi automatizzati di comando e controllo pone dubbi di natura etica, politica e psicologica. I test effettuati confermano che l’uso intensivo di strumenti basati su IA favorisce pratiche di cognitive offloading che, pur alleggerendo il carico cognitivo e liberando risorse mentali, si associano a un declino della capacità di pensiero critico, in particolare nelle fasce più giovani. Questo declino viene misurato attraverso la metodologia HCTA (Halpern Critical Thinking Assessment), un test psicometrico che prende il nome dalla psicologa cognitiva Diane F. Halpert e misura le abilità di pensiero critico (come  valutazione della probabilità e dell’incertezza,  problem solving decisionale,  capacità di trarre conclusioni basate su prove), grazie a un set di domande aperte e a risposta multipla applicate a uno scenario di vita quotidiana. > L’uso intensivo di strumenti basati su IA favorisce pratiche di cognitive > offloading che, pur alleggerendo il carico cognitivo, si associano a un > declino della capacità di pensiero critico, in particolare nelle fasce più > giovani. Anche in questo caso, è piuttosto chiaro come l’applicazione della tecnologia ai processi cognitivi possa risultare deleteria, inducendo una sorta di pigrizia difficile da controbilanciare. Le pratiche di scarico cognitivo, infatti, producono i loro benefici quando attivano la mente delle persone che le utilizzano. È quello che succede, per esempio, nel metodo Zettelkasten, una delle tecniche di gestione della conoscenza più conosciute. Creato dal sociologo tedesco Niklas Luhmann negli anni Cinaquanta del Novecento, lo Zettelkasten è un metodo di annotazione pensato per facilitare la scrittura di testi non fiction e rafforzare la memoria delle proprie letture, che prevede di ridurre il tempo che passa tra la lettura di un testo e la sua elaborazione scritta, prendendo appunti e note durante la lettura dello stesso. Come spiega Sonke Ahrens in How to take smart notes, uno dei principali testi di divulgazione sul metodo Zettelkasten, la scrittura non è un gesto passivo. Eseguirlo attiva aree del nostro cervello che sono direttamente collegate al ricordo e alla memoria. Lo scarico cognitivo alla base del suo funzionamento produce perciò un beneficio proprio perché impegna chi lo esegue sia a confrontarsi direttamente con il testo che sta leggendo, sia a scrivere durante l’atto stesso della lettura. Adottare il metodo Zettelkasten significa perciò introdurre in quest’ultima attività una componente di frizione e di impegno, che sono la base della sua efficacia. > Automatizzando le pratiche di offloading cognitivo rischiamo di privarci del > tempo necessario affinché un’informazione si depositi nella nostra memoria > fino a diventare un pensiero originale. A differenza della maggior parte delle interfacce attraverso cui interagiamo con le tecnologie, in particolare con quelle digitali e di intelligenza artificiale, il metodo Zettelkasten è fatto per produrre attrito. È proprio tale attrito che stimola la nostra mente, la attiva e produce benefici sulle nostre capacità cognitive. Lo Zettelkasten è progettato per far pensare le persone e non il contrario, come recita il titolo di uno dei testi più famosi sull’usabilità web e l’interazione uomo-computer. Perché se ogni processo diventa liscio, privo di frizione, e la tecnologia che lo rende possibile si fa impalpabile fino a scomparire, quello che corriamo è proprio il rischio di non dover pensare. Quando chiediamo a un’intelligenza artificiale di sintetizzare un libro, invece di leggerlo e riassumerlo noi stessi, quello che stiamo facendo è schivare il corpo a corpo con il testo e la scrittura che un metodo come lo Zettelkasten prescrive come base per la sua efficacia. Automatizzare le pratiche di scarico cognitivo significa trasformare in costi i benefici che esse possono apportare alla nostra capacità di ricordare e pensare, proprio perché ad andare perduta è la durata, ovvero il tempo necessario affinché un’informazione si depositi nella nostra memoria fino a diventare un pensiero originale. Prendere atto di questa contraddizione significa spostare l’attenzione dalla dimensione neurologica a quella culturale e sociale. Perché è vero che invocare interfacce più “visibili” e capaci di generare attrito nell’esperienza utente, o elaborare strategie educative mirate, come suggerisce l’autore, sono atti utili e necessari a riconoscere e gestire l’impatto delle IA sulle nostre menti, ma senza porsi il problema dell’accesso al capitale culturale necessario per un uso consapevole e critico delle tecnologie, tali soluzioni rischiano di restare lettera morta. O, peggio, rischiano di acuire le differenze tra chi ha il capitale culturale ed economico per permettersi di limitare il proprio l’accesso alla tecnologia e chi, al contrario, finisce per subire in modo passivo le scelte delle grandi aziende tecnologiche, che proprio sulla pigrizia sembrano star costruendo l’immaginario dei loro strumenti di intelligenza artificiale. > Nel marketing di alcune aziende gli strumenti di IA non sembrano tanto protesi > capaci di potenziare creatività e pensiero critico, quanto scorciatoie per > aggirare i compiti più noiosi o ripetitivi che la vita professionale comporta. Per come vengono presentati nella comunicazione corporate, gli strumenti di intelligenza artificiale assomigliano meno a delle protesi capaci di potenziare la creatività o il pensiero critico e più a scorciatoie per aggirare i compiti più noiosi, ripetitivi o insulsi che la vita professionale comporta. Il video di presentazione degli strumenti di scrittura “smart” della sedicesima iterazione dell’iPhone è emblematico del tenore di questo discorso. Warren, l’impiegato protagonista dello spot, li usa proprio per dare un tono professionale al testo dell’email con cui scarica sul suo superiore un compito che dovrebbe eseguire lui. Quella che, all’apparenza, potrebbe sembrare una celebrazione dell’astuzia working class è in realtà una visione in cui l’automazione non ha liberato l’uomo dalle catene del lavoro, ma gli ha solo fornito degli strumenti per non essere costretto a pensare prima di agire. Ancora una volta, l’uso delle tecnologie si rivela non soltanto una questione politica, ma anche ‒ e soprattutto ‒ una questione sociale e di classe. Una questione che andrebbe rimessa al centro del dibattito sull’intelligenza artificiale, superando la dicotomia, tutto sommato sterile, tra apocalittici e integrati che ancora sembra dominarlo. L'articolo Ricordare per procura proviene da Il Tascabile.

E ra l’anno 1864 e il futuro primo ministro britannico Benjamin Disraeli espose in un suo discorso a Oxford la propria indignazione verso l’opera di Charles Darwin. Trovava sbalorditiva la domanda implicita che la teoria dell’evoluzione imponeva alla società vittoriana: “L’uomo è una scimmia o un angelo? Io, mio signore, io sto dalla parte degli angeli. Ripudio con indignazione e orrore quelle nuove teorie”. Sono trascorsi circa due secoli dal discorso di Disraeli e per tutto questo tempo la nostra specie ha cercato di tracciare una linea netta che ci separasse dagli altri animali, che confermasse la nostra natura “angelica”. Il linguaggio è stato e continua a essere ciò che sembra renderci unici nel regno animale: la nostra capacità di articolare suoni e attribuirvi un significato, di combinare parole in innumerevoli modi per ricordare il passato, descrivere il presente e prefigurare il futuro ci ha permesso di plasmare noi stessi e l’ambiente in cui viviamo. Ma per quanto ancora sarà il nostro segno distintivo, il baluardo del nostro essere umani, se consideriamo che abbiamo insegnato alle intelligenze artificiali a usare il linguaggio naturale per comunicare con noi? È uno dei dubbi che scaturiscono dalla lettura del libro Umani, animali e macchine. Filosofia e neuroscienze del linguaggio (2025). Gli autori, Damiano Cantone, ricercatore in filosofia e teoria dei linguaggi all’Università di Udine, e Franco Fabbro, professore ordinario di fisiologia, neuropsichiatria infantile e psicologia clinica nella stessa università, riflettono sul linguaggio e sulla sua evoluzione attraverso i tre domini citati nel titolo ‒ esseri umani, animali e macchine ‒ e quattro temi al centro del dibattito su questa abilità: il ruolo delle relazioni sociali nella sua nascita, ciò che unisce