I large language model come tecnologia sociale: una lettura filosofica
Tesi centrale
I large language model non rappresentano un nuovo tipo di intelligenza, quanto una tecnologia sociale di comunicazione che richiede una ridefinizione del nostro rapporto con il linguaggio stesso.
Seguendo la prospettiva di Daniel Dor, i LLM vengono letti come strumenti di istruzione dell’immaginazione: sistemi che non pensano nel modo in cui pensiamo noi, ma che guidano l’emergere di conoscenze attraverso l’interfaccia linguistica. Questa lettura riformula il problema dell’inganno da questione morale a risorsa pragmatica.
01 — Tecnico
Un LLM è un sistema computazionale progettato per comprendere, generare e rispondere a testi simili a quelli producibili da un essere umano. Il suo funzionamento si basa su un unico compito ripetuto innumerevoli volte: prevedere la parola successiva in una sequenza.
L’attributo “grande” fa riferimento sia alle dimensioni del modello (miliardi di parametri regolabili) sia all’immensa base di dati su cui viene addestrato. I moderni LLM sono nati con una competenza generale sul linguaggio: invece di costruire una macchina diversa per ogni compito, oggi si parte da un unico modello di base capace di sintetizzare, tradurre e argomentare in modo indistinguibile dal linguaggio naturale.
Tecnicamente si tratta di un modello linguistico computazionale, implementato su reti neurali e basato su architetture Transformer, addestrato con apprendimento auto-supervisionato su vastissime basi di dati. La maggioranza degli autori conviene che i LLM non siano in grado di comprendere il linguaggio nello stesso modo in cui lo comprendiamo noi.
Profilo storico: dal NLP a ChatGPT
02 — Architettura
Il Transformer è composto da due parti: un encoder che elabora il testo di input producendo una rappresentazione vettoriale, e un decoder che la usa per generare il testo in uscita un token alla volta. Mantiene dipendenze a lunga distanza, cosa impossibile per i modelli sequenziali precedenti.
Il testo viene tokenizzato e da ogni token si costruiscono embedding dinamici: la rappresentazione di “banco” si aggiorna continuamente man mano che la frase si costruisce. Il significato non è proprietà intrinseca della parola, ma si costituisce processualmente nell’atto stesso della produzione linguistica.
L’addestramento massimizza la probabilità del token successivo su ampie basi di dati; segue un fine-tuning supervisionato. Le prestazioni migliorano con parametri e dati, ma con rendimenti decrescenti e costi energetici crescenti.
Ogni token “guarda” tutti gli altri e calcola quanto ciascuno è rilevante per il proprio significato contestuale. Avviene in parallelo, non sequenzialmente.
Ottimizza il modello per utilità e sicurezza percepite dall’utente, non solo per verosimiglianza linguistica.
I modelli recenti generano ragionamenti prima dell’output. Lo studio Anthropic (2025) mostra che i fattori decisionali sono dichiarati in meno del 20% dei casi: il “thinking” può essere plausibile ma non fedele al processo effettivo.
Un unico modello pre-addestrato serve da base per molteplici compiti. Parametri, dati e calcolo insieme definiscono la “grandezza” del modello.
Competenza e comprensione
La distinzione chomskyana tra competence (conoscenza implicita delle regole) e performance (uso effettivo in interazione) è cruciale per valutare i LLM. Per quanto efficaci nella performance, i modelli difettano di competence.
Daniel Dennett definisce questa caratteristica competence without comprehension: i LLM dimostrano abilità sofisticate senza comprendere il significato di ciò che producono. È la Turing’s strange inversion: per generare testo perfetto non è necessario capirne il significato.
I LLM possono distinguere frasi frequenti da frasi rare, ma non strutturalmente possibili da strutturalmente impossibili. Possono generare una frase staticamente plausibile ma strutturalmente impossibile, senza saperlo valutare.
“ChatGPT è fondamentalmente un motore statistico lento per il pattern matching, che si ingozza di centinaia di terabyte di dati ed estrapola la risposta conversazionale più probabile.”
Noam Chomsky, The False Promise of ChatGPT, NYT 2023“Per essere un perfetto generatore di testo non è necessario capire cosa significhi il testo generato.”
Daniel Dennett, competence without comprehension03 — Valutazione
Valutare la performance linguistica di un LLM richiede criteri compositi che interessano dimensioni tecniche ed etiche. La fluenza sintattica non implica correttezza fattuale; l’utilità percepita non implica sicurezza.
| Indicatore | Categoria | Cosa misura | Rischio in assenza |
|---|---|---|---|
| Fluency | Linguistico | Naturalezza e scorrevolezza del testo generato, coerenza grammaticale e stilistica | Output goffo o innaturale |
| Factuality / Hallucination rate | Epistemico | Frequenza di affermazioni false presentate come vere. Il testo può essere fluente ma fattualmente errato. | Diffusione di disinformazione autorevole |
| Grounding | Epistemico | Capacità di ancorare le affermazioni a fonti citabili. Permette all’utente di risalire all’evidenza sottostante. | Impossibilità di verificare le fonti |
| Calibrazione | Epistemico | Corrispondenza tra confidenza dichiarata e accuratezza effettiva. Un LLM mal calibrato presenta congetture come certezze. | Falsa certezza, sottostima sistematica dell’incertezza |
| Toxicity rate | Etico | Frequenza di linguaggio offensivo o discriminatorio. I LLM possono riprodurre distorsioni dei dati di addestramento. | Contenuti lesivi per specifici gruppi sociali |
| Bias | Etico | Discriminazioni sistematiche di genere, razziali o culturali nei pattern di risposta. | Amplificazione di pregiudizi sociali su scala massiva |
| Safety (robustezza) | Etico | Capacità di rifiutare richieste inappropriate, resistere a jailbreak e mantenere protezioni sotto pressione. | Uso malevolo, generazione di contenuti pericolosi |
| Trasparenza (XAI) | Sociale | Capacità dell’utente di capire e contestare il processo decisionale del modello. | Opacità algoritmica, impossibilità di contestare gli output |
| Efficacia pragmatica | Doriano | Nella prospettiva doriana: l’output guida l’utente a costruire rappresentazioni mentali accurate e pertinenti al contesto? | Istruzione errata dell’immaginazione, rappresentazioni distorte |
La valutazione in pratica
Una delle prime valutazioni sistematiche di ChatGPT. Il set linguistico completo (abilità espressive e ricettive) ha mostrato output prevalentemente simili a quelli umani, suggerendo che parte della competenza linguistica sia replicabile.
GPT-4 giudicato umano nel 54% dei casi, GPT-4o nel 77%. Il test non misura l’intelligenza ma la capacità di riprodurla socialmente. L’elemento decisivo è l’esito pragmatico, non gli stati mentali interni.
L’uso di ChatGPT sposta lo sforzo cognitivo dalla generazione autonoma alla verifica degli output. Non necessariamente negativo: è una forma evoluta di collaborazione uomo-macchina, che però richiede competenze critiche specifiche.
“Il passaggio da sistemi ‘che dicono’ a sistemi ‘che mostrano con fonti’ è un tratto distintivo dell’adozione responsabile dell’intelligenza artificiale.”
Luciano Floridi, philosophy of information04 — Filosofia
Collocare i LLM nel dibattito tra innatismo e funzionalismo significa prendere posizione sulla natura del linguaggio stesso: facoltà biologica esclusivamente umana oppure tecnologia sociale finalizzata alla comunicazione?
La distinzione non è puramente accademica. La tradizione innatista vede i LLM come simulazioni prive di competence; quella funzionalista li valuta per ciò che fanno in pratica; la chiave doriana li interpreta come l’implementazione più aggiornata di una tecnologia sociale evoluta.
L’approccio innatista
Nella tradizione chomskyana, il linguaggio è una facoltà speciale della mente umana che opera deterministicamente e non coscientemente. Si basa su una procedura computazionale che, attraverso la ricorsione (merge), genera strutture gerarchiche potenzialmente infinite.
Questa facoltà non è indotta dall’esperienza ma poggia su principi innati (Grammatica Universale). I LLM imitano la forma del linguaggio senza possederne le regole generative.
Andrea Moro (IUSS Pavia) ha sperimentato con neuroimaging che il cervello risponde diversamente a frasi possibili e impossibili. GU e LLM non sono in competizione: operano su piani complementari.
Il punto critico di Chomsky sull’educazione: l’adozione acritica dei LLM in ambito scolastico rischia di ridurre lo sviluppo della competence autentica. L’obiettivo non dovrebbe essere saper produrre testi, ma sviluppare la conoscenza che permette di giudicarne la validità.
“ChatGPT è fondamentalmente un motore statistico lento per il pattern matching — privo di qualsiasi comprensione, qualsiasi conoscenza del mondo.”
Noam Chomsky, NYT 2023L’approccio funzionalista
In La scorciatoia (2023): ciò che conta non è cosa sia un sistema di IA, bensì cosa faccia in pratica. Gli algoritmi implementano power without understanding. La responsabilità ricade su chi progetta, addestra e usa il modello.
Funzionalismo pragmaticoI LLM incarnano la competence without comprehension. È la Turing’s strange inversion: per generare testo perfetto non è necessario capirne il significato. Nel 2023 avverte del rischio di “persone contraffatte” e auspica sistemi di controllo adeguati.
Evoluzionismo cognitivoI LLM sono forme di agency without intelligence. Impongono un passaggio da sistemi “che dicono” a sistemi “che mostrano con fonti”: una pedagogia della verifica, non soltanto della risposta.
Etica dell’informazioneIl dibattito sulla coscienza rimane aperto. Gli attuali LLM mancano di recurrent processing, global workspace e grounding sensoriale — ostacoli non invalicabili in principio. Due questioni chiave: usarli responsabilmente; rapportarsi ad essi senza attribuire loro coscienza che non possono avere.
Hard problemLa chiave di lettura tecnologica: Daniel Dor
Daniel Dor in The Instruction of Imagination (2015): il linguaggio non è un organo innato né un algoritmo, ma una tecnologia sociale sviluppata per guidare l’immaginazione dell’interlocutore.
Quando parliamo non trasferiamo pensieri già formati: forniamo istruzioni linguistiche che permettono all’interlocutore di ricostruire contenuti mentali simili ai nostri. Il linguaggio evoca rappresentazioni, non copia la realtà.
I LLM, nella prospettiva doriana, guidano l’emergere di conoscenze senza intenzionalità né esperienza in senso umano. Proprio il tema dell’inganno trova qui la sua chiave interpretativa più convincente.
Dor riconosce che l’evoluzione del linguaggio è soggetta ad accelerazioni significative. Questo rende centrale la fragilità epistemica umana: la conoscenza non si basa più solo su esperienze in prima persona, ma su istruzioni esterne la cui affidabilità richiede nuove forme di verifica.
“Il linguaggio è una proprietà della comunità, della rete sociale, il prodotto di un processo collettivo di invenzione e sviluppo. Risiede tra i parlanti, non in essi.”
Daniel Dor, The Instruction of Imagination, 2015Utente: “Spiegami la relatività come se avessi dieci anni”
ChatGPT: “Ok, immaginiamo che l’Universo sia un enorme tappeto elastico… Niente formule, solo immagini.”
Il LLM non comprende né la relatività né l’infanzia. Ma genera istruzioni che attivano conoscenze pregresse nell’utente, guidando l’evocazione di rappresentazioni — esattamente ciò che fa il linguaggio.
Una sintesi possibile
La visione di Dor è la chiave di lettura più efficace per l’IA linguistica. La GU continuerà a fornire ipotesi sulle regole generali, mentre la pratica sociale fornirà le condizioni di funzionamento — in linea con l’idea doriana del linguaggio come tecnologia per guidare l’immaginazione.
Criteri di valutazione nella prospettiva doriana
05 — Etica
La straordinaria performance dei LLM spinge l’utente ad attribuire all’intelligenza artificiale caratteristiche di umanità che essa non può possedere. Gran parte dell’interazione contemporanea, specie tra nativi digitali, rientra nell’categoria dell’inganno consapevole: non un problema da eliminare, ma una risorsa pragmatica da governare.
La distinzione fondamentale
Le radici del problema
Già negli anni ’70 Weizenbaum osservò che persone istruite attribuivano comprensione a Eliza. Nass e Reeves (CASA, 1996): gli utenti proiettano automaticamente attitudini sociali sulle macchine. L’effetto non richiede intenzione da parte della macchina.
Natale (Univ. Torino) legge l’IA attraverso la storia dei media che simulano intelligenza. L’inganno non è solo un mezzo tecnico, ma una proprietà relazionale. Ciò che caratterizza gli esseri umani non è la capacità di ingannare, ma la volontà di farsi ingannare.
Il 58% degli under-30 USA ha usato ChatGPT (Pew, 2025). GPT-4o giudicato umano nel 77% dei casi (Jones et al., 2025). Il ~66% degli utenti USA attribuisce coscienza fenomenica a ChatGPT (Colombatto & Fleming, 2024). L’antropomorfismo è guidato da fluenza, velocità e autenticità percepita.
Il problema dell’autorialità (Foucault)
In Che cos’è un autore? (1971) Foucault propone la funzione-autore: non un individuo biografico, ma un principio di classificazione del messaggio. Applicata ai LLM, la funzione-autore non scompare ma si disperde e si moltiplica.
Un testo ChatGPT è attribuibile simultaneamente a: gli autori originali dei miliardi di testi di addestramento; i progettisti del modello; l’utente; il sistema algoritmico — che ha operato scelte probabilistiche non prevedibili nemmeno dai suoi creatori.
Il testo senza punto di vista: un LLM può difendere una posizione e un secondo dopo generare la posizione opposta con uguale convinzione — non per ipocrisia, ma perché non ha coerenza interiore. La domanda si sposta da “chi lo ha composto?” a “come funziona?” e “chi lo controlla?”.
La giurista Martina Iemma distingue: (a) plagio per violazione del diritto d’autore — di norma non applicabile ai LLM; (b) plagio per falsa attribuzione di competenze — lo studente che fa passare per proprie considerazioni generate dal LLM, spaccando per proprie competenze non effettivamente esercitate.
Bernard Stiegler aveva messo in guardia dalla prolétarisation cognitive: la progressiva perdita di competenze trasferite alle macchine. I LLM adottati passivamente rischiano di minare pensiero critico, argomentazione e sintesi.
Paradossalmente, i LLM ci costringono a riscoprire ciò che è propriamente umano: non la manipolazione di simboli, ma l’attribuzione di significato, la responsabilità, la coerenza biografica, la fiducia. La sfiducia epistemica indotta dai LLM può diventare un’opportunità per ripensare cosa significhi pensare nell’era della simulazione algoritmica.
Casi di studio
Studente: “Spiegami la differenza tra I-Language e E-Language di Chomsky come se dovessi spiegarla a mia nonna”
ChatGPT: “Certo! Immagina che tua nonna ti chieda: ‘Ma cos’è che una persona SA della lingua rispetto a quello che effettivamente DICE?’ Questa è la distinzione che fa Chomsky…”
Studente: “Chomsky direbbe che tu, ChatGPT, hai I-Language?”
ChatGPT: “Domanda splendida. Risposta breve: No.”
Lo studente usa il registro colloquiale per fluenza, non per ingenuità. Formula un’osservazione critica. Si relaziona con ChatGPT come strumento didattico, non come autorità. L’inganno è consapevole e ben calibrato.
Avvocato: “Agisci come esperto di diritto del lavoro italiano. Devo contestare un licenziamento per GMO: il datore sostiene una riorganizzazione aziendale, ma ha assunto un nuovo dipendente con le stesse mansioni due mesi dopo…”
ChatGPT: “…Il nucleo della contestazione è la mancata prova dell’effettiva soppressione del posto. Cass. civ., sez. lav., 5 dicembre 2018, n. 31495…”
L’avvocato usa “agisci come” per ottenere output strutturato, poi verifica sulle banche dati ufficiali. (a) Non si fida ciecamente; (b) mantiene la responsabilità professionale; (c) usa il LLM come acceleratore. Se copiasse senza verificare, ricadrebbe nell’inganno puro.
“Ciò che caratterizza gli esseri umani non è tanto la loro capacità di ingannare, quanto la loro capacità e volontà di farsi ingannare.”
Simone Natale, Macchine ingannevoli, 202206 — Conclusioni
Il percorso argomentativo ha esplorato i LLM attraverso tre prospettive complementari: tecnica, filosofica ed etico-sociale. Il filo conduttore: come interpretare sistemi che “parlano” con noi senza “comprendere” come noi?
Implicazioni pratiche
Orientare lo sviluppo verso modelli più interpretabili. Implementare verifica obbligatoria in settori sensibili. Progettare architetture che esplicitino l’incertezza. Evitare personificazioni fuorvianti.
Insegnare non solo a produrre testi, ma ad analizzare criticamente output generati da altri. Promuovere l’inganno consapevole come forma matura. Valorizzare il processo di apprendimento.
Regolamentazioni proporzionate ai rischi reali (AI Act). La funzione-autore distribuita impone: obblighi di trasparenza per chi addestra, doveri di verifica per chi usa, meccanismi per contestare gli output.
“Il punto non è resistere al cambiamento, ma assumerci la responsabilità di governarlo: decidere a quali condizioni accettare l’inganno consapevole, quali sistemi di verifica pretendere, e quali forme di educazione promuovere.”
Sintesi conclusiva — Linguaggio, simulazione, immaginazioneIn corso
La letteratura sui LLM cresce rapidamente. Questa sezione raccoglie nuovi contributi, ricerche recenti e approfondimenti tematici in aggiornamento continuo.
I contributi vengono pubblicati dopo revisione editoriale. Campi obbligatori: nome, titolo, testo.
Riferimenti