Nel 1966 Michael Polanyi formulò quello che sarebbe diventato uno dei paradossi più duraturi dell’epistemologia: «Sappiamo più di quanto possiamo dire» [Polanyi, 1966]. La frase, lapidaria, condensa una sfida radicale all’intellettualismo: la conoscenza non si esaurisce nel proposizionale. Vi è un eccesso — abilità corporee, giudizi situati, intuizioni professionali — che resiste alla codifica esplicita. Oggi, a sessant’anni di distanza, i Large Language Models (LLM) riaprono il dossier. Non perché lo risolvano, ma perché ne rendono visibile la struttura in modi inediti. La tesi di questo articolo è duplice. Primo: i LLM non possiedono conoscenza tacita in senso fenomenologico — non «sanno» nel modo in cui un chirurgo sa dove incidere, o un pianista sa come fraseggiare un passaggio — ma operazionalizzano regolarità tacite estratte da corpora umani, fungendo da estrattori e amplificatori di quella stessa conoscenza che Polanyi riteneva inarticolabile [Levin et al., 2026]. Secondo: le capacità più preziose dei LLM risiedono precisamente nella componente che sfugge alla formalizzazione regolistica; se fossero interamente riducibili a regole discrete, collasserebbero in expert system, la cui inferiorità storica è documentata [Cheng, 2026]. Il paradosso di Polanyi non è stato superato: è stato stratificato. Il percorso argomentativo si snoda in cinque sezioni. La prima ricolloca il paradosso nella sua genealogia filosofica — da Ryle a Davies — distinguendo quattro livelli di analisi: implementazionale, algoritmico, intenzionale, fenomenologico. La seconda esamina l’evidenza empirica: come i LLM esternalizzano conoscenza tacita umana superando talora gli esperti stessi [Li et al., 2026], e come certi tratti a… [truncated] Share this content: Navigazione articoli Il problema del grounding nei modelli multimodali: tra grounding referenziale, vettoriale e la persistenza del divario epistemico