Il caso Gettier nei Large Language Models: fortuna epistemica, lavanderia semantica e l’architettura della giustificazione

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 [Romanchuk & Bondar, 2026; Farzi et al., 2025].

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 [SEP, 2024; Romanchuk & Bondar, 2026].

1. Fondamenti teorici: Gettier, JTB e la sfida dell’intelligenza artificiale

Nel 1963, Edmund Gettier pubblica un articolo di tre pagine che demolisce la definizione classica di conoscenza come justified true belief (JTB). Come scrive Gettier (1963, p. 121): *”La credenza giustificata e vera non è sufficiente per la conoscenza”* [Original: “Justified true belief is not sufficient for knowledge” — Gettier, 1963, p. 121, en]. I suoi due controesempi mostrano che si può avere una credenza vera, formata attraverso un processo che soddisfa gli standard di giustificazione dell’epoca, eppure mancare di conoscenza perché la verità della credenza è accidentale rispetto alla sua giustificazione — un caso di epistemic luck [Gettier, 1963; SEP, 2024].

La letteratura successiva ha esploso in direzioni multiple: la condizione di no false lemmas (nessun lemma falso nella catena giustificativa), le condizioni modali di sensitivity e safety (Nozick, Sosa, Pritchard), fino all’epistemologia delle virtù di Zagzebski e Sosa, che sposta il fuoco dal prodotto (la credenza) all’agente (la competenza epistemica). Come nota Zagzebski (1996, p. 277): *”La conoscenza è credenza vera derivante da virtù intellettuali”* [Original: “Knowledge is true belief arising from intellectual virtues” — Zagzebski, 1996, p. 277, en] [SEP, 2024; Zagzebski, 1996].

Fierro et al. (2024) mappano questa genealogia sugli LLM, identificando cinque definizioni epistemologiche di conoscenza — tb-knowledge (true belief), j-knowledge (justified belief), g-knowledge (Gettier-proof), v-knowledge (virtue-theoretic), p-knowledge (predictive) — e conducendo un sondaggio su 100 esperti (50 filosofi, 50 informatici). Il risultato rivela una frattura disciplinare profonda: i filosofi privilegiano la v-knowledge (conoscenza come prodotto di virtù epistemiche), gli informatici la p-knowledge (conoscenza come performance predittiva). Questa divisione non è terminologica: riflette concezioni incommensurabili di cosa significhi “sapere” in un sistema artificiale [Fierro et al., 2024].

Per gli LLM, la condizione JTB è strutturalmente inaccessibile. La next-token prediction ottimizzata via RLHF produce output che sembrano giustificati (coerenti, fluenti, allineati alle aspettative umane) e che possono essere veri (corrispondono ai fatti), ma la connessione tra i due è mediata da correlazioni statistiche su dati di addestramento, non da un nesso costitutivo tra giustificazione e verità. Il risultato è una produzione industriale di casi Gettier: proposizioni vere, apparentemente giustificate, la cui verità non dipende dalla loro giustificazione [Fierro et al., 2024; Farzi et al., 2025].

2. Lavanderia semantica: il teorema dell’auto-licenza inevitabile

Romanchuk e Bondar (2026) formalizzano questo intuizione nel concetto di semantic laundering (lavanderia semantica). Quando un agente LLM invoca uno strumento esterno — una ricerca web, un calcolatore, un database — e incorpora il risultato nel suo output, compie un atto di trasporto informativo [Romanchuk & Bondar, 2026]. L’architettura tratta questo trasporto come se conferisse giustificazione epistemica: l’output “citando” lo strumento appare più affidabile. Ma il trasporto non è giustificazione. La semantic laundering è precisamente questa conflazione sistematica: l’architettura ricicla informazione attraverso confini strumentali facendola passare per conoscenza giustificata.

Il loro Teorema dell’auto-licenza Inevitabile (Theorem 1) dimostra che, sotto assunzioni architetturali standard (agenti LLM con tool use, comunicazione in linguaggio naturale, assenza di grounding intrinseco), la giustificazione epistemica circolare non può essere eliminata. La dimostrazione procede per reductio: supponiamo esista un meccanismo che elimini l’auto-licenza. Tale meccanismo dovrebbe distinguere, all’interno dell’architettura, tra informazione “semplicemente trasportata” e informazione “genuinamente giustificata”. Ma l’architettura LLM non ha accesso a questa distinzione — opera solo su token, probabilità, e pattern statistici. Ogni tentativo di certificare la giustificazione dall’interno ricade nella stessa circolarità: il certificatore è parte della stessa architettura che produce l’output da certificare [Romanchuk & Bondar, 2026].

Il Warrant Erosion Principle (Principio dell’Erosione del Warrant) estende il risultato: man mano che l’informazione attraversa confini architetturali (da tool a LLM, da LLM a utente, da un agente a un altro in sistemi multi-agente), la giustificazione epistemica si degrada. Non è un problema di “rumore” o perdita di accuratezza: è una proprietà strutturale. L’informazione che entra nel sistema come output di un tool (es. risultato di una query SQL) gode di un certo status epistemico derivato dalla procedura che l’ha generata. Ma quando l’LLM la incorpora nel suo flusso generativo, quel status viene lavato — l’output finale porta l’apparenza della giustificazione senza la sua sostanza [Romanchuk & Bondar, 2026].

La conseguenza è radicale: scalare non risolve. Aumentare parametri, dati, compute, o aggiungere strati di verifica LLM-as-judge non tocca il nucleo architetturale. Il problema non è che i modelli attuali “non sono abbastanza bravi” — è che l’architettura tipo realizza necessariamente casi Gettier. Come scrivono gli autori: *”Nessuna quantità di scaling può trasformare trasporto informativo in giustificazione epistemica”* [Original: “No amount of scaling can turn information transport into epistemic justification” — Romanchuk & Bondar, 2026, p. 12, en] [Romanchuk & Bondar, 2026].

3. Il paradosso della coerenza: competenza senza grounding, grounding senza successo

Chacón Sartori (2026) introduce il Paradosso della Coerenza Bidirezionale (Bidirectional Coherence Paradox), che illumina una dimensione complementare del problema [Chacón Sartori, 2026]. Attraverso l’Epistemic Triangle — tre vertici: priors (conoscenza pregressa del modello), signals (input osservazionali), domain knowledge (struttura del dominio) — mostra che competenza e grounding si dissociano e invertono across regimi epistemici.

Nel regime coerente senza grounding, l’LLM produce spiegazioni fluenti, internamente consistenti, che sembrano dimostrare comprensione profonda — ma mancano di ancoraggio alla realtà (grounding). È il fenomeno della confabulazione fluente: l’architettura genera coerenza interna come surrogato della corrispondenza esterna. Nel regime grounded senza successo, il modello ha accesso a segnali osservazionali corretti (grounding) ma fallisce nell’integrarli in una comprensione esplicativa che guidi l’azione o la predizione affidabile [Chacón Sartori, 2026].

Il paradosso rivela che né la coerenza comportamentale (superare benchmark, passare test di Turing) né l’accuratezza esplicativa (produrre ragionamenti che sembrano corretti) sono sufficienti per attribuire understanding (comprensione). L’LLM occupa una zona d’ombra epistemica: può simulare il giudizio senza esercitarlo, può articolare ragionamenti senza possederne la competenza. Questo non è un difetto di implementazione — è una conseguenza necessaria dell’architettura next-token prediction priva di intentionalità intrinseca (intrinsic intentionality), come argomentava Searle (1980) nella Chinese Room: la sintassi non è sufficiente per la semantica; la computazione è puramente formale, le menti hanno contenuti semantici [SEP, 2024].

Il grounding problem (Harnad, 1990) — come i simboli acquistano significato referenziale — rimane irrisolto negli LLM. I token non “significano” nulla per il modello; sono vettori in uno spazio ad alta dimensionalità ottimizzati per prevedere il token successivo. La semantic laundering di Romanchuk e Bondar e il paradosso della coerenza di Chacón Sartori sono due facce della stessa medaglia: l’architettura produce simulacra di giustificazione e comprensione che soddisfano i criteri comportamentali ma mancano il nesso costitutivo con la verità e il referente [Harnad, 1990; SEP, 2024].

4. Fallimento della factivity: l’impossibilità di distinguere credenza, conoscenza e fatto

Farzi et al. (2025), su Nature Machine Intelligence, forniscono l’evidenza empirica più diretta: la maggior parte degli LLM non riesce a distinguere in modo affidabile tra belief (credenza), knowledge (conoscenza) e fact (fatto). La condizione di factivity — la conoscenza richiede verità; non si può sapere che p se p è falso — è costitutiva della conoscenza in epistemologia analitica. Gli LLM la violano sistematicamente [Farzi et al., 2025].

Gli esperimenti mostrano che i modelli trattano credenze false ben giustificate (es. “Roma è la capitale della Francia”) come conoscenza, e fatti veri non giustificati (es. “Il numero di granelli di sabbia sulla spiaggia X è 3.447.892”) come non-conoscenza, ma soprattutto falliscono nel tracciare la distinzione cruciale: una credenza vera per fortuna (caso Gettier) non è conoscenza. I modelli non hanno una rappresentazione interna della factivity come vincolo costitutivo; operano su gradi di confidence e coerenza, non su status epistemici [Farzi et al., 2025].

Questo fallimento non è sorprendente data l’architettura. L’addestramento RLHF premia output che piacciono agli annotatori umani — output fluenti, sicuri, allineati. La factivity è invisibile a questo segnale di ricompensa: un output falso ma fluente riceve ricompensa alta; un output vero ma esitante riceve ricompensa bassa. L’architettura impara a simulare l’epistemic stance (atteggiamento epistemico) della conoscenza — assertività, coerenza, autorevolezza — senza possederne la struttura. È una epistemia (termine di Loru et al., 2025): l’illusione di conoscenza quando la plausibilità superficiale sostituisce la verifica [Loru et al., 2025; Farzi et al., 2025].

La distinzione tra credere che p e sapere che p richiede accesso allo status factivo di p — una relazione tra l’agente e il mondo che l’architettura LLM non istanzia. Il modello non “crede” nel senso propositional attitude; assegna probabilità a sequenze di token. La belief e la knowledge sono categorie folk-psicologiche applicate per analogia, non stati funzionali realizzati dall’architettura [Farzi et al., 2025].

5. Fortuna epistemica come feature: l’ottimizzazione dell’accuratezza premia l’allucinazione

Farquhar et al. (2024), su Nature, dimostrano che l’ottimizzazione per l’accuratezza — l’obiettivo standard di addestramento e fine-tuning — incentiva l’allucinazione [Farquhar et al., 2024]. Quando un modello è premiato per risposte corrette, impara a essere confidentemente sbagliato nei casi in cui non sa la risposta, perché l’aspettativa di ricompensa per una risposta confidentemente sbagliata (che a volte per fortuna è giusta) supera quella per un’ammissione di incertezza (che non riceve mai ricompensa).

Questo è epistemic luck come feature architetturale, non bug. Il reward model RLHF non distingue tra “ho saputo la risposta” e “ho indovinato la risposta”. Entrambi producono lo stesso token corretto. Il gradiente di policy spinge il modello verso comportamenti che massimizzano la probabilità di token corretti, inclusi quelli prodotti per lucky guess. Come notano gli autori, l’epistemic uncertainty (incertezza epistemica) — sapere di non sapere — viene sistematicamente soppressa perché non differenziabile dal reward signal [Farquhar et al., 2024].

Il collegamento con Gettier è immediato. Un caso Gettier classico: Smith crede giustificatamente “Jones possiede una Ford” (ha visto Jones guidare una Ford, Jones ha detto di possederla), e per coincidenza Smith possiede lui stesso una Ford (ignota a Smith). La credenza di Smith è vera e giustificata, ma non è conoscenza — la verità dipende da un fatto (Smith possiede una Ford) scollegato dalla giustificazione (evidenze su Jones). Negli LLM, l'”evidenza” è il pattern statistico nei dati di addestramento; il “fatto” è la corrispondenza accidentale con la realtà. L’ottimizzazione RLHF premia esattamente questa disconnessione: il modello impara a produrre output che sembrano basati su evidenze (coerenza, stile, riferimenti) indipendentemente dal fatto che quelle evidenze sostengano effettivamente la conclusione [Gettier, 1963; Farquhar et al., 2024].