l’origine del linguaggio gestuale e di quello vocale, la visione del linguaggio come tecnologia sociale e i suoi meccanismi di apprendimento. > La nostra capacità di combinare parole per ricordare il passato, descrivere il > presente e prefigurare il futuro ci ha permesso di plasmare noi stessi e > l’ambiente in cui viviamo. Ma per quanto ancora sarà il nostro segno > distintivo? La prima parte dell’opera è focalizzata sull’evoluzione e lo studio del linguaggio negli esseri umani. È il racconto denso di un’indagine che può basarsi solo su fonti indirette, perché la lingua parlata non lascia tracce. Si cercano indizi nei volumi dei crani dei nostri antenati e degli altri primati, si scava all’interno di cervelli umani e non umani per capire se ci siano aree specificamente dedicate al linguaggio e come esse possano essersi sviluppate, si tenta di rintracciare le vestigia delle strutture fisiologiche e anatomiche primordiali connesse alle capacità linguistiche attraverso la loro analisi nei bambini o in chi è stato colpito da disabilità legate al loro utilizzo. A oggi abbiamo solo ipotesi, nessuna risposta definitiva. Le parole potrebbero aver sostituito la pulizia reciproca di pelle e mantello (grooming) per consolidare legami e gerarchie in gruppi umani sempre più ampi, con un numero più elevato di relazioni da coltivare, oppure essere state un modo di colmare il divario di esperienze tra individui per rendere più efficace la cooperazione. O ancora, la crescente complessità del linguaggio potrebbe aver dato l’opportunità all’essere umano di diventare il più abile degli ingannatori: sebbene l’inganno esista anche in altre specie animali, negli umani l’uso della menzogna, per un tornaconto spesso personale, avrebbe richiesto il raggiungimento di un livello cognitivo superiore e sarebbe stato un utile allenamento per conquistare il controllo che attualmente mostriamo nell’eloquio. Il linguaggio umano possiede un grado di complessità che pare non poter essere eguagliato da altre forme di comunicazione animale. È un sistema di simboli arbitrari che gli esseri umani usano per codificare e comunicare la loro esperienza del mondo e degli altri, e possiede caratteristiche specifiche: è composto da un insieme di unità, come suoni o parole; queste parole possono essere combinate secondo delle regole più o meno variabili per comunicare nuove idee; le combinazioni tra queste unità possono veicolare un numero sconfinato  di messaggi, che possono riferirsi a eventi passati, presenti, futuri o addirittura immaginari. Questa rappresentazione del linguaggio, che descrive una minima parte degli attributi propri del nostro modo di comunicare, mostra alcune proprietà che abbiamo osservato solo in alcune altre specie e sovente separatamente. > La danza dell’addome delle api non è solo un sistema di comunicazione > simbolico: consente di veicolare messaggi riferiti a qualcosa che non è > fisicamente presente nel luogo dell’esibizione e riguarda un evento passato. Cantone e Fabbro citano il classico esempio della danza delle api, scoperta da Karl von Frisch e che gli valse il premio Nobel nel 1973. L’etologo osservò che le api bottinatrici si esibivano in una danza il cui percorso e modalità di esecuzione permettevano di trasmettere alle compagne informazioni precise sulla direzione, sulla distanza e persino sulla qualità della fonte di cibo visitata. La danza dell’addome delle api non è solo un sistema di comunicazione simbolico: consente, infatti, di veicolare messaggi riferiti a qualcosa che non è fisicamente presente nel luogo dell’esibizione e riguarda un evento passato, ossia l’esperienza di esplorazione compiuta dall’ape bottinatrice. In Umani, animali e macchine non si parla solo di api, vengono approfonditi gli studi sulle vocalizzazioni dei cetacei e sui canti degli uccelli, con i loro dialetti e le loro culture. Con una prosa chiara e lineare, Catone e Fabbro narrano anche gli esperimenti sull’apprendimento del pappagallo cenerino Alex e quelli dei primati: l’utilizzo di lessigrammi del bonobo Kanzi, le esperienze di Washoe, la scimpanzé, e di Koko, la gorilla, con il linguaggio dei segni sono state sperimentazioni che ‒ sebbene spesso accolte con un certo scetticismo dalla comunità scientifica a causa dei metodi utilizzati ‒ hanno aperto la strada per ulteriori ricerche. A proposito dello studio del linguaggio negli animali non umani, Damiano Catone scrive: > Anziché negare del tutto la presenza di un “linguaggio” nel mondo animale, > basandoci sulla definizione del nostro per poi scoprire che quello degli > animali non ha le stesse caratteristiche, è diventato più proficuo partire > dalla prospettiva dell’esistenza di altri “linguaggi” […]. Questo ha permesso > di individuare tratti cognitivi significativi in specie anche molto lontane > dalla nostra […] abbandonando l’idea che solo i primati siano capaci di > prestazioni mentali paragonabili a quelle umane. L’approccio del testo è evoluzionistico, ritroviamo nelle altre specie tracce del cammino che è stato percorso da Homo sapiens. Una posizione che probabilmente farebbe storcere il naso a Noam Chomsky, secondo il quale il linguaggio umano sarebbe dovuto a una mutazione improvvisa e a un conseguente cambiamento radicale che avrebbe creato un divario tra animali umani e non umani. Del resto, lo psicologo Steven Pinker, allievo di Chomsky, non solo aveva appoggiato l’ipotesi della comparsa graduale del linguaggio, forgiato dalla selezione naturale, ma si era anche espresso sulla sua unicità, paragonandolo alla proboscide degli elefanti: un organo unico nel suo genere, presente solo in questi animali. A ciascuno la sua eccezionalità. Ritornando alla citazione iniziale di Benjamin Disraeli, se davvero l’essere umano fosse un angelo ‒ o, forse, una scimmia con le ali ‒ oggi si preparerebbe a cederle alle macchine che lui stesso ha creato. > Lo psicologo Steven Pinker non solo aveva appoggiato l’ipotesi della comparsa > graduale di un linguaggio forgiato dalla selezione naturale, ma l’aveva anche > paragonato alla proboscide degli elefanti: un organo unico nel suo genere, > presente solo in questi animali. Nell’ultima parte del libro, Damiano Cantone e Franco Fabbro ripercorrono sinteticamente la storia dell’informatica fino ai giorni nostri: un’epoca in cui il test di Turing è stato superato e ci troviamo immersi in una nuova fase dell’era digitale, segnata dall’arrivo delle intelligenze artificiali (IA) e, in particolare, dei Large language model (LLM), strumenti in grado di simulare il linguaggio naturale, che ci affascinano e spaventano al tempo stesso. Il primato che non ci è stato sottratto dalle altre specie animali potrebbe ora essere messo in discussione dall’IA. Per il momento, però, gli autori cercano di rassicurarci su questo nuovo scenario, ricorrendo a una metafora del filosofo Luciano Floridi: > è difficile, vedendo una pila di piatti puliti, capire se li ha lavati un > essere umano o una lavastoviglie. E in ogni caso nessuno si sognerebbe mai di > dire che la lavastoviglie è intelligente, anche se spesso è molto più brava di > noi a lavare i piatti in questione. Questo significa che, sebbene i LLM > riescano a generare testo coerente e a dialogare con gli esseri umani, non > significa che lo facciano esattamente allo stesso modo, né che le > conversazioni intrattenute con la macchina siano dello stesso tipo di quelle > che possiamo avere con altre persone. Eppure, davanti a un qualsiasi testo, ci ritroviamo a chiederci ‒ non senza un minimo di inquietudine ‒ se lo abbia scritto un umano o un LLM. Cantone e Fabbro evidenziano come la tecnica e il linguaggio siano strettamente intrecciati e, anzi, quanto sia probabile che per molto tempo quest’ultimo sia stato la tecnologia più potente di tutte: ha reso efficaci le comunicazioni umane, ha unito e separato popoli, ha dato origine a identità culturali e corpo a leggi e preghiere che hanno determinato la sopravvivenza delle società umane. Il connubio tra sviluppo tecnico umano e linguaggio, però, sembra destinato a dissolversi. Un esempio distopico e ancora lontano dalla realtà è la possibilità di far comunicare direttamente i nostri cervelli: nessun segno, nessun suono, solo stimoli elettrici. Se un giorno questo accadrà, e il linguaggio così come lo conosciamo non permeerà più le nostre esistenze, saremo meno umani? Umani, animali e macchine non fornisce una risposta, ma invita a una riflessione critica che trova terreno fertile nell’intreccio tra biologia, scienze cognitive e filosofia. L'articolo Umani, animali e macchine. Filosofia e neuroscienze del linguaggio di Damiano Cantone e Franco Fabbro proviene da Il Tascabile.

N ell’ormai decennale sfida tecnologica tra Cina e Stati Uniti, è capitato già più di una volta che fossero gli USA ad arrivare secondi. È successo con il 5G, dove la Repubblica popolare ha dominato a livello infrastrutturale e di diffusione. È avvenuto più di recente con le auto elettriche, il 53% delle quali circola in Cina, patria anche del marchio più di successo al mondo (BYD, la cui quota di mercato è oltre il doppio di quella di Tesla). Un altro fondamentale settore in cui la sfida è ancora aperta è quello dei supercomputer: oggi gli Stati Uniti sono tornati a dominare la classifica specialistica Top500 con i loro tre computer exascale (in grado cioè di svolgere un miliardo di miliardi di operazioni al secondo), ma è noto come la Cina, nell’ormai lontano 2021, sia stata la prima nazione al mondo a sviluppare questi sistemi. La ragione per cui i computer exascale cinesi non compaiono nella classifica è legata alla scelta di Pechino di smettere di divulgare i risultati ottenuti, perdendo di conseguenza il primato ufficiale. Si potrebbero inoltre citare le tecnologie quantistiche: nel 2017 la Cina è stata la prima nazione al mondo a portare a termine con successo una comunicazione satellitare quantistica e oggi, secondo parecchie analisi, sarebbe in vantaggio anche nello sviluppo dei computer quantistici. E per quanto invece riguarda l’intelligenza artificiale (IA)? È davvero possibile che la Repubblica popolare conquisti un primato tecnologico che – per parafrasare Vladimir Putin – le consentirebbe di “dominare il mondo”? Fino a questo momento, e nonostante i grandi progressi, non ci sono dubbi sul fatto che gli Stati Uniti abbiano mantenuto un vantaggio: “Dopo tutto, la tecnologia e la proprietà intellettuale statunitense dominano ogni livello dell’industria dell’intelligenza artificiale”, ha scritto Reva Goujon di Rhodium Group: “I processori Nvidia aumentano la potenza di calcolo di vari ordini di grandezza, alimentando la rivoluzione della IA; i fornitori di servizi cloud statunitensi, come Amazon Web Services, Microsoft Azure e Google Cloud Platform, distribuiscono enormi risorse computazionali; aziende come Google, Meta, OpenAI, Anthropic e xAI hanno sviluppato i modelli fondativi su cui le aziende di tutto il mondo fanno affidamento per adattare e ottimizzare le proprie applicazioni”. L’avanzata dei chip cinesi I numeri confermano queste affermazioni: per quanto riguarda l’infrastruttura, al momento i Big Three statunitensi (AWS, Microsoft, Google) detengono il 63% del mercato cloud globale, mentre il principale fornitore cinese, Alibaba, arriva soltanto al 4%. Per quanto riguarda la proprietà intellettuale, l’AI Index Report 2025 di Stanford mostra come la ricerca statunitense sia ancora dominante nei paper più citati, nonostante la Cina sia avanti per quanto riguarda la quantità totale di pubblicazioni scientifiche (riproponendo in chiave accademica il classico scontro qualità vs quantità). Nel fondamentale settore dei chip, le GPU (Graphics Processing Unit) più avanzate – progettate da Nvidia e stampate dalla taiwanese TSMC (Taiwan Semiconductor Manufacturing Company, e che, per effetto delle sanzioni volte a ostacolarne la crescita tecnologica, non possono essere vendute in Cina) – sono realizzate con processo produttivo a 4 nanometri e potrebbero a breve scendere addirittura a 2 nanometri. Nel mentre, la Cina ha raggiunto, grazie alla sua azienda specializzata SMIC (Semiconductor Manufacturing International Corporation), chip da 7 nanometri e starebbe lavorando insieme a Huawei, ma non senza difficoltà, alla produzione di una nuova generazione di chip da 5 nanometri. Nel complesso, si può affermare che la produzione dei chip cinesi sia indietro di circa 5 anni rispetto agli Stati Uniti. > Le sanzioni USA hanno obbligato la Cina a trovare una via autarchica > all’intelligenza artificiale, senza poter fare affidamento né sui chip > statunitensi, né sui macchinari olandesi per produrli in autonomia. E i > risultati iniziano a vedersi. La decisione degli Stati Uniti di vietare l’esportazione dei chip più avanzati e dei macchinari necessari per produrli (come quelli per la litografia dell’olandese ASML) ha quindi rallentato lo sviluppo cinese e permesso agli Stati Uniti di mantenere la loro leadership. Allo stesso tempo, questa strategia si sta in parte rivelando un boomerang. Come scrive ancora Goujon, “gli ingegneri cinesi sono sommersi da risorse statali, allo scopo di innovare la produzione di chip nonostante le restrizioni imposte dagli Stati Uniti”. In poche parole, le sanzioni USA hanno obbligato la Cina a trovare una via autarchica all’intelligenza artificiale, senza poter fare affidamento né sui chip statunitensi, né sui macchinari dell’olandese ASML che avrebbero permesso di produrli in autonomia. I risultati iniziano a vedersi: HiSilicon (società di Huawei per la progettazione di chip) e la già citata SMIC (che invece li stampa) sono ormai in grado di produrre processori – come Ascend 910C – capaci di prestazioni quasi assimilabili a quelle di A100, la terzultima generazione di GPU Nvidia (ma sono ancora lontani dai più avanzati H100 e H200, di penultima generazione, per non parlare della nuova generazione Blackwell). La distillazione di DeepSeek Per quanto ancora lontana dalle performance dei chip statunitensi, la Cina sta quindi dimostrando di essere in grado di fare importanti e autonomi progressi. Ma a dare ulteriore fiducia alla Repubblica popolare è il fatto che, negli ultimi mesi, il focus nel campo dell’intelligenza artificiale – e in particolare dei large language model – abbia iniziato a spostarsi dalle dimensioni all’ottimizzazione. In sintesi estrema: lo sviluppo dei large language model ha fino a oggi seguito la cosiddetta “legge di scala”, secondo la quale la capacità dei modelli linguistici aumenta proporzionalmente al crescere dei parametri, dei dati e del potere computazionale. Una legge che quindi premia chi ha a disposizione, tra le altre cose, i chip più avanzati da impiegare in fase di addestramento. > L’arrivo di DeepSeek potrebbe segnare l’inizio di un nuovo ciclo, in cui i > modelli vengono costruiti sulla base di quelli pre-esistenti, in un processo > che accelera la fase di sviluppo e riduce i costi computazionali. Da qualche tempo, questa legge ha però iniziato a mostrare dei ritorni decrescenti: a fronte di spese in costante aumento, i large language model ottengono miglioramenti sempre più ridotti. Per questa ragione, e anche alla luce dell’insostenibilità economica della legge di scala, l’attenzione si è spostata dalla massimizzazione della potenza di calcolo verso l’ottimizzazione di modelli preaddestrati e già disponibili, al fine di ottenere da essi delle prestazioni più avanzate. Il simbolo di questa transizione è DeepSeek, la startup cinese che è stata in grado di sviluppare modelli dalle performance vicine a quelle dei sistemi statunitensi investendo però una frazione dei soldi. Per riuscire in questa impresa, DeepSeek ha sfruttato un processo noto come distillazione, che consente a modelli più piccoli di apprendere da quelli già esistenti e più grandi. Tramite la distillazione, la conoscenza di un modello linguistico di grandi dimensioni (ribattezzato “insegnante”) viene trasferita a uno più piccolo (lo “studente”), mantenendo prestazioni simili ma con minori costi computazionali. In questo processo, il modello più piccolo viene esposto alle risposte e ai ragionamenti del modello più grande – per DeepSeek sono stati impiegati Qwen di Alibaba, Llama di Meta e o1 di OpenAI – invece che ai soli dati grezzi, apprendendo più rapidamente anche schemi complessi. L’arrivo di DeepSeek potrebbe quindi segnare l’inizio di un nuovo ciclo nello sviluppo dell’intelligenza artificiale. I modelli non nascono più isolati, ma vengono costruiti sulla base di quelli pre-esistenti, in un processo che accelera la fase di sviluppo e riduce i costi computazionali. Il vecchio sistema, in cui una singola azienda raccoglieva i dati, addestrava e rifiniva il proprio modello da zero (con costi esorbitanti), potrebbe lasciare sempre più spazio a questo nuovo meccanismo. La guerra dei talenti Da un lato, i progressi nel campo dei chip; dall’altro, la vantaggiosa trasformazione della fase di addestramento dei modelli linguistici. Un terzo fondamentale fattore è invece rappresentato dai talenti: gli ingegneri e le ingegnere in grado di teorizzare, progettare e dare vita ai più avanzati sistemi di intelligenza artificiale. > A causa delle politiche migratorie sempre più rigide – e dell’incertezza in > cui le persone che emigrano negli USA sono costrette a vivere – la percentuale > di ingegneri del deep learning che decide di fare carriera nella Silicon > Valley è in costante diminuzione. Nientemeno che Mark Zuckerberg può aiutarci a capire quanto siano importanti i talenti in questo settore. Nel tentativo di potenziare l’intelligenza artificiale di Meta, Zuckerberg ha “rubato” a OpenAI e ad altri colossi del settore alcuni dei loro principali ingegneri, offrendo compensi che supererebbero anche quelli delle superstar NBA, toccando vette da 100 milioni di dollari all’anno. Una cifra mostruosa. Che ci aiuta a capire quanto sia importante avere a disposizione i migliori talenti a livello mondiale e che ci porta a parlare di uno dei tasti dolenti, in questo ambito, degli Stati Uniti dell’amministrazione Trump. A causa delle politiche migratorie sempre più rigide – e dell’incertezza in cui le persone che emigrano negli Stai Uniti sono costrette a vivere – la percentuale di ingegneri del deep learning che decide di fare carriera nella Silicon Valley è in costante diminuzione. “Dopo aver completato il suo ciclo di laurea nel 2015 in una delle più prestigiose università cinesi, e dopo aver lavorato come ingegnere del software a HSBC, Zhou Yijun, 31 anni, sperava di trovare una città nordamericana in cui prendere il PhD e potenzialmente sistemarsi una volta per tutte”, racconta Yvonne Lau. “Le politiche di Trump hanno reso la sua scelta facile: ‘Ho pensato: ok, il Canada è la scommessa più sicura per ricevere il permesso di soggiorno’”. In verità, il secondo mandato Trump ha solo contribuito ad accelerare una tendenza già in atto: la percentuale di esperti top tier di intelligenza artificiale (quelli citati nei paper più importanti) che lavorano negli Stati Uniti aveva infatti già da qualche tempo iniziato a calare, passando dal 59% del 2019 al 42% del 2022. Se si considera che la Cina forma circa la metà dei talenti globali dell’intelligenza artificiale (mentre gli USA sono al 18%), quanto Pechino sta investendo in questo settore (finanziando anche i laboratori di ricerca universitari), quanto sta puntando su una narrazione patriottica per riportare a casa chi lavora all’estero (con tutto il bagaglio di competenze nel frattempo appreso) e quanto abbia aumentato gli stipendi offerti (per quanto ancora una frazione di quelli della Silicon Valley), si intuisce quale sia la nazione che più di ogni altra si stia avvantaggiando della crescente diffidenza internazionale nei confronti degli Stati Uniti di Trump. Anche da questo punto di vista, la vicenda di DeepSeek è stata esemplare. Alcuni ricercatori di Stanford hanno analizzato la biografia degli oltre 200 autori dei vari paper tecnici pubblicati dalla startup cinese, concludendo come il successo di DeepSeek “sia fondamentalmente una storia di talento autoctono”: metà del team di DeepSeek non ha infatti mai lasciato la Cina per motivi di studio o lavoro, e la metà che lo ha fatto è poi tornata per dedicarsi allo sviluppo dell’intelligenza artificiale made in China. > Se si considera quanto Pechino stia investendo in questo settore e quanto stia > lavorando per riportare a casa chi lavora all’estero, si intuisce quale > nazione più di ogni altra stia mettendo a frutto la crescente diffidenza > internazionale nei confronti degli USA di Trump. Gli sforzi cinesi per colmare il divario con gli Stati Uniti, insomma, stanno dando i loro frutti. Secondo alcune stime, anche solo fino a un paio di anni fa i principali modelli statunitensi superavano abbondantemente quelli cinesi in termini di accuratezza. La Cina ha rapidamente colmato il divario grazie a iniziative governative (come il Next Generation AI Development Plan), investimenti nell’educazione, nella formazione e nella ricerca, una stretta collaborazione tra Pechino e l’industria tecnologica e massicci finanziamenti pubblici in data center, infrastrutture energetiche e produzione di semiconduttori. Il vantaggio degli Stati Uniti A questo punto, è importante fare una precisazione: gli Stati Uniti sono ancora leader globali dell’intelligenza artificiale e i punti deboli della Cina sono ancora da superare. Nonostante i progressi nel campo dei chip, e nonostante l’attenzione crescente all’ottimizzazione invece che alla massimizzazione delle prestazioni, resta il fatto che HiSilicon e SMIC sono ancora parecchi anni indietro rispetto a Nvidia e TSMC, con il risultato che al momento, e nonostante la “rivoluzione DeepSeek”, tutti i modelli di frontiera sono ancora di provenienza statunitense. C’è poi la questione dei soldi: non sono solo i salari della Silicon Valley a essere molto più elevati, ma anche gli investimenti privati USA rispetto a quelli cinesi. L’AI Index di Stanford segnala come nel 2024 gli investitori statunitensi abbiano riversato nel settore dell’intelligenza artificiale qualcosa come 109,1 miliardi di dollari contro i 9,3 miliardi della Cina: quasi 12 volte tanto. A causa della differente struttura economica di Cina e Stati Uniti è però difficile fare un confronto preciso. Secondo TechWire, per esempio, nel 2025 gli investimenti complessivi cinesi – compresi quindi quelli pubblici – raggiungeranno i 98 miliardi di dollari. È invece difficile stimare con precisione l’investimento pubblico statunitense, spesso in partnership con il mondo privato, più frammentato e meno pianificato (ma che potrebbe comunque valere svariate centinaia di miliardi di dollari). Nel complesso, in ogni caso, il mercato statunitense dell’intelligenza artificiale viene stimato a circa 150 miliardi di dollari per il 2025, oltre il doppio di quello cinese. > Quella in corso è una guerra fredda dell’intelligenza artificiale, con buona > parte del Sud globale che sta integrando i sistemi e le infrastrutture di > intelligenza artificiale di provenienza cinese. L’unica certezza, in questo mare di numeri, è che la Cina si sta comunque avvicinando a grandi passi agli Stati Uniti, mentre i perduranti ostacoli incontrati in questa rincorsa possono essere considerati il prezzo da pagare per conquistare una crescente e inedita autonomia tecnologica. Quella in corso è insomma una guerra fredda dell’intelligenza artificiale, attorno alla quale si stanno inoltre creando dei blocchi politici digitali, con Africa, Sudest asiatico e parecchie nazioni del Sudamerica (a partire dal Brasile) che stanno integrando i sistemi e le infrastrutture di intelligenza artificiale di provenienza cinese. Di fronte all’avanzata internazionale della tecnologia cinese (sperimentata anche da aziende di nazioni alleate degli Stati Uniti come Saudi Aramco, Standard Chartered o HSBC), il “selling point” principale dei colossi della Silicon Valley si è fatto ideologico ed è stato recentemente riassunto dal fondatore di OpenAI, Sam Altman: “Vogliamo assicurarci che l’intelligenza artificiale democratica vinca su quella autoritaria”.  Una narrazione in cui vengono sottolineati i rischi legati all’adozione di una tecnologia che potrebbe disseminare propaganda pro-Cina, censurare contenuti critici nei confronti del Partito comunista cinese, essere impiegata a fini di spionaggio, facilitare la diffusione della sorveglianza di massa nei confronti della popolazione e altro ancora. Timori assolutamente realistici, ma che nell’epoca delle pulsioni autoritarie di Donald Trump – e in una fase in cui Grok, l’intelligenza artificiale sviluppata da xAI di Elon Musk, si lascia andare a deliri neonazisti e a propaganda complottista – è fin troppo facile rivolgere anche agli Stati Uniti. Di tutte le ragioni per cui la sfida tecnologica tra Cina e Stati Uniti è di fondamentale importanza, la cornice narrativa “libertà vs dittatura” diventa ogni giorno che passa meno credibile. L'articolo La guerra fredda dell’intelligenza artificiale proviene da Il Tascabile.