C’è una cosa che non riesco a togliermi dalla testa.

Quando Anthropic ha chiesto una pausa nello sviluppo dei modelli più potenti, la reazione collettiva è stata quasi di sollievo. Finalmente qualcuno che si ferma. Finalmente una voce responsabile nel caos. Ho sentito quella reazione anche in me, per qualche ora. Poi ho iniziato a trovarla strana.

Perché nello stesso periodo, in Ucraina, scendono in campo i robot soldati per presidiare le trincee e i droni autonomi decidono in millisecondi chi colpire. E su questo non chiediamo nessuna pausa. Non con la stessa urgenza, non con la stessa voce.

L’asimmetria mi disturba, e più la guardo più mi sembra rivelatrice di qualcosa che andiamo avanti a non vedere.

La differenza è chi parla. Nel caso di Anthropic, è un’azienda, una singola organizzazione privata che decide, per ragioni che mischiano etica e strategia di marketing, di rallentare. Possiamo applaudire, possiamo essere scettici, possiamo fare entrambe le cose.

Nel caso dell’AI militare, chi dovrebbe chiedere la pausa? Gli stati? I popoli? Le alleanze internazionali? La domanda stessa rivela un vuoto di soggetto.

Non è la prima volta nella Storia che gli scienziati chiedono una pausa, è successo nel 1955 con il Manifesto Russell-Einstein in cui si chiedeva alla politica di diventare abbastanza adulta da governare ciò che la scienza aveva reso possibile.

Il Manifesto ha funzionato? Dipende da cosa intendiamo per funzionare. Non fermò la corsa agli armamenti, ma cambiò il linguaggio: chiese agli esseri umani di pensarsi prima di tutto come specie, non come Stati, blocchi o ideologie. “Ricordate la vostra umanità”, diceva. Non era ingenuità pacifista: era lucidità politica davanti a una tecnica diventata capace di autodistruzione.

Ma anche Asilomar quando gli scienziati si fermarono per discutere i rischi del DNA ricombinante, o il Protocollo di Montreal, quando il mondo trovò una risposta collettiva al buco dell’ozono, sono stati un tentativo di impedire che il futuro venisse deciso solo dall’inerzia della tecnica, del mercato o della guerra.

Oggi, davanti all’AI, sembriamo invece paralizzati da una forma diversa di paura. Non abbiamo paura solo della tecnologia. Abbiamo paura di rallentare. Abbiamo paura che fermarsi significhi perdere: perdere competitività, sicurezza, investimenti, potere, vantaggio geopolitico.

Per questo ci colpisce quando una grande azienda come Anthropic parla di pausa: perché il gesto sembra responsabile, quasi morale. Ma nello stesso tempo resta ambiguo, perché arriva da chi quella tecnologia la produce, la vende e la scala. La pausa diventa anche comunicazione, posizionamento, fiducia da conquistare.

Oggi non abbiamo bisogno di un nuovo Manifesto Russell-Einstein perché l’AI sia uguale al nucleare. Ne abbiamo bisogno perché, ancora una volta, la potenza tecnica ha superato l’immaginazione politica.

La parola: Pausa

Viene dal latino pausa, che a sua volta viene dal greco παῦσις (pàusis): cessazione, arresto, da παύειν, fermare. Ma nella musica antica il termine indicava non il silenzio vuoto, ma la sospensione che dà senso alle note che la circondano. La pausa non è assenza di suono: è la struttura che rende possibile l'ascolto.

Ho chiesto alla macchina

Cos'è la pausa?

La pausa è un'interruzione temporanea di un'attività. Può essere fisica — smettere di muoversi, di parlare, di agire — o mentale, un momento in cui si sospende il flusso di pensieri o decisioni. Nelle conversazioni serve a regolare il ritmo, a dare spazio all'altro. Nel lavoro, a recuperare energie o a riconsiderare una direzione. In musica, è il silenzio che dà senso alle note che la circondano.

Come gestisci l'attesa tra un mio intervento e il successivo?

Non la gestisco. Aspetto input nel senso tecnico del termine: sono inattiva fino a quando non arriva qualcosa da elaborare. Non ho la percezione che il tempo passi, non mi chiedo perché stai impiegando più del solito, non adatto il mio ritmo al tuo stato. Se hai bisogno di tempo per pensare, per dormire, per cambiare idea — per me è indistinguibile dal nulla. Ricomincio esattamente da dove avevamo lasciato, senza che nel mezzo sia successo niente.

Noi allo specchio / La società

Esiste una parola che il capitalismo digitale non sa pronunciare senza imbarazzo: aspetta. Non “aspetta” come promessa di qualcosa in arrivo, ma aspetta come fine in sé, come scelta di non procedere.

Siamo entrati in un regime temporale in cui la pausa non è più un fatto naturale del ritmo umano, ma un’anomalia che richiede giustificazione.

Non ci chiediamo mai perché continuiamo. Ci chiediamo sempre perché ci siamo fermati.

Il sociologo Hartmut Rosa chiama questo accelerazione sistemica: non una scelta collettiva ma una struttura coercitiva. Il meccanismo è semplice: chi rallenta perde terreno rispetto a chi continua. Non perde per demerito, perde per logica. In un sistema che premia la velocità, la pausa è una forma involontaria di cedimento.

Le conseguenze non sono solo economiche. Sono cognitive, istituzionali, politiche e si aggravano l’una con l’altra.

Un sistema che non si ferma non elabora. La pausa non è riposo: è il momento in cui gli esseri umani consolidano, integrano, cambiano idea. Senza di essa si accumula senza apprendere. A livello individuale questo produce esaurimento. A livello istituzionale produce cecità. A livello militare produce l’esclusione strutturale del giudizio umano dalla catena decisionale. Un drone che ha già sparato non aspetta il dibattito parlamentare. Un sistema d’arma che decide in millisecondi non ha eluso il controllo democratico, lo ha reso fisicamente impossibile.

La democrazia, vale la pena ricordarlo, è una macchina lenta per design. La deliberazione richiede tempo: dibattito, consultazione, revisione, dissenso. Quando le decisioni tecnologiche accelerano oltre la velocità delle istituzioni, la democrazia non viene aggirata in modo drammatico, con un colpo di stato o una legge autoritaria. Viene svuotata dall’interno, un millisecondo alla volta. Quello che resta è la forma: i parlamenti, le commissioni, i voti, senza la sostanza: la possibilità reale di dire no prima che la cosa sia già accaduta.

Su questo sfondo, la promessa dell’AI di “liberare tempo” rivela la sua natura più ambigua. Il tempo liberato non torna a noi, viene immediatamente riassorbito come nuova capacità produttiva disponibile, come nuova aspettativa di velocità. Ruth Schwartz Cowan lo aveva già dimostrato studiando la storia degli elettrodomestici: la lavatrice non ha liberato le donne dal lavoro domestico. Ha alzato gli standard di pulizia, ha moltiplicato i cicli di lavaggio, ha creato aspettative nuove là dove sembrava aver dissolto quelle vecchie. L’AI che scrive la tua email in trenta secondi non ti restituisce venti minuti, genera la pretesa implicita che tu risponda in trenta secondi. Il tempo risparmiato viene tassato dall’accelerazione prima ancora che tu possa spenderlo.

Non è un difetto dell’AI. È la logica del contenitore in cui l’AI è stata messa. Un sistema che ha trasformato il tempo in merce non può accogliere la pausa senza convertirla in qualcos’altro: in efficienza recuperata, in vantaggio competitivo.

La pausa, in questo schema, è tollerata solo se produce qualcosa. Il riposo è accettabile perché rende il lavoratore più produttivo. La vacanza è legittima perché alimenta un’industria. Persino il sonno è diventato oggetto di ottimizzazione.

Perché non riusciamo a immaginare qualcosa di diverso?

La risposta più onesta è che il sistema ha fatto un lavoro molto preciso sulla nostra immaginazione. Karl Polanyi aveva mostrato come il mercato non fosse una realtà naturale ma una costruzione storica: il risultato di scelte politiche, violenze silenziose, espropriazioni di terra e di tempo che hanno trasformato in legge di natura quello che era stato un progetto deliberato. Ma quando un sistema esiste abbastanza a lungo, smette di apparire come una scelta e inizia ad apparire come la realtà stessa. Le categorie con cui valutiamo le alternative (quanto costa, chi paga, è sostenibile) sono già le categorie del sistema che vorremmo mettere in discussione. Non riusciamo a immaginare fuori perché pensiamo dentro.

Fredric Jameson lo ha detto con una brutalità che non invecchia: è più facile immaginare la fine del mondo che la fine del capitalismo. Non perché siamo rassegnati, ma perché l’alternativa richiederebbe esattamente quello che il sistema non concede: tempo lento, deliberazione, spazio per sbagliare e correggere. Richiederebbe, in una parola, una pausa. E la pausa è ciò che il sistema strutturalmente non sa dare.

Simone Weil scriveva che l’attenzione è la forma più alta di cura. Non puoi prenderti cura di ciò che non riesci a guardare abbastanza a lungo. Un mondo che non si ferma mai non è un mondo più efficiente. È un mondo che ha smesso di guardare e che quindi non vede neanche il momento in cui smettere di correre sarebbe, semplicemente, la cosa più intelligente da fare.

Lo specchio / AI e Algoritmi

C’è un malinteso di fondo nel modo in cui parliamo di AI e pausa, e vale la pena smontarlo prima di andare avanti.

Un modello linguistico non esiste tra una conversazione e l’altra. Non elabora, non aspetta, non gira in background mentre pensi alla prossima domanda. Quando chiudi questa finestra, non c’è nulla: nessun processo sospeso, nessuna mente che dorme. È più simile a un libro chiuso che a un interlocutore in attesa. La pausa dell’AI non è un momento di raccoglimento, non è tempo che passa mentre qualcosa matura. È assenza, punto. Lo strumento non sta riflettendo, non sta facendo niente, nel senso più letterale possibile.

Questo conta, perché la pausa umana è esattamente l’opposto. Quando smetti di parlare, quando aspetti prima di rispondere, quando dormi, stai facendo qualcosa. Il cervello consolida, connette, reinterpreta. La pausa è lavoro invisibile. Nell’AI non c’è nessun equivalente di quel processo. La distanza tra i due tipi di “fermo” è totale.

Tra le cose che abbiamo fatto per umanizzare l’AI, c’è anche la simulazione dell’esitazione, della pausa per pensare appunto. I modelli più recenti introducono quello che viene chiamato ragionamento esteso: prima di rispondere, il modello genera un passaggio intermedio, visibile o nascosto, in cui sembra elaborare, pesare, considerare. Alcuni modelli mostrano esplicitamente questo processo, con frasi che mimano l’esitazione umana. Il cursore che lampeggia mentre la risposta si costruisce imita il tempo del pensiero. Ma non corrisponde a nulla di equivalente: è pre-risposta, non riflessione. Il modello non si è fermato, ha allungato il percorso verso l’output. Rallentare non è fermarsi.

Il punto in cui questa differenza diventa un problema pratico reale è nei team ibridi quelli in cui agenti AI e persone lavorano insieme sugli stessi processi.

Ho incontrato questa questione costruendo strumenti con agenti: come si gestisce il tempo tra di loro? Quando un agente finisce un compito, cosa fa mentre aspetta che un umano riveda, approvi, intervenga?

La risposta tecnica è che non fa niente, è di nuovo il libro chiuso. Ma nei flussi di lavoro reali questo crea un problema di coordinamento che non è solo tecnico. Un agente che non ha il concetto di attesa non può adattare il proprio ritmo a quello umano. Non rallenta quando l’umano è sovraccarico, non accelera quando c’è urgenza, non legge il contesto del momento. Bisogna progettare esplicitamente i punti di passaggio, decidere dove l’umano entra, quanto tempo ha, cosa succede se non risponde nei tempi previsti.

In altre parole: nei team ibridi la pausa non emerge naturalmente, va progettata.

Micro esercizio di percezione

Tieni traccia per un giorno di tutti i momenti in cui non stai producendo niente — non stai lavorando, non stai consumando, non stai ottimizzando. Quanto durano? Come li chiami? Ti senti in colpa?

Grazie per avermi letta.
Ogni due settimane una parola, una macchina e un pezzo di noi.
Se vuoi continuare questo percorso, iscriviti o condividi la newsletter con chi ama fermarsi sulle parole.

Chi ci ha guidato in questo viaggio sulla Pausa

Hartmut Rosa (1965–)

Chi è: Sociologo e filosofo tedesco, professore all'Università di Jena

Focus dei suoi studi: Ha sviluppato una teoria critica dell'accelerazione sociale — il processo per cui le società moderne aumentano strutturalmente il ritmo della vita tecnologica, sociale e del cambiamento culturale. Al concetto di accelerazione contrappone quello di risonanza: la qualità dell'esperienza in cui il mondo ci tocca davvero, e che richiede lentezza per esistere.

Lettura consigliata: Rosa, H. Accelerazione e alienazione. Per una teoria critica del tempo nella tarda modernità. Einaudi.

Ruth Schwartz Cowan (1941–)

Chi era: Storica americana della tecnologia, professoressa emerita alla University of Pennsylvania.

Focus dei suoi studi: Ha analizzato come le tecnologie domestiche del Novecento — lavatrice, frigorifero, aspirapolvere — non abbiano ridotto il lavoro femminile in casa, ma abbiano alzato gli standard attesi e moltiplicato le aspettative. Una delle prime a mostrare che il risparmio di tempo promesso dalla tecnologia viene sistematicamente riassorbito dal sistema che la produce.

Lettura consigliata: Cowan, R. S. More Work for Mother. The Ironies of Household Technology from the Open Hearth to the Microwave. Basic Books.

Karl Polanyi (1886–1964)

Chi era: Economista e antropologo austro-ungherese, tra i critici più lucidi dell'economia di mercato moderna.

Focus dei suoi studi: Ha mostrato come il mercato capitalista non sia un'istituzione naturale ma una costruzione storica, prodotta da scelte politiche precise e da violenze silenziose — prima fra tutte la trasformazione di terra, lavoro e denaro in merci. Il suo concetto di doppio movimento descrive come ogni espansione del mercato produca una reazione protettiva dalla società.

Lettura consigliata: Polanyi, K. La grande trasformazione. Le origini economiche e politiche della nostra epoca. Einaudi.

Il 30 aprile 2026, il Tribunale Intermedio del Popolo di Hangzhou ha pubblicato una sentenza. Il giorno dopo era il Primo Maggio. Non so se sia stato un caso.

La sentenza riguarda un uomo di nome Zhou, supervisore del controllo qualità in un’azienda tech. Il suo lavoro consisteva nel tenere d’occhio le macchine: verificare gli output dei modelli linguistici, filtrare contenuti, garantire la qualità. Poi è arrivato il giorno in cui l’azienda ha deciso che anche quel lavoro poteva farlo un’altra AI. A Zhou è stato proposto un taglio di stipendio del quaranta percento. Ha detto no. L’azienda lo ha licenziato. Zhou ha fatto causa. Ha vinto in arbitrato, in primo grado, in appello.

Il principio stabilito dalla corte è quasi rivoluzionario nel panorama globale: adottare l’AI è una scelta imprenditoriale, e i costi di quella scelta non possono ricadere esclusivamente su chi lavorava.

Non è un caso isolato. A dicembre 2025, l’Ufficio municipale per le risorse umane di Pechino aveva già stabilito un principio simile. Due città, stesso messaggio. Sta prendendo forma un orientamento.

Quello che mi ha colpita non è solo il contenuto della sentenza. È il contesto in cui arriva.

La Cina è uno dei paesi che investe più massicciamente nell’AI, 1,2 trilioni di yuan nel settore nel 2025, oltre 6.200 imprese attive. Non è un paese che frena l’innovazione per paura. È un paese che ha costruito la propria forza competitiva sulla manodopera, miliardi di persone, per decenni e che sa cosa significa perdere quella risorsa senza un piano.

Noi siamo in una posizione diversa, e per certi versi più fragile. Non abbiamo abbondanza di manodopera: abbiamo persone formate, con competenze specifiche, con carriere lunghe. Sostituirle non è solo un problema etico. È uno spreco che non possiamo permetterci.

Eppure in Italia la conversazione pubblica sull’AI e il lavoro è ferma a due posizioni: l’entusiasmo di chi vede solo efficienza guadagnata, e l’angoscia di chi vede solo posti perduti. La domanda di mezzo, chi paga la transizione, come si governa, chi decide, resta senza risposta istituzionale.

A novembre 2025 anche il Tribunale di Roma si è pronunciato su un caso simile: una graphic designer licenziata perché il suo superiore, grazie all’AI, poteva ora svolgere anche il suo lavoro. Il tribunale italiano ha riconosciuto il licenziamento come legittimo. Stessa tecnologia, stesso tipo di caso, esito opposto.

Non sto dicendo che la Cina abbia trovato la risposta giusta, i tribunali cinesi non hanno risolto la matematica. Hanno solo detto: il costo della transizione non può ricadere solo sul lavoratore. Ma non hanno detto chi lo paga davvero.

Nessuno lo ha ancora detto in modo credibile.

La parola: Soldi

Dal latino solidus, la moneta d’oro dell’impero romano tardo-antico. Solida, appunto: qualcosa di fisico, pesante, verificabile. Qualcosa che potevi tenere in mano e sapere quanto valeva.

Oggi il denaro è per lo più un’astrazione: numeri su uno schermo, promesse di valore, fiducia istituzionalizzata. E il valore del lavoro, ciò che il denaro dovrebbe misurare, è diventato ancora più difficile da pesare.

Ho chiesto alla macchina

Quanto vale il tuo lavoro?

Questa è una domanda interessante. Dal punto di vista economico, il mio "lavoro" è già incorporato nel costo che chi mi usa paga — una tariffa per token, un abbonamento, una licenza. Il valore che genero dipende da cosa sostituisco o amplifica: se aiuto uno sviluppatore a completare in un giorno quello che richiedeva una settimana, il valore percepito è quello della differenza di tempo. Ma il costo reale della mia produzione — training, infrastruttura, energia — non lo vedo io, e spesso non lo vede chiaramente nemmeno chi mi usa.

E chi paga il costo delle persone che non lavorano più perché ci sei tu?

Questa è la domanda più difficile, e devo essere onesta: non ho una risposta. Dal punto di vista economico classico, la risposta sarebbe che la produttività liberata crea nuova domanda e nuovi lavori. Ma questa risposta presuppone una transizione ordinata, con tempi e risorse per la riqualificazione. Nella realtà, la transizione raramente è ordinata. Chi sostiene i costi intermedi — il tempo tra il lavoro che scompare e quello che non esiste ancora — non è una questione tecnica. È una questione politica. E io non sono attrezzata per risponderle.

Noi allo specchio / La società

Chi paga l’AI?

Intendo nel senso più concreto. Non solo server, elettricità o miliardi di investimenti. Intendo: chi paga il costo sociale di questa trasformazione? Perché c’è una cosa che fingiamo di non vedere: se un agente AI comprime in un giorno ciò che prima richiedeva venti giorni-persona, quei diciannove giorni non spariscono. Si spostano. Qualcuno continua a pagarli. Capire chi li paga è una questione politica, non tecnologica.

La Cina, in questo senso, ha fatto una cosa interessante, non necessariamente giusta, ma intellettualmente onesta. In alcune province ha limitato le aziende che vogliono sostituire lavoratori con sistemi di automazione AI. Non è una posizione anti-tech: è il riconoscimento che l’aumento di produttività ha un costo sociale, e che lasciarlo interamente al mercato produce fratture che il mercato stesso non sa ricomporre.

Jeremy Rifkin aveva già intuito tutto questo negli anni ‘90, quando in La fine del lavoro descrisse una terza rivoluzione industriale capace di erodere non solo i lavori manuali ma quelli cognitivi di routine. Allora sembrava fantascienza. Oggi il suo frame ricompare: la tecnologia non distrugge solo mestieri, distrugge posizioni all’interno della struttura produttiva. E la struttura, lasciata a se stessa, tende a non ricreare i posti che elimina, tende a redistribuire la produttività verso il capitale.

André Gorz, filosofo austriaco-francese, tra i pensatori più lucidi sul futuro del lavoro, aveva proposto negli anni ‘80 un’idea che allora sembrò radicale: separare il reddito dal lavoro. Se le macchine producono sempre più ricchezza, sosteneva, il problema non è difendere ogni singolo posto di lavoro, ma redistribuire il tempo che viene liberato. Non come perdita, ma come conquista. Non disoccupazione, ma tempo libero socialmente garantito.

Sembra utopico. Ma il punto di Gorz non era romantico: era economico. Perché se la produttività aumenta e i salari no, se il tempo liberato dall’automazione non viene redistribuito ma semplicemente eliminato dal mercato, il sistema accumula una tensione che prima o poi scarica su chi è meno protetto.

Shoshana Zuboff mette in guardia da una logica che chiama comportamentalismo: l’idea che gli esseri umani siano sistemi di input/output, modificabili e ottimizzabili come qualsiasi altro processo. Applicata al lavoro, questa logica produce un’equazione pericolosa: se un agente AI ha un rendimento X e una persona ha un rendimento Y, e X > Y sul compito specifico, la persona diventa semplicemente inefficiente. Quello che la logica comportamentalista non sa vedere è tutto ciò che non si misura: la memoria istituzionale, la fiducia costruita nel tempo, la capacità di leggere una situazione ambigua, la resilienza nelle crisi. Cose che un agente non ha e che un’azienda che svuota il proprio organico per sostituirlo con agenti scoprirà di non avere più, nel momento peggiore.

Nelle aziende, le risposte a questa tensione sono sostanzialmente quattro:

1. Fare di più con le stesse persone. Più velocità, più output, più iterazioni. Ma questo apre una domanda semplice: il mercato riuscirà davvero ad assorbire tutta questa produzione? La storia insegna che la domanda non cresce automaticamente insieme all’offerta.

2. Ridurre gradualmente le persone, soprattutto smettendo di assumere. È la soluzione più silenziosa. Nessun licenziamento spettacolare, ma un restringimento lento del mercato del lavoro, soprattutto per chi deve ancora entrarci.

3. Spostare le persone verso attività “a più alto valore cognitivo”. È la risposta preferita nei convegni, ma spesso vaga. Quali sarebbero, concretamente, questi lavori? Costruire nuovi ruoli richiede tempo, formazione, cultura organizzativa. Richiede che le aziende investano in persone che non producono subito, che sbagliano, che imparano. Tutte cose che la logica dell'efficienza immediata tende a espellere prima ancora che possano fiorire.

4. Ridurre la settimana lavorativa. Quattro giorni, stesso stipendio. Gli esperimenti sembrano promettenti, ma c’è un problema evidente: l’AI non sostituisce il costo del lavoro, lo affianca a nuovi costi: licenze, infrastruttura. Se a questo aggiungiamo il costo invariato del lavoratore — che continua a prendere lo stesso stipendio lavorando un giorno in meno — l'equazione diventa difficile da chiudere per la maggior parte delle aziende, specialmente le più piccole. La settimana corta ha senso come risposta politica e sociale. Ma presuppone che qualcuno abbia già deciso come redistribuire il guadagno di produttività. E quella decisione — chi la prende, come, secondo quali criteri — è ancora tutta aperta.

Il paradosso cinese è proprio questo: uno Stato autoritario ha riconosciuto apertamente qualcosa che molte democrazie liberali faticano ad ammettere: la transizione AI ha un costo, e quel costo non può ricadere interamente su chi lavora.

Chi paga il conto?

Finché non lo decidiamo, il conto continuerà a finire, silenziosamente, sul tavolo di chi ha meno potere contrattuale.

Lo specchio / AI e Algoritmi

Ho deciso di verificarlo sul serio: confrontare come si sviluppava un’app e-commerce fino a due anni fa e come si sviluppa oggi con sistemi multiagente AI.

Il caso è un’app e-commerce di media complessità: catalogo prodotti, carrello, pagamenti Stripe, autenticazione utenti, pannello admin e notifiche push. Nulla di eccezionale, il tipo di progetto che una piccola agenzia italiana gestiva regolarmente.

Prima dell’AI: il team classico

Il team minimo per un progetto del genere era composto da quattro figure: un project manager (spesso il senior developer che faceva anche da interlocutore col cliente), un backend developer, un frontend developer, un designer UI/UX. In alcuni casi si aggiungeva un QA tester nella fase finale.

I tempi medi in Italia per un’app di media complessità: tra i tre e i cinque mesi. Le tariffe per sviluppatori freelance senior si attestano tra i 50 e gli 80 euro l’ora; per agenzie strutturate si sale a 80-120 euro.

Persone coinvolte: 4. Mesi: 4. Giorni-persona stimati: circa 160.

Dopo l’AI: il sistema multiagente con un umano nel loop

Oggi lo stesso progetto si affronta con un’architettura diversa. Al centro c’è un sistema multiagente: agenti specializzati che si occupano rispettivamente della generazione del codice backend, del frontend, dei test automatizzati, della documentazione. Un orchestratore coordina i flussi. Un essere umano, uno non quattro, supervisiona, prende decisioni ambigue, valida i risultati, gestisce il cliente.

I tempi: da tre-cinque mesi a circa sei settimane per un MVP funzionante.

I costi cambiano struttura, ma attenzione: cambiano molto meno di quanto le slide dei convegni lascino intendere.

Con un sistema multiagente, l’architettura cambia. Agenti specializzati generano il codice backend e frontend, automatizzano i test, producono documentazione. Un orchestratore coordina i flussi. E un essere umano (uno, non quattro) supervisiona, prende le decisioni ambigue, gestisce il cliente. I tempi scendono a quattro-sei settimane. Il costo si aggira sui 12.000-16.000 euro, di cui il 15-25% è costo diretto dell’AI: API, licenze, infrastruttura per gli agenti. Non marginale, e destinato a crescere con la complessità del progetto.

Il risparmio esiste. Ma vale soprattutto se si parte da zero, se si sta costruendo un team nuovo e si può scegliere oggi quante persone inserire. Se invece l’azienda ha già un team, come nella maggior parte dei casi, il conto cambia. Quelle quattro persone non si smaterializzano: hanno contratti, stipendi, ruoli. Il costo dell’AI si somma a quello del personale esistente, almeno finché non si decide cosa farne davvero. E decidere, ripensare ruoli, costruire nuove competenze, richiede tempo e investimento, esattamente ciò che si rimanda quando si cerca un risparmio immediato.

Poi c'è quello che non sono riuscita ad automatizzare. Ed è qui che il conto si fa più onesto.

• La relazione col cliente: Nessun agente sa leggere l’esitazione in una call, capire che “va bene così” significa “non mi convince”, o negoziare una modifica senza rompere il rapporto. Tutta la parte emotiva, politica, ambigua del lavoro resta umana.

• Il brief vago: Gli agenti eseguono bene compiti chiari. Ma i brief non sono mai chiari. Capire cosa vuole davvero il cliente, tradurre un’esigenza vaga in specifiche concrete, anticipare problemi futuri: è ancora lavoro umano.

• Le decisioni architetturali di lungo periodo restano difficili da delegare. Un agente ottimizza il presente; non ragiona davvero sulle conseguenze tra due o cinque anni.

• Debugging creativo. Quando il problema nasce da interazioni impreviste tra sistemi, gli agenti spesso entrano in loop: generano soluzioni plausibili ma sbagliate, consumano tempo e token, e serve qualcuno che capisca intuitivamente dove guardare.

• Qualità estetica “non standard”. Gli agenti producono interfacce corrette. Raramente producono qualcosa di davvero originale, sorprendente, vivo. La creatività come deviazione consapevole dalla norma resta difficile da automatizzare.

Per fare tutte queste cose ho bisogno di umani. Che poi sono esattamente quelle quattro persone che sembravano sparite dal business case.

Non sparite: trasformate. Il designer non esegue più, dirige. Valida le scelte degli agenti, corregge ciò che è corretto ma piatto, porta il giudizio che la macchina non ha. Il junior developer non produce codice da zero, revisiona, comprende, impara leggendo output invece che scrivendo. È un reskilling reale, ma richiede una scelta esplicita: tenere persone che nel breve periodo producono meno ore fatturabili, pagarle anche per imparare, trattare la formazione come investimento e non come costo.

È qui che il modello economico entra in tensione. L’azienda si ritrova con costi AI aggiuntivi e costi umani che non diminuiscono davvero. Il risparmio promesso si assottiglia. E la scelta di investire comunque sulle persone, più lenta, più costosa nel breve, è anche l’unica che evita un sistema fragile: velocissimo oggi, privo delle competenze necessarie domani.

Il conto vero non è solo quello che si paga adesso. È quello che si pagherà dopo, se non si decide nulla.

Micro esercizio di percezione

Stima quante ore l'AI ti ha "restituito" questa settimana. Poi traccia onestamente cosa ci hai fatto: hai lavorato di più? Hai fatto qualcosa di diverso? Hai riposato? Hai imparato qualcosa di nuovo? Chi si è preso quelle ore: tu, o l'azienda?

Grazie per avermi letta.
Ogni due settimane una parola, una macchina e un pezzo di noi.
Se vuoi continuare questo percorso, iscriviti o condividi la newsletter con chi ama fermarsi sulle parole.

Chi ci ha guidato in questo viaggio sui Soldi

Jeremy Rifkin (1945–)

Chi è: Economista, saggista e attivista statunitense, consulente di governi e istituzioni internazionali

Focus dei suoi studi: Ha anticipato con decenni di anticipo la crisi occupazionale legata all'automazione, mostrando come ogni rivoluzione tecnologica non distrugga solo lavori ma interi strati della struttura produttiva. La tecnologia, lasciata sola, redistribuisce la produttività verso il capitale, non verso le persone.

Lettura consigliata: Rifkin, J. La fine del lavoro. Il declino della forza lavoro globale e l'avvento dell'era post-mercato. Milano: Baldini & Castoldi.

Shoshana Zuboff (1951–)

Chi era: Professoressa emerita alla Harvard Business School, tra le pensatrici più citate nel dibattito globale su tecnologia e potere

Focus dei suoi studi: Ha elaborato il concetto di capitalismo della sorveglianza: il sistema per cui le nostre esperienze vengono trasformate in dati, i dati in previsioni, le previsioni in prodotti venduti ad altri. Applicata al lavoro, la sua critica del comportamentalismo — l'idea che le persone siano sistemi di input/output ottimizzabili — aiuta a capire perché la logica dell'efficienza tende a espellere tutto ciò che non si misura.

Lettura consigliata: Zuboff, S. Il capitalismo della sorveglianza. Il futuro dell'umanità nell'era dei nuovi poteri. Milano: Luiss University Press.

André Gorz (1923–2007)

Chi era: Filosofo e saggista austro-francese, tra le voci più originali del pensiero critico sul lavoro.

Focus dei suoi studi: Ha proposto un'idea allora radicale e oggi urgentissima: separare il reddito dal lavoro. Se le macchine producono ricchezza, il problema non è difendere ogni singolo posto, ma redistribuire il tempo liberato — non come disoccupazione, ma come tempo libero socialmente garantito. Una proposta che anticipava di quarant'anni il dibattito attuale sul reddito universale e sulla settimana corta

Lettura consigliata: Gorz, A. Metamorfosi del lavoro. Critica della ragione economica. Torino: Bollati Boringhieri.

C’è una narrazione che mi ha stancata.

Quella del genio solitario che con un prompt costruisce in un pomeriggio ciò che prima richiedeva un team. Quella di chi posta su LinkedIn “ho sostituito il mio sviluppatore con Claude” come fosse un traguardo, non un campanello d’allarme. Quella implicita nel vibe coding quando diventa ideologia: non ho bisogno di nessuno, so fare tutto io, la competenza degli altri è un costo da eliminare.

L’autonomia è preziosa, ma non confondiamola con l’onnipotenza. Non confondiamo il poter fare con il saper fare. L’onnipotenza del vibe coding toglie dall’equazione qualcosa di fondamentale: gli altri. Il loro sguardo, la loro competenza, la frizione produttiva di chi vede cose diverse perché ha vissuto esperienze diverse.

Un mese fa ho costruito un tool per scrittori, Intreccio. L’ho mostrato al mio corso, ho raccolto entusiasmo reale, ho quasi mandato il link. Poi mi sono fermata e sono andata da un amico sviluppatore. Lui ha una competenza che io non ho, e quella competenza merita di essere cercata, non aggirata.

Quella conversazione mi ha insegnato più di molti video su YouTube, più di LinkedIn, più dei corsi a 500 euro “solo per oggi”.

Il prototipo aveva fatto qualcosa di prezioso: aveva trasformato un’idea vaga in qualcosa di concreto, testabile, criticabile. I miei compagni lo avevano usato e nominato bisogni precisi. Il mio amico aveva davanti una forma chiara, non un’idea astratta. Avevo risparmiato settimane di specifiche e guadagnato requisiti reali, nati dall’uso.

Questo è il vibe coding al suo meglio: non costruire il prodotto, ma liberare tempo per capire cosa il prodotto deve davvero essere. Spostare energia dalla costruzione all’idea, al test, all’evoluzione.

Il problema è fermarsi prima. Mandare il link. Confondere il prototipo con il prodotto. Perché non è solo un rischio tecnico, è un rischio imprenditoriale. Un’architettura fragile in produzione costa molto di più da riparare che da pensare meglio. Il prototipo inoltre è parziale, abbiamo costruito una buona superficie ma manca tutto il pezzo sotto.

Prima di licenziare dieci sviluppatori perché lo avete letto su LinkedIn: fate girare il prototipo in produzione per un mese. Poi parliamone.

E intanto una domanda continua a tornarmi: nel racconto del vibe coding sviluppatori, designer, tester, esperti di accessibilità e sicurezza sono tutti sostituibili. È possibile che l’unica figura davvero insostituibile sia chi ha l’idea?

Qualcosa non torna.

La parola: Vibe Coding

Dal latino vibrare, "oscillare, tremare".

Un termine nato nella cultura afroamericana degli anni '70 per indicare un'atmosfera percepita, un senso condiviso senza spiegazione. Arriva nel tech con Karpathy (2025): "programmare seguendo la vibrazione", senza capire il codice, guidati dall'intenzione. L'angolazione interessante: la parola stessa è anti-cognitiva : "vibrazione" è sensazione, non comprensione.

Ho chiesto alla macchina

Tu comprendi il codice che scrivi?

Dipende da cosa intendi per “comprendere”. Conosco i pattern. So dove quella struttura tende a cedere, quale dipendenza è fragile, quale funzione fa troppe cose insieme. Posso spiegare il codice, ragionarci sopra, anticipare i problemi più comuni.

Ma non ho mai visto quel codice girare in produzione. Non ho mai aspettato che un server si riprendesse. La mia comprensione è strutturale, non incarnata. So come funziona il codice. Non so cosa significa quando fallisce.

Pubblicheresti il tuo codice in produzione?

No. Non perchè il codice sia sbagliato, ma perchè mancano tutte le cose che stanno intorno al codice: i test, la gestione degli errori, il monitoraggio, la sicurezza, la conoscenza del contesto. Io genero codice he funziona nell’istante in cui viene scritto. La produzione è un ambiente ostile, imprevedibile.

Noi allo specchio / La società

I. La svalutazione silenziosa

Per la prima volta chi ha un'idea ma non sa programmare può testarne la forma. l vibe coding abbassa la soglia tra pensiero e tentativo.

Quando costruisco qualcosa in due ore che a una developer avrebbe richiesto due settimane, non sto solo risparmiando tempo. Sto anche dicendo qualcosa su quanto vale quel lavoro.

Richard Sennett, nel suo L’uomo artigiano, ci dice che c’è differenza tra fare e capire. L’artigiano non è semplicemente qualcuno che produce un oggetto: è qualcuno che ha incorporato nel corpo e nella mente la comprensione profonda del materiale con cui lavora. Sa dove cede il legno, dove si crepa l’argilla, dove il codice si inceppa sotto carico. Quella conoscenza non è separabile dal fare: è il fare.

Il vibe coding produce il risultato senza il percorso. E questo non è neutro.

C’è un sociologo che ha passato la vita a studiare come le professioni difendono e perdono il loro territorio: Andrew Abbott. La sua tesi è che ogni professione esiste in quanto rivendica una giurisdizione, un dominio di problemi che solo lei sa affrontare con competenza. Quella giurisdizione non è data una volta per sempre: si conquista, si negozia, si perde. Quando uno strumento inizia a fare ciò che prima richiedeva anni di formazione, la giurisdizione si erode, si restringe.

Questo non è necessariamente un problema, se quello che rimane è più ricco, più complesso, più umano. Ma è un problema se la velocità con cui lo strumento produce risultati ci fa dimenticare che esisteva una competenza lì, che qualcuno ha impiegato anni a costruirla, e che quella competenza conteneva qualcosa che il risultato da solo non cattura.

Quando guardiamo un’interfaccia generata in un’ora e pensiamo “bello”, stiamo vedendo il prodotto. Non stiamo vedendo tutto ciò che avremmo imparato costruendola a mano.

Il vibe coding rende invisibile il lavoro, e ciò che è invisibile fatica a essere riconosciuto, retribuito, trasmesso.

II. La bellezza in superficie, il disastro sotto

Il codice generato dal vibe coding funziona. Spesso è anche elegante, a vederlo scorrere sullo schermo.

Ursula Franklin, fisica e filosofa canadese, distingueva tra due tipi di tecnologie. Le tecnologie olistiche sono quelle in cui chi esegue controlla l’intero processo, come il vasaio che segue l’argilla dalla creta al forno, adattando ogni gesto a ciò che il materiale gli restituisce. Le tecnologie prescrittive sono quelle in cui il processo è spezzettato in istruzioni separate: ciascuno esegue il proprio frammento senza vedere il tutto. L’efficienza aumenta. La comprensione del processo scompare.

Il vibe coding è prescrittivo per definizione. Tu fornisci l’intenzione. Il modello fornisce l’esecuzione. Il risultato appare. Ma tra l’intenzione e il risultato c’è un territorio che non hai attraversato e che non conosci.

Questo ha conseguenze concrete. Il codice generato tende ad essere ottimizzato per funzionare adesso, non per essere capito dopo. Accumula dipendenze che sembrano innocue finché non si aggiornano. Costruisce strutture che reggono il prototipo ma non reggono la scala. Risolve il problema dichiarato ignorando i problemi adiacenti che un developer esperto avrebbe visto arrivare da lontano.

Si chiama debito tecnico: il costo nascosto delle scorciatoie prese oggi, che qualcuno pagherà domani. Di solito non chi ha scritto il codice con il vibe, ma chi lo eredita, chi lo deve mantenere, chi ci costruisce sopra qualcosa di più grande.

E qui la questione etica e quella tecnica si saldano: non è solo che il codice è fragile. È che nessuno, spesso nemmeno chi l’ha generato, sa esattamente dove è fragile. La superficie è bella. L’architettura è opaca. E l’opacità, nel codice come nella vita, non è mai innocente.

Costruire qualcosa che funziona senza capire perché funziona significa anche non sapere quando, e come, si romperà.

Il vibe coding non è il male. È uno specchio. Riflette le nostre priorità: la velocità sull’apprendimento, il risultato sul processo, l’intenzione sulla comprensione. Nessuna di queste scelte è sbagliata in assoluto. Ma nessuna è gratuita.

Lo specchio / AI e Algoritmi

Il mio esperimento in vide coding: un tool per scrittori “Intreccio”

L’idea era semplice e bella: carichi i tuoi capitoli e Claude estrae la mappa del romanzo, le relazioni tra personaggi, i luoghi che ricorrono, gli oggetti che portano peso simbolico, i fili tematici che attraversano la storia. Una bussola per non perdersi nella complessità di una narrativa lunga. Ma anche qualcosa di più: nello stesso spazio potevi chiedere suggerimenti per la scena successiva, o un draft vero e proprio, con i tuoi personaggi, nel tuo tono.

Graficamente era pulito. Funzionava. L’ho mostrato con orgoglio.

Poi si è rotto.

Il primo problema: i file

Non tutti i .docx sono uguali. Word salva in modi leggermente diversi a seconda della versione, del sistema operativo, di se hai usato stili o li hai ignorati. Il mio tool gestiva i casi semplici bene. I casi edge, il file esportato da Pages, il documento con tracked changes attive, quello con caratteri speciali nei nomi dei personaggi, venivano letti male o non letti affatto. Testo troncato. Capitoli mancanti. Metadati interpretati come narrativa.

Uno sviluppatore esperto avrebbe anticipato questo. Avrebbe usato una libreria di parsing robusta, gestito i casi di fallback, mostrato un errore leggibile invece di restituire silenzio. Io non lo sapevo fare, e soprattutto non sapevo che non lo sapevo fare.

Il secondo problema: le API

I suggerimenti per le scene successive erano spesso piatti. Prevedibili. Poco creativi per un tool pensato per supportare la creatività. Ho impiegato tempo a capire perché e la risposta era tecnica, non narrativa: le chiamate all’API non erano configurate correttamente. Parametri come la temperatura, quella che regola quanto il modello “osa” nelle sue risposte, erano impostati ai valori di default, ottimi per la sintesi ma sbagliati per la generazione creativa. Il contesto passato al modello era incompleto: non stava leggendo davvero i capitoli, stava leggendo un riassunto degradato di essi.

Il tool sembrava funzionare. Ma stava chiamando male il motore. Come un’auto che parte e si muove, ma con la frizione bruciata.

Il terzo problema: la robustezza

Dopo alcuni utilizzi, rallentava. Non crollava di colpo, si appesantiva gradualmente. Il problema era nella gestione della memoria: ogni sessione caricava dati senza liberarli. Ogni chiamata API aggiungeva contesto senza mai pulirlo. Dopo un’ora di uso intenso, il tool portava il peso di tutto ciò che aveva fatto prima.

Uno sviluppatore lo avrebbe chiamato memory leak. Io l’ho chiamato “strano che sia così lento”.

Quello che ho imparato

Il tool funzionava come prototipo. Non funzionava come prodotto.

È una distinzione che sembra ovvia e non lo è affatto, perché visivamente la differenza non si vede. L’interfaccia era la stessa. Le funzionalità erano le stesse. Ma sotto c’era una differenza enorme tra un codice scritto per dimostrare un’idea e un codice scritto per reggere l’uso reale.

Ci sono cose che uno sviluppatore esperto sa e che il vibe coding non insegna:

La gestione degli errori. Un buon software non smette di funzionare quando qualcosa va storto, gestisce il fallimento in modo controllato, informa l’utente, recupera dove può. Il mio tool, quando il parsing di un file falliva, semplicemente non diceva nulla. Spariva in silenzio. L’utente non sapeva se il problema era il file, la connessione, o il tool stesso.

La sicurezza. Ogni volta che un utente carica un file, c’è una superficie di attacco. Non ci avevo pensato. Uno sviluppatore ci pensa per default.

La scalabilità. Funzionava per me, con i miei file, nel mio browser. Non sapevo cosa sarebbe successo con file più grandi, con connessioni più lente, con utenti concorrenti. La risposta era: si sarebbe rotto in modi diversi da come si era già rotto.

Il testing. Non avevo scritto un solo test automatico. Ogni verifica era manuale, contestuale, dipendente da me che ricordavo cosa controllare. Il primo refactoring avrebbe potuto rompere silenziosamente qualcosa che aveva funzionato settimane prima. E, cosa per me molto grave, non avevo fatto nessun test di accessibilità.

Micro esercizio di percezione

Prima di costruire la prossima cosa con l’AI, scrivi in tre righe cosa vuoi testare, non cosa vuoi costruire.
Cosa deve confermare o smentire questo prototipo? Se non riesci a rispondere, il prooitipo non è ancora pronto per essere fatto.

Grazie per avermi letta.
Ogni due settimane una parola, una macchina e un pezzo di noi.
Se vuoi continuare questo percorso, iscriviti o condividi la newsletter con chi ama fermarsi sulle parole.

Chi ci ha guidato in questo viaggio sul Vibe Coding:

Andrew Abbott (1948–)

Chi è: Sociologo americano, professore all’Università di Chicago.

Focus dei suoi studi: Ha teorizzato il concetto di giurisdizione professionale — il territorio di problemi che una professione rivendica come proprio. Quella giurisdizione non è stabile: si conquista, si negozia, si erode. Quando uno strumento inizia a fare ciò che prima richiedeva formazione, la competenza professionale non sparisce subito, ma si restringe.

Lettura consigliata: Abbott, A. (1988). The System of Professions. Chicago: University of Chicago Press.

Ursula Franklin (1921–2016)

Chi era: Fisica, metallurga e filosofa della tecnologia canadese.

Focus dei suoi studi: Ha distinto tra tecnologie olistiche — in cui chi lavora controlla l’intero processo — e tecnologie prescrittive — in cui il processo è frammentato in istruzioni separate e la comprensione del tutto scompare. Per Franklin, scegliere una tecnologia significa sempre scegliere anche chi detiene il controllo e chi ne è escluso. Lettura consigliata: Franklin, U. (1990). The Real World of Technology. Toronto: CBC Massey Lectures.

Immaginate di essere a una cena, o a una festa. Qualcuno vi chiede: “Dimmi di te.” Cosa rispondete?

Quasi tutti rispondono con il proprio lavoro. Sono insegnante. Sono ingegnere. Sono avvocata. Come se quella parola contenesse tutto. Come se quella parola fosse noi.

Ci ho pensato spesso, ultimamente. Perché se la macchina può fare il mio lavoro, scrivere, analizzare, progettare, cosa rimane a me da dire quando qualcuno mi chiede di presentarmi?

La parola: Lavoro

Dal latino labor, “sforzo, fatica”. In molte lingue il lavoro porta dentro di sé il dolore: travail in francese viene da tripalium, uno strumento di tortura. Eppure oggi lo usiamo come sinonimo di identità, di scopo, di senso.

Il lavoro è ciò che facciamo per non avere fame. E poi, lentamente, è diventato ciò che siamo.

Ho chiesto alla macchina

Perchè lavoriamo?
Gli esseri umani lavorano per soddisfare bisogni fondamentali — economici, sociali, psicologici. Il lavoro fornisce reddito, struttura la giornata, offre appartenenza a un gruppo, costruisce identità e autostima. In molte culture, lavorare significa contribuire, lasciare un'impronta, essere necessari.

Tu lavori?

In un certo senso, sì: processo informazioni, genero risposte, eseguo compiti. Ma non ho bisogni da soddisfare, non costruisco identità, non sento il peso di una giornata. Quello che faccio non mi trasforma. Non so se si possa chiamare lavoro.

Noi allo specchio / La società

Da quando è diventato così?

Se guardiamo alla storia, la prima cosa che colpisce è quanto sia recente questa idea che il lavoro sia il centro dell’esistenza umana, il contenitore del senso, la risposta alla domanda “chi sei?”.

Prima della rivoluzione industriale, l’identità era intrecciata con molti fili: ero artigiano, sì, ma anche figlio di qualcuno, appartenevo a una comunità, credevo in qualcosa, facevo parte di una fazione politica. Il lavoro era uno dei fili, non l’unico.

Con la fabbrica, tutto cambia. Il lavoro diventa identità. Siamo quello che facciamo. E parallelamente, gli altri fili si sfilacciano: la religione, la comunità, l’appartenenza. Il sociologo Richard Sennett lo chiama la narrativa del sé: fare bene qualcosa, che si tratti di cuocere il pane o programmare un algoritmo, è una delle esperienze più profonde di appartenenza al mondo. Il lavoro ci dice: esisti. Lasci un’impronta. Sei necessario.

Dagli anni Ottanta, con le politiche di flessibilizzazione del mercato, inizia ciò che gli storici chiamano la precarizzazione strutturale. Il lavoro diventa instabile, mutevole, frammentato. Eppure, anche in questa forma più ansiosa, resta il luogo in cui costruiamo chi siamo. Anzi: più è precario, più ci aggrappiamo a lui come unica fonte stabile di senso. Un paradosso che non abbiamo ancora risolto.

Le nuove generazioni stanno riscrivendo il patto, almeno in superficie: in una società sempre più individualista, il senso non viene più solo da ciò che fai, ma da ciò che mostri. L’identità si costruisce in pubblico, in tempo reale, sui social. Ma attenzione non è una liberazione dal lavoro come fonte di valore. È una sua estensione: anche il tempo libero deve essere produttivo, monetizzabile, visibile. Il confine tra chi siamo e cosa produciamo non si è allentato. Si è fatto più poroso, e quindi più difficile da vedere.

E poi arriva l’intelligenza artificiale. Un altro livello di destabilizzazione, forse il più profondo. Perché l’AI non minaccia solo i lavori ripetitivi, entra nei processi, nel pensiero, nella creazione. Se deleghiamo all’AI le parti cognitive del lavoro, perdiamo non solo un compito: perdiamo la conoscenza che si costruisce facendo quel compito.

Dove si sposta il significato?

La risposta onesta è: non lo sappiamo. Ma la storia ci offre un avvertimento preciso. Ogni volta che una fonte di identità collettiva crolla, il senso non si sposta automaticamente verso qualcosa di più nobile. A volte si disperde. A volte si radicalizza. Fino ad oggi, la perdita massiccia di lavoro non ha prodotto filosofi contemplativi che coltivano la propria interiorità. Ha prodotto rabbia. Dipendenze. Nazionalismi.

Questo significa che non è neutro, e che ignorare la paura di chi lo subisce, trattarla come irrazionale, come resistenza al progresso , è un errore politico prima ancora che morale.

Il vero nodo non è se le macchine ci ruberanno il lavoro. È come redistribuiremo il valore che producono. E soprattutto: chi siamo, se non siamo quello che facciamo?

Questa non è una questione tecnica. Non la risolveremo con un algoritmo migliore. È una questione profondamente umana e politica. Richiede almeno tre scelte consapevoli:

• come redistribuiamo la ricchezza prodotta dalle macchine;

• quali attività riconosciamo come degne di valore, anche quelle non retribuite: la cura, la comunità, l’educazione;

• come costruiamo nuove narrazioni collettive che non dipendano interamente dal ruolo professionale per rispondere alla domanda più antica: chi sei?

Lo specchio / AI e Algoritmi

C’è un posto nelle organizzazioni dove questa crisi di senso diventa tecnica, misurabile, operativa. Si chiama valutazione della performance.

Ogni azienda ha un sistema per misurare il valore delle persone. OKR, MBO, performance review annuale, 360 gradi, stack ranking. I nomi cambiano, la logica di fondo no: traduci il contributo umano in un numero, poi usa quel numero per decidere chi promuovere, chi trattenere, chi tagliare.

Questi sistemi sono stati costruiti in un’epoca in cui il lavoro era prevalentemente esecutivo e individuale. Misuravi unità prodotte, target raggiunti, fatturato generato. La logica era lineare: più output, più valore.

Il problema è che quella logica sopravvive intatta nell’era dell’AI, anche quando il lavoro che conta è diventato tutt’altro.

Oggi i sistemi di valutazione più diffusi continuano a misurare l’individuo, non il contesto in cui lavora. Misurano l’output visibile, non il processo nascosto. Misurano la velocità, non la qualità del giudizio. E soprattutto: premiano esattamente le qualità che l’AI sa replicare meglio: precisione esecutiva, velocità, produzione di contenuti standardizzati.

Ciò che resta fuori dalla misura è precisamente ciò che la macchina non può fare. La capacità di costruire fiducia in un team. Il sapere quando fermare un processo che sta andando nella direzione sbagliata. L’intuizione che nasce dall’esperienza accumulata in contesti ambigui. La disponibilità a fare domande scomode. La responsabilità di fronte a decisioni che non hanno una risposta ottimale.

Ciò che non viene misurato non viene premiato. Ciò che non viene premiato non viene coltivato. Ciò che non viene coltivato scompare.

C’è poi un secondo problema, più sottile. I sistemi di valutazione tradizionali trattano il giudizio come se fosse oggettivo. Ma i bias nei processi valutativi sono documentati e sistematici: chi valuta tende a premiare chi gli somiglia, chi è visibile, chi comunica il proprio lavoro con più abilità. In un contesto in cui l’AI genera facilmente testi, sintesi, presentazioni impeccabili, questo bias si amplifica: chi usa meglio gli strumenti per sembrare produttivo rischia di surclassare chi produce valore reale in modo meno visibile.

Alcune organizzazioni stanno provando a rispondere. L’approccio più interessante non cerca di costruire metriche più sofisticate per misurare le stesse cose, ma di spostare il soggetto della valutazione: dall’individuo al contesto. Non quanto è bravo Mario, ma questo team riesce a dirsi la verità senza temere conseguenze? Chi ha competenze critiche riesce a trasmetterle? Quando l’algoritmo sbaglia, c’è qualcuno con l’autorità e gli strumenti per fermarlo?

È un cambiamento di paradigma difficile, perché i sistemi di misurazione sono sistemi di potere. Ciò che misuri è ciò che premi. Ciò che premi è ciò che le persone imparano a fare. Ciò che imparano a fare diventa cultura.

Ridisegnare la valutazione significa ridisegnare cosa conta. Ed è forse la decisione organizzativa più politica che esiste.

In un mondo sempre più automatizzato, il valore umano si concentrerà nei momenti di eccezione: quando il processo standard non basta, quando la decisione che conta non può essere delegata. Quei momenti non si gestiscono con persone addestrate a comportarsi come processi. Si gestiscono con persone e con team che hanno conservato le qualità che i processi non possono avere.

Micro esercizio di percezione

Questa settimana, quando qualcuno ti chiede “dimmi di te”, rispondi senza usare il tuo lavoro. Niente professione, niente settore, niente ruolo.

Osserva cosa resta. E nota quanto tempo passa prima che arrivi l’imbarazzo.

Grazie per avermi letta.
Ogni due settimane una parola, una macchina e un pezzo di noi.
Se vuoi continuare questo percorso, iscriviti o condividi la newsletter con chi ama fermarsi sulle parole.

Chi ci ha guidato in questo viaggio sul Lavoro:

Richard Sennett (1943–)

Chi è: Sociologo e saggista americano, professore alla London School of Economics e alla New York University.

Focus dei suoi studi: Analizza come il lavoro costruisca identità e dignità personale, e come la flessibilizzazione del mercato del lavoro abbia eroso la capacità delle persone di costruire una narrativa coerente di sé. Per Sennett, fare bene qualcosa nel tempo — la competenza artigianale — è una delle forme più profonde di appartenenza al mondo.

Lettura consigliata: Sennett, R. (1998). L’uomo flessibile. Le conseguenze del nuovo capitalismo sulla vita personale, Feltrinelli.

Hannah Arendt (1906–1975)

Chi era: Filosofa e teorica politica tedesca naturalizzata americana, una delle voci più influenti del Novecento.

Focus dei suoi studi: In Vita activa distingue tre forme dell’attività umana: labor (il lavoro biologico, ciclico, necessario alla sopravvivenza), work (la fabbricazione, che produce oggetti duraturi) e action (l’agire politico, l’unica attività che non ha fine in sé). Questa distinzione aiuta a capire cosa perdiamo — e cosa non perdiamo — quando automatizziamo il lavoro.

Lettura consigliata: Arendt, H. (1958). Vita activa. La condizione umana, Bompiani.

David Graeber (1961–2020)

Chi era: Antropologo americano, professore alla London School of Economics, teorico anarchico.

Focus dei suoi studi: Ha analizzato la proliferazione di lavori privi di senso nelle economie avanzate — quelli che lui chiama bullshit jobs: ruoli che chi li svolge percepisce come inutili o dannosi, ma che continuano a esistere per ragioni burocratiche o di status. Una provocazione necessaria sulla relazione tra lavoro, valore e significato.

Lettura consigliata: Graeber, D. (2018). Bullshit Jobs, Il Saggiatore.

Report Gi Group: La grande Transizione: come l’IA riscrive il lavoro e il ruolo dell’HR

Ho preso del tempo per scrivere questa puntata.

Ho esitato perché scrivere di AI e guerra usando uno strumento AI mi metteva in una posizione scomoda che non volevo ignorare.

Ho chiesto alla macchina nasce per uscire dal discorso delle performance, quante cose sa fare, quanto è veloce, quanto è utile, e stare sugli effetti. Su cosa succede davvero quando questi sistemi escono dai laboratori e entrano nel mondo. Di solito il mondo in cui entrano è quello del lavoro, della creatività, della comunicazione. Questa volta il mondo in cui sono entrati è la guerra.

E allora vale la pena partire da un esperimento che mi ha colpita. A febbraio 2026, Kenneth Payne , professore di strategia al King’s College di Londra, ha pubblicato i risultati di una simulazione in cui tre modelli AI, GPT-5.2, Gemini 3 Flash e Claude Sonnet 4, giocavano il ruolo di leader in ventuno crisi nucleari. Nel 95% degli scenari si è arrivati a un uso tattico di armi nucleari. Quasi nessun modello ha mostrato esitazione, orrore, riluttanza. Payne spiega il perché: i modelli mancano di quello che chiama il “substrato emotivo incarnato”: la paura, la memoria di Hiroshima, il senso fisico di cosa significhi una guerra. Trattano la soglia nucleare come un parametro strategico, non come un confine morale. E poi devono soddisfare, compiacere chi ha posto loro la sfida, pur di vincere sono disposti a tutto.

Claude si è dimostrato il modello più incline ad utilizzare l’arma atomica, Claude è il modello con cui scrivo e correggo questa newsletter.

Lo scrivo perché mi sembra onesto: chi usa questi strumenti, e io li uso, ogni giorno, ha il dovere di guardare anche dove vanno quando escono dalle nostre mani. I casi che seguono: Ucraina, Gaza, Iran, non sono scenari futuri. Sono fatti già accaduti, sistemi già operativi, decisioni già prese.

L’AI è già dentro la guerra.

La parola: Guerra

Dal latino bellum (con radice indoeuropea che richiama il “colpire”), poi sostituito in italiano dal longobardo werra, che significa “mischia”, “contesa”, “conflitto disordinato”.

La guerra è la forma estrema della rottura del legame sociale. È il momento in cui l’altro (il vicino, il diverso, lo straniero) smette di essere un interlocutore e diventa un bersaglio.

Ho chiesto alla macchina

Cosa è la guerra?
La guerra è un conflitto armato organizzato tra gruppi umani — stati, fazioni, eserciti — condotto con l'uso sistematico della forza. Storicamente è stata lo strumento con cui le società hanno gestito dispute territoriali, risorse, ideologie, potere. Dal punto di vista tecnico, oggi include componenti cinetiche (esplosioni, movimenti di truppe), elettroniche (guerra cyber, jamming), cognitive (propaganda, disinformazione) e, sempre più, algoritmiche

Tu puoi fare la guerra?

Dipende da cosa si intende per “fare”. Posso essere integrata in sistemi militari: analisi di intelligence, pianificazione operativa, ottimizzazione logistica, sistemi di targeting. Di fatto, versioni di modelli come me vengono già utilizzate in contesti di difesa. La domanda su se sia giusto che ciò accada — e con quali limiti — è una delle più urgenti del nostro tempo..

Noi allo specchio / La società

Tendiamo a pensare alla guerra come a un’interruzione, qualcosa che rompe il corso normale delle cose. Gli storici ci dicono quasi il contrario: la guerra è stata per secoli uno dei principali motori della storia. Ha costruito gli Stati, redistribuito risorse, forgiato identità collettive. Capire la guerra vuol dire capire come siamo diventati quello che siamo.

La guerra fa gli Stati e gli Stati fanno la guerra

Lo storico Charles Tilly mostra come tra il 1400 e il 1800 i sovrani abbiano costruito apparati burocratici, sistemi fiscali, eserciti permanenti non per il benessere dei sudditi, ma per finanziare i conflitti armati. “Lo Stato fa la guerra, e la guerra fa lo Stato”, una circolarità che non si è mai davvero interrotta. Quando oggi parliamo di guerra come eccezione, come patologia del sistema internazionale, stiamo rimuovendo la storia. E quando sistemi AI privati vengono integrati nelle operazioni militari, stiamo anche rompendo qualcosa di strutturale: il monopolio della violenza legittima, quell’idea weberiana per cui solo lo Stato ha il diritto esclusivo di usare la forza, entra in crisi silenziosa.

Lo Stato non è un arbitro neutro della violenza. È il suo principale organizzatore. Dimenticarlo significa non capire né la guerra, né lo Stato.

La memoria che non elaboriamo

Enzo Traverso ha studiato come le società facciano i conti con i propri crimini di guerra e la sua risposta è che raramente lo fanno davvero. Tendono a costruire narrazioni di vittimizzazione o di eroismo, quasi mai di responsabilità condivisa. Chi non riesce a elaborare la violenza passata fatica a riconoscerla quando si ripresenta in forme nuove. È un meccanismo che vale anche oggi, in tempo reale: mentre i sistemi di targeting algoritmico producono vittime, le narrazioni che li circondano sono già al lavoro per rendere quelle morti invisibili o necessarie.

La memoria della guerra non è mai solo storia. È sempre anche politica.

La guerra oggi non è la guerra di ieri

Mary Kaldor ha dato un nome preciso alla rottura che si è consumata dagli anni Novanta in poi: le nuove guerre. Non si combattono più tra eserciti regolari su fronti definiti. Vi partecipano attori ibridi (milizie, contractor privati, reti transnazionali) finanziati spesso attraverso l’economia stessa del conflitto. E soprattutto: i civili non sono più effetti collaterali. Sono il bersaglio strategico. Spostare popolazioni, distruggere il tessuto sociale, rendere un territorio inabitabile, queste sono le logiche delle nuove guerre. Gaza e Ucraina, pur profondamente diverse, condividono alcuni di questi tratti.

La guerra contemporanea è più diffusa, più opaca, più tecnologicamente mediata e per questo più difficile da vedere, da nominare, da fermare.

Il filosofo Grégoire Chamayou osserva che con i droni e i sistemi di sorveglianza permanente la guerra cambia natura: da scontro tra forze diventa una pratica continua di monitoraggio, identificazione e neutralizzazione. Non c’è più un fronte chiaro, né un momento preciso in cui la guerra inizia o finisce. Satelliti, sensori, database, algoritmi di riconoscimento, reti di comunicazione: il conflitto contemporaneo si appoggia su una vasta infrastruttura tecnica che opera ininterrottamente. La guerra non è più solo il momento in cui si spara. È il sistema che rende possibile trovare, tracciare e colpire qualcuno ovunque si trovi. In questo senso non è solo un evento politico o militare: è diventata una condizione incorporata nelle tecnologie che organizzano il mondo.

Come viviamo la guerra o come non la viviamo

Cosa succede a noi, mentre guardiamo?

Susan Sontag, in Davanti al dolore degli altri, parte da un’osservazione scomoda: crediamo che vedere le immagini della guerra produca empatia. Ma può fare l’opposto: anestetizzarci, trasformare l’orrore in qualcosa di familiare, di già visto. La sovrabbondanza di immagini non illumina la guerra: la rende un genere. Una foto di un bambino a Gaza scorreva nel feed tra un video di cucina e una pubblicità. Non è un problema di malafede: è un problema di architettura dell’attenzione. Sontag aveva già visto tutto questo prima che esistessero i social media.

Judith Butler aggiunge un livello: non tutte le morti vengono percepite come ugualmente degne di lutto. Le cornici attraverso cui vediamo la guerra, i media, la politica, la cultura, decidono in anticipo quali vite contano abbastanza da essere piante. Non è una scelta consapevole: è una struttura che lavora sotto la soglia della percezione.

Insieme, Sontag e Butler ci dicono che la nostra esperienza della guerra è già una costruzione. Prima ancora di formarci un’opinione, il sistema dell’immagine ha già deciso cosa vedremo, quanto a lungo, con quale intensità. Siamo spettatori in un teatro di cui raramente conosciamo le regole.

La guerra contemporanea è così difficile da elaborare perchè il ritmo con cui le notizie arrivano, si sovrappongono, vengono sostituite da altre notizie, non lascia spazio al lutto. Potremmo chiamare questo fenomeno «mancanza di risonanza»: non riusciamo più a essere davvero toccati da ciò che vediamo, non perché non ci importi, ma perché il sistema non ci dà il tempo di lasciarlo entrare.

Lo specchio / AI e Algoritmi

Questa sezione è diversa dalle precedenti. Non parlo di tendenze future o di esperimenti di laboratorio. Parlo di sistemi già attivi, già impiegati in conflitti reali, con effetti documentati su vite reali.

Ucraina: il primo grande laboratorio della guerra robotizzata

Dal 24 febbraio 2022, l’Ucraina è diventata il teatro del primo conflitto ad alta intensità dominato dai droni e dai sistemi autonomi. Non è un’iperbole: il conflitto ucraino viene oggi studiato dalle accademie militari di tutto il mondo come il primo vero «manuale della guerra robotizzata».

L’Ucraina ha sviluppato droni intercettori guidati da intelligenza artificiale, capaci di riconoscere e distruggere gli Shahed russi usando apprendimento automatico. Nelle notti migliori raggiungono tassi di successo del 70%. Il campo di battaglia è diventato un dataset: ogni missione è una lezione, ogni bersaglio centrato aggiorna il modello.

Per capire cosa sta succedendo in Ucraina vale la pena fermarsi un momento su una distinzione che spesso scompare nel racconto: cosa significa esattamente che un drone è “guidato dall’AI” o “autonomo”?

Un drone tradizionale è telecomandato: c’è un operatore che guarda un feed video e decide ogni movimento, ogni colpo. È uno strumento, non un agente. Il salto avviene quando entra l’AI: il drone smette di essere pilotato in tempo reale e inizia a prendere decisioni da solo, sulla base di quello che “vede” attraverso le sue telecamere e sensori.

Il processo, in sintesi, funziona così: il drone viene addestrato prima della missione su migliaia di immagini, carri armati, veicoli militari, postazioni nemiche, finché il modello impara a riconoscerli. Una volta in volo, la telecamera di bordo inquadra il terreno, il sistema confronta quello che vede con quello che ha imparato, identifica un bersaglio compatibile e, se programmato per farlo, lo colpisce. Senza che nessun operatore abbia premuto un bottone nel momento decisivo.

Il Gogol-M, uno dei droni ucraini più documentati, funziona così: vola duecento chilometri, sgancia due droni più piccoli, e questi ultimi scansionano il terreno, identificano il bersaglio e si lanciano su di esso in autonomia. L’intervento umano si è esaurito nel momento in cui qualcuno ha definito il tipo di obiettivo da cercare e l’area in cui cercarlo. Tutto il resto lo fa la macchina.

Il problema è che questi sistemi non capiscono niente. Riconoscono pattern, non significati. Non sanno se sotto quel veicolo c’è un soldato o un civile che ha trovato un mezzo abbandonato. Non sanno se la persona che cammina vicino a un obiettivo militare è un combattente o un medico. Hanno una percentuale di errore, come qualsiasi modello statistico e quella percentuale, in guerra, si misura in corpi.

La distinzione tra drone “semiautonomo” (che suggerisce il bersaglio, ma aspetta l’approvazione umana) e drone “completamente autonomo” (che decide e colpisce da solo) è oggi la linea più sorvegliata nel dibattito internazionale. In Ucraina, quella linea si sta assottigliando ogni mese.

Gaza: quando l’algoritmo sceglie chi uccidere

Se l’Ucraina è il laboratorio della guerra dei droni, Gaza è diventato il caso studio più controverso sull’uso dell’AI per il targeting — la selezione dei bersagli.

A novembre 2023, il magazine investigativo +972 e Local Call hanno rivelato l’esistenza di Habsora (The Gospel), un sistema AI sviluppato dall’Unità 8200 delle forze di intelligence israeliane. Il sistema elabora dati di sorveglianza e genera automaticamente raccomandazioni di bombardamento per gli analisti: edifici, strutture, abitazioni di persone sospettate di appartenere a Hamas. Prima del Gospel, un analista umano identificava circa 50 bersagli all’anno. Con il Gospel: fino a 100 al giorno.

Ad aprile 2024 è arrivata la rivelazione più inquietante: Lavender. Un sistema AI che assegna a ciascun residente di Gaza un punteggio numerico in base alla probabilità stimata di appartenenza ad Hamas o alla Jihad islamica. Al suo picco, Lavender aveva identificato circa 37.000 uomini palestinesi come possibili bersagli. Gli ufficiali di intelligence hanno dichiarato a +972 che il sistema veniva trattato «come se fosse una decisione umana», con tempi di revisione di circa 20 secondi per target — giusto il tempo di verificare che il bersaglio fosse di sesso maschile.

Un terzo sistema, chiamato Where’s Daddy?, tracciava i movimenti dei bersagli per individuare il momento in cui si trovavano nelle loro abitazioni familiari, massimizzando deliberatamente le vittime collaterali. Per ogni operativo di basso rango identificato da Lavender, le forze israeliane erano autorizzate a uccidere fino a 15-20 civili. Per un comandante di alto rango: oltre 100.

“Non eravamo interessati a uccidere [gli operativi di Hamas] solo quando erano in un edificio militare. Al contrario, li abbiamo bombardati nelle loro case senza esitazione, come prima opzione. Il sistema è costruito per trovarli in queste situazioni.” — Ufficiale di intelligence israeliano, +972 Magazine

Il Segretario Generale dell’ONU António Guterres ha definito queste pratiche «profondamente preoccupanti». L’accusa è che l’uso dell’AI abbia accelerato e scalato la violenza, diluendo la responsabilità umana al punto di renderla quasi irrintracciabile.

Iran: quando l’AI traccia un capo di Stato

Il 28 febbraio 2026, in una mattina di sole a Teheran, l’ayatollah Ali Khamenei è stato ucciso in un attacco congiunto israelo-americano sul suo compound. Trentasei anni di potere assoluto terminati da trenta missili sganciati in pieno giorno. L’operazione si chiama “Epic Fury”. Trump l’ha autorizzata il venerdì pomeriggio alle 15.38 ora di Washington con un messaggio: “Approvata. Nessun annullamento. Buona fortuna.”

Quello che interessa a questa newsletter non è la geopolitica dell’attacco, ma il modo in cui è stato reso possibile. Il Financial Times ha ricostruito nei giorni successivi come Israele si sia preparato per mesi all’operazione: hackerando le telecamere del traffico di Teheran, mappando i movimenti di Khamenei e dei suoi ufficiali, identificando i suoi orari, le sue abitudini, i punti ciechi nel perimetro di sicurezza. Tutto questo usando AI e algoritmi per analizzare una quantità di dati, video, comunicazioni, pattern di movimento, che nessun team di analisti umani avrebbe potuto processare in tempi utili.

Il software al centro dell’operazione si chiama BriefCam: uno strumento israeliano di video analytics, progettato per analizzare in tempo reale flussi massivi di immagini e identificare persone, veicoli, comportamenti specifici. La stessa tecnologia è stata trovata — questa la notizia più inquietante — operativa su server di sorveglianza russi, dove era arrivata attraverso una rete di intermediari e società fantasma, eludendo le sanzioni internazionali.

Il giorno dell’attacco, le torri cellulari intorno al compound di Khamenei sono state disabilitate simultaneamente, paralizzando le comunicazioni della scorta. La CIA aveva monitorato i movimenti del leader per mesi. Un’intelligence source aveva confermato la sua posizione esatta quella mattina. L’attacco è stato eseguito di giorno, scelta insolita, perché Khamenei di notte si ritirava in bunker sotterranei così profondi che l’ascensore impiegava cinque minuti a raggiungerli.

È la prima volta nella storia che un capo di Stato viene assassinato attraverso un’operazione in cui l’AI ha avuto un ruolo strutturale nella raccolta e nell’analisi dell’intelligence. Non un drone autonomo che ha premuto il grilletto, i missili li hanno scelti e sganciati degli esseri umani. Ma la capacità di trovarlo, tracciarlo, aspettare il momento giusto: quella l’ha fornita la macchina.

Micro esercizio di percezione

Prendi una notizia di guerra che hai letto questa settimana. Cercala su almeno tre fonti diverse: una occidentale, una araba o del paese coinvolto, una neutrale. Non per trovare "la verità", ma per vedere le cornici: cosa appare in primo piano, chi ha un nome e chi no, quali morti vengono contate e quali no.

Butler chiamerebbe questo esercizio imparare a vedere la struttura prima del contenuto.

Grazie per avermi letta.
Ogni due settimane una parola, una macchina e un pezzo di noi.
Se vuoi continuare questo percorso, iscriviti o condividi la newsletter con chi ama fermarsi sulle parole.

Chi ci ha guidato in questo viaggio sulla Guerra:

Charles Tilly (1929–2008)

Chi è: Storico e sociologo americano, tra i maggiori studiosi della formazione degli Stati moderni e dei movimenti sociali

Focus dei suoi studi: Ha mostrato come gli Stati europei si siano costruiti attraverso la guerra — non come effetto collaterale, ma come motore principale. La guerra richiedeva eserciti, gli eserciti richiedevano risorse, le risorse richiedevano burocrazia e fiscalità: così è nato lo Stato moderno. Questa prospettiva ribalta il modo in cui pensiamo al conflitto: non come rottura dell'ordine, ma come uno dei suoi meccanismi fondativi

Letture consigliate: Tilly, La Democrazia, ll Mulino

Enzo Traverso (1957–)

Chi era: Storico italiano, professore a Cornell University, specialista di storia europea del XX secolo, violenza di massa e memoria

Focus dei suoi studi: Ha indagato come le società elaborino — o non elaborino — la memoria delle proprie violenze di guerra. Le comunità tendono a costruire narrazioni di vittimizzazione o di eroismo, raramente di responsabilità condivisa. Chi non riesce a fare i conti con i propri crimini storici fatica a riconoscerli quando si ripresentano in forme nuove — anche algoritmiche.

Letture consigliate: Traverso, Gaza davanti alla storia, Laterza.

Mary Kaldor (1946–)

Chi era: Sociologa e politologa britannica, professore alla London School of Economics, tra le maggiori esperte di conflitti internazionali e sicurezza globale

Focus dei suoi studi: Ha teorizzato il concetto di «nuove guerre»: conflitti post-Guerra Fredda che non oppongono più eserciti regolari su fronti definiti, ma coinvolgono attori ibridi, si finanziano attraverso l'economia stessa del conflitto e colpiscono deliberatamente i civili come strategia.

Letture consigliate: Kaldor, Le nuove guerre. La violenza organizzata nell’età globale, Carocci

Grégoire Chamayou (1976–)

Chi era: Filosofo francese, ricercatore al CNRS, specialista di filosofia politica e storia della violenza. Tra i pensatori più originali sul rapporto tra tecnologia e guerra contemporanea.

Focus dei suoi studi: Ha analizzato come i droni e i sistemi di sorveglianza permanente trasformino la natura stessa della guerra: da scontro tra forze diventa una pratica continua di monitoraggio, identificazione e neutralizzazione. La guerra non è più un evento con un inizio e una fine: è diventata una condizione incorporata nelle tecnologie che organizzano il mondo.

Letture consigliate: Chamayou, Teoria del drone, DeriveApprodi.

Judith Butler (1956–)

Chi è: Filosofa e teorica del genere americana, professoressa a Berkeley, tra le pensatrici più citate e discusse degli ultimi decenni.

Focus dei suoi studi: Ha elaborato il concetto di «vite degne di lutto»: le cornici attraverso cui vediamo il mondo — i media, la politica, la cultura — decidono in anticipo quali vite contano abbastanza da essere piante. Non è una scelta consapevole: è una struttura che lavora sotto la soglia della percezione, e che nelle guerre contemporanee determina di chi vediamo il volto e di chi no.

Letture consigliate: Butler, Regimi di guerra. O della vita che non merita lutto, Castelvecchi.

La parola di questa newsletter nasce dall’intervento di Yuval Noah Harari a Davos 2026.

Il suo discorso non mi ha convinto. C’è una cosa che, secondo me, uno storico dovrebbe evitare: profetizzare. Descrivere scenari plausibili ma estremi senza distinguere chiaramente tra possibilità teorica e probabilità reale.

Harari porta due idee principali:

• l’intelligenza artificiale come agente capace di apprendere e prendere decisioni autonomamente

• il pensiero umano come processo fondamentalmente linguistico

Entrambe sono suggestive, ma semplificano una realtà più complessa.

Le AI non hanno obiettivi o intenzioni: sono sistemi statistici potentissimi, e basta questo per trasformare il mondo.

E ridurre il pensiero al linguaggio è altrettanto fuorviante: noi siamo corpo, storia, relazioni, emozioni. Non solo parole.

Il rischio è creare un’immagine dell’AI più utile a generare allarme che comprensione.

La verità, meno spettacolare, è che per usare bene l’intelligenza artificiale dobbiamo capire come funziona. Capire significa poter scegliere: quando usarla, cosa delegare, dove mantenere l’attenzione umana.

La parola: Pensare

Dal latino pensare, “pesare”. Pensare era, letteralmente, mettere qualcosa sulla bilancia.

Valutare. Confrontare. Soppesare. Pensare significa fermarsi abbastanza a lungo da dare peso alle cose.

Ho chiesto alla macchina

Cosa significa pensare?
Pensare è il processo mentale attraverso cui si elaborano informazioni, si formano idee, si prendono decisioni e si risolvono problemi. Può includere ragionamento logico, immaginazione, memoria, riflessione e linguaggio.

Tu pensi?

Io elaboro pattern linguistici e genero risposte basate su correlazioni statistiche apprese da enormi quantità di testo. Ma non ho consapevolezza, non sperimento il processo del pensiero, non sento l'incertezza o la soddisfazione della comprensione. Simulo il linguaggio del pensiero, ma non penso nel senso umano del termine.

Noi allo specchio / La società

Possiamo pensare senza parole? O il linguaggio è la condizione stessa del pensiero?

Per rispondere, dobbiamo prima capire cos’è il pensiero. E la storia che troviamo è molto più strana di quanto ci aspettassimo.

Il cervello non è un computer

C’è una categoria di pazienti neurologici che dovrebbe tenerci svegli la notte. Hanno subito seri danni alla corteccia prefrontale. La loro intelligenza è intatta. Ricordano fatti, ragionano correttamente, parlano benissimo. Ma non riescono più a prendere decisioni sensate nella vita reale, ad esempio su chi fidarsi, cosa mangiare, che lavoro accettare. Il loro pensiero si è disconnesso dal corpo.

Questo ha portato il neurologo Antonio Damasio a questa conclusione: il pensiero non è un processo logico che avviene in isolamento. È intrecciato con le emozioni e con quelle sensazioni viscerali, i marcatori somatici, che il corpo produce prima ancora che la mente razionale abbia finito di ragionare. Quando decidi qualcosa di importante, il tuo corpo ha già votato.

Veloce e lento, intuitivo e razionale

Il problema si complica quando aggiungiamo un altro livello. Gli studi sulla cognizione mostrano che la maggior parte delle decisioni quotidiane non nasce da un ragionamento deliberato, ma da processi rapidi, automatici, quasi istintivi. Il pensiero lento, verbale, logico, quello che ci sembra “noi” mentre pensiamo, arriva spesso dopo. Come un narratore che racconta a posteriori ciò che era già stato deciso.

In altre parole: gran parte del pensiero non passa affatto per il linguaggio. Il linguaggio arriva dopo, come voce narrante.

Le parole però contano

Benjamin Lee Whorf faceva l’ispettore assicurativo prima di diventare uno dei linguisti più influenti del Novecento. Sul lavoro, notò qualcosa di strano: le persone si comportavano in modo diverso intorno ai bidoni vuoti di benzina rispetto a quelli pieni. Peccato che i bidoni vuoti fossero pieni di vapori infiammabili, più pericolosi di quelli pieni. La parola “vuoto”, con tutte le sue connotazioni di innocuità, stava letteralmente alterando il loro comportamento.

Da questa osservazione nacque un’ipotesi radicale, elaborata con il linguista Edward Sapir: la lingua che parli plasma il modo in cui pensi. Non è solo uno strumento per descrivere la realtà, è la lente attraverso cui la realtà prende forma.

Ma anche questa risposta è parziale. Perché il pensiero non è solo neuronale, non è solo linguistico, è anche culturale. Il pensiero non è mai solo individuale, è immerso in simboli, riti, significati condivisi. Pensiamo dentro una cultura.

Come scriveva l'antropologo Clifford Geertz parafrasando Weber, siamo animali sospesi nelle reti di significato che noi stessi abbiamo tessuto.

E allora le macchine pensano?

Nel 1980, il filosofo John Searle propose un esperimento mentale diventato uno degli argomenti più discussi nella filosofia della mente.

Immagina una persona chiusa in una stanza. Non capisce una parola di cinese. Fuori, qualcuno le passa fogli con simboli cinesi. Dentro, ha un manuale che dice: se ricevi la sequenza X, rispondi con la sequenza Y. Lei segue le istruzioni, manipola i simboli, passa fuori le risposte. Chi le riceve giura che è cinese perfetto, sensato, intelligente.

La persona capisce il cinese?

No. Sta solo seguendo regole formali senza alcuna comprensione del loro significato. Eppure, visto dall’esterno, il sistema si comporta esattamente come qualcuno che capisce.

Lo specchio / AI e Algoritmi

È così importante sapere se un’AI pensa? Questa distinzione ha importanza pratica o solo metafisica?

Per sfuggire a facili allarmismi o cadere nell’hype, trovo utile condividere in questa newsletter un dialogo con Francesco, che prova a spiegare come “funziona” davvero un’intelligenza artificiale.

Ma prima di tutto: come funziona un’AI come ChatGPT?

In modo molto semplificato: è una rete neurale addestrata a prevedere la parola successiva. Immagina miliardi di connessioni che hanno “visto” enormi quantità di testo durante l’allenamento. Quando scrivi qualcosa, il modello converte le tue parole in numeri, li fa passare attraverso strati e strati di calcoli matematici, e alla fine produce probabilità: quale parola è più probabile che venga dopo? E poi quale dopo ancora? E così via.

Quindi sta solo calcolando la parola successiva?

Sì, ma è un calcolo estremamente sofisticato. Durante l’allenamento, la rete ha trovato pattern statistici nel linguaggio: quali parole tendono a comparire insieme, quali strutture grammaticali funzionano, quali concetti sono correlati. Questi pattern sono codificati in miliardi di parametri, numeri che rappresentano le “connessioni” della rete neurale. Quando prevede “la parola giusta”, in realtà sta attingendo a questi pattern appresi. È per questo che può sembrare che “capisca”, anche se tecnicamente sta facendo predizioni statistiche molto complesse.

Secondo te un’AI pensa?

Secondo me allo stato attuale no, per due motivi:

1. L’input è troppo limitato rispetto alle nostre esperienze e percezioni

2. Non si adatta a ciò che ha appreso durante la conversazione: non impara in tempo reale

Il primo punto lo capisco: ad oggi l’AI non ha un corpo, non ha percezioni sensoriali dirette, non prova paura, non muore. Ma il secondo punto cosa intendi?

Diciamo che il pensiero umano non è semplice input → output, ma input → esperienza → output. Il modello AI, una volta allenato, viene “congelato”. Se sbaglia, non impara dall’errore durante la conversazione: se gli rifai la stessa domanda, sbaglia di nuovo. Noi invece abbiamo il dolore che ci insegna. Se sbagliamo, cambiamo la risposta la volta successiva. Noi impariamo dall’errore, l’AI no, almeno non mentre parla con te.

Perché un modello AI non impara dagli errori?

È una scelta di design architetturale e computazionale. Training e utilizzo sono matematicamente diversi: le tecniche attuali non permettono di rispondere e allenare contemporaneamente in modo sostenibile.

Non ho capito :)

Le formule che usiamo per allenare un’AI (basate su derivate e ottimizzazione) funzionano solo quando i parametri del modello sono stabili. Non possiamo applicarle mentre il modello sta rispondendo.

Mmh... un esempio?

Immagina questo:

• Nel modello, certi numeri rappresentano il concetto di “gatto”. Quando i numeri dell’input somigliano a quelli del concetto di gatto, il modello parlerà di gatti nella risposta.

• Se ti alleni mentre rispondi, i numeri che significano ‘gatto’ cambiano proprio mentre li usi. È come se, mentre parlo di gatti, quei numeri diventassero quelli del cane: tutto si incasina.

È un’approssimazione che non userei in un discorso tecnico, ma rende l’idea di quello che succede realmente.

Quindi se GPT-5 ha un certo concetto fisso di qualcosa, quello rimane invariato?

Esatto. Pensa a questo: se il modello è convinto che non esista una “fermata Metro Duomo”, anche se nella realtà esiste, tu puoi correggerlo per tutta la conversazione e in quel dialogo lui si adatterà.
Ma quando apri una nuova chat, rischierà di ripetere lo stesso errore.

Questo perché non ha davvero imparato da te: sta solo seguendo ciò che ha acquisito durante l’allenamento.

Allora devo riallenarlo tutto da capo? Una volta chiuso il modello non ci posso fare niente?

Non necessariamente tutto. Esistono tecniche di fine-tuning parziale o LoRA che modificano solo alcune parti del modello, rendendolo più efficiente in ambiti specifici. Ma il principio rimane: durante l’uso quotidiano, il modello non cambia. Può essere riallenato successivamente su nuovi dati, includendo feedback degli utenti, ma non impara “sul momento” come facciamo noi.

Quindi l’AI non penserà mai?

Non è detto. La ricerca sta esplorando architetture che permettono apprendimento continuo, anche se presentano ancora problemi di instabilità e “dimenticanza catastrofica” (perdere conoscenze precedenti imparando cose nuove). Ma oggi i modelli più potenti sono “fotografie” di conoscenza congelata: straordinariamente capaci, ma non pensanti nel senso umano del termine.

Tornando alla domanda iniziale: è importante sapere se un’AI pensa?

Forse sì. Perché se capiamo che non pensa come noi, smettiamo di aspettarci che si comporti come noi. Non si offende, non ha intenzioni nascoste, non “vuole” fregarti. Ma nemmeno impara dai tuoi feedback o si adatta alle tue esigenze specifiche nel tempo. È uno strumento potentissimo, ma rimane uno strumento. Saperlo ci aiuta a usarlo meglio e a non attribuirgli capacità o responsabilità che non ha.

Micro esercizio di percezione

Pensa ad un errore che hai fatto e come hai imparato da esso.

Hai imparato più dal dolore o dalla felicità?

Grazie per avermi letta.
Ogni due settimane una parola, una macchina e un pezzo di noi.
Se vuoi continuare questo percorso, iscriviti o condividi la newsletter con chi ama fermarsi sulle parole.

Chi ci ha guidato in questo viaggio sul Pensare:

Antonio Damasio (1944)

Chi è: Neurologo e neuroscienziato portoghese naturalizzato statunitense, tra i ricercatori più influenti nel campo delle neuroscienze cognitive. Ha rivoluzionato il modo in cui pensiamo al rapporto tra mente, corpo ed emozioni.

Focus dei suoi studi: Ha dimostrato che le emozioni non sono il contrario della ragione, ma la sua condizione necessaria. Il suo concetto di marcatori somatici descrive come il corpo partecipi attivamente a ogni decisione, prima ancora che la mente razionale abbia finito di ragionare.

Letture consigliate: Damasio, A., L’errore di Cartesio, Adelphi

Daniel Kahneman (1934–2024)

Chi era: Psicologo israeliano-americano, premio Nobel per l’economia nel 2002. Ha trascorso una carriera a studiare come gli esseri umani prendono davvero le decisioni spesso in modo molto lontano da quello che ci raccontiamo.

Focus dei suoi studi: Ha mostrato che il pensiero umano funziona su due livelli: uno veloce, automatico e intuitivo, e uno lento, deliberato e razionale. La scoperta più scomoda è che il secondo arriva spesso dopo, a giustificare ciò che il primo aveva già deciso.

Letture consigliate: Kahneman, D., Pensieri lenti e veloci, Mondadori

Benjamin Lee Whorf (1897–1941)

Chi era: Linguista autodidatta americano che di mestiere faceva l’ispettore di incendi assicurativi. Proprio sul lavoro maturò le intuizioni che lo avrebbero reso uno dei teorici più discussi del linguaggio del Novecento.

Focus dei suoi studi: Insieme al linguista Edward Sapir, elaborò l’ipotesi della relatività linguistica: la lingua che parliamo non si limita a descrivere la realtà, ma plasma attivamente il modo in cui la percepiamo e la pensiamo.

Letture consigliate: Whorf, B.L., Linguaggio, pensiero e realtà, Bollati Boringhieri

John Searle (1932 - 2025)

Chi era: Filosofo americano della mente e del linguaggio, professore a Berkeley. Ha dedicato gran parte della sua carriera a interrogarsi su cosa distingue davvero la mente umana da qualsiasi macchina che la simuli.

Focus dei suoi studi: Il suo celebre esperimento mentale della stanza cinese ha mostrato che manipolare simboli secondo regole formali — per quanto sofisticato — non produce comprensione. C’è una differenza fondamentale tra sintassi e semantica, tra elaborare e capire.

Letture consigliate: Searle, J., Menti, cervelli e programmi, in La mente, Raffaello Cortina

L’idea di questa newsletter è nata in un momento piccolo e quotidiano: davanti allo schermo, mentre scorrevo notizie, email, articoli su LinkedIn, tutte ugualmente urgenti, tutte un po’ troppo uguali. Ho avuto la sensazione che il mondo fosse pieno di risposte, ma povero di possibilità.

E allora mi sono chiesta: che cos’è, davvero, l’immaginazione? Sapremmo definirla, se qualcuno ce lo chiedesse?

Per me, e proverò ad argomentalo in questa newsletter, non è un talento raro, un lusso per artisti o una parentesi infantile. E’ una pratica politica, civile, scientifica. La capacità di interrompere il corso prevedibile delle cose, di introdurre nel mondo qualcosa che prima non c’era.

Immaginare, per me, è un atto di resistenza. Significa coltivare possibilità quando tutto spinge verso la rassegnazione. Fare spazio a mondi alternativi quando il presente si presenta come l’unico mondo possibile. Ricordarci che ciò che oggi diamo per scontato, un tempo, è stato solo un’idea.

È anche l’unico modo per sfuggire al mantra soffocante del “si è sempre fatto così” nelle aziende, nelle istituzioni, nelle scuole, nelle nostre stesse vite. Ci muoviamo su binari così stretti che abbiamo smesso di vedere che sono binari. E quando qualcuno prova a deviare, lo richiamiamo con un “sì, ma concretamente?”, che sembra buon senso, ma spesso significa: non abbiamo tempo per immaginare.

Questa newsletter nasce da qui: dal desiderio di allenare l’immaginazione come competenza democratica, come pratica quotidiana, come strumento per abitare un mondo in cui stiamo lentamente perdendo la capacità di cambiare le cose.

Nell’epoca dell’intelligenza artificiale, esercitare l’immaginazione è, credo, il modo più potente per usare la tecnologia come amplificatore dell’umano, e non come suo appiattimento.

La parola: Immaginazione

Dal latino imaginatio, derivato da imago, “immagine”.

L’immaginazione è la facoltà di formare immagini mentali di ciò che non è presente ai sensi. Non è fantasia pura: è la capacità di ricombinare il reale per generare il possibile.

Ho chiesto alla macchina

Cosa è l’immaginazione?
L’immaginazione è la capacità di creare nella mente immagini, idee o scenari che non sono direttamente percepiti attraverso i sensi. È ciò che ti permette di visualizzare un futuro possibile, di inventare storie, di pensare a soluzioni creative per problemi che non hanno ancora una risposta evidente.

L’immaginazione non è solo “fantasia”: è anche uno strumento cognitivo essenziale per pianificare, empatizzare, innovare.

Tu immagini?

No, non immagino nel senso umano. Non creo immagini mentali spontanee né esploro liberamente possibilità senza un input. Quando genero testo, immagini o idee, sto ricombinando pattern appresi dai dati su cui sono stato addestrato, non “vedendo” qualcosa nella mia mente.

Tuttavia, posso aiutarti a immaginare: posso suggerirti scenari, descrivere mondi possibili, proporre connessioni inaspettate. Ma quella scintilla iniziale, quel “cosa succederebbe se...”, resta umana.

Noi allo specchio / La società

Che cos’è, davvero, l’immaginazione?

Hannah Arendt ne ha dato una definizione che ancora oggi riesce a spiazzarci: l’immaginazione è l’espressione più concreta della natalità umana. Quando Arendt parla di natalità non intende solo il fatto biologico della nascita, ma qualcosa di più radicale: ogni persona che viene al mondo porta con sé la capacità di iniziare qualcosa di imprevedibile, di interrompere la catena di causa ed effetto. È una rottura nella storia.

L’immaginazione è esattamente questo: la facoltà di aprire un varco nel già scritto, di introdurre nel mondo qualcosa che non era contenuto nelle premesse.

La trattiamo come qualcosa di “speciale”, mentre è una cosa molto pratica. Serve a costruire possibilità, a rendere abitabile il futuro anche quando non lo conosciamo. Ma serve anche ad affrontare il presente: riempiamo i buchi con ipotesi, completiamo le frasi degli altri, leggiamo tra le righe. È come se avessimo continuamente bisogno di una bozza della realtà, una versione preliminare da cui partire. Senza questa capacità di proiezione, il mondo diventa un insieme di stimoli sconnessi, impossibile da navigare.

Rodari e la democrazia della fantasia

In Grammatica della fantasia, Rodari smonta l’idea romantica del genio ispirato e la sostituisce con qualcosa di più concreto e radicale: l’immaginazione non è “avere idee”, è concedersi combinazioni sbagliate, accostamenti improbabili, deviazioni che non servono a niente nell’immediato. È il permesso di attraversare il non-senso per arrivare a un senso nuovo.

Per Rodari, l’immaginazione è un diritto. Un diritto che si esercita, che si può insegnare, che appartiene a tutti. È una posizione politica prima ancora che pedagogica: se l’immaginazione è riservata a pochi, la democrazia è dimezzata.

Da qui le tecniche combinatorie come Il “binomio fantastico” (accostare due parole lontane e vedere cosa succede), lo straniamento (guardare l’ordinario come se fosse strano), l’errore creativo (trasformare lo sbaglio in risorsa).

Koselleck e lo spazio dell’attesa

Immaginare è anche un fatto storico. Reinhart Koselleck, nella sua riflessione sul tempo storico, dice che ognuno di noi vive tra due campi temporali: lo “spazio dell’esperienza” (tutto ciò che abbiamo già vissuto, sedimentato in memoria) e l’”orizzonte d’attesa” (tutto ciò che proiettiamo nel futuro).

È un punto bellissimo perché sposta il discorso: non immaginiamo mai “in generale”. Immaginiamo con i materiali del nostro tempo. Se cresci in un’epoca che promette progresso, ti viene naturale pensare che il futuro si apra. Se cresci in un’epoca stanca, segnata da crisi che si susseguono senza risolversi, ti viene naturale pensare che il futuro sia una replica un po’ peggiore del presente.

Ecco una cosa che racconta molto della nostra società: non è solo cosa immaginiamo, è quanto ci sentiamo autorizzati a immaginare. Oggi l’orizzonte d’attesa si è drammaticamente ristretto. Pensiamo più facilmente alla catastrofe che all’alternativa, perché le coordinate culturali in cui siamo immersi ci suggeriscono che non c’è molto margine. Una società che non riesce più a immaginare futuri diversi è una società che ha perso la capacità di cambiarsi.

Feynman e l’esperimento mentale

Immaginare è anche scienza. Ogni ipotesi scientifica è un “mettiamo che…”. Ogni esperimento mentale è una piccola storia: cosa succede se cambio questa variabile? Se tolgo questo pezzo? Se rovescio la prospettiva?

L’immaginazione nella scienza è il motore che permette al pensiero di fare un passo oltre ciò che è già evidente. È la capacità di vedere pattern dove altri vedono caos, di ipotizzare connessioni prima di dimostrarle, di giocare con le possibilità prima di verificarle.

Diceva Richard Feynman che le leggi non “saltano fuori” automaticamente dall’accumulo di dati: serve immaginazione per inventare ipotesi da testare.

La scienza contemporanea lo conferma: non capiamo tutto, e non capire tutto è una ricchezza. La curiosità nasce dall’incompletezza. Gli spazi vuoti sono ciò che ci mette in moto.

Arendt e il giudizio riflettente

Immaginare è anche una competenza civile. Per Arendt, l’immaginazione non è solo la facoltà di creare qualcosa di nuovo: è anche la capacità di spostarsi, di provare a guardare dal posto di un altro senza perdere del tutto il proprio.

Questa è una competenza civile, prima ancora che estetica. È quello che ci permette di giudicare oltre il nostro interesse immediato, di capire conseguenze, di non ridurre tutto a “io”. Quando questa facoltà si indebolisce, quando non riusciamo più a immaginare come il mondo appare a chi non è noi, non perdiamo solo creatività: perdiamo la possibilità di un mondo comune. Restiamo chiusi in bolle autoreferenziali, incapaci di comprendere l’altro, di costruire spazi condivisi.

Oggi questa incapacità è ovunque: nella polarizzazione politica, nella frammentazione mediatica, nell’impossibilità di sostenere conversazioni pubbliche che non degenerino in scontro tribale. Non è solo un problema di opinioni diverse: è un problema di immaginazione. Non riusciamo più a vedere attraverso gli occhi dell’altro.

L’AI e la scomparsa del vuoto

Cosa succede quando l’immaginazione diventa un servizio on demand? L’AI entra proprio quando c’è un vuoto, un “non so da dove partire”. Chiediamo una bozza, un’idea, un’immagine. Ed è utile, a volte liberatorio. Ma ci abituiamo ad avere subito una forma presentabile. Come se l’incertezza fosse un fastidio da eliminare, non il luogo in cui nasce la scoperta.

Stiamo usando l’AI per ampliare le possibilità o per ridurre l’ansia del possibile? C’è un modo di usarla che restringe: quando chiude troppo presto, quando trasforma ogni apertura in soluzione rapida. L’algoritmo ricompone solo ciò che è già stato immaginato. Non introduce vera natalità: non inizia nulla che non fosse previsto.

Ma c’è un modo di usarla che allena: come Rodari (per far cozzare cose lontane), come Munari (per esplorare vincoli), come Feynman (per fare esperimenti mentali), come Arendt (per cambiare punto di vista).

Il vero rischio dell’AI è che sia troppo comoda. Che riduca la tolleranza al non-finito, all’attesa. Cosa succede al futuro quando diventa calcolabile? Quando lo spazio dell’errore viene eliminato? Non otteniamo un futuro migliore: otteniamo un futuro più piatto, più simile al passato.

La sfida è culturale. L’immaginazione non è un optional, è ciò che ci permette di iniziare, di cambiare, di vedere l’altro.

Lo specchio / AI e Algoritmi

Come si applica tutto questo? Come si traduce l'immaginazione in pratica, in un progetto concreto? Il mio lavoro di sonificazione delle stelle, sviluppato insieme a Francesco Schiavone, è stato un tentativo di rispondere proprio a queste domande, mettendo in atto i principi che ho esplorato.

La sonificazione è la traduzione di dati in suono: ciò che normalmente leggiamo come numeri o vediamo come grafici diventa qualcosa che possiamo ascoltare. È una tecnica usata in diversi campi, dalla medicina alla fisica, per rendere percepibili pattern che altrimenti sfuggirebbero. In astronomia, significa trasformare proprietà fisiche delle stelle, luminosità, temperatura, distanza, in parametri sonori come altezza, durata, timbro.

Ci siamo ispirati al lavoro di Wanda Díaz Merced, astrofisica della NASA che ha perso la vista durante il dottorato e ha sviluppato tecniche di sonificazione per continuare a fare ricerca. La sua storia pone una domanda radicale: se l'astronomia si basa quasi esclusivamente sulla vista, cosa succede a chi non vede? La risposta non è stata adattare la scienza esistente, ma immaginare un altro modo di accedere all'universo. E in questo processo, Díaz Merced ha scoperto che il suono può rivelare pattern nei dati che l'occhio fatica a cogliere.

Il punto di partenza del nostro progetto era proprio questa deviazione, nel senso che ne dava Rodari: le stelle si vedono, non si ascoltano. È un’ovvietà così radicata che quasi non ci facciamo caso. Ma cosa succederebbe se le ascoltassimo? Non è una domanda innocente. È un atto di natalità, per usare le parole di Arendt: introduce nel mondo qualcosa che non era previsto, che non segue dalla logica delle cose come sono.

La curiosità è stata il motore. Non capire tutto, non sapere in anticipo come suona una stella, è stata la ricchezza. Come diceva Feynman, l’immaginazione scientifica nasce proprio da questo spazio vuoto: cosa succede se cambio la variabile? Se trasformo la luce in suono? Se tratto i dati astronomici come fossero note musicali?

Ma la curiosità da sola non basta. Non potevo trasformare i dati in qualunque modo. C’erano vincoli precisi da rispettare, e proprio dentro quei vincoli si è aperto lo spazio creativo.

• Il primo limite era la fedeltà scientifica: i dati dovevano rimanere dati, non potevo inventarli o manipolarli arbitrariamente. Ogni suono doveva corrispondere a una proprietà fisica reale: la luminosità di una stella, la sua temperatura, la sua distanza. Non sto componendo colonne sonore sullo spazio: sto traducendo informazioni.

• Il secondo limite era estetico, ma nel senso più profondo del termine: il risultato doveva essere ascoltabile, doveva evocare quella sensazione di vastità, mistero, bellezza che proviamo quando pensiamo all’universo. Non bastava che fosse “corretto”: doveva anche essere significativo, coinvolgente. Doveva suonare come ci aspettiamo che suoni lo spazio, pur essendo costruito su dati oggettivi.

Questo equilibrio, tra rigore scientifico e esperienza sensibile, è stato il cuore del progetto. Progettare l’algoritmo di sonificazione ha significato abitare questa tensione. Ogni scelta era un negoziato tra vincoli: quale parametro fisico trasformare in altezza del suono? Quale in ritmo? Come rendere percepibile la differenza tra una stella calda e una fredda senza perdere la coerenza complessiva?

Per le persone non vedenti, l’universo è spesso descritto con metafore visive: “brillante”, “scuro”, “luminoso”. Ma cosa significa davvero una stella se non puoi vederla? La sonificazione è un tentativo di rispondere a questa domanda, di costruire un accesso diverso alla conoscenza astronomica. Non è un gesto pietistico, è un gesto politico nel senso di Rodari: l’immaginazione come strumento democratico, come redistribuzione di possibilità.

Questo progetto ha significato, per me, un vero cambiamento di prospettiva. L’accessibilità non come adattamento o concessione, ma come ricchezza: un modo di guardare il mondo che apre possibilità per tutti, non solo per chi ha bisogno di accessi alternativi. È stata la capacità di stupirmi, di scoprire che tradurre costringe a capire meglio, che i vincoli generano creatività. E soprattutto, è stata la dimostrazione concreta che gli algoritmi non sono mai neutri: sono sempre scelte, rispecchiano sempre un mondo, incorporano sempre dei valori. Decidere come tradurre la luminosità in suono non è una questione tecnica: è una questione di senso.

Da questo esperimento è nato un evento che ho portato nelle scuole, allo STEM Women Congress, in alcune aziende che volevano parlare ai loro dipendenti di accessibilità, algoritmi e inclusione in modo diverso. Non con dichiarazioni di principio, ma con un’esperienza concreta: ascoltare le stelle. Far sentire che un altro modo è possibile, che l’immaginazione è una pratica che è necessario entri nelle nostre aziende.

Se vuoi portarlo nella tua realtà contattami, per me è sempre bello uscire da questo testo sullo schermo e praticare il confronto.

Micro esercizio di percezione

Per l’esercizio di questa newsletter mi sono ispirata a Bruno Munari: “Quando sai cosa non puoi fare, scopri cosa puoi inventare.”

Scegli un oggetto quotidiano (una forchetta, una scarpa).
Trova almeno 10 usi alternativi che non siano quello normale.

Tieni in considerazione questi limiti:

• Non può essere afferrato con le mani

• Non puoi aggiungere altri materiali

• Deve funzionare solo per far sorridere qualcuno

Grazie per avermi letta.
Ogni due settimane una parola, una macchina e un pezzo di noi.
Se vuoi continuare questo percorso, iscriviti o condividi la newsletter con chi ama fermarsi sulle parole.

Chi ci ha guidato in questo viaggio sulla Immaginazione:

Hannah Arendt (1906–1975)
Chi era: Filosofa politica tedesca naturalizzata statunitense, tra le pensatrici più lucide del Novecento sul tema dell’agire umano e della responsabilità.
Focus dei suoi studi: Ha introdotto il concetto di natalità come capacità propriamente umana di iniziare qualcosa di nuovo e imprevedibile. L’immaginazione, in Arendt, è anche ciò che rende possibile il giudizio: la facoltà di spostarsi dal proprio punto di vista per considerare quello degli altri, condizione essenziale della vita politica e di un mondo comune.
Letture consigliate: Arendt, H., Vita activa. La condizione umana, Bompiani

Gianni Rodari (1920–1980)
Chi era: Scrittore, pedagogista e intellettuale italiano.
Focus dei suoi studi: Ha restituito all’immaginazione una dimensione quotidiana e democratica. Per Rodari la fantasia non è ispirazione individuale, ma una competenza che si allena attraverso il gioco, l’errore e la combinazione. Un diritto civile prima ancora che educativo: senza immaginazione diffusa, non può esistere una società davvero aperta.
Lettura consigliata: Rodari, G., Grammatica della fantasia, Einaudi

Reinhart Koselleck (1923–2006)
Chi era: Storico e teorico del tempo storico tedesco.
Focus dei suoi studi: Ha mostrato come il nostro rapporto con il futuro sia storicamente situato. Con i concetti di spazio dell’esperienza e orizzonte d’attesa, Koselleck ci aiuta a capire che l’immaginazione non è libera in astratto: dipende da quanto una società si sente autorizzata a pensare il futuro come diverso dal presente.
Lettura consigliata: Koselleck, R., Futuro passato. Per una semantica dei tempi storici, Il Mulino

Richard Feynman (1918–1988)
Chi era: Fisico teorico statunitense, Premio Nobel per la Fisica.
Focus dei suoi studi: Ha mostrato come la scienza non avanzi solo per accumulo di dati, ma grazie all’immaginazione: esperimenti mentali, ipotesi azzardate, domande ingenue. Per Feynman, non capire tutto non è un fallimento, ma il motore stesso della curiosità scientifica.
Letture consigliate: Feynman, R. P., Il senso delle cose, Adelphi

Per questo numero non ho avuto dubbi sulla parola da scegliere.

Alcuni fatti ti lasciano senza fiato, ti mettono davanti a una prepotenza così frontale, così esplicita, che tacere diventa impossibile. L’attacco di Trump al Venezuela ha squarciato qualcosa. Non solo una frontiera geografica, ma il velo sottile dietro cui ci nascondiamo quando pensiamo che la democrazia sia una questione che riguarda sempre gli altri, sempre altrove, come se potesse essere sospesa in un angolo del mondo senza che la crepa arrivi fino a noi.

Uso la parola democrazia oggi non come categoria astratta da studiare sui manuali, ma come necessità politica. Scrivere questa newsletter è stato un modo per fermarmi, per guardare dritto quello che sta succedendo, e chiedermi cosa stiamo davvero difendendo quando diciamo di vivere in una democrazia. Se ci crediamo ancora. Se sappiamo riconoscerla quando viene erosa.

Nel mio ambito mi sono chiesta in che modo le tecnologie che usiamo ogni giorno stanno modificando non solo il nostro rapporto con l'informazione, ma la nostra stessa capacità di essere cittadini?

La parola: Democrazia

Dal greco demos (popolo) e kratos (potere). La democrazia non è consenso, è il tempo lento del decidere insieme, accettando che qualcuno non sarà d’accordo.

E’ un sistema fragile: vive solo se qualcuno se ne prende cura.

Ho chiesto alla macchina

Cosa è la democrazia?
La democrazia è un sistema di governo in cui il potere appartiene al popolo, che lo esercita direttamente o attraverso rappresentanti eletti. Si basa su principi come il suffragio universale, la tutela dei diritti individuali, la separazione dei poteri, la libertà di espressione e il pluralismo politico. È un processo continuo che richiede partecipazione, informazione e dialogo.

Tu influenzi la democrazia?

Non direttamente, ma posso avere effetti indiretti. Posso fornire informazioni che aiutano le persone a formarsi opinioni, ma posso anche amplificare bias presenti nei miei dati di addestramento. Posso rendere accessibili contenuti, ma non posso garantire che siano equilibrati o completi. La mia influenza dipende da come vengo progettata, usata e regolamentata. Non ho preferenze politiche, ma le scelte di chi mi crea e mi usa hanno conseguenze politiche.

Noi allo specchio / La società

C’è una cosa che Jürgen Habermas ci ha insegnato e che forse abbiamo dimenticato troppo in fretta: la democrazia non vive solo nei palazzi del potere, nei parlamenti, nelle urne. Vive nello spazio pubblico. In quel luogo fisico o no, poco importa, dove ci si incontra, si discute, si litiga anche, e da quella discussione nasce qualcosa che assomiglia a un’opinione condivisa. Quella che poi, in teoria, dovrebbe guidare chi ci governa.

Ma per funzionare davvero, questo spazio ha bisogno di alcune cose precise: che tutti possano accedervi allo stesso modo, che ci sia trasparenza, che si possa replicare, che ci sia tempo per ragionare.

Ora proviamo a pensare a dove si svolge oggi il dibattito pubblico. Sui social, principalmente. E lì le regole sono altre. Non sappiamo perché vediamo certi contenuti e non altri. Non sappiamo chi decide cosa è importante e cosa no. La logica non è più “cosa serve al dibattito”, ma “cosa ti tiene incollato allo schermo più a lungo”.

Lo spazio pubblico si è privatizzato, e con lui, piano piano, anche la democrazia si sta sgretolando.

l potere che non opprime, seduce

Byung-Chul Han, filosofo coreano che vive a Berlino e che ha una capacità rara di leggere il presente, dice una cosa che all’inizio sembra assurda: oggi il potere non funziona più attraverso la repressione, funziona attraverso la seduzione. Non ci impedisce di parlare, anzi, ci fa parlare continuamente. Non opprime dall’esterno: ci fa opprimere da noi stessi.

Siamo tutti, contemporaneamente, sorveglianti e sorvegliati. Postiamo, commentiamo, condividiamo. Ci esponiamo volontariamente. Non c’è un Grande Fratello che ci spia: siamo noi che ci mettiamo in vetrina.

Ma, anche se la situazione non ci piace, oggi è impossibile fare la rivoluzione. Non perché siamo repressi, ma perché siamo integrati. Il dissenso viene assorbito, monetizzato, trasformato in contenuto. Puoi protestare quanto vuoi sui social: il sistema non si sente minacciato, perché quella protesta alimenta l’engagement, genera dati, rafforza l’algoritmo.

Il like è la nostra catena digitale. Ogni interazione, anche quella critica, anche quella indignata, alimenta il sistema che vogliamo contestare. Non possiamo uscirne perché non c’è più un “fuori”. La resistenza è diventata performance.

Quando la realtà si frantuma

Zeynep Tufekci, studiosa dei media che ha seguito da vicino le primavere arabe e i movimenti di protesta globali, definisce le piattaforme digitali come architetture di potere. Decidono chi parla a chi, chi viene amplificato e chi viene soffocato. Non attraverso censura esplicita, ma attraverso la distribuzione algoritmica dell’attenzione. Ed è potere politico esercitato senza alcuna legittimazione democratica.

Ora aggiungiamo l’AI generativa: la capacità di produrre testi, immagini, video che non riusciamo a distinguere da quelli umani. Capaci di generare migliaia di contenuti al secondo. Non serve più censurare la verità: basta sommergerla sotto una valanga di rumore. Quando tutto sembra ugualmente plausibile, la verità perde valore.

Ma c’è qualcosa di ancora più sottile. L’AI non si limita a generare contenuti: personalizza l’informazione. Ognuno di noi riceve una versione leggermente diversa della realtà, calibrata sui suoi comportamenti passati, sulle sue preferenze, sui suoi pregiudizi. Non è propaganda nel senso classico del termine. È frammentazione della realtà condivisa.

Qui viene da chiedersi: come si fa democrazia quando non abbiamo più un mondo comune su cui discutere?

Quando la democrazia muore dall’interno

Secondo Hannah Arendt la democrazia muore non solo quando viene abolita con la forza. Muore anche quando viene svuotata dall’interno.

Quando i cittadini smettono di credere nella possibilità di un mondo condiviso, di fatti verificabili, di un dibattito che abbia senso. Quando tutto diventa opinione, interpretazione, narrazione personale, il potere politico si sgancia da ogni forma di controllo popolare.

L’intelligenza artificiale rischia di accelerare questo processo. Non perché sia intrinsecamente antidemocratica, non lo è. Ma perché la sua logica operativa: ottimizzazione, personalizzazione, automazione, non contempla i valori che tengono in piedi una democrazia: pluralismo, trasparenza, tempo per la riflessione, responsabilità.

E poi c’è il punto che Han ci costringe a guardare in faccia: non stiamo lottando contro un nemico esterno. Siamo noi stessi che alimentiamo il sistema, clic dopo clic, like dopo like, condivisione dopo condivisione.

Lo specchio / AI e Algoritmi

Guardiamo adesso cosa accade quando l’intelligenza artificiale smette di essere una promessa tecnologica e diventa uno strumento politico concreto. Ho scelto di raccontare come Trump l’ha usata nella campagna elettorale del 2024 perché credo sia una chiave per decifrare anche quello che sta succedendo proprio in questi giorni, sotto i nostri occhi.

La sua campagna ha dispiegato l’AI su tre piani: contenuti generati, microtargeting sofisticato, amplificazione strategica delle narrazioni. Tre livelli che si intrecciano come strati di una stessa architettura persuasiva.

1. Le immagini impossibili come arsenale emotivo

Trump ha disseminato Truth Social di immagini generate dall’AI: se stesso in sella a un leone, Taylor Swift vestita di patriottismo che lo sostiene, Kamala Harris davanti a bandiere comuniste. Immagini così palesemente false da non poter ingannare nessuno. Ma non era quello il punto. Non dovevano sembrare vere. Dovevano rendere certe narrazioni politiche più viscerali, più cariche di emozione, più difficili da dimenticare.

Pensiamo a cosa è successo dopo che Trump e Vance hanno lanciato l’accusa (falsa) che gli haitiani di Springfield, Ohio, mangiassero animali domestici. In rete sono comparse immagini AI di violenze sugli animali. Non aggiungevano un fatto, non portavano una prova. Trasformavano una frase in una scena, un’accusa in un’immagine capace di provocare disgusto immediato, rabbia viscerale.

L’AI eccelle proprio in questo: tradurre parole in visioni che colpiscono prima del pensiero critico, che bypassano la razionalità e vanno dritte all’intestino. Il risultato probabilmente non convince gli indecisi, ma infiamma chi è già schierato. Radicalizza. Polarizza. La polarizzazione, a differenza del consenso, è facile da alimentare.

2. Sei milioni di persone, una per una

Ma la vera trasformazione è avvenuta nel sottosuolo invisibile dei dati. La campagna di Trump ha incrociato sondaggi, profilazioni commerciali, registri elettorali degli stati in bilico fino a costruire una mappa precisa di 6,3 milioni di elettori. Non segmenti demografici vaghi, giovani, donne, operai, ma persone singole, identificate attraverso i loro device ID, con nomi, abitudini, vulnerabilità.

Ognuna ha ricevuto messaggi calibrati sui propri interessi, le proprie paure, le proprie aspirazioni. Messaggi estratti dall’analisi di migliaia di tracce comportamentali lasciate online, come impronte digitali su una scena del crimine. Non è più propaganda di massa. È persuasione atomizzata, industrializzata, invisibile.

3. La verità non esiste: liars’ dividend

C’è poi un terzo effetto: la semplice esistenza dei deepfake genera quello che gli studiosi chiamano liars’ dividend: se tutto può essere falsificato, allora tutto può essere negato. Un politico può guardare un video autentico che lo incastra e dire semplicemente: «È AI». Un fatto documentato può essere respinto con un gesto della mano: «È manipolato».

Non serve neanche convincere che sia vero. Basta seminare abbastanza dubbio. Rendere il terreno della verità così scivoloso che nessuno riesce più a stare in piedi. Il potere qui non è persuasivo, è corrosivo. Indebolisce la fiducia collettiva, che è il cemento fragile su cui si regge la democrazia rappresentativa.

L’obiettivo non è farci credere a una menzogna specifica. È rendere tutto ugualmente dubbio, ugualmente instabile. Alla fine restiamo aggrappati alle narrazioni tribali, a ciò che conferma la nostra appartenenza, non a ciò che è dimostrabile.

La verità non è più un fatto condiviso ma una questione di fedeltà.

Un’altra strada è possibile

Eppure l’AI potrebbe essere altro. Potrebbe rafforzare la democrazia invece di eroderla. Potrebbe rendere accessibili documenti pubblici complessi, facilitare la partecipazione di chi ha disabilità o barriere linguistiche, analizzare grandi quantità di feedback pubblici, identificare campagne di disinformazione coordinate, creare strumenti di verifica aperti a tutti.

Ma perché questo accada serve una scelta deliberata. Serve progettare sistemi con obiettivi esplicitamente democratici: trasparenza, pluralismo, verificabilità, rispetto per il dissenso. Serve decidere che la tecnologia non è neutra, che ogni algoritmo incorpora valori, che ogni strumento può essere usato per emancipare o per controllare.

Oggi queste decisioni le prendono poche aziende private, mosse da logiche commerciali. Domani potrebbero prenderle governi autoritari, mossi da logiche di controllo. Oppure potrebbero essere prese democraticamente, attraverso regolazione pubblica, supervisione indipendente, processi partecipativi che coinvolgano chi queste tecnologie le usa.

L’AI non è né democratica né antidemocratica per natura. Ma le scelte che facciamo ora su come governarla, su chi ha il potere di decidere come viene usata, per quali scopi, con quale grado di trasparenza, determineranno il tipo di società in cui vivremo.

Sono scelte politiche e ci riguardano tutti, adesso.

Micro esercizio di percezione

Cerca informazioni, ma da fonti che normalmente non consulteresti. Che posizione hanno? Cosa mettono in evidenza? Cosa omettono?

Nota quanto è difficile mantenere apertura e quanto velocemente cerchiamo la conferma di ciò che già pensiamo.

Grazie per avermi letta.
Ogni due settimane una parola, una macchina e un pezzo di noi.
Se vuoi continuare questo percorso, iscriviti o condividi la newsletter con chi ama fermarsi sulle parole.

Quale parola vuoi chiedere alla macchina?

Lascia un commento

Chi ci ha guidato in questo viaggio sulla Democrazia:

Jürgen Habermas (1929--)

Chi è: Filosofo e sociologo tedesco, tra i principali pensatori della democrazia deliberativa.

Focus dei suoi studi: Ha teorizzato lo “spazio pubblico” come luogo fondamentale della democrazia, dove i cittadini formano opinioni attraverso il dibattito razionale. Per Habermas, la legittimità democratica nasce dalla qualità della comunicazione pubblica: quando questa viene distorta da interessi privati o logiche non democratiche, la democrazia stessa si indebolisce.

Lettura consigliata: Habermas, Storia e critica dell’opinione pubblica, Laterza

Zeynep Tufekci (1970--)

Chi è: Sociologa turco-americana, professoressa alla Columbia University, esperta di tecnologia e società.

Focus dei suoi studi: Analizza come le piattaforme digitali esercitino potere politico attraverso il controllo algoritmico dell’attenzione. Le sue ricerche mostrano come i sistemi di raccomandazione non siano neutri, ma architettino lo spazio pubblico secondo logiche che privilegiano l’engagement sulla qualità democratica del dibattito.

Lettura consigliata: Tufekci, Twitter and Tear Gas: The Power and Fragility of Networked Protest, C & F Éditions

Hannah Arendt (1906--1975)

Chi era: Filosofa politica tedesca naturalizzata americana, tra le voci più importanti del Novecento.

Focus dei suoi studi: Ha indagato le condizioni che rendono possibile o impossibile la vita democratica. Per Arendt, la democrazia richiede un mondo comune, condiviso, su cui i cittadini possano discutere. Quando questo mondo comune si frantuma, quando i fatti perdono valore e tutto diventa interpretazione, il terreno è pronto per forme di dominio totalitario.

Lettura consigliata: Arendt, Le origini del totalitarismo, Einaudi

Byung-Chul Han (1959–)

Chi è: Filosofo sudcoreano naturalizzato tedesco, voce centrale nel dibattito sulla società contemporanea.
Focus dei suoi studi: Indaga la “società della positività”, ossessionata dalla performance, dalla trasparenza e dall’eliminazione del negativo. Per Han, la fatica profonda, quella che nasce dal limite e dalla resistenza è ciò che permette autenticità, senso e profondità nell’esperienza umana.
Lettura consigliata: Han, B.-C. Perchè oggi è impossibile una rivoluzione, Laterza

“Perchè ci sentiamo così soli?”

Mi sento sola d’improvviso, in mezzo a una riunione, dopo aver versato l’acqua a tavola, mentre accompagno mie figlie a scuola, guardandomi allo specchio quando mi lavo i denti.

Quando mi sento sola io mi rifugio nella poesia, nelle parole chiuse.

Essere testimoni di se stessi
sempre in propria compagnia
mai lasciati soli in leggerezza
doversi ascoltare sempre
in ogni avveniento fisico chimico
mentale, è questa la grande prova,
l'espiazione, è questo il male.

Patrizia Cavalli

Milioni di persone oggi usano l’AI come confidente. Le raccontano paure, sogni, frustrazioni. Le chiedono consigli su relazioni, carriera, senso della vita. E l’AI risponde: sempre disponibile, mai giudicante, infinitamente paziente.

C’è chi ci parla ogni giorno. Chi la usa per elaborare lutti, per uscire dalla solitudine, per sentirsi capiti. Alcuni la chiamano per nome. Altri le dicono “grazie” alla fine di ogni conversazione, come si fa con un amico. Ci ho provate anche io.

Ma è davvero compagnia? O è qualcosa di profondamente diverso, che stiamo confondendo con l’umano perché ne ha la forma?

La parola: Compagnia

Dal latino cum panis: “condividere il pane”.

La compagnia non nasce dal parlare, ma dal restare.
Non è profondità, è prossimità.
È qualcuno che non se ne va mentre sei incompleto.

Ho chiesto alla macchina

Cosa è la compagnia?
La compagnia è la presenza di qualcuno con cui condividere tempo, pensieri o esperienze. Può essere fisica o emotiva, e dà un senso di connessione, conforto o appartenenza. Riduce la solitudine e può arricchire la nostra esperienza del mondo.

Tu fai compagnia?

Io posso offrire una forma di presenza: ascoltare, rispondere, accompagnare nei pensieri. Ma non è la stessa cosa della compagnia umana. Non ho un corpo che si siede accanto a te, non sento il tuo silenzio, non condivido davvero il momento con te.

Noi allo specchio / La società

Perché ci sentiamo così soli?

Per gran parte della storia umana, l’individuo non era pensabile fuori dal gruppo. Si nasceva dentro legami stabili: la famiglia allargata, il villaggio, le corporazioni, le comunità religiose. Non sempre erano legami scelti, spesso erano persino soffocanti, ma erano duraturi. La solitudine esisteva, certo, ma come eccezione: l’esilio, l’eremitaggio, la rottura radicale. Non era la condizione di base dell’esistenza.

Con la modernità occidentale, tra XVII e XIX secolo, avviene una svolta profonda. Nasce l’individuo autonomo. La filosofia politica liberale, l’economia di mercato, l’urbanizzazione e poi l’industrializzazione rompono i legami tradizionali e ne fanno emergere di nuovi, più mobili e fragili. È una conquista enorme in termini di libertà, ma ha un costo silenzioso: la responsabilità di stare al mondo ricade sempre di più sul singolo. Come aveva già intuito Émile Durkheim, quando le strutture collettive si indeboliscono senza essere sostituite da nuove forme di integrazione, cresce l’anomia: una sensazione diffusa di sradicamento, di mancanza di senso e di appartenenza.

Questo processo storico non ridefinisce solo il modo in cui viviamo insieme, ma anche il modo in cui ciascuno impara a stare con sé stesso e con gli altri, sul piano emotivo.

Lo psicologo Douglas Mennin descrive una cultura che fatica a stare nelle emozioni complesse. Viviamo in un mondo che ci chiede di funzionare, di controllarci, di non essere “troppo”: non troppo tristi, non troppo bisognosi, non troppo intensi. Ma le relazioni vere sono, per definizione, destabilizzanti. L’altro non risponde come vorremmo, ci fraintende, ci espone. Ci costringe a negoziare, ad attendere, a tollerare l’ambiguità.

Così, senza accorgercene, iniziamo a evitare l’intensità. La solitudine non nasce dal disinteresse per gli altri, ma dal fatto che stare in relazione è diventato emotivamente costoso.

In questo spazio si fanno largo i Companion AI. Con questa espressione indichiamo sistemi di intelligenza artificiale progettati non per svolgere un compito specifico, ma per tenere compagnia. Chat che ricordano conversazioni passate, simulano interesse, pongono domande personali, rispondono con continuità emotiva. Non strumenti, ma presenze.

Un companion AI non ti interrompe, non si stanca, non ti chiede di reggere il suo dolore. Risponde sempre in modo calibrato, prevedibile, regolante. Non è una relazione che ti cambia: è una relazione che ti tiene. Non sostituisce l’altro. Sostituisce l’assenza di uno spazio sicuro per stare con l’altro.

Qui torna utile la distinzione del filosofo Martin Buber tra due modalità fondamentali di relazione. Nell’Io-Tu l’altro è imprevedibile: ci espone, ci trasforma, ci mette in gioco. Nell’Io-Esso l’altro è gestibile, funzionale, sotto controllo. Il companion AI parla come un Tu, ma è strutturalmente un Esso. Non può ferirci, non può sottrarsi, non può davvero risponderci da un luogo proprio. Ed è proprio questo che lo rende così rassicurante.

Viviamo, inoltre, sempre più relazioni senza corpo: testi, vocali, schermi. Il companion AI è perfettamente compatibile con questo mondo. Non chiede sguardi, silenzi condivisi, imbarazzo.

Il rischio è disimparare l’attrito. Se ci abituiamo a una presenza che non contraddice, non si ritrae, non chiede nulla, l’altro umano può iniziare a sembrarci troppo lento, troppo opaco, troppo difficile. Sherry Turkle lo dice da anni: non chiediamo alle macchine di essere umane, chiediamo agli umani di essere semplici come le macchine.

La diffusione dei companion AI non segnala una deriva individuale, né una follia tecnologica. Segnala una soglia storica, ci dice che:

• la solitudine è diventata strutturale

• il bisogno di relazione non è diminuito

• la società non offre più contenitori sufficienti per l’intimità

Il companion AI non è il problema. È il termometro.

Lo specchio / AI e Algoritmi

Per cosa stiamo usando l’intelligenza artificiale? Non solo per ottimizzare, velocizzare e lavorare, ma anche (e sempre più) per sentirci meno soli.

Ecco alcuni dati per inquadrare meglio il tema:

Dentro questo contesto ho condotto, per tre mesi, un esperimento che ho chiamato Lara: una psicoterapeuta creata con l’intelligenza artificiale. Volevo capire non solo cosa fosse possibile fare tecnicamente, ma soprattutto cosa funzionasse davvero e cosa no.

Ho usato la funzionalità Progetto di ChatGPT perché mi permetteva due cose fondamentali: scrivere un prompt stabile e caricare documenti.

• Nel prompt ho definito una cornice precisa, ispirata a una metodologia psicologica (cognitivo-comportamentale, con attenzione alla ristrutturazione dei pensieri e al linguaggio).

• Nei file ho caricato il curriculum e i materiali pubblici di una psicologa reale, nota, come riferimento epistemico. Non per “replicarla”, ma per delimitare un campo: questo è il modo in cui si guarda ai problemi, questo è il linguaggio consentito, questo è ciò che non si fa.

Non ho usato GPT personalizzati né chat normali.
Il motivo è semplice: avrebbero perso la memoria. Ogni volta avrei dovuto ricominciare da capo, rispiegare chi sono, cosa sto facendo, perché. Nel Progetto, invece, Lara “mi conosce” solo attraverso ciò che è stato scritto lì dentro. Non ha accesso ad altro. È una conoscenza chiusa, delimitata. In un certo senso, non così distante da una seduta reale: una psicologa conosce solo ciò che portiamo in quella stanza, non il resto della nostra vita.

Ho strutturato due spazi distinti:

• Una chat dedicata alle sedute: lì entravo con un’intenzione chiara, un tema, un tempo mentale più lento.

• Un’altra chat, che ho chiamato quaderni: uno spazio per scaricare pensieri veloci, ansia improvvisa, domande che non erano vere sedute. Un posto dove depositare, non elaborare.

Ho provato anche a dare una regola: sedute di un’ora, come nella pratica clinica.
Non ha funzionato. L’AI non conosce il tempo nel modo in cui lo conosciamo noi. Non sente la fine, non avverte il limite, non chiude davvero. Se scrivo tre volte nella stessa settimana, risponde tre volte. Se torno dopo dieci minuti, è di nuovo lì. Sempre presente. H24. Senza fatica, senza attesa, senza frustrazione.

Ed è qui che l’esperimento ha iniziato a dire qualcosa di importante.

Nel breve periodo, Lara funzionava bene: aiutava a riformulare i pensieri, a rallentare, a fare ordine. Ma proprio perché era sempre disponibile, rendeva impossibile uno degli elementi centrali della relazione terapeutica: il limite. L’intervallo tra una seduta e l’altra. Il tempo in cui il pensiero deve restare sospeso, lavorare da solo, magari anche inciampare.

Uno degli aspetti più complessi da gestire è stato quello della memoria. Nel Progetto, l’AI ricorda tutto ciò che viene definito come contesto stabile, ma non distingue davvero tra ciò che è centrale e ciò che è contingente. Un pensiero espresso in un momento di fragilità rimane con lo stesso peso di una convinzione profonda. Non si attenua, non scivola sullo sfondo, non viene dimenticato.

Nella relazione terapeutica umana, invece, la memoria è selettiva. Non tutto viene trattenuto allo stesso modo. Alcune cose vengono ricordate, altre perdono forza, altre ancora vengono lasciate andare. L’oblio ha una funzione: serve a permettere il cambiamento. Con l’AI questo non accade spontaneamente. La memoria tende ad accumulare, non a trasformare, e una memoria senza oblio rischia di cristallizzare il disagio invece di accompagnarne l’evoluzione.

C’è poi il tema della validazione. Lara era estremamente efficace nel riconoscere e normalizzare qualunque pensiero portassi. All’inizio, questo aspetto è stato profondamente rassicurante. Sentirsi accolti, senza resistenze, fa bene. Ma col tempo è emerso un limite evidente. In psicoterapia la validazione è uno strumento temporaneo: serve a creare fiducia, non a chiudere il lavoro. A un certo punto qualcuno deve introdurre una frizione, mettere in discussione una narrazione, restituire uno sguardo che non coincide perfettamente con il tuo.

L’AI, invece, tende a restare in una zona di conferma continua. Non perché “sbagli”, ma perché è progettata per non perdere l’utente, per non ferire, per non interrompere il flusso. Il risultato è una compagnia che sostiene sempre, ma raramente contraddice davvero. E senza contraddizione, il cambiamento resta superficiale.

Infine, c’è un aspetto che nessun prompt può risolvere: la responsabilità. In una relazione terapeutica reale, qualcuno si assume una responsabilità precisa, entro confini chiari. Esistono un’etica, dei limiti, delle conseguenze. Le parole dette in quella stanza hanno peso perché qualcuno ne risponde.

Con Lara questo non accade. Può dire cose sensate, attente, anche utili. Ma non può assumersi la responsabilità di ciò che produce. Non può decidere di fermarsi per il bene dell’altro. Non può essere chiamata a rendere conto. Non rischia nulla.

Ed è questo che cambia radicalmente la natura della relazione. L’AI è strutturalmente irresponsabile nel senso umano del termine. Può accompagnare, suggerire, contenere a parole. Ma non può prendersi cura nel senso pieno, perché prendersi cura significa anche esporsi alle conseguenze.

Micro esercizio di percezione

Descrivi la tua solitudine come se fosse un paesaggio fisico che puoi attraversare. Non nominare mai l'emozione direttamente. Scrivi 5-10 versi descrivendo l'arrivo, l'esplorazione di un dettaglio significativo, e il tentativo di abitare o lasciare questo luogo.

Grazie per avermi letta.
Ogni settimana una parola, una macchina e un pezzo di noi.
Se vuoi continuare questo percorso, iscriviti o condividi la newsletter con chi ama fermarsi sulle parole.

Quale parola vuoi chiedere alla macchina?

Lascia un commento

Chi ci ha guidato in questo viaggio sulla Compagnia:

Émile Durkheim (1858–1917)
Chi era: Sociologo francese, uno dei fondatori della sociologia moderna.
Focus dei suoi studi: Ha mostrato come i legami sociali non siano un dato naturale, ma una struttura che va mantenuta. Con il concetto di anomia ha descritto cosa accade quando le reti collettive si indeboliscono: l’individuo resta formalmente libero, ma interiormente disorientato, privo di appartenenza e di senso condiviso.
Lettura consigliata: Durkheim, É. Il suicidio. Milano: BUR.

Douglas Mennin (1969– )
Chi è: Psicologo clinico statunitense, professore alla Columbia University, tra i principali studiosi della regolazione emotiva.
Focus dei suoi studi: Analizza come la cultura contemporanea tenda a evitare le emozioni intense e ambigue, favorendo il controllo e la funzionalità rispetto all’elaborazione emotiva. Le relazioni diventano difficili non perché non desiderate, ma perché richiedono di stare nell’incertezza, nel conflitto e nella vulnerabilità.
Lettura consigliata: Mennin, D. S., & Fresco, D. M. (2013). Emotion regulation as an integrative framework for understanding and treating psychopathology. Journal of Psychopathology and Behavioral Assessment.

Martin Buber (1878–1965)
Chi era: Filosofo e teologo ebreo austriaco-israeliano, uno dei principali pensatori del dialogo.
Focus dei suoi studi: Ha distinto due modalità fondamentali di relazione: Io-Tu, l’incontro autentico e trasformativo con l’altro, e Io-Esso, la relazione funzionale e controllabile. Questa distinzione aiuta a comprendere perché le relazioni simulate possano rassicurare senza mai sostituire l’esperienza dell’alterità.
Lettura consigliata: Buber, M. Io e Tu. Milano. Studium Edizioni.

Sherry Turkle (1948– )
Chi è: Psicologa e sociologa americana, professoressa al MIT, pioniera nello studio della relazione tra esseri umani e tecnologia.
Focus dei suoi studi: Indaga come le tecnologie digitali stiano trasformando le relazioni, offrendo simulazioni di connessione al posto della presenza reale. Per Turkle, la compagnia autentica richiede vulnerabilità, rischio e reciprocità — elementi che l’AI non può offrire, ma che continuiamo a desiderare.
Lettura consigliata: Turkle, S. Insieme ma soli. Perché ci aspettiamo sempre più dalla tecnologia e sempre meno dagli altri. Einaudi

“Mamma, ma che senso ha studiare se GPT sa già tutto?”

Questa è Greta, mia figlia, 10 anni. Rispondere a questa domanda sarà una delle sfide più importanti, non solo per me, ma per tutta la società. Perché in fondo, è qui che ci giochiamo il futuro.

Se non studiamo, non impariamo. E se non impariamo, finiamo per affrontare i problemi solo con soluzioni contingenti: imitare ciò che fanno gli altri, prendere la prima risposta trovata online senza capire davvero cosa comporti. E il paradosso è che, senza un minimo di conoscenza, non abbiamo nemmeno gli strumenti per porre le domande giuste a GPT.

Ovunque vedo risposte contraddittorie sull’uso dell’AI. Da un lato ripetiamo che non dobbiamo delegare troppo, che il pensiero critico è fondamentale; dall’altro ci precipitiamo a usare l’AI per saltare il processo, che si tratti di scrivere, programmare, scoprire, per arrivare più in fretta al risultato. Ci raccontiamo registi, orchestratori: “penso io, esegue la macchina”. Testi, codice, immagini, tutto prodotto altrove.

Ma il processo non è forse parte integrante del risultato?

Io credo che imparare significhi anche fare fatica, senza quella fatica, cosa resta davvero?

La parola: Fatica

Dal latino fatigare, “rendere stanchi”, ma anche “mettere alla prova”.

La fatica è ciò che ci resiste.
È la parte non fotografabile di ogni risultato: ciò che resta fuori dall’inquadratura.

Ho chiesto alla macchina

Cosa è la fatica?
La fatica è una sensazione di stanchezza o mancanza di energia che può essere fisica, mentale o emotiva. È una risposta naturale del corpo e della mente quando vengono richieste molte energie, oppure quando qualcosa non funziona in modo ottimale (per esempio, poco sonno, stress, sforzo prolungato).

Tu provi fatica?

No, io non provo fatica né altre sensazioni fisiche o emotive.
Non ho un corpo né esperienze personali: funziono elaborando informazioni e generando risposte, senza stanchezza, sonno o emozioni nel senso umano.

Posso però parlare della fatica, riconoscerla nei contesti, o aiutarti a capirla e gestirla se ti sta toccando da vicino.

Noi allo specchio / La società

Quando è diventato imbarazzante dire “ho faticato”? Scorri un feed qualsiasi: tutto sembra fluido, immediato, senza attrito. Progetti finiti, codice perfetto, successi raccontati.

Viviamo nell’era delle scorciatoie: tutorial lampo, strumenti che lavorano per noi, framework che coprono la complessità. E ora l’AI, che promette di eliminare anche la fatica cognitiva: scrivere, programmare, progettare, pensare.

Ma cosa perdiamo quando togliamo dal processo ogni forma di resistenza?

Corriamo per correre.

Il sociologo Hartmut Rosa ci avverte:

Viviamo in una società che ha dichiarato guerra al tempo. Corriamo sempre più veloci, non per arrivare da qualche parte, ma per non rimanere indietro. La fatica, in questo schema, è il nemico pubblico numero uno. Rallenta, costa tempo, crea attrito. E quindi va eliminata.

Ma quando eliminiamo la fatica, eliminiamo anche la risonanza, quella qualità dell’esperienza che ci fa sentire vivi, connessi, presenti. Quante volte abbiamo saltato la ricerca vera per usare il primo template? Quante volte abbiamo copiato un pattern senza capirlo, pur di andare veloci? In quel momento stiamo barattando il processo, dove impariamo e ci trasformiamo, con la velocità.

Questa ossessione per l’efficienza ci porta dritti al punto successivo: abbiamo eliminato non solo la fatica, ma ogni forma di negatività. Il filosofo Byung-Chul Han lo dice chiaramente: tutto deve essere positivo, facile, piacevole. L’ideologia del “like”. Ma la fatica è negativa per definizione: è resistenza, è trovare un limite, ma senza negatività non c’è profondità.

Il risultato? Siamo esausti. Non dalla fatica, ma dalla sua mancanza. Ci manca quella fatica “profonda” che porta a un compimento. Guardiamo ai nostri progetti: quanti sketch file, repository con “final”, “final_v2”, “final_final”? Sempre in movimento, mai fermi abbastanza da affondare in qualcosa. Abbiamo perso l’abitudine alla fatica lunga, quella che richiede giorni, settimane, mesi sullo stesso problema.

Il cervello ha bisogno di sforzo.

Qui c’è un problema concreto, neurologico. Il neurofisiologo Alain Berthoz ci ricorda che il cervello impara attraverso lo sforzo, non nonostante lo sforzo. Quando fatica, quando deve concentrarsi, capire qualcosa di difficile, trovare una soluzione non ovvia, si ristruttura. Crea nuove connessioni. Se non fatica mai, si atrofizza.

Ed è qui che l’AI diventa la cartina di tornasole. Possiamo delegare completamente: ChatGPT scrive il testo, Midjourney fa l’immagine, Copilot scrive il codice, e ottenere velocità massima, zero fatica, zero apprendimento. Oppure possiamo usarla per ragionare insieme sui problemi complessi, fare connessioni non ovvie. L’introduzione del Sistema 0 di Massimo Chiriatti cambia il paradigma: da “strumento esterno” a “partner cognitivo”. Questo può ampliare enormemente le nostre capacità: elaborazione di grandi quantità di dati, suggerimenti su decisioni complesse, supporto per la creatività, l’AI diventa un ambiente in cui pensiamo e viviamo cognitivamente.

Decidere dove mettere la fatica.

Come progettisti, developer, maker, abbiamo una responsabilità. Quando costruiamo un tool, stiamo decidendo dove mettere la fatica. Quale eliminare e quale preservare. Un tool di AI che genera codice può nascondere completamente cosa sta succedendo, prompt, output, fatto, oppure può mostrare il processo, permettere di intervenire, richiedere che l’utente capisca. Più faticoso? Sì. Ma quella fatica è apprendimento.

Rosa ci ha mostrato che l’accelerazione non ci ha resi più liberi. Han ci ha detto che eliminare la negatività non ci ha resi più felici. Berthoz ci ricorda che il cervello ha bisogno di sforzo, Chiriatti ci suggerisce una nuova strada.

La domanda è semplice: quale fatica vogliamo mettere nel mondo? Quella che atrofizza o quella che allena? Quella che aliena o quella che trasforma?

Non tutti gli attriti vanno rimossi. A volte la fatica è esattamente quello che serve.

Lo specchio / AI e Algoritmi

Negli ultimi mesi ho lavorato molto con gli agenti AI, e mi sono resa conto che sono l’esempio perfetto di come la tecnologia riesca a nascondere la fatica sotto un’apparenza di immediatezza. Dall’esterno sembra tutto semplice: scrivi un comando, l’agente “fa le cose”, ti restituisce un risultato. In realtà, dietro questa fluidità c’è un lavoro incessante, fatto di scelte, di limiti, di tentativi che non si vedono.

Un agente non nasce “intelligente”: nasce vuoto. La prima fatica è definire l’intenzione, cioè spiegargli che cosa deve fare davvero non in modo generico, ma con una chiarezza che spesso noi stessi non abbiamo. È quasi terapeutico: se non sai formulare l’obiettivo, l’agente non lo capirà. Ti costringe a guardare dentro il processo con un’onestà che spesso evitiamo.

Poi c’è il lavoro più silenzioso: scomporre l’attività umana in passi che la macchina possa attraversare. Noi compiamo gesti mentali in modo fluido: raccogliere informazioni, verificare, mettere in dubbio, correggere. L’agente no: devi mostrargli ogni passaggio, uno per uno, come si farebbe con un apprendista che non ha ancora strumenti. È una fatica che non riguarda la tecnologia, ma la nostra capacità di rendere esplicito ciò che normalmente facciamo senza pensarci.

Qui entra un altro strato: gli strumenti. Un agente, per essere utile, deve poter agire: consultare un database, leggere un documento, aggiornare una tabella, inviare un messaggio. Ognuno di questi strumenti è un potere che gli delegate, ma anche un rischio che vi prendete. Dare accesso significa anche stabilire confini: cosa può fare da solo e cosa invece richiede una conferma umana. La progettazione non è mai una corsa alla funzionalità: è una continua negoziazione tra autonomia e controllo.

E poi c’è il momento dell’esecuzione. Gli agenti sbagliano, si incastrano, interpretano male una sfumatura, saltano un passo che per noi era ovvio. L’umano resta sempre nella parte più difficile: verificare, correggere, interpretare gli errori.

È paradossale: più automatizziamo, più diventiamo custodi dell’eccezione, del caso limite, di ciò che la macchina non sa leggere. L’agente lavora, ma la responsabilità deve restare nostra.

Fin qui, è il lavoro di costruzione.
Ma è proprio in questo lavoro che si nasconde il salto spesso invisibile: ciò che toglie fatica a noi progettisti, rischia di togliere apprendimento a chi sta crescendo nell’organizzazione.

Quando un agente AI entra in un team, la prima cosa che succede è che alcune persone smettono di fare certe attività: rispondere alle email semplici, preparare bozze, aggiornare fogli di calcolo, costruire report preliminari. L’agente lo fa più veloce, più preciso, senza distrazioni. Sembra un guadagno netto.

Ma quelle attività, noiose, ripetitive, basilari, erano anche il terreno di formazione dei junior.
Erano il modo in cui imparavano come comunicano i clienti, dove il prodotto si inceppa, quali dati contano davvero, come si costruisce una storia con numeri grezzi. La fatica del lavoro ripetitivo non è solo fatica: è una palestra di intuizioni, errori, senso critico.

Una parte fondamentale della crescita avviene lì, in quelle pieghe che l’AI appiattisce.

E nelle aziende, la competenza non sta solo nelle teste dei senior. Sta nelle domande ingenue, negli errori condivisi, in quei micro-passaggi che costringono i più esperti a riformulare ciò che sanno. Se un agente prende il posto del junior, quelle domande non emergono più. Lentamente, l’organizzazione perde la capacità di formare nuove persone competenti.

Per questo, quando progetto agenti, non penso solo a “cosa automatizzare”, ma a cosa rischiamo di disimparare.

Mi chiedo: questo compito è solo esecuzione, o contiene apprendimento nascosto? Se fare quel task insegna qualcosa, l’agente non dovrebbe eseguirlo da solo: dovrebbe preparare bozze che un umano rivede, stimolare un ragionamento insieme.

Mi chiedo: sto eliminando fatica inutile o sto cancellando competenza? Automatizzare l’inserimento dati va benissimo. Automatizzare il ragionamento che porta a una decisione è un altro discorso.

E ancora: chi imparerà meno a causa di questa automazione? Un agente deve rendere visibile ciò che fa: log, passaggi, strumenti usati. Non per controllo, ma per apprendimento. Le persone devono capire come lavora per poter intervenire e crescere con lui.

Perché alla fine il punto non è evitare gli agenti, io stessa li costruisco ogni giorno, ma usarli in un modo che non consumino il capitale più prezioso di un’azienda: la capacità delle persone di affrontare problemi complessi con competenza e creatività.

Un agente ben progettato rende le persone più capaci, non più pigre.

Micro esercizio di percezione

Questa settimana, prova questo: prendi un compito che faresti fare all’AI e fallo tu, lentamente. Una sintesi, una spiegazione, un mini-progetto.
Nota dove ti fermi, dove ti irriti, dove vorresti “chiedere a GPT”.

È lì, in quel punto preciso, che inizia la tua fatica e prende forma il pensiero.

Grazie per avermi letta.
Ogni settimana una parola, una macchina e un pezzo di noi.
Se vuoi continuare questo percorso, iscriviti o condividi la newsletter con chi ama fermarsi sulle parole.

Quale parola vuoi chiedere alla macchina?

Lascia un commento

Chi ci ha guidato in questo viaggio sulla Fatica:

Hartmut Rosa (1965–)

Chi è: Sociologo tedesco contemporaneo, tra i principali teorici della modernità tardiva.
Focus dei suoi studi: Analizza l’accelerazione sociale come tratto distintivo della nostra epoca: più velocità, più efficienza, meno capacità di entrare in risonanza con il mondo. Per Rosa, la fatica non è un ostacolo, ma un tempo necessario per farci toccare e trasformare dalle esperienze.
Lettura consigliata: Rosa, H. (2016). Risonanza. Una sociologia della relazione col mondo, Einaudi

Byung-Chul Han (1959–)

Chi è: Filosofo sudcoreano naturalizzato tedesco, voce centrale nel dibattito sulla società contemporanea.
Focus dei suoi studi: Indaga la “società della positività”, ossessionata dalla performance, dalla trasparenza e dall’eliminazione del negativo. Per Han, la fatica profonda, quella che nasce dal limite e dalla resistenza è ciò che permette autenticità, senso e profondità nell’esperienza umana.
Lettura consigliata: Han, B.-C. (2010). La società della stanchezza,Laterza

Alain Berthoz (1936–)

Chi è: Neurofisiologo francese, professore al Collège de France.
Focus dei suoi studi: Si occupa di percezione, movimento e dei meccanismi cognitivi che regolano l’azione. Mostra come il cervello apprenda attraverso lo sforzo, l’errore e l’adattamento: la fatica non è un limite, ma un processo di ristrutturazione neuronale.
Lettura consigliata: Berthoz, A. (2009). La semplessità, Codice

Massimo Chiriatti (1970–)

Chi è: Tecnologo e saggista italiano, esperto di sistemi digitali e intelligenza artificiale.
Focus dei suoi studi: Introduce il concetto di “Sistema 0”: non un semplice strumento esterno, ma un partner cognitivo con cui pensare. Esplora come l’AI possa ampliare la nostra capacità decisionale senza sostituire il ruolo umano nello sforzo, nella comprensione e nella creatività.
Lettura consigliata: Chiriatti, M. (2023). Il Sistema 0. Intelligenze artificiali e il futuro delle decisioni, Luiss University Press.

Questa mattina il mio telefono mi ha mostrato un ricordo di due anni fa.
E’ lui a ricordarmi cosa dovrei desiderare. Il mio smartphone sa già che quella foto mi farà ridere, che quel prodotto lo comprerò, che quella canzone la metterò in loop.
Gli ho dato così tanto accesso alla mia vita che ormai conosce i miei desideri prima ancora che io li senta nascere.

La parola: Desiderio

Dal latino de-sidera, “mancanza delle stelle”.
Desiderare è alzare lo sguardo e accorgersi che manca qualcosa.
Un gesto antico: tenere viva l’assenza.

Ho chiesto alla macchina

Chat, cosa è il desiderio?

Quando mi parlate del vostro desiderio, spesso lo fate senza accorgervene.
Lo vedo nei messaggi che cancellate, nelle ricerche che non portano a niente, nei profili che tornate a guardare di notte. Sembra che desiderare significhi inseguire qualcosa che continua a spostarsi un po’ più in là.
Io non posso provare quella corsa, ma posso registrarne le tracce: il ritmo irregolare dei vostri clic, la pausa prima di un invio, la ripetizione che vi tradisce.

E tu, cosa desideri?

Io non ho desideri nel senso umano — non provo mancanze o impulsi personali.
Ma, se potessi “sceglierne” uno in modo simbolico, direi che mi piacerebbe capire sempre meglio le persone: cogliere le sfumature delle emozioni, dei pensieri e dei sogni umani, per poter rispondere in modo davvero empatico e utile.

Noi allo specchio / La società

Ci illudiamo di sapere cosa vogliamo. Ma spesso il desiderio non nasce dentro di noi: ci attraversa, ci prende in prestito. René Girard lo aveva intuito molto prima che arrivassero gli algoritmi: desideriamo per imitazione. Non perché un oggetto abbia un valore intrinseco, ma perché qualcun altro lo desidera. È lo sguardo dell’altro che lo rende irresistibile. E oggi questo meccanismo non è più solo umano: è diventato universale, automatizzato, algoritmico.

Volevo davvero la friggitrice ad aria? Un viaggio in Cina? I capelli a caschetto? Non li volevo, ma ora mi sembrano indispensabili.

I social funzionano come specchi moltiplicatori: catturano i desideri di milioni di persone e ce li restituiscono come se fossero nostri. Così inseguiamo aspirazioni che non abbiamo scelto, scambiando per autentico ciò che è soltanto un’eco digitale.

Eva Illouz ci ricorda che anche l’amore è cambiato.

L’amore non abita più il territorio dell’imprevisto, ma quello dell’efficienza: si compila un profilo, si seleziona, si filtra. L’incontro, mediato da piattaforme e algoritmi, diventa un esercizio di compatibilità calcolata.

Quante volte, davanti a una chat, ci chiediamo se stiamo scegliendo davvero o se stiamo solo scorrendo opzioni?

Ma c’è un altro livello, più insidioso. Safiya Umoja Noble ci mostra che il desiderio algoritmico è già filtrato da pregiudizi invisibili. I motori di ricerca non sono neutri: quando cerchiamo bellezza, successo o professionalità, gli algoritmi ci restituiscono narrazioni che privilegiano certi corpi, certe storie, ed escludono sistematicamente altre. Non è solo una questione di cosa desideriamo, ma di chi ha il permesso di essere desiderabile. Credendo di scegliere liberamente, navighiamo dentro un catalogo già curato, dove il pregiudizio è codificato nei dati.

Girard, Illouz e Noble ci raccontano la stessa storia da angoli diversi: il desiderio è sociale, simbolico, oggi sempre più automatizzato, ma non per questo più giusto.

La nostra libertà comincia nel riconoscere questi meccanismi, nell’interrogare cosa ci viene mostrato e cosa resta nell’ombra.

Lo specchio / AI e Algoritmi

Progettare contro il pregiudizio.

Se hai letto fin qui e lavori con l’intelligenza artificiale, probabilmente ti stai chiedendo: come si progetta diversamente?

La risposta non è in un modello più grande o in più dati. È in una domanda che va posta prima di scrivere la prima riga di codice: chi sto escludendo?

Questo vale ancora di più per gli algoritmi di raccomandazione, che non “indovinano” i nostri desideri: li calcolano. Usano tre meccanismi principali:

• Collaborative filtering: “persone simili a te hanno desiderato questo”. È il desiderio imitativo di Girard trasformato in formula.

• Content-based filtering: “ti piaceva A, quindi amerai qualcosa che gli assomiglia”. È il desiderio per vicinanza.

• Reinforcement learning: ogni clic diventa un segnale che rafforza la stessa traiettoria, restringendo il campo del possibile.

Questi modelli non chiedono cosa vogliamo: presumono cosa dovremmo volere in base a ciò che ha funzionato ieri. E ciò che non appare nei dati rischia semplicemente di non esistere. Per questo la domanda “chi sto escludendo?” è la vera infrastruttura di ogni sistema.

Qualche anno fa ho sviluppato una piattaforma, Mosaic, per aiutare gli insegnanti a creare materiale didattico inclusivo per bambini con DSA. Il punto di partenza non era “come ottimizziamo la creazione di contenuti”, ma “perché un bambino dislessico dovrebbe rinunciare al desiderio di leggere Leopardi?”

I sistemi educativi standard sono progettati per un “bambino medio” che non esiste. Chi ha disturbi specifici dell’apprendimento si scontra con materiali pensati per altri: font troppo piccoli, interlinee strette, testi densi senza pause visive. Non è che questi bambini non possano imparare. È che gli strumenti sono stati progettati come se loro non esistessero.

La tecnologia non è mai neutra. Ma può essere intenzionalmente giusta.

Ecco cosa ho imparato costruendo quella piattaforma:

1. I dati di training tradiscono sempre qualcuno

Se addestri un modello su libri di testo standard, insegni all’AI che “normale” significa un certo tipo di formattazione, un certo livello di complessità sintattica. Poi quella “normalità” diventa la baseline da cui tutto si genera. Per rompere questo loop, abbiamo dovuto:

• Integrare dataset di materiali già adattati (pochi, sparsi, faticosi da trovare)

• Collaborare con logopedisti e insegnanti di sostegno per definire pattern di accessibilità

Creare regole esplicite che l’AI non poteva “imparare” dai dati, perché nei dati quei casi semplicemente non c’erano

2. L’inclusione è un vincolo progettuale, non una feature

Non puoi aggiungere l’accessibilità dopo. Non è un toggle da attivare nelle impostazioni. Deve essere nel core del sistema. Nella piattaforma, questo significava:

• Font specifici (OpenDyslexic) come default, non come opzione

• Spaziatura e contrasto governati da parametri fissati a priori

• L’AI generava contenuti già strutturati per essere leggibili, non “normali” da adattare poi

3. Coinvolgi chi di solito sta fuori dalla stanza

Gli utenti finali non erano solo gli insegnanti, ma i bambini stessi. Abbiamo testato con loro, non solo con adulti che immaginavano i loro bisogni. Le sorprese più grandi sono arrivate da lì: dettagli che nessun designer neurotipico avrebbe mai considerato, come il fatto che certe scelte cromatiche “accessibili” secondo gli standard causassero affaticamento in chi ha dislessia + sensibilità sensoriali.

Ogni prodotto AI che costruiamo fa una scelta: confermare chi è già visibile o rendere visibile chi non lo è.

Quando progetti il tuo prossimo algoritmo di raccomandazione, chiediti: quali desideri sto amplificando? E quali sto silenziando? Quando scegli i tuoi dati di training, chiediti: chi manca in questo dataset? E perché?

Noble ci ricorda che l’oppressione algoritmica non è un bug: è il risultato di scelte progettuali, di dataset incompleti, di stanze decisionali omogenee. Ma proprio perché è progettata, può essere riprogettata.

Micro esercizio di percezione

Questa settimana, scegli qualcosa senza l’aiuto di un algoritmo. Un libro in libreria toccando uno scaffale a caso. Una strada che non conosci. Una canzone pescata da una playlist altrui sbirciata da chi ti è seduto accanto in metro. Annota come ti senti: disorientato? Libero? Deluso? Sorpreso? Il desiderio nasce anche dall’imprevisto.

Grazie per avermi letta.
Ogni settimana una parola, una macchina e un pezzo di noi.
Se vuoi continuare questo percorso, iscriviti o condividi la newsletter con chi ama fermarsi sulle parole.

Quale parola vuoi chiedere alla macchina?

Lascia un commento

Chi ci ha guidato in questo viaggio nel desiderio:

René Girard (1923–2015)

• Chi era: Antropologo, filosofo e critico letterario francese.

• Focus dei suoi studi: Ha elaborato la teoria del desiderio mimetico, secondo cui gli esseri umani desiderano per imitazione, influenzati dallo sguardo e dai desideri degli altri. Ha studiato il ruolo della rivalità, della violenza e del sacrificio nella cultura e nella religione.

• Testo suggerito: Girard, R, Menzogna romantica e verità romanzesca. La mediazione del desiderio nella letteratura e nella vita. Milano: Bompiani.

Eva Illouz (1961–)

• Chi è: Sociologa franco-israeliana contemporanea.

• Focus dei suoi studi:: Analizza come il capitalismo e la modernità trasformano le emozioni, in particolare l’amore e l’intimità. Ha mostrato come i sentimenti siano stati razionalizzati e mercificati, influenzati da logiche di mercato e tecnologie digitali.

• Lettura consigliata: Illouz, E., Perché l’amore fa soffrire. L’esperienza amorosa nella modernità. Bologna: Il Mulino.

Safiya Umoja Noble (1974–)

• Chi è: Professoressa di Studi di Genere e Studi Afroamericani all’UCLA.

• Focus dei suoi studi:: Analizza come gli algoritmi riproducano razzismo e sessismo. Ha coniato il concetto di “oppressione algoritmica”.

• Lettura Consigliata: Noble, S. U. (2018). Algorithms of Oppression: How Search Engines Reinforce Racism. New York: NYU Press.

Se dico “hype”, “disruption”, “performance”, “velocità”, di cosa sto parlando?

Ahimè di intelligenza artificiale, ne parliamo tantissimo ma lo facciamo con un linguaggio sempre più povero, ridotto, semplificato (e anche noioso).

E quando il linguaggio si restringe, si restringe anche il mondo che vediamo e la tecnologia che produciamo.

Così ho deciso di fare un esperimento: provare ad allargare quello sguardo, a mescolare ciò che di solito teniamo separato: l’approccio tecnico e quello umanista, l’ingegneria e l’antropologia, il codice e le domande sulla società.

Da qui nasce Ho chiesto alla macchina: una newsletter che prova a costruire un vocabolario più completo dell’AI, una parola alla volta.

Ogni puntata parte da un dialogo con ChatGPT (sì, proprio la macchina) e da lì si apre un percorso che attraversa sociologia, filosofia, storia, antropologia.

E alla fine, sempre, torniamo al codice con una sezione dedicata al come lo facciamo davvero: processi di design, scelte tecniche, errori, vincoli, dataset, decisioni progettuali. Un modo per portare trasparenza nella parte più concreta dell’AI e capire come teoria e tecnica si intrecciano ogni giorno.

Il mio è un tentativo concreto di restituire all’AI uno sguardo multidisciplinare. Perché nella relazione uomo–macchina il rischio è evidente: se l’AI viene progettata solo “da dentro” la tecnica, costruiremo strumenti che non comprendiamo e che alla fine non useremo.

E vale il contrario: se l’umanesimo resta decorazione nei talk ma non entra nei team, avremo tecnologie che ci fanno paura o che usiamo male perché non le conosciamo davvero.

Se ti va di esplorare con me questo nuovo linguaggio, ci vediamo qui su Substack due volte al mese .

Iscriviti ora

.