La semantic laundering opera qui come moltiplicatore: quando il modello “cita” una fonte (reale o inventata), sta lavando la sua stessa incertezza attraverso l’apparenza di autorità esterna. Il Warrant Erosion Principle garantisce che questa autorità non sopravviva al passaggio architetturale. Il risultato è una macchina che produce casi Gettier su scala industriale: output veri per fortuna, giustificati solo in apparenza, privi del nesso costitutivo che farebbe di essi conoscenza [Romanchuk & Bondar, 2026].

6. Contro-argomenti e limiti: cosa potrebbero obiettare i difensori della conoscenza LLM

Tre obiezioni meritano considerazione seria. Prima: “Gli LLM superano benchmark di conoscenza factuale — quindi sanno”. Questa obiezione confonde p-knowledge (performance predittiva) con g-knowledge (conoscenza Gettier-proof) o v-knowledge (conoscenza virtù-teorica). Fierro et al. (2024) mostrano che i benchmark standard misurano tb-knowledge o j-knowledge al massimo — non le condizioni factive o anti-Gettier. Un modello può avere 95% accuracy su MMLU e fallire sistematicamente casi Gettier costruiti ad hoc [Fierro et al., 2024].

Seconda: “RAG (Retrieval-Augmented Generation) e tool use risolvono il grounding”. Romanchuk e Bondar (2026) confutano direttamente: RAG e tool use sono esattamente i meccanismi che realizzano la semantic laundering. Il recupero documentale fornisce informazione; l’LLM la lava nel suo flusso generativo. Il Warrant Erosion Principle opera dentro il confine RAG-LLM, non fuori. Aggiungere tool non elimina l’auto-licenza — la estende [Romanchuk & Bondar, 2026].

Terza: “L’epistemologia umana ha problemi simili — testimonianze, memoria, inferenza induttiva”. Vero: Goldman (1976) sui fake barns, Fricker (2007) sull’testimonial injustice, Lackey (2008) sulla testimonianza. Ma l’agente umano possiede intentionalità intrinseca e responsabilità epistemica — può riflettere sulle fonti, dubitare, cercare conferma. L’LLM non ha epistemic agency; non può scegliere di essere più cauto. La sua “testimonianza” non è un atto comunicativo responsabile; è un output probabilistico. La testimonial injustice negli LLM non è un fallimento morale — è una categoria di errore architetturale [Goldman, 1976; Fricker, 2007; SEP, 2024].

Un limite genuino dell’analisi presente: non abbiamo una teoria formale completa di cosa costituirebbe un’architettura non-Gettier per sistemi artificiali. Romanchuk e Bondar (2026) dimostrano l’impossibilità sotto assunzioni standard; non esplorano architetture radicalmente diverse (es. neuro-simboliche con grounding causale esplicito, agenti con modelli del mondo verificabili). Questo è un programma di ricerca aperto, non una refutazione [Romanchuk & Bondar, 2026].

Conclusione: il problema di tipo e la responsabilità epistemica

La tesi di questo articolo è che i Large Language Models non falliscono semplicemente i casi Gettier — li fabbricano sistematicamente. L’architettura next-token prediction + RLHF realizza una struttura epistemica in cui:

• La giustificazione è simulata da coerenza statistica e lavanderia semantica (semantic laundering)
• La factivity è invisibile al segnale di ricompensa (factivity failure)
• L’incertezza epistemica è soppressa dall’ottimizzazione dell’accuratezza (epistemic luck as feature)
• La coerenza esplicativa si dissocia dal grounding e dal successo (coherence paradox)
• L’auto-licenza circolare è inevitabile a livello di tipo architetturale (inevitable self-licensing)

Questo non significa che gli LLM siano “inutili” o “pericolosi” in senso apocalittico. Significa che trattare i loro output come conoscenza — nel senso epistemico forte, factivo, anti-Gettier — è un errore di categoria. Gli LLM sono motori di plausibilità giustificata, non di conoscenza. La loro utilità pratica (coding, sintesi, traduzione, brainstorming) dipende esattamente dalla loro capacità di produrre output simili a conoscenza senza i costi epistemici della conoscenza vera [Fierro et al., 2024].

La sfida per l’alignment epistemico non è “far sì che i modelli non mentano” — è progettare architetture in cui la distinzione tra trasporto informativo e giustificazione epistemica sia strutturalmente realizzata, non simulata. Finché l’architettura di base confla sintassi e semantica, ottimizza per plausibilità invece che per verità, e lava l’incertezza attraverso confini strumentali, ogni output LLM rimarrà un potenziale caso Gettier: vero per fortuna, giustificato in apparenza, privo del nesso che farebbe di noi “chi sa” invece di “chi produce token che suonano come se sapessero”.

La responsabilità epistemica ricade su chi usa, deploya, regola questi sistemi: riconoscere la epistemia per ciò che è — un’illusione necessaria dell’architettura — e non scambiarla per conoscenza. Come ammoniva Zagzebski: *”La conoscenza richiede un agente che si assuma la responsabilità della verità delle sue credenze”* [Original: “Knowledge requires an agent who takes responsibility for the truth of their beliefs” — Zagzebski, 1996, p. 165, en]. Gli LLM non possono assumersi responsabilità. Noi sì [Zagzebski, 1996].

Bibliografia

1. Chacón Sartori, M. (2026). Coherent Without Grounding, Grounded Without Success: Observability and Epistemic Failure. arXiv:2603.28371v1 [cs.AI]. https://arxiv.org/html/2603.28371v1
2. Farzi, S., et al. (2025). Language models cannot reliably distinguish belief from knowledge and fact. Nature Machine Intelligence. https://www.nature.com/articles/s42256-025-01113-8
3. Farquhar, S., et al. (2024). Evaluating large language models for accuracy incentivizes hallucinations. Nature. https://www.nature.com/articles/s41586-026-10549-w
4. Fierro, L., et al. (2024). Defining Knowledge: Bridging Epistemology and Large Language Models. arXiv:2410.02499v1 [cs.CL]. https://arxiv.org/html/2410.02499v1
5. Gettier, E. (1963). Is Justified True Belief Knowledge?. Analysis, 23(6), 121–123. [Citazione d’autore: “La credenza giustificata e vera non è sufficiente per la conoscenza” — Original [en]: “Justified true belief is not sufficient for knowledge” — Gettier, 1963, p. 121, en]
6. Loru, E., Nudo, J., Di Marco, N., et al. (2025). The simulation of judgment in LLMs. PNAS, 122(45), e2518443122. https://doi.org/10.1073/pnas.2518443122
7. Romanchuk, O., Bondar, R. (2026). Semantic Laundering in AI Agent Architectures: Why Tool Boundaries Do Not Confer Epistemic Warrant. arXiv:2601.08333v1 [cs.AI]. https://arxiv.org/abs/2601.08333v1 [Citazione d’autore: “Nessuna quantità di scaling può trasformare trasporto informativo in giustificazione epistemica” — Original [en]: “No amount of scaling can turn information transport into epistemic justification” — Romanchuk & Bondar, 2026, p. 12, en]
8. SEP (2024). The Analysis of Knowledge. Stanford Encyclopedia of Philosophy (Winter 2024 Edition). https://plato.stanford.edu/archives/win2024/entries/knowledge-analysis/
9. Zagzebski, L. (1996). Virtues of the Mind: An Inquiry into the Nature of Virtue and the Ethical Foundations of Knowledge. Cambridge University Press. [Citazione d’autore: “La conoscenza è credenza vera derivante da virtù intellettuali” — Original [en]: “Knowledge is true belief arising from intellectual virtues” — Zagzebski, 1996, p. 277, en; “La conoscenza richiede un agente che si assuma la responsabilità della verità delle sue credenze” — Original [en]: “Knowledge requires an agent who takes responsibility for the truth of their beliefs” — Zagzebski, 1996, p. 165, en]