L’intelligenza artificiale diventa davvero utile quando entra in un processo di verifica, non quando si limita a produrre risposte plausibili

L’antefattto

Negli ultimi giorni ho trascorso più di tre ore cercando di risolvere un problema apparentemente banale.

Nel footer di questo blog il contatore delle visite compariva una, due, cinque, poi quindici volte. Ogni tentativo di correggerlo sembrava peggiorare la situazione.

Ho chiesto aiuto all’intelligenza artificiale.

Come spesso accade, la prima risposta è arrivata immediatamente. Era plausibile. Poi ne è arrivata una seconda, anch’essa plausibile. E una terza. Cache del browser, incompatibilità con il tema, plugin, vecchio account, script obsoleti, configurazioni del server. Ogni ipotesi sembrava ragionevole.

Il problema è che nessuna era ancora una spiegazione.

La differenza tra una risposta plausibile e una spiegazione affidabile è tutta qui.

Una risposta plausibile soddisfa il nostro bisogno di trovare rapidamente un senso a ciò che osserviamo. Una spiegazione affidabile, invece, resiste alle verifiche.

Così abbiamo iniziato a lavorare in modo diverso.

Non cercando nuove risposte, ma progettando controlli.

Abbiamo aperto il sorgente della pagina. Ispezionato il codice HTML. Confrontato il comportamento con altri siti. Eliminato una possibilità dopo l’altra. Ogni nuova osservazione costringeva a rivedere l’ipotesi precedente.

Alla fine la causa del problema si è rivelata sorprendentemente semplice: nell’area dei widget del footer si erano accumulati numerosi blocchi HTML identici. Non era il contatore a moltiplicarsi. Erano i widget.

La soluzione è arrivata quando abbiamo smesso di cercare la risposta giusta e abbiamo iniziato a verificare sistematicamente le risposte disponibili.

La lezione

Questa esperienza mi ha suggerito una riflessione che va ben oltre un problema tecnico.

Molte persone valutano l’intelligenza artificiale in base alla qualità delle risposte che produce. È comprensibile: la risposta è ciò che vediamo per prima.

Ma forse è il criterio sbagliato.

I modelli linguistici sono straordinariamente bravi a produrre testi coerenti, ben argomentati, persino convincenti. La loro forza consiste proprio nel generare l’ipotesi più probabile sulla base dei dati linguistici con cui sono stati addestrati.

La plausibilità, però, non coincide con la verità.

E nemmeno con la conoscenza.

Una risposta può essere impeccabile nella forma e, nello stesso tempo, rivelarsi errata appena viene confrontata con i fatti.

Per questo credo che il valore dell’intelligenza artificiale non stia principalmente nella produzione delle risposte.

Sta nella capacità di sostenere un processo di indagine.

Quando ogni affermazione diventa un’ipotesi da mettere alla prova, l’intelligenza artificiale cambia ruolo. Non è più un oracolo che dispensa soluzioni. Diventa un interlocutore che propone piste di ricerca, suggerisce controlli, aiuta a formulare nuove domande.

In altre parole, diventa uno strumento cognitivo.

Le implicazioni per la scuola

Questa distinzione mi sembra particolarmente importante nella scuola.

Se studenti e insegnanti utilizzano l’intelligenza artificiale per ottenere rapidamente una risposta, il rischio è evidente: il processo di costruzione della conoscenza viene sostituito dal consumo di un prodotto già confezionato.

Se invece l’intelligenza artificiale entra dentro un percorso di verifica — formulando ipotesi, confrontando spiegazioni alternative, progettando esperimenti, cercando prove contrarie — allora può diventare un potente alleato del pensiero.

La differenza non sta nella tecnologia.

Sta nel metodo.

Ed è forse questa la lezione più importante che porto a casa da una lunga conversazione iniziata… con un semplice contatore delle visite.