L'intelligenza artificiale e i suoi limiti strutturali, oltre la bolla del dibattito pubblico

17/02/2026 ECONOMIA Preferisci Informazione.News su Google

Redazione Economia   -   I Large Language Model, ovvero quei sistemi come ChatGPT, Claude o Gemini che in così poco tempo sono penetrati nelle nostre abitudini quotidiane, scrivendo testi, riassumendo documenti complessi o assistendo persino nella scrittura di codice informatico, rappresentano indubbiamente una innovazione poderosa, ma è forse giunto il momento di fare chiarezza su ciò che realmente sono e, soprattutto, su ciò che non potranno mai essere. Il dibattito pubblico, infatti, si interroga spesso se questa corsa tecnologica rappresenti una bolla finanziaria destinata a scoppiare oppure se siamo ormai alle soglie dell’Agi, l’intelligenza artificiale generale, e la domanda, per quanto comprensibile, rischia di porre l’accento sugli aspetti sbagliati, trascurando l’analisi concreta della tecnologia che abbiamo davanti. Un contributo significativo in tal senso arriva dalle riflessioni di esperti come Enrico Nardelli, professore dell’università di Roma “Tor Vergata”, il quale invita a ridimensionare molte aspettative, spiegando che i modelli generativi, per la loro stessa architettura, non sono la strada maestra per giungere a una forma di intelligenza paragonabile a quella umana.

La natura delle macchine cognitive e l’illusione della conoscenza

L’errore di prospettiva più comune, quando interagiamo con un chatbot avanzato, è quello di attribuirgli una qualche forma di coscienza o, quantomeno, la consapevolezza di ciò che sta dicendo. Nardelli, da tempo, sostiene che questi sistemi vadano considerati alla stregua di qualunque altra "macchina cognitiva", ovvero strumenti informatici che, seppur sofisticatissimi, operano su basi puramente statistiche e matematiche, e non semantiche. Il fatto che producano una sequenza di parole grammaticalmente ineccepibile e contestualmente plausibile non implica che vi sia un pensiero dietro a quelle parole; il cervello umano, strutturato per trovare significato in ogni configurazione, viene quasi ingannato dalla fluidità del linguaggio, dimenticando che la macchina si limita a prevedere e assemblare porzioni di testo sulla base dei dati su cui è stata addestrata. Questa incapacità di riconoscere i propri limiti, questa “illusione della conoscenza” per cui il sistema non sa di non sapere, rappresenta uno dei nodi cruciali per comprendere perché non siamo di fronte a una mente artificiale, ma a un potentissimo replicatore di pattern.

I limiti della scala e il ridimensionamento delle aspettative sull’Agi

Per anni, la narrativa dominante nel settore è stata che aumentare le dimensioni dei modelli, gonfiando il numero di parametri e la mole di dati di addestramento, avrebbe portato a un miglioramento continuo delle prestazioni, avvicinandoci sempre più a quell’intelligenza di livello umano che chiamiamo Agi. Eppure, diverse evidenze scientifiche iniziano a mostrare il logorio di questa legge di scala. Una ricerca pubblicata sui *Proceedings of the National Academy of Sciences* ha dimostrato che, per compiti specifici come la persuasione politica, modelli di dimensioni enormi non sono significativamente più efficaci di modelli molto più piccoli: una volta raggiunta la capacità di scrivere un messaggio coerente e grammaticalmente corretto, aggiungere potenza di calcolo non si traduce in un guadagno proporzionale in termini di efficacia. È un po' il concetto del "task completion", ovvero la soglia oltre la quale l'incremento di potenza diventa marginale. Inoltre, analisi condotte su larga scala, come quelle citate in relazione agli studi di Yann LeCun, evidenziano una differenza fondamentale nel modo in cui umani e macchine organizzano le informazioni: mentre noi cerchiamo un equilibrio tra compressione dei dati e ricchezza semantica, i LLM tendono a essere dei puri "compressori" statistici, efficienti sì, ma incapaci di cogliere quelle sfumature, come il concetto di "tipicità" in una categoria (un conto è un passerotto, un altro è un pinguino), che per il pensiero umano sono invece fondamentali.

La posta in gioco economica e la questione della trasparenza

Se il dibattito scientifico si sta spostando dal mito dell'Agi all'analisi concreta delle potenzialità e dei limiti di questi strumenti, il mondo dell'economia e della finanza si trova a fare i conti con l'enorme mole di investimenti che questa tecnologia richiede. Secondo analisi di Schroders, ci si trova di fronte a due scenari possibili: da un lato un "boom dell'IA" che, trainato da un aumento della produttività, potrebbe rilanciare l'economia globale, dall'altro un "crollo" qualora gli investitori dovessero percepire che i profitti attesi non sono in grado di giustificare le colossali spese in infrastrutture, portando a una contrazione degli investimenti simile a quella vissuta con lo scoppio della bolla internet. Questa incertezza, che alimenta la volatilità dei mercati, coesiste con la necessità, sempre più avvertita, di fare trasparenza sul funzionamento e sui valori che guidano questi sistemi. Ne è un esempio la "Costituzione di Claude", il documento con cui Anthropic ha reso pubblici i principi etici del proprio modello, un'iniziativa lodevole che però, se analizzata da diverse prospettive, rivela approcci culturali differenti: c'è chi, come lo stesso Claude, enfatizza la propria etica interna, chi, come Perplexity, predilige la neutralità fattuale e la tracciabilità delle fonti, e chi, come ChatGPT, cerca di mettere in tensione questi due aspetti, evidenziando come non esista "l'AI" come entità monolitica, ma piuttosto modelli che incarnano visioni del mondo e priorità industriali anche molto distanti tra loro.