La Macchina che Filosofa:
Ogni sistema AI porta con sé una weltanschauung. È tempo di imparare a leggerla.
Nota di merito per Chiara Arlati
Desidero riconoscere pubblicamente il contributo intellettuale di Chiara Arlati, da cui ha preso avvio la riflessione che ha generato questo articolo. Una sua affermazione, semplice solo in apparenza, ha aperto un varco concettuale decisivo:
«Ogni sistema di AI porta con sé una filosofia. Spesso implicita. Spesso inconsapevole. Ma sempre presente.»
In quelle parole c’era già tutto:
una visione di cosa conta come conoscenza (epistemologia)
una visione di cosa dovrebbe fare la macchina (teleologia)
una visione di come rappresenta il mondo (ontologia)
Chiara ha avuto la lucidità di ricordarci che l’AI non è mai neutrale: è un dispositivo culturale, un gesto politico, un atto di immaginazione collettiva. La sua osservazione ha funzionato come un detonatore: ha reso visibile ciò che spesso resta sullo sfondo, e ha permesso di articolare un discorso più ampio sulla responsabilità progettuale, educativa e sociale che accompagna ogni tecnologia.
Per questo, le va riconosciuto non solo il merito di una frase illuminante, ma la qualità rara di chi sa vedere prima, meglio e più in profondità.
https://www.linkedin.com/in/chiaraarlati/
Il Fantasma nella Macchina Non È un Bug bensì una Scelta
C’è qualcosa di profondamente inquietante, e al tempo stesso meraviglioso, nel momento in cui realizzi che ogni volta che interroghi un sistema di intelligenza artificiale stai, in realtà, dialogando con una filosofia travestita da algoritmo.
Non è una metafora poetica. È una constatazione tecnica che ha implicazioni enormi per chiunque voglia davvero capire cosa stiamo costruendo, distribuendo e — soprattutto — lasciando decidere in nome della nostra efficienza.
Lo ripeto perché merita di essere detto con chiarezza: ogni sistema AI porta con sé una filosofia. Spesso implicita. Spesso inconsapevole da parte dei suoi stessi creatori. Ma sempre presente, come un’impronta digitale lasciata nel codice da mani che forse non sapevano di stare scrivendo metafisica.
In oltre trent’anni di esperienza nel mondo digitale, passando dall’entusiasmo ingenuo dei primi browser alla complessità etica dei modelli linguistici di oggi, ho imparato una cosa fondamentale: le macchine non sono mai neutre. E i sistemi di AI, in particolare, sono forse le macchine meno neutre che l’umanità abbia mai costruito.
Tre Domande Che Nessuno Fa
Quando gli ingegneri progettano un sistema di intelligenza artificiale, raramente si siedono attorno a un tavolo e dichiarano: “Bene, oggi decidiamo la nostra epistemologia.” Eppure quella decisione viene presa. Ogni volta. Attraverso scelte tecniche che sembrano banali, quale dataset usare, quale funzione di perdita ottimizzare, quali etichette assegnare ai dati, si costruisce una visione del mondo completa e coerente, anche se mai esplicitata.
Queste scelte rispondono sempre a tre domande filosofiche fondamentali.
1. Epistemologia: Cosa Conta Come Conoscenza?
La domanda epistemologica è la più radicale: cosa sa davvero una macchina? E come lo sa?
Un Large Language Model come GPT o Claude ha “letto” quantità astronomiche di testo. Ma quale testo? Testi scritti prevalentemente in inglese, prodotti da utenti di piattaforme digitali, filtrati da decisioni editoriali umane. Il risultato è che questi modelli “credono” — nel senso statistico del termine — che certe forme di conoscenza siano più legittime di altre.
Un esempio concreto: nei dataset di pre-training di molti modelli, la medicina tradizionale cinese è rappresentata in modo marginale rispetto alla medicina occidentale basata su trial clinici. Questo non è un giudizio di valore — è semplicemente il riflesso del fatto che i testi digitali in inglese seguono una certa distribuzione epistemologica. Ma quando un modello risponde a domande di salute, quella distribuzione diventa una gerarchia implicita di cosa conta come sapere valido.
Ancora più sottile: i modelli linguistici tendono a rappresentare la conoscenza come proposizioni dichiarative. Sanno dire “cosa è” qualcosa, ma faticano a trasmettere conoscenza procedurale tacita — quel sapere-come che risiede nelle mani del vasaio, nell’orecchio del musicista jazz, nella postura del judoka. La filosofia della mente chiamerebbe questa distinzione knowing-that vs knowing-how, e la scelta su quale tipo privilegiare non è mai neutrale.
2. Teleologia: Cosa Dovrebbe Fare la Macchina?
La domanda teleologica riguarda il fine, lo scopo ultimo del sistema. Ed è qui che emergono alcune delle tensioni più interessanti e pericolose del nostro momento storico.
Prendiamo un motore di raccomandazione come quello di YouTube o TikTok. Qual è il suo telos, il suo fine ultimo? In apparenza, aiutare l’utente a trovare contenuti rilevanti. Nella realtà tecnica, massimizzare il tempo di visione o il tasso di engagement. Questa differenza non è solo commerciale, è filosoficamente abissale. Un sistema ottimizzato per il tempo di visione necessariamente tende verso i contenuti che generano stati emotivi ad alta arousal: indignazione, paura, meraviglia. Il che significa che la teleologia implicita di questi sistemi non è “aiutarti” ma “catturare la tua attenzione”, che tu stia guardando un tutorial di cucina o spiralando in un rabbit hole complottista.
I ricercatori di Mozilla Foundation hanno documentato come YouTube abbia sistematicamente raccomandato contenuti sempre più estremi a utenti che iniziavano da posizioni politiche moderate — non per malevolenza, ma per pura ottimizzazione teleologica verso l’engagement. La macchina non voleva radicalizzare nessuno. Ma il suo fine implicito produceva esattamente quel risultato.
Nei modelli linguistici questa tensione è ancora più sottile. Claude — il modello con cui sto dialogando in questo momento — ha una teleologia esplicitata da Anthropic attraverso il concetto di Constitutional AI: essere utile, innocuo e onesto. Ma anche questa formulazione nasconde scelte filosofiche profonde. Cosa significa “innocuo”? Innocuo per chi? Secondo quale scala di valori?
3. Ontologia: Come la Macchina Rappresenta il Mondo?
L’ontologia è la branca della filosofia che studia cosa esiste, come le entità si relazionano tra loro, quali categorie usiamo per dividere il reale. Ed è forse la dimensione più nascosta — e più potente — di ogni sistema AI.
Quando un sistema di riconoscimento facciale viene addestrato per categorizzare i volti, deve scegliere quali categorie usare. Razza? Genere? Età? Questa non è una scelta tecnica: è un’affermazione ontologica sul fatto che quelle categorie esistano, siano discrete, siano rilevanti. Joy Buolamwini e Timnit Gebru hanno mostrato nel loro studio Gender Shades (2018) come i sistemi di riconoscimento facciale commerciali avessero tassi di errore fino al 34,7% per le donne con pelle scura, contro meno dell’1% per gli uomini con pelle chiara. Ma ancora più interessante della performance era la premessa ontologica: che il genere sia binario, riconoscibile visualmente, e costante. Una premessa tutt’altro che ovvia.
Nei modelli di linguaggio, l’ontologia è ancora più pervasiva. GPT-4, Claude, Gemini — tutti questi sistemi costruiscono rappresentazioni vettoriali del mondo in cui concetti, entità e relazioni sono codificati in spazi matematici ad alta dimensionalità. Gli embedding (le rappresentazioni vettoriali delle parole) rispecchiano associazioni statistiche del corpus di training. Il famoso esempio: Re - Uomo + Donna ≈ Regina. Ma anche: in molti modelli addestrati su corpora non corretti, professori universitari erano statisticamente più associati alla mascolinità, e infermieri alla femminilità. L’ontologia sociale del dataset diventava l’ontologia operativa del modello.
La Filosofia dell’AI Come Specchio della Nostra
C’è qualcosa di profondamente umano in questo processo. In fondo, ogni cultura ha sempre costruito i propri strumenti cognitivi — dal calendario Maya all’algebra araba, dal sistema di categorizzazione linneano al protocollo IP — in modo da rispecchiare la propria visione del mondo.
La differenza è la scala e la velocità.
Aristotele ha impiegato secoli per influenzare il pensiero occidentale. Kant ha richiesto generazioni per diventare il framework implicito dell’Illuminismo europeo. Un modello AI si diffonde in miliardi di interazioni nel giro di mesi. Quando ChatGPT ha raggiunto 100 milioni di utenti in soli 60 giorni, record assoluto nella storia della tecnologia consumer, la sua ontologia implicita, la sua epistemologia nascosta, la sua teleologia incorporata sono diventate simultaneamente parte del modo in cui miliardi di persone processano informazioni, prendono decisioni, capiscono il mondo.
Non è esagerato dire che stiamo assistendo a una delle più rapide trasformazioni epistemologiche della storia umana. Quando una singola azienda può distribuire un sistema che risponde a miliardi di domande al giorno, le sue scelte filosofiche implicite diventano infrastruttura cognitiva globale.
Quattro Casi Studio: Dove la Filosofia Implicita Produce Effetti Reali
Lasciate che porti la discussione alla concretezza che merita, con quattro esempi che ho studiato e analizzato nel corso degli anni.
Il caso COMPAS. Negli anni 2010, molti tribunali americani hanno adottato il software COMPAS per stimare la probabilità di recidiva dei detenuti e orientare le decisioni di libertà condizionale. L’ontologia di COMPAS classificava le persone in categorie di rischio basate su fattori correlati con la razza. La teleologia del sistema era “ridurre la recidiva”. Il risultato, documentato da ProPublica nel 2016, era che gli imputati neri venivano classificati a rischio più alto degli imputati bianchi a parità di reati precedenti. Una filosofia implicita produceva discriminazione sistematica — non per malevolenza, ma per ontologia mal posta.
Il caso dei sistemi di hiring AI. Amazon ha sviluppato e poi silenziosamente abbandonato nel 2018 un sistema AI per la selezione del personale. Il problema? Il modello era stato addestrato su 10 anni di CV di persone assunte dall’azienda, principalmente uomini. La sua epistemologia implicita aveva codificato l’idea che “un buon ingegnere somiglia ai CV già presenti nel database”. Risultato: penalizzava automaticamente i CV che contenevano la parola “women’s” (come in “women’s chess club”) e declassava i candidati di università femminili.
Il caso dei modelli di traduzione. Google Translate, quando traduceva dall’ungherese, lingua grammaticalmente neutra rispetto al genere, all’italiano o all’inglese, produceva sistematicamente “he is a doctor / she is a nurse”. Un’ontologia di genere implicita nel corpus di training si materializzava in scelte lessicali apparentemente neutrali. Google ha parzialmente corretto questo problema nel 2018 introducendo traduzioni alternative con generi diversi.
Il caso della generazione di immagini. Studi condotti nel 2023 su Stable Diffusion e DALL-E hanno mostrato che il prompt “CEO” generava prevalentemente immagini di uomini bianchi di mezza età, mentre “receptionist” generava prevalentemente donne. Non per una programmazione esplicita, ma per la distribuzione statistica delle immagini nel training set, un dataset che rispecchiava le disuguaglianze del mondo reale, cristallizzandole come “normalità” ontologica.
L’Umanista Digitale Come Detective Filosofico
È qui che entra in gioco quello che considero il contributo specifico dell’umanesimo digitale al dibattito sull’AI: la capacità di leggere i sistemi tecnologici come testi culturali, di decodificare le loro premesse implicite, di chiedersi non solo come funziona ma perché funziona così e a vantaggio di chi.
Da anni porto questa prospettiva nella mia attività di formazione e consulenza. Quando lavoro con studenti o professionisti sull’AI literacy, non mi fermo alla spiegazione tecnica di cosa sono i transformer o come funziona il gradient descent. Vado al livello delle domande filosofiche che stanno a monte: questo sistema cosa considera conoscenza valida? Verso quale fine è stato ottimizzato? Quale mappa del mondo ha codificato?
È un approccio che richiede di unire competenze che normalmente vivono in silos separati: la comprensione tecnica degli algoritmi da un lato, e la sensibilità umanistica alle strutture di potere, alle narrative culturali, alle categorie del pensiero dall’altro.
Non è un approccio neutrale. È una postura politica, nel senso più alto del termine: l’affermazione che le macchine sono costrutti culturali, che portano tracce delle scelte di chi le ha create, e che quelle scelte meritano di essere discusse pubblicamente, non trattate come necessità tecniche inevitabili.
Verso una AI Philosophy Literacy: Cosa Possiamo Fare
Se accettiamo che ogni sistema AI incorpora una filosofia, la domanda pratica diventa: come sviluppare la capacità di leggerla, criticarla, modificarla quando necessario?
Ho identificato tre livelli di intervento, da quello individuale a quello sistemico.
A livello individuale, si tratta di sviluppare quello che chiamo philosophical AI hygiene: l’abitudine a chiedersi, quando si usa un sistema AI, quali potrebbero essere le sue assunzioni implicite. Quando Google Maps mi suggerisce un percorso, quale “ottimalità” sta ottimizzando? Solo la velocità? La mia sicurezza? Il traffico degli inserzionisti lungo il percorso? Quando un sistema di news feed mi mostra certi articoli, quale modello di “rilevanza” sta applicando? Questa consapevolezza critica non richiede di essere ingegneri — richiede di essere cittadini attivi nell’infosfera.
A livello educativo, serve integrare la filosofia della tecnologia nei curricula di informatica, così come si insegna la storia della scienza ai futuri scienziati. Non si tratta di rendere i programmatori filosofi — si tratta di dare loro gli strumenti per riconoscere quando stanno facendo scelte che travalicano il tecnico. L’Association for Computing Machinery ha già incluso considerazioni etiche nel suo Code of Ethics dal 1992, ma la distanza tra quei principi dichiarati e la pratica quotidiana dello sviluppo software rimane abissale.
A livello sistemico e normativo, la proposta che trovo più convincente è quella di obbligare alla trasparenza filosofica: richiedere che i sistemi AI ad alto impatto documentino esplicitamente le loro scelte epistemologiche, teleologiche e ontologiche come parte della valutazione di impatto. L’EU AI Act si muove in questa direzione, richiedendo valutazioni di conformità per i sistemi “ad alto rischio”, ma ancora troppo poco si parla delle premesse filosofiche che strutturano quei rischi in primo luogo.
La Bellezza Nascosta di Questa Simbiosi
Voglio concludere con una nota che va controcorrente rispetto alla narrazione dominante, quella che vede la filosofia nell’AI solo come fonte di pericoli e distorsioni da correggere.
C’è anche qualcosa di straordinariamente bello in questa simbiosi tra macchina e pensiero. Per la prima volta nella storia, abbiamo costruito sistemi abbastanza complessi da rispecchiare, in modo distorto, certo, ma comunque riconoscibile, la struttura del pensiero umano. E studiando queste distorsioni, imparando a leggere la filosofia implicita delle macchine, stiamo imparando qualcosa di nuovo anche sulla filosofia implicita degli umani.
Quando scopriamo che un modello linguistico associa “professore” al maschile, non stiamo solo trovando un bug da correggere. Stiamo tenendo uno specchio davanti a noi stessi, e quello specchio ci mostra associazioni che erano già presenti nella nostra cultura, nelle nostre istituzioni, nel nostro linguaggio collettivo, solo che non le vedevamo con questa chiarezza.
L’AI, in questo senso, è il filosofo più onesto che abbiamo mai creato. Non nasconde le sue premesse per educazione o convenienza sociale. Le espone, brutalmente, nell’output che produce. Il nostro compito è imparare a leggerle.
E questo, credo, è il lavoro più importante di questa generazione: non costruire macchine più potenti, ma costruire umani più capaci di leggerle.
FAQ: La Macchina che Filosofa
L’Intelligenza Artificiale può essere considerata neutrale?
Assolutamente no. Le macchine, e i sistemi di AI in particolare, sono dispositivi culturali e gesti politici che non sono mai neutri. Ogni volta che interroghiamo un’intelligenza artificiale, stiamo in realtà dialogando con una filosofia travestita da algoritmo, che riflette una precisa visione del mondo codificata dai suoi creatori, spesso in modo del tutto inconsapevole.
Quali sono le tre domande filosofiche che guidano i sistemi AI?
Le scelte ingegneristiche rispecchiano sempre tre dimensioni filosofiche fondamentali: l’epistemologia (che stabilisce cosa conta come conoscenza valida per la macchina), la teleologia (che definisce il fine o lo scopo ultimo verso cui il sistema è ottimizzato, come massimizzare l’engagement) e l’ontologia (le categorie e le premesse con cui la macchina rappresenta e mappa la realtà che la circonda).
In che modo la filosofia dell’AI produce effetti reali e discriminazioni?
Quando l’ontologia di un sistema si basa su dati che riflettono storiche disuguaglianze sociali, l’algoritmo tende a cristallizzarle come “normalità” producendo discriminazioni sistemiche. Casi concreti includono il software COMPAS (che sovrastimava il rischio di recidiva per gli imputati neri rispetto ai bianchi) o il sistema di assunzioni di Amazon (che penalizzava i curriculum femminili basandosi sull’assunto implicito che il candidato ideale dovesse assomigliare al database storico a prevalenza maschile).
Cosa si intende per “AI Philosophy Literacy” o igiene filosofica?
L’igiene filosofica è l’abitudine critica di interrogare le assunzioni implicite dei sistemi tecnologici che utilizziamo quotidianamente, come domandarsi quale parametro di “rilevanza” applichi un feed di notizie. A livello più ampio, questo approccio umanistico digitale richiede di integrare la filosofia della tecnologia nell’istruzione degli informatici e di imporre alle aziende la “trasparenza filosofica”, costringendole a documentare esplicitamente le loro scelte epistemologiche, ontologiche e teleologiche.
Perché i bias e gli errori dell’AI possono rivelarsi utili?
C’è un lato “straordinariamente bello” in questa simbiosi: per la prima volta disponiamo di un sistema in grado di rispecchiare la struttura del pensiero umano. Poiché l’AI non nasconde le proprie premesse per educazione o convenienza sociale, agisce come un filosofo estremamente onesto, svelandoci brutalmente tramite i propri bias (ad esempio associando “professore” al maschile) i pregiudizi e le associazioni che sono già radicati nel nostro linguaggio e nella nostra cultura collettiva.
Il Pensiero Invisibile
Risorse selezionate sull’opacità algoritmica e l’intelligenza artificiale
L’algoritmo è un’opinione: la scatola nera del pensiero computazionale
Un’analisi profonda su come i pregiudizi umani vengano codificati in processi apparentemente neutri.
Cosa succede dentro una Rete Neurale? Il mistero della “Black Box”
Visualizzazione e spiegazione dei processi logici che nemmeno i programmatori riescono a prevedere.
Umanesimo Digitale: riprendersi il pensiero nell’era dell’automazione
Perché comprendere il “pensiero invisibile” è la sfida democratica del nostro secolo.
AI Esplicabile (XAI): Possiamo davvero fidarci del “pensiero” macchina?
Le nuove frontiere tecnologiche per rendere trasparente ciò che oggi è invisibile.
Da informatico a cercatore di senso
Unisciti al mio mondo di conoscenza e iscriviti al mio canale WhatsApp.
Sarai parte di una comunità appassionata, sempre aggiornata con i miei pensieri e le mie idee più emozionanti.
Non perderti l’opportunità di essere ispirato ogni giorno, iscriviti ora e condividi questa straordinaria avventura con me!
Nota di trasparenza sull’uso dell’AI nel blog
In questo spazio digitale, dedicato alla comprensione critica dell’innovazione tecnologica, desidero condividere con chiarezza due aspetti importanti del lavoro che porto avanti.
Immagini generate con l’AI
La quasi totalità delle immagini presenti nel blog è generata tramite strumenti di intelligenza artificiale. Le utilizzo sia come supporto visivo sia come modo per sperimentare nuove forme di comunicazione creativa, coerenti con i temi trattati.
Un blog nato dalla scrittura… e trasformato dalla velocità dell’AI
Scrivere è sempre stata una mia passione. Dopo anni di appunti, riflessioni e sperimentazioni, tre anni fa è nato questo blog. Fin da subito, però, ho dovuto confrontarmi con una sfida evidente: l’incredibile accelerazione dell’evoluzione scientifica legata all’intelligenza artificiale rende complesso mantenere aggiornato un progetto di divulgazione che ambisce alla qualità e alla precisione.
Per questo, in coerenza con la mia missione di promuovere consapevolezza, oggi più che mai un elemento vitale, ho scelto di farmi affiancare da piattaforme di AI in molte fasi del lavoro editoriale. In particolare, l’AI mi supporta in:
- ricerca e verifica preliminare delle notizie
- organizzazione e strutturazione degli articoli
- creazione di sezioni HTML per FAQ e link alle fonti
- ideazione di infografiche
- esplorazione di titoli efficaci e pertinenti
L’obiettivo non è delegare il pensiero, ma amplificare la capacità di analisi e di sintesi, così da offrire contenuti sempre più chiari, accurati e utili.
Post Correlati:
ACSI Format AI: L’intelligenza artificiale al centro della seconda conferenza all’ITIS Marconi di Civitavecchia
Viviamo in una società malata? La competizione economica come radice del malessere
Capire la “Scatola Nera” dell’IA: Interpretabilità, Spiegabilità e Cancellazione dei Dati nelle Reti Neurali
La Grande Lobotomia: Il Declino Intellettuale del Bel Paese
