La corsa all’intelligenza artificiale viene spesso raccontata come una gara sulla potenza computazionale, sulla dimensione dei modelli e sulla disponibilità di GPU. Molto meno attenzione viene dedicata a un problema che potrebbe rivelarsi altrettanto importante: la distribuzione della conoscenza culturale all’interno dei modelli linguistici. Un nuovo studio, “𝐂𝐮𝐥𝐭𝐮𝐫𝐚𝐥 𝐚𝐧𝐝 𝐊𝐧𝐨𝐰𝐥𝐞𝐝𝐠𝐞 𝐁𝐢𝐚𝐬𝐞𝐬 𝐢𝐧 𝐋𝐋𝐌𝐬 𝐓𝐡𝐫𝐨𝐮𝐠𝐡 𝐭𝐡𝐞 𝐋𝐞𝐧𝐬 𝐨𝐟 𝐄𝐧𝐭𝐢𝐭𝐲-𝐀𝐰𝐚𝐫𝐞 𝐌𝐚𝐜𝐡𝐢𝐧𝐞 𝐓𝐫𝐚𝐧𝐬𝐥𝐚𝐭𝐢𝐨𝐧, presentato alla conferenza LREC 2026 da ricercatori della Sapienza di Roma e di Babelscape (Lu Xu, Luca Moroni and Roberto Navigl) mette sotto la lente proprio questo aspetto e arriva a una conclusione tanto intuitiva quanto inquietante: i grandi modelli linguistici non comprendono tutte le culture allo stesso modo. Alcune le conoscono molto bene, altre appena superficialmente.
Il risultato non sorprende chi osserva il settore da vicino. La maggior parte dei modelli viene addestrata su enormi quantità di dati provenienti dal web globale, un ecosistema nel quale l’inglese domina e dove contenuti prodotti da Stati Uniti ed Europa occidentale rappresentano una quota sproporzionata della conoscenza disponibile. Quando un modello incontra entità universalmente note come organizzazioni internazionali, città famose o personaggi globali, la risposta tende a essere accurata. Quando invece deve confrontarsi con festival regionali, monumenti poco conosciuti, programmi televisivi locali o riferimenti culturali profondamente radicati in un territorio specifico, la situazione cambia drasticamente.
La vera innovazione dello studio consiste nell’aver trasformato questa intuizione in una metrica misurabile. I ricercatori hanno introdotto una classificazione a tre livelli delle entità culturali. Il primo livello comprende le entità culturalmente agnostiche, riconoscibili senza una particolare conoscenza del contesto locale. Il secondo include entità culturalmente sensibili, cioè legate a una specifica cultura ma ormai note a livello internazionale. Il terzo livello riguarda invece le entità culturalmente locali, comprensibili soltanto a chi possiede una conoscenza profonda e interna di quella cultura.
Per testare questa ipotesi sono stati analizzati undici modelli linguistici, inclusi GPT-5-mini, Gemini 2.5 Flash, Qwen-Plus, Llama 3.1, Gemma 3 e diversi modelli open data europei, valutandoli su traduzioni dall’inglese verso dieci lingue differenti. Il dataset comprende oltre settemila esempi di traduzione di entità, con particolare attenzione all’italiano e al cinese tradizionale, utilizzati come casi di studio per l’analisi culturale approfondita.
I numeri raccontano una storia molto chiara. Senza accesso a conoscenza esterna, le prestazioni dei modelli crollano progressivamente man mano che aumenta la specificità culturale dell’entità da tradurre. GPT-5-mini, ad esempio, nella traduzione verso il cinese passa da oltre il 76% di accuratezza per le entità culturalmente agnostiche a meno del 20% per quelle culturalmente locali. Il fenomeno si ripete praticamente in tutti i modelli esaminati. Anche i sistemi più avanzati mostrano una perdita significativa quando devono confrontarsi con conoscenze fortemente radicate in contesti culturali specifici.
Quando i ricercatori forniscono ai modelli informazioni esterne provenienti da basi di conoscenza come Wikidata, le prestazioni migliorano drasticamente. Per le entità culturalmente locali l’incremento può arrivare fino al 70%, riducendo in modo sostanziale il divario tra ciò che il modello conosce internamente e ciò che può recuperare da fonti esterne.
Questa evidenza rafforza una delle tendenze più importanti dell’industria AI contemporanea: il passaggio dai modelli puramente parametrici ai sistemi ibridi basati su retrieval e conoscenza esterna. In altre parole, il futuro potrebbe appartenere meno ai modelli che “sanno tutto” e più ai modelli che sanno dove cercare. La differenza è sottile ma fondamentale. Un sistema che integra dinamicamente basi di conoscenza aggiornate può compensare molte delle limitazioni derivanti dai dati di addestramento originari.
Il mercato ha dato per scontato che l’aumento della dimensione dei modelli avrebbe automaticamente risolto qualsiasi problema di qualità. Lo studio suggerisce invece che alcune lacune non dipendono dalla scala ma dalla distribuzione della conoscenza. Un modello da centinaia di miliardi di parametri addestrato prevalentemente su contenuti occidentali continuerà a mostrare punti ciechi culturali, indipendentemente dalla sua dimensione.
Il dato assume una rilevanza particolare per l’Europa. Negli ultimi due anni Bruxelles ha investito enormi risorse nella costruzione di un ecosistema AI sovrano. Molta attenzione si è concentrata sull’infrastruttura, sui data center e sui modelli open source europei. Lo studio suggerisce che la vera sovranità digitale potrebbe dipendere anche dalla capacità di preservare e rappresentare adeguatamente le conoscenze culturali locali. Un modello che ignora il patrimonio culturale europeo, asiatico o africano rischia di esportare inconsapevolmente una visione del mondo parziale.
La ricerca evidenzia inoltre differenze significative tra categorie di modelli. I sistemi proprietari e quelli open weight migliorano simultaneamente accuratezza delle entità e qualità generale della traduzione quando ricevono conoscenza esterna. Alcuni modelli completamente open data, invece, pur migliorando nella traduzione delle entità, mostrano un peggioramento della qualità complessiva del testo tradotto. Il fenomeno suggerisce che integrare correttamente la conoscenza esterna richiede non solo dati migliori ma anche sofisticate capacità di istruzione e ragionamento contestuale.
Dietro questi numeri si nasconde una questione più ampia. L’industria AI ama parlare di intelligenza generale artificiale, ma il concetto stesso di “generale” presuppone una comprensione ampia e distribuita del mondo. Se un modello conosce perfettamente Manhattan, Londra e San Francisco ma fatica a interpretare riferimenti culturali di province italiane, villaggi africani o regioni asiatiche, allora la sua generalità è più limitata di quanto suggeriscano benchmark e classifiche.
La lezione finale è semplice ma strategicamente potente. L’intelligenza artificiale non sta soltanto imparando il linguaggio umano; sta assorbendo una rappresentazione del mondo costruita dai dati che le forniamo. Se quei dati sono sbilanciati, anche la comprensione del mondo sarà sbilanciata. Lo studio della Sapienza mostra che il problema è misurabile, quantificabile e in parte correggibile attraverso sistemi di retrieval e conoscenza esterna. Ma mostra anche qualcosa di più profondo: la prossima frontiera dell’AI non riguarda soltanto la capacità di ragionare. Riguarda la capacità di comprendere culture diverse senza trasformarle tutte in una traduzione approssimativa della Silicon Valley.