Nel dibattito pubblico sull’intelligenza artificiale, la domanda sembra sempre la stessa: siamo già arrivati all’AGI, cioè all’intelligenza artificiale generale? È una domanda comprensibile, ma sbagliata. La vera questione epistemologica non è se le macchine penseranno come noi, ma cosa significhi “sapere” per un sistema che non ha esperienza, non ha corpo, non ha vulnerabilità. Il problema di Gettier e le macchine statistiche Nel 1963, Edmund Gettier demolì la definizione classica di conoscenza come “credenza giustificata e vera” con controesempi in cui qualcuno ha una credenza vera per ragioni sbagliate — per fortuna, non per conoscenza. I Large Language Models (LLM) operano in uno spazio gettieriano perenne: producono output veri (o verosimili) per correlazioni statistiche, non per giustificazione epistemica. Quando GPT-4 risponde correttamente a “Qual è la capitale della Francia?”, non sa che Parigi è la capitale. Ha calcolato che la sequenza “Parigi” ha altissima probabilità condizionata dato il contesto. Nessuna rappresentazione mentale, nessuna credenza, nessuna giustificazione. Solo distribuzioni di probabilità su token. Come scrive Luciano Floridi: “L’IA non conosce; calcola. La differenza non è sottile: è ontologica” (Artificial Intelligence and the Epistemic Crisis, 2023). Il corpo mancante: embodiment e conoscenza situada La filosofia della mente contemporanea — da Varela a Gallagher, da Clark a Gallese — converge su un punto: la conoscenza umana è incarnata (embodied), incastonata (embedded), estesa (extended), enattiva (enactive). Sappiamo “come” andare in bicicletta non per proposizioni esplicite, ma per memoria procedurale muscolare. Sappiamo “che” il fuoco brucia per esperienza dolorosa, non per aver letto la definizione termodinamica. Un LLM non ha corpo, non ha sensori, non ha vissuto. La sua “conoscenza” è interamente desincarnata — testuale, astratta, parassitaria dell’esperienza altrui. Può descrivere il sapore di una mela con precisione poetica, ma non ha mai mangiato una mela. Il mito della base di conoscenza Spesso si dice che i modelli “hanno letto tutto Internet” e quindi “sanno tutto”. Metafora pericolosa. Leggere non è conoscere. Una biblioteca non sa cosa contengono i suoi libri. Un LLM è una biblioteca che sa riscrivere i libri combinandoli, ma non comprende ciò che riscrive. Il Chinese Room Argument di Searle (1980) torna prepotentemente attuale: la manipolazione sintattica di simboli (token) non produce semantica (significato). I sostenitori dell’IA forte obiettano che l’intero sistema — non il singolo neurone artificiale — potrebbe “capire”. Ma nel 2026, dopo GPT-4, Claude 3, Gemini Ultra, nessun test comportamentale ha dimostrato comprensione genuina, solo simulazione sempre più convincente. Epistemologia estesa: l’ibrido uomo-macchina che sa La via d’uscita non è negare l’utilità degli LLM, ma ricollocarli epistemologicamente. Andy Clark e David Chalmers (1998) proposero la tesi della mente estesa: strumenti esterni (quaderni, smartphone, ora IA) possono costituire parti letterali del processo cognitivo. Un ricercatore che usa un LLM per generare ipotesi, verificandole su PubMed, testandole sperimentalmente, discutendole con colleghi, sta estendendo la propria cognizione. Il sistema ibrido sa — ma la conoscenza risiede nel ricercatore, non nel modello. L’LLM è protesi cognitiva, non soggetto epistemico. L’AI Act (Reg. UE 2024/1689, Artt. 14-15) impone human oversight, transparency, accuracy. Sono requisiti epistemici: garantire che il decisore umano resti l’agente epistemico responsabile. Conclusione: l’umiltà epistemica come bussola Le macchine non “sanno” nel senso forte, epistemico, umano del termine. Elaborano, correlano, prevedono — operazioni potenti, ma ontologicamente diverse dal conoscere. Riconoscere questo limite non sminuisce l’IA; ne delimita l’uso responsabile. Come scriveva Socrate nell’Apologia: “So di non sapere”. Un sistema che non può dubitare, non può sapere. La vera intelligenza — artificiale o umana — inizia dove finisce l’illusione della certezza. Fonti consultate Floridi, L. (2023). Artificial Intelligence and the Epistemic Crisis. Philosophy & Technology, 36(4). https://doi.org/10.1007/s13347-023-00678-9 Gettier, E. (1963). Is Justified True Belief Knowledge?. Analysis, 23(6), 121-123. Vaccarezza, M.S. (2025). IA ed Epistemologia: i limiti della conoscenza statistica. CNR-ISSIRFA Rapporto Annuale. https://www.cnr.it/it/rapporto-ia-epistemologia-2025 Gallese, V. (2024). Embodied Simulation and the Future of AI Understanding. Cortex, 172, 45-58. Clark, A. & Chalmers, D. (1998). The Extended Mind. Analysis, 58(1), 7-19. Parlamento Europeo (2024). Regolamento (UE) 2024/1689 (AI Act), Artt. 14-15. https://eur-lex.europa.eu/eli/reg/2024/1689/oj Smart, P. (2020). Extended Cognition and the Internet. In R. Heersmink (ed.), The Routledge Handbook of Philosophy of Memory. Corriere della Sera (2026). L’illusione della conoscenza nei chatbot. https://www.corriere.it/tecnologia/26_febbraio_17/l-illusione-conoscenza-chatbot-sanno-non-sapere.shtml Share this content: Navigazione articoli Etica dell’Intelligenza Artificiale nel 2026: le sfide che non possiamo più rimandare