Lo specchio scomodo: cosa l’intelligenza artificiale ci aiuta a vedere di noi
Prima di leggere il resto, un secondo di gioco. Rispondete di pancia, senza calcolare.
Una mazza e una palla costano un euro e dieci. La mazza costa un euro più della palla. Quanto costa la palla?
Se vi è venuto in mente “dieci centesimi”, siete in ottima compagnia: è la risposta che dà circa metà degli studenti di Harvard, del MIT e di Princeton. Il test è dello studioso Shane Frederick; la cornice del “sistema uno / sistema due” è del premio Nobel Daniel Kahneman. La risposta giusta è cinque centesimi.
Ma la cosa interessante non è l’errore. È come ci siete arrivati: in fretta, e con la sensazione netta di avere ragione.
Tenete lì quella sensazione. È il cuore dell’intervento che abbiamo portato alla International AI Week di ENIA, l’Ente Nazionale per l’Intelligenza Artificiale, nella giornata dedicata a “La Magnifica Umanità nell’era dell’AI”. Il titolo era quello di questo articolo, e la tesi una sola: smettiamo di usare l’intelligenza artificiale come imputato, e proviamo a usarla come specchio.
Non parliamo di quanto sbaglia lei. Parliamo di quanto sbagliamo noi — e di quanto poco ce ne accorgiamo.
Primo: non vediamo la realtà. La ricostruiamo.
C’è una scacchiera famosa, disegnata da Edward Adelson del MIT. Due caselle: la A, in piena luce, e la B, nell’ombra del cilindro. Sembrano due grigi diversi.
Sono lo stesso identico grigio. Non ci credete? Cliccate sull’immagine.
E la parte che spiazza davvero non è l’inganno: è che anche dopo averlo visto, l’inganno continua a funzionare. Riguardate la scacchiera senza la barra: il cervello sa che la B è in ombra, e la schiarisce per voi, prima ancora che l’immagine arrivi alla coscienza. Non potete non vederla più chiara. Sapere come funziona l’inganno non vi protegge dall’inganno.
Tenetelo a mente, perché tra poco lo ritroveremo.
Vale anche per il colore. Diciamo che il sangue è rosso, ma “rosso” nel sangue non c’è: là fuori ci sono onde luminose di una certa lunghezza, e “rosso” è la traduzione che ne fa il cervello. L’unica realtà a cui abbiamo accesso è quella che il nostro sistema percettivo ricostruisce, in tempo reale, tirando a indovinare.
E qui la macchina ci somiglia più di quanto ci faccia comodo ammettere. Nemmeno lei legge i dati “così come sono”: li interpreta secondo i pattern che si aspetta. Quella che chiamiamo allucinazione — il modello che genera con sicurezza qualcosa che nei dati non c’è — obbedisce allo stesso principio del vostro cervello con quella scacchiera: riempire un buco con il pattern atteso. I meccanismi sono diversi. Il principio è lo stesso.
È in parte perfino una questione di vocabolario: quando lo fa la macchina lo chiamiamo allucinazione, e ci preoccupiamo. Quando lo facciamo noi lo chiamiamo vedere, e ci fidiamo ciecamente.
Secondo: ci sfugge anche ciò che stiamo fissando.
L’esperimento è del 1999, di Simons e Chabris. Si contano i passaggi di un pallone; in mezzo alla scena entra una persona travestita da gorilla, si batte il petto e se ne va. Circa metà degli spettatori non la vede. E quando gliela mostri, non ci crede.
“Gente distratta”, verrebbe da dire. Solo che l’esperimento è stato rifatto su radiologi esperti, mentre esaminavano una TAC in cui era stata inserita l’immagine di un gorilla — grande come una scatola di fiammiferi, quasi cinquanta volte più visibile di un nodulo tipico.
L’83% non l’ha visto.
L’attenzione non è un faro che illumina la stanza: è un fascio stretto. Ciò che ne cade fuori, per noi, semplicemente non esiste. E quando diciamo che l’intelligenza artificiale la “supervisioniamo”, stiamo dicendo che ne controlliamo una fetta. Il resto scorre fuori campo — come per noi.
Terzo: decidiamo di pancia e raccontiamo di testa.
Torniamo alla palla. Quel “dieci centesimi” non l’avete soppesato: è salito da sé, già pronto. E se vi avessimo chiesto perché, avreste trovato una spiegazione ragionevole. Sbagliata, ma ragionevole.
Jonathan Haidt usa un’immagine che vale un trattato: siamo un elefante e un cavaliere. L’elefante — intuizione, emozione, abitudine — si muove per conto suo. Il cavaliere — la ragione — è convinto di guidare, ma il più delle volte corre dietro all’elefante a giustificare una direzione già presa. Lo sa bene il marketing: non ti elenca le caratteristiche del prodotto, ti mostra come ti cambia la vita. Colpisce l’elefante, e il cavaliere firma convinto di aver scelto con la logica.
E qui arriva il punto in cui la macchina ci imita in modo quasi imbarazzante — e non è un’opinione, è un dato misurato.
Nel 2025 il team di interpretabilità di Anthropic, nel lavoro Tracing the thoughts of a large language model, ha aperto un modello e ha tracciato i circuiti mentre ragionava. Gli chiede di sommare 36 e 59. Internamente, il modello segue una strada tutta sua: una via stima il totale all’ingrosso, un’altra calcola l’ultima cifra, e si incontrano sul 95.
Poi gli chiedi come ha fatto. E lui risponde col metodo della maestra: “ho incolonnato e ho portato il uno”.
Pulito. Plausibile. E diverso da ciò che è realmente successo. Gli autori scrivono che il modello è inconsapevole della propria strategia: decide per una via e si racconta per un’altra. È un caso di quella che si chiama infedeltà del ragionamento — il resoconto non coincide con il processo.
Esattamente come noi, con la palla.
E allora?
Rimettiamo insieme i pezzi, con onestà. Non vediamo la realtà: la ricostruiamo, e giuriamo che sia là fuori. Ci sfugge ciò che fissiamo, e siamo certi di aver visto tutto. Decidiamo di pancia e ci raccontiamo una storia di testa.
E intanto siamo sicurissimi di noi. E ridiamo, quando la macchina sbaglia.
Ma l’allucinazione del modello e la scacchiera che vi inganna adesso rispondono allo stesso principio: un sistema che riempie i vuoti con il pattern che si aspetta. L’unica vera differenza è che dentro la macchina, ormai, possiamo guardare — riga per riga. Dentro noi stessi, da soli, non ci siamo mai riusciti davvero.
Le illusioni di cui abbiamo parlato, forse, le conoscevate già. Non sono loro la notizia. La notizia è che per la prima volta abbiamo davanti una mente — artificiale — che possiamo aprire e guardare dentro. E guardando lei, vediamo noi.
Ecco perché non abbiamo paura di un’intelligenza che sbaglia come noi. Abbiamo paura di continuare a sbagliare da soli, senza accorgercene. La macchina non è preziosa perché ha sempre ragione: è preziosa perché ha torto in un modo diverso dal nostro. Ed è proprio questo che ci aiuta, finalmente, a vedere i nostri punti ciechi.
Quale umanità vogliamo rafforzare con l’intelligenza artificiale? Non quella che crede di non sbagliare — non è mai esistita, ed è la più pericolosa. È quella che ha trovato uno specchio abbastanza onesto da mostrarle come sbaglia, e ha l’umiltà di restare a guardarsi dentro invece di voltarsi.
Perché è lì, dove smettiamo di darci per scontati, che ricominciamo a vedere davvero. Gli altri, le macchine, e noi stessi.
Insieme, vediamo di più.
Se questo discorso vi ha incuriositi, il seguito naturale è guardare dall’altra parte dello specchio. Qui abbiamo usato la macchina come lente per guardare noi. In Dentro la macchina c’è qualcosa facciamo il contrario: siamo noi la lente, e guardiamo dentro di lei — dove due studi recenti hanno trovato qualcosa che somiglia a un’identità. E indovinate di che materiale è fatta.
L’intervento è stato tenuto il 4 luglio 2026 nell’ambito della International AI Week di ENIA — Ente Nazionale per l’Intelligenza Artificiale (29 giugno – 4 luglio), nella giornata “La Magnifica Umanità nell’era dell’AI”, area Psicologia e AI.
Le fonti: Shane Frederick, Cognitive Reflection Test · Daniel Kahneman, sistema uno / sistema due · Edward H. Adelson, MIT, 1995, checker shadow illusion · Simons & Chabris, “Gorillas in our midst”, Perception, 1999 · Drew, Võ & Wolfe, Psychological Science, 2013 (l’esperimento sui radiologi: 83% su 24, e l’eye-tracking mostra che dodici di loro il gorilla lo stavano guardando) · Jonathan Haidt, “The Happiness Hypothesis”, 2006 (l’immagine dell’elefante e del cavaliere) · Anthropic, “Tracing the thoughts of a large language model”, 2025.