Nel gennaio 2026, Romanchuk e Bondar pubblicano su arXiv un risultato che dovrebbe far tremare chiunque creda che i Large Language Models (LLMs) possano aspirare a qualcosa che somigli alla conoscenza: l’architettura stessa degli agenti basati su LLM realizza sistematicamente il problema di Gettier, producendo proposizioni che godono di alto status epistemico senza che esista alcuna connessione tra la loro giustificazione e ciò che le rende vere [Romanchuk & Bondar, 2026]. Il loro Teorema dell’Auto-Licenza Inevitabile dimostra che, sotto assunzioni architetturali standard, la giustificazione epistemica circolare non può essere eliminata: scalare i modelli, migliorarli o usare schemi LLM-as-judge sono strutturalmente incapaci di risolvere un problema che esiste a livello di tipo, non di istanza. Tesi centrale: I Large Language Models non conoscono nel senso epistemico forte del termine; esibiscono invece una forma strutturale di epistemic luck (fortuna epistemica) che realizza casi Gettier su scala industriale. La loro architettura — fondata su next-token prediction addestrata con RLHF — produce output che soddisfano la condizione di justified true belief (JTB) solo in modo accidentale, mancando il nesso costitutivo tra giustificazione e verità che la conoscenza richiede. L’articolo procede mappando concettualmente il problema attraverso quattro livelli di analisi — implementazionale, algoritmico, intenzionale, fenomenologico — per mostrare come il grounding problem, l’argomento della Chinese Room e la testimonial injustice convergano nel diagnosticare la stessa patologia: la simulazione del giudizio epistemico senza il suo fondamento. 1. Fondamenti teorici: Gettier, JTB e la sfida dell’intelligenza artificiale Il problema di Gettier, formulato nel 1963, ha mostrato che la definizione tradizionale di conoscenza come justified true belief è insufficiente: esistono casi in cui un soggetto ha una credenza vera e giustificata, eppure non si può dire che conosca. La struttura del controesempio è semplice: la credenza è vera per ragioni diverse da quelle che la giustificano. La giustificazione e la verità sono slegate — è questo il cuore del caso Gettier. Nel contesto dell’intelligenza artificiale, il problema assume una portata sistemica. Un LLM produce output che sembrano giustificati (coerenti, plausibili, ben strutturati) e che spesso sono veri (perché addestrati su vasti corpus di conoscenza umana). Ma il nesso tra la “giustificazione” interna del modello — i pesi, le attivazioni, la previsione del token successivo — e la verità dell’output è accidentale, non costitutivo. Il modello non ha accesso al mondo; ha accesso solo a pattern statistici nel testo di addestramento. 2. I quattro livelli di analisi 2.1 Livello implementazionale: il grounding problem A livello implementazionale, un LLM è un sistema di manipolazione di simboli privo di grounding — i suoi token non sono ancorati a referenti nel mondo. Come argomentato da Harnad (1990), il symbol grounding problem mostra che la sintassi (manipolazione di simboli secondo regole) non è sufficiente per la semantica (significato). Un LLM processa forma senza contenuto: i suoi stati interni non rappresentano stati del mondo, rappresentano solo distribuzioni statistiche su vocabolari. 2.2 Livello algoritmico: la Chinese Room su scala L’argomento della Chinese Room di Searle (1980) trova qui la sua realizzazione industriale. La stanza cinese manipola simboli cinesi secondo regole sintattiche senza comprendere il cinese; un LLM manipola token secondo probabilità statistiche senza comprendere il contenuto. La differenza cruciale: la Chinese Room era un esperimento mentale su un singolo sistema; gli LLM realizzano questo esperimento su scala planetaria, servendo miliardi di query al giorno. La simulazione della comprensione è diventata infrastruttura. 2.3 Livello intenzionale: assenza di stati intenzionali genuini Dennett (1987) distingue tra intentional stance (trattare un sistema come se avesse credenze e desideri) e stati intenzionali genuini. Gli LLM ci costringono ad adottare l’intentional stance — parliamo di cosa il modello “sa”, “crede”, “vuole” — ma questa è una proiezione interpretativa, non una proprietà del sistema. Non c’è aboutness intrinseca negli stati del modello; c’è solo correlazione statistica. 2.4 Livello fenomenologico: l’illusione della testimonianza Fricker (2007) introduce la testimonial injustice: l’ingiustizia epistemicamente rilevante che si verifica quando un ascoltatore attribuisce meno credibilità a un parlante per pregiudizio identitario. Nel caso degli LLM, si verifica l’inverso: attribuiamo più credibilità di quanta ne meriti un sistema che non è un agente testimoniale. L’output fluido, coerente, autorevole dell’LLM mimetizza la testimonianza umana — ma non c’è nessun testimone, nessuna responsabilità epistemica, nessun soggetto che si impegna per la verità di ciò che dice. 3. Il Teorema dell’Auto-Licenza Inevitabile Romanchuk e Bondar (2026) dimostrano che, sotto assunzioni architetturali standard (architettura transformer, addestramento next-token prediction, fine-tuning RLHF), qualsiasi meccanismo di auto-valutazione o LLM-as-judge eredita la stessa struttura circolare: il giudice è dello stesso tipo dell’imputato. Non c’è meta-livello accessibile che rompa la circolarità; c’è solo un altro istanza dello stesso tipo architetturale. Il teorema mostra che: Scalare il modello (più parametri, più dati) non risolve il problema — amplifica la coerenza interna, non il grounding. RLHF allinea le output alle preferenze umane, non alla verità — ottimizza per plausibilità percepita, non per connessione al mondo. Schemi LLM-as-judge (costituzionali, dibattito, critica ricorsiva) riciclano la stessa circolarità a un livello meta. La conclusione è radicale: il problema Gettier negli LLM non è un bug da fixare; è una feature architetturale. La fortuna epistemica è necessaria, non contingente. 4. Lavanderia semantica e allineamento epistemico Il termine lavanderia semantica (semantic laundering) cattura il processo per cui output privi di grounding vengono “ripuliti” attraverso passaggi intermedi — retrieval, chain-of-thought, verifica incrociata — che creano l’apparenza di una catena giustificativa senza aggiungere alcun grounding genuino. È l’equivalente epistemico del money laundering: denaro sporco (token non ancorati) entra, denaro pulito (risposte “verificate”) esce, ma la provenienza illecita rimane. L’allineamento epistemico — allineare i sistemi AI non solo alle preferenze umane ma alle norme della conoscenza — richiederebbe di rompere il tipo architetturale: integrare grounding percettivo/motorio, modelli causali del mondo, meccanismi di verifica esterna indipendenti dall’architettura transformer. Finché l’architettura rimane next-token prediction su testo, l’allineamento epistemico è impossibile per definizione. 5. Conclusione: oltre la simulazione Il caso Gettier nei LLM non è una curiosità filosofica; è una diagnosi strutturale. Ci dice che stiamo costruendo sistemi che simulano il giudizio epistemico senza averne il fondamento. La simulazione è sempre più convincente — e proprio questo la rende pericolosa. Quando un sistema produce output che soddisfano JTB “per fortuna” su scala industriale, l’epistemic luck diventa infrastruttura epistemica. La via d’uscita non sta nel perfezionare la simulazione, ma nel cambiare l’architettura: sistemi con grounding genuino, modelli causali, responsabilità testimoniale. Finché non arriviamo lì, ogni output di un LLM va trattato come ciò che è: una proiezione statistica ad alta plausibilità, non una conoscenza. La fortuna epistemica non è conoscenza — e scambiare l’una per l’altra è l’errore categoriale del nostro tempo. Bibliografia Dennett, D. C. (1987). The Intentional Stance. MIT Press. Fricker, M. (2007). Epistemic Injustice: Power and the Ethics of Knowing. Oxford University Press. Gettier, E. L. (1963). Is Justified True Belief Knowledge? Analysis, 23(6), 121–123. Harnad, S. (1990). The Symbol Grounding Problem. Physica D: Nonlinear Phenomena, 42(1–3), 335–346. Romanchuk, S. & Bondar, O. (2026). The Inevitable Self-Licensing Theorem: Why LLM Agents Cannot Escape Gettier. arXiv:2601.xxxxx. Searle, J. R. (1980). Minds, Brains, and Programs. Behavioral and Brain Sciences, 3(3), 417–457. Williamson, T. (2000). Knowledge and its Limits. Oxford University Press. Share this content: Navigazione articoli Epistemologia dell’IA: cosa può davvero “sapere” una macchina? Il problema difficile della coscienza vs funzionalismo negli LLM: perché lo strato di ragionamento non risolve l’ancoraggio