Intenzionalità derivata e spazio delle ragioni: perché i grandi modelli linguistici non capiscono

Nel 1980 John Searle immaginava un uomo chiuso in una stanza con regole in inglese per manipolare simboli cinesi. Dall’esterno le sue risposte erano indistinguibili da quelle di un madrelingua; dentro, l’uomo non capiva una parola di cinese. L’esperimento mentale doveva mostrare che la sintassi — la manipolazione di simboli secondo regole formali — non basta per la semantica: il significato non sta nei simboli, ma in chi li usa. Quarantacinque anni dopo, i grandi modelli linguistici (LLM) sono quella stanza cinese su scala industriale: producono testo coerente, superano test di Turing informali, imitano il ragionamento. Ma la domanda di Searle resta: c’è qualcuno in casa?

La letteratura recente converge su una diagnosi precisa: gli LLM mostrano intenzionalità derivata, non intenzionalità intrinseca. Le loro uscite hanno “aboutness” — sono di qualcosa — solo perché utenti e progettisti gliela attribuiscono dall’esterno. Come il termometro che segna “22°C” senza esperire la temperatura, il modello genera token “sul” mondo senza che quel “sul” valga per il sistema stesso (Keshet, 2026). La distinzione, radicata in Brentano (1874) e sviluppata da Searle (1980, 1983), segna il confine tra stati che hanno significato per chi li intrattiene e stati che lo hanno solo per chi li osserva.

Questo saggio argomenta che l’architettura a transformer — addestrata a prevedere il token successivo per regolarità statistiche, non per condizioni di verità — realizza una forma sofisticata di manipolazione segnica che imita l’inferenza senza abitarne lo spazio normativo. Attingendo all’inferenzialismo di Sellars (1953, 1962) e Brandom (1994), mostrerò che partecipare allo “spazio logico delle ragioni” richiede il dominio di regole inferenziali cui ci si impegna, non la mera esibizione di regolarità statistiche. Il risultato non è uno scetticismo sull’utilità degli LLM, ma una mappa concettuale per non confondere la simulazione del comprendere con il comprendere.

L’intenzionalità come discrimine

Franz Brentano, nel 1874, scriveva che «ogni fenomeno psichico è caratterizzato da ciò che gli Scolastici del Medioevo chiamavano l’inesistenza intenzionale (o mentale) di un oggetto, e ciò che potremmo chiamare, sebbene non del tutto in modo univoco, riferimento a un contenuto, direzione verso un oggetto (che non va inteso qui come significare una cosa) o oggettività immanente»^[1]. La formula — riferimento a un contenuto, direzione verso un oggetto — resta il punto di partenza. Ma Brentano non distingueva tra intenzionalità che “appartiene” al soggetto e intenzionalità “proiettata” dall’osservatore. La distinzione moderna, chiarita da Searle (1983) e ripresa da Keshet (2026), separa l’intenzionalità intrinseca — l’aboutness che vale per il sistema stesso, come il mio pensiero “c’è un cane in giardino”, che è significativo per me e di cui posso riconoscere l’errore — dall’intenzionalità derivata — l’aboutness che dipende da interpretazione esterna, come la lettura del termometro, che non “sa” cos’è la temperatura.

Gli LLM operano interamente nel regime dell’intenzionalità derivata. Addestrati su corpora testuali via teacher forcing — condizionati sui token reali precedenti, non sui propri output — apprendono la distribuzione condizionata delle sequenze lessicali. La funzione obiettivo non codifica comprensione semantica né condizioni di verità, ma regolarità statistiche d’uso linguistico (Keshet, 2026). Il risultato è una mappatura ingresso-uscita probabilistica: dato un contesto, il modello calcola una distribuzione sui token successivi e campiona. La variabilità introdotta dal campionamento (temperature, top-k, nucleus) non è deliberazione: casualità non è scelta, indeterminazione non è autorialità (Keshet, 2026).

Il problema del fondamento dei simboli (Harnad, 1990) si ripresenta identico: i token sono definiti solo in relazione ad altri token, in un dominio simbolico chiuso. Senza interazione sensomotoria o esperienziale col mondo, non c’è meccanismo per cui i significati diventino intrinseci al sistema. I modelli multimodali attenuano ma non risolvono: studi empirici mostrano squilibri d’integrazione dove le rappresentazioni testuali dominano, e le uscite riflettono associazioni statistiche interne più che contenuto semanticamente fondato (Liu et al., 2024; Zou et al., 2024; cit. in Keshet, 2026).

Lo spazio logico delle ragioni e le regole inferenziali

Se l’intenzionalità è il discrimine ontologico, la partecipazione allo “spazio logico delle ragioni” (Sellars, 1956/1997) è il discrimine epistemico e normativo. Sellars introduce l’immagine per opporla al “mito del dato”: la conoscenza non si fonda su episodi dati passivamente, ma sull’abilità di collocare asserzioni in una rete di relazioni inferenziali — conseguenze materiali e incompatibilità — che possono essere chieste, difese, revocate. «È solo in virtù del fatto che traiamo inferenze che il significato ottiene il suo collegamento col mondo»^[2].

L’inferenzialismo normativo di Brandom (1994, 2000, 2007) radicalizza l’intuizione: il contenuto concettuale di un’espressione è il suo ruolo inferenziale, e i ruoli sono conferiti da regole. Capire “rame” non è avere una rappresentazione interna, è sapere che “x è rame” comporta “x conduce elettricità” ed esclude “x è alluminio”, e sapersi impegnati a difendere quelle conseguenze. Gli elementi significativi incorporano norme d’inferenza a cui i parlanti si obbligano, non mere disposizioni a inferire (Sambrotta, 2025).

Qui sta il nodo. Gli LLM eseguono compiti inferenziali: deducono conclusioni, rilevano contraddizioni, mappano passi raggiungibili. Sambrotta (2025) riconosce che «c’è un senso in cui potrebbero individuare informazione per la sua posizione in una rete inferenziale»^[3]. Ma c’è un abisso tra esibire regolarità inferenziali e seguire regole inferenziali. La regola non è nel comportamento regolare; è nell’impegno normativo. Wittgenstein (1953, §201) mostrava che seguire una regola non è consultare una rappresentazione mentale a ogni istanza — regresso all’infinito — ma partecipare a una pratica sociale dove l’esecuzione corretta è riconosciuta e sanzionata dalla comunità. Chi segue una regola può essere chiamato a rispondere; chi segue una regolarità statistica no.

Sambrotta (2025) argomenta che i sistemi computazionali tradizionali, basati su stati software espliciti, non risolvono il problema: se il significato dipende dallo stato interno, si ricade nel platonismo o nel soggettivismo che Wittgenstein critica. Gli LLM aggiungono opacità: le loro “rappresentazioni” sono vettori ad alta dimensione appresi per gradient descent, non stati proposizionali accessibili a revisione critica. La distinzione tra disposizione a inferire (ciò che il modello fa statisticamente) e impegno a inferire (ciò che l’agente linguistico si assume) è la linea di confine tra simulazione e partecipazione genuina.

Da dove viene il problema: Brentano, Searle, Sellars, Brandom

Il dibattito non nasce con gli LLM. La critica di Searle (1980) alla “strong AI” — i programmi non bastano per l’intenzionalità, servono poteri causali equivalenti al cervello — estende l’argomento di Brentano contro il riduzionismo fisicalista. Harnad (1990) formula il symbol grounding problem: come possono sistemi puramente simbolici acquisire significato non parassitario? La risposta inferenzialista (Sellars, Brandom) sposta il fuoco: il significato non sta nel collegamento simbolo-oggetto, ma nella rete di impegni inferenziali che i parlanti si assumono reciprocamente.

La svolta brandomiana è decisiva per l’IA. Se il significato è ruolo inferenziale conferito da norme sociali, allora un sistema che non partecipa alla pratica di dare e chiedere ragioni — che non può essere chiamato a rispondere, non può riconoscere i propri impegni, non può revocarli — non abita lo spazio delle ragioni, per quanto fluido sia il suo output. Sambrotta (2025) applica questo quadro agli LLM: la loro “competenza” nasce da riconoscimento di pattern, non da comprensione di norme. La non-monotonicità delle inferenze materiali — conclusioni sconfessabili da premesse aggiuntive (Brandom, 1994; Frápolli & Wishin, 2018) — richiede sensibilità al contesto normativo che i modelli statistici non hanno.

Obiezioni: posizione intenzionale, funzionalismo, compatibilismo

Posizione intenzionale. Dennett (1987) suggerisce che se trattare un sistema come dotato di credenze e desideri predice il suo comportamento, l’attribuzione è legittima. Keshet (2026) replica: la posizione intenzionale è predittiva e pragmatica, non ontologica. Trattare un sistema come se avesse credenze non stabilisce che quelle credenze siano significative per il sistema, né fonda l’autorialità richiesta per responsabilità morale.

Funzionalismo. Se gli stati mentali sono individuati per ruolo causale, qualsiasi sistema che realizzi l’organizzazione funzionale appropriata istanzia le proprietà mentali (Putnam, 1967; Fodor, 1975). La replica (Keshet, 2026; Sambrotta, 2025): l’equivalenza funzionale a livello ingresso-uscita non basta. L’intenzionalità intrinseca e l’auto-attribuzione d’azione richiedono che gli stati siano significativi per il sistema, non solo interpretabili dall’esterno. L’organizzazione funzionale da sola non garantisce significato intrinseco né autorialità.

Compatibilismo. Il libero arbitrio non richiede indeterminismo, ma reattività alle ragioni (Fischer & Ravizza, 1998). Anche qui: i transformer non valutano ragioni, non le riconoscono come ragioni, non avallano i propri output come impegni. Il loro comportamento è governato da correlazioni statistiche, non da controllo reattivo-alle-ragioni (Keshet, 2026).

Output di ragionamento morale. I modelli producono argomentazioni etiche sofisticate. Ma produrre linguaggio morale non implica agenzia morale: un modello può affermare “si deve mantenere le promesse” in un contesto e giustificare la rottura in un altro, senza capacità di conciliare o riconoscere autorità (Keshet, 2026). Simulazione del ragionamento non è esercizio del giudizio.

Oltre lo scientismo: l’empirico non chiude il concettuale

Non si tratta di negare l’utilità degli LLM. Sono potenti macchine semiotiche: ricombinano, ricontestualizzano, circolano forme linguistiche invitando all’interpretazione umana (Picca, 2025). La semiotica peirciana chiarisce: gli LLM non afferrano l’oggetto — non hanno accesso a referenti esterni fondati in percezione incarnata — ma producono rappresentameni che funzionano semioticamente in quanto elicità risposte interpretative nei lettori umani (Picca, 2025). L’opera aperta di Eco (1989) è l’analogia esatta: l’output LLM non istanzia significato chiuso, offre una struttura che richiede lavoro ermeneutico.

Ma questa utilità semiotica non risolve la questione concettuale. I risultati empirici — benchmark superati, test di Turing informali passati, comportamento “simile al ragionamento” — non chiudono da soli la domanda: c’è qualcuno che capisce? La scienza cognitiva può mappare correlati neurali o architetturali; la filosofia deve chiedere quali condizioni rendono quegli stati significativi per il soggetto. Confondere performance comportamentale con competenza normativa è lo scivolamento che l’inferenzialismo denuncia: ruoli conferiti da regole vs. mere disposizioni statistiche.

Intenzionalità derivata dinamica e parassitismo semantico

Grindrod (2026) propone “intenzionalità derivata dinamica”: una forma produttiva, sensibile al contesto, che va oltre i casi statici (parole su pagina, simboli su mappa) ma non raggiunge l’intenzionalità originale. Il discrimine non è coscienza, introspezione, substrato biologico, ma stato normativo. L’intenzionalità originale è avere la “proprietà dello status normativo”, la posizione di chi occupa lo spazio delle ragioni e può essere chiamato a rispondere dei propri impegni; gli LLM ne sono privi.

Il concetto di parassitismo semantico (Grindrod, 2026) cattura come questi sistemi operino attraverso un significato che non “posseggono”. L’allineamento (RLHF) si legge come calibrazione a norme che risiedono altrove — nei valutatori umani, non nel modello. L’analogia con le credenze implicite umane è diagnostica, non probante: fissa il veicolo rappresentazionale (sotto-simbolico, distribuito, statisticamente acquisito, opaco) così che spicchi la proprietà che non condividono: la rispondibilità (answerability).

Cosa resta della stanza cinese

La stanza cinese di Searle non era una profezia sull’impossibilità dell’IA, ma una chiarificazione concettuale: la sintassi non è semantica, la simulazione non è duplicazione. Gli LLM odierni sono stanze cinesi distribuite, parallele, probabilistiche. La loro intenzionalità è derivata, la loro partecipazione allo spazio delle ragioni è simulata, la loro agenzia è assente. Questo non le rende inutili — le rende strumenti semiotici potenti, non agenti cognitivi.

La distinzione ha conseguenze pratiche. La responsabilità per output, decisioni, danni resta ai progettisti, deployer, utenti, istituzioni — non ai sistemi (Keshet, 2026). Gli sforzi di allineamento non trasformano modelli in agenti morali; sono meccanismi per vincolarne il comportamento dentro pratiche normative umane. Quando un LLM produce un argomento, non testimonia: non può essere chiamato a risponderne (Nickel, 2013; Woodruff & Hewitt, 2026). Il “testimony gap” ci ricorda che ogni volta che ci fidiamo dell’output, ci stiamo fidando di una catena umana che ne ha validato l’affidabilità — non della macchina.

La lezione non è che le macchine non potranno mai capire. È che capire non è una soglia di performance, ma una posizione nello spazio delle ragioni: richiede intenzionalità intrinseca, impegno normativo, autorialità. Finché l’architettura resta mappatura probabilistica token-a-token senza ancoraggio esperienziale né capacità di auto-attribuzione, la stanza cinese resta vuota. La domanda aperta non è “quando capiranno?”, ma “quale architettura renderebbe possibile l’intenzionalità intrinseca?” — una domanda architetturale, non metafisica (Grindrod, 2026).

Bibliografia

1. Brentano, F. (1874/1995). Psychology from an Empirical Standpoint. Routledge. Trad. L.L. McAlister. Originariamente pubblicato nel 1874.
2. Searle, J.R. (1980). Minds, brains, and programs. Behavioral and Brain Sciences, 3(3), 417–457. https://doi.org/10.1017/S0140525X00005756
3. Searle, J.R. (1983). Intentionality: An Essay in the Philosophy of Mind. Cambridge University Press.
4. Sellars, W. (1953). Inference and meaning. Mind, 62(247), 313–338.
5. Sellars, W. (1962). Naming and saying. Philosophy of Science, 29(1), 7–26.
6. Harnad, S. (1990). The symbol grounding problem. Physica D: Nonlinear Phenomena, 42(1-3), 335–346.
7. Brandom, R.B. (1994). Making It Explicit: Reasoning, Representing, and Discursive Commitment. Harvard University Press.
8. Sambrotta, M. (2025). LLMs and the Logical Space of Reasons. Minds and Machines, 35. https://doi.org/10.1007/s11023-025-09751-y
9. Keshet, J. (2026). Why Sampling Is Not Choosing: Intentionality, Agency, and Moral Responsibility in Large Language Models. Proceedings of the 43rd International Conference on Machine Learning, PMLR 306. arXiv:2606.13441v2
10. Grindrod, J. (2026). Dynamic Derived Intentionality in Large Language Models: From Implicit Beliefs to Semantic Parasitism. Minds and Machines, 36. https://doi.org/10.1007/s11023-026-09800-0
11. Picca, D. (2025). Not Minds, but Signs: Reframing LLMs through Semiotics. arXiv:2505.17080v3.
12. Wittgenstein, L. (1953). Philosophical Investigations. Blackwell.
13. Dennett, D.C. (1987). The Intentional Stance. MIT Press.
14. Eco, U. (1989). The Open Work. Harvard University Press.
15. Nickel, P.J. (2013). Artificial speech and its authors. Minds and Machines, 23(4), 489–502. https://doi.org/10.1007/s11023-013-9303-9
16. Woodruff, E. & Hewitt, J. (2026). Epistemic agency in the age of large language models: Design principles for knowledge-building AI. AI, 7(3). https://doi.org/10.3390/ai7030099
17. Fodor, J.A. (1975). The Language of Thought. Harvard University Press.
18. Putnam, H. (1967). Psychological predicates. In Art, Mind, and Religion.
19. Fischer, J.M. & Ravizza, M. (1998). Responsibility and Control: A Theory of Moral Responsibility. Cambridge University Press.
20. Frápolli, M. & Wishin, T. (2018). Brandom on non-monotonicity. Disputatio.
21. Liu, S., Zheng, K. & Chen, W. (2024). Paying more attention to image: A training-free method for alleviating hallucination in LVLMs. In European Conference on Computer Vision, pp. 125–140. Springer.
22. Zou, X., Wang, Y., Yan, Y., Lyu, Y., Zheng, K., Huang, S., Chen, J., Jiang, P., Liu, J., Tang, C. et al. (2024). Look twice before you answer: Memory-space visual retracing for hallucination mitigation in multimodal large language models. arXiv:2410.03577.

Note

1. «Every mental phenomenon is characterized by what the Scholastics of the Middle Ages called the intentional (or mental) inexistence of an object, and what we might call, though not wholly unambiguously, reference to a content, direction towards an object (which is not to be understood here as meaning a thing), or immanent objectivity.» — Brentano, Psychology from an Empirical Standpoint, 1874/1995, pp. 88–89. Fonte: Wikipedia su IPFS. Traduzione nostra.
2. «…it is by virtue of the fact that we draw inferences that meaning gets its connection with the world» — Sellars, Naming and Saying, 1962, p. 246. Fonte: Springer (Sambrotta, 2025). Traduzione nostra.
3. «There is a sense in which they could individuate information by its place in an inferential network.» — Sambrotta, LLMs and the Logical Space of Reasons, 2025, §2. Fonte: Springer. Traduzione nostra.