L’epistemologia dell’IA può diventare un campo autonomo

Ascolta il podcast:

Il 16 ottobre 2026 la Stanford Encyclopedia of Philosophy ha pubblicato la voce Epistemology of Artificial Intelligence a firma di Claus Beisbart. L’incipit è netto: l’intelligenza artificiale Artificial intelligence (AI) is increasingly being used to obtain knowledge and understanding. […] The stunning achievements of AI in knowledge-related tasks, along with its opacity, motivate an epistemology of AI—a study of how much AI can truly contribute to the acquisition of knowledge and understanding. The epistemology of AI treats it both as an object of knowledge and as a tool that extends the capacities of epistemic agents, if it does not become an epistemic agent in its own right. As a branch of epistemology, the epistemology of AI parallels social epistemology in its departure from a focus on the unaided individual human being. However, the epistemology of AI has yet to become an established philosophical field^[1]. La frase suona come un atto di nascita e, insieme, come un verdetto di immaturità. Una disciplina che si dichiara tale mentre ammette di non esserlo del tutto: questo paradosso è il punto di partenza obbligato per chiedersi se l’epistemologia dell’IA possa costituirsi come campo autonomo, con problemi, metodi e letteratura propri, oppure resti un’appendice applicata dell’epistemologia sociale, della filosofia della scienza e della filosofia della mente.

La questione non è meramente accademica. Da un lato, i sistemi di intelligenza artificiale — in particolare i grandi modelli linguistici — sono entrati nelle pratiche epistemichedi milioni di persone: si consultano per diagnosi mediche, analisi legali, dimostrazioni matematiche, previsioni climatiche. Dall’altro, la letteratura filosofica sull’argomento è ancora frammentata: studi sull’opacità algoritmica, analisi della giustificazione basata su machine learning, tentativi di estendere l’epistemologia della testimonianza a fonti non umane. Manca un disciplinary matrix nel senso di Kuhn: un insieme condiviso di assunzioni teoriche, valori, problemi esemplari e metodi che trasformi una costellazione di contributi in una tradizione di ricerca. La voce SEP stessa ne è consapevole quando scrive che l’epistemologia dell’IA parallels social epistemology in its departure from a focus on the unaided individual human being, ma non ha ancora become an established philosophical field.

La tesi di questo saggio è che l’epistemologia dell’IA si trova oggi in una fase pre-paradigmatica kuhniana: possiede problemi genuini e distintivi (l’opacità come ostacolo alla giustificazione, la tensione tra forma linguistica e warrant epistemico, la natura derivata dell’agenzia epistemica artificiale), ma le mancano gli exemplars — le soluzioni modello che addestrano i praticanti a riconoscere cosa conta come un buon lavoro nel campo. Finché non emergeranno paradigmi condivisi, la disciplina oscillerà tra due poli: l’assimilazione a letterature consolidate (epistemologia sociale, filosofia della scienza computazionale) e la pretesa di autonomia basata sulla specificità tecnica dei suoi oggetti. Il passaggio dalla fase pre-paradigmatica a una scienza normale richiederà non solo accumulo di risultati, ma una riorganizzazione concettuale che renda visibili le differenze reali tra conoscere tramite un’IA e conoscere di un’IA.

L’oggetto a due facce: opacità e giustificazione

Beisbart distingue due ruoli dell’IA nell’epistemologia: oggetto di indagine (conoscere di un’IA) e strumento dal lato del soggetto epistemico (conoscere tramite un’IA). La distinzione è operativa, non ontologica: lo stesso sistema può essere studiato per capire come produce i suoi output e, contemporaneamente, usato come fonte per formare credenze. Ma i problemi epistemici che ne derivano sono asimmetrici.

Quando l’IA è oggetto, la questione centrale è l’opacità. Beisbart riprende l’esplicazione di Humphreys: un processo è epistemiciamente opaco per un agente X al tempo t se X non conosce a t tutti gli elementi epistemiciamente rilevanti del processo. Nella simulazione al calcolatore l’opacità nasce dalla complessità computazionale; nei modelli di deep learning si aggiunge l’assenza di una rappresentazione esplicita delle regole apprese. La nozione di unsurveyability — l’impossibilità per un agente di controllare o sorvegliare la giustificazione passo per passo — coglie il cuore del problema. Il teorema dei quattro colori mostrò che le dimostrazioni assistite da calcolatore possono essere insupervisionabili; i LLM generalizzano il problema: non solo la dimostrazione, ma la stessa formazione del concetto, dell’inferenza, della generalizzazione avviene in uno spazio ad alta dimensionalità che nessun ispettore umano può percorrere linearmente.

Quando l’IA è strumento, il problema si sposta sulla giustificazione. Se un utente crede p perché un LLM ha risposto p, in cosa consiste la giustificazione? Beisbart passa in rassegna le opzioni: processi affidabilisti (Goldman 1976), sensibilità e sicurezza (Gardiner & Zaharatos 2022), fiducia epistemica (Nguyen 2022). Ma nota un punto decisivo: Thus, the most natural candidate for a proposition that the user may believe is the LLM’s answer in some literal interpretation^[2]. Qui l’asimmetria morde: l’utente non ha accesso alla traccia causale che ha prodotto la risposta, né a una catena di ragionamento ispezionabile. La giustificazione, se c’è, deve essere esterna — basata su affidabilità statistica, non su trasparenza interna.

Distinguere per non confondere

Uno dei meriti della voce SEP è la tassonomia dell’opacità in tre dimensioni: (1) i gradi in cui l’accesso epistemico può essere difficile; (2) i tipi di accesso epistemico che sono difficili; (3) gli aspetti dell’IA a cui l’accesso è precluso. Questa distinzione evita la trappola di trattare opacità come un predicato monolitico. Un modello può essere opaco rispetto ai pesi interni (grado alto, tipo accesso meccanico) ma trasparente rispetto alla topologia dell’architettura (grado basso, tipo accesso strutturale). Analogamente, interpretabilità e spiegabilità vengono trattate come equivalenti dalla letteratura tecnica, ma filosoficamente divergono: l’interpretabilità riguarda la comprensione del meccanismo; la spiegabilità, la produzione di ragioni accessibili all’utente. Confonderle porta a pretendere da un post-hoc explanator ciò che solo l’analisi meccanica può dare.

Un secondo nodo concettuale è la distinzione tra conoscenza e comprensione. Beisbart osserva che la comprensione sembra un traguardo epistemico distinto, forse più prezioso della conoscenza. La letteratura sull’understanding nell’IA (de Regt 2017; Sullivan 2022; Krenn et al. 2022) oscilla tra chi nega che modelli opachi possano favorire la comprensione scientifica — perché questa richiede una teoria intelligibile allo scienziato — e chi sostiene che le reti neurali possano approfondirla rivelando pattern inaccessibili al ragionamento simbolico. La distinzione cruciale è tra comprensione dell’output (l’utente capisce perché il modello ha risposto così) e comprensione mediata dall’output (l’utente capisce meglio il dominio target grazie al modello). Solo la seconda è epistemicamente interessante; la prima è un requisito di usabilità, non un guadagno cognitivo.

Dalle origini: filosofia dell’IA ed epistemologia dell’IA

Il campo non nasce dal nulla. Beisbart ricorda che since the advent of AI, authors from epistemology, the philosophy of science, and the philosophy of mind have addressed epistemological questions concerning AI. La filosofia dell’IA tradizionale — da Searle (1980) a Bringsjord & Govindarajulu (2026) — si è concentrata sugli stati mentali: l’IA può capire, credere, avere intenzionalità? L’epistemologia dell’IA sposta il fuoco: non chiede se l’IA ha stati mentali, ma se gli umani sono giustificati a fidarsi dei suoi output. È il passaggio dalla metafisica della mente all’epistemologia della pratica.

Questo spostamento ha radici profonde. Sellars, in Empiricism and the Philosophy of Mind (1956), attacca il Mito del Dato: l’idea che esista un fondamento non inferenziale, immediatamente dato, per la conoscenza empirica. La sua alternativa è lo spazio delle ragioni: we are placing it in the logical space of reasons, of justifying and being able to justify what one says^[3]. La conoscenza non si fonda su dati puri, ma si colloca in una rete di inferenze, impegni, correzioni reciproche. Un LLM produce output che sembrano occupare lo spazio delle ragioni: hanno forma proposizionale, articolano argomentazioni, usano vocabolario giustificazionista. Ma Sellars aggiunge una condizione: per stare nello spazio delle ragioni bisogna essere capaci di giustificare ciò che si dice, non solo produrre stringhe che ne hanno l’apparenza. Un sistema che allucina con la stessa fluidità con cui enuncia verità, che non può distinguere ciò che sa da ciò che non sa (Zhao et al. 2025), che non ha commitment normativo alle proprie asserzioni (Coeckelbergh 2026) — un tale sistema sta fuori dallo spazio delle ragioni, anche quando i suoi output vi circolano.

La genealogia continua con Wittgenstein. Nelle Ricerche filosofiche (§§243–315), l’argomento del linguaggio privato mostra che seguire una regola non è un atto privato, ma una pratica sociale: Hence it is not possible to obey a rule ‘privately’: otherwise thinking one was obeying a rule would be the same thing as obeying it. (§202). Kripke (1982) radicalizza: non ci sono fatti che determinino cosa significhi seguire una regola; la correttezza è costituita dall’accordo della comunità. Un LLM addestrato su testi umani riproduce le regolarità statistiche di una pratica comunitaria, ma non partecipa a quella pratica. Non può essere corretto, non può correggere, non risponde delle sue mosse. La sua conformità alle regole è mimetica, non normativa. Questo non significa che i suoi output siano inutili; significa che la loro valenza epistemica va valutata dal di fuori, come si valuta l’affidabilità di uno strumento, non come si valuta la testimonianza di un pari.

L’obiezione: nulla di nuovo sotto il sole epistemologico?

Lo scettico rispetto all’autonomia del campo ha gioco facile. L’epistemologia della testimonianza (Lackey 2008; Goldberg 2010) ha già sviluppato strumenti per valutare fonti non perfettamente affidabili, parzialmente opache, potenzialmente ingannevoli. L’epistemologia sociale studia da decenni come la conoscenza si distribuisca in comunità epistemicamente eterogenee. La filosofia della scienza computazionale (Humphreys 2004; Lenhard 2018) analizza da tempo l’insupervisionabilità delle simulazioni. L’epistemologia delle virtù (Sosa 2007; Greco 2010) offre cornici per valutare processi cognitivi che non riducano a regole esplicite. Perché l’IA richiederebbe un campo a parte?

La risposta sta nella specificità tecnica che genera problemi nuovi, non solo nuove istanze di problemi vecchi. Tre differenze qualitative:

Primo, la scala e l’eterogeneità. Un LLM non è un singolo esperto, né una comunità omogenea. È un aggregato statistico di miliardi di contributi umani, compressi in parametri che nessuno ha progettato né ispezionato. La testimonianza tradizionale presuppone un agente (o una catena tracciabile di agenti); l’output dell’LLM non ha autore identificabile, né catena causale ricostruibile. L’epistemologia della testimonianza non ha concetti per questo.

Secondo, la generatività linguistica senza ancoraggio indiciale. Cabitza e Colombo (2026) introducono il concetto di schizologia epistemica: la scissura socio-tecnica tra segni come espressioni linguisticamente compiute e segni come momenti dentro circuiti socialmente incastonati di interpretazione, evidenza, critica, verifica, responsabilità. L’LLM produce logos — discorsi articolati, spiegazioni, distinzioni, elementi simili a evidenze — ma questo logos circola indipendentemente dalla semiosi che gli conferirebbe forza warrantata. La condizione che chiamano Epistemia (Quattrociocchi et al. 2025) — l’esperienza di possedere conoscenza senza intraprendere le pratiche attraverso cui il giudizio sarebbe ordinariamente warrantato — è un fenomeno nuovo nella sua pervasività e opacità strutturale. Non è solo testimonianza inaffidabile: è produzione di forma epistemica senza il circuito che la legittima.

Terzo, la natura derivata dell’agenzia epistemica. Coeckelbergh (2026) propone di intendere i LLM come istanze di agenzia senza intelligenza, fondate sulla realizzabilità multipla dell’agenzia piuttosto che su cognizione o comprensione. Ma Beisbart nota la distinzione cruciale: in etica, trattare l’IA come oggetto significa negarle doveri e diritti morali; in epistemologia, trattarla come oggetto significa solo farne oggetto di indagine, indipendentemente dal suo status di agente. L’IA può essere contemporaneamente oggetto di studio e parte del soggetto epistemico (strumento, protesi, persino partner di costruzione della conoscenza — KBP, secondo i termini di MDPI 2026). Questa dualità non ha parallelo nell’epistemologia della testimonianza classica.

La fase pre-paradigmatica: scuole concorrenti e assenza di exemplars

Kuhn, in La struttura delle rivoluzioni scientifiche (1962), descrive la fase pre-paradigmatica come un periodo in cui Competing schools possess differing procedures, theories, even metaphysical presuppositions. Consequently there is little opportunity for collective progress. […] Much intellectual energy is put into arguing over the fundamentals with other schools instead of developing a research tradition.. Ogni scuola può fare progressi localizzati, ma molta energia intellettuale viene messa a discutere sui fondamentali con le altre scuole invece di sviluppare una tradizione di ricerca. L’epistemologia dell’IA oggi assomiglia a questa descrizione.

Almeno tre scuole si fronteggiano senza condividere un lessico comune:

La scuola affidabilista-esterna (Goldman, Beisbart §3.3) tratta l’IA come un processo scatola-nera la cui affidabilità si misura statisticamente. La giustificazione è esterna: se il processo produce vere credenze in alta percentuale, l’utente è giustificato. Il problema: l’affidabilità è dipendente dal dominio, non stazionaria, e l’utente non ha modo di sapere quando il modello esce dal suo regime di competenza.

La scuola internista della trasparenza insiste che la giustificazione richieda accesso alla catena di ragionamento. Spinge per explainable AI, mechanistic interpretability, probing. Il problema: i risultati di mechanistic interpretability (Beckmann & Queloz 2026) mostrano che le feature apprese dai modelli sono direzioni nello spazio latente, non concetti nel senso sellarsiano; la trasparenza meccanica non si traduce automaticamente in giustificazione epistemica per l’utente.

La scuola relazionale-prassica (Cabitza & Colombo 2026; Jun 2026) sposta l’unità di analisi dal modello isolato alla pratica ibrida umano-IA. La conoscenza non sta nel modello né nell’utente, ma nel circuito socio-tecnico che li lega. Il problema: questa scuola rischia di dissolvere l’oggetto specifico — l’IA — in una sociologia della conoscenza generica, perdendo la specificità tecnica che rende l’IA epistemiciamente singolare.

Manca, in tutte e tre, un exemplar kuhniano: un problema risolto in modo tale da diventare modello per i problemi futuri. In fisica newtoniana, il Principia fornisce l’exemplar; in chimica la teoria dell’ossigeno di Lavoisier. In epistemologia dell’IA non c’è ancora un caso studio che tutti citano come così si fa buon lavoro in questo campo. La voce SEP stessa è una ricognizione, non un exemplar.

Dalla schizologia alla progettazione delle pratiche

Se la diagnosi di Cabitza e Colombo è corretta — la schizologia epistemica è la scissura tra forma linguistica e circuito warrantante —, allora la via d’uscita dalla fase pre-paradigmatica non è costruire modelli più trasparenti o più affidabili, ma progettare pratiche che ricuciano la scissura. Il loro articolo elenca cinque impegni metodologici per un framing equo: (1) genealogia ispezionabile dell’output; (2) contestabilità delle asserzioni generate; (3) responsabilità distribuita; (4) preservazione dell’agenzia epistemica dell’utente; (5) valutazione delle pratiche ibride sotto incertezza, novità, disaccordo, pressione istituzionale.

Questo programma trasforma l’epistemologia dell’IA da teoria della conoscenza di sistemi artificiali a teoria della conoscenza in sistemi socio-tecnici che includono artefatti artificiali. È qui che il campo può trovare la sua identità autonoma: non studiare l’IA come oggetto epistemico isolato, né trattarla come fonte testimoniale atipica, ma analizzare come la sua integrazione riorganizza le condizioni sotto cui gli agenti umani esercitano giudizio, giustificazione, responsabilità. L’epistemologia dell’IA diventerebbe così l’epistemologia delle capacità epistemiche estese — estese non nel senso clark-chalmersiano di mente estesa, ma nel senso teleologico di Coeckelbergh: i LLM reshape the conditions under which human judgment, inquiry, understanding, and justification unfold.

Il rischio dell’etichetta vuota

Il rischio reale è che epistemologia dell’IA diventi un’etichetta vuota sotto cui confluiscano contributi eterogenei senza vincolo unificante. La storia della filosofia della scienza è disseminata di nuovi campi che si sono dissolti in sottodiscipline esistenti: l’epistemologia della simulazione è confluita nella filosofia della scienza computazionale; l’epistemologia della testimonianza esperta nell’epistemologia sociale; l’epistemologia visuale nell’estetica filosofica. Perché l’epistemologia dell’IA dovrebbe sfuggire a questo destino?

Due condizioni sono necessarie. Prima: il campo deve produrre risultati non riducibili — teoremi, argomenti, distinzioni che non si traducano senza resto in epistemologia sociale, filosofia della scienza, o filosofia della mente. Per ora, i candidati sono la distinzione tra opacità essenziale (legata all’architettura) e opacità contingente (legata alla complessità); il concetto di schizologia epistemica come diagnosi strutturale; l’analisi della teleologia derivata come categoria epistemica distinta da intenzionalità e agenzia. Seconda: il campo deve sviluppare standard di valutazione condivisi per i propri contributi — non solo peer review generica, ma criteri specifici: il paper affronta la scissura tra forma e warrant? Distingue i livelli di analisi senza confonderli? Tratta l’IA come componente di pratiche ibride, non come agente isolato?

Senza queste condizioni, l’epistemologia dell’IA rimarrà ciò che Beisbart onestamente descrive: un dominio di questioni, non un campo consolidato. La voce SEP del 2026 non è la costituzione del campo; è il suo verbale di nascita, che ne certifica l’esistenza ma ne rimanda la maggiore età.

Conclusione: una domanda aperta precisa

L’epistemologia dell’IA può diventare un campo filosofico autonomo? La risposta onesta è: non ancora, ma i problemi che la spingerebbero a esserlo sono reali e irriducibili. La fase pre-paradigmatica non è un difetto: è la condizione necessaria perché un campo si costituisca. Kuhn mostra che le scienze mature nascono da crisi pre-paradigmatiche risolte da un exemplar che riorganizza il problema-spazio. L’epistemologia dell’IA ha il suo problema-spazio (opacità, schizologia, agenzia derivata, giustificazione senza accesso), ma non ha ancora il suo exemplar.

La domanda che resta aperta non è l’IA può conoscere? — domanda mal posta, perché presuppone che la conoscenza sia una proprietà monolitica che o si ha o non si ha. La domanda giusta è: sotto quali condizioni architetturali, procedurali, istituzionali le pratiche ibride umano-IA producono output che occupano legittimamente lo spazio delle ragioni, e come possiamo progettare tali condizioni invece di subirle? Rispondere a questa domanda richiederà non solo epistemologi, ma filosofi della tecnologia, scienziati cognitivi, progettisti di sistemi, giuristi. Se l’epistemologia dell’IA saprà farsi campo interdisciplinare per costituzione — non per necessità contingente, ma perché il suo oggetto lo esige — avrà guadagnato la sua autonomia. Fino ad allora, resta una promessa metodologica: quella di prendere sul serio la specificità tecnica dell’IA senza farne una metafisica, e la specificità epistemica dell’umano senza farne un privilegio ontologico.

Bibliografia

1. Beisbart, Claus (2026). Epistemology of Artificial Intelligence. The Stanford Encyclopedia of Philosophy (Fall 2026 Edition), Edward N. Zalta & Uri Nodelman (eds.). https://plato.stanford.edu/entries/epistemology-ai
2. Cabitza, Federico & Colombo, Gianluca (2026). Beyond Epistemia: Epistemic Schizologia and Large Language Models as Techno-Semiotic Machines. arXiv:2607.25620v1. https://arxiv.org/abs/2607.25620
3. Jun, Daedo (2026). Where is the Boundary Between AI and Philosophy? A Relational Inquiry into Machine Understanding. PhilPapers. https://philpapers.org/archive/JUNWIT-4.pdf
4. Sellars, Wilfrid (1956). Empiricism and the Philosophy of Mind. Minnesota Studies in the Philosophy of Science, Vol. 1, pp. 253–329. https://sites.pitt.edu/~rbrandom/Courses/2023%20Sellars/Sellars%20texts/SellarsEmpPhilMind.pdf
5. Kuhn, Thomas S. (1962/1970). The Structure of Scientific Revolutions, 2nd ed. Chicago: University of Chicago Press. ISBN 9780226458083.
6. Wittgenstein, Ludwig (1953/2009). Philosophical Investigations, 4th ed., trans. G.E.M. Anscombe, P.M.S. Hacker & J. Schulte. Oxford: Wiley-Blackwell. ISBN 9781405159289.
7. Coeckelbergh, Mark (2026). AI and epistemic agency: how AI influences belief revision and its normative implications. Social Epistemology, 40(1): 59–71. https://doi.org/10.1080/02691728.2025.2466164
8. Zhao, Raoyuan, Köksal, Abdullatif, Modarressi, Ali, Hedderich, Michael A. & Schütze, Hinrich (2025). Do We Know What LLMs Don’t Know? A Study of Consistency in Knowledge Probing. arXiv:2505.21701v2. https://arxiv.org/abs/2505.21701
9. Beckmann, Pierre & Queloz, Matthieu (2026). Mechanistic Indicators of Understanding in Large Language Models. Philosophical Studies, 183: 1749–1792. https://arxiv.org/abs/2507.08017
10. Bringsjord, Selmer & Govindarajulu, Naveen Sundar (2026). Artificial Intelligence. The Stanford Encyclopedia of Philosophy (Spring 2026 Edition). https://plato.stanford.edu/archives/spr2026/entries/artificial-intelligence/
11. Kripke, Saul (1982). Wittgenstein on Rules and Private Language. Cambridge, MA: Harvard University Press. ISBN 9780674954014.
12. Searle, John R. (1980). Minds, brains, and programs. Behavioral and Brain Sciences, 3(3): 417–457. https://doi.org/10.1017/S0140525X00005756

Note

1. «Artificial intelligence (AI) is increasingly being used to obtain knowledge and understanding. For example, it is employed to detect objects in images, make predictions, examine mathematical conjectures, and infer causal connections. Indeed, over the last few years, many people have become accustomed to consulting chatbots powered by large language models when they have a question. However, are humans really justified in basing their beliefs on AI outputs? Can they claim to know things based on AI? If so, what is the justification? What kind of knowledge does AI yield? How do the procedures inherent in AI compare to well-known patterns of scientific inference? And how can AI contribute to a better understanding of real-world systems? Answering these questions remains a challenge because AI is a new technology that humans still struggle to understand fully. Many AI systems are considered “black boxes” or opaque, as it is often put. The stunning achievements of AI in knowledge-related tasks, along with its opacity, motivate an epistemology of AI—a study of how much AI can truly contribute to the acquisition of knowledge and understanding. The epistemology of AI treats it both as an object of knowledge and as a tool that extends the capacities of epistemic agents, if it does not become an epistemic agent in its own right. As a branch of epistemology, the epistemology of AI parallels social epistemology in its departure from a focus on the unaided individual human being. However, the epistemology of AI has yet to become an established philosophical field.» — Beisbart, Epistemology of Artificial Intelligence, 2026. Fonte: https://plato.stanford.edu/entries/epistemology-ai. Traduzione nostra.
2. «Thus, the most natural candidate for a proposition that the user may believe is the LLM’s answer in some literal interpretation (see Heersmink et al. 2024 for a general epistemological analysis of LLMs).» — Beisbart, Epistemology of Artificial Intelligence, 2026, §3.1. Fonte: https://plato.stanford.edu/entries/epistemology-ai. Traduzione nostra.
3. «we are placing it in the logical space of reasons, of justifying and being able to justify what one says» — Sellars, Empiricism and the Philosophy of Mind, 1956, §36. Fonte: https://sites.pitt.edu/~rbrandom/Courses/2023%20Sellars/Sellars%20texts/SellarsEmpPhilMind.pdf.

Podcast: Play in new window | Download