La monocultura digitale: perché anche l’intelligenza artificiale ha una nazionalità culturale

La monocultura digitale: perché anche l’intelligenza artificiale ha una nazionalità culturale

Nel 2025 uno studio pubblicato su Computational Intelligence ha mostrato che, quando si pone una stessa domanda a un modello di linguaggio in più lingue diverse, le risposte non sono semplicