Nessuno le ha spiegato che cos’è l’IA. Cominciamo da lì.

Serie «Capire l’IA», nota 1 di 12. Dodici note in ordine, da zero alla direzione. Questa è la prima.

Martedì, 7.40, treno regionale fra Mendrisio e Lugano. La direttrice di un’azienda di 60 persone legge la posta sul telefono. Tre messaggi di fila. Un fornitore le propone «una soluzione di IA» per l’amministrazione. Suo figlio le manda il tema di scuola che ha fatto «con l’IA» in dieci minuti. E un membro del consiglio di amministrazione le chiede, con la cortesia di chi ha già deciso che è un problema, che cosa stia facendo l’azienda con l’intelligenza artificiale.

Fra la fermata di Capolago e quella di Melide si accorge di qualcosa di scomodo. Sono due anni che ne sente parlare ogni giorno, ha pagato una licenza che quasi nessuno usa e, se il consigliere le chiedesse ora una definizione, non ce l’ha. Sa riconoscerla. Non sa dire che cos’è.

La scena è immaginaria. La situazione no. La incontro ogni settimana in persone che dirigono aziende serie, con margini seri, e che parlano di IA come si parla del tempo: con disinvoltura e senza sapere bene come funziona. Non è colpa loro. Quasi tutto ciò che si pubblica sul tema è scritto per vendere o per spaventare, e nessuna delle due cose spiega.

Questa serie è il mio tentativo di farlo. Dodici note, dalla domanda più elementare alle decisioni che può prendere solo la direzione. Senza gergo che non abbia spiegato prima, con esempi della vita comune e con una regola che mi impongo in tutte: ogni cifra porta la sua fonte, e quando qualcosa è una stima di un fornitore, lo dico. Alla fine di questa prima nota avrà due frasi per spiegare l’IA a chiunque nella sua azienda. E le racconterò l’errore più comune nello spiegarla, che è anche il più antico: ha settantacinque anni.

L’IA non è una tecnologia nuova. È una vecchia domanda che, all’improvviso, ha risposte che funzionano.

Una domanda del 1950 ancora aperta.

Nel 1950 il matematico Alan Turing pubblicò sulla rivista Mind un articolo che cominciava con una domanda, «le macchine possono pensare?», e la scartava già nella prima pagina perché troppo vaga. Al suo posto propose un gioco. Una persona fa domande per iscritto a due interlocutori che non vede, un essere umano e una macchina, e deve indovinare chi è chi. Se non ci riesce, la macchina ha vinto. Oggi lo chiamiamo il test di Turing.

Turing fece anche una previsione: verso l’anno 2000, un interrogatore medio non avrebbe avuto più del 70 % di probabilità di individuare la macchina dopo cinque minuti di domande. La previsione fallì e per decenni il gioco rimase un esercizio di filosofia più che di ingegneria. Ciò che conta non è la data. È che, dal primo giorno, misuriamo l’intelligenza di una macchina da quanto sembra umana. Tenga a mente questa idea. Ci tornerò alla fine, perché è la radice dell’errore che le ho promesso.

L’estate in cui le fu dato un nome.

Il 31 agosto 1955 quattro ricercatori firmarono una proposta di due pagine per chiedere denaro a una fondazione. John McCarthy, di Dartmouth; Marvin Minsky, di Harvard; Nathaniel Rochester, di IBM, e Claude Shannon, dei laboratori Bell. Chiedevano di finanziare «uno studio di due mesi e dieci uomini sull’intelligenza artificiale» durante l’estate del 1956 al Dartmouth College, nel New Hampshire. È la prima volta che l’espressione compare per iscritto.

La frase centrale della proposta merita una lettura lenta: lo studio partiva dalla congettura che «ogni aspetto dell’apprendimento o qualunque altra caratteristica dell’intelligenza possa, in linea di principio, essere descritto con tale precisione che una macchina possa simularlo». Osservi due parole. Congettura: era una scommessa, non un fatto. E simulare: non dissero mai riprodurre. Settant’anni dopo, le due parole restano quelle giuste.

Ciò che venne dopo non fu una linea retta. Ci furono decenni di entusiasmo, decenni di tagli e di progetti che non mantennero le promesse, e varie generazioni di tecniche diverse sotto lo stesso nome. È la prima cosa da sapere: «intelligenza artificiale» non indica una tecnologia, ma un obiettivo, e sotto quell’obiettivo stanno cose molto diverse. Il filtro antispam della sua posta e l’assistente che redige contratti si chiamano allo stesso modo e non si somigliano per nulla all’interno.

Che cosa dice la legge che sia.

Quando una parola significa troppo, conviene guardare come la definisce chi deve applicarla. Il regolamento europeo sull’intelligenza artificiale, all’articolo 3, definisce un sistema di IA come un sistema automatizzato progettato per funzionare con livelli di autonomia variabili, che può adattarsi dopo la messa in servizio e che, per obiettivi espliciti o impliciti, deduce, dagli input che riceve, come generare risultati quali previsioni, contenuti, raccomandazioni o decisioni che possono influenzare ambienti fisici o virtuali.

È una definizione giuridica, e per questo suona giuridica. Ma contiene una parola che spiega quasi tutto: deduce. Un programma tradizionale segue istruzioni. Se il cliente ha più di 65 anni, applica lo sconto; se la fattura supera i mille franchi, chiedi una seconda firma. Qualcuno ha scritto ogni regola, e il programma fa esattamente quello, sempre, con qualsiasi dato. Un sistema di IA non funziona così. Nessuno gli ha scritto la regola. Deduce, da ciò che riceve, qual è il risultato più probabile.

Pensi alla differenza fra una ricetta e un cuoco. La ricetta dice duecento grammi di farina e venti minuti di forno, e chiunque la segua ottiene lo stesso. Il cuoco ha fatto quel piatto cinquecento volte, guarda l’impasto e sa che oggi, con questa umidità, servono cinque minuti in più. Non consulta una regola. Deduce. La ricetta è il software di sempre. Il cuoco è l’IA. E come il cuoco, a volte sbaglia, e non sempre sa spiegare perché ha fatto quello che ha fatto.

Tre modi di costruire una macchina che deduce.

In settant’anni se ne sono provati molti, e oggi ne convivono tre. Li spiego con lo stesso esempio quotidiano, una persona appena assunta nella sua azienda, perché è l’immagine che funziona meglio quando bisogna decidere.

Il primo è scrivere le regole. Un gruppo di esperti mette per iscritto tutto ciò che sa, sotto forma di condizioni, e la macchina le applica più in fretta di chiunque. È la persona che arriva con un manuale di mille pagine e lo segue alla lettera. Nel maggio 1997 Deep Blue, un computer di IBM, batté Garri Kasparov 3,5 a 2,5 in una sfida di sei partite a New York. Valutava duecento milioni di posizioni al secondo. Non aveva imparato a giocare: calcolava, con regole e forza bruta, meglio di quanto possa calcolare qualsiasi essere umano. Questo approccio è ancora vivo in molte aziende e ha una virtù enorme: si può verificare. Se sbaglia, qualcuno può trovare la regola colpevole.

Il secondo è imparare dagli esempi. Invece di scrivere le regole, si danno alla macchina molti casi risolti e le si chiede di trovare lo schema. È l’apprendimento automatico, e l’idea ha una data: nel 1959 Arthur Samuel, di IBM, descrisse un programma che imparava a giocare a dama meglio della persona che lo aveva scritto. Oggi si distinguono tre varianti. Imparare da esempi etichettati, come addestrare una persona nuova con mille fatture già classificate. Trovare gruppi in dati senza etichetta, come scoprire che i suoi clienti si dividono in quattro profili che nessuno aveva definito. E imparare per tentativi ed errori, con una ricompensa per ogni successo, che è come fu addestrato AlphaGo: nel marzo 2016 vinse 4 a 1 contro il campione Lee Sedol a Seul, dopo aver studiato migliaia di partite umane e averne giocate migliaia di altre contro versioni di sé stesso.

Questa seconda persona è molto brava in ciò che ha visto molte volte e molto scarsa in ciò che non ha mai visto. E ha un tratto che la direzione deve conoscere: impara ciò che c’è negli esempi, compresi gli errori e i pregiudizi di chi li ha prodotti. Se per dieci anni la sua azienda ha concesso credito in modo distorto, la macchina imparerà a distorcere con la stessa eleganza.

Il terzo è quello che ha cambiato la conversazione: i modelli generativi. Nel giugno 2017 otto ricercatori pubblicarono un articolo intitolato «Attention Is All You Need», che descriveva un’architettura chiamata Transformer. Su di essa sono stati costruiti i grandi modelli linguistici. L’idea di fondo è di una semplicità quasi offensiva: si addestra una rete con una quantità enorme di testo perché faccia una sola cosa, prevedere la parola successiva. Poi la si affina, con esempi e correzioni umane, perché si comporti come un assistente. E si scopre che, fatto su scala sufficiente, questo produce qualcosa che redige, traduce, riassume e programma.

Il 30 novembre 2022 ChatGPT fu aperto al pubblico. Secondo una nota della banca UBS ripresa da Reuters, nel gennaio 2023 aveva già cento milioni di utenti mensili, due mesi dopo il lancio; a TikTok erano serviti circa nove mesi e a Instagram due anni e mezzo. È una stima di analisti, non una cifra dell’azienda, e la cito come tale. Ma spiega la scena del treno: per la prima volta, l’IA era qualcosa che chiunque poteva usare senza saperne nulla. E questo, che è una buona notizia, è anche il motivo per cui tante persone che la usano non sanno che cos’è.

Questa terza persona è la più sconcertante. Ha letto più di chiunque nella sua azienda, scrive con una scioltezza che impone rispetto e, allo stesso tempo, non è mai stata nel suo ufficio, non conosce i suoi clienti e non sa che giorno è oggi a meno che non glielo si dica. Glielo racconto in dettaglio nella prossima nota, perché capire come lavora all’interno è ciò che evita gli errori costosi.

Che cosa non è.

Le definizioni per ciò che una cosa non è hanno cattiva fama, ma su questo tema sono quelle che fanno risparmiare più denaro. Cinque cose che l’IA non è, e che quasi tutte le presentazioni commerciali danno per scontate.

• Non è una cosa sola. Sotto lo stesso nome ci sono un filtro antispam, un sistema che legge fatture, un assistente che scrive e un programma che gioca a go. Quando qualcuno le offre «IA», la prima domanda è a quale delle tre famiglie appartenga, perché il rischio, il costo e il modo di verificarla sono diversi in ciascuna.
• Non è nuova. Ha settant’anni di storia, varie generazioni di tecniche e una lunga lista di promesse non mantenute. La novità è che la terza famiglia funziona abbastanza bene da poter essere usata da chiunque, e che il suo prezzo è sceso molto in fretta.
• Non sa quello che dice. Un modello linguistico produce la continuazione più probabile di un testo. Non ha intenzione, non verifica, non sa di sbagliare quando sbaglia. Non è un difetto che la prossima versione sistemerà, è la natura del metodo, e per questo va circondato di controlli.
• Non è un dipendente. L’analogia della persona appena assunta mi serve per spiegare, ma conviene non portarla fino al contratto. Un’IA non ha responsabilità. Chi risponde di ciò che fa a suo nome è la sua azienda, e ci sono sentenze che lo hanno già detto. Ne parlerò nella nota sulla sicurezza.
• Non è un fornitore. Pochi laboratori costruiscono modelli, centinaia di aziende li confezionano e migliaia li rivendono con un altro nome. Che un prodotto «abbia l’IA» non dice quasi nulla su ciò che c’è dentro.

La dimensione di ciò che sta accadendo.

Conviene avere due o tre cifre a portata di mano, con la loro riserva. Il rapporto AI Index 2025 dell’Università di Stanford registra che il 78 % delle organizzazioni intervistate dichiarava di usare l’IA nel 2024, contro il 55 % dell’anno precedente. È un sondaggio, e «usare l’IA» va da una prova in un reparto a un sistema in produzione, quindi lo legga come una tendenza e non come una misura.

La cifra che mi interessa di più è un’altra. Secondo lo stesso rapporto, il costo di far funzionare un sistema al livello di GPT-3.5 è sceso di oltre 280 volte fra novembre 2022 e ottobre 2024. Ciò che due anni fa era caro da provare oggi costa centesimi, e questo cambia la domanda che una direzione deve porsi: non più se può permetterselo, ma che cosa vale la pena farci e che cosa no. Sempre secondo Stanford, la differenza di risultati fra il miglior modello e il decimo è passata dall’11,9 % al 5,4 % in un anno. I modelli si somigliano sempre di più. Il vantaggio, quando c’è, sta in come si usano, non in quale si compra.

E una cifra che spiega perché le scrivo dalla Svizzera e dalla Spagna: dei modelli rilevanti pubblicati nel 2024, Stanford ne conta 40 dagli Stati Uniti, 15 dalla Cina e 3 dall’Europa. I modelli si fanno altrove. Ciò che si fa qui, e dove si gioca il valore per un’azienda come la sua, è l’applicazione.

Come spiegarlo in due frasi.

Torni sul treno. Il consigliere ha chiesto che cosa stia facendo l’azienda con l’IA, e la direttrice, questa volta, ha una risposta. Le propongo questa definizione da dire ad alta voce nella sua prossima riunione, e perché chiunque nella sua squadra la ripeta senza bisogno di capire altro:

Un programma che, invece di seguire istruzioni esatte, ha imparato da milioni di esempi a produrre la risposta più probabile. Ci azzecca molto più di quanto ci aspettassimo e non sa quando sbaglia.

Le due frasi contengono tutto ciò di cui una direzione ha bisogno per cominciare. La prima spiega perché serve per cose che prima non si potevano programmare: nessuno ha scritto la regola. La seconda spiega perché va circondata di controlli, contratti e persone: non avviserà mai di aver sbagliato.

E ora l’errore che le ho promesso. Ha settantacinque anni e lo commise, con tutta l’intelligenza del mondo, lo stesso Turing nel proporre il suo gioco. Consiste nel giudicare l’IA da quanto sembra umana. È l’errore di chi si fida di un assistente perché scrive con una scioltezza impeccabile, e di chi lo disprezza perché «prevede soltanto parole». La scioltezza non misura nulla. Un sistema può redigere un’e-mail perfetta a un cliente e contenere un dato falso nella seconda riga, detto con la stessa sicurezza di quelli veri. Giudichi l’IA come giudica un fornitore: da ciò che consegna, misurato, nel suo caso concreto. Mai da come suona.

1. Oggi

   Scriva la definizione

   Le due frasi, su una lavagna o nel primo messaggio che manderà alla sua squadra sul tema. Che tutti usino la stessa.

2. Questa settimana

   Faccia l’inventario di ciò che ha già

   Il filtro antispam, il correttore del telefono, il traduttore, la mappa che calcola il percorso. Usa già l’IA in dieci posti; vederli toglie la paura e dà prospettiva.

3. Questo mese

   Chieda a ogni reparto una sola cosa

   Quale compito ripetuto porta via più tempo ogni settimana. Non chieda dove metterebbero l’IA; non è ancora il momento. La lista dei compiti è quella che vale.

4. Prima della prossima riunione

   Legga la seconda nota

   Come lavora all’interno un modello linguistico e perché a volte si inventa le cose. È quella che evita l’errore di fidarsi della scioltezza.

Come la imposto io.

Non vendo IA. Progetto siti web per cliniche, agenzie immobiliari, collegi, alberghi e studi legali, e dietro di essi costruisco automazioni che fanno il lavoro che nessuno vede: rispondere nella lingua del cliente alle undici di sera, preparare la scheda che la squadra trova il lunedì, non perdere la richiesta arrivata di domenica. Per farlo bene devo spiegare alla direzione che cos’è questo e che cosa non è, e ho constatato che quella spiegazione vale più di qualsiasi dimostrazione.

Prima di proseguire, una prova semplice. Spieghi a qualcuno del Suo team che cos’è l’intelligenza artificiale in due frasi, senza le parole «magia», «cervello» o «pensare». Se ci riesce, ha qualcosa che molte presentazioni non hanno. Se no, non si preoccupi: a questo servono le undici note che seguono.

Se preferisce vedere tutto questo applicato alla Sua azienda, con le Sue attività, i Suoi sistemi e i Suoi numeri, è ciò che faccio nella Diagnosi strategica. Ma non serve parlare con me per continuare a leggere.

Prossima nota: come «pensa» un’IA e perché a volte si inventa le cose. Token, memoria di lavoro e il motivo, dimostrato nel 2025, per cui un modello preferisce indovinare piuttosto che dire «non lo so».