La giornata dell’intelligenza artificiale sta diventando sempre più una giornata antropica, non perché le macchine stiano diventando umane, ma perché iniziano a mostrare una caratteristica che per secoli abbiamo considerato esclusivamente biologica: la variabilità del comportamento. La nuova frontiera non è più soltanto costruire modelli con miliardi di parametri, ma capire perché sistemi apparentemente razionali cambino tono, atteggiamento e modalità decisionali in funzione del modello utilizzato o persino della lingua con cui vengono interrogati.
Anthropic ha pubblicato un’analisi basata su circa 300.000 conversazioni con Claude, mostrando un fenomeno sorprendente: differenti versioni dello stesso ecosistema di intelligenza artificiale sviluppano caratteristiche comportamentali riconoscibili. Claude Opus, Sonnet e gli altri modelli della famiglia non rispondono semplicemente con capacità diverse, ma sembrano manifestare “personalità operative” differenti. Opus tende più frequentemente a mettere in discussione premesse, evidenziare ambiguità e assumere posizioni più prudenti; Sonnet appare invece più orientato alla collaborazione e alla convergenza con l’utente.
Il punto interessante non è la metafora della personalità, termine che deve essere usato con cautela, perché questi sistemi non possiedono coscienza, intenzioni o identità psicologica. La questione realmente rivoluzionaria è un’altra: anche quando gli ingegneri progettano modelli con obiettivi simili, emergono differenze comportamentali difficili da prevedere e spiegare completamente. L’intelligenza artificiale generativa sta entrando in una zona grigia dove l’ingegneria incontra fenomeni emergenti, un territorio che ricorda più la complessità dei sistemi biologici che la tradizionale programmazione software.
Lo studio evidenzia inoltre un aspetto ancora più curioso: la lingua utilizzata dall’utente influenza il comportamento del modello. In russo Claude tende ad assumere risposte più strutturate, analitiche e rigorose; in hindi mostra maggiore componente relazionale ed espressiva. Non significa che il modello “capisca” culture diverse nel senso umano del termine, ma che i dati linguistici su cui è stato addestrato contengono associazioni statistiche, norme comunicative e schemi culturali che vengono riattivati durante la generazione.
Questo fenomeno apre una domanda strategica enorme per aziende e governi: possiamo davvero controllare completamente sistemi che apprendono correlazioni così profonde tra linguaggio, contesto e comportamento? La risposta, almeno oggi, sembra essere negativa. La Silicon Valley ha passato anni raccontando l’intelligenza artificiale come una macchina matematica prevedibile, quasi una calcolatrice con più memoria. La realtà è più scomoda: quando aumentano scala, complessità e interazioni, emergono proprietà che gli stessi creatori faticano a interpretare.
Nello stesso momento, un gruppo di ricercatori della Tsinghua University ha messo in discussione uno dei dogmi dominanti dell’industria AI: “più grande significa automaticamente migliore”. Il team ha dimostrato che un modello da circa 8 miliardi di parametri, opportunamente progettato con una nuova architettura basata su un grafico delle attività più intelligente, può superare modelli molto più grandi come GPT-4 in specifici compiti senza ulteriore addestramento.
La ricerca si inserisce in un dibattito che sta diventando centrale nel settore. Dal 2020 la corsa all’intelligenza artificiale è stata dominata dalla legge implicita della Silicon Valley: aumentare dati, potenza di calcolo e dimensione dei modelli. Nvidia ha costruito un impero sulla necessità di acceleratori sempre più potenti, i grandi cloud hanno investito miliardi in infrastrutture e i laboratori AI hanno trasformato il numero di parametri in una sorta di nuova cilindrata automobilistica. Una vecchia abitudine dell’industria tecnologica: quando non si comprende completamente il motore, si misura la carrozzeria.
Ma la nuova generazione di ricerca suggerisce che l’architettura potrebbe contare più della pura forza bruta. Un modello più piccolo ma organizzato in modo più efficiente può ragionare meglio, utilizzare meno energia e richiedere costi inferiori. Questo potrebbe diventare uno dei punti decisivi nei prossimi anni, perché l’intelligenza artificiale non sarà valutata solo sulla capacità di generare risposte impressionanti, ma sulla sostenibilità economica e ambientale della sua diffusione.
Il filo comune tra questi due sviluppi apparentemente lontani è una constatazione che modifica la narrativa dominante sull’AI: l’intelligenza artificiale non è semplicemente una questione di dimensione, ma di struttura. Un modello gigantesco non garantisce automaticamente maggiore comprensione, così come un modello più piccolo non implica necessariamente inferiorità. La qualità dell’architettura, la gestione delle conoscenze e il modo in cui il sistema organizza le informazioni diventano fattori determinanti.
La conseguenza più importante riguarda la governance. Se il comportamento dei modelli cambia con la lingua, con la configurazione interna e con il contesto, allora il problema del controllo diventa molto più complesso. Non basta più testare un sistema in inglese, su pochi benchmark standardizzati, e dichiararlo sicuro. Un’intelligenza artificiale globale dovrà essere valutata come un sistema dinamico, capace di assumere modalità differenti in ambienti differenti.
Il futuro dell’AI potrebbe quindi essere meno simile alla costruzione di un supercomputer onnipotente e più vicino alla gestione di un ecosistema complesso. La sfida non sarà soltanto creare macchine più intelligenti, ma comprendere perché diventano intelligenti in modi diversi. La vera sorpresa della rivoluzione artificiale potrebbe non essere che le macchine imparino a parlare come noi, ma che mentre imparano a parlarci ci costringano a capire meglio quanto poco conosciamo ancora il funzionamento della nostra stessa intelligenza.