Nel 1958, il fisico e filosofo Michael Polanyi pubblicò Personal Knowledge, un’opera che avrebbe rivoluzionato la comprensione del sapere umano. La sua tesi centrale è deceptively semplice: «Sappiamo più di quanto possiamo dire». Con questa frase, Polanyi introduce il concetto di conoscenza tacita, quella forma di sapere che non può essere espressa in parole o formalizzata in algoritmi, ma che permea ogni nostra azione, da guidare una bicicletta a riconoscere un volto familiare. Oggi, nel 2025, con l’ascesa dei modelli di linguaggio e l’intelligenza artificiale generativa, questa distinzione tra sapere esplicito e tacito ritorna con urgenza. Le macchine possono ora generare testi, composizioni musicali, immagini e perfino codice informatico, ma possono davvero possedere quella forma di conoscenza che rende gli esseri umani esperti in un campo? Questo articolo esplora il divario tra sapere esplicito e tacito nell’era dell’intelligenza artificiale, analizzando le implicazioni filosofiche e pratiche di questa divisione per il futuro della tecnologia e della società.
Le fondamenta del sapere tacito
Polanyi distingueva tra conoscenza esplicita, che può essere articolata in parole, formule o procedure, e conoscenza tacita, che risiede nell’esperienza pratica, nell’intuito e nell’abilità sviluppata attraverso la ripetizione e il confronto diretto con un maestro. Come osserva un recente studio sulla trasmissione del sapere tacito nell’educazione medica: «La conoscenza tacita è nota anche come conoscenza implicita. Rappresenta un tipo di comprensione difficile da comunicare attraverso la scrittura o il parlato. Si riferisce a know-how piuttosto che a know-what» [1].
Questa distinzione ha profonde implicazioni per l’intelligenza artificiale. I modelli di linguaggio, per quanto sofisticati, funzionano essenziale correlando simboli e pattern statistici. Possono generare testi coerenti e anche persuasivi, ma mancano di quella base esperienziale che caratterizza il sapere umano. Come scrive il filosofo Daniel Andler in Il duplice enigma, la differenza tra la corrente simbolica e quella connessionista sta nel fatto che «un modello simbolico non apprende, si limita ad applicare le istruzioni che ha ricevuto, mentre una rete di apprendimento profondo acquisisce una capacità nuova a partire da informazioni corrette più povere rispetto a indicazioni complete per fornire la risposta esatta» [2].
L’abilità del riconoscimento facciale, la percezione intuitiva di un paziente da parte di un medico esperto, la capacità di un artigiano di percepire la consistenza del legno sotto le mani: tutte queste competenze sfuggono alla formalizzazione algoritmica perché coinvolgono una dimensione corporea, relazionale e contestuale che le macchine non possono riprodurre.
I limiti dell’intelligenza artificiale nel sapere tacito
Le reti neurali, così come le conosciamo, apprendono da enormi quantità di dati testuali, visivi o sonori, ma questa forma di apprendimento è intrinsecamente diversa dall’esperienza umana. L’apprendimento umano è incarnato: avviene attraverso un corpo che interagisce con il mondo, sperimenta emozioni, sviluppa intuizioni. L’apprendimento automatico, per quanto potente, resta disincarnato.
Questo divario si manifesta in modi concreti. Un chirurgo può insegnare a una macchina i passi tecnici di un’operazione, ma non la sensazione tattile che permette di riconoscere un tessuto malato dal sano. Un musicista può formalizzare la teoria musicale, ma non la sensazione fisica del suono che guida l’interpretazione. Un insegnante può trasmettere concetti, ma non la saggezza nata dall’esperienza di innumerevoli interazioni con studenti diversi.
Come sottolinea recentemente un articolo su Michael Polanyi: «Il framework di Polanyi offre una lente per comprendere ciò che l’IA ancora non può fare, e perché le competenze incarnate e dipendenti dal contesto restano difficili da formalizzare» [3]. Questa critica non è meramente teorica: ha conseguenze pratiche su come progettiamo sistemi di intelligenza artificiale e su quali compiti affidiamo loro.
Il paradosso della formalizzazione
C’è un paradosso fondamentale nel tentativo di insegnare alle macchine il sapere tacito: nel momento in cui cerchiamo di renderlo esplicito, lo distorciamo o lo impoveriamo. Il sapere tacito, per definizione, resiste alla formalizzazione; tentare di codificarlo significa già trasformarlo in qualcos’altro.
Questo problema è particolarmente rilevante per i sistemi di intelligenza artificiale che aspirano a replicare competenze umane complesse. Un modello può imitare lo stile di uno scrittore, ma non la comprensione profonda del linguaggio che nasce dall’esperienza di vita di quello scrittore. Può generare una diagnosi medica basandosi su pattern statistici, ma non ha accesso all’intuito sviluppato da anni di pratica clinica.
Come ha osservato Polanyi, la trasmissione di questo sapere richiede fiducia e interazione personale sostenuta tra insegnante e apprendista. È un processo relazionale che coinvolge l’osservazione, l’imitazione, il tentativo e l’errore — tutti elementi che sfuggono alla computazione algoritmica.
Implicazioni per il futuro dell’intelligenza artificiale
Questa limitazione non significa che l’intelligenza artificiale non abbia un ruolo importante da giocare. Al contrario, riconoscere i confini del sapere esplicito può aiutarci a progettare sistemi più efficaci e a delineare chiaramente quali compiti sono adatti alle macchine e quali richiedono intervento umano.
Due approcci emergono come particolarmente promettenti. Il primo è l’integrazione di sistemi simbolici con reti neurali, in modo da combinare il ragionamento logico con l’apprendimento da pattern. Il secondo è lo sviluppo di interfacce più naturali che permettano agli utenti di trasmettere competenze attraverso dimostrazione piuttosto che codifica formale.
Tuttavia, queste strategie hanno i loro limiti. Il sapere tacito non può essere completamente trasmesso attraverso dimostrazioni o esempi: richiede un contesto di apprendimento ricco di feedback e di interazione reciproca. Le macchine possono osservare e imitare, ma non possono sostituire la relazione umana che rende possibile la trasmissione di competenze profonde.
Conclusione
Il concetto di sapere tacito di Polanyi ci offre una lente inestimabile per valutare le capacità e i limiti dell’intelligenza artificiale. Le macchine eccellono nel processare e generare conoscenza esplicita, ma sono strutturalmente incapaci di possedere quel tipo di sapere che nasce dall’esperienza incarnata, dall’intuito e dalla relazione umana.
Questo non è un difetto da correggere, ma una caratteristica intrinseca della tecnologia che dobbiamo riconoscere e rispettare. Il futuro non sta nel pretendere che le macchine sostituiscano il giudizio umano, ma nel trovare il modo ottimale di combinare le loro straordinarie capacità computazionali con le irriducibili competenze tacite degli esseri umani.
La domanda che ci lasciamo è pertinente e urgente: se il sapere tacito è ciò che ci rende veramente competenti in un campo, che posto occupa l’intelligenza artificiale in un mondo che ancora richiede esperienza, intuizione e relazione umana? La risposta a questa domanda determinerà non solo il futuro della tecnologia, ma anche il modo in cui intendiamo lavoro, educazione e creatività nei prossimi decenni.
Fonti:
[1] National Center for Biotechnology Information, «Insights From Michael Polanyi: Tacit Knowledge and Its Critical Importance in Medical Education», 2025. https://pmc.ncbi.nlm.nih.gov/articles/PMC12927663/
[2] Andler, D., Il duplice enigma, 2024.
[3] Xu, L., «Michael Polanyi: Tacit Knowledge, Personal Knowing, and What AI Still Cannot Tell», 2025. https://davidlxu.github.io/posts/2026/04/michael-polanyi-tacit-knowledge-ai/
Share this content:
