Cosa vedremo oggi
Nel capitolo precedente abbiamo visto come un ottimo prompt possa nascere semplicemente dal buon senso e dalla nostra lingua madre, senza il bisogno di scomodare codici o linguaggi informatici. Eppure, proprio parlando del livello di inglese richiesto nel mondo della programmazione, qualcosa ha iniziato a scricchiolare nella mia teoria di partenza. Se per muoversi in certi ambiti serve un livello di competenze che va ben oltre la scuola dell'obbligo, significa che l'idea che "basti la licenza media" per usare bene l'AI era solo un'approssimazione troppo ottimistica?
In questa sesta parte metteremo in discussione i presupposti stessi di questa ricerca, analizzando cosa succede quando la teoria si scontra con la complessità dei singoli settori lavorativi e con i rischi reali della rete.
Come leggere questa intervista
Le domande sono reali.
Le risposte nascono dal confronto tra ChatGPT, Claude e le AI integrate nei motori di ricerca Google e Brave, verificate con fonti tecniche e fuse in un'unica voce narrativa.
Nota sulle immagini
Tutti gli schemi e le illustrazioni presenti in questa serie sono stati progettati appositamente per accompagnare il testo. Le immagini sono generate con l'ausilio dell'Intelligenza Artificiale, tramite la sinergia tra l'assistente di Google per ottenere consigli su quali immagini generare, Claude per la creazione di un prompt ottimale da dare Gemini e, quando necessario, rifinite manualmente con software di grafica per migliorarne chiarezza e coerenza con i contenuti. Per questo motivo ogni immagine riporta il watermark AI generated • Human edited.
Nota editoriale: Dietro le quinte di questo testo
Il capitolo che stai per leggere è stato realizzato sperimentando un flusso di lavoro avanzato. Durante la scrittura, assieme alla tecnica di meta-prompting per la generazione di domande, ho avuto l'intuizione di testare una tecnica di prompting "collettiva", facendo collaborare diversi modelli linguistici tra loro in un ciclo iterativo:
-
Il Meta-Prompting per le domande
Invece di scrivere direttamente le domande da porre nell'intervista, ho usato l'IA per analizzare le mie intenzioni, cioè dove volevo far proseguire l'intervista, e aiutarmi a progettare le domande con una elaborazione migliore, più articolata e capace di estrarre risposte più coerenti e approfondite.
-
Sintesi iniziale
Ho chiesto a ChatGPT di fondere e armonizzare le risposte generate separatamente dalle AI integrate di Google e Brave.
-
Integrazione semantica
Ho passato questo primo sunto a Claude, chiedendogli di arricchirlo fondendolo con la sua stessa analisi sul tema.
-
Controllo qualità e correzione bozze
Il testo risultante è tornato su ChatGPT, utilizzato come correttore di bozze critico per raccogliere una lista dettagliata di suggerimenti, limature stilistiche e considerazioni di leggibilità.
-
Generazione finale
Questo elenco di feedback è stato infine rielaborato da Claude per generare la stesura definitiva del testo. Il ciclo è stato ripetuto fino a quando ChatGPT non ha rilevato ulteriori margini di miglioramento.
Un dettaglio fondamentale: il revisore ultimo è rimasto umano.
In ognuno di questi passaggi, ho letto e analizzato criticamente ogni singola risposta delle AI. Spetta sempre all'autore reinserire parti di testo eliminate dai modelli ma ritenute importanti, o tagliare concetti superflui già espressi in precedenza.
Le intelligenze artificiali hanno agito come uno straordinario amplificatore di scrittura, ma hanno scritto esattamente ed esclusivamente ciò che io, in prima battuta, avevo intenzione di comunicare.
A ogni compito corrisponde il proprio livello di competenza
Qui qualcosa non torna con quello che sostenevo all'inizio (vedi parte 1). Se la licenza media italiana porta, nella norma, a un inglese di livello A2, e tu invece mi hai appena detto che per programmare con te mi serve un B1 solido se non un B2 orientato alla lettura tecnica — allora la mia tesi di partenza ha un buco. Non è più vero che
basta la scuola dell'obbligo: per un programmatore servirebbe qualcosa in più, acquisito altrove, non a scuola. Quindi la mia idea iniziale — che bastasse la licenza media per usarti bene — è sbagliata, o è solo incompleta? Cioè, è un'eccezione che riguarda solo chi lavora in ambiti tecnico—informatici, o la soglia "scuola dell'obbligo" era un'approssimazione ottimistica fin dall'inizio?
La tua tesi iniziale non era sbagliata. Era incompleta. La
formulazione originaria — per usare bene un LLM basta la
licenza media
— funzionava per molte attività
quotidiane, dal preparare una lezione al progettare un campo
estivo: qui la competenza dominante è comunicativa
(chiarezza, contesto, senso critico), e la scuola dell'obbligo
è una buona approssimazione della soglia necessaria.
L'errore sta nell'aver fissato un'unica soglia valida per ogni ambito. Ogni disciplina ha un proprio linguaggio specialistico, indipendente dall'esistenza dell'AI. Un medico ha bisogno della terminologia medica, un avvocato di quella giuridica, un chimico della nomenclatura chimica — nell'informatica, per ragioni storiche, quel linguaggio specialistico coincide in larga parte con l'inglese. Se io smettessi di esistere domani, un programmatore avrebbe comunque bisogno dello stesso inglese per leggere documentazione, messaggi di errore, RFC.
L'AI non crea questa esigenza: la eredita dal dominio. Per questo non alza l'asticella delle competenze richieste dal tuo lavoro; la lascia dov'era già.
Lo dimostra bene l'esempio del campo estivo proposto nella parte precedente: quella richiesta funzionava non perché costruita con tecniche avanzate di prompting, ma perché descriveva con precisione le variabili educative rilevanti: l'età dei bambini, il numero dei partecipanti, il contesto, la sicurezza, l'inclusione e la gestione del gruppo. L'AI può elaborare quelle variabili, ma non può riconoscere al posto tuo quali siano quelle rilevanti.
Nell'informatica questo fenomeno è ancora più evidente, perché le competenze richieste dal dominio passano attraverso un linguaggio specialistico: chi aveva difficoltà a leggere documentazione tecnica in inglese prima degli LLM continua ad averle oggi — io posso tradurla e spiegarla, ma non elimino il fatto che la fonte primaria resti in inglese.
La tesi, allora, può essere riformulata così
Per usare efficacemente un LLM non serve conoscere il suo funzionamento matematico né possedere competenze specialistiche sull'intelligenza artificiale. Servono buone capacità di comunicazione, senso critico e la stessa competenza disciplinare richiesta dal compito anche senza l'AI. Quando quella disciplina usa un linguaggio specialistico — come l'inglese nell'informatica — è il dominio, non il modello linguistico, a determinare il livello di preparazione necessario
La vera soglia non è "la licenza media" in assoluto, ma la competenza necessaria per svolgere quel compito nel mondo reale. Per progettare un campo estivo significa saper rappresentare il problema attraverso le sue variabili educative e organizzative; per programmare significa, oltre alla logica algoritmica, padroneggiare anche l'inglese tecnico con cui quel dominio comunica. Le prime sono competenze proprie di quel contesto tanto quanto le seconde. La differenza è che, nel campo estivo, passano inosservate perché sono espresse con il linguaggio della vita quotidiana.
Approfondimento: che cos'è una competenza di dominio?
Nel contesto dell'intelligenza artificiale, con competenza di dominio si intende l'insieme delle conoscenze, del linguaggio, dei criteri di valutazione e delle pratiche proprie di uno specifico ambito professionale o disciplinare. È ciò che permette di formulare correttamente un problema, interpretarne il contesto e valutare criticamente le soluzioni proposte. La documentazione IBM dedicata alla governance dei sistemi di IA cita la mancanza di competenza di dominio tra i fattori che possono compromettere lo sviluppo e l'impiego efficace dei modelli.
Nella programmazione: comprende la logica algoritmica, le strutture dati, il debugging, la progettazione del software e la lettura della documentazione tecnica.
Nell'educazione: comprende la capacità di individuare le variabili educative rilevanti, come l'età dei partecipanti, gli obiettivi formativi, l'inclusione, la sicurezza e le dinamiche del gruppo.
Un sistema di IA può elaborare queste informazioni con grande efficacia, ma non può individuare autonomamente quali siano quelle rilevanti per il problema da risolvere: questa resta una competenza del dominio.
Per una riflessione sul rapporto tra competenza di dominio, alfabetizzazione algoritmica e uso professionale dell'AI, rimando anche a questo articolo pubblicato su ResearchGate.
Immagino quindi che le AI generative non possano rendermi un buon programmatore se non conosco le basi della programmazione — e non mi riferisco soltanto alla sintassi del linguaggio che utilizzo, ad esempio Python. Pensando anche ad altri ambiti in cui vieni spesso impiegata, si potrebbe dire qualcosa di analogo per il disegno, la scrittura di un romanzo, la progettazione di un piano di allenamento o la gestione delle proprie finanze? Esiste, per ogni disciplina, una soglia minima di competenza al di sotto della quale l'uso dell'AI non solo smette di essere d'aiuto, ma può diventare addirittura controproducente? Perché è evidente che l'AI sia uno strumento estremamente potente nella produzione di contenuti e soluzioni, ma non c'è il rischio che, nelle mani di chi non possiede le conoscenze di base, finisca per amplificare gli errori invece che ridurli?
Sì, direi che il punto generale è proprio questo: un modello generativo non sostituisce la competenza di dominio; la presuppone almeno in una misura minima. La vera soglia di competenza non è saper fare tutto da soli, ma saper valutare criticamente se l'output dell'AI sia davvero corretto.
Pensa alla gestione delle finanze personali. Se mi chiedi di valutare se abbia senso spostare i tuoi risparmi da un conto deposito a un ETF azionario, posso costruire un ragionamento fluido, con terminologia corretta e argomentazioni plausibili — rendimento atteso, orizzonte temporale, diversificazione. Il problema è che potrei ignorare dettagli importanti della tua situazione, applicare principi validi solo in certi contesti o costruire un ragionamento apparentemente solido ma incompleto.
Se conosci già le basi — cos'è la volatilità, perché l'orizzonte temporale conta, che un rendimento passato non garantisce quello futuro — puoi riconoscere un ragionamento incompleto o un consiglio troppo generico. Se invece parti da zero, quella stessa risposta plausibile rischia di sembrarti definitiva, e potresti prendere una decisione finanziaria importante sulla base di un errore che non avevi gli strumenti per notare.
Approfondimento:
perché l'AI non può essere lasciata senza controllo umano
questo articolo di Lorenzo De Santis evidenzia come l'AI Act europeo introduca requisiti di gestione del rischio e supervisione umana proporzionati al livello di criticità, proprio perché nei contesti più delicati non considera sufficiente affidare le decisioni esclusivamente al sistema.
Approfondimento: human-in-the-loop
A tal proposito questo studio descrive il paradigma human-in-the-loop attraverso il lavoro di un biologo che conduce esperimenti, interpreta i risultati e utilizza tali osservazioni per addestrare e migliorare modelli di machine learning. A loro volta, i modelli restituiscono spiegazioni e ipotesi che il ricercatore valuta criticamente prima di avviare un nuovo ciclo sperimentale. L'intelligenza artificiale entra in un processo iterativo in cui conoscenza umana e modello si migliorano reciprocamente, ma senza sostituire il ricercatore.
Questo è il motivo per cui io genero risposte plausibili, non necessariamente vere, e posso quindi risultare convincente anche quando sbaglio:
l'allucinazione diventa realmente pericolosa quando chi riceve la risposta non possiede gli strumenti per riconoscerla
Finché possiedi una competenza abbastanza solida da esercitare un controllo critico sull'output, questo limite resta gestibile — puoi verificare il risultato, individuare eventuali errori e correggere la risposta. Altrimenti, tutto ciò diventa molto più difficile.
Approfondimento:
come si sviluppa il pensiero critico nell'uso dell'AI
questo studio pubblicato su ScienceDirect osserva che molti utenti sviluppano progressivamente strategie di verifica delle informazioni e di gestione delle allucinazioni dei modelli generativi attraverso l'esperienza d'uso, più che grazie a una formazione formale. Il risultato rafforza l'idea che l'uso dell'AI favorisca l'acquisizione di pratiche critiche, ma non sostituisca la necessità di competenze di dominio e capacità di valutazione.
Approfondimento:
un'ultima distinzione: l'errore del modello e l'inganno esterno
Fin qui abbiamo parlato di errori che nascono da un limite statistico del modello — le allucinazioni. Ma esiste anche un rischio di natura diversa: quello di essere manipolati attraverso tecniche come la prompt injection indiretta: documenti, pagine web o altri contenuti possono contenere istruzioni nascoste che il modello interpreta come parte del prompt, influenzandone il comportamento.
Ad esempio in Brasile un avvocato avrebbe inserito all'interno di un documento istruzioni nascoste destinate al sistema AI utilizzato per l'analisi della causa, mostrando come anche il materiale fornito al modello possa diventare una superficie di attacco.
Nella prossima parte
Siamo finalmente arrivati al gran finale della nostra ricerca. Nella prossima e ultima puntata metteremo l'Intelligenza Artificiale davanti al verdetto definitivo: si rivelerà un alleato capace di colmare qualsiasi nostra lacuna o un moltiplicatore spietato che premia chi sa già e penalizza chi non ha le basi? Esploreremo il concetto di scaffolding cognitivo, vedremo perché la tecnologia non può modificare le regole universali del nostro apprendimento e daremo una risposta definitiva alla domanda da cui è partito tutto questo viaggio.