Esiste una forma di conoscenza che non riesce a diventare parola. Non per mancanza di volontà o di capacità comunicativa, ma perché la conoscenza stessa resiste alla traduzione in formule, regole e istruzioni esplicite. È il sapere che permette a un maestro artigiano di valutare la qualità di un legno al primo tocco, al chirurgo di percepire con le dita l’esito di un’operazione prima di qualsiasi strumento, al madrelingua di riconoscere che una frase è straniera pur senza saper spiegare la regola grammaticale violata. È la conoscenza tacita, e la sua esistenza rappresenta uno dei problemi più profondi che l’intelligenza artificiale si trova oggi ad affrontare.
L’origine di un’osservazione rivoluzionaria
Il merito di aver formalizzato questo paradosso epistemologico appartiene a Michael Polanyi, chimico-fisico e filosofo ungherese-britannico, che nel 1966 pubblicò The Tacit Dimension, opera nella quale articolò una distinzione destinata a diventare classica. Polanyi sosteneva che esistono due forme fondamentali di conoscenza: la conoscenza esplicita, codificabile, trasmissibile attraverso il linguaggio formale, e la conoscenza tacita, irriducibilmente personale, acquisita attraverso l’esperienza e impossibile da tradurre completamente in istruzioni operative.
La formulazione più celebre di Polanyi è lapidaria: «Sappiamo più di quanto possiamo dire», we know more than we can tell. Non si tratta di una metafora. Il filosofo intendeva affermare qualcosa di molto preciso: ogni qual volta un essere umano esegue un compito complesso — riconoscere un volto tra mille, guidare un’automobile nel traffico, percepire che un argomento è persuasivo — attinge a un reservoir di conoscenza che precede qualsiasi tentativo di esplicitazione. Tentare di verbalizzare questo sapere significa, inevitabilmente, impoverirlo.
Prima di Polanyi, il filosofo Gilbert Ryle aveva tracciato nel 1945 una distinzione analoga tra knowing-that e knowing-how, tra il sapere che qualcosa è vero e il saper fare qualcosa. Ma fu Polanyi a portare alle conseguenze più radicali questa distinzione, mostrando che la conoscenza tacita non è semplicemente difficile da esprimere: è ontologicamente diversa dall’informazione codificata.
Perché riconosciamo un volto ma non possiamo dirne le regole
Per comprendere la portata del paradosso, è utile considerare alcuni esempi concreti. Il riconoscimento facciale è una delle attività più naturali per la mente umana: siamo in grado di identificare il volto di una persona conosciuta tra milioni di altri volti, in condizioni di luce variabili, con occhiali o senza, con espressioni diverse. Eppure, se qualcuno ci chiedesse di descrivere le caratteristiche precise che rendono riconoscibile quel volto — le distanze esatte tra gli occhi, la forma del mento, le proporzioni — ci troveremmo in grave difficoltà. Non è che non ricordiamo: è che non abbiamo mai saputo quelle informazioni in forma esplicita. Il volto è stato memorizzato come pattern percettivo unitario, non come insieme di regole.
Lo stesso accade con la bicicletta: chi sa andare in bicicletta non può insegnare a un principiante spiegandogli verbalmente la tecnica. La fisica dell’equilibrio dinamico è complessa, ma non è neppure quella il vero problema. Il punto è che il corpo ha interiorizzato un equilibrio di competenze — la pressione sulle ginocchia, la posizione delle braccia, la lettura della pendenza — che non può essere decomposto in istruzioni discrete.
Questi esempi illustrano una caratteristica profonda della conoscenza umana: essa è incarnata, situata, legata al corpo e all’esperienza in modi che nessun sistema formale è in grado di catturare pienamente. È esattamente questa la sfida che Polanyi identificò e che oggi, a distanza di sessant’anni, l’intelligenza artificiale si trova ancora ad affrontare.
Il nodo per l’automazione e per l’IA
Perché il paradosso di Polanyi è rilevante per l’intelligenza artificiale? La risposta è strutturale. L’informatica tradizionale opera secondo il paradigma della specifica esplicita: perché un computer esegua un compito, è necessario fornirgli un insieme completo e non ambiguo di istruzioni. Ogni passo deve essere definito, ogni eccezione deve essere contemplata, ogni regola deve essere formulabile in forma discreta. Ma la conoscenza tacita, per definizione, resiste a questo tipo di formalizzazione.
Nel 2014 l’economista del MIT David Autor propose una formulazione economica del paradosso, sostenendo che la persistente presenza dell’impiego umano nonostante decenni di automazione digitale si spiega proprio con l’impossibilità di codificare la conoscenza tacita necessaria per molti mestieri. Se l’automazione fosse confinata al regno dell’informazione esplicita, le macchine avrebbero soppiantato da tempo gran parte del lavoro umano. Ma i compiti che richiedono flessibilità, giudizio contestuale e common sense — competenze che gli esseri umani possiedono in forma tacita — si sono rivelati straordinariamente resistenti all’automazione.
Il paradosso di Moravec, formulato negli anni Ottanta dal roboticista Hans Moravec, aggiunge un ulteriore livello di profondità a questa questione. Moravec osservò che le abilità sensorimotorie che per gli esseri umani sono apparentemente «facili» — camminare, afferrare oggetti, percepire la profondità — sono in realtà il prodotto di miliardi di anni di evoluzione e richiedono un’immensa capacità computazionale per essere replicate artificialmente. Al contrario, i compiti che per noi sono «difficili» — come giocare a scacchi o risolvere equazioni — sono relativamente semplici da automatizzare. La spiegazione è che le abilità evolutive più antiche sono le più profondamente implicite, le più completamente assorbite nel substrato biologico, e dunque le più refrattarie a qualsiasi tentativo di esplicitazione.
Il paradosso ai tempi dei grandi modelli linguistici
I grandi modelli linguistici, gli LLM, hanno cambiato radicalmente questo panorama, ma senza risolverne il problema di fondo. Questi sistemi, basati su architetture di deep learning e addestrati su quantità enormi di testo, hanno dimostrato una capacità sorprendente di trovare pattern in dati non strutturati. Possono simulare il ragionamento esplicito, produrre testi coerenti, rispondere a domande complesse. Alcuni ricercatori — come si legge in un’analisi pubblicata su Exponential View — sostengono che gli LLM stiano mostrando la possibilità concreta di catturare almeno una parte della conoscenza tacita, perché il loro apprendimento non supervisionato permette di individuare correlazioni e sfumature che sfuggono alla formalizzazione tradizionale.
Vi sono già applicazioni concrete in questo senso. Piattaforme come GongAI analizzano le trascrizioni delle chiamate dei venditori più performanti per estrarne i pattern comunicativi impliciti, poi utilizzati per addestrare assistenti che coadiuvano i venditori meno esperti. Uno studio condotto da Stanford e dal MIT su uno strumento di coaching basato su LLM, addestrato sulle conversazioni degli agenti di call center più bravi, ha rilevato un incremento della produttività del 14% e un balzo del 34% per gli agenti meno esperti, proprio perché il sistema riusciva a trasferire una forma di conoscenza tacita che normalmente si acquisisce solo attraverso anni di pratica sul campo.
Tuttavia, come evidenzia una ricerca pubblicata sulla Review of Austrian Economics nel novembre 2025, il rapporto tra conoscenza tacita e grandi modelli linguistici resta profondamente ambiguo. Gli LLM possono certo simulare la competenza tacita, riproducendo pattern di ragionamento che sembrano intuitivi. Ma è legittimo parlare di conoscenza tacita in senso polanyiano quando manca qualsiasi forma di esperienza incarnata, di apprendimento situato, di interiorizzazione corporea? La risposta dipende da cosa si intende per «conoscenza» — e questa è, appunto, una questione epistemologica.
Che cosa può e non può fare una macchina
Il paradosso di Polanyi ci invita a una riflessione epistemologica più ampia, che riguarda non solo le capacità dell’IA ma il significato stesso del conoscere. Se accettiamo la distinzione polanyiana, la conoscenza autentica non è soltanto un insieme di informazioni elaborate secondo regole formali. È un rapporto vissuto con il mondo, mediato dal corpo, dalla storia personale, dall’appartenenza a una tradizione culturale. È un sapere che si manifesta nel giudizio, nell’intuizione, nella capacità di cogliere ciò che in una situazione conta, anche quando non si è in grado di formularne le ragioni.
Questo non significa che l’intelligenza artificiale sia condannata all’irrilevanza. Significa che le sue prestazioni migliori si collocano là dove il compito è sufficientemente formalizzabile, dove esistono abbastanza esempi da cui estrarre pattern, dove il contesto è controllato. Le aree in cui l’IA incontra i suoi limiti più significativi sono esattamente quelle in cui la conoscenza tacita è più densa: la diagnosi medica che richiede l’interpretazione di sfumature nel rapporto tra medico e paziente, la consulenza legale che presuppone una comprensione della prassi e della cultura giudiziaria, la progettazione architettonica che integra vincoli fisici, estetici e sociali in un giudizio unitario.
Vi è poi un problema ulteriore, di carattere epistemologico: se la conoscenza tacita è, per definizione, ciò che non può essere detto, come possiamo persino sapere di possederla? Polanyi stesso notava che esiste una forma di autoinganno nel riconoscimento della nostra ignoranza: spesso non sappiamo ciò che non sappiamo, proprio perché quel sapere è rimasto inesplorato. Per un sistema di IA, il problema si complica ulteriormente: non è possibile verificare empiricamente se un modello ha realmente acquisito conoscenza tacita, perché non esiste un test indipendente che non passi attraverso la forma esplicita.
Oltre il paradosso: una sfida per il futuro
L’eredità di Polanyi per il dibattito contemporaneo sull’intelligenza artificiale è duplice. Da un lato, il paradosso ci ricorda che esistono forme di intelligenza umana profondamente radicate nell’esperienza incarnata, che resisteranno a lungo — forse indefinitamente — a qualsiasi tentativo di replica algoritmica. Dall’altro, la ricerca più recente suggerisce che il confine tra conoscenza esplicita e tacita non sia così netto come Polanyi stesso poteva immaginare.
Il sapere tacito può essere parzialmente esteriorizzato attraverso l’osservazione delle pratiche, l’analisi delle prestazioni, l’identificazione di pattern ricorrenti. Gli LLM, in alcune aree, stanno dimostrando che questa esteriorizzazione è possibile almeno in forma approssimata. Ma resta da chiedersi: è possibile automatizzare il trasferimento di un sapere che, per sua natura, non si lascia completamente catturare dalla parola?
La risposta più onesta è che non lo sappiamo. E forse è proprio questa incertezza a rendere il paradosso di Polanyi così fecondo: ci obbliga a non confondere la simulazione persuasiva con la comprensione autentica, a tenere distinto ciò che una macchina può fare da ciò che un essere umano effettivamente sa. Nell’era dell’intelligenza artificiale generativa, questa distinzione non è solo un esercizio filosofico. È una bussola epistemica per orientare le aspettative, calibrare la fiducia e, soprattutto, ricordare che alcune delle cose più preziose che sappiamo sono esattamente quelle che non sapremo mai come dire.
Fonti principali
- Michael Polanyi, The Tacit Dimension, University of Chicago Press, 1966.
- David Autor, «Polanyi’s Paradox and the Shape of Employment Growth», NBER Working Paper, 2014.
- Hans Moravec, Mind Children: Computer and Human Intelligence, Harvard University Press, 1988.
- Jeremy Kahn, «Why AI might finally break Polanyi’s Paradox», Exponential View, 2024.
- Azeem Khan, «What Can’t AI Do?», Built In, 2025.
- «Tacit knowledge in large language models», Review of Austrian Economics, Springer, 2025.
- «Unveiling the Unspoken: A Conceptual Framework for AI-Enabled Tacit Knowledge Co-Evolution», MDPI Technologies, 2025.
- «Intergenerational Tacit Knowledge Transfer: Leveraging AI», MDPI Future, 2025.
Share this content:
