Numero 5 del 2026

Titolo: MONDO DIGITALE- Storie di una nuvola

Autore: Marco Roccetti

Articolo:
AI, dati e esseri umani

Per capire l'Intelligenza Artificiale (AI) dobbiamo spogliarla dell'alone di fantascienza. L'AI non è cosciente, non prova emozioni e non ha intuizioni. È, tecnicamente, un sistema di inferenza (deduzione). Immaginate un giocatore di scacchi che non conosce le regole del gioco, ma ha osservato milioni di partite: non sa perché muovere la Regina in un certo modo sia giusto, ma inferisce che quella mossa porterà alla vittoria perché in passato lo ha fatto nel 99% dei casi simili.
Fare inferenza significa proprio questo: trarre conclusioni su ciò che non conosciamo basandoci su ciò che abbiamo già visto. L'AI vede schemi, non concetti. Se le mostriamo migliaia di radiografie, lei non imparerà cos'è il dolore o una cellula, ma diventerà imbattibile nel riconoscere una macchia sospetta che segue lo schema della malattia. È un indovino statistico incredibilmente veloce, ma la sua intelligenza dipende totalmente dagli esempi che ha studiato.
Per un paio di secoli circa, la scienza moderna ha seguito un percorso lineare: l’essere umano osserva, formula una teoria (un’idea sul perché le cose accadono) e infine usa i dati per confermarla o smentirla. I dati erano il giudice, non l'avvocato. Oggi, con l'avvento dei Big Data, stiamo assistendo a un ribaltamento radicale. Abbiamo così tante informazioni, miliardi di battiti cardiaci registrati, trilioni di transazioni, flussi infiniti di dati climatici, che abbiamo deciso di delegare la costruzione della teoria alla macchina.
Molti pensano: Non mi serve capire perché accade, mi basta che l'AI trovi una correlazione nei dati. Questo approccio è potentissimo ma nasconde una trappola: il rischio di scambiare coincidenze per leggi di natura. Se l'AI trova che in un certo giorno dell'anno aumentano sia le vendite di gelato che gli attacchi di squali, potrebbe inferire che il gelato attira gli squali. Solo l'intelligenza umana sa che il terzo fattore, il caldo, è la vera causa di entrambi. Senza una teoria di partenza, i dati possono diventare una foresta in cui è facile perdersi.
La matematica che sta dietro all'AI moderna esiste dagli anni '50. Allora perché la rivoluzione è scoppiata solo ora? La risposta sta in due questioni note agli informatici: la memoria e la forza bruta. Vent'anni fa, conservare un terabyte di dati costava una fortuna; oggi è quasi gratis. Abbiamo iniziato a digitalizzare ogni respiro del mondo, creando il carburante necessario all’inferenza. Parallelamente, i processori dei computer (le CPU e soprattutto le GPU) sono diventati milioni di volte più veloci. Quello che nel 2000 avrebbe richiesto mesi di calcolo, oggi un chip grande come una formichina lo risolve in un battito di ciglia. Abbiamo finalmente costruito un motore abbastanza potente da bruciare la montagna di dati che abbiamo accumulato.
Spesso il dibattito pubblico si concentra sulla potenza dell'AI: ci ruberà il lavoro? Diventerà troppo intelligente? In realtà, dovremmo preoccuparci molto di più dell'adeguatezza della benzina con cui alimentiamo questo motore: i dati. Esiste una regola aurea in informatica: se metti dentro spazzatura, esce spazzatura. Se alimentiamo un'AI con dati parziali, errati o rumorosi, lei produrrà inferenze che sembrano perfette ma sono totalmente false.
Il problema non è solo la quantità, ma la così detta varianza spiegata. Dunque mi spiego: immaginate di essere in una piazza affollatissima e di sentire un ronzio costante: è il rumore di migliaia di conversazioni. Se all'improvviso una persona a cento metri da voi urla una singola parola "Odio", voi la sentirete appena. Quel grido rappresenta l'1% della varianza. L'Intelligenza Artificiale, con il suo udito acutissimo, invece, è in grado di isolare quel grido e dirvi: "Ho trovato un'associazione!". Ma quel grido spiega cosa sta succedendo in tutta la piazza? Tutti si odiano? Speriamo di no.
Il problema della scienza moderna è che spesso ci si accontenta di ascoltare un piccolo grido. Se un'AI ci dice che un fattore spiega solo l'1% di un fenomeno, significa che il restante 99% della storia è scritto altrove: nel caos, nelle abitudini, nel DNA, nell'ambiente e nel caso. Stiamo guardando un dettaglio minuscolo e lo scambiamo per la trama del film. Prendiamo un esempio classico: Fare sport migliora la salute. Se la vita fosse un'associazione secca, ogni minuto di corsa corrisponderebbe matematicamente a un giorno di vita in più. Ma sappiamo che non è così. La salute non è il prodotto automatico dello sport, ma il risultato di quanto la complessità di ogni singolo individuo si avvicina o si allontana da quella relazione ideale.
Immaginiamo la relazione Sport = Salute come una linea retta su un grafico. L'individuo A mangia bene, dorme otto ore, non ha stress ereditari e fa sport. La sua complessità è molto vicina alla linea: in lui, l'associazione è forte e visibile. L'individuo B fa lo stesso sport, ma vive in una città inquinata, ha un lavoro logorante e una predisposizione genetica sfavorevole. La sua complessità lo porta lontano dalla retta. Per lui, lo sport spiega solo una frazione minima del suo stato di salute.
L'errore sta nel voler spiegare la salute di entrambi usando solo la variabile sport. È qui che l'AI fallisce se non è alimentata da dati adeguati: vede la linea retta, ma ignora la distanza abissale che separa i singoli individui da quella retta. In statistica, i dati si rappresentano spesso come una nuvola di punti. Quando gli scienziati o un'AI dicono di aver trovato una correlazione del X% di varianza, stanno solo dicendo di aver trovato un debole orientamento in quella nuvola. Ma ogni punto della nuvola è una persona con la sua storia. Se la nuvola è vastissima, usare quella piccola correlazione per predire il destino di un singolo è come cercare di prevedere la traiettoria di una foglia durante un uragano basandosi solo sulla direzione del vento principale. Il vento conta, ma sono i vortici (la complessità individuale) a decidere dove cadrà la foglia.
Dobbiamo smettere di chiederci solo quanti dati abbiamo e iniziare a chiederci quanto quei dati siano adeguati a descrivere le nostre diversità. Se vogliamo spiegare l'evoluzione umana o una malattia complessa usando un marcatore che spiega l'1% della varianza, non stiamo facendo scienza, stiamo facendo un esercizio di stile.
Per rendere i dati adeguati, dobbiamo integrare la potenza inferenziale dell'AI con il senso della misura umano.
Dobbiamo accettare che:
la varianza è libertà: quel 99% che l'AI non spiega è lo spazio dove agiscono l'ambiente, le scelte e la biologia reale;
la qualità batte la quantità: meglio dieci dati che spiegano il 50% del fenomeno (perché colti nella loro interazione reale) che un miliardo di dati che spiegano solo l'1% (perché isolati dal contesto).
La sfida del futuro non è far sì che l'AI trovi più associazioni, ma insegnarle a capire quando un'associazione è così debole da diventare irrilevante per la vita delle persone. L'errore è credere che la vita sia una linea che unisce due punti mentre noi viviamo in tutto lo spazio attorno a quella linea, e tra l'altro siamo gli unici, se lo vogliamo veramente, a potere insegnare all'AI che le cose stanno proprio così.