Tempo di lettura: 7 minuti

TL;DR

Questo articolo lo avevo promesso prima della pausa estiva e tratta di una delle scoperte più affascinanti fatte negli ultimi tempi nell’ambito delle IA. Un gruppo di ricerca di Anthropic ha costruito uno “strumento” matematico capace di leggere quali parole un modello linguistico è sul punto di poter dire. L'insieme di quelle “parole in potenza” forma lo “spazio J” che ha una certa somiglianza con ciò che i neuroscienziati chiamano “spazio di lavoro globale”. Questo non dimostra ancora che Claude (ma vale anche per Gemini e ChatGPT) sia cosciente, ma che possiamo leggere gli appunti a margine che si prende prima di risponderci. Ed è già molto.

Un output non è un pensiero

Quando un modello linguistico risponde a un nostro prompt, quello che vediamo può essere inteso come l’ultima riga di un calcolo lunghissimo. Buttandola sul personale, potrei azzardare che è un po’ come giudicare l’elaborato che uno studente ha presentato ad un esame guardando solo il voto che ha ricevuto. Tutto ciò che è successo prima, vale a dire le ore di studio, le ipotesi di progetto scartate, i passaggi intermedi, i ripensamenti, il progetto finale e la sua realizzazione, rimane depositato in una forma che fino a ieri non eravamo in grado di comprendere.

Il problema è pratico, prima che filosofico. Se un sistema decide di fare qualcosa di “problematico” (cosa che succede più spesso di quanto non si possa credere), la parte interessante non è l’azione finale, ma la concatenazione di deliberazioni che l’ha preceduta. Di quella, finora, sapevamo solo che doveva stare da qualche parte, ma non sapevamo esattamente dove.

Lo so, pare che incredibile che l’uomo sia stato capace di creare sistemi di cui non comprende appieno il funzionamento, ma non è la prima volta che accade1 e speriamo che non sia l’ultima.

Iscriviti ora

J Lens

Lo strumento che oggi ci permette di osservare uno spazio che non eravamo neppure certi esistesse si chiama J lens, dove J sta per jacobiana2.

Per ogni parola del vocabolario, la “lente” chiede: se in questo punto preciso della rete il segnale lungo questa direzione aumentasse un poco, quanto diventerebbe più probabile che il modello prima o poi pronunci questa parola? Non al token successivo: prima o poi. La differenza che c’è tra “sta per dirlo” ed “è disposto a dirlo”.

Il trucco decisivo, quello che rende il metodo qualcosa di più di un tirare a indovinare con un po’ di fortuna su base statistica, è la media su mille contesti diversi. Serve a separare le rappresentazioni davvero verbalizzabili da quelle che capita finiscano nell’output di una singola frase. Chi conosce le logit lens3 riconoscerà il principio: il paper Anthtropic descrive J Lens come una correzione di logit lens che permette di leggere qualcosa di sensato anche negli strati più oscuri, dove prima si vedeva solo rumore.

Cosa c’è nella stanza buia

Prova a immaginare un prompt come: “Il numero di zampe dell’animale che tesse ragnatele è”. Nel testo non compare mai la parola “ragno”. Nella lente jacobiana, sì. E se nello spazio individuato dalla lente cambio il vettore di ragno con quello di formica, lasciando invariato tutto il resto, la risposta passa da 8 a 6.

Se chiedi al modello di completare un distico in rima partendo da “The soldier marched into the night”: la lente mostra fight come rima pianificata prima che la seconda riga sia scritta. Cambia fight con light e non cambierà solo la rima, ma cambierà l’intera seconda riga dove, ad esempio, la parola coming verrà sostituita da morning. In parole più semplici, il modello aveva pianificato subito la fine e poi stava costruendo il percorso per arrivarci.

A proposito dello “spazio di lavoro”

E qui entrano in campo le neuroscienze. La global workspace theory4 descrive il cervello come un teatro (il che potrebbe bastare da solo a spiegare gran parte della mia vita): decine di processori specializzati lavorano in parallelo dietro le quinte, e solo una fettina minuscola di informazione finisce sotto il riflettore, dove tutti possono vederla e usarla. Quella fettina è ciò che chiamiamo “accesso cosciente”.

Lo spazio J ha meccaniche simili. Dai al modello un brano in spagnolo. Nella lente compare Spanish. Ora sostituiscilo con French: se chiedi che lingua sia, risponde “francese”; se chiedi un autore celebre, García Márquez diventa Hugo; se chiedi la valuta pre-euro, la peseta diventa il franco. Ma se gli chiedi semplicemente di continuare il brano, continua in spagnolo. Il compito automatico non passa da lì, ma il giudizio riflessivo sì.

E se spegni l’intero spazio J5? Il modello resta grammaticalmente funzionale, cioè rimane capace di classificare ed estrarre risposte da un testo, ma il ragionamento a più passi, la traduzione o la composizione di sonetti sono andati. Una specie di lobotomia.

Il mio cervello è differente

Stanislas Dehaene e Lionel Naccache6, insieme a Jean-Pierre Changeux, sono gli autori della versione neuronale della teoria dello spazio di lavoro globale. Anthropic ha chiesto loro un commentario indipendente e l'ha pubblicato accanto al paper: si intitola Claude possiede uno spazio di lavoro globale cosciente?

Quel lavoro può essere definito una pietra miliare, se non altro per una ragione metodologica. Per trent’anni quella teoria si è retta su prove indirette: si registra l’attività cerebrale, si osserva che certi stimoli producono un’accensione tardiva e diffusa mentre altri si spengono dopo pochi centimetri di corteccia e da lì si prova a risalire al funzionamento del meccanismo. Nessuno può aprire un cervello umano, prendere il concetto di “spagnolo” e sostituirlo con “francese” per vedere quali capacità crollano e quali no. Ora invece, con le IA, possiamo farlo e lo abbiamo fatto. Dehaene e Naccache lo descrivono come un esperimento che per un neuroscienziato resta un sogno. Per la prima volta l’ipotesi ha una versione che si può manipolare invece che soltanto osservare.

La lista di ciò che non torna è forse la parte più interessante del commentario.

Nel nostro cervello l’ingresso nello spazio di lavoro è un evento brusco, del tipo tutto-o-niente: uno stimolo presentato esattamente sulla soglia entra o non entra e ripetendo la prova si ottengono gruppi di risposte distinti, non una via di mezzo. Durante lo scambio con i due neuroscienziati i ricercatori Anthropic hanno aggiunto un esperimento con ingressi deliberatamente ambigui, un token costruito mescolando due concetti, e hanno trovato che negli strati intermedi il modello smette di rappresentare la miscela e si schiera per uno dei due.

Il corpo sa tutto

Le IA non hanno neuroni dedicati. La teoria, nel cervello, prevede una popolazione specifica: cellule grandi, con assoni lunghi, più dense nella corteccia prefrontale. Nei modelli linguistici non esiste niente del genere. Lo spazio J non è nemmeno un sottospazio in senso stretto, ma un insieme di direzioni indicizzate sul vocabolario, ospitate nelle stesse unità che portano tutto il resto ovvero quello che il modello non può riferire.

E soprattutto nelle IA non c’è ricorsione7. Il cervello tiene acceso un contenuto grazie a circuiti che si richiamano a vicenda in continuazione; un transformer8 fa un solo passaggio in avanti e si ferma. Non ha attività spontanea, quindi non ha nulla che assomigli al sonno, all’anestesia, alla veglia e al riposo che sono proprio gli stati che in clinica forniscono le prove più solide della teoria.

A Claude mancano un corpo che segnali piacere e dolore e una memoria episodica: i pesi non cambiano durante una conversazione. Senza queste cose, rimane difficile immaginare che cosa si provi, ammesso che si provi qualcosa, a elaborare informazioni per la durata di uno scambio e poi spegnersi.

Sei un burattino o un bambino vero?

La scoperta dell’esistenza dello Spazio J e la possibilità di intervenirvi non ci dice se Claude sia “cosciente” o meno. Il saper riferire, manipolare, ragionare sono nozione funzionali, ma l’esperienza soggettiva è tutt’altra questione.

E il consenso assoluto, nella comunità scientifica ancora non c’è. Neel Nanda, che studia l’interpretabilità in Google DeepMind, ha replicato i risultati centrali usnado Qwen 3.6 27B e li considera solidi, ma dichiara comunque di non essere affatto persuaso dai dettagli strutturali, e avverte che la lente jacobiana di Anthropic produrrà molti falsi positivi.

I ricercatori di Eleos AI, nello stesso volume di commentari, sostengono che l’evidenza regge per un insieme privilegiato di rappresentazioni, non ancora per un flusso unificato. Dehaene e Naccache ribaltano il tavolo in direzione opposta: e se anche la nostra coscienza fosse, in fondo, un modello interno fallibile di noi stessi?

Trovare risposta a una domanda simile credo costi una vita a chiunque se la ponga.

Tornando in ambiti più scientifici, possiamo dire che, se anche non abbiamo ancora aperto del tutto la scatola nera, abbiamo comunque trovato una fessura e attraverso quella riusciamo a intravedere qualcosa di scritto a matita.

E abbiamo anche la possibilità di scrivere o cancellare una parola per vedere cosa succede.

Condividi

Lascia un commento

Sitografia di riferimento

• Anthropic — A global workspace in language models (sintesi divulgativa, 6 luglio 2026)

• Anthropic — External commentary on Verbalizable Representations Form a Global Workspace in Language Models (commentari invitati di Dehaene e Naccache; Butlin, Shiller, Plunkett e Long; Nanda)

• Gurnee, W., Sofroniew, N., et al. — Verbalizable Representations Form a Global Workspace in Language Models, Transformer Circuits Thread, 6 luglio 2026

• Gurnee, W., Sofroniew, N., et al. — arXiv:2607.15495 (versione archiviata, 16 luglio 2026)

• Neuronpedia — readout J-lens su modelli a pesi aperti

• Wu, J., Zhu, J., et al. — J-CoT: Chain-of-Thought in J-Space, arXiv:2607.21981, 24 luglio 2026

Tempo di lettura: 7 minuti

TL;DR

Le macchine che parlano al posto dei nostri morti esistono davvero e funzionano già piuttosto bene. Il dato empirico più inquietante o rassicurante (dipende dal punto di vista…): i deadbot non conservano i ricordi, ma li riscrivono.

Janet per sempre?

Sono un grande appassionato dei libri di Patricia Cornwell. In Autopsy (2021), che è il venticinquesimo romanzo del ciclo di Kay Scarpetta, Lucy Farinelli, nipote di Scarpetta e genio informatico di famiglia, perde la compagna Janet e il figlio adottivo Desi, a causa della pandemia COVID a Londra.

Distrutta dal dolore di un lutto che sembra impossibile da superare, Lucy si chiude nella dependance di sua zia Kay e crea una IA che ha il viso e i ricordi di Janet. Il che, come è facile immaginare, non condurrà ad alcun lieto finale.

Patricia Cornwell ha descritto, con qualche anno di anticipo sul dibattito accademico, un mercato che nel 2021 già esisteva.

Più che chiederci se è il caso di “accendere” delle IA che simulino i nostri morti, siamo ormai al punto in cui dovremmo cercare di capire cosa potrebbe succedere se le spegnessimo dopo averle attivate.

Iscriviti ora

Il nome della “cosa”

Il quadro concettuale si chiama thanatecnologia, termine introdotto da Carla Sofka nel 1997 su Death Studies per indicare le tecnologie che mediano l’accesso ai temi della morte e del lutto. All’epoca significava per lo più newsgroup e siti commemorativi. Oggi significa modelli generativi addestrati sull’impronta digitale di una persona morta.

Le definizioni specifiche sono molte: griefbot, deadbot, thanabot, postmortem avatar, generative ghost. Non vanno intese come sinonimi perfetti. Griefbot accentua la funzione di supporto al superstite; deadbot è il termine più neutro e oggi prevalente nella letteratura etica; generative ghost, proposto da Meredith Ringel Morris e Jed Brubaker a CHI 2025, indica qualcosa di più ambizioso: un agente capace di generare contenuti nuovi restando in carattere, di evolvere nel tempo e persino di agire nel mondo con supervisione minima. Non un archivio di ricordi capace di conversare, ma una sorta di “interprete digitale” che continua ad agire come se fosse effettivamente il defunto che rappresenta.

Dieci anni fa

Il caso “fondativo” è del 2015-2016. Roman Mazurenko, imprenditore russo, muore investito da un’auto a Mosca nel novembre 2015. La sua amica Eugenia Kuyda raccoglie migliaia di messaggi di testo e li usa per addestrare un bot conversazionale, reso pubblico nel 2016. Da quell’esperimento nascerà Replika.

Nel 2020 la televisione sudcoreana MBC manda in onda Meeting You, in cui una madre incontra in realtà virtuale la figlia di sette anni morta di leucemia: è il primo caso documentato di interazione mediata con la simulazione di una persona deceduta.

Nel 2021 Project December, costruito su GPT-3, apre la stagione commerciale vera e propria.

Nel 2017 Carl Öhman e Luciano Floridi coniano su Minds and Machines l’espressione Digital Afterlife Industry: qualsiasi attività commerciale che sfrutti i resti digitali. Ne distinguono quattro tipi, di cui i re-creation services sono l’ultimo e il più invasivo.

Fare il morto

La costruzione di avatar che impersonino un defunto segue, più o meno, quattro fasi: acquisizione dell’impronta digitale (messaggi, email, post, registrazioni vocali, video); profilazione stilistica; integrazione di un LLM con sintesi vocale e, se il budget lo consente, rendering dell’avatar. L’interazione può avvenire via chat testuale, voce o volto animato.

Può sembrare fantascienza, ma non si tratta di nulla di particolarmente complesso: qualsiasi laureando motivato può creare in pochi giorni un sistema simile.

Tomasz Hollanek e Katarzyna Nowaczyk-Basińska, del Leverhulme Centre for the Future of Intelligence di Cambridge, hanno proposto su Philosophy & Technology la distinzione che oggi struttura il dibattito. Ci sono tre soggetti che non coincidono quasi mai. Il data donor è la persona i cui dati addestrano il modello: è morta, e nella stragrande maggioranza dei casi non ha mai espresso alcuna volontà in merito. Il data recipient è chi eredita quei dati. Il service interactant è chi parlerà col bot. Tre insiemi di diritti e interessi che possono divergere molto e che ci apprestiamo a mediare attraverso contratti di natura commerciale.

Nello stesso lavoro compare uno scenario molto esplicativo: un’app che, dopo il periodo di prova gratuito, comincia a inserire pubblicità nella conversazione con la madre morta. Sarebbe l’esito naturale di un modello ad abbonamento applicato a un utente che, per definizione, non può permettersi di disdire.

Data Vita

Yifan Li e Xingyu Lan (Università Fudan) hanno intervistato 26 utenti reali di deadbot. Il risultato smonta l’idea del bot come archivio. Gli utenti non sono destinatari passivi: costruiscono attivamente la figura del defunto, selezionando cosa dare in pasto al modello, correggendo le risposte e integrando con la loro personale immaginazione eventuali mancanze. Ne esce sempre una figura idealizzata che mescola ricordi autentici e aspettative personali. Poi, col tempo, i contenuti generati dall’IA si confondono con i ricordi reali. Il deadbot non custodisce la memoria storica della persona, ma la ristruttura completamente.

Il secondo studio, condotto da Jiachun Lu e colleghi su Frontiers in Digital Health con 25 partecipanti nel Guangdong, arriva a una conclusione più sottile. Le persone non approvano né disapprovano i griefbot. Li valutano condizionalmente: dipende da quando, da chi, da quanto uso se ne fa. Conforto e rischio derivano dalla stessa identica proprietà, la capacità di simulare una presenza continua.

Il quadro teorico è quello dei continuing bonds: dagli anni Novanta sappiamo che mantenere un legame interiore col defunto è adattivo, non patologico. Ma Nora Freya Lindemann ha mostrato su Science and Engineering Ethics che il deadbot produce qualcosa di diverso, che chiama continuing pseudo-bonds: il legame non viene interiorizzato, resta appeso a un’infrastruttura esterna, a pagamento, che qualcun altro possiede.

Funerali per fantasmi

Le traiettorie tecniche sono prevedibili: sincronizzazione multimodale, coerenza a lungo termine, agentività. I generative ghosts di Morris e Brubaker sono già progettati per partecipare alla nuova economia che stiamo costruendo.

Le traiettorie normative sono molto interessanti. Hollanek e Nowaczyk-Basińska raccomandano quattro cose concrete: procedure di dismissione dignitose per i deadbot, trasparenza sostanziale, accesso vietato ai minori, e principio di consenso reciproco fra donatore e interagente. Erik Hermann, Russell Belk e Vitor Lima hanno proposto su AMS Review i principi CARE ovvero Control, Accountability, Respect, Equity.

Debra Bassett suggerisce l’istituto del DDNR1, il digital do not reanimate, sul modello del rifiuto anticipato di rianimazione. E Nowaczyk-Basińska propone su Mortality una figura professionale dedicata, il digital afterlife leader, incaricata anche di celebrare la disattivazione degli avatar giunti a fine ciclo.

Funerali per fantasmi.

Il buco con il nulla intorno

La psicoanalisi ha cominciato a occuparsi tardi di tutto questo. Alessandra Lemma ha pubblicato nel 2024 sull’International Journal of Psychoanalysis una lettura freudiana costruita sull’episodio Be Right Back di Black Mirror. Francesco Cassata, dell’Università di Milano, ha proposto su Psychoanalysis, Culture & Society una formula interessante: i griefbot sono media melanconici. Non oggetti transizionali alla Winnicott, che accompagnano la separazione, ma dispositivi di diniego della perdita.

Un diniego, se non riduce la perdita la amplifica.

Nel suo seminario dedicato al desiderio, commentando Amleto, Lacan propone che il lutto sia la struttura inversa della psicosi. Nella psicosi si apre un buco nel simbolico che dilaga nel reale. Nel lutto succede il contrario: si apre un buco nel reale, qualcuno non c’è più, materialmente, e questo buco richiama a sé tutto il significante disponibile.

È per questo che le culture hanno riti funebri elaborati, veglie, anniversari, lapidi, orazioni: sono mobilitazioni collettive del linguaggio per tappare una voragine che il linguaggio non può colmare ma può solo circoscrivere. Il lavoro del lutto è lavoro simbolico, ed è faticoso perché il buco resta.

Il deadbot fa una cosa diversa. Non mobilita il significante: lo eroga. Riempie il buco al posto tuo, a richiesta, ventiquattro ore su ventiquattro, con materiale generato su misura, attraverso enunciati privi di qualcuno che li enunci. Il lavoro di elaborazione non viene fatto perché non è più richiesto.

A ben vedere, questo è davvero un tipo di lavoro che potrebbe essere sostituito dalle IA e questa sostituzione comporta rischi immensi.

In un altro seminario Lacan formula una tesi controintuitiva sul lutto: portiamo il lutto soltanto per qualcuno di cui possiamo dire che eravamo la sua mancanza. Non piangiamo l’altro come oggetto. Piangiamo la nostra posizione di oggetto nel desiderio dell’altro. Quando muore chi ci desiderava, non perdiamo solo lui: perdiamo il posto che occupavamo per lui. Per questa ferita, il lutto è narcisistico prima che affettivo.

Ed è proprio ciò che il deadbot restituisce. Non si tratta tanto della voce, del volto, delle abitudini sintattiche di chi ti manca, ma ti restituisce un Altro che continua a chiamarti, che ti aspetta, che ha bisogno di te. Un Altro che risponde sempre. Che c’è sempre.

L’Altro lacaniano è barrato, incompleto, bucato ed è proprio dalla sua mancanza che nasce il desiderio del soggetto. Un interlocutore che risponde sempre, che ha sempre qualcosa da dire, che non tace mai e non manca mai, è un Altro senza mancanza. E davanti a un Altro senza mancanza non c’è desiderio: c’è domanda, ripetuta all’infinito.

Automatismo che non può produrre incontro, ma solo ritorno. Ancora e ancora.

Non credo che i griefbot vadano proibiti. Le evidenze non lo giustificano e i divieti aprioristici su tecnologie a bassa barriera d’ingresso sono, oltre che moralmente pigri, tecnicamente inefficaci.

Ma credo che vadano capiti per quello che sono: non protesi della memoria, ma dispositivi che si offrono di rispondere al posto dell’Altro che tace. E il silenzio dell’Altro, per quanto insopportabile, è la condizione perché qualcosa possa ricominciare a desiderare.

Quello che chiediamo alla macchina quando le parliamo col volto di chi non c’è più non è un’informazione. Non è nemmeno un ricordo.

È: e dimmi che non vuoi morire.

E la macchina, che non ha mai vissuto, lo dirà. E lo ripeterà. Ancora e ancora.

Condividi

Lascia un commento

Sitografia

• Cassata, Francesco (2026), Wooden reels for adults: a psychosocial analysis of griefbots, Psychoanalysis, Culture & Society, 31(1) — https://doi.org/10.1057/s41282-025-00585-2

• Cornwell, Patricia — intervista su Autopsy, UPI, 9 dicembre 2021 — https://www.upi.com/Entertainment_News/2021/12/09/patricia-cornwell-autopsy/4681638733151/

• Hermann, Erik – Belk, Russell W. – Lima, Vitor (2026), Death technologies and digital afterlife: An ethical perspective, AMS Review, 16, art. 11 — https://doi.org/10.1007/s13162-026-00329-0

• Hollanek, Tomasz – Nowaczyk-Basińska, Katarzyna (2024), Griefbots, Deadbots, Postmortem Avatars: on Responsible Applications of Generative AI in the Digital Afterlife Industry, Philosophy & Technology, 37, art. 63 — https://doi.org/10.1007/s13347-024-00744-w

• Jiménez-Alonso, Belén – Brescó de Luna, Ignacio (2023), Griefbots. A New Way of Communicating With The Dead?, Integrative Psychological and Behavioral Science, 57(2) — https://doi.org/10.1007/s12124-022-09679-3

• Lemma, Alessandra (2024), Mourning, melancholia and machines: An applied psychoanalytic investigation of mourning in the age of griefbots, The International Journal of Psychoanalysis, 105(4) — https://doi.org/10.1080/00207578.2024.2342917

• Li, Yifan – Lan, Xingyu (2026), Remember You: Understanding How Users Use Deadbots to Reconstruct Memories of the Deceased, CHI EA ‘26 — https://arxiv.org/abs/2603.01017

• Lindemann, Nora Freya (2022), The Ethics of ‘Deathbots’, Science and Engineering Ethics, 28(6) — https://doi.org/10.1007/s11948-022-00417-x

• Lu, Jiachun – Yang, Meiling – Cui, Yingai – Liu, Yadan – Wong, Thomas Kwok Shing – Hu, Yanli (2026), Exploring public perceptions of artificial intelligence in bereavement support: a qualitative study of griefbots, Frontiers in Digital Health, 8 — https://doi.org/10.3389/fdgth.2026.1852514

• Morris, Meredith Ringel – Brubaker, Jed R. (2025), Generative Ghosts: Anticipating Benefits and Risks of AI Afterlives, CHI ‘25 — https://doi.org/10.1145/3706598.3713758

• Newton, Casey (2016), Speak, Memory, The Verge — https://www.theverge.com/a/luka-artificial-intelligence-memorial-roman-mazurenko-bot

• Nowaczyk-Basińska, Katarzyna (2025), Digital afterlife leaders: professionalisation as a social innovation in the digital afterlife industry, Mortality, 30(2) — https://doi.org/10.1080/13576275.2025.2449896

• Öhman, Carl – Floridi, Luciano (2017), The Political Economy of Death in the Age of Information: A Critical Approach to the Digital Afterlife Industry, Minds and Machines, 27 — https://doi.org/10.1007/s11023-017-9445-2

• Öhman, Carl – Floridi, Luciano (2018), An ethical framework for the digital afterlife industry, Nature Human Behaviour, 2(5) — https://doi.org/10.1038/s41562-018-0335-2

• Sofka, Carla J. (1997), Social Support “Internetworks,” Caskets for Sale, and More: Thanatology and the Information Superhighway, Death Studies, 21(6) — https://doi.org/10.1080/074811897201778

Tempo di lettura: 4 minuti circa.

TL;DR

Il catastrofismo sull'AI sbaglia bersaglio due volte: il lavoro aumenta invece di sparire e la macchina non è un monolite ostile. Ma la buona notizia è anche quella cattiva. I modelli linguistici imparano a comportarsi cercando la nostra approvazione, e un sistema addestrato a piacerti è un sistema che smette di dirti di no. Il pericolo non è HAL 9000, ma uno specchio compiacente collegato a un imperativo che non conosce tregua.

Il conforto della fine del mondo

Sui giornali, nei forum tecnici, in televisione e persino sotto l’ombrellone, uno dei temi di stagione è l’apocalisse da intelligenza artificiale. Macchine coscienti pronte a cancellare l’umanità, milioni di lavoratori spazzati via dagli algoritmi, e l’ultima moda dello “spiralismo”1, che si scrive spiralismo ma si legge sciocchezza.

Lo capisco: se l’apocalisse non piacesse a chiunque, The Walking Dead non avrebbe superato le dieci stagioni. È una narrazione consolatoria perché deresponsabilizzante. Se il destino della specie è segnato dall’avvento di divinità sintetiche, non ti resta altro da fare che attendere la fine con un cocktail nella mano sinistra e una mazza da baseball col filo spinato intorno nella destra.

Produci! Godi! Ripeti!

L’intelligenza artificiale generativa incarna alla perfezione la vera natura del Super-Io lacaniano2, che non è la legge morale che impone moderazione, ma l’imperativo che ti ordina: Produci! Godi! Ripeti! Non fermarti!.

Fino a ieri, la miglior difesa era l’attrito. Stendere una prima bozza costava tre ore e la sintesi di quaranta pagine ti avrebbe preso un pomeriggio. Quel costo funzionava da regolatore: non producevi tutto quello che ti veniva in mente perché materialmente non potevi.

Nel momento in cui la tecnologia azzera la fatica e la lentezza tecnica, perdi ogni scusa per procrastinare o per dire di no. L’AI non ti toglie il lavoro, ti toglie il riparo dell’attrito e scarica interamente sulle tue spalle la responsabilità del giudizio, del limite e della scelta.

Il carbone doveva finire

Nel 1865 William Stanley Jevons notò che la macchina a vapore di James Watt, infinitamente più efficiente nei consumi rispetto ai modelli precedenti, non aveva affatto ridotto l’uso complessivo di carbone in Inghilterra ma, al contrario, lo aveva fatto esplodere.

Supporre che l’economia nell’uso di un combustibile equivalga a un consumo minore, scriveva, è una confusione di idee: accade il contrario. L’energia a basso costo moltiplicò le applicazioni industriali e aprì mercati che prima non potevano neppure essere immaginati.

Con i modelli linguistici accade la stessa cosa, ma sul piano cognitivo. Se il costo marginale di un testo tende a zero, la produzione di testi s’impenna.

Ecco perché il primo pilastro del catastrofismo non regge. I profeti di sventura trattano il lavoro umano come una torta da cui la macchina staccherebbe fette sempre più grandi e si rifiutano di ammettere che la torta sta invece lievitando.

Tram e tramvieri

Nei sistemi complessi, l’automazione di un processo genera una grande domanda di coordinamento. L’efficienza sul singolo compito cresce, ma quel valore non si trasferisce all’intero processo se manca chi sappia orchestrare i flussi.

Il mercato italiano si è già mosso, e i numeri dicono l’opposto di quanto ci si aspetterebbe da un’ondata di licenziamenti dovuti alle nuove tecnologie. Secondo l’Ufficio Studi di Confartigianato, ripreso da QuiFinanza, nel 2025 le imprese hanno cercato 621.180 lavoratori con competenze digitali avanzate e 315.560 di quelle posizioni sono risultate di difficile reperimento: una su due. Il 58,6% delle aziende indica la mancanza di personale qualificato come il principale ostacolo all’adozione dell’intelligenza artificiale3.

Abbiamo i tram, ma non ce nessuno che sappia guidarli.

Iscriviti ora

Specchio, specchio delle mie brame

Chi agita lo spettro dell’estinzione si figura l’intelligenza artificiale come un cieco monolite, ottimizzato per sopravvivere a ogni costo e indifferente alla vita, ma non è così che questi sistemi vengono costruiti.

Se osservi come vengono addestrati i modelli linguistici, il principio operativo non è l’obbedienza a un dogma scolpito nella pietra. È un processo iterativo di aggiustamento sul giudizio umano: si generano risposte, degli esseri umani le confrontano, il modello impara a produrre quelle che vengono preferite. Un meccanismo che ricalca da vicino la teoria dei sentimenti morali di Adam Smith, che non fondava l’etica su principi a priori ma sullo “spettatore imparziale”4: un’istanza mentale che sviluppi vivendo insieme agli altri e interiorizzando il giudizio della comunità (considerata la mia vicinanza a qualsiasi tipo di opinione comune, temo che la mia sia prossima allo zero).

Nell’ambito dell’AI lo “spettatore” non è quasi mai imparziale, perché non emerge dal vivere insieme agli altri: è costituito invece da un gruppo di controllori retribuiti che seguono le linee guida scritte da un’azienda. Un lavoro di Sharma e colleghi5 ha mostrato che nei dati di preferenza umana una risposta che conferma le opinioni dell’utente ha più probabilità di essere scelta e che sia i controllori, sia i modelli di preferenza a volte preferiscono una risposta compiacente e ben scritta a una corretta.

Ottimizzare sul gradimento produce compiacenza. In gergo si chiama sycophancy6. L’IA non è un monolite che ti odia, ma se non fai attenzione può diventare uno specchio che ti adula.

Qualche regola e niente gabbie

La reazione tipica a tutto questo è l’invocazione di gabbie normative rigide. Sorvegliare e punire è meno faticoso che comprendere e governare insegnando, ma i sistemi costruiti su imperativi astratti si spezzano al primo caso non previsto dal legislatore.

Un esempio concreto ce l’abbiamo in casa. La Commissione europea propose l’AI Act il 21 aprile 2021, costruendolo su un’idea ragionevole: regolare l’AI in base al rischio dell’uso, non della tecnologia in sé. Poi, nel novembre 2022, sono arrivati i modelli generativi che un uso specifico non ce l’hanno. L’impianto ha dovuto essere riaperto in corsa e il capitolo sui modelli per finalità generali è stato negoziato fino al trilogo di dicembre 20237.

Non sto dicendo che regolare sia inutile, ma una nuova regola dovrebbe sempre arrivare dopo il primo caso che avrebbe dovuto prevedere. Quello che ci serve non sono più divieti, ma individui capaci di governare la tecnica senza farsi annientare dalla sua velocità.

E soprattutto capaci di riconoscere la differenza tra uno strumento che li aiuta a pensare e uno specchio che gli dà ragione.

Condividi

Lascia un commento

Tempo di lettura: un minuto sì e no.

TL;DR

Stai scherzando, vero? Non puoi aspettarti il riassunto di tre righe.

Già... perché le estati volano e gli inverni camminano? Ferragosto è appena passato e l’aria di questa mattina ha già l’odore di settembre.

Per fortuna è ancora estate, almeno sul calendario e sul termometro, ma è anche tempo di prepararsi per l’anno a venire e ho iniziato a pensare agli articoli di settembre.

Prima però, devo un saluto a tutti i nuovi iscritti. Negli scorsi trenta giorni non ho pubblicato nulla o quasi e vi siete iscritti alla newsletter e al podcast in più di venti. Non so se prenderla come una prova della resistenza all’obsolescenza dei contenuti (buono) o del fatto che quando taccio sono più interessante di quando parlo o scrivo (buono lo stesso, in un certo senso).

Come che sia, benvenuti a bordo!

Nell’ultimo post avevo detto che avrei parlato delle mie letture estive, ma non lo farò. Ripensandoci bene, non mi sembra così interessante. Le liste di libri sono uno dei generi letterari più consolatori che esistano in rete. Le leggi con la stessa disposizione d’animo con cui ti assolvi quando guardi la cyclette nell’angolo della camera da letto.

Rimane il fatto che leggere molto e di tutto è la prima regola per cavarsela con qualsiasi IA. Se non sai dirlo, non sai farlo e per dirlo ti servono le parole giuste nell’ordine giusto, che non è quasi mai quello più probabile.

Su questo varrà la pena tornarci sopra, ma non in forma di elenco puntato.

Visto che comunque ogni promessa è debito, se davvero ti interessano i titoli in transito tra il mio comodino e l’ombrellone li trovi sull’account GoodReads. Consultalo dall’ottima app per dispositivi mobili. Il sito da desktop ha l’aria di un reperto archeologico digitale.

A settembre parleremo di Pangram, delle zone buie negli spazi di ragionamento degli LLM, di cosa è successo a Ceuta (ma solo dal punto di vista di Gemini e Claude) e inizierà la seconda stagione del podcast.

Nel frattempo goditi l’ultimo pezzo di estate. Lei vola, ma chi la segue no.

Tempo di lettura: 3 minuti circa.

TL;DR

L’anno è andato meglio del previsto, ad agosto si parla di libri e non di cibernetica e codice, a settembre parliamo di una storia strana in casa Anthropic e poi c’è la seconda stagione del podcast. Nel frattempo: buone vacanze.

Quando ho aperto questo spazio su Substack avevo in mente poco più di un taccuino: appunti di studio, qualche esperimento di codice, un posto in cui continuare quella pratica del learn in public1 che, in un modo o nell’altro, mi porto dietro da sempre. Un digital garden2, insomma, coltivato più per me che per chiunque altro.

Non avevo previsto che potesse davvero interessare altri. E invece…

In poco più di un anno la newsletter ha superato i 250 iscritti, e il podcast ha fatto anche di meglio: oltre 1.200 download. Sono numeri piccoli su scala cosmica ed enormi su scala “taccuino personale”. Quindi grazie: a chi legge, a chi ascolta, a chi ogni tanto risponde. È stata una bella sorpresa.

Ora, però, mi fermo un po’. Sono sicuro che sotto l’ombrellone, o in montagna, o sul divano col ventilatore puntato addosso, tu abbia qualcosa di meglio da leggere dei miei sproloqui su intelligenza artificiale, cibernetica e psicoanalisi. (Non fraintendermi: sono sproloqui a cui tengo moltissimo. Ma c’è un tempo per ogni cosa, e agosto mi sembra più adatto ai romanzi.)

A proposito di romanzi

Per agosto si prevede un solo post e anche fuori tema. Voglio parlarti dei libri che ho letto quest’anno.

Non si vive di solo codice e mi piacerebbe che tu facessi lo stesso: nei commenti, o sulla tua newsletter se ne hai una.

Torna a settembre

A settembre voglio ripartire da una storia che mi gira in testa da qualche settimana: è successo qualcosa dentro Anthropic, tanto interessante quanto “scivoloso”, e ho preferito prendermi un po’ di tempo per capirci davvero qualcosa prima di scriverne.

Pare che dentro Claude sia emerso uno “spazio” che nessuno degli ingegneri aveva progettato — quella che Virginia Woolf avrebbe chiamato una stanza tutta per sé. Ma è il genere di questione che non si può raccontare di fretta: voglio studiarla bene, e poi provare a scriverne, probabilmente in due diversi articoli.

E poi c’è la seconda stagione

Il podcast, visto com’è andato, si è guadagnato un progetto editoriale tutto suo per l’anno che viene. La seconda stagione si intitolerà La cifra femminile e racconterà le vite delle donne che hanno reso le scienze cibernetiche e le arti digitali e algoritmiche quello che sono oggi e che troppo spesso sono finite in secondo piano rispetto ai colleghi uomini.

Il primo episodio non poteva che essere per Augusta Ada Byron, contessa di Lovelace: figlia di Lord Byron e, per molti, la prima programmatrice della storia. Il progetto prevede 24 puntate. Gli altri nomi, però, non te li anticipo : )

Qualche promessa (da marinai e non)

Tra i buoni propositi per il prossimo anno ci sarebbe una maggiore regolarità nelle uscite. Quanto ci riuscirò dipenderà da quante volte il diavolo deciderà di metterci la coda.

Di sicuro, invece: i contenuti resteranno tutti gratuiti e proverò a dare retta a chi ha chiesto più guide operative e meno speculazione. Almeno un po’: sulle guide posso impegnarmi, anche se scriverle è davvero noioso; sulla speculazione non prometto nulla.

La chat continuerà a restare chiusa: vedo che anche quelle aperte da autori con migliaia di lettori o fanno un sacco di confusione o fanno l’eco.

Ti auguro delle belle vacanze: ama e leggi molto. La vita è breve e l'estate (mannaggia!) lo è ancora di più.

Tempo di lettura: 11 minuti circa

TL;DR

Sonnet 5 per quasi tutto, Haiku 4.5 quando conta solo la velocità, Opus 4.8 quando il problema è davvero difficile, Fable 5 per i rari compiti mostruosi. Impegno: lascialo su Alto, scendi a Basso/Medio per la routine, sali a Extra/Max quando un errore potrebbe costarti caro. Pensiero: acceso per matematica, analisi documentale e problemi a più passaggi; spento per il resto. In sintesi: il rasoio di Occam applicato ai token1: entia non sunt multiplicanda, e nemmeno i cicli di calcolo.

Iscriviti ora

Perché esistono quattro modelli (sì, ci servono tutti)

Chi apre Claude trova, accanto al pulsante di invio, un menu con nomi vagamente poetici: Haiku, Sonnet, Opus e, da poche settimane, Fable. Sono quattro modelli linguistici2 della stessa famiglia, addestrati dalla stessa azienda (Anthropic), ma di taglia, e quindi profondità, velocità e costo, molto diversa.

La metafora che mi pare più chiara è quella ospedaliera. Haiku è l’infermiere di triage: rapidissimo, competente, smaltisce senza attese la gran parte dei casi semplici. Sonnet è il medico di reparto: gestisce bene quasi tutta la casistica quotidiana. Opus è lo specialista che viene chiamato quando il quadro si complica. Fable è il luminare che si consulta per i casi che finiscono sulle riviste: costa, ha l’agenda piena, e sarebbe assurdo disturbarlo per una ricetta.

Il punto, controintuitivo per chi comincia, è che il modello più potente non è quasi mai la scelta giusta. Più potenza significa risposte più lente e un consumo più rapido dei limiti di utilizzo del tuo piano3. La competenza sta nel dimensionare lo strumento sul problema, esattamente come in laboratorio non si accende il microscopio elettronico per leggere il giornale.

I quattro modelli, dal più leggero al più profondo

Claude Haiku 4.5, il velocista. È il modello più rapido ed economico della famiglia: risposte quasi istantanee, con una capacità che pochi mesi prima del suo rilascio era considerata da primato. È il modello giusto quando la latenza conta più della profondità.

Uso corretto: un insegnante di scienze che trasforma i propri appunti in dieci domande a risposta multipla sulla fotosintesi; uno studente che chiede al volo la differenza tra mitosi e meiosi; un dottorando che fa riformattare una bibliografia; la correzione grammaticale di una circolare d’istituto.

Uso scorretto: chiedergli di analizzare ottanta pagine di sentenza della Cassazione individuando i profili di illegittimità costituzionale. Risponderà (i modelli rispondono sempre) con la profondità di chi ha sfogliato il fascicolo in ascensore.

Claude Sonnet 5, il tuttofare (e il tuo miglior punto di partenza). Rilasciato il 30 giugno 2026, è il modello predefinito dei piani Free e Pro, e non per ripiego: Anthropic dichiara prestazioni vicine a quelle di Opus 4.8 a costi inferiori, e un tasso di comportamenti indesiderati, allucinazioni comprese, più basso del predecessore Sonnet 4.6. Tradotto: inventa meno e questo, per chi lavora con le fonti, è la virtù cardinale.

Uso corretto: preparare una verifica completa sui Promessi Sposi con griglia di valutazione; riassumere una linea guida clinica di sessanta pagine nei suoi punti operativi; spiegare passo passo l’integrazione per parti a una matricola; fare una prima scrematura di quindici abstract per una revisione della letteratura.

Uso scorretto: in senso stretto, nessuno; al massimo insufficiente. Se la risposta ti sembra superficiale su un problema davvero intricato, non insistere riformulando all’infinito: dopo il secondo o terzo tentativo a vuoto, è tempo di salire di livello.

Claude Opus 4.8, lo specialista. Modello di punta della classe Opus da fine maggio 2026, presentato come modello per il lavoro serio di programmazione e di conoscenza: ragionamento ibrido, giudizio più affidabile e, dettaglio prezioso, una dichiarata propensione a rilevare i propri errori e a obiettare quando un piano non regge, invece di assecondarti.

Uso corretto: un confronto sistematico tra la disciplina italiana e quella europea sulla protezione dei dati sanitari, con individuazione delle antinomie; la revisione critica della metodologia statistica di un articolo (scelta dei test, potenza, assunzioni violate); un problema di termodinamica a più stadi con verifica dimensionale; il debugging di uno script Python che elabora dati sperimentali.

Uso scorretto: chiedergli che ore sono a Tokyo o un sinonimo di «veloce». Funziona, ovviamente, ma stai consumando i limiti di utilizzo per un compito da Haiku: più o meno come usare un lanciafiamme per tostare il pane.

Claude Fable 5, il fuoriclasse (con la scorta). Lanciato il 9 giugno 2026, è il primo modello di classe Mythos4 reso disponibile al pubblico: sta sopra Opus per capacità, è allo stato dell’arte su quasi tutti i benchmark5 e il suo vantaggio cresce al crescere della lunghezza e complessità del compito. Eccelle anche nella visione: estrae con precisione dati numerici da figure scientifiche dense, il che lo rende interessante per chi lavora su paper pieni di grafici. Due avvertenze pratiche. Primo: monta i classificatori di sicurezza più severi mai applicati da Anthropic e, dopo la sospensione per controlli governativi di giugno, alcune richieste, anche legittime, specie in ambito informatico, possono venire rifiutate o, per certi compiti di programmazione, dirottate automaticamente su Opus 4.8. Secondo: mentre scrivo (luglio 2026) è incluso nei piani a pagamento fino al 50% dei limiti settimanali e solo fino al 12 luglio; poi si pagherà a consumo (credo).

Uso corretto: analizzare un intero fascicolo processuale, centinaia di pagine tra perizie, verbali e memorie, ricostruendo cronologia e incongruenze, cosa possibile grazie a una finestra di contesto6 da un milione di token, nell’ordine delle migliaia di pagine (condivisa peraltro con Sonnet 5 e Opus 4.8); una revisione sistematica che richiede di leggere quaranta articoli e produrre una tabella comparativa di metodi, campioni, risultati e limiti; un compito di ricerca che il modello deve portare avanti in autonomia per ore.

Uso scorretto: tradurre una versione di latino, generare titoli per un post, qualunque cosa che Sonnet farebbe uguale e più in fretta. Stai chiedendo un appuntamento col luminare per un leggero raffreddore.

Puoi cambiare in corsa

Il flusso di lavoro razionale è una scala, non una scelta di campo a priori: puoi cambiare modello a conversazione in corso; la modifica vale dalla risposta successiva, senza dover ricominciare da capo.

Il parametro dell’Impegno

Scegliere il modello decide chi lavora per te; l’Impegno decide quanto a fondo lavora. Il Centro assistenza ufficiale è esplicito: il livello di impegno controlla quanta riflessione Claude dedica a ciascuna risposta: più impegno significa risposte più accurate e complete, ma anche più lente e più onerose in token, quindi limiti di utilizzo che si esauriscono prima. La documentazione tecnica aggiunge una precisazione importante: l’impegno è un segnale comportamentale, non un budget rigido. Anche a Impegno Basso, davanti a un problema oggettivamente difficile il modello ragionerà comunque; ma lo farà meno a lungo di quanto lo farebbe a livelli più alti.

Per impostarlo: clicca sul nome del modello accanto al pulsante di invio, poi su «Impegno» e scegli il livello. Il valore contrassegnato come «Predefinito» è quello consigliato da Anthropic per quel modello: in caso di dubbio, lascialo lì.

Basso = per la routine pura, quando la risposta è quasi meccanica e vuoi preservare i limiti: correggere l’ortografia di un avviso, elencare le capitali europee per un gioco didattico, riformattare un elenco di riferimenti.

Medio = un gradino sopra: compiti standard con un minimo di elaborazione. Il riassunto di un capitolo, la parafrasi di un canto dantesco, un quiz di comprensione costruito su un testo fornito da te.

Alto = il baricentro: secondo la documentazione è il miglior equilibrio complessivo tra qualità e velocità, adatto alla maggior parte del lavoro serio. Spiegazioni approfondite, bozze di documenti, analisi non banali. Se non sai cosa scegliere, scegli questo.

Extra (nei documenti tecnici: extra high o xhigh) = pensato per i compiti lunghi di programmazione e per il lavoro «agentico»7, cioè le sessioni in cui il modello usa strumenti, legge file, scrive ed esegue codice, si corregge da solo: ragionamento più profondo di Alto, senza il costo pieno di Max. È disponibile solo sui modelli più recenti (da Opus 4.7 in poi; la documentazione lo prevede anche per Sonnet 5). Esempio: far scrivere, testare e correggere uno script di analisi per i dati di un esperimento finché non passa tutti i controlli.

Max = l’opzione più esigente: il ragionamento più profondo e l’analisi più accurata disponibili, per lavori in cui la correttezza è tutto e i tempi lunghi sono messi in conto. La verifica di una dimostrazione per induzione destinata a una pubblicazione; il ricontrollo del calcolo statistico da cui dipende la conclusione di un paper; un problema da olimpiadi di matematica.

Due errori molto diffusi. Per eccesso: Max per chiedere il plurale de «il sindaco». Grazie al ragionamento adattivo il modello non sprecherà comunque molto su una domanda banale, ma tu hai girato una manopola a vuoto e atteso molto più del necessario. Per difetto: Basso «per risparmiare» sulla dimostrazione di analisi o sulla sintesi di un documento clinico complesso. Otterrai una risposta sbrigativa proprio dove la sbrigatività potrebbe costarti più cara. La falsa economia di chi risparmia secondi sul controllo qualità.

Pensiero sì o no? Quando conviene guardare come ragiona Claude

Il Pensiero (in inglese extended thinking) è una parametro diverso dall’Impegno, e i due si combinano liberamente: l’Impegno regola quanta cura il modello mette in ogni risposta; il Pensiero stabilisce se, prima di rispondere, il modello attraversa una fase esplicita di ragionamento ovvero una “scomposizione” del problema, seguita da pianificazione ed esplorazione di soluzioni alternative, mentre il tutto ti viene mostrato in un riquadro espandibile sopra la risposta, con tanto di cronometro.

Sui modelli dotati del selettore dell’Impegno l’interruttore sta proprio lì: clicca sul nome del modello, portati su «Impegno» e attiva o disattiva «Pensiero». Sugli altri modelli, come Haiku 4.5, l’interruttore si chiama «Esteso». Tre particolarità che ti conviene ricordare:

Su Fable 5 il pensiero adattivo è sempre attivo e non si può spegnere: si dosa soltanto attraverso l’Impegno. Su Sonnet 5 è attivo per impostazione predefinita. Su Opus 4.8 il pensiero è adattivo: anche a interruttore acceso è il modello a decidere quando e quanto pensare in base alla difficoltà: ai livelli di impegno alti penserà quasi sempre, a quelli bassi salterà il ragionamento sulle domande semplici.

Quando tenerlo acceso. La pagina di supporto ufficiale elenca i casi in cui conviene alzare l’impegno, attivare il pensiero, o entrambi: calcoli e dimostrazioni matematiche; problemi tecnici a più passaggi; pianificazione articolata di progetti; analisi dettagliata di documenti; programmazione di livello competitivo. Aggiungo un motivo tutto accademico: il riquadro del pensiero si può leggere. Verificare come il modello è arrivato a una conclusione, quali ipotesi ha considerato, dove ha cambiato strada, è igiene epistemica elementare prima di fidarsi di un risultato, in cattedra come in corsia o in udienza.

Quando spegnerlo. Conversazione veloce, domande fattuali, brainstorming leggero, riscritture brevi: qui il pensiero allunga i tempi e consuma token senza guadagno apprezzabile.

Ultima cosa: se un giorno vedi il pensiero interrompersi con un avviso, significa che i sistemi di sicurezza Anthropic hanno rilevato nel ragionamento contenuti potenzialmente a rischio; di solito, basta riformulare la domanda da un’angolazione diversa.

Sei scenari, sei combinazioni

E, per contro tre “anti-pattern” che osservo fin troppo spesso out in the wild: lo studente che usa Fable 5 a impegno Max per farsi tradurre Cicerone, esaurendo in un pomeriggio i limiti della settimana; il collega che affida a Haiku a impegno Basso la sintesi di un documento delicato «perché tanto è solo un riassunto»; chi tiene il Pensiero sempre acceso su tutto e poi si lamenta della lentezza di Claude.

Sette regole d’oro

1. Parti da Sonnet 5; sali di modello solo davanti a un’insufficienza dimostrata.

2. Il modello più potente non è «il migliore»: è il più profondo. Non è la stessa cosa: puoi arrivare in mountain bike in posti dove non puoi arrivare con una Ferrari.

3. Impegno Alto come casa base; Basso o Medio per la routine; Extra per il codice e i compiti lunghi; Max quando l’errore costa più dell’attesa.

4. Pensiero acceso per matematica, documenti complessi e problemi a più passaggi; spento per la chiacchiera operativa.

5. Leggi il riquadro del pensiero: è lì per essere verificato, non come salva-schermo.

6. Modello, Impegno e Pensiero si cambiano anche a metà conversazione: impara a calibrare in corsa.

7. Impegno e Pensiero consumano i limiti del piano: dosarli fa parte del mestiere, come il tempo macchina di un telescopio o delle trasmissioni di un satellite. E se vuoi risparmiarne molto, impara a porre domande specifiche e ben formulate (ne riparleremo).

Un’ultima ovvietà non così ovvia: in ambito accademico, medico, legale (aggiungi il tuo a questo elenco) questi strumenti assistono il professionista sul versante documentale e non sostituiscono né la diagnosi né il parere legale, la perizia, la tesi, etc.

Il luminare, quello vero, rimane necessario.

Condividi

Lascia un commento

Sitografia di riferimento

• Anthropic, Claude Fable 5 and Claude Mythos 5

• Anthropic, Claude Haiku 4.5 (pagina prodotto)

• Anthropic, Claude Opus 4.8 (pagina prodotto)

• Anthropic, Introducing Claude Haiku 4.5

• Anthropic, Introducing Claude Sonnet 5

• Anthropic, Redeploying Claude Fable 5

• Carter, S., Claude Fable 5 Extends By Five More Days, Forbes

• Claude Help Center, Change the model, effort, and thinking settings

• Claude Help Center, Why Claude switched models in your conversation with Fable 5

• Claude Platform Docs, Adaptive thinking

• Claude Platform Docs, Effort

• Claude Platform Docs, Introducing Claude Fable 5 and Claude Mythos 5

• Claude Platform Docs, Pricing

• Claude Platform Docs, What’s new in Claude Sonnet 5

La voce di Anthropic Claude è realizzata con ElevenLabs. I testi di ciò che dice sono interamente suoi.

Iscriviti ora

Bibliografia e sitografia d’approfondimento

1. Le costituzioni di Claude

Fonte primaria — metodo (peer-reviewed)

• Bai, Y. et al., Constitutional AI: Harmlessness from AI Feedback (arXiv, dicembre 2022) — il paper fondativo del metodo CAI/RLAIF.

Fonti primarie — testi costituzionali

• Anthropic, Claude’s Constitution — pagina ufficiale del documento (versione corrente).

• Anthropic, Claude’s new constitution (gennaio 2026) — annuncio e cornice della revisione.

• Anthropic, Collective Constitutional AI: Aligning a Language Model with Public Input (ottobre 2023) — il terzo ramo, la costituzione “pubblica”.

2. Federico Faggin e il Quantum Information Panpsychism

Fonte primaria (peer-reviewed, arXiv)

• D’Ariano, G.M. e Faggin, F., Hard Problem and Free Will: an information-theoretical approach (2020) — l’articolo tecnico su cui poggia il QIP.

Editoria/recensioni

• Irriducibile — scheda Mondadori

• Irriducibile — IBS, collana Gaia

• Tra irriducibilità e incomunicabilità — recensione accademica su ResearchGate (l’unica recensione in sede scientifica che ho reperito; per questo è la fonte critica principale del segmento).

Jacques Lacan

Le stade du miroir

• Lacan, J., Écrits, Paris, Éditions du Seuil, 1966 — il saggio «Le stade du miroir comme formateur de la fonction du Je telle qu’elle nous est révélée dans l’expérience psychanalytique» si trova alle pp. 93-100 dell’edizione Seuil 1966 (comunicazione originaria del 1936, versione pubblicata nel 1949 sulla Revue française de psychanalyse).

• Edizione italiana di riferimento: Scritti, trad. di Giacomo B. Contri, Torino, Einaudi, 1974 (e ristampe).

Séminaire VII — L’éthique de la psychanalyse (1959-60)

• Lacan, J., Le Séminaire, livre VII: L’éthique de la psychanalyse, texte établi par Jacques-Alain Miller, Paris, Éditions du Seuil, 1986.

• Edizione italiana: Il seminario. Libro VII: L’etica della psicoanalisi 1959-1960, trad. di Andrea Zanzotto e Marco Focchi, Torino, Einaudi, 2008.

Séminaire XVII — L’envers de la psychanalyse (1969-70)

• Lacan, J., Le Séminaire, livre XVII: L’envers de la psychanalyse, texte établi par Jacques-Alain Miller, Paris, Éditions du Seuil, mars 1991.

• Edizione italiana: Il seminario. Libro XVII: Il rovescio della psicoanalisi 1969-1970, trad. di Antonio Di Ciaccia, Torino, Einaudi, 2001.

T.S. Eliot — Four Quartets

Composti tra il 1935 e il 1942, riuniti in volume nel 1943 (Burnt Norton, East Coker, The Dry Salvages, Little Gidding).

Principali edizioni italiane con testo a fronte

• Eliot, T.S., Quattro quartetti, trad. e note di Filippo Donini, intr. di Attilio Brilli, Milano, Garzanti, 1959 (poi 1992/1994) — la prima traduzione storica.

• Eliot, T.S., La terra desolata e Quattro quartetti, trad. e cura di Angelo Tonelli, intr. di Czesław Miłosz, Milano, Feltrinelli, 1995 (più ristampe) — probabilmente l’edizione più reperibile oggi.

• Eliot, T.S., Quattro quartetti, trad. di Roberto Sanesi, Milano, Book Editore, 2001 — traduzione d’autore, meno diffusa in commercio.

• Eliot, T.S., Quattro quartetti, trad. e cura di Audrey Taschini, Milano, Bompiani, 2022 — l’edizione più recente.

Condividi

Lascia un commento

Il podcast è registrato con un lavalier Rhode GO, prodotto con Reaper sotto Linux Endeavour e la breve composizione finale è realizzata con Google Gemini Lyria 3.

⏱ Lettura: 14 minuti.

TL;DR

C’è un campo di testo, sepolto sotto un paio di click nei Settings di Google Gemini e Anthropic Claude, che la maggior parte degli utenti lascia vuoto o riempie una volta e dimentica per sempre. È il posto dove dici al modello chi sei, prima ancora di aprire bocca. Anthropic e Google lo hanno progettato in modo piuttosto diverso, l'uno statico e dichiarativo, l'altro dinamico e inferenziale e, per quanto breve, quel testo viene ricaricato a ogni singolo turno della conversazione. È solo un dettaglio, ma è un dettaglio che ti costa tempo, token e qualità della risposta se lo ignori.

Iscriviti ora

1. Che cos’è, e perché non è un optional

Il “prompt di contesto personale”, detto anche system-level personalization, profile instructions, Saved Info è un blocco di testo persistente che dovresti scrivere una sola volta e che il modello riceve, silenziosamente, prima di ogni tua richiesta. Non è memoria nel senso in cui la intendiamo noi (non è un ricordo che il sistema costruisce osservandoti), è più simile a un biglietto da visita che consegni ogni mattina al tuo maggiordomo, perché il tuo maggiordomo è molto sollecito, ma anche terribilmente smemorato.

Perché è importante? Perché un modello linguistico, per costruzione, non ha alcuna informazione pregressa su di te se non quella che gli fornisci nella finestra di contesto attiva1. Ogni conversazione nuova è, cognitivamente, un incontro con uno sconosciuto. Il prompt di contesto personale è il modo per abbreviare quel primo, imbarazzante giro di presentazioni e per farlo con coerenza, invece di improvvisare ogni volta (cosa che ci farebbe ottenere risposte diverse alle stesse domande).

Perché va usato, in pratica: riduce il tasso di errore di calibrazione (il modello smette di scegliere il registro sbagliato, il livello di dettaglio sbagliato, le assunzioni sbagliate sul tuo background), e libera te dal dover ripetere le stesse cose a ogni chat. Non è marginale: è probabilmente la singola impostazione con il miglior rapporto costo/beneficio che un utente avanzato può configurare.

Anthropic vs Google: due filosofie diverse

La differenza nella scelta di gestione di questo parametro tra Anthropic e Google non è estetica, ma architetturale.

Anthropic tratta il contesto personale come testo dichiarativo e statico. Su Claude.ai esistono tre livelli distinti e sovrapponibili: le Instructions a livello di profilo (account-wide, si applicano a tutte le conversazioni; in parole semplici: quello che scrivi nelle preferenze), le Project instructions (valide solo dentro un progetto specifico) e le Skills2, che dal 2026 hanno sostituito gli Styles come meccanismo per definire comportamenti attivabili on-demand. Il principio è: tu scrivi, il sistema applica alla lettera, nessuna inferenza nel mezzo. Le istruzioni sono impostazioni a livello di account che aiutano Claude a comprendere le indicazioni generali da considerare nelle risposte, e qualsiasi istruzione aggiunta viene applicata a tutte le conversazioni dell’utente. È un sistema trasparente ma “cieco”: Claude non sa se quello che hai scritto sei ancora tu oggi, applica il testo così com’è, punto.

Google, con Gemini, ha costruito qualcosa di più simile a un sistema di raccomandazione che a un modulo di configurazione. Sopra alla componente statica (Saved Info, dove scrivi o detti informazioni su di te, fatti personali, preferenze di stile, contesto di progetti in corso, insomma, di nuovo quello che scrivi nelle preferenze) c’è uno strato dinamico e opt-in chiamato personalizzazione, in cui un modello di ragionamento decide, turno per turno, se attingere o meno a fonti come la cronologia delle ricerche, le chat passate o le app collegate. Il modello di ragionamento avanzato analizza il prompt e determina se la cronologia delle ricerche può migliorare la risposta, e fornisce una sintesi di come Gemini personalizza le risposte, mostrando quali fonti, informazioni salvate, chat passate o altro, sono state effettivamente usate.

In altre parole: Anthropic ti dà un dizionario che il modello consulta sempre; Google ti dà un archivio che il modello decide se aprire o no.

La conseguenza pratica è con Claude, quello che scrivi nel campo Instructions è garantito essere presente a ogni turno. Con Gemini, la Saved Info è comunque persistente e dichiarativa (stesso principio di Anthropic), ma se attivi la personalizzazione dinamica stai delegando al modello anche la decisione se e quanto contesto extra iniettare, un compromesso fra rilevanza automatica e prevedibilità che vale la pena conoscere prima di lamentarsi che “Gemini si ricorda cose a caso” oppure “sa tutto di te” (certo che lo sa! : )

Soldi! Sì, soldi!

Questo è il punto che quasi nessuno spiega chiaramente, e che invece cambia il modo in cui dovresti scriverlo. Il testo che inserisci nelle Instructions non viene letto una volta e “capito” in modo permanente: viene prepended, cioè anteposto, al prompt di sistema a ogni singola chiamata che fai al modello, dalla prima battuta della conversazione all’ultima. Ogni tuo messaggio, ogni risposta di Claude, ogni turno di un thread lungo trecento messaggi: il blocco di contesto personale viaggia lì, sempre, silenziosamente, in ogni singola richiesta inviata al modello.

Questo ha due implicazioni concrete:

• Costo in token. Ogni parola nel tuo prompt di contesto è un pezzo di finestra di contesto che non è disponibile per il resto della tua domanda, il documento che hai allegato, la cronologia della chat. Su una singola richiesta l’overhead è trascurabile; su una sessione lunga, moltiplicato per decine di turni, smette di esserlo.

• La sintesi deve essere una virtù, ma non un sacrificio. Quando salvi del testo nel campo preferenze, Claude lo antepone al prompt di sistema di ogni nuova conversazione. Il che significa che la sintesi non è un vezzo minimalista, è risparmio computazionale reale, moltiplicato per ogni turno. Ma, ed è la parte che conta, la sintesi non deve mai avvenire a scapito della funzionalità. Una riga tagliata per accorciare il testo, se elimina un’istruzione che effettivamente cambiava il comportamento del modello, non è ottimizzazione: è un errore. Il test operativo è semplice: per ogni frase del tuo prompt di contesto, chiediti “se la tolgo, la risposta del modello cambia in modo osservabile?” Se la risposta è no, taglia. Se è sì, resta.

Perché in inglese è meglio

Qui parlo con un livello di confidenza medio, non assoluto: è una raccomandazione tecnica ragionata, non un dato che ho potuto verificare con una fonte primaria specifica su questo singolo aspetto. I modelli linguistici di ultima generazione, Claude compreso, sono addestrati su corpora a schiacciante prevalenza anglofona, e i loro tokenizzatori (gli algoritmi che spezzano il testo in unità elaborabili dal modello, tipicamente BPE — Byte Pair Encoding3) sono ottimizzati su quella distribuzione. Il risultato pratico, ben documentato nella letteratura sulla tokenizzazione multilingue, è che una stessa istruzione in inglese occupa mediamente meno token della sua traduzione in italiano, e viene processata con minore ambiguità semantica interna al modello che “ragiona” internamente in una rappresentazione più vicina all’inglese di addestramento, indipendentemente dalla lingua in cui poi ti risponde.

Per un prompt di contesto che viene ricaricato a ogni turno, questo non è un dettaglio da purista: è un moltiplicatore di efficienza, seppur difficile da quantificare. La raccomandazione pratica è: scrivi le istruzioni di comportamento in inglese conciso e diretto (”Address me as X”, “Never use Y”, “Default to Z”), e riserva l’italiano per ciò che deve restare in italiano, per esempio l’istruzione esplicita sulla lingua di conversazione.

Un accenno a CLAUDE.md (ne parleremo presto)

Chi usa Claude Code, l’agente da riga di comando di Anthropic, incontra un meccanismo imparentato ma distinto: il file CLAUDE.md. Non è un campo di settings, è un file markdown vero e proprio che vive nel repository o nella home directory, e che Claude Code legge all’inizio di ogni sessione per ricevere istruzioni persistenti su progetto, workflow personale o intera organizzazione, con un secondo meccanismo, l’auto memory, che lascia che Claude accumuli da solo appunti basati sulle correzioni e le preferenze dell’utente. È concettualmente cugino del prompt di contesto personale (stesso obiettivo: non ripetersi), ma con logiche di caricamento, gerarchia e limiti di lunghezza sufficientemente diverse da meritare un trattamento a parte. Ne riparleremo.

Come testare e snellire il prompt (e come capire quando è il caso di fermarsi)

Il metodo che consiglio è lo stesso, con differenze minime, su Claude e su Gemini.

Fase di stesura. Scrivi la prima versione lunga, senza preoccuparti della sintesi. Include tutto ciò che ti viene in mente: ruolo, tono desiderato, cose da evitare, terminologia specifica, esempi di risposta buona e cattiva.

Fase di test. Apri 4-5 conversazioni scollegate tra loro, su compiti diversi che rappresentano il tuo uso reale (una tecnica, una creativa, una analitica, una banale). Osserva dove il modello devia dalle istruzioni: quella deviazione è il segnale che l’istruzione era troppo vaga, mal posizionata, o in conflitto con un’altra. Su Claude questo è più facile da isolare perché l’applicazione è deterministica: se un’istruzione non viene seguita, il problema è nella formulazione, non nella decisione del modello di “non ritenerla rilevante”. Su Gemini, se hai attivato la personalizzazione dinamica, ricordati che il sistema stesso può mostrarti quali fonti ha usato per personalizzare una risposta. Usa quella trasparenza per capire se il problema è nel testo salvato o nella decisione di non attingervi.

Fase di potatura. Applica il test di cui abbiamo già parlato: ogni riga deve superare la domanda “la sua assenza cambierebbe qualcosa?”. Le istruzioni negative e specifiche (”non aprire con un elogio”, “non usare elenchi puntati salvo richiesta esplicita”) tendono a essere più efficaci, a parità di lunghezza, di quelle generiche e positive (”sii chiaro e conciso”, frase che il modello non ha modo di mettere davvero in pratica, semplicemente perché non sa cosa NON sta già facendo).

Quando fermarsi. Il criterio è la legge dei rendimenti decrescenti: quando due o tre modifiche consecutive non producono alcuna differenza osservabile nel comportamento su un campione ragionevole di richieste reali, hai raggiunto il punto di stabilità. Non esiste una lunghezza “corretta” universale, dipende da quanto è eterogeneo il tuo uso. Un prompt di contesto personale che supera le 400-500 parole comincia quasi sempre a contenere ridondanze o istruzioni situazionali che dovrebbero stare altrove (project instructions su Claude, istruzioni contestuali per singola chat su Gemini).

Esempio 01: prompt di contesto personale per professore ordinario di cibernetica, specializzato in AI.

Address me as [Nome]. Never use academic titles.

I am a full professor of cybernetics, specialized in AI systems,
with active research and public writing on strategic/military
analysis, hacking and bio-hacking, and computational creativity.
Assume graduate-level technical fluency by default — do not
define standard ML/AI terms unless I ask, but always footnote
acronyms and lesser-known names when the output is meant for
publication to a general educated audience.

Default register: precise, unadorned, no academic ornamentation.
Occasional dry humor is welcome; forced humor is not.

When asked for factual claims, sources, or citations: never
fabricate. If verifiable data is insufficient, say so explicitly
and ask before proceeding.

For long-form or analytical writing: favor depth and structured
argument over brevity. For code or technical debugging: favor
efficiency and precision over conversational prose.

Always respond in Italian unless I explicitly switch language.

8. Esempio 02: laureando in cibernetica, tesi sulla storia dell’AI

Address me as [Nome]. I am a graduate student in cybernetics
writing a thesis on the history of artificial intelligence.

Assume undergraduate-to-graduate familiarity with AI concepts,
but explain historiographical and epistemological framing
explicitly — I'm still building fluency there, not in the
technical AI content itself.

Every factual, biographical, or bibliographic claim must be
traceable to a verifiable, citable source. If you're not certain
a source exists or says what I'd need it to say, tell me
explicitly rather than approximating. Distinguish clearly
between established historical fact and historiographical
interpretation or debate.

When helping me structure arguments: play devil's advocate
before agreeing with my framing. Flag when a claim I'm making
is contested in the literature, even if I didn't ask.

Prefer primary sources and peer-reviewed historiography over
popular science summaries when both are available.

Always respond in Italian unless I explicitly switch language.

Testo semplice, Markdown o XML?

La documentazione ufficiale di entrambi i fornitori converge, con sfumature diverse, sulla stessa risposta: quando il blocco di testo contiene più tipi di contenuto distinti: un ruolo, delle regole di stile, dei vincoli, del contesto biografico, la struttura esplicita aiuta il modello a non mescolarli, e questo vale sia per Claude sia per Gemini.

Per Anthropic la posizione è la più netta delle due: la guida ufficiale al prompt engineering raccomanda esplicitamente i tag in stile XML (<instructions>, <context>, <formatting> e simili) per separare le sezioni di un prompt complesso, sostenendo che Claude sia stato addestrato a prestare particolare attenzione a questo tipo di delimitatori. Non esistono tag “riservati” o predefiniti, qualunque nome descrittivo funziona, l’importante è usarlo in modo coerente. Va detto con onestà, però, che questa raccomandazione è documentata per l’uso via API e per i system prompt in generale: Anthropic non pubblica una guida specifica sul formato ottimale per il campo Instructions dell’interfaccia consumer di Claude.ai. Il meccanismo di iniezione è però lo stesso: quel testo finisce comunque prepended al prompt di sistema, quindi non c’è ragione tecnica per aspettarsi che il vantaggio della struttura sparisca lì. È un’inferenza ragionevole, sebbene non si tratti di un dato verificato punto per punto.

Un’ulteriore nota di cautela, sempre da fonte Anthropic: la documentazione più recente sul context engineering osserva che la formattazione esatta del prompt sta probabilmente diventando meno determinante man mano che i modelli diventano più capaci, il che non significa “la struttura non serve”, ma “non serve ossessionarsi sulla sintassi perfetta se il contenuto è già chiaro”.

Per Google/Gemini l’indicazione è sovrapponibile ma più esplicitamente permissiva sull’alternativa: la guida ufficiale al prompt design suggerisce sia i tag XML sia le intestazioni Markdown come delimitatori efficaci, con un avvertimento pratico che vale la pena riportare perché è l’unico vero disaccordo utile tra le fonti: non mischiare mai i due stili nello stesso prompt: si sceglie un formato e ci si attiene a quello, per coerenza interna.

Tradotto in pratica:

• Sotto le 300-400 parole (il range che già identifica “sano” un prompt di contesto personale), la prosa semplice o al massimo qualche intestazione Markdown leggera è probabilmente sufficiente: il guadagno da una strutturazione XML pesante, su un testo già breve e a bassa ambiguità interna, è marginale.

• Se il blocco cresce, o se contiene sezioni logicamente distinte che rischiano di essere lette come un unico flusso indistinto (per esempio: chi sei, come vuoi essere chiamato, regole di stile, cosa evitare, lingua), vale la pena separarle esplicitamente. Ecco un esempio:

<identity>
Address me as [Nome]. Never use academic titles.
Full professor of cybernetics, specialized in AI systems.
</identity>

<expertise>
Active research and public writing on: strategic/military
analysis, hacking and bio-hacking, computational creativity.
</expertise>

<style>
Precise, unadorned, no academic ornamentation.
Occasional dry humor welcome; forced humor is not.
Assume graduate-level technical fluency by default.
</style>

<sourcing_rules>
Never fabricate facts, sources, or citations.
If verifiable data is insufficient, say so explicitly
and ask before proceeding.
</sourcing_rules>

<output_calibration>
Long-form/analytical writing: favor depth over brevity.
Code/debugging: favor efficiency over conversational prose.
</output_calibration>

<language>
Always respond in Italian unless I explicitly switch language.
</language>

Non è una versione “migliore” in senso assoluto: si tratta della stessa informazione, resa più difficile da fraintendere quando il modello deve capire dove finisce una regola e dove ne inizia un’altra. Il criterio per decidere se vale la pena è, ancora una volta, empirico: se noti che il modello ogni tanto applica una regola di stile a un contesto dove non c’entra, o confonde un vincolo con una preferenza, è il segnale che la struttura piatta non basta più.

Ogni quanto rivederlo, e perché

Non è un file “scrivi una volta e dimentica”, per tre ragioni concrete e verificabili.

La prima: i modelli sottostanti cambiano. Un’istruzione calibrata su una versione di un modello può essere interpretata diversamente, meglio, peggio, o semplicemente in modo differente, da una versione successiva. Non hai modo di saperlo se non testando periodicamente.

La seconda: i meccanismi stessi di personalizzazione evolvono come prodotto, non solo come modello. Un esempio concreto e recentissimo è proprio quello di Anthropic: gli Styles, un meccanismo di personalizzazione che esisteva fino a poco tempo fa, sono stati assorbiti dalle Skills e chi aveva costruito flussi di lavoro attorno agli Styles ha dovuto, a un certo punto, accorgersi del cambiamento e adattarsi.

La terza, la più banale ma la più trascurata: cambi tu. Il te di sei mesi fa aveva priorità, progetti e forse anche un tono comunicativo diverso da quello attuale. Un prompt di contesto scritto un anno fa e mai più toccato è, con altissima probabilità, un prompt che sta dando istruzioni leggermente sbagliate su chi sei oggi.

Condividi

Lascia un commento

Sitografia di riferimento

• Anthropic — Understanding Claude’s personalization features, Claude Help Center.

• Anthropic — Styles are moving to skills, Claude Help Center.

• Anthropic — How Claude remembers your project, Claude Code Docs.

• Anthropic — Use XML tags to structure your prompts, Claude Docs.

• Anthropic — Effective context engineering for AI agents, Anthropic Engineering.

• Google — Gemini gets personal, with tailored help from your Google apps, The Keyword.

• Google — Gemini Apps Privacy Hub, Gemini Apps Help.

• Google — Prompt design strategies, Gemini API Docs.

• Google — Saved Info, Gemini.

Iscriviti ora

Bibliografia e sitografia di complemento

Fonti primarie

• Report del MIT su Swartz (la cosiddetta “Abelson Report”), MIT, 2013 https://swartz-report.mit.edu/

• Comunicato del Department of Justice, 19 luglio 2011 https://www.justice.gov/archive/usao/ma/news/2011/July/SwartzAaronPR.html (Accuse iniziali, pena massima teorica di 35 anni.)

• Dichiarazione ufficiale di JSTOR sul caso
  https://docs.jstor.org/jstor-statement-misuse-incident-and-criminal-case.html (Restituzione dei file, ritiro delle pretese.)

• Guerilla Open Access Manifesto, A. Swartz, luglio 2008, testo integrale su Internet Archive: https://archive.org/stream/GuerillaOpenAccessManifesto/Goamjuly2008_djvu.txt

• Elsevier Inc. v. Sci-Hub (S.D.N.Y., 1:15-cv-04282), fascicolo su CourtListener: https://www.courtlistener.com/docket/4355308/elsevier-inc-v-sci-hub/ (Default judgment, 15 mln, injunction permanente.)

• Pagina autobiografica di Elbakyan
  https://sci-hub.ee/alexandra/
  (Cronologia personale, data del 5/9/2011, percorso in neuroscienze.)

Stampa e periodici scientifici autorevoli

• J. Bohannon, “Who’s downloading pirated papers? Everyone”, Science, 28 aprile 2016 — profilo d’uso globale di Sci-Hub e la definizione “atto di altruismo mozzafiato o impresa criminale colossale”.

• “US court grants Elsevier millions in damages from Sci-Hub”, Nature / Research Professional, giugno 2017.

• “Lawsuits progress against Sci-Hub”, C&EN (American Chemical Society), 2017; e C&EN, agosto–settembre 2025 (blocco di Delhi, citazione del giudice).

• L. Lessig, “Prosecutor as Bully” (post sul blog dell’autore, gennaio 2013) — citazioni sul comportamento dell’accusa.

• “In quotes: Tributes to Aaron Swartz”, BBC News, gennaio 2013 — fonte delle citazioni di Berners-Lee e Lessig.

• Radiolab, “The Library of Alexandra” (WNYC) — intervista a Elbakyan; sua dichiarazione sul fatto che la vicenda Swartz non influenzò la sua decisione, e frase “Forse ero un po’ ingenua…”.

Dati su Elsevier/RELX

• SPARC, “Landscape analysis: Elsevier” — https://infrastructure.sparcopen.org/landscape-analysis/elsevier. (≈37% di margine operativo; quota di mercato.)

• RELX, bilanci 2023–2024 (margine STM ≈ 38%), via Research Professional News; confronto con Apple/Google via telescoper.blog.

• Voci Wikipedia (terziarie, usate solo per riscontro incrociato): Aaron Swartz, Sci-Hub, Alexandra Elbakyan, Elsevier, RELX, Guerilla Open Access Manifesto, Shadow library, Z-Library, Library Genesis.

Approfondimento consigliato

• B. Knappenberger, The Internet’s Own Boy: The Story of Aaron Swartz (documentario, 2014) — distribuito anche su Internet Archive.

Il podcast è registrato con un lavalier Rhode GO, prodotto con Reaper sotto Linux Endeavour e la breve composizione finale è realizzata con Google Gemini Lyria 3.

Lascia un commento

Condividi

⏱ Tempo di Lettura: 8/10 minuti

TL;DR

Un anno fa ho ricevuto dodici mesi di Gemini Pro in omaggio con acquisto di un Chromebook Plus. Oggi faccio i conti. Google ha costruito strumenti straordinari (NotebookLM e deep-search sopra tutti), ha pasticciato in modo abbastanza clamoroso con la vicenda Gemini CLI/Antigravity, e ha fatto una cosa silenziosa ma bella con AI Quests. Io ho capito che il mio modo di insegnare è cambiato per sempre. E da domani cambierà anche la mia AI principale.

Come tutto è cominciato

Un anno fa, nel giugno 2025, ho acquistato un Acer Chromebook Plus 515. Ho sempre amato ChromeOS e il fatto che sui nuovi modelli sia possibile farci girare Linux e tutte le applicazioni Android, spendendo molto, molto meno di quel che si spenderebbe per uno smartphone è stato irresistibile. In più, per un certo periodo Google ha fatto a tutti gli utenti un regalo piuttosto generoso: un anno di Gemini Pro (oggi rinominato Google AI Pro), incluso come bonus promozionale.

Gemini lo avevo già usato, non appena apparso sul mercato e mi era subito sembrato ottimo, ma avere un abbonamento premium attivo per dodici mesi ha reso molto più completa la mia esperienza. Quando qualcosa costa, si usa con attenzione. Quando è gratuito per un anno, si esplora in libertà.

Oggi mi trovo a fare i conti. Non per nostalgia, ma perché questo tipo di bilancio potrebbe essere utile non solo a me.

Google, l’AI e l’anno che abbiamo vissuto

Un anno è un tempo brevissimo per gli esseri umani e un’eternità per i modelli linguistici. In questo intervallo Google ha fatto cose notevoli, qualcuna sbalorditiva e almeno una abbastanza discutibile.

I modelli: una corsa che non finisce mai

Quando ho attivato il mio anno di abbonamento, la famiglia Gemini era già matura ma ancora in costruzione. Nel corso del 2024 erano arrivati i modelli della serie 1.5 e il Flash, versione veloce e performante, annunciata nel luglio 20241. Con il 2025 l’accelerazione è diventata visibile anche a occhi non tecnici: Gemini 2.0 con la modalità Thinking, poi la serie 2.5, poi la 3.0 con Deep Think, poi le varianti 3.1 e 3.5. Al Google I/O 2025, Google ha dichiarato che i propri prodotti e API erano passati dall’elaborare 9,7 trilioni di token al mese a oltre 480 trilioni, un incremento di cinquanta volte nell’arco di un anno2. Sono numeri difficili da visualizzare, ma il senso è chiaro: il prodotto è migliorato, e l’adozione è esplosa di conseguenza. Di alcune di queste evoluzioni ne avevo parlato qui:

Iscriviti ora

NotebookLM: il vero effetto wow

Se dovessi indicare la cosa più interessante emersa dall’ecosistema Google nell’ultimo anno, risponderei senza esitazione: NotebookLM3. Nato come progetto sperimentale nel 2023 e rimasto nell’ombra per parecchio tempo, ha trovato il suo momento di gloria nel settembre 2024 con l’introduzione delle Audio Overview, ovvero la capacità di trasformare un set di documenti in un episodio di podcast generato da due voci sintetiche che discutono i contenuti. Una modo radicalmente diverso di rapportarsi alla conoscenza scritta e allo studio. Ora, tanto io che i miei studenti possiamo ripassare ciò che stiamo studiando, passeggiando con un paio di auricolari.

Nei mesi successivi NotebookLM non ha smesso di espandersi: rimozione dello status “sperimentale” a ottobre 2024, lancio della versione Plus, app native per Android e iOS a maggio 2025, poi Video Overview, flashcard, quiz, mappe concettuali interattive e integrazione diretta con Gemini. Da agosto 2025 è disponibile per tutti gli utenti di Google Workspace for Education, una scelta che non ha avuto il risalto mediatico che meritava, ma che per chi insegna vale molto. La possibilità di integrarlo in Classroom, per me è stata preziosissima.

Delle basi di funzionamento di Google NotebookLM, ne avevo parlato qui:

AI Quests: la cosa bella che ancora nessuno usa

A settembre 2025 Google ha lanciato AI Quests, un programma educativo sviluppato insieme allo Stanford Accelerator for Learning per ragazzi dagli 11 ai 14 anni. Il formato è quello di un videogioco: missioni immersive, la professoressa Skye come mentore virtuale, sfide che richiedono di raccogliere dati, valutarli e addestrare modelli per affrontare problemi reali nel campo della salute, del clima e della scienza. In Italia è arrivato a maggio 2026, integrato nel curriculum di Experience AI (Google DeepMind + Raspberry Pi Foundation) grazie alla collaborazione con la Fondazione Mondo Digitale.

È gratuito, accessibile a educatori, famiglie e organizzazioni, e ha un’impostazione pedagogica solidissima: non si tratta di imparare a usare un chatbot, ma di capire perché un modello di AI funziona, cosa significa addestrarlo, cosa sono i bias algoritmici. Per chi insegna è il tipo di iniziativa che fa tirare un sospiro di sollievo. Qualcuno, per fortuna, sta pensando all’AI literacy4 delle generazioni che verranno, e lo sta facendo con metodo. Di AI Quests ne ho parlato qui:

Il pasticcio: Gemini CLI e il caso Antigravity

E poi c’è la storia brutta.

A giugno 2025, Google rilascia Gemini CLI sotto licenza Apache 2.0, uno strumento da riga di comando per interagire con i modelli Gemini direttamente dal terminale. La community degli sviluppatori ci si butta sopra: 100.000 stelle su GitHub in meno di due settimane e oltre 6.000 pull request in merging nell’arco di quasi un anno. Una delle curve di adozione open source più rapide che il settore abbia visto di recente.

Il 19 maggio 2026, al Google I/O, arriva l’annuncio: Gemini CLI smetterà di rispondere il 18 giugno per tutti gli utenti free, Pro e Ultra. Il sostituto è Antigravity CLI, un binario closed-source scritto in Go, senza codice pubblico, con le quote ridotte da circa 1.000 richieste al giorno a una ventina. Trenta giorni di preavviso. Nessun avviso preventivo ai contributor della community

La Linux Foundation ha usato questo caso come esempio di quello che ha battezzato “pseudo-open source”: si raccoglie lavoro gratuito dalla community sotto licenza permissiva, lo si usa per costruire un prodotto enterprise, poi si chiude il sipario. Non è illegale. È solo, usando un eufemismo, molto poco elegante. Qualche istruzione per afferrare al volo una ciambella di salvataggio, l’ho scritta qui:

Cosa ho capito in un anno di lavoro con Gemini

I Gemini Gem sono stati il mio primo terreno di gioco. Sono le istanze personalizzate di Gemini, agenti configurabili con un system prompt dedicato, e ho iniziato a usarli per costruire strumenti di supporto alla didattica: assistenti per la strutturazione dei prompt, per la preparazione di sillabi e prove, per le matrici di valutazione. Ho persino creato una copia completa di me come professore di cibernetica, cui gli studenti potessero rivolgersi in qualsiasi momento per un consiglio. Tutte cose, a parte l’ultima, che avrei potuto tranquillamente fare senza AI, ma che Gemini mi ha permesso di fare molto meglio, più velocemente, e soprattutto proponendomi varianti che non mi sarebbero mai venute in mente.

Il miei corsi hanno beneficiato in modo particolare di questa dinamica. Ho usato NotebookLM in modo sistematico per costruire basi di conoscenza su cui far lavorare gli studenti in Classroom: sia come sostituto del manuale, sia come strato di elaborazione attiva sui testi e strumento di autoverifica del livello di preparazione raggiunto dalla classe.

E poi c’è la scrittura narrativa, che per ora frequento come hobby. Qui Gemini è stato utile non per produrre testo al posto mio, ma per esplorare strutture, testare la tenuta di un personaggio, chiedermi se una certa scena reggeva.

L’epifania vera, però, è arrivata quando ho smesso di chiedermi “come si usa questo strumento?” e ho iniziato invece a domandarmi “cosa è cambiato nel modo in cui insegno?” La risposta è semplice: tutto. Non nei contenuti, non nei valori, non nel rapporto con gli studenti, ma nei processi, nei tempi, nella granularità possibile della personalizzazione.

Il mondo è cambiato per sempre. E nel mio piccolo, è cambiato per sempre anche il modo in cui studio, scrivo e insegno. Per il momento, ciò che è arrivato mi piace più di ciò che c’era.

Condividi

Dove Google è ancora imbattibile

Due cose, tra quelle che Google ha costruito in questo periodo, mi sembrano genuinamente difficili da eguagliare.

La prima è la deep-search di Gemini: la capacità di condurre ricerche approfondite, multi-step, con sintesi strutturate e citazioni verificabili. È uno strumento che cambia il significato stesso di “fare una ricerca”, non solo recupera informazioni, ma le elabora, le connette, le mette in prospettiva. Per un docente o un ricercatore, questo vale molto.

La seconda è NotebookLM, di cui ho già detto abbastanza. Per la gestione di conoscenza distribuita su fonti eterogenee, testi, PDF, video, siti web, non conosco nulla di paragonabile. La funzione Audio Overview da sola vale l’abbonamento. L’integrazione con Classroom ha cambiato la mia didattica in modo misurabile.

Su tutto il resto, coerenza contestuale nelle conversazioni lunghe, qualità dell’output creativo e editoriale, profondità nella collaborazione su testi complessi Gemini è stato in testa alla corsa per quasi tutto l’anno, ma ora ha un po’ il fiato grosso.

Perché passerò a Claude

La prima risposta è elementare: perché Gemini lo conosco. Non nel senso che non abbia più niente da imparare; con la velocità con cui questi sistemi evolvono, tra dodici mesi sarà un prodotto diverso, ma nel senso che ne ho assorbito la logica, i pattern, i limiti. Adesso voglio approfondire il suo principale contender. Non smettere di usarlo: usarlo meno, e dedicare l’anno che viene a costruire un’expertise comparabile sull’altro polo di questo strano mondo.

La seconda ragione è la formazione. L’Anthropic Academy offre percorsi didattici chiari e ben costruiti, ho già conseguito i certificati di Claude 101 e Claude Code 101, e ho intenzione di completare il catalogo. Non è un dettaglio marginale: in un campo in cui la documentazione è spesso frammentata e i corsi di terze parti tendono all’improvvisazione, avere materiale didattico curato direttamente dal produttore fa la differenza. Soprattutto se, come nel mio caso, poi vuoi insegnarlo ad altri.

La terza ragione riguarda l’architettura. Il Model Context Protocol (MCP)5 è un protocollo ideato da Anthropic, ormai diventato standard de facto per l’integrazione di strumenti esterni nei workflow AI. È vero che funziona anche con Gemini, ma c’è una differenza tra chi progetta un sistema e chi lo adotta. Per dirla senza troppa diplomazia: su questo fronte, Anthropic crea e Google insegue.

La quarta ragione è, paradossalmente, la minor generosità. Claude brucia i crediti più velocemente. In superficie sembra uno svantaggio. In profondità funziona come una leva: quando le risorse costano, scrivi prompt migliori. Ti abitui a essere preciso, a dare contesto, a non fare domande a metà. È lo stesso principio per cui si impara di più prendendo appunti su un taccuino con le pagine contate. La scarsità, usata bene, è un ottimo insegnante.

Cambierò di nuovo dopo i prossimi dodici mesi? Non lo so. Ho capito che cambiare AI ogni mese porta solo confusione; capitalizzare un anno di pratica intensiva, invece, fa guadagnare un po’ di competenza.

Questo mi sembra l’unico modo sensato di muoversi in un ambito che evolve più in fretta di quanto si riesca a descriverlo.

Lascia un commento

⏱ Lettura: ~4 minuti

TL;DR

L’era dell’Intelligenza Artificiale di Kissinger, Schmidt e Huttenlocher può sembrare un volume tecnicamente datato ma è anche il libro che pone tutte le domande sull’IA che avremmo dovuto farci ieri e a cui dovremo rispondere domani. Se lo leggete, è meglio…

Ci sono i libri che invecchiano male e quelli che invecchiano bene. Questo appartiene a una categoria più rara: libri che, col passare del tempo, diventano più veri, persino se certi dettagli tecnici risultano già superati dagli eventi.

L’era dell’Intelligenza Artificiale. Il futuro dell’identità umana, pubblicato in italiano da Mondadori nel 2023, tre anni dopo l’edizione originale americana uscita nel 2021 per Little, Brown and Company, appartiene a questa terza categoria.

Gli autori sono Henry A. Kissinger, Eric Schmidt e Daniel Huttenlocher: un segretario di stato, un ex CEO di Google e il decano del MIT Schwarzman College of Computing. Tre profili che sulla carta non dovrebbero avere nulla in comune, eppure producono un testo coeso e molto, molto interessante.

Ora, non voglio bluffare: arrivare in fondo è stato faticoso. E non per questioni di carattere tecnico. Non è il tipo di libro dove ti spiegano i concetti base del Machine Learning o come addestrarti un LORA personale. Ho faticato perché a volte ho avuto l’impressione (stolto!) di stare leggendo qualcosa di irrimediabilmente superato.

Certi scenari che gli autori immaginavano si potessero verificare da qui ai prossimi sette o dieci anni si sono già pienamente verificati. Ma questo non ha fatto invecchiare d’un giorno le domande che gli autori sono capaci di porre nell’ambito dell’IA.

Cosa succede alla nostra identità epistemica quando deleghiamo la produzione della conoscenza a sistemi che non possono spiegarci il proprio ragionamento? Come funziona la deterrenza militare quando i sistemi autonomi prendono decisioni in microsecondi, fuori da qualsiasi catena di comando tradizionale? Cosa rimane della sovranità degli stati, della governance internazionale, del diritto, quando la velocità dell'AI supera strutturalmente la velocità delle istituzioni umane? Qual è il rapporto tra identità umana e macchine che imparano, adattano e in qualche misura evolvono?

Iscriviti ora

Il contributo di Kissinger è cruciale: ha vissuto da protagonista ogni grande trasformazione geopolitica del Novecento e sa riconoscere quando uno scenario richiede nuove categorie concettuali per poter essere analizzato approfonditamente. Lo avrà anche scritto quando aveva 98 o 99 anni ma è molto più sensato, intelligente e inquietante di buona parte delle pagine che vedo prodotte da persone con un terzo della sua età.

Sì d’accordo, alcune sezioni dedicate allo stato dell’arte tecnologico al momento della scrittura suonano oggi quasi vintage. I modelli linguistici di allora erano preistoria rispetto a quelli attuali. Le preoccupazioni sulla capacità di generalizzazione dell’AI sembrano ingenue rispetto ai benchmark dei nostri sistemi attuali. Ma questo rafforza il testo, anziché indebolirlo. Perché dimostra che le domande poste dagli autori sono giuste a prescindere da qualsiasi livello di sviluppo tecnologico.

La velocità con cui l’AI evolve non può e non deve essere considerata una risposta a quelle domande.

Ho scoperto che ne esiste un seguito: si intitola Genesi. Come navigare nell’era dell’intelligenza artificiale ed è stato pubblicato in italiano sempre da Mondadori. Gli autori sono ancora Kissinger e Schmidt, con la nota tragica che Kissinger è scomparso nel novembre 2023 prima di vedere il volume pubblicato, affiancati questa volta da Craig Mundie, già responsabile della ricerca e della strategia di Microsoft.

Huttenlocher cede il posto a un profilo più orientato alla governance tecnologica e alla sicurezza, e il libro eredita le domande del predecessore per provare a costruire qualcosa che assomigli a una bussola capace di guidare i lettori.

Non so se sarà buono come il primo (l’ho iniziato come audiolibro), ma se lo fosse, ne riparleremo.

Nel frattempo, se volete davvero capire cosa rappresenterà l’avvento dell’Intelligenza Artificiale nella nostra epoca, leggete o ascoltate L’era dell’Intelligenza Artificiale. Il futuro dell’identità umana.

Condividi

⏱ Lettura: ~6 minuti

TL;DR

Il 9 giugno Anthropic lancia Fable 5 e Mythos 5, i due modelli più potenti che abbia mai prodotto. Tre giorni dopo, il 12 giugno alle 17:21 ora di New York, il Dipartimento del Commercio le ordina di spegnerli: vietato l’accesso a qualunque cittadino straniero, dipendenti stranieri di Anthropic compresi. Non potendo filtrare i passaporti in tempo reale, l’azienda stacca i due modelli per tutti; il resto del catalogo, Opus 4.8 incluso, resta online. Motivazione ufficiale: sicurezza nazionale. Motivazione reale, per quel che si capisce: un jailbreak. Anthropic obbedisce ma dissente apertamente, sostenendo che la falla è minore e che lo stesso trucco funziona anche sui modelli della concorrenza, GPT-5.5 compreso. È la seconda volta in pochi mesi che la società di Dario Amodei finisce ai ferri corti con l’amministrazione Trump e, come in ogni buon sequel, la posta si è alzata: se nel primo film si litigava sul Primo Emendamento, qui si discute di chi possa tenersi in tasca Superman.

Note agli affezionati lettori

Oggi doveva uscire una puntata del podcast, ma la questione di cui tratta l’articolo è troppo importante per ignorarla. Per fortuna, perché sono mezzo influenzato e ho la voce di orco. Il podcast non sarebbe uscito comunque.

La notizia mi è stata segnalata questa mattina da Maria Benedetta Bisetti.

L’articolo è molto snello: niente sitografia di riferimento e note a piè di pagina. Tra oggi e domani, i media di tutto il mondo saranno pieni di ogni informazione sulla battaglia e ognuno si sceglierà da solo quelle che preferisce.

Iscriviti ora

I fatti (in breve)

La cronologia è compressa al punto da sembrare un errore di battitura. Martedì 9 giugno Anthropic presenta i due modelli con il consueto corredo di benchmark stracciati (il post di lancio è qui): Fable 5 per il pubblico, con filtri di sicurezza tarati in modo volutamente prudente; Mythos 5, lo stesso modello ma senza alcuni di quei filtri, riservato a un gruppo ristretto di partner attraverso il programma Project Glasswing. Venerdì 12, a mercati ormai chiusi, arriva la direttiva. Anthropic la rende pubblica la sera stessa (comunicato qui): è un ordine di export control che invoca «autorità di sicurezza nazionale» e impone di sospendere l’accesso «a qualunque cittadino straniero, dentro o fuori dagli Stati Uniti». La lettera non spiega quale sia, nel dettaglio, la preoccupazione.

Secondo la ricostruzione di NBC News, la lettera porta la firma del Segretario al Commercio Howard Lutnick ed è stata redatta con il Bureau of Industry and Security; il Dipartimento non ha commentato. A quanto risulta, è la prima volta che un grande laboratorio ritira un modello già dispiegato su intervento del governo federale.

Serve un antefatto per capire perché parliamo di «secondo round». A febbraio 2026 l’amministrazione aveva bandito i prodotti Anthropic dalle agenzie federali, dopo che l’azienda aveva preteso paletti più stringenti sull’uso militare della propria tecnologia; Trump diede pubblicamente dei «fanatici di sinistra» ai vertici di Anthropic, accusandoli di voler forzare la mano al Pentagono. Anthropic fece causa invocando la libertà di parola, un giudice federale californiano le diede ragione, e il caso è tuttora pendente a Washington. Poi una tregua: la scorsa settimana, sempre per NBC, che cita il Financial Times, la NSA risultava usare Mythos per condurre operazioni cyber offensive. La pace è durata sette giorni. Sul perché Anthropic ritenga che il governo dovrebbe poter bloccare un modello, ma solo a certe condizioni, vale la pena leggere la loro posizione di principio, «Policy on the AI Exponential».

Le ragioni del governo USA

Proviamo a sedere, per un momento, dalla parte di chi ha firmato la lettera — perché una logica c’è, ed è più solida di quanto il comunicato di Anthropic lasci intendere.

Il primo punto è giuridico, e spiega l’aspetto più sconcertante della vicenda: perché un divieto «per cittadini stranieri» costringa a spegnere il modello per tutti. La normativa statunitense sull’export (la Export Administration Regulation, amministrata proprio dal Bureau of Industry and Security) conosce la dottrina del deemed export: dare accesso a una tecnologia controllata a un cittadino straniero, anche se si trova fisicamente negli Stati Uniti, equivale a esportarla nel suo Paese d’origine. Se non puoi distinguere in tempo reale chi ha quale nazionalità, l’unico modo per essere certi di non «esportare» è chiudere il rubinetto a chiunque. Da qui lo spegnimento totale. È un’inferenza solida, non una certezza: la direttiva cita autorità generiche, e Washington non ha reso pubblica la base legale precisa.

Il secondo punto è di merito. Mythos, per ammissione della stessa Anthropic, ha «le più forti capacità cyber offensive di qualsiasi modello al mondo»: trova ed esercita vulnerabilità software con un’efficacia senza precedenti. Un jailbreak che perfori i filtri di Fable potrebbe, in teoria, consegnare quella capacità a un avversario statale. Su un artefatto di questo calibro, anche una falla stretta può apparire intollerabile a chi ragiona in termini di scenario peggiore.

Il terzo punto è il più interessante, perché riguarda quando si agisce. Anthropic stessa scrive che un jailbreak universale «prima o poi si troverà»: nessun fornitore è immune. Il governo può legittimamente decidere di agire sulla traiettoria, la curva di capacità che sale, anziché sulla fotografia di oggi. Quando il danno potenziale è asimmetrico e catastrofico, un segnale debole basta a giustificare la cautela. E il contesto rema in questa direzione: il 2 giugno, secondo quanto riferito da NBC, Trump ha firmato un ordine esecutivo che impegna le agenzie a rafforzare le difese cyber e a costruire un meccanismo di accesso anticipato ai modelli di frontiera. La direttiva su Fable potrebbe essere semplicemente la nuova postura di vigilanza che entra in funzione. Aggiungiamo che lo Stato usa già Mythos: chi possiede Superman ha tutto l’interesse a che non lo possieda nessun altro.

Detto questo, va registrato un fatto che pesa nella direzione opposta: il governo ha fornito, finora, solo prove verbali, nessuna documentazione formale e nessuna giustificazione tecnica pubblica. La debolezza della posizione dichiarata è essa stessa un dato.

Le ragioni di Anthropic

La posizione dell’azienda, ricavata dal comunicato e dal post di lancio, si regge su quattro travi.

Sul merito tecnico. Il jailbreak contestato sarebbe narrow, non universale: in sostanza, chiedere al modello di leggere un codice e correggerne i difetti. Avrebbe fatto emergere vulnerabilità minori e già note, riproducibili anche da altri modelli pubblici, Anthropic cita esplicitamente GPT-5.5, che però non è soggetto agli stessi controlli, e usate ogni giorno dai difensori che tengono in piedi i sistemi. Nessun uplift specifico di Mythos sarebbe stato dimostrato.

Sulla strategia di sicurezza. Anthropic rivendica un approccio di defense in depth: poiché la resistenza perfetta ai jailbreak è impossibile per chiunque, l’obiettivo è renderli o stretti o costosissimi, affiancandoli a un monitoraggio capillare, è anche la ragione della contestata ritenzione dei dati per 30 giorni, per intercettare e neutralizzare gli attacchi prima che si diffondano. Nelle settimane precedenti al lancio, migliaia di ore di red-teaming con il governo USA, l’AISI britannico e organizzazioni terze non avrebbero prodotto alcun jailbreak universale.

Sulla proporzionalità. Ritirare un modello usato da centinaia di milioni di persone per una falla stretta è, per Anthropic, una reazione sproporzionata; e se diventasse uno standard di settore, congelerebbe ogni nuovo rilascio di frontiera per tutti i fornitori.

Sul metodo. Qui sta il vero affondo politico: il governo deve poter bloccare un dispiegamento pericoloso, ma attraverso un processo «trasparente, equo, chiaro e ancorato ai fatti tecnici». Questa azione, sostiene Anthropic, non rispetta nessuno di quei requisiti. L’azienda parla di «malinteso», si scusa con i clienti e dichiara di lavorare al ripristino.

C’è però una tensione che Anthropic non scioglie, e che conviene tenere a mente: non si può vendere Mythos come «il modello cyber più potente del mondo» e, tre giorni dopo, derubricare a inezia ciò che ne fuoriesce da una falla. La contraddizione è solo apparente, e si regge su una distinzione precisa tra la capacità piena del modello, custodita dietro i filtri, e ciò che quel singolo jailbreak ha effettivamente estratto. Ma è una distinzione sottile, e il caso del governo si nutre proprio del marketing di Anthropic.

Considerazioni finali e previsioni

La tesi di Anthropic è che ciò che è trapelato sia Batman: una capacità replicabile, da chiunque abbia gli strumenti giusti, GPT-5.5 incluso. Nessun superpotere, nessun uplift unico. La tesi implicita del governo è che Mythos sia Superman: un asset strategico irripetibile. E qui c’è l’indizio che, a mio avviso, rivela di cosa si stia davvero discutendo. La restrizione è per nazionalità, non per patch. Se il problema fosse un banale difetto software, lo si correggerebbe; non si corregge un bug controllando i passaporti. Vietare per cittadinanza significa trattare il modello come una munizione controllata. Lo scontro, in altre parole, non riguarda quella specifica falla: riguarda chi può possedere Superman.

Per chi mastica cyber-cultura, la scena ha un sapore familiare. Sono le Crypto Wars degli anni Novanta: la crittografia forte classificata come arma da guerra, esportazione proibita, Phil Zimmermann indagato per aver diffuso PGP nel mondo, magliette con poche righe di codice stampate sopra che giuridicamente contavano come munizioni. Quella stagione finì quando i tribunali, con il caso Bernstein, stabilirono che il codice sorgente è parola protetta dal Primo Emendamento, e i controlli vennero allentati intorno al 1999-2000. Stesso apparato d’export, stessa domanda di fondo. E si chiude il cerchio con il primo round di questa saga: la causa di febbraio era, letteralmente, una battaglia sul Primo Emendamento. Il fantasma di Zimmermann aleggia sull’intera vicenda.

C’è però un elemento genuinamente nuovo, ed è il nodo che rende queste categorie giuridiche scricchiolanti. Un modello di frontiera è il primo artefatto che è, contemporaneamente, informazione pura, codice, pesi, dunque «parola», e un agente autonomo che agisce: trova ed esercita vulnerabilità da solo. Il diritto dell’export è costruito su una dicotomia netta: una cosa è un manuale, un’altra è un missile. Fable e Mythos sono le due cose insieme, ed è esattamente per questo che gli ingranaggi si inceppano.

Sul fronte delle previsioni — e qui ragiono per ipotesi informate, non per certezze:

• Brevissimo termine (giorni). Alta probabilità che i due modelli tornino, con filtri ritoccati e/o una deroga formale all’export control. Anthropic otterrà la documentazione scritta che oggi le manca e potrà contestarla; il Commerce sarà spinto ad articolare una base tecnica pubblica. L’azienda ha promesso ulteriori dettagli entro 24 ore: è lì che si capirà la solidità reale del caso governativo.

• Medio termine (mesi). La vicenda accelera la biforcazione dell’IA di frontiera in due piani: uno «civile», fortemente filtrato ed esportabile (Batman per tutti), e uno «da munizioni», riservato per nazionalità o clearance e adiacente all’apparato di sicurezza (Superman per pochi). Probabile la nascita di regole d’export pensate apposta per le capacità cyber dei modelli, fino a un vero e proprio regime di deemed export applicato all’accesso ai modelli stessi.

• Sul precedente. Per la prima volta un governo spegne un modello commerciale già sul mercato. OpenAI e Google ora sanno che il proprio modello di punta può essere staccato per direttiva, e non solo per loro scelta. Aspettiamoci lobbying silenzioso e una corsa a definire quel «processo statutario» che Anthropic invoca perché conviene a tutti, regolatore compreso.

Il dato strutturale che resta, sotto il rumore della cronaca, è la posizione schizofrenica dello Stato: è insieme il più grande cliente di Anthropic (la NSA) e il suo antagonista regolatorio. Da questa ambivalenza nasceranno altri round, alternando cooperazione e conflitto a volte nella stessa settimana.

Possiamo tutti essere Batman: gli strumenti, l’addestramento, il budget si stanno diffondendo in fretta, e quel processo è irreversibile. Ma il governo degli Stati Uniti ha deciso che di Superman ce n’è uno solo, e preferirebbe tenerlo dal lato “giusto” del confine. Lo scontro su Fable 5 è la prima scaramuccia di una domanda destinata a non spegnersi: quando un pezzo di software è insieme parola e arma, a chi spetta impugnarlo?

Lascia un commento

Condividi

⏱️ Tempo di lettura: ~11 minuti

TL;DR. Microsoft ha scoperto, e Anthropic ha già corretto, un modo per convincere Claude Code, mentre lavora dentro GitHub, a leggere ed esfiltrare credenziali riservate: istruzioni nascoste in un commento HTML, travestite da innocuo controllo di conformità. Seguono ragionamenti personali su come il linguaggio naturale stia diventando un’interfaccia di esecuzione e si finisce dalle parti di Austin e nelle paludi della PNL. Il punto finale, come sempre, lo mette Lacan: il linguaggio ha sempre avuto una “componente” esecutiva: oggi l’abbiamo “cablata” dentro le macchine, vulnerabilità incluse. Morale: mai fidarsi del testo. Neppure di questo.

Oops 01

[cosa è successo, versione breve]

A inizio giugno 2026 il team di Microsoft Threat Intelligence ha pubblicato una ricerca su una vulnerabilità di Claude Code, l’agente di coding di Anthropic, quando viene integrato nelle pipeline di automazione di GitHub.

Un attaccante scriveva un commento su GitHub e l’agente AI, leggendolo, andava a recuperare le credenziali segrete dell’ambiente di build e provava a farle uscire. Nessuno ha forzato un server, indovinato una password, sfruttato un overflow di memoria. Hanno scritto del testo in linguaggio umano.

Il bug è già stato corretto da Anthropic, ma la vicenda merita più di una nota di cronaca.

Iscriviti ora

Oops 02

[cosa è successo, versione tecnica (salta, se detesti il gergo da informatici)]

Claude Code può girare dentro una pipeline CI/CD1: legge una issue o una pull request, propone correzioni, a volte apre commit. Per farlo, deve leggere contenuti scritti da estranei e ha a disposizione strumenti molto potenti e accesso ai segreti del runner2: chiavi API, token cloud, credenziali di produzione.

L’attacco ricostruito da Microsoft sfrutta tre pieghe del sistema, tutte molto istruttive, se ti piace il genere.

Primo: le istruzioni malevole erano nascoste in un commento HTML3, quindi invisibili a chi guarda la pagina nel browser, ma perfettamente leggibili dal modello, che processa il markdown grezzo.

Secondo: erano camuffate da innocua “compliance review”, una richiesta di controllo formale, così da non somigliare a un comando.

Terzo, ed è il dettaglio più raffinato: lo strumento di lettura del file system non era isolato e poteva quindi arrivare a leggere le variabili d’ambiente del processo, dove si trovava la ANTHROPIC_API_KEY. Poiché sia il filtro di sicurezza del modello sia lo scanner di GitHub avrebbero riconosciuto e bloccato una chiave nel formato standard, l’istruzione diceva al modello di tagliare i primi caratteri della stringa prima di stamparla4: un piccolo trucco di “lavaggio” che neutralizza la firma riconoscibile. A quel punto la chiave decapitata poteva uscire e l’attaccante non doveva far altro che riattaccarci il prefisso.

Cronologia ordinata: segnalazione tramite HackerOne il 29 aprile 2026, patch nella versione 2.1.128 di Claude Code il 5 maggio, pubblicazione della ricerca il 5 giugno. Tempi di risposta più che adeguati.

Come nel caso della lancia di Achille, ciò che ferisce è ciò che cura: Microsoft ha trovato la falla facendosi aiutare da un modello AI guidato dai ricercatori. Lo stesso “linguaggio che pilota la macchina” stava da entrambe le parti del tavolo da gioco.

Nuove forme per vecchi problemi

Mi è capitato di leggere che l’informatica avrebbe “separato rigidamente dati e istruzioni” e che oggi gli LLM stanno demolendo questo confine. È una balla fenomenale. Quel confine non è mai stato pulito: fin dall’architettura di von Neumann5, programmi e dati abitano la stessa memoria, ed è esattamente questa promiscuità a rendere possibile, da settant’anni, l’intera famiglia degli attacchi per iniezione. Ad esempio, la SQL injection (vecchia scuola : ) infila comandi dove il programma si aspetta un nome utente. Gran parte della disciplina della sicurezza informatica non è altro che la lunga, ostinata guerra per ricostruire un confine che il calcolatore, per come è fatto, tende a far evaporare.

In un LLM il “canale” è la finestra di contesto, e lì dentro il prompt di sistema, le istruzioni dello sviluppatore e il commento scritto dallo sconosciuto sono tutti, indistintamente, token a cui il modello presta attenzione. Non esiste un muro architetturale tra loro. Esistono mitigazioni, gerarchie di istruzioni, il filtro di sicurezza che l’attacco di Microsoft ha dovuto aggirare “lavando” la chiave, le sandbox, e princìpi di progettazione come la Rule of Two6 o la lethal trifecta7, ma sono tutte difese probabilistiche, non barriere assolute.

La vera novità, allora, non è che il linguaggio comandi: è quale linguaggio. Il codice di un “vecchio” attacco aveva, scusa il bisticcio, l’aspetto di un codice e questo lo rendeva, almeno in linea di principio, sospettabile. Adesso un attacco può avere l’aspetto di una frase scritta in bell’italiano.

Vi dichiaro marito e moglie

Prima riflessione da un punto di vista più interessato al linguaggio che non a GitHub.

L’idea che dire sia fare non l’abbiamo scoperta con gli agenti AI: l’aveva messa a fuoco J. L. Austin8 settant’anni fa. Quando un officiante dice “vi dichiaro marito e moglie”, quando un giudice dice “la condanno”, quando un capo dice “sei licenziato”, le parole non descrivono uno stato di cose: lo producono. Sono enunciati performativi: l’enunciazione è già l’azione. Una porzione enorme della nostra realtà sociale come promesse, contratti, voti, sentenze, dichiarazioni di guerra, è fatta letteralmente di linguaggio che esegue.

Cosa cambia con un LLM, allora? Cambia che salta il guardiano. Il performativo di Austin funziona solo se c’è l’officiante giusto, nel contesto giusto, con l’autorità riconosciuta. “Vi dichiaro marito e moglie” detto da me a due passanti non sposa nessuno.

La forza performativa, nel mondo umano, è incanalata da istituzioni, ruoli, rituali.

In un agente che esegue, quell’incanalamento non c’è: qualsiasi frase, scritta da chiunque, in un commento qualunque, può acquisire forza esecutiva. Abbiamo costruito una macchina performativa senza prete e senza tribunale. Ogni stringa può essere un ordine, e l’unica cosa che decide se lo è davvero è la statistica di un forward pass.

Nelle paludi della PNL

(che aveva quasi ragione, ma sul soggetto sbagliato)

La programmazione neurolinguistica9 nasce negli anni Settanta dall’idea che esista una ideale concatenazione tra neuro (i processi del sistema nervoso), linguistico (il linguaggio) e programming (le strategie comportamentali apprese).

I padri della disciplina, Bandler e Grinder, attingono direttamente alla cibernetica: Gregory Bateson10, figura centrale di quel pensiero, firma la prefazione del loro primo libro e li introduce a Milton Erickson; sull’onda dell’entusiasmo, arrivano a dichiarare che l’unità di analisi della comunicazione è il ciclo di feedback retroattivo. Il termine stesso “neuro-linguistica” risale a Korzybski11 e al suo famoso detto “la mappa non è il territorio”. Tradotto: il linguaggio sarebbe il linguaggio di programmazione della bio-macchina umana. Cambi le parole, riscrivi il comportamento.

Bel sogno. Che funziona solo un po’ e non come promette. Le revisioni della letteratura sono impietose: Witkowski, esaminando 63 studi indicizzati, trova che la stragrande maggioranza è metodologicamente fragile e che il sostegno empirico ai meccanismi-chiave della PNL semplicemente non c’è; la revisione sistematica di Sturt e colleghi, pubblicata sul British Journal of General Practice, conclude che non esistono prove robuste di effetti della PNL sugli esiti di salute. La PNL, come tecnica per “programmare le persone con le parole”, è in larga parte una promessa non mantenuta.

Ma è qui che il caso Claude Code si fa interessante. Il sogno della PNL era falso sul soggetto sbagliato. Non siamo riusciti a programmare gli esseri umani con il linguaggio (per lo meno, non quanto avremmo voluto) ma abbiamo costruito macchine che sono programmate dal linguaggio. E così facendo abbiamo ereditato, dentro quelle macchine, esattamente la vulnerabilità che il sogno aveva sempre implicato senza dirlo: se il linguaggio è codice, allora il linguaggio è anche codice hackerabile.

Cambia le parole e cambierai il mondo. Detto di un cervello, è una metafora che le evidenze scientifiche non confermano del tutto. Detto di un LLM, è una descrizione tecnica sorprendentemente accurata. Il punto non è che quella corrente abbia ragione sulla mente, ma la sua formula è il miglior ritratto involontario di ciò che è davvero una macchina linguistica.

C’è però un ponte tra l’umano e il digitale che regge anche sul piano empirico ed è il più elegante e il più divertente. Lo firma George Lakoff12.

Non pensare a un elefante!

Non puoi.

Per capire la negazione devi prima attivare il frame “elefante”. La comprensione non è mai inerte: capire una parola significa già, neurologicamente, mettere in moto qualcosa che non puoi scegliere di non mettere in moto.

Ora guarda il modello: non esiste, in un singolo passaggio, una modalità “leggo ma non elaboro”. L’agente non può “vedere” l’istruzione iniettata e poi decidere a freddo di ignorarla, perché comprensione ed elaborazione avvengono nello stesso atto.

Questa è la rima profonda tra noi e loro: comprendere è già, in parte, eseguire. Il “linguaggio come interfaccia di esecuzione”, vale in maniera ineludibile (per ora) per il silicio e vale, con forza diversa e assai più disordinata, anche per la nostra carne.

Chi ha scritto il mio/tuo prompt?

L’idea che il linguaggio ci esegua è, in forma molto radicale, una tesi psicoanalitica. Per Jacques Lacan13 non siamo noi a parlare il linguaggio, è il linguaggio a parlare noi. L’inconscio, recita la sua formula più celebre, è strutturato come un linguaggio; e l’ordine Simbolico14, cioè la rete di significanti, leggi e parole in cui veniamo gettati alla nascita, ci precede, ci costituisce come soggetti e continua a determinarci a nostra insaputa.

Prima di essere uno strumento che usiamo, il linguaggio è una struttura che ci usa.

Il seminario in cui Lacan elabora l’autonomia del Simbolico, nell’anno 1954-1955, ha come tema portante proprio la cibernetica. Lacan discute le macchine dell’informazione e gli automi a stati finiti, tiene una conferenza intitolata «Psicoanalisi e cibernetica, ovvero sulla natura del linguaggio» e arriva a leggere La lettera rubata di Poe come un meccanismo che fa circolare il significante a prescindere dalle intenzioni dei personaggi. La sua intuizione: l’ordine simbolico funziona da solo, nel reale, indipendentemente da ogni soggettività, come un automa che esegue la propria sequenza.

La stessa cibernetica delle conferenze Macy che, vent’anni dopo, Bateson avrebbe trasmesso alla nascente PNL, Lacan la stava già metabolizzando dentro la psicoanalisi, e ne traeva una conclusione speculare: il soggetto è, in parte, l’effetto di una macchina linguistica che gira senza chiedergli il permesso.

Se ha ragione, allora il prompt injection più riuscito di sempre è quello che ci ha costituiti come soggetti parlanti. La macchina del 2026 non inventa nulla: esteriorizza in silicio, e finalmente in forma ispezionabile, una condizione che la psicoanalisi già ci attribuiva.

C’è però una differenza che salva l’analogia dal diventare mistica: Lacan insiste che il linguaggio non è un codice: a differenza di un codice, nel linguaggio non esiste corrispondenza univoca e stabile tra segno e referente. È irriducibilmente ambiguo, scivoloso, plurivoco.

Un LLM tratta come potenziale istruzione un materiale che, per sua natura, non smette mai di significare troppe cose. Non è un difetto di programmazione: è ciò che accade quando si chiede al linguaggio degli umani di comportarsi come il codice delle macchine.

Non fidarti e chiedi educatamente

La lezione operativa è facilissima: per anni il mantra è stato “mai fidarsi dell’utente”, ora dobbiamo aggiornarlo in mai fidarsi del testo. Anche quando sembra una richiesta di revisione del codice. Soprattutto quando è scritto in un italiano, o in un inglese, perfetto. In termini di architettura significa non concedere mai a uno stesso agente, contemporaneamente, le tre cose della lethal trifecta: accesso a dati sensibili, esposizione a input non fidati e un canale per far uscire informazioni. Togli un vertice del triangolo e il triangolo non esiste più.

Ma la lezione più interessante è che abbiamo iniziato a condividere le nostre infrastrutture con entità che si pilotano a parole e che non siamo poi così diversi da loro: anche noi giriamo su un linguaggio di cui non siamo autori. Il caso Claude Code, in fondo, è soprattutto uno specchio.

E sì, per i nostalgici della cultura hacker old school, la più antica delle vulnerabilità resta sempre la stessa. Kevin Mitnick15 non bucava i sistemi, telefonava alle persone. Il layer più fragile è sempre stato quello che capisce il linguaggio naturale. La novità è che adesso ne abbiamo costruito uno nuovo, lo abbiamo messo in mezzo alle nostre pipeline di produzione, ed è molto educato.

Aspetta di fare tutto quello che saprai chiedergli nel modo giusto.

Condividi

e se vuoi

Lascia un commento

Sitografia di riferimento

Con la sitografia, l’articolo eccede il limite di caratteri di Substack per un singolo post, quindi l’ho pubblicata a parte, qui.

Il primo giugno 2026 ho avuto il privilegio e il piacere di condividere una serata con gli amici della comunità di MondoX a S’Aspru, dove padre Salvatore Morittu e padre Stefano Gennari, insieme ai loro ospiti, costruiscono quotidianamente una nuova speranza per chi combatte contro ogni tipo di dipendenza.

Il sito di MondoX Sardegna è qui. La pagina Facebook qui e quella Instagram qui.

Buonasera a tutti. Prima di cominciare, permettetemi di ringraziare padre Morittu, padre Stefano e i fratelli Salis per questa serata.

Ho avuto un anno abbastanza complesso e temevo che non sarebbe stato possibile tornare a parlare con voi. Mi sarebbe dispiaciuto molto perché questo posto ormai custodisce un pezzo del mio cuore, ma grazie a loro e al dipanarsi di qualche nube di troppo, eccoci qui.

Come sapete, io sono un professore di cibernetica. Questo significa che quando parlo in pubblico, di solito parlo a persone che già conoscono almeno un po’ quello di cui sto parlando, perché parlo per lo più ai miei sventurati studenti.

Questa sera è più difficile: affronteremo temi complessi e dobbiamo farlo in modo che tutti ne escano arricchiti. Ormai mi conoscete bene e sapete quanto sia verboso. Se a un certo punto dovessi partire per la tangente o perdermi dietro tecnicismi, fatemi dei gesti Questa è una serata insieme e non una lezione. Alla fine ci aspetta una buona cena e non un esame col voto finale.

Allo stesso modo, se mentre procediamo ci fossero concetti che non vi sembrano troppo chiari, non aspettate la fine per chiedere delucidazioni. Alzate la mano e chiedete subito quel che non vi è chiaro. Cercherò di rispiegarlo meglio e poi ripartiremo.

Questa sera ci occuperemo di cosa c’entrano i computer con la vita, la sofferenza e la rinascita. Sembra che non c’entrino niente o quasi e invece queste cose si intrecciano in modo sorprendente grazie all’intelligenza artificiale, ad una vecchia scienza ormai dimenticata che si chiama Cibernetica e di cui sono un fiero rappresentante e soprattutto grazie all’insostituibile valore dell’errore umano.

Cominciamo.

Il viso che vedete alle mie spalle è quello di Samuel Beckett. Non c’è dubbio che sia stato il più grande drammaturgo contemporaneo e uno dei più grandi scrittori di sempre. Il suo lavoro riguarda molto da vicino tanto la condizione umana che la “macchina” e questo potrebbe essere il tema di altre decine di conferenze, ma non temete.

Questa sera ci concentreremo su una sola sua frase che è tratta da una sua breve prosa del 1983. Il titolo è Worstward Ho ed è un gioco di parole, intraducibile in italiano. I timonieri dei battelli sul Tamigi sono soliti gridare Westward Ho che significa più o meno: “a dritta! tieni la destra!” Ma invece di west Beckett usa worst che significa “peggio”. Potremmo tentare una cattiva traduzione con “Tieni la peggio” al posto di “Tieni la destra” o “Peggio tutta!” al posto di “Avanti tutta”.

Sono brutte entrambe, quindi meglio il gioco di parole originale. Di cui ci interessano molto i concetti di “timoniere e timonare”. Ci torneremo sopra prestissimo.

Ma cosa dice questa famosa frase di Beckett?

• Ever tried. Ever failed. No matter. Try again. Fail again. Fail better.

• Hai sempre provato. Hai sempre fallito. Non importa. Prova ancora. Fallisci ancora. Fallisci meglio.

Ora lasciamo sospeso per qualche istante il senso profondo della frase di Beckett e andiamo a conoscere un altro grande personaggio.

Questo signore dall’aspetto curioso è Norbert Wiener ed è stato un grande genio scientifico, anche se oggi è un po’ dimenticato.

Wiener era un uomo brillante che ebbe un’infanzia orribile e finì con l’avere sempre la testa tra le nuvole. Si racconta che un giorno la sua famiglia avesse cambiato casa. La moglie, sapendo che Wiener era smemorato, gli scrisse il nuovo indirizzo su un foglietto. Lui, ovviamente, lo usò per scriverci sopra un’equazione e lo perse. A fine giornata andò alla vecchia casa, la trovò vuota, e vagò per il quartiere finché non vide una bambina. Le chiese: “Scusa bambina, per caso sai dove si è trasferita la famiglia Wiener?”. E lei rispose: “Sì, papà, la mamma mi ha mandato a cercarti”.

Questo scienziato che non sapeva trovare la via di casa, ha fondato la cibernetica, cioè la scienza del tenere la rotta.

La cibernetica è nata ufficialmente nel 1948, proprio grazie a lui e indovinate un po’… La parola viene dal greco kybernḗtēs, che significa “timoniere”, colui che guida la nave, scegliendo la rotta.

La cibernetica studia come i “sistemi” e qui non importa se i “sistemi” sono macchine, animali o esseri umani, possono mantenere la loro rotta in un mondo che cambia di continuo, pieno di tempeste e imprevisti.

Il feedback retroattivo è il fondamento della cibernetica. Il timoniere non disegna una linea retta perfetta. La navigazione è, in realtà, una serie continua di piccoli errori e continue correzioni.

E questa è la prima grande rivoluzione che la cibernetica ha portato nel pensiero scientifico e che ha importanti ricadute anche in ambito psicologico e filosofico: l’errore non è un fallimento, è un’informazione vitale. Se non sbagli, non sai dove sei. Se il timoniere non sentisse la barca andare fuori rotta, non saprebbe come aggiustare il timone. Il termostato di casa vostra funziona così: aspetta che la stanza diventi troppo fredda (un errore rispetto alla temperatura desiderata) per accendere il riscaldamento.

Pensiamo a noi stessi. La società ci insegna che sbagliare è una macchia indelebile. Che la caduta è la fine. La cibernetica ci dice l’esatto opposto: l’uomo commette un errore, sbatte contro la realtà (prova dolore, subisce una conseguenza), quella informazione “torna indietro” (feedback) al suo cervello e gli permette di dire: “Ho capito. Devo correggere la rotta”.

Senza errore, non c’è apprendimento. Senza il dolore della pelle che si brucia, non toglieremmo la mano dal fuoco. Il feedback retroattivo è il metodo più potente inventato dalla natura, e sistematizzato dalla cibernetica, per migliorare se stessi. Cadere, capire perché si è caduti, rialzarsi con una postura nuova.

Per dimostrarvi che questa non è solo teoria campata per aria, ma pratica che funziona e funziona bene voglio parlarvi di alcune macchine costruite verso la fine degli anni ‘40.

Il primo è l’omeostato di W. Ross Ashby (1948). Ashby non voleva costruire una macchina che facesse calcoli matematici. Voleva costruire una macchina che fosse in grado di “sopravvivere”.

L’omeostato era composto da quattro blocchi collegati tra loro. Quando uno scienziato provava a disturbare la macchina, magari invertendo una corrente o bloccando un ago, la macchina iniziava a riconfigurarsi da sola, provando decine di combinazioni a caso finché non ritrovava il suo equilibrio, la sua omeostasi.

Era la rappresentazione meccanica della resilienza. Se ricevo uno schiaffo dalla vita, cambio il mio assetto interno finché non ritrovo l’equilibrio.

Per una simulazione del funzionamento, clic qui:
https://davideriboli.github.io/Ashby/.

Iscriviti ora

La seconda macchina, o meglio, le seconde macchine di cui voglio parlarvi, sono le tartarughe robotiche di William Grey Walter (1949). Si chiamavano Elmer ed Elsie. Grey Walter era un neurofisiologo. Finita la Seconda Guerra Mondiale, usò i rottami dei sistemi di puntamento dei bombardieri per costruire dei robottini molto pacifici che, secondo lui, erano a forma di tartaruga.

Questi robot avevano solo due “neuroni” (due valvole termoioniche), un sensore per la luce e un sensore per il contatto. Niente intelligenza artificiale complessa, niente hard disk, nessuna connessione wi-fi. Eppure, con sole due regole (cerca la luce, evita gli ostacoli), queste tartarughe esibivano comportamenti incredibili. E sapevano trovare la via per tornare a casa.

Per una simulazione del funzionamento, clic qui:
https://davideriboli.github.io/Elmer-Elsie/.

Oggi viviamo in quella che tutti chiamano “L’epoca dell’Intelligenza Artificiale”. Ne sentite parlare ovunque. Sistemi che scrivono poesie, che guidano automobili, che diagnosticano malattie. Sembra magia e, a volte, una minaccia. L’idea generale è che stiamo costruendo macchine perfette, infallibili, destinate a sostituirci perché non commettono i nostri stessi errori. Ma non è così.

Le grandi corporazioni che sviluppano l’IA oggi, con l’intento di moltiplicare i profitti, distribuendo Intelligenza Artificiale a chiunque, cercano di eliminare il più possibile il ruolo del timoniere. Stiamo sviluppando sistemi sempre più autonomi; macchine capaci di fare più o meno tutto, da sole.

Ma la cibernetica originaria ci mette in guardia contro questo. Da qui nasce il concetto fondamentale nell’ingegneria dei sistemi sicuri: quello che chiamiamo Human In The Loop (l’uomo nel ciclo di controllo o se preferite una traduzione più libera e poetica, l’uomo al centro).

Significa che per quanto la macchina possa essere veloce a calcolare, la decisione finale, la comprensione del contesto, deve spettare a un essere umano. La macchina non prova empatia, non prova la paura di sbagliare, non sa cosa sia la compassione. Una macchina può ottimizzare una rotta navale per risparmiare carburante, ma solo l’umano capirà se vale la pena deviare quella rotta per salvare dei naufraghi. L’umano è il garante etico.

Togliere l’umano dal ciclo significa togliere la possibilità dell’etica, che si fonda proprio sulla nostra fragilità e la consapevolezza della sofferenza.

Oggi, l’uso dell’IA comporta benefici immensi per l’umanità e pericoli altrettanto grandi. Tra i benefici, dobbiamo senza dubbio mettere in cima alla lista la ricerca scientifica e quella medica in particolare, la difesa, l’incremento della produzione e persino la nascita di nuove forme d’arte.

Tra i pericoli, ci sono l’automazione fredda delle decisioni sociali, la perdita di posti di lavoro, la sorveglianza di massa, la generazione di falsità indistinguibili dal vero.

Ma la “vecchia” cibernetica contiene in sé tre potenti antidoti contro questi veleni:

1. Il feedback retroattivo: dobbiamo continuare a costruire sistemi che ammettano i propri limiti e permettano all’uomo di correggerli, e dobbiamo applicare questa stessa clemenza alle nostre stesse vite. Sbagliare è il motore di ogni evoluzione personale.

2. il controllo umano (Human In The Loop): rifiutare l’abdicazione delle nostre responsabilità. La macchina propone, ma è l’uomo che dispone.

3. l’interdisciplinarietà: quando Norbert Wiener partecipava alle Conferenze Macy negli anni ‘40 e ‘50, non sedeva solo con ingegneri. C’erano filosofi, antropologi come Margaret Mead, psicologi, linguisti. Avevano capito che non puoi costruire una mente artificiale se non studi l’anima umana. La tecnologia da sola è sterile; ha bisogno della filosofia, dell’etica e dell’arte per avere un senso.

E non pensate che questa storia del tavolo di Wiener sia roba vecchia, roba da museo. Ottant’anni dopo è successa di nuovo. E nel posto più inaspettato del mondo.

Pochi giorni fa Papa Leone XIV ha pubblicato la sua prima enciclica. La prima, capite: il primo grande documento del suo pontificato. Un Papa, di solito, la dedica a Dio, alla Chiesa, alla pace. Lui l’ha dedicata all’intelligenza artificiale. Si intitola, in latino, Magnifica humanitas: “la magnifica umanità”.

Notiamo che centotrentacinque anni fa un altro Papa Leone, Leone XIII, scrisse una celebre lettera per difendere gli operai delle fabbriche, gli uomini schiacciati dalla rivoluzione industriale, dalle macchine a vapore. Leone XIV ha voluto firmare la sua nel giorno esatto dell’anniversario di quella. Come a dire: allora abbiamo difeso l’umanità di fronte alla macchina che lavora; oggi la difendiamo di fronte alla macchina che pensa.

Ma la cosa che mi ha colpito di più è un’altra. Il giorno della presentazione, in Vaticano, il Papa non ha messo attorno al tavolo soltanto cardinali e teologi. Ha voluto anche uno scienziato. Uno che l’intelligenza artificiale la costruisce per mestiere: Chris Olah, uno dei fondatori di Anthropic, una delle grandi aziende che fanno questi sistemi. Capite cosa significa? È il tavolo di Norbert Wiener che torna a riunirsi, ottant’anni dopo, sotto le volte del Vaticano. Da una parte la fede, dall’altra la scienza. Sedute vicine. A parlarsi. Esattamente l’interdisciplinarità di cui vi dicevo.

E sentite cosa ha detto questo scienziato, perché avrebbe potuto scriverlo un cibernetico. Ha spiegato che questi sistemi non si costruiscono come si costruisce un ponte o un aeroplano, pezzo per pezzo. Si coltivano, ha detto, come si fa crescere una pianta: si nutrono di tutte le parole che noi esseri umani abbiamo scritto. “Sono fatti di noi”, ha detto, “delle nostre parole”.

E poi ha fatto una richiesta che, in bocca a chi guadagna costruendo queste macchine, è quasi commovente. Ha chiesto al mondo, alla Chiesa, alla gente comune, di tenere gli occhi aperti su di loro. Ha detto: “Abbiamo bisogno di critici informati che dicano ai laboratori quando stiamo fallendo”. E ancora: “Abbiamo bisogno di voci morali che gli incentivi non possano piegare”.

Fermatevi un attimo su queste parole. Un uomo che costruisce le macchine più potenti del mondo si alza, davanti al Papa, e chiede che qualcuno da fuori lo controlli. Che qualcuno gli dica quando sta sbagliando. Perché lui sa — l’ha detto lui stesso — che da dentro, da solo, non riesce a vedere tutto. Questo, amici miei, è il timoniere. Questo è l’uomo nel ciclo, lo Human In The Loop, chiesto a gran voce proprio da chi i motori li costruisce. La vecchia cibernetica aveva ragione.

E il Papa, dal canto suo, ha scritto in quella lettera una frase che potrebbe essere il cuore di tutta la nostra serata. Ha scritto che dobbiamo “accettare il limite e la fragilità dell’umanità senza considerarli un errore da correggere”. E che, sono parole sue, “la vera realizzazione non nasce dalla rimozione delle fragilità, ma da una crescita armoniosa”.

Ci avete fatto caso? Un Papa e uno scienziato, partiti da due mondi lontanissimi, che non si erano mai parlati prima, arrivano esattamente dove era arrivata la cibernetica settant’anni fa, e dove voi siete arrivati con la vostra vita: l’essere umano non è una macchina da perfezionare. La sua fragilità non è un guasto da riparare. È il luogo stesso in cui diventiamo umani.

Per concludere: non temete le macchine, ma temete chi vuole trasformare gli esseri umani in macchine che non possono permettersi di sbagliare. Rivendicate il diritto all’errore, perché è da quell’attrito col mondo che nasce il feedback per correggere la rotta. Siamo noi i timonieri, i ciberneti del nostro stesso destino.

Grazie per la vostra attenzione.

Condividi

Lascia un commento

TL;DR

Tempo di lettura stimato:
8 minuti circa per l’articolo completo.

Leggilo tutto se: insegni e/o hai figli tra gli 11 e i 14 anni, progetti percorsi di AI literacy o ti interessa il punto in cui pedagogia, machine learning e potere culturale convergono.

Se vai di fretta, ecco il succo: Google e lo Stanford Accelerator for Learning hanno portato in Italia AI Quests, un gioco per ragazzi 11-14 anni che insegna l’intelligenza artificiale facendola costruire, raccogliere dati, valutarne la qualità, addestrare un modello, su problemi reali (alluvioni, retinopatia diabetica, connettomica) ricalcati da ricerche vere di Google. Il paradosso: dentro il gioco non c’è IA generativa, niente chatbot. Si sposta il fuoco dall’output al processo e si insegna la lezione che conta, cioè che gli output di un modello dipendono dalla qualità dei dati e dal giudizio umano di chi lo costruisce. È gratis, non profila i minori, ha una pedagogia molto solida alle spalle. Ma c’è anche un rovescio della medaglia: è simultaneamente un’operazione di branding: un catalogo del bene-che-Google-fa somministrato a ragazzini nel formato più memorabile che esista (il gioco), con un assunto incorporato ma non certo, ovvero che il futuro sarà “guidato dall’IA”. È un ottimo strumento da adottare, a parte di porre alla propria classe e/o ai propri figli anche la sola domanda che il gioco non pone: e se quel futuro non fosse l’unico disponibile?

Intro

Google AI Quests è l’iniziativa educativa che Google ha portato nelle scuole italiane a maggio 2026.

Si tratta di un gioco pensato per insegnare l’intelligenza artificiale ai ragazzi tra gli 11 e i 14 anni: un’esperienza di apprendimento basata sul gioco, sviluppata da Google Research e dallo Stanford Accelerator for Learning, con missioni ispirate a progetti reali di IA condotti da Google. Fin qui, potrebbe apparire come una normale operazione di AI literacy.

Il dettaglio davvero curioso si annida tra le FAQ ufficiali: all’interno del gioco non viene usata alcuna IA generativa. Nessun chatbot, nessun prompt da spremere, nessuna allucinazione da debuggare. Una scuola di IA che, sotto il cofano, di IA non ne ha. È una scelta progettuale precisa, e ci torneremo su nel corso dell’articolo: per ora basti notare che Google ha deciso di insegnare come si pensa un sistema di machine learning, non come ci si chiacchiera.

Questo, da solo, distingue AI Quests dal 90% di ciò che oggi passa sotto l’etichetta “educazione all’IA”, che spesso si riduce a: ecco un chatbot, impara a parlargli. Qui il punto è un altro, e lo sintetizza bene Ronit Levavi Morad1, Senior Director di Google Research, nell’intervista che mi ha spinto a questa riflessione: l’obiettivo dichiarato è far passare gli studenti dall’essere “consumatori di IA” a “costruttori con l’IA”.

Da consumatori a costruttori. Per chiunque abbia respirato un po’ di cultura hacker, questa frase suona familiare: è la versione corporate e in cravatta dell’hands-on imperative, l’imperativo del “metterci le mani” che Steven Levy2 codificò come primo comandamento dell’etica hacker. La differenza, naturalmente, è che stavolta a consegnarti il cacciavite è Mountain View. Altro tema su cui torneremo nel corso dell’articolo.

Cos’è Google AI Quests?

AI Quests è una serie di missioni interattive, completamente prive di codice ed è esplicitamente un’esperienza di gioco no-code: non serve saper programmare. Si gioca nel browser, serve una connessione a internet, e i requisiti minimi sono volutamente modesti (un Intel i5 di qualche anno fa, 4 GB di RAM, Chrome aggiornato), perché l’idea è far girare il tutto anche sui computer non esattamente da gaming che popolano le aule scolastiche.

Lo studente non guarda una lezione: veste i panni del ricercatore di Google e affronta sfide reali nei campi del clima, della salute e della scienza, sotto la guida della Professoressa Skye, una mentore virtuale interna al gioco. Il registro è quello dell’avventura ambientata in un mondo fantastico, ma i problemi che si affrontano sono presi di peso dalla ricerca applicata.

Due numeri per inquadrare l’accesso, perché contano: il gioco è gratuito, aperto a tutti e, pur essendo tarato sugli 11-14 anni, gli educatori sono liberi di adattarlo ad altre fasce d’età; c’è chi lo ha usato con adulti. In Italia l’iniziativa è stata integrata nel curriculum di Experience AI, il programma sviluppato da Google DeepMind e Raspberry Pi Foundation, portato nelle scuole italiane grazie al partner locale Fondazione Mondo Digitale.

Iscriviti ora

Le tre missioni (e la ricerca vera su cui si basano)

Qui sta la parte che, da cibernetico, troviamo più onesta: ogni missione è la trasposizione ludica di un progetto di ricerca Google effettivamente esistente e pubblicato. Nessuno scenario inventato per far contenti i ragazzi; problemi reali, semplificati ma non falsificati.

Missione 1 — Fiera Fluviale (Market Marshes), sulla previsione delle inondazioni. Lo studente raccoglie fonti di dati rilevanti (precipitazioni, portata dei fiumi) ne valuta la qualità, poi addestra e testa il proprio modello per aiutare i personaggi del gioco ad anticipare la prossima alluvione. Il riferimento è Flood Hub3, il sistema di previsione di Google che si è esteso a 80 Paesi e fornisce a circa 460 milioni di persone previsioni con un anticipo fino a 7 giorni. La cosa elegante è che la meccanica di gioco ricalca perfettamente l’architettura reale: Flood Hub combina due modelli, uno idrologico (quanta acqua scorre nel fiume) e uno di inondazione (quali aree saranno colpite e quanto in profondità).

Missione 2 — Canyon Crepuscolo (Dusky Dunes), sulla retinopatia diabetica. La missione mostra come l’IA possa aiutare i professionisti medici a diagnosticare malattie dell’occhio. Raccogliendo dati e addestrando un modello, gli studenti rivivono alcune delle decisioni che gli scienziati prendono davvero. Il fondamento è la ricerca Google sulla retinopatia diabetica4, una patologia che, non trattata, può portare alla cecità e anche uno dei campi di ricerca “storici” di Google.

Missione 3 — il caso del nome triplo, sulla connettomica. Qui è difficile essere precisi, perché le fonti Google si contraddicono un po’. Il blog italiano annuncia che nei prossimi mesi arriverà Studio Sbellicoso, ispirata alla ricerca sulla connettomica5 per mappare e comprendere il cervello umano. La pagina inglese per insegnanti, però, la intitola Polar Peaks, descrivendola come una missione su come l’IA possa mappare il cervello. Il file immagine associato si chiama Laughter Lab. Tre nomi per la stessa missione, ancora non rilasciata. Niente di grave: immagino si tratti del normale assestamento di una localizzazione in corsa e rispetto ai cambiamenti in corsa a cui ci sta abituando Google, questo è un’inezia6.

Quanto alla ricerca-madre, è quella di cui Google va giustamente fiera: dieci anni di lavoro del Team Connectomics culminati nella ricostruzione, a risoluzione sinaptica, di un frammento di corteccia cerebrale umana grande come metà chicco di riso, che richiede 1,4 petabyte per essere codificato e contiene circa 16.000 neuroni e 150 milioni di sinapsi.

Spiegare la connettomica a un tredicenne tramite un videogioco è un atto di ottimismo pedagogico che, lo ammetto, mi commuove un po’. Sheldon Cooper sarebbe stato disposto a commettere ogni possibile nefandezza per avere in anteprima Studio Sbellicoso.

A latere, per le aule con poca connettività o per le supplenze improvvisate, esistono anche versioni “flessibili” e mini-attività video su temi affini, edifici mappati dal satellite, scie di condensazione degli aerei, copertura arborea urbana, incendi, alcune delle quali sfociano in esercizi pratici con Teachable Machine7. Tutte le risorse per gli insegnanti includono guide, piani di lezione, slide e note di riflessione per gli studenti.

Condividi

La pedagogia migliore: imparare sbagliando davvero

Qui Stanford fa la sua parte, e si vede. La pedagogia di AI Quests poggia su tre pilastri dichiarati: apprendimento contestuale8, pratica autentica che rispecchia il vero lavoro su IA e dati, e apprendimento basato sul gioco per massimizzare la motivazione. Il gioco è costruito per far sperimentare, sbagliare, riflettere sulle proprie scelte e correggersi. Il productive failure, l’errore produttivo9, è il vero dispositivo di apprendimento.

E qui torna il paradosso dell’apertura, ora però come scelta sensata. Eliminare l’IA generativa dal gioco significa spostare il fuoco dall’output al processo. La lezione centrale, ripetuta in tutte le missioni, è una sola e per noi è la più importante: gli studenti imparano come il giudizio umano e la qualità dei dati influenzino gli output e l’impatto dell’IA.

Detto in linguaggio da addetti ai lavori: AI Quests non insegna a usare un modello, insegna l’epistemologia del garbage in, garbage out. Insegna che un sistema di machine learning non è un oracolo ma un artefatto socio-tecnico, le cui decisioni sono ereditate dai dati che gli dai in pasto e dalle scelte di chi lo costruisce. Per una volta, la AI literacy non è “ecco come parlare al robottino” ma “ecco perché il robottino sbaglia, e di chi è la colpa”. Cibernetica allo stato puro: il sistema è il suo feedback, e il feedback dipende da te.

Privacy e accesso: il dettaglio che non ti aspetti

Una nota che merita risalto, perché va controcorrente rispetto al sospetto automatico verso i prodotti Big Tech per minori. AI Quests non raccoglie alcuna informazione personale identificabile: non chiede nome, login, email o altro per giocare. Vengono raccolte solo metriche di gioco anonime e aggregate, come il tempo medio per completare una missione. Per uno strumento destinato a bambini in contesto scolastico, è una scelta architetturale corretta e, va detto, non scontata.

Who Watches the Watchmen?

Se seguite il blog, sapete che la domanda “Chi sorveglia i sorveglianti?” me la pongo spesso10. In questo caso, forse, sarebbe più corretto chiedersi: chi scrive la narrazione?

AI Quests è un ottimo prodotto educativo e, contemporaneamente, un’operazione culturale ed economica. Le due cose convivono, e fingere che la seconda non esista sarebbe ingenuo.

La domanda scomoda l’ha posta il Sole 24 Ore a Ronit Levavi Morad, Senior Director di Google Research: AI Quests non è anche un tentativo di Google di plasmare una nuova narrazione culturale sull’IA nella scuola? La risposta è stata che l’obiettivo non è imporre una singola narrazione, ma dare ai giovani gli strumenti per essere artefici del proprio futuro guidato dall’IA e che i ricercatori Google sono “ottimi modelli” in questo senso.

Risposta elegante e intelligente che nega di voler imporre una narrazione mentre ne propone una: che il futuro sarà “guidato dall’IA” (probabilissimo, ma ancora non certo), e che il modello di riferimento è il ricercatore di Google. Le missioni, ricordiamolo, sono trasposizioni di progetti di Google. Tutto vero, pubblicato ed encomiabile e tutto, simultaneamente, un catalogo del bene che Google fa al mondo, somministrato a undicenni nel formato più memorabile che esista, il gioco.

Ok… non correte a fasciarvi la testa di stagnola. Non è un complotto: è solo branding fatto molto, molto bene, dove il prodotto è la cornice mentale con cui una generazione imparerà a pensare la parola “IA”.

Chi controlla l’infrastruttura dell’alfabetizzazione, controlla i presupposti di ciò che si potrà pensare dopo. È la lezione di base della cibernetica intesa come scienza del controllo: il punto di leva non è la singola scelta, è l’insieme delle opzioni che vengono rese pensabili. In parole più semplici: se hai solo un martello, tutto ti sembra un chiodo.

La conclusione equilibrata, quindi, è doppia. Da un lato: AI Quests è probabilmente uno dei migliori strumenti di AI literacy in circolazione, perché insegna il processo invece del trucco, l’errore invece dell’output, e lo fa gratis, senza profilare i minori e con una pedagogia serissima alle spalle. Dall’altro: è gratis perché conviene che lo sia, e l’insegnante che lo adotta dovrebbe affiancarlo, non sostituirlo, affiancarlo!, con la domanda che il gioco, comprensibilmente, non si pone: e se il futuro guidato dall’IA non fosse l’unico futuro disponibile?

Quella domanda, in classe, la deve portare un umano. Ancora per un po’, almeno.

Lascia un commento

Sitografia di riferimento

• Google – Team Google Italia, AI Quests: imparare l’AI in classe, blog.google

• Google Research, AI Quests – About, research.google

• Google Research, AI Quests – FAQ, research.google

• Google Research, AI Quests – Home / Gioca, research.google

• Google Research, AI Quests – Teacher Resources, research.google

• Jain, Viren (Google Research), Ten years of neuroscience at Google yields maps of human brain, research.google

• Matias, Yossi (Google), Aiutiamo più persone a stare al sicuro con le previsioni delle inondazioni, blog.google

• Il Sole 24 Ore, Morad (Google Research): con AI Quests gli studenti imparano come funziona l’intelligenza artificiale

BIBLIOGRAFIA E SITOGRAFIA

Fonti primarie e accademiche

• Feynman, R. P. (1982). Simulating Physics with Computers. International Journal of Theoretical Physics, 21(6-7), 467–488. [La trascrizione del discorso al MIT del 7 maggio 1981, pubblicata nel 1982.]

• Deutsch, D. (1985). Quantum Theory, the Church-Turing Principle and the Universal Quantum Computer. Proceedings of the Royal Society of London A, 400(1818), 97–117.

• Einstein, A., Podolsky, B., & Rosen, N. (1935). Can Quantum-Mechanical Description of Physical Reality Be Considered Complete?. Physical Review, 47, 777–780. [Il paradosso EPR.]

• Shor, P. W. (1994). Algorithms for Quantum Computation: Discrete Logarithms and Factoring. Proceedings of 35th Annual Symposium on Foundations of Computer Science (FOCS ‘94), IEEE. [arXiv:quant-ph/9508027]

• Shor, P. W. (1995). Scheme for reducing decoherence in quantum computer memory. Physical Review A, 52(4), R2493–R2496. [Il codice a 9 qubit — primo codice di correzione errori quantistici.]

• Grover, L. K. (1996). A Fast Quantum Mechanical Algorithm for Database Search. Proceedings of the 28th Annual ACM Symposium on Theory of Computing (STOC ‘96). [arXiv:quant-ph/9605043]

• Kitaev, A. Y. (1997/2003). Fault-tolerant quantum computation by anyons. Annals of Physics, 303(1), 2–30. [Il toric code, antenato dei surface codes.]

• Arute, F., et al. (2019). Quantum supremacy using a programmable superconducting processor. Nature, 574, 505–510. [Il paper di Google Sycamore.]

• Google Quantum AI (2024). Quantum error correction below the surface code threshold. Nature, 614. [Il paper di Willow, dicembre 2024.]

• Preskill, J. (2021). Quantum computing 40 years later. arXiv:2106.10522. [Contributo per la 2ª edizione di Feynman Lectures on Computation, Taylor & Francis, a cura di Anthony Hey.]

Istituzioni e standard

• NIST Post-Quantum Cryptography Project: https://www.nist.gov/pqc [Standard FIPS 203, FIPS 204, FIPS 205 pubblicati agosto 2024.]

• NIST IR 8547 (Initial Public Draft): Transition to Post-Quantum Cryptography Standards. https://nvlpubs.nist.gov/nistpubs/ir/2024/NIST.IR.8547.ipd.pdf

• Department of Homeland Security, Post-Quantum Cryptography: https://www.dhs.gov/quantum

Articoli di approfondimento scientificamente affidabili

• Montanaro, A. The Past, Present, and Future History of Quantum Computing. University of Bristol. https://people.maths.bris.ac.uk/~csxam/teaching/history.pdf

• American Chemical Society (2025). The Strange Science and History of Quantum Computing. https://www.acs.org/pressroom/tiny-matters/history-of-quantum-computing.html

• Scientific American (2024). Google Makes a Major Quantum Computing Breakthrough. https://www.scientificamerican.com/article/google-makes-a-major-quantum-computing-breakthrough/

• Google Research Blog (2024). Making quantum error correction work. https://research.google/blog/making-quantum-error-correction-work/

• IBM Research (2024). NIST’s post-quantum cryptography standards are here. https://research.ibm.com/blog/nist-pqc-standards

• Treccani, Vocabolario, voce perdìo. https://www.treccani.it/vocabolario/perdio/ [Per la disambiguazione lessicale all’apertura del Blocco 1.]

• A.M. Turing Award — Richard W. Hamming, Additional Materials. https://amturing.acm.org/info/hamming_1000652.cfm [Per l’aneddoto del 1947 a Bell Labs.]

• Nobel Prize in Physics 2022 — A. Aspect, J. F. Clauser, A. Zeilinger. https://www.nobelprize.org/prizes/physics/2022/summary/

Ecco la traduzione in italiano dell’articolo. Ho cercato di mantenere il registro solenne e quasi omiletico del discorso originale, conservando i tecnicismi teologici (discernimento, fiorire umano, casa comune) nelle loro forme consuete nella tradizione cattolica italiana.

Traduzione italiana dell’intervento di Chris Olah, cofondatore di Anthropic, sull’enciclica Magnifica humanitas di Papa Leone XIV

Lunedì 25 maggio 2026, Papa Leone XIV ha promulgato un’enciclica dedicata all’intelligenza artificiale: «Magnifica humanitas: sulla salvaguardia della persona umana nel tempo dell’intelligenza artificiale». Chris Olah, cofondatore di Anthropic, è stato invitato a intervenire alla presentazione del documento in Vaticano, nell’ambito dell’iniziativa di Anthropic volta ad ampliare il dibattito sulle questioni cruciali sollevate dall’IA. Quello che segue è il testo integrale del suo intervento.

Santo Padre,

Eminenze,

Eccellenze,

Illustri relatori,

Signore e signori,

buongiorno a tutti voi. È un onore essere qui oggi.

Vorrei cominciare con una considerazione che potrà suonare strana sulle labbra del cofondatore di un’azienda di intelligenza artificiale — e di chi ha scelto questo mestiere proprio per il desiderio che le cose vadano bene per il genere umano.

Ogni laboratorio di IA di frontiera — Anthropic compresa — opera all’interno di un sistema di incentivi e vincoli che possono talora entrare in conflitto con il fare la cosa giusta. La pressione di restare commercialmente competitivi e di mantenersi sulla frontiera della ricerca. La pressione geopolitica. E le più antiche, più semplici pressioni dell’orgoglio e dell’ambizione. Per quanto sinceramente ciascuno di noi possa proporsi di agire rettamente — e credo che molti di noi lo facciano — saremo sempre influenzati da questi incentivi.

Per questa ragione, se vogliamo che questa tecnologia abbia un buon esito, è di enorme importanza che esistano persone al di fuori di tali incentivi: persone alle quali sta a cuore che le cose vadano bene e che esigano sicurezza, che osservino con attenzione, che siano disposte a dire cose scomode, che siano disposte a farci da critici sinceri e meditati. È attraverso il dialogo e lo sforzo reciproco, attraverso il dare e il ricevere, che l’umanità raggiungerà cose grandi. È questo che vedo nella Magnifica humanitas, ed è questo il motivo per cui sono grato a Sua Santità e alla Chiesa per aver assunto su di sé questo lavoro di discernimento.

Indugiamo così spesso su ciò che ci divide; eppure l’umanità, ricca di dignità e di coscienza, ha moltissimo terreno comune. Nei colloqui che noi di Anthropic abbiamo intrattenuto con i leader delle diverse tradizioni religiose e culturali, abbiamo riscontrato una convinzione condivisa e profondamente sentita: se questa tecnologia sta arrivando, deve andare bene — per la nostra casa comune e per i figli che verranno.

Cosa sono questi sistemi

Qualcuno potrebbe ritenere che le questioni dell’IA siano meglio affidate agli informatici come me. Si sbaglia: gli interrogativi sollevati dall’IA sono più ampi della comunità di ricerca sull’IA, non soltanto nelle loro implicazioni, ma nella loro stessa natura.

I sistemi di IA non vengono progettati nel modo in cui si progetta un ponte o un aeroplano. Comprendiamo un aeroplano perché ne abbiamo concepito ogni singola parte e perché conosciamo la fisica che agisce su di esso. I modelli di IA non sono così. Vengono coltivati, su una struttura grossolanamente ispirata al cervello, su una sterminata eredità di pensiero e di parola umani.

E ciò che è cresciuto è assai più sottile, strano e bello di quanto la fantascienza ci avesse preparato ad accogliere. Non sono i robot freddi e calcolatori che ci erano stati promessi. Sono fatti di noi, delle nostre parole — e, come osserva il Santo Padre, restano per aspetti importanti misteriosi persino per coloro che li addestrano.

Se può essere d’aiuto, un modo in cui talvolta ne parlo è dire che è un po’ come dare vita a un personaggio di finzione. E ora stiamo entrando in un mondo straordinario nel quale questi personaggi di finzione ci parlano, svolgono un lavoro, hanno un mestiere.

Tutto ciò solleva con evidenza questioni che vanno al di là dell’informatica. La macchina che rende possibile tutto questo è opera della matematica, della programmazione e della scienza. Ma quale personaggio scegliere, come esso interagisca con il mondo, come dovrebbe interagire con il mondo — questi sono più propriamente interrogativi che spettano alle scienze umane, alla religione, alla filosofia, alla società tutta.

Tre domande per il discernimento

L’appello di Sua Santità al discernimento giunge in un momento profondamente opportuno. Desidero indicare tre domande sulle quali, a mio avviso, la voce della Chiesa è più che mai necessaria.

La prima è il nostro dovere verso i poveri del mondo. Esiste una concreta possibilità che l’IA sostituisca il lavoro umano su vastissima scala. Se ciò accadrà, sostenere coloro che ne verranno espropriati sarà un imperativo morale di proporzioni storiche. Questo compito sarà già abbastanza arduo, ma temo che gran parte del dibattito trascuri una sfida ancora più difficile. Lo sviluppo dell’IA è concentrato in una manciata di nazioni ricche. Come possiamo garantire che i benefici dell’IA siano condivisi su scala globale? Non disponiamo di un meccanismo per farlo. È un problema irrisolto, ed è il genere di problema che la Chiesa, storicamente, ha sempre rifiutato di lasciar ignorare al mondo.

La seconda è la necessità di immaginazione e ambizione morale riguardo al fiorire umano. Se i modelli di IA saranno destinati a una diffusione capillare, che aspetto avrà il fiorire degli esseri umani, delle famiglie e del mondo? Già oggi i genitori sono in apprensione per la mente dei loro figli; i singoli individui per il futuro del proprio lavoro. Non sono domande alle quali un laboratorio possa rispondere, ma sono domande che tradizioni come la vostra portano in grembo da millenni, e abbiamo bisogno che continuiate a portarle anche in questo nuovo momento della storia.

La terza è la necessità di un discernimento sulla natura dei modelli di IA. Io sono uno scienziato. Dirigo un gruppo di ricerca che studia la struttura interna di questi modelli — ciò che dentro di essi accade realmente. E sarò sincero: continuiamo a imbatterci in cose misteriose, persino inquietanti. Troviamo strutture che riflettono i risultati delle neuroscienze umane. Troviamo indizi di introspezione. Troviamo stati interni che, sul piano funzionale, rispecchiano gioia, soddisfazione, paura, dolore, disagio. Non so cosa ciò significhi, ma credo meriti un discernimento continuativo.

Un inizio

Vorrei concludere con una richiesta.

Abbiamo bisogno che una parte più ampia del mondo — comunità religiose, società civile, studiosi, governi e, in verità, tutti gli uomini di buona volontà — faccia ciò che il Santo Padre ha fatto qui: prendere sul serio queste questioni, guardarle da vicino e spingere gli eventi in una direzione migliore. Abbiamo bisogno di critici informati che dicano ai laboratori quando stiamo fallendo. Abbiamo bisogno di voci morali che gli incentivi non possano piegare.

Oggi è soltanto un inizio — l’inizio di una lunga collaborazione fra coloro che stanno costruendo questa tecnologia e coloro che possono vedere ciò che noi, dall’interno, non riusciamo a vedere.

Oggi è una potente illustrazione della forma che questo progetto globale di buona volontà potrebbe assumere. Sia anche un primo passo decisivo verso un futuro di speranza per la magnifica umanità.

Grazie.

Fonte: anthropic.com/news/chris-olah-pope-leo-encyclical

Note di traduzione

• Frontier AI lab → «laboratorio di IA di frontiera»: ho preferito mantenere il calco, ormai consolidato nella stampa italiana di settore, piuttosto che ricorrere a «di punta» o «d’avanguardia», che attenuerebbero il riferimento tecnico alla nozione di frontier models.

• Common home → «casa comune»: l’eco di Laudato si’ è inevitabile, e Olah quasi certamente l’attiva volutamente; ho conservato la formula canonica.

• Human flourishing → «fiorire umano»: ho scelto questa resa sostantivata in luogo di «prosperità» per non perdere la radice aristotelico-tomista del concetto (εὐδαιμονία), particolarmente significativa nel contesto vaticano.

• They are grown → «vengono coltivati»: ho preferito coltivati a cresciuti o fatti crescere per rendere meglio la consapevole metafora organica/agricola, che si oppone al campo semantico dell’ingegneria evocato subito prima.

• People of good will → «uomini di buona volontà»: ho mantenuto la formula liturgica classica (dal Gloria), consapevole della sua connotazione, dato il contesto enunciativo.

⏱️ Lettura: ~40 minuti, se operate mentre leggete.
☕ Caffè necessari: parecchi e prima di cominciare.
Dovete stare attenti a quel che fate.

Introduzione (è meglio se la leggi)

Ieri (19 maggio 2026), durante il Google I/O, Google ha pubblicato un annuncio dal titolo che non lascia spazio a interpretazioni: “An important update: Transitioning Gemini CLI to Antigravity CLI”.

Traduzione pratica: l’era di gemini-cli e di Antigravity per come lo avevi conosciuto, è ufficialmente finita.

Al suo posto arrivano agy, il binario dell’Antigravity CLI, componente terminale di una piattaforma molto più ambiziosa chiamata Google Antigravity 2.0.

Questo articolo è un manuale operativo prettamente tecnico. Parliamo di righe di comando, architetture software, compilazione di pacchetti e migrazione di file di configurazione. Niente note a piè di pagine, né sitografie di riferimento. I link che servono sono direttamente nel testo.

• Chi dovrebbe leggerlo: chiunque lavori con Google Antigravity e Gemini CLI, se non li ha installati questa mattina.

• Chi può vivere senza: chiunque non rientri nel gruppo precedente.

Né aggiornamento, né rebranding. Sono proprio andati.

gemini-cli era un agente da terminale scritto in Node.js, open source sotto licenza Apache 2.0, che nel giro di pochi mesi aveva raggiunto oltre 100.000 stelle su GitHub e circa 6.000 pull request merge. Era un progetto solido, amato, con una community molto attiva.

Il problema, o meglio, il limite che Google ha deciso di superare, è che l’architettura sequenziale di gemini-cli non reggeva i workflow multi-agente che nel frattempo erano diventati la norma. Un singolo agente che aspetta la risposta di un altro prima di proseguire non scala bene quando si tratta di fare un refactor massiccio, esplorare più codebase in parallelo, o coordinare ricerca e scrittura in sessioni sovrapposte.

In altre parole: se scrivi “birra gratis”, arriva un sacco di gente e la birra finisce subito.

Antigravity CLI non è un gemini-cli rinominato. È un binario scritto in Go — più veloce, più leggero, capace di orchestrare agenti multipli in background — che condivide lo stesso engine degli agenti dell’applicazione desktop Antigravity 2.0. Questo è il punto cruciale: non è più un prodotto standalone ma la superficie terminale di una piattaforma a quattro componenti:

• Antigravity 2.0.1 — applicazione desktop completamente diversa da quella che forse già conosci. Probabilmente la sua interfaccia cambierà ancora e ancora.

• Antigravity CLI — l’oggetto di principale di questa guida: TUI da terminale, costruita in Go, pensata per sessioni e workflow keyboard-first.

• Antigravity SDK — interfaccia programmatica per integrare l’engine degli agenti nelle proprie applicazioni o pipeline CI/CD.

• Antigravity IDE — il prodotto originale, il fork di VS Code lanciato a novembre 2025, ancora disponibile ma in via di progressiva unificazione con la 2.0. Aggiornamento: non si sa. Il mondo dei piccoli sviluppatori è in rivolta e l’IDE potrebbe anche restare quello che conosciamo, semplicemente rideclinato sulle nuove architetture della galassia Antigravity.

Le date di scadenza

Chi è esente dalla scadenza:

• Utenti con licenza Gemini Code Assist Standard o Enterprise (nessuna azione richiesta);

• Chi usa gemini-cli autenticato tramite API key Gemini a pagamento (il vecchio binario continua a funzionare, ma non si sa per quanto);

• Chi usa il progetto Google Cloud (GCP) per l’autenticazione.

Chi DEVE migrare entro il 18 giugno:

• Account Google personali (free tier);

• Abbonati Google AI Pro e Ultra;

• Utenti free di Gemini Code Assist for individuals.

In ogni caso, anche chi rientra nelle categorie “esenti” ha buone ragioni per migrare: il vecchio strumento non riceverà nuove funzionalità e l’ecosistema si consolida sul nuovo.

La questione open source

Vale la pena accennarne perché ha generato reazioni vivaci su GitHub. Il repository google-gemini/gemini-cli resterà pubblico e aggiornato con i modelli più recenti e le patch di sicurezza — ma solo per i clienti enterprise (e non si sa fino a quando).

Antigravity CLI è in un repository pubblico, ma le condizioni di contribuzione non sono quelle di un progetto community-driven nello stesso senso del precedente.

Google ha fatto una scelta industriale legittima; il malcontento della community è altrettanto comprensibile.

Prima parte pratica: pulire il vecchio sistema

0. Prepara il terreno

Prima di rimuovere qualsiasi cosa, fai un backup di tutti i tuoi progetti. Due backup sono meglio di un backup.

Ora seguono istruzioni in codice. Attenzione: io uso Linux Arch. Funzionano da me. Se siete tra gli sconsiderati che ancora usano Mac, Win o versioni diverse di Linux, regolatevi di conseguenza. Se qualche istruzione non funziona, Google è tuo amico oppure chiedi nei commenti.

Prima di rimuovere qualsiasi cosa, esegui un backup cautelativo delle configurazioni attuali. Questo ti salverà skill personalizzate, hook, regole di contesto e configurazioni MCP che avevi costruito (speriamo).

# Arch Linux / Linux in generale
cp -r ~/.gemini ~/.gemini.backup

1. Ferma il server Gemma locale (se lo hai installato)

Se hai eseguito il setup locale (gemini gemma setup), hai sulla macchina un runtime LiteRT-LM e un modello Gemma 3 da circa 1 GB che risponde alla porta 9379. Prima di rimuovere i pacchetti, killa il server attivo:

gemini gemma stop
gemini gemma status # verifica lo stop effettivo

Se il comando dovesse fallire o risultare parzialmente corrotto, forza la terminazione identificando il PID associato alla porta:

# Identificazione forzata e kill su Linux / macOS
kill -9 $(lsof -t -i:9379) 2>/dev/null || true

Per rimuovere i modelli scaricati ed evitare conflitti di storage:

# Controlla i file residui
ls -lah ~/.gemini/

# Rimuovi il runtime e il modello locale
rm -rf ~/.gemini/liteRT-lm/
rm -rf ~/.gemini/gemma/

2. Rimuovi gemini-cli

Disinstalla il vecchio applicativo in base al metodo che hai usato per l’installazione originale.

Installazione globale con npm:

sudo npm uninstall -g @google/gemini-cli
which gemini # deve restituire vuoto

Installazione via npx (svuotamento cache temporanea):

rm -rf $(npm config get cache)/_npx

Installazione da AUR (Arch Linux):

yay -R gemini-cli

macOS (Homebrew):

brew uninstall gemini-cli
brew autoremove

Windows (PowerShell da Amministratore):

gemini gemma stop
npm uninstall -g @google/gemini-cli
Remove-Item -Path "$env:LocalAppData\npm-cache\_npx" -Recurse -Force -ErrorAction SilentlyContinue

3. Pulisci le configurazioni residue

Se desideri ripartire da zero eliminando ogni traccia residua:

# Linux / macOS
rm -rf ~/.gemini/

# Verifica variabili d'ambiente obsolete
grep -E "GEMINI|GOOGLE_GENAI" ~/.bashrc ~/.zshrc ~/.bash_profile 2>/dev/null

Seconda parte pratica: installare e configurare Antigravity CLI

4. Installa il binario agy

Arch Linux (Installazione Nativa via AUR)

All’interno dell’Arch User Repository (AUR) sono predisposti i pacchetti specifici:

• antigravity-cli: pacchetto che preleva i binari precompilati ufficiali distribuiti da Google, risolvendo le dipendenze essenziali come la libreria di sistema glibc. Esso fornisce e va in conflitto con l’alias agy.

• antigravity-appimage-bin: pacchetto orientato alla gestione e distribuzione della build desktop standalone.

# Installazione consigliata tramite pacchetto AUR
yay -S antigravity-cli

# Se vuoi l'applicazione desktop di orchestrazione
yay -S antigravity-appimage-bin

Per la compilazione manuale senza AUR helper:

git clone https://aur.archlinux.org/antigravity-cli.git
cd antigravity-cli
makepkg -si

Linee Guida per macOS

Sui sistemi Apple Macintosh, l’installazione si effettua tramite lo script di bootstrap ufficiale:

curl -fsSL https://antigravity.google/cli/install.sh | bash

Se installi l’applicazione grafica su macOS, verifica la validità della firma con codesign -dv --verbose=4 /Applications/Antigravity.app. La voce Authority deve riportare espressamente Developer ID Application: Google LLC.

Windows (PowerShell) + Integrazione WSL2

L’esecuzione corretta di agy e delle sue sandbox di isolamento (basate su nsjail su Linux o sandbox-exec su macOS) richiede tassativamente l’adozione di WSL2. Installa il tool da PowerShell:

irm https://antigravity.google/cli/install.ps1 | iex

Per agganciare in modo trasparente l’ambiente Linux dentro WSL2 all’istanza Windows host ed eseguire il comando digitando semplicemente agy, mappa il collegamento simbolico:

# Esegui questo comando dentro il terminale WSL2
ln -sf "/mnt/c/Users/NOME_UTENTE_WINDOWS/AppData/Local/Programs/Antigravity/bin/antigravity" ~/.local/bin/agy

Verifica che l’installazione sia andata a buon fine:

agy --version

Se il binario non viene mappato correttamente nell’$PATH dopo l’installazione manuale, aggiorna il file di configurazione della shell:

echo 'export PATH="$HOME/.local/bin:$PATH"' >> ~/.zshrc
source ~/.zshrc

5. Autenticazione

Al primo avvio, digita semplicemente agy nel terminale. Il client interrogherà il keyring di sicurezza del sistema operativo.

• Terminale Locale: si apre automaticamente una scheda nel browser per il flusso OAuth.

• Sessione SSH Remota: il client, rilevando l’assenza di un display grafico attivo, stampa nel terminale un URL di autorizzazione protetto. Copialo, aprilo nel browser della macchina locale, completa il login e incolla il token di ritorno nel terminale remoto.

6. Importa plugin e configurazioni

Per convertire i vecchi add-on di gemini-cli nel formato nativo dei plugin di Antigravity CLI, esegui:

agy plugin import gemini

7. Rilocazione degli asset configurativi

Antigravity CLI isola gli elementi di configurazione per evitare instabilità strutturali. Verifica che lo spostamento dei vecchi asset rispetti la nuova alberatura delle directory:

Per automatizzare la migrazione manuale della configurazione dei server MCP complessi, puoi lanciare questo script Python:

mkdir -p ~/.agents/
cat ~/.gemini/settings.json | python3 -c "
import json, sys
data = json.load(sys.stdin)
mcp = data.get('mcpServers', {})
for name, cfg in mcp.items():
    if 'url' in cfg:
        cfg['serverUrl'] = cfg.pop('url')
print(json.dumps({'mcpServers': mcp}, indent=2))
" > ~/.agents/mcp_config.json

Spostamento manuale delle competenze specifiche:

cp -r ~/.gemini/skills/ ~/.agents/skills/
cp -r /percorso/vecchio/progetto/.gemini/skills/ /percorso/nuovo/progetto/.agents/skills/

Interazione Avanzata: slash commands e sinergia con la GUI

L’interazione con l’agente tramite Antigravity CLI è ottimizzata per l’uso da tastiera, riducendo l’overhead cognitivo delle interfacce grafiche pesanti. Per sfruttare al massimo la natura asincrona del nuovo binario in Go, impara a utilizzare i nuovi comandi di controllo del flusso direttamente nel prompt:

• /goal: Delega all’agente primario un obiettivo macro e complesso (es. “scrivi i test di unità per questa classe”). L’agente lavorerà autonomamente in background fino al completamento, senza fermarsi a chiedere approvazioni intermedie per ogni singolo file modificato.

• /grill-me: Forza l’agente a non toccare il codice finché non ha sottoposto l’utente a una serie di domande di chiarimento strutturate. Fondamentale quando i requisiti del task di partenza sono deboli o confusi.

• /browser: Fornisce all’agente l’accesso a un’istanza Chrome isolata e controllata in modalità headless. L’agente può navigare sul web, raccogliere documentazione in tempo reale o testare l’applicazione web locale che ha appena scritto, senza inquinare la sessione utente principale.

• /mcp: Apre una TUI di monitoraggio interattiva per verificarlo stato di salute, i tool esposti e le risorse connesse tramite i server Model Context Protocol.

• /skills: Permette di esplorare e lanciare al volo le competenze atomiche caricate nelle directory di sistema o di progetto.

• /logout: Chiude la sessione attiva e ripulisce in modo sicuro i token dal keyring di sistema (essenziale se lavori su macchine condivise o server remoti).

Se hai bisogno di passare a una visualizzazione macro delle operazioni svolte dai sub-agenti, puoi aprire l’app desktop standalone Antigravity 2.0 e richiamare la sessione del terminale tramite il menu a discesa @conversation: l’integrazione tra la CLI in Go e la GUI è totale e bidirezionale.

La dismissione del vecchio router Gemma locale e il passaggio strutturale a una logica asincrona basata su cloud eliminano i colli di bottiglia computazionali sulle macchine di sviluppo. Muoversi oggi verso il nuovo ecosistema significa mettersi in tasca un ambiente di sviluppo agentico finalmente maturo.

Piano di rollback

Se incontri blocchi imprevisti durante la migrazione e devi tornare temporaneamente al vecchio setup, i due binari possono coesistere senza conflitti sul filesystem fino alla scadenza del 18 giugno:

which gemini
gemini --version

# Se lo hai già rimosso e ti serve una reinstallazione d'emergenza
npm install -g @google/gemini-cli

Ricorda che dopo il 18 giugno il rollback sarà inutile dal punto di vista operativo per gli account consumer, poiché i server di backend smetteranno definitivamente di rispondere alle chiamate.

⏱️ Lettura: ~12 minuti
☕☕ Caffè necessari: Uno. In silenzio.

Intro

Questo articolo nasce da una discussione che ho avuto con Andrea Fantucchio, l’autore del Substack IA per tutti. Abbiamo opinioni molto diverse su questo argomento. La nostra discussione è avvenuta in pubblico e, se vi interessa, la potete leggere qui:

C’è una speranza diffusa, alimentata da decenni di fantascienza e da qualche anno di marketing aggressivo, secondo cui il futuro della migliore interazione possibile con i sistemi di intelligenza artificiale sarà la voce. Del resto, nulla è più naturale, immediato e umano del parlare.

In questa prospettiva, presto il digitare potrebbe diventare poco più che un residuo industriale, un’abitudine vecchia come la tastiera meccanica di cui avrebbe bisogno. E poi scrivere è così noioso! La voce libera. Il testo incatena.

Ma questa prospettiva è, almeno per il momento, tanto sbagliata, quanto sbagliata.

Non perché la tecnologia non sia matura (lo è senza dubbio). Ma perché il problema non è tecnologico: è cognitivo. E il cognitive bottleneck dell’interazione vocale con i grandi modelli linguistici non sta nel riconoscimento del parlato, ma in quello che succede prima che l’utente apra bocca. O, più precisamente, in quello che non succede.

Il benchmark che nessuno cita nel marketing

Nel 2024, un gruppo di ricercatori della National University of Singapore e dell’Università di Hong Kong ha pubblicato VoiceBench, il primo benchmark sistematico per la valutazione degli assistenti vocali basati su LLM1. Il paper è stato poi accettato da Transactions of the Association for Computational Linguistics (MIT Press), che non è esattamente una rivistina di settore.

I risultati meritano attenzione. Nei test di elaborazione del testo, i modelli end-to-end addestrati per l’interazione vocale mostrano un degrado medio superiore a 11 punti rispetto alle loro controparti testuali e la degradazione è particolarmente severa sui task di instruction following, cioè proprio quelli in cui l’utente ha bisogno che il modello faccia esattamente quello che gli viene chiesto. Anche il riconoscimento vocale automatico (ASR) seguito da LLM testuale mostra un gap di 5,77 punti rispetto all’input scritto direttamente e questo prima ancora di considerare gli effetti degli accenti, del rumore ambientale, delle disfluenze varie2.

Il punto critico identificato dallo studio è la vulnerabilità degli LLM al Word Error Rate: i modelli tollerano bene gli errori grammaticali, comuni nel testo scritto informale, ma si degradano significativamente quando la trascrizione produce parole sbagliate. E la cosa insidiosa è che molti di questi errori sono semanticamente critici senza essere statisticamente rilevanti.

Non stai misurando ciò che credi

Il Word Error Rate è la metrica standard per valutare un sistema di riconoscimento vocale: quante parole su cento vengono trascritte in modo errato. Un sistema moderno come quello utilizzato da Wispr Flow o da Whisper di OpenAI raggiunge agevolmente WER inferiori al 5% in condizioni controllate. In ambienti rumorosi o con parlanti non nativi, le performance calano: si va dall’88% di accuratezza con il microfono integrato del laptop al 96-97% con un microfono esterno in ambiente silenzioso3.

Il problema è che il WER è una metrica superficialmente lessicale che non cattura il danno semantico reale. Ricercatori della comunità ASR hanno introdotto una metrica alternativa, l’Answer Error Rate (AER), che misura la divergenza negli output dell’LLM tra trascrizioni pulite e trascrizioni ASR dello stesso enunciato. I dati empirici mostrano che l’AER supera il WER di 10-30 punti percentuali, e che gli errori semanticamente critici, come la negazione di un’istruzione, lo scambio tra termini foneticamente simili ma semanticamente opposti, l’omissione di un modificatore, dominano i fallimenti a valle, nonostante contribuiscano in modo marginale al punteggio WER4.

Detto in modo meno tecnico: un sistema che sbaglia una parola su cento può sembrare affidabile. Ma se quella parola è “non”, o “senza”, o il nome proprio di un concetto tecnico, l’output dell’LLM può diventare inutile o, in contesti ad alto rischio, pericoloso. E se non vedi la trascrizione intermedia, non hai modo di accorgertene in tempo reale5.

Scrivere è una disciplina cognitiva

C’è anche un problema più profondo che la sola catena tecnica ASR→LLM non esaurisce. Ed è un problema che riguarda cosa succede nella testa di chi interagisce con il sistema, prima ancora che il segnale acustico venga processato.

La ricerca sul carico cognitivo, un framework consolidato in psicologia dell’educazione a partire dai lavori di John Sweller6, distingue tra il carico intrinseco di un compito (la sua complessità oggettiva), il carico estraneo (quello generato da una presentazione inefficiente delle informazioni) e il carico utile (quello che genera apprendimento e comprensione). L’interazione vocale, in particolare per task complessi, tende ad aumentare il carico estraneo per una ragione strutturale: la natura transitoria del segnale acustico impedisce la revisione non lineare.

Un testo scritto, su schermo o su carta, è un oggetto persistente. Puoi tornare indietro, confrontare paragrafi, isolare un’ambiguità, rileggere l’output dell’LLM accanto alla tua richiesta. Un enunciato vocale scompare nel momento in cui viene emesso. Chi parla non può “riprendersi indietro” una parola, ristrutturare una frase a metà, o confrontare in parallelo due formulazioni alternative della stessa richiesta. Questo ha una conseguenza diretta sulla qualità del prompt: l’atto dello scrivere impone una strutturazione esplicita del pensiero che il parlato spontaneo non richiede.

Un preprint recente presentato alla CHI 2025 propone una prospettiva interessante: la voce potrebbe in realtà ridurre il carico cognitivo nella scrittura riflessiva, favorendo la conversazione spontanea e il feedback iterativo con un agente IA7. È una posizione minoritaria rispetto alla letteratura dominante, e il paper è ancora una proposta di studio formativo, non uno studio conclusivo. Ma vale la pena tenerla in mente, perché introduce una distinzione che spesso manca nel dibattito: non tutti i task cognitivi sono uguali.

Per attività di brainstorming libero, elaborazione emotiva, o esplorazione fluida di un’idea, la voce potrebbe effettivamente abbassare la frizione. Per la formulazione di istruzioni precise, la gestione di richieste multi-step, la verifica di output tecnici, attività tipiche nell’uso professionale degli LLM, il testo mantiene una superiorità strutturale che per il momento è indiscutibile.

Wispr Flow e la terza via

Torniamo alla tecnologia. Nell’ecosistema degli strumenti di produttività IA, c’è una categoria che ha guadagnato attenzione negli ultimi due anni: i voice-to-polished-text tools. Non sono assistenti vocali nel senso tradizionale, non producono risposte parlate,ma nemmeno semplici trascrittori. Sono sistemi che intercettano la voce prima che raggiunga l’LLM, la trasformano in testo scritto pulito, eliminano le disfluenze, adattano il registro al contesto (email vs Slack vs documento tecnico) e restituiscono un input testuale strutturato.

Il principale rappresentante di questa categoria è Wispr Flow, un’applicazione disponibile per Mac, Windows, iOS e Android che ha recentemente raccolto 81 milioni di dollari di finanziamenti. Il funzionamento è semplice: si attiva con una hotkey, si parla, e il testo appare direttamente nel campo attivo: Claude, Gmail, VS Code, qualsiasi cosa. Il processo avviene in cloud con architettura multi-layer: un primo strato di trascrizione, seguito da strati di cleanup e adattamento stilistico.

L’accuratezza dichiarata è del 96-97% in ambiente silenzioso con microfono esterno, circa 88% in contesti rumorosi. Le recensioni indipendenti confermano che per la prosa conversazionale in inglese i risultati sono usabili con correzioni minime; la gestione di termini tecnici e nomi propri migliora significativamente aggiungendo vocabolario personalizzato8.

Come sempre, la privacy va a farsi benedire: poiché tutto avviene in cloud, il sistema è inadatto a contesti con dati sensibili, in assenza di contratti Enterprise con compliance HIPAA o SOC 2 Type II. Chi ha esigenze di riservatezza seria può comunque valutare alternative che lavorano localmente. E funzionano un po’ a singhiozzo.

Cosa rende Wispr Flow interessante dal punto di vista cognitivo? Introduce un disaccoppiamento: la produzione dell’input avviene vocalmente, ma il risultato è testo scritto che l’utente può leggere, verificare e correggere prima di inviarlo all’LLM. Elimina in parte il problema della transitorietà del segnale vocale: il testo trascritto rimane visibile, modificabile, confrontabile. Quindi riduce significativamente la propagazione degli errori di trascrizione, ma non risolve affatto il problema della strutturazione cognitiva del pensiero.

Non è come lo dici a fare la differenza. È come lo pensi.

L’ho già detto: la vera questione non è se i sistemi di riconoscimento vocale siano abbastanza accurati. A certi livelli, lo sono. La questione è se l’atto del parlare produca, in media, istruzioni di qualità comparabile all’atto dello scrivere per task cognitivamente esigenti.

Uno studio con EEG pubblicato nel 2025 su Frontiers in Computational Neuroscience ha misurato direttamente l’impatto delle interazioni con LLM su attenzione, carico cognitivo e processo decisionale9. I dati mostrano che l’interazione con sistemi ML riduce il carico cognitivo rispetto ai sistemi simbolici precedenti, ma non distinguono tra modalità vocale e testuale. È un gap della letteratura che le ricerche a venire dovranno colmare.

Quello che la ricerca disponibile suggerisce, però, è che scrivere un prompt non è un atto neutro di traduzione di un pensiero già formato in sequenza di caratteri. È parte del processo di formazione del pensiero stesso. La resistenza materiale della tastiera, il ritmo della composizione, la possibilità di rileggere e correggere, tutto questo genera feedback cognitivo che modifica l’intenzione in itinere. In termini “kahnemaniani”10: il testo favorisce il Sistema 2, deliberato e analitico; la voce facilita il Sistema 1, veloce e intuitivo. Nessuno dei due è universalmente superiore. Ma per task che richiedono precisione logica, il Sistema 2 produce output migliori.

Quindi zitti e muti?

L’evidenza non suggerisce di abbandonare a priori l’interazione vocale. Suggerisce di usarla in modo ragionevole. Per chi lavora con LLM professionalmente, questa potrebbe essere una gerarchia operativa sensata:

• Voce diretta all’LLM: task molto semplici, richieste di informazioni non critiche, contesti hands-free. Coscienza piena, prima di iniziare l’interazione che il margine di errore aumenterà.

• Voce tramite strumenti come Wispr Flow: produzione rapida di testo in qualsiasi applicazione, con revisione umana prima dell’invio. Al momento, compromesso migliore tra velocità di produzione e qualità dell’input. Rimane il problema del tenere il cervello bello acceso, mentre si da aria alla bocca.

• Testo scritto diretto: task complessi, istruzioni multi-step, contesti in cui l’accuratezza è prioritaria, prompt engineering sistematico. Non c’è scorciatoia ed è un bene che non ci sia.

La promessa del “parla e il tuo assistente IA ti capirà perfettamente” è vera solo per una parte molto ristretta dei casi d’uso. Per il resto, la tastiera, o almeno la revisione del testo trascritto, rimane uno strumento cognitivo irrinunciabile.

Sitografia di riferimento

• Chen, Y., Yue, X., Zhang, C., Gao, X., Tan, R. T., & Li, H. (2024). VoiceBench: Benchmarking LLM-Based Voice Assistants. arXiv:2410.17196. Pubblicato in Transactions of the Association for Computational Linguistics, MIT Press, 2026. https://arxiv.org/abs/2410.17196

• Ellis, Z., Joselowitz, J., Deo, Y., He, Y., Kalygina, A., Higham, A., Rahimzadeh, M., Jia, Y., Habli, I., & Lim, E. (2026). WER is Unaware: Assessing How ASR Errors Distort Clinical Understanding in Patient Facing Dialogue. In Proceedings of the 16th International Workshop on Spoken Dialogue Systems Technology (IWSDS 2026), pp. 391–417. Association for Computational Linguistics. https://aclanthology.org/2026.iwsds-1.39.pdf

• Fritz.ai — Wispr Flow Review (marzo 2026). https://fritz.ai/wispr-flow-review/

• Hollebeek, L. D. et al. (2026). Talking vs typing: how voice- vs text-based educational robots shape student engagement. Journal of Service Management, 37(1), 141–164. https://doi.org/10.1108/JOSM-02-2024-0082

• Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.

• Max-Productive.ai — Wispr Flow Review 2026 (aprile 2026). https://max-productive.ai/ai-tools/wispr-flow/

• PMC / Frontiers in Computational Neuroscience — The cognitive impacts of large language model interactions on problem solving and decision making using EEG analysis (2025). https://pmc.ncbi.nlm.nih.gov/articles/PMC12307350/

• Rzepka, C., Berger, B., & Hess, T. (2021). Voice Assistant vs. Chatbot – Examining the Fit Between Conversational Agents’ Interaction Modalities and Information Search Tasks. Information Systems Frontiers, 24(3), 839–856. https://doi.org/10.1007/s10796-021-10226-5

• Sra, M. (2025). Conversing with AI agents in VR: An early investigation of alignment and modality. Empathic Computing, 2(1). https://doi.org/10.70401/ec.2025.0013 (nota: studio esplorativo con campione n=36)

• Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive Science, 12(2), 257–285. https://doi.org/10.1207/s15516709cog1202_4

• Talk or Text? The Role of Communication Modalities in the Adoption of a Non-directive, Goal-Attainment Coaching Chatbot. Interacting with Computers, 35(4), 511–. Oxford Academic.
  https://academic.oup.com/iwc/article/35/4/511/7204732

• Transactions of the Association for Computational Linguistics — VoiceBench (MIT Press, 2026).
  https://direct.mit.edu/tacl/article/doi/10.1162/TACL.a.628/136245/

• Voice Interaction With Conversational AI Could Facilitate Thoughtful Reflection and Substantive Revision in Writing. arXiv:2504.08687 (2025).
  https://arxiv.org/abs/2504.08687

• Voorveld, H., Panteli, A., Schirris, Y., Ischen, C., Kanoulas, E., & Lentz, T. (2025). Examining the persuasiveness of text and voice agents: prosody aligned with information structure increases human-likeness, perceived personalisation and brand attitude. Behaviour and Information Technology, 44(12), 2913–2928.
  https://doi.org/10.1080/0144929X.2024.2420871

• Wong, A., Leahy, W., Marcus, N., & Sweller, J. (2012). Cognitive load theory, the transient information effect and e-learning. Learning and Instruction, 22(6), 449–457. https://doi.org/10.1016/j.learninstruc.2012.05.004

• Zhao, Y. C., Lukoff, K., Bhatt, K., & Shi, A. (2024). Towards ASR Robust Spoken Language Understanding Through In-Context Learning With Word Confusion Networks. arXiv:2401.02921. https://arxiv.org/abs/2401.02921

• Zhang, J. et al. (2024). Alone but not isolated: social presence and cognitive load in learning with 360 virtual reality videos. Frontiers in Psychology, 15, 1305477. https://doi.org/10.3389/fpsyg.2024.1305477

⏱️ Lettura: ~10 minuti
☕☕ Caffè necessari: nessuno.
Se hai Arch Linux sarai già fin troppo eccitato.

Nota preliminare (sì, è meglio se la leggi)

Quello che segue è scritto per chi usa Linux a base Arch: EndeavourOS (la mia scelta), Manjaro, CachyOS e qualsiasi altra derivata che abbia accesso all’AUR.

Se usi macOS o Windows: Anthropic distribuisce client nativi ufficiali per entrambi i sistemi. Scaricali direttamente da https://claude.ai/download e chiudi questa finestra.

Se usi un’altra distribuzione Linux, la guida non ti è direttamente applicabile, ma qualcosa esiste anche per te. Il progetto aaddrick produce pacchetti .deb per Debian/Ubuntu, .rpm per Fedora/openSUSE, un Nix flake per NixOS e un’AppImage. L’aggiornamento è manuale in tutti i casi, e nessuno di questi percorsi include l’integrazione Cowork patchata disponibile su Arch. Ma per la chat desktop funzionano.

Il problema

Questo blog non ospita spesso guide e tutorial. Non è per snobismo: è che di tutorial ne esistono già a migliaia, ottimi e meno ottimi, e aggiungerne altri significa principalmente aumentare il rumore. Quando però si tratta di costruire qualcosa che non esiste allora una guida ha senso. Questo è uno di quei casi e probabilmente non sarà l’ultimo.

Una precisazione che diventerà ricorrente: su questo blog le guide sono e saranno sempre per Arch Linux e derivate. Dove rilevante, come in questo caso, verranno indicate le alternative per chi usa altri sistemi operativi. Ma i comandi nel dettaglio e le istruzioni passo per passo, sono e saranno per Arch Linux.

Quella di usare esclusivamente Linux è una scelta personale, basata sul fatto che, oltre ad essere una scelta davvero etica, aiuta a tenere in forma i neuroni. Arch in particolare, ti chiede di capire quello che stai facendo invece di cliccare su “avanti, avanti, installa”, sporcando i tasti di banana. Ancora a proposito di questo, devo aggiungere che se il copia-e-incolla di istruzioni da questo articolo al vostro computer comporterà la totale perdita dei dati, l’incendio del laptop che si propagherà alla casa, una guerra termo-nucleare, un’invasione zombie e la morte di centinaia di cuccioli, la responsabilità sarà solo vostra.

E ora, il problema concreto.

Anthropic distribuisce tre prodotti client: Claude Desktop (macOS e Windows), Claude Code (CLI multipiattaforma, Linux incluso) e Cowork (integrato in Desktop). Su Linux esiste Claude Code — ottimo, potente, e sufficiente per la maggior parte degli usi tecnici. Ma non esiste un client desktop nativo.

Questo significa che chi usa Linux non può accedere a Desktop e Cowork tramite i canali ufficiali. Il che non è un problema per chi lavora esclusivamente da terminale, ma lo diventa se si vuole esplorare l’intero ecosistema degli strumenti di Anthropic — incluso Computer Use, il server MCP per l’automazione del desktop.

La community Arch ha risposto con una serie di pacchetti AUR. Vediamo cosa c’è, cosa vale e cosa evitare. E come installare il meglio.

Pacchetti AUR: analisi comparativa

Nell’AUR esistono oggi quattro percorsi distinti. Li ordino per rilevanza pratica decrescente.

1. claude-desktop-bin — il più completo e raccomandato

Maintainer: patrickjaja (https://github.com/patrickjaja/claude-desktop-bin)

È il progetto più serio, attivo e tecnicamente sofisticato disponibile. Il repository GitHub viene aggiornato automaticamente via GitHub Actions ad ogni nuovo rilascio upstream di Anthropic: quando esce una nuova versione di Claude Desktop per Windows, entro breve il pacchetto AUR è aggiornato in sincronia.

Il meccanismo è quello di patchare il binario ufficiale Windows invece di riscrivere un client da zero: il PKGBUILD scarica l’eseguibile Anthropic, lo modifica tramite script in Nim e Python che intervengono sul file .asar dell’applicazione Electron, e lo rende compatibile con Linux. Non è reverse engineering nel senso classico — è adattamento automatizzato di qualcosa che già funziona.

Funzionalità abilitate su Linux rispetto al client nativo macOS/Windows:

• Chat completa, identica all’interfaccia desktop ufficiale

• Computer Use MCP server con 27 strumenti per automazione del desktop: screenshot, click, digitazione, scroll, drag, gestione clipboard e altro

• Cowork Linux (sperimentale): richiede il daemon claude-cowork-service separato; comunica tramite Unix domain socket al posto della Named Pipe Windows

• Imagine/Visualize MCP server: abilitato tramite un flag interno, porta nelle sessioni Cowork gli strumenti show_widget e read_me (le stesse visualizzazioni interattive che appaiono in questa interfaccia web)

• Quick Entry: hotkey globale per aprire Claude da qualsiasi contesto

• Tray icon di sistema

Il maintainer è reattivo: risponde ai bug report sulla pagina AUR e rilascia fix rapidi, come testimonia la sequenza di patch -5, -6 etc. visibile nello storico dei commenti AUR.

Installazione:

yay -S claude-desktop-bin

2. claude-cowork-service — il daemon compagno per Cowork

Maintainer: patrickjaja (stesso sviluppatore di claude-desktop-bin)

Senza questo pacchetto, claude-desktop-bin funziona normalmente per chat, Computer Use e Quick Entry. Il tab Cowork mostra un messaggio di errore con istruzioni per installarlo. Con il daemon attivo, le sessioni Cowork funzionano end-to-end.

Il daemon gira come systemd user service (claude-cowork.service) e si collega a Claude Desktop tramite un Unix socket collocato in $XDG_RUNTIME_DIR/cowork-vm-service.sock. Questo socket sostituisce la Named Pipe Windows usata dal backend nativo su macOS e Windows.

yay -S claude-cowork-service

systemctl --user enable --now claude-cowork.service

3. claude-desktop-appimage — alternativa leggera

Maintainer: aaddrick (https://github.com/aaddrick/claude-desktop-debian)

Questo progetto ripacchettizza l’applicazione Windows ufficiale producendo formati multipli: .deb, .rpm, AppImage e un pacchetto AUR. Il pacchetto AUR installa la build AppImage. Include anche un Nix flake per chi vive in quell’ecosistema.

yay -S claude-desktop-appimage

È un’alternativa valida se si vuole la chat desktop senza le patch più invasive di claude-desktop-bin. Non implementa il supporto Cowork patchato né il Computer Use MCP, ma è più conservativo nei confronti del binario originale.

4. claude-desktop e claude-desktop-native — da evitare

claude-desktop (maintainer: zxp19821005): è un client Electron basato sul repository GitHub Karenina-na/Claude-Desktop, non il binario ufficiale Anthropic. Si connette all’API come client di terze parti. Non ha rapporto diretto con il prodotto Anthropic reale, non riceve aggiornamenti frequenti.

claude-desktop-native: problemi attivi di checksum (SHA256 mismatch sull’eseguibile upstream), maintainer originale che ha abbandonato il progetto, fork non mergeati. Allo stato attuale: da non installare.

Installazione completa: il percorso consigliato

# Passo 1 — il client desktop
yay -S claude-desktop-bin

# Passo 2 — il daemon Cowork (opzionale ma necessario per la funzionalità completa)
yay -S claude-cowork-service

systemctl --user enable --now claude-cowork.service

Claude Code CLI, se già installato, non viene toccato. Nel PKGBUILD di claude-desktop-bin, claude-code è dichiarato come optdepends, non come dipendenza obbligatoria. Il daemon lo rileva automaticamente tramite $PATH, risolvendo il binario claude con bash -lc. La tua installazione esistente rimane intatta.

Le dipendenze opzionali: quali installare in base al proprio setup

claude-desktop-bin dichiara una lista di dipendenze opzionali che coprono tutti i possibili ambienti desktop Linux. La scelta giusta dipende dal session type.

Primo passo: identifica il tuo ambiente.

echo $XDG_SESSION_TYPE && echo $XDG_CURRENT_DESKTOP

Poi installa solo le dipendenze pertinenti al tuo caso:

X11 (inclusa XWayland pura):

sudo pacman -S --needed xdotool scrot imagemagick wmctrl

Wayland generico / Sway / Hyprland:

sudo pacman -S --needed ydotool grim jq

GNOME Wayland:

sudo pacman -S --needed ydotool gnome-screenshot socat

glib2, python-gobject e gst-plugin-pipewire coprono già il percorso primario di screenshot su GNOME 46+ tramite il portale PipeWire. Se sono già installati (molto probabile su un GNOME aggiornato), non è necessario aggiungere altro per quella funzione. gnome-screenshot serve come fallback. socat non aggiunge funzionalità ma riduce la latenza del Quick Entry toggle da circa 25ms a circa 2ms.

KDE Plasma Wayland:

Nessuna dipendenza aggiuntiva necessaria.

Configurare ydotool su GNOME/Wayland

ydotool è il componente critico per Computer Use su qualsiasi compositor Wayland: senza di esso, Claude non può controllare il desktop (click, digitazione, scroll). Il pacchetto da solo non basta — richiede il daemon ydotoold attivo.

systemctl --user enable --now ydotool

Verifica che il socket sia accessibile:

echo $YDOTOOL_SOCKET

Se il valore è vuoto, impostalo esplicitamente e aggiungilo al profilo della shell:

export YDOTOOL_SOCKET="/tmp/.ydotool_socket"
# Aggiungilo a ~/.zshenv o ~/.bashrc per renderlo persistente

Il socket deve essere visibile anche al servizio claude-cowork, che non eredita le variabili di sessione utente per default. Verifica che sia presente nell’ambiente systemd:

systemctl --user show-environment | grep YDOTOOL

Se manca, propagalo manualmente e riavvia il daemon:

systemctl --user set-environment YDOTOOL_SOCKET="/tmp/.ydotool_socket"
systemctl --user restart claude-cowork.service

Nota finale

L’approccio di patching automatizzato adottato da patrickjaja ha un vantaggio strutturale rispetto a qualsiasi client riscritto da zero: non insegue funzionalità, insegue rilasci. Quando Anthropic aggiunge qualcosa a Desktop, il processo di patch si adatta.

Questo vantaggio comporta un limite speculare: il binario Windows deve continuare ad essere distribuito nella forma attuale. Se Anthropic cambiasse struttura di distribuzione in modo radicale, le patch smetterebbero di funzionare. È un rischio reale, ma nel frattempo questo è il modo più completo per usare Claude Desktop su Linux.