Pensare attraverso le macchine

All’inizio di una tipica giornata lavorativa, le attività di scrittura assumono oggi una forma diversa. Le email vengono redatte più rapidamente. Le scalette dei report prendono forma in pochi passaggi. Gli appunti delle riunioni sono più brevi e più facili da condividere. Da qualche parte sullo sfondo, un modello linguistico di grandi dimensioni ha assistito il processo — non necessariamente come strumento visibile, ma come collaboratore silenzioso. Sempre più spesso, non lavoriamo soltanto con questi sistemi. Lavoriamo attraverso di essi.

Come funzionano gli LLM

I Large Language Models, o LLM, sono una classe di sistemi di intelligenza artificiale progettati per generare ed elaborare il linguaggio umano. Appartengono alla più ampia categoria dell’IA generativa, tecnologie in grado di produrre nuovi contenuti anziché limitarsi a classificare o recuperare informazioni esistenti. Il loro sviluppo si basa su decenni di ricerca nel campo del Natural Language Processing, una disciplina che si è evoluta da sistemi basati su regole a modelli statistici e, più recentemente, ad architetture neurali data-driven addestrate su larga scala. I modelli linguistici di grandi dimensioni vengono addestrati su vaste raccolte di testi, come libri, articoli, siti web e documenti. Durante l’addestramento imparano a prevedere quale parola è più probabile che venga dopo in una sequenza. Attraverso questo processo acquisiscono una rappresentazione statistica del linguaggio, che include schemi, strutture e associazioni ricorrenti. Questo consente loro di generare testi fluenti, ma non spiega del tutto perché i sistemi più recenti siano così facili da usare nei contesti quotidiani.

Il feedback umano

Ciò che ha permesso ai modelli linguistici di superare gli approcci precedenti è stato l’uso del feedback umano. Dopo la fase principale di addestramento, le persone valutano le risposte prodotte dal modello e indicano quali funzionano meglio. Il modello impara così a ripetere questi comportamenti preferiti. Di conseguenza, gli LLM più recenti sono più efficaci nel seguire istruzioni, rispondere alle domande e interagire in modo conversazionale.

Poiché gli LLM recenti sono facili da usare e ampiamente accessibili, sono ormai integrati in molte attività linguistiche quotidiane, come scrivere, leggere, riassumere, pianificare e studiare. Il loro utilizzo ripetuto modifica il modo in cui si svolge il lavoro cognitivo. Invece di partire da una pagina bianca, le persone lavorano sempre più spesso attraverso schemi, bozze e revisioni suggerite dal sistema. In questo modo, gli LLM non si limitano ad accelerare le attività, ma rimodellano il modo in cui le idee vengono formate, organizzate e affinate.

I benefici

Studi recenti forniscono le prime evidenze di questi effetti. Una ricerca condotta da studiosi del MIT sulle attività di scrittura professionale mostra che l’accesso all’IA generativa può aumentare la produttività e migliorare la qualità dei risultati, in particolare per i lavoratori white-collar. Lo stesso studio rileva anche una riduzione dei divari di performance, suggerendo che i modelli linguistici possono aiutare i lavoratori meno esperti a raggiungere standard di base più elevati. In ambito educativo, uno studio recente pubblicato su una rivista di Nature evidenzia come l’IA generativa possa supportare le attività di apprendimento, rimodellando al tempo stesso il modo in cui gli studenti affrontano la scrittura, la revisione e il feedback.

Le criticità

Tuttavia, questi benefici sono accompagnati da criticità evidenti: è probabile che l’IA generativa influisca sulle persone in modi diversi. Uno studio interdisciplinare pubblicato su PNAS Nexus mostra che, sebbene l’IA generativa possa aumentare la produttività, benefici e rischi sono distribuiti in modo diseguale tra lavoratori e settori. Le differenze nei ruoli, nelle competenze e nell’accesso alla tecnologia determinano chi trae maggiore vantaggio dal lavoro assistito dall’IA. Questa disomogeneità è visibile anche nei modelli di adozione. Un ampio studio empirico sull’uso dell’IA generativa in Italia rileva un’adozione diffusa nelle attività lavorative e informative quotidiane, accanto a divari digitali legati a livelli diseguali di alfabetizzazione all’IA. Tali divari si intrecciano con disuguaglianze già esistenti, comprese quelle di genere. Queste differenze sono rilevanti perché i modelli linguistici non si limitano ad assistere individui isolati. Essi plasmano modalità condivise di scrittura, spiegazione e organizzazione delle informazioni. Con la diffusione del loro utilizzo, il linguaggio che producono diventa più visibile, più riutilizzabile e più influente. Quando la generazione del linguaggio viene automatizzata su larga scala, il rischio principale non è solo l’accesso diseguale, ma anche una crescente uniformità. Gli LLM tendono a riprodurre norme linguistiche dominanti, privilegiando stili, temi e prospettive ampiamente rappresentati. Le lingue minoritarie, le espressioni non convenzionali e le forme di conoscenza culturalmente specifiche risultano quindi più esposte al rischio di marginalizzazione o perdita.

La sfida della governance dei modelli

Man mano che il linguaggio assume sempre più la funzione di infrastruttura, la sua governance diventa una questione collettiva. La sfida che ci attende non è se useremo questi modelli, ma come sceglieremo di plasmarli. La transizione da una società che parla alle macchine a una che pensa attraverso di esse è già iniziata. Comprenderne le implicazioni è il primo passo per orientare questa trasformazione in modo responsabile.