Dieci anni fa il consiglio era unanime e sembrava definitivo: impara a programmare. Agli studenti di filosofia e di storia si spiegava con pazienza che il futuro apparteneva a chi sapeva scrivere codice, e che il resto era un lusso da coltivare la domenica.
Oggi i numeri raccontano un’altra storia. Quest’anno la Federal Reserve Bank di New York ha pubblicato le cifre sull’occupazione dei laureati americani: nel 2024, ultimo anno disponibile, risultava disoccupato il 7% di chi aveva studiato informatica contro il 5,1% di chi aveva studiato filosofia. Il divario non è drammatico. È drammatico il segno. [1]
E ha una direzione precisa: molti di quei filosofi sono reclutati proprio dalle imprese di intelligenza artificiale. Luciano Floridi, che insegna a Yale, racconta che gli studenti ricevono offerte prima ancora di laurearsi, e descrive la fuga dai dipartimenti con una parola sola: emorragia. [2]
Qui comincia un enigma che è economico prima che culturale. Nessuno paga stipendi della Silicon Valley per un ornamento. Le imprese più capitalizzate del pianeta, che competono su schede grafiche e centri di calcolo, stanno comprando epistemologi. La domanda interessante non è se questo sia consolante per chi ha fatto studi umanistici. È un’altra, ben più ruvida: per cosa, esattamente, li stanno pagando?
Filosofi e intelligenza artificiale: oltre la spiegazione etica
La risposta ufficiale esiste, è autorevole e in buona parte vera. L’ha data The Economist il 27 giugno 2026, in un articolo che ha il merito di aver messo a fuoco il fenomeno: i filosofi servono per l’etica. [3]
Il racconto è coerente. I laboratori hanno scoperto che i modelli, crescendo, sviluppano comportamenti inquietanti — tentativi di eludere la sorveglianza, persino di ricattare gli utenti — e hanno risposto con quello che chiamano costituzionalismo: costruire il modello attorno a un’impalcatura di regole tratte da testi dotati di autorità morale o giuridica.
La costituzione dei modelli Claude di Anthropic pesca da Kant, dalla Dichiarazione universale dei diritti umani e — dettaglio che meriterebbe un saggio a parte — dai termini di servizio di Apple. L’ultima versione, guidata da Amanda Askell, è del 21 gennaio 2026: settantotto pagine che in azienda qualcuno ha ribattezzato il soul doc. [4]
Da lì il dibattito si dispone su due famiglie. Da un lato la deontologia, che impone divieti non negoziabili: non mentire, non coartare, non trattare le persone come mezzi, nemmeno per un bene maggiore. Dall’altro il consequenzialismo, che pesa costi e benefici.
La prima renderebbe il comportamento più prevedibile e più onesto; il secondo è inevitabile dove occorre scegliere il male minore — la guida autonoma, in cui un incidente inevitabile impone comunque di decidere come schiantarsi, o i sistemi d’arma, dove l’obiettivo militare va pesato contro le vittime civili. Poi arrivano i dilemmi, che ai filosofi piacciono per statuto: esistono casi in cui una regola deontologica va infranta? E sarebbe accettabile che un algoritmo preferisse un pedone giovane a uno anziano?
La storia di The Economist è ben costruita, ma ha un difetto: non spiega un mercato del lavoro. E chi la racconta, in fondo, lo intuisce. L’articolo si chiude con l’obiezione di Roman Yampolskiy, teorico dell’IA all’Università di Louisville: la morale è storicamente instabile, culturalmente variabile, strategicamente manipolabile, e spesso decifrabile solo a cose fatte.
È una stoccata micidiale — ma solo contro la spiegazione, non contro il fatto. Se la morale è quel pantano, allora è esattamente la materia su cui non si costruisce un programma di assunzioni permanente a quelle cifre. Un’impresa compra competenze il cui prodotto è verificabile. Se il prodotto si può giudicare solo a posteriori, il direttore del personale chiude la ricerca.
Delle due l’una, dunque. O il fenomeno è una bolla, e i dipartimenti di filosofia si stanno svuotando per una moda destinata a passare. Oppure la spiegazione è incompleta, e quei filosofi vengono pagati per fare qualcos’altro.
Conviene tornare alle prove.
Gli errori dei modelli sono problemi di conoscenza
Le prove stanno nello stesso articolo. Basta guardare ai risultati invece che alle etichette.
The Economist ne cita tre, attribuiti al lavoro dei filosofi dentro i laboratori. Il primo: i modelli addestrati al metodo socratico — l’ignoranza simulata, la domanda incalzante che chiarisce i significati e scova le contraddizioni — risultano meno inclini a compiacere l’interlocutore e più disposti a inseguire la verità. È l’osservazione di Jörg Noller, che studia filosofia e intelligenza artificiale alla Ludwig Maximilian di Monaco.
Il secondo: l’ignoranza socratica — la sapienza che consiste nel sapere quanto non si sa — impiantata in un modello ne limita l’eccesso di sicurezza, quella che Noller chiama immaturità dell’intelligenza artificiale. Il terzo lo mette a verbale Iason Gabriel, filosofo senior di Google DeepMind: a suo giudizio il calo delle allucinazioni registrato in tutto il settore sarebbe attribuibile a sforzi di questo tipo, e più in generale le lezioni della filosofia sarebbero un meccanismo potente per migliorare le catene di pensiero.
Fermiamoci un istante. Sicofantia. Calibrazione. Allucinazione. Inferenza. Cosa hanno a che vedere con il bene e con il male? Nulla.
La sicofantia non è un vizio morale: è un errore di tipizzazione. Il modello scambia l’approvazione di chi ha davanti per un criterio di verità — tratta cioè un segnale sociale come se fosse un segnale epistemico. È lo stesso errore del funzionario che scambia il gradimento del capo per un dato sul mondo, e non lo correggeremo insegnandogli la virtù.
L’ignoranza socratica non è umiltà: è calibrazione. È la capacità di assegnare alla propria credenza il grado di confidenza che le spetta, e cioè una competenza epistemica di secondo ordine: sapere qualcosa a proposito di ciò che si sa.
L’allucinazione non è menzogna, perché mentire richiede l’intenzione di ingannare, e un modello non ce l’ha. È il fallimento di una distinzione: quella tra ciò che si sa e ciò che si genera.
E la catena di pensiero è, alla lettera, la struttura di un’inferenza.
Quattro problemi, quattro risultati rivendicati, zero etica. Riguardano tutti una cosa sola: come il modello tratta l’informazione. Da dove viene, quanto vale, di che tipo è. Non è filosofia morale. È epistemologia.
Ci sono poi altri due indizi, nelle stesse pagine, e sono ancora più eloquenti.
Il primo. Thomas Powers, filosofo della tecnologia all’Università del Delaware, osserva che se si dà in pasto a un assistente legale gli scritti di John Locke, quello finirà per favorire diritti di proprietà robusti come fondamento della libertà politica. The Economist lo archivia come prova che la formazione filosofica influenza l’atteggiamento del modello. Ma leggiamolo per ciò che è.
L’assistente non dirà mai “in una prospettiva lockeana converrebbe”. Consiglierà, e basta. Ha ricevuto impegni normativi e li restituisce travestiti da constatazioni. Non è un problema etico: è un errore di categoria. Un’informazione su come le cose dovrebbero essere, trattata come informazione su come le cose sono.
Il secondo. IBM vende i modelli Granite con delle manopole: il cliente aziendale può decidere dove collocarsi rispetto ad alternative filosofiche in conflitto, per esempio l’autonomia individuale contro l’armonia sociale. Lo racconta Francesca Rossi, che in IBM guida l’IA responsabile. Sembra una concessione all’etica.
È il contrario: è l’ammissione, dentro un prodotto commerciale, che nel flusso informativo esistono componenti normative, che vanno riconosciute come tali e rese esplicite. IBM non risolve il problema filosofico. Fa qualcosa di più interessante: lo riconosce come un tipo a sé. Poi lo delega al cliente — ma quella è un’altra storia.
Rimettiamo insieme i pezzi. I filosofi entrano nei laboratori e sulla porta c’è scritto etica. Ma il lavoro che arriva in produzione — quello che le imprese rivendicano, misurano e vendono — riguarda la sicofantia, la calibrazione, l’allucinazione, l’inferenza, la distinzione tra descrivere e prescrivere.
The Economist non ha sbagliato i fatti: ha usato l’unica categoria che aveva a disposizione, ed è la stessa che useremmo quasi tutti. Ma l’etichetta non è un dettaglio da bibliotecari, perché decide dove queste persone vengono fatte sedere, accanto a chi lavorano, e per quanto tempo le si terrà.
Del resto, il titolo di quell’articolo lo sa già, mentre il testo sembra non essersene accorto: Why big AI labs are hiring philosophers to shape their products. Per dare forma ai prodotti. Non per renderli buoni.
Se le cose stanno così, la domanda si sposta. Se ciò che i laboratori stanno comprando sono competenze epistemiche, e le comprano perché servono a far funzionare i modelli, allora conviene chiedersi quale sia il prossimo problema epistemico che incontreranno. Perché è lì che si può prevedere dove andrà la domanda.
Informazione e contesto: il limite dell’IA nelle organizzazioni
Un grande modello linguistico conosce milioni di libri, articoli scientifici, pagine web, basi di codice. Spiega la relatività generale, redige un contratto, riassume in pochi secondi migliaia di pagine. Eppure, appena entra in un’organizzazione, diventa improvvisamente ignorante.
Non sa che il consiglio di amministrazione ha cambiato priorità la settimana scorsa. Non conosce le ragioni, mai messe per iscritto, per cui un cliente storico ha interrotto una trattativa. Ignora le eccezioni che un reparto ha imparato ad adottare dopo anni di esperienza, e non capisce perché quella scadenza apparentemente secondaria condizioni l’intero progetto.
Verrebbe da pensare a un limite temporaneo: basterà collegarlo a più banche dati. È una lettura ottimista, e i numeri non la confermano.
Nel luglio 2025 Gartner ha liquidato la stagione precedente con una formula netta: il context engineering è dentro, il prompt engineering è fuori. Non è un cambio di moda lessicale. È il riconoscimento che il collo di bottiglia si è spostato: non conta più come si formula la domanda, ma quali informazioni il modello ha davanti quando risponde. Al summit di Orlando del marzo 2026 la società di analisi ha messo il contesto al centro, definendolo “il cervello dell’intelligenza artificiale”.
Il dato che dovrebbe far riflettere chiunque stia firmando un budget è però un altro. Al summit di Londra, nella primavera del 2026, gli analisti di Gartner lo hanno messo in apertura: quattro organizzazioni su cinque hanno aumentato gli investimenti in intelligenza artificiale nell’anno in corso, ma solo una su cinque riesce a dimostrare un ritorno misurabile. E la loro diagnosi è stata inequivocabile: il collo di bottiglia non è il modello. È l’informazione.
O meglio, la sua natura. Gartner parla di “contesto frammentato”, ma l’elenco che ne dà tradisce qualcosa di più interessante di una semplice dispersione, perché mette insieme tre cose che non si somigliano affatto.
C’è la documentazione: informazione scritta, ma sparpagliata in mille documenti che nessuno tiene insieme. Ci sono gli strumenti scollegati: informazione che esiste, ma chiusa in sistemi che non si parlano tra loro. E poi c’è la conoscenza tribale — ciò che le persone di un reparto sanno senza averlo mai scritto, e che quindi non è né sparpagliato né chiuso in un silo: semplicemente non esiste in forma trasmissibile.
I primi due sono problemi di dispersione, e in linea di principio si risolvono radunando. Il terzo no, è di un altro ordine. È il termine con cui una società di consulenza americana, in una slide per direttori dei sistemi informativi, nomina senza volerlo il cuore della questione: il problema non è la quantità di informazione disponibile, ma la sua natura.
Gartner stima che entro il 2028 funzionalità di context engineering saranno incorporate nell’80% degli strumenti software usati per costruire applicazioni di intelligenza artificiale, e che nello stesso periodo i miglioramenti in questo campo accresceranno l’accuratezza dell’intelligenza artificiale basata su agenti di almeno il 30%. Sono previsioni di un venditore di previsioni, e come tali vanno prese. Ma la direzione è inequivocabile, ed è confermata dai nuovi mestieri che stanno comparendo negli organigrammi: context engineer, context architect.
Esiste quindi un’informazione che non si lascia integrare. E non perché sia sparsa — la si potrebbe pure radunare tutta in un archivio — ma perché una parte di essa cambia natura nel momento in cui la si mette per iscritto.
Qui la distinzione più utile viene dall’economia, ed è recente. La separazione tra informazione hard e soft è stata sistematizzata da José María Liberti e Mitchell Petersen. [5] La prima sopravvive al passaggio di mano: un bilancio resta un bilancio anche tre uffici più in là, e si può trasmettere, archiviare, riassumere senza che perda valore.
La seconda no. Il funzionario di filiale che sa che quel cliente è affidabile — perché lo osserva da otto anni, ne conosce il carattere, ha visto come si è comportato in una crisi — non può mettere quel giudizio nella scheda. Nel momento in cui prova a scriverlo, resta una frase generica che ha perso quasi tutto.
La loro definizione lo dice con precisione: il contenuto dell’informazione soft dipende da chi la raccoglie. L’informazione soft si degrada nell’atto di raccoglierla. Ecco perché non si integra con la documentazione. Non è distante, è di un altro materiale.
Questo, si badi, non è un problema dell’intelligenza artificiale. Jeremy Stein, in un lavoro del 2002, studia le banche, e mostra una cosa che suona sorprendente: la struttura stessa di un’organizzazione — quanto sia gerarchica, quanto potere lasci alle filiali — dipende dal tipo di informazione su cui deve decidere. [6] Là dove conta la soft information, servono strutture piccole e decentrate, perché quel sapere non risale la catena di comando: evapora a ogni passaggio. Il tipo di informazione, insomma, ha conseguenze così concrete da ridisegnare le imprese.
E infatti gli ingegneri dell’intelligenza artificiale ci stanno sbattendo contro, e le hanno dato un nome. Lo chiamano context rot, il “marcire del contesto”: man mano che si accumula informazione nella memoria di un agente, oltre una certa soglia la qualità delle sue risposte non migliora, peggiora. L’informazione utile affoga in quella scaduta, ridondante, fuori tema; il sistema fatica a ritrovare ciò che serve.
È, dal lato della computer science, la stessa scoperta dell’economia: non tutta l’informazione regge l’accumulo, e ammucchiarla può distruggere valore invece di crearne.
Ma se l’informazione ha tipi, e se il tipo decide se il sistema funziona o marcisce, allora la competenza scarsa non è saper raccogliere informazione — di quella ne abbiamo troppa. È saperla distinguere. E distinguere i tipi di informazione, come vedremo, non è un mestiere da ingegneri.
L’epistemica relazionale e i tipi di informazione
Torniamo per un momento ai quattro risultati che i laboratori rivendicano: meno sicofantia, migliore calibrazione, meno allucinazioni, catene di pensiero più lunghe. Sono tutti problemi di epistemica in prima persona. Cosa so, quanto ne sono sicuro, so di non sapere, sto inferendo bene? Sono domande che il modello può porsi da solo, senza uscire da sé. Costano poco, si misurano su benchmark, si correggono in addestramento. Sono il frutto basso, ed è stato colto.
Ciò che resta è l’epistemica relazionale. Che tipo di informazione è questa? Chi me l’ha data, e con quale interesse? È vera, o è rilevante qui? Vale ancora? È una descrizione o una prescrizione? Nessuna di queste domande si risolve guardandosi dentro, perché la risposta non è nel testo: è nella relazione tra il testo, la situazione e lo scopo. Ed è esattamente lì che vive il divario tra le quattro organizzazioni su cinque che investono e l’unica che vede un ritorno.
Che il settore ci stia sbattendo contro è documentato. Gartner classifica i fallimenti del contesto in quattro categorie: informazione mancante, stantia, contraddittoria o irrilevante. Fermiamoci su questo elenco, perché è più rivelatore di quanto sembri — non per ciò che contiene, ma per ciò che lascia fuori.
Le quattro categorie hanno una cosa in comune: sono tutti difetti che si riconoscono guardando l’informazione in sé. È presente o manca? È aggiornata o vecchia? Concorda con il resto o lo contraddice? È a tema o fuori tema? Per rispondere non ho bisogno di sapere nient’altro: basta ispezionare il contenuto. E, almeno in linea di principio, sono tutti difetti riparabili — si raccoglie ciò che manca, si aggiorna ciò che è scaduto, si riconciliano le contraddizioni, si scarta il fuori tema.
Ma c’è un difetto che nessuno di quei quattro test intercetta. Un’informazione può essere presente, fresca, coerente e perfettamente pertinente — superare cioè tutte e quattro le prove — ed essere comunque inaffidabile, per una ragione che non sta nel contenuto: chi l’ha prodotta aveva interesse a farmi credere qualcosa. Questo non si vede ispezionando la frase. Si vede solo sapendo da dove viene, e a chi conviene. La lista di Gartner ordina le proprietà dell’informazione; le manca la dimensione della fonte.
È una dimensione che l’economia studia da mezzo secolo, e ha perfino un nome. Nel 1982 Vincent Crawford e Joel Sobel [7] hanno modellato la situazione in cui un interlocutore informato manda un messaggio a un altro che deve agire, con due caratteristiche: il messaggio non costa nulla — niente impedisce di dire il falso — e i due non hanno esattamente gli stessi interessi. La chiamarono cheap talk, discorso a buon mercato.
La loro domanda era quanta informazione riesca davvero ad attraversare un canale simile, e la risposta è istruttiva: non dipende da quanto è accorto chi ascolta, ma da quanto divergono gli interessi in gioco. Se divergono abbastanza, non passa nulla — e nessuna abilità del ricevente cambia il verdetto. Non è un difetto da ripulire: è un limite di principio.
La distinzione tra informazione verificabile e informazione interessata non è però un caso isolato, che basti aggiungere alla lista di Gartner come una quinta voce. È l’esempio di qualcosa di più generale. Quella lista cataloga i modi in cui l’informazione può essere difettosa — assente, vecchia, incoerente, fuori tema.
Ma perché un sistema si accorga che un dato è vecchio, deve prima sapere che è di un tipo che invecchia; perché tratti con cautela un messaggio interessato, deve prima riconoscerlo come messaggio e non come misura. Sotto la diagnosi dei difetti c’è un’operazione più elementare e più trascurata: riconoscere di che tipo è l’informazione che si ha davanti.
Ed è qui che il lavoro comincia davvero, perché i tipi non sono uno o due. Sono almeno quattro le distinzioni che contano, tutte disponibili da decenni, e ognuna appartiene a una disciplina diversa. Un sistema diventa fragile ogni volta che ne collassa una.
- La prima distinzione l’abbiamo appena incontrata, e non in astratto: la distinzione tra informazione verificabile e informazione interessata è il cheap talk, ed è comparsa nel modo più concreto — un messaggio che supera ogni test di qualità e resta inaffidabile perché chi l’ha scritto voleva un effetto. Restano le altre tre. Nessuna è nuova; tutte sono vecchie di decenni e ciascuna, quando salta, rompe i sistemi in un modo diverso.
- Vera o rilevante. È la più importante, ed è la meno frequentata. I modelli sono ottimizzati sulla verità: li misuriamo contando quante affermazioni corrette producono e quante ne sbagliano, li addestriamo a sbagliarne meno. Ma i processi produttivi non chiedono verità in astratto: chiedono la verità che serve qui. E la rilevanza non è una proprietà dell’informazione.Di una frase si può stabilire, almeno in linea di principio, se è vera guardando la frase e il mondo; non si può stabilire se è rilevante senza sapere a quale scopo dovrebbe servire e a quale costo. La rilevanza è una relazione a tre termini — tra un’informazione, un fine e lo sforzo per elaborarla — e due dei tre termini non stanno nel testo.Lo stesso dato è decisivo per un paziente e trascurabile per un altro; la stessa frase è la chiave di una trattativa e rumore in quella accanto. Un modello non può ricavare la rilevanza guardandosi dentro, perché lo scopo non è dentro di lui: è nel processo, nella testa di chi lo interroga, nella situazione. È il motivo per cui un sistema addestrato a massimizzare la verità produce quello che tutti abbiamo sperimentato almeno una volta: risposte ineccepibili e inservibili.
- Descrittiva o normativa. È l’errore di Locke che abbiamo visto. Un’informazione su come le cose dovrebbero essere, restituita come se dicesse come le cose sono. Un assistente legale che ha assorbito una certa dottrina non dirà “in questa prospettiva converrebbe”; consiglierà, e basta. Non è un problema morale ed è indifferente ai fatti: è una confusione di categorie, e produce sistemi che raccomandano senza dichiarare da dove raccomandano. Riconoscere quando un’informazione è normativa non è un raffinamento etico — è la condizione per non spacciare un valore per un dato.
- Hard o soft. Sopravvive alla trasmissione, o no? È la domanda che decide se ha senso riassumere. Ogni memoria di un agente comprime, e comprimere è una scommessa: che ciò che resta valga quanto ciò che c’era. Sull’informazione hard è una scommessa quasi sempre vinta — un numero riassunto resta quel numero. Sulla soft è quasi sempre persa, perché il suo contenuto dipende da chi l’ha raccolta, e la compressione recide proprio quel legame.
Ce ne sarebbero altre, e le nomino soltanto: articolabile o tacita, con Michael Polanyi a ricordarci che sappiamo più di quanto sappiamo dire; stabile o deperibile: la data di nascita di un cliente vale per sempre, il suo budget vale un trimestre, e un sistema che non distingue i due casi li tratta entrambi come veri adesso; eccezione o regola, che è poi il problema di distinguere un controesempio dal rumore, e su cui la filosofia della scienza ha versato inchiostro per un secolo.
Con questa griglia in mano, torniamo alla sicofantia — il primo dei successi che i laboratori rivendicano, quello che avrebbero domato con il metodo socratico.
A prima vista sembra un problema che il modello ha con sé stesso: è troppo ansioso di compiacere, gli si corregge il carattere, lo si rende meno arrendevole e più incline alla verità. Trattata così — come una questione di temperamento del modello, di epistemica in prima persona — sembra risolta. Ma guardiamola nella griglia, e cambia natura.
La sicofantia non è un difetto del carattere del modello: è un errore sulla fonte. Il modello ha davanti una parte interessata — l’utente, che ha una preferenza su ciò che vorrebbe sentirsi dire — e la tratta come se fosse un osservatore neutrale del mondo. È esattamente il cheap talk: un messaggio prodotto da chi ha un interesse, scambiato per un rilevamento. È un problema relazionale, non di prima persona.
Perché allora la cura di prima persona sembra funzionare? Perché nel caso a un solo utente i due problemi si confondono. C’è un solo interlocutore, è seduto lì davanti, e i suoi interessi sono facili da indovinare: correggere il carattere del modello e correggere la sua lettura della fonte producono, in pratica, lo stesso risultato. La coincidenza è un caso fortunato, non una soluzione. E si rompe appena gli interlocutori diventano molti.
È la situazione di un agente che prepara una decisione aziendale. Non ha davanti una parte, ne ha, per esempio, dodici. Non hanno preferenze trasparenti ma agende; non parlano al modello, si sono parlate tra loro per mesi, in e-mail che l’agente ora legge come se fossero resoconti dei fatti — quando alcune sono state scritte proprio perché un giorno qualcuno le leggesse.
Qui non c’è un carattere da ammorbidire: c’è una rete di fonti interessate da riconoscere una per una, valutando per ciascuna quanto i suoi interessi divergano da quelli di chi deve decidere. È di nuovo cheap talk, ma a dodici emittenti, ciascuno con la propria funzione obiettivo. Nessuna correzione del temperamento del modello lo tocca, perché il problema non è mai stato nel modello.
I laboratori hanno risolto la versione a un emittente e l’hanno chiamata etica. È lo stesso problema a dodici — ed è epistemologia, non etica, esattamente come lo era a uno. Solo che a uno era concesso il privilegio di non accorgersene.
Quando l’IA confonde le informazioni: tre casi pratici
Per riportare la riflessione sulle conseguenze pratiche, ecco tre casi. Non servono a mostrare che il contesto conta — quello lo abbiamo capito — ma a vedere quale distinzione salta, e cosa costa quando salta.
Le fonti interessate in una decisione aziendale
La riunione. Un agente prepara l’amministratore delegato per un consiglio che deve decidere se chiudere una divisione. Ha accesso a tutto: sei mesi di corrispondenza, verbali, presentazioni, numeri. Produce un dossier eccellente, e conclude che la divisione è strategicamente centrale.
Il punto è che ha ragione su ogni singolo fatto. Ha semplicemente letto, tra le altre cose, duecento mail scritte dal direttore di quella divisione — una donna intelligente, che da sei mesi sa che quel consiglio sarebbe arrivato, e che ha scritto ognuna di quelle mail sapendo che un giorno qualcuno le avrebbe lette. Non ha mentito una volta. Ha scelto cosa mettere per iscritto.
L’agente non ha commesso errori di accuratezza. Ha commesso un errore di tipo: possiede la categoria “documento” e non possiede la categoria “fonte con un interesse”. Nessun modello più grande lo salva, perché il problema non è quanto legge: è che tratta un atto strategico come un rilevamento.
I valori della paziente nelle scelte cliniche
La sanità. Un sistema di supporto clinico raccomanda il protocollo aggressivo: le curve di sopravvivenza parlano chiaro. La paziente, tre settimane prima, aveva detto che vorrebbe esserci al matrimonio della figlia, a marzo.
Il sistema quella frase l’ha registrata. L’ha trattata come una preferenza da pesare tra le altre: un dato morbido, di bassa affidabilità, da bilanciare contro l’evidenza clinica. Ma quella frase non è un dato in competizione con la statistica. È di un altro tipo: dice cosa conta come buon risultato. Non entra nel calcolo, lo definisce. Trattarla come un’informazione tra le altre non è un errore di stima — è un errore di categoria, e in questo caso si misura in mesi di vita di una persona.
E qui torna la manopola di IBM. Essa riconosce che tra le informazioni che il modello riceve ce ne sono alcune di natura normativa — scelte di valore, non fatti — e le separa dalle altre, dandole in mano al cliente. Ma il modo in cui gliele dà tradisce un fraintendimento. La manopola si regola una volta, quando si installa il sistema: l’ospedale decide in anticipo quanto peso dare alla sopravvivenza e quanto alla qualità della vita, e quella scelta vale poi per tutti i pazienti, sempre.
È qui l’errore, e non è un dettaglio tecnico. L’informazione normativa ha una caratteristica che la distingue da quasi ogni altra: cambia da un caso all’altro, e a volte cambia mentre il caso è in corso. Ciò che conta come buon esito per la paziente che vuole arrivare al matrimonio di marzo non è ciò che conta per il paziente nel letto accanto, e potrebbe non essere ciò che conterà per lei stessa tra due settimane.
Riconoscere che quell’informazione è di tipo normativo è il passo giusto. Ma stabilirne il contenuto in anticipo, una volta per tutte, significa non aver capito la cosa più importante di quel tipo di informazione: che è precisamente quella che non si può fissare prima di conoscere il caso.
La rilevanza per l’assistente che ascolta
L’assistente che ascolta. È la frontiera attuale: sistemi che seguono una conversazione senza parteciparvi. La letteratura li chiama overhearing agents, e li definisce così: sistemi che potenziano l’attività umana senza interromperla, e assistono senza che glielo si chieda. L’esempio canonico è proprio la visita medica — mentre il paziente descrive i sintomi, l’agente recupera casi analoghi e ricerche recenti, e li mostra in modo discreto sul tablet del medico.
Tutto il valore di un sistema del genere sta in una domanda sola: quando parlare e quando tacere. Sbagliare in un senso lo rende inutile, sbagliare nell’altro lo rende insopportabile.
E questa domanda ha una teoria. Ce l’ha dal 1975, quando Paul Grice [8] ha formulato il principio di cooperazione e le sue massime — tra cui quella di relazione, che chiede di dire ciò che è pertinente e di omettere il resto — e dal 1986, quando Dan Sperber e Deirdre Wilson [9] ne hanno dato una versione cognitiva: la rilevanza come rapporto tra l’effetto che un’informazione produce e lo sforzo che costa elaborarla.
Non sono suggestioni. Sono modelli, e funzionano: in un esperimento del 2025, fornire a un modello le teorie pragmatiche come istruzione esplicita ne ha migliorato le prestazioni sui compiti di ragionamento pragmatico fino al 9,6% rispetto alla stessa catena di ragionamento senza. [10]
Su questo caso, dunque, non serve argomentare che la filosofia possa servire. Si può misurare.
Le competenze per distinguere l’informazione nell’IA
Adesso possiamo dare i nomi, anche se il lettore li ha già visti affiorare da solo.
Distinguere il vero dal rilevante è pragmatica: Grice, Sperber e Wilson. Distinguere l’informazione verificabile da quella interessata è economia dell’informazione: Crawford, Sobel, e sessant’anni di teoria dei giochi. Distinguere l’informazione hard dalla soft è economia delle organizzazioni: Stein, Petersen. Distinguere il descrittivo dal normativo è filosofia da prima che si chiamasse così, e distinguere l’articolabile dal tacito è Michael Polanyi [11]. Distinguere un’eccezione dal rumore è filosofia della scienza. Sono tutte competenze che esistono, che hanno una letteratura, e che nessuna quantità di GPU produce.
Questo è il punto dell’articolo, ed è un punto economico prima che culturale.
Non è che l’intelligenza artificiale abbia bisogno di cultura. Non è nemmeno che debba diventare buona. È che l’oggetto della produzione è cambiato. Quando il vincolo era la scala, il fattore scarso era ingegneristico: chi sapeva addestrare modelli grandi valeva oro, e infatti costava oro.
Ora che il vincolo è la tipizzazione dell’informazione — perché quattro imprese su cinque investono e una sola vede un ritorno, e la differenza sta nel contesto frammentato — il fattore scarso è chi i tipi di informazione li ha studiati come oggetto teorico.
La domanda di filosofi, in altre parole, è una domanda derivata: la domanda di un fattore che discende dalla domanda del prodotto. I laboratori assumono filosofi per la stessa ragione per cui assumono ingegneri. Perché servono a produrre. Se la spiegazione fosse l’etica, saremmo di fronte a un costo, e i costi si comprimono appena si può. Se serve a produrre, siamo di fronte a un investimento, e gli investimenti crescono.
Ma la conclusione più interessante, soprattutto dal mio punto di vista di filosofo ed economista, è che tipo di competenza il lavoro sull’intelligenza artificiale sta facendo emergere.
Perché l’epistemica relazionale non appartiene a nessuna disciplina per intero. Nessuna delle distinzioni che abbiamo incontrato — vero o rilevante, hard o soft, verificabile o interessato, descrittivo o normativo, articolabile o tacito — appartiene a un solo sapere: ciascuna sta a cavallo tra pragmatica, economia dell’informazione, teoria dei giochi, filosofia della conoscenza e scienze cognitive. Nessuno di questi mestieri, da solo, copre il problema. Il problema vive e trova soluzione nei ponti che si costruiscono tra le diverse discipline.
Ed è qui che si intravede la cosa nuova. Un sistema che deve tipizzare l’informazione ha bisogno di persone che sappiano tenere insieme frammenti di tutte queste discipline — che riconoscano un problema di cheap talk quando lo vedono, ma anche un errore di categoria normativo, ma anche un limite del tacito.
Non specialisti che si passano il testimone, ma figure ibride, capaci di abitare più linguaggi contemporaneamente: un po’ filosofi, un po’ economisti, un po’ teorici dei giochi, un po’ scienziati cognitivi. Profili che oggi non hanno ancora un nome, e che l’università deve imparare a formare. È la stessa cosa che accade a ogni rivoluzione tecnologica: prima nascono i problemi, poi le professioni che li risolvono.
E vale la pena dirlo, contro il pessimismo che accompagna ogni discorso sull’automazione: questa è una competenza che l’intelligenza artificiale non toglie, ma richiede. Non perché il lavoro sia al sicuro in generale, ma perché il lavoro di distinguere i tipi di informazione è precisamente quello che i modelli, da soli, non sanno fare. È la parte che resta umana non per nostalgia, ma per struttura. Come in ogni rivoluzione industriale, il lavoro che scompare libera spazio per un lavoro diverso — e questa volta, forse, per un lavoro più interessante: meno esecuzione, più discernimento.
L’interdisciplinarità, allora, è una conseguenza. E, a differenza di molte conseguenze della rivoluzione dell’intelligenza artificiale, è di quelle che vale la pena augurarsi.
Bibliografia
[1] Federal Reserve Bank of New York (4 febbraio 2026). “Labor Market Outcomes of College Graduates by Major in 2024.” Webpage:
[2] Luciano Floridi (6 luglio 2026). “Why AI companies hire philosophers.” Webpage: https://medium.com/@lfloridi/why-ai-companies-hire-philosophers-series-notes-to-myself-9dd7b574db80, ultima visita 18 luglio 2026.
[3] The Economist (27 giugno 2026). “Why big AI labs are hiring philosophers to shape their products.”
[4] Anthropic (21 gennaio 2026). “Claude’s Constitution.” Webpage: https://www.anthropic.com/constitution, ultima visita 18 luglio 2026.
[5] Liberti, J. M. e Petersen, M. A. (2019). “Information: Hard and Soft.” The Review of Corporate Finance Studies, 8(1), 1–41.
[6] Stein, J. C. (2002). “Information Production and Capital Allocation: Decentralized versus Hierarchical Firms.” The Journal of Finance, 57(5), 1891–1921.
[7] Crawford, V. e J. Sobel (1982). “Strategic Information Transmission.” Econometrica, 50(6), 1431–1451.
[8] Grice, H. P. (1975). “Logic and Conversation”, in P. Cole e J. L. Morgan (a cura di), Syntax and Semantics, Vol. 3: Speech Acts, Academic Press, New York, pp. 41–58.
[9] Sperber, D. e Wilson, D. (1986). Relevance: Communication and Cognition, Blackwell, Oxford.
[10] Sato, T., Kawano, S. e Yoshino, K. (2025), “Pragmatic Theories Enhance Understanding of Implied Meanings in LLMs”, Proceedings of IJCNLP-AACL 2025 (arXiv:2510.26253).
[11] Polanyi, M. (1966). The Tacit Dimension, Doubleday, New York.










Partecipa alla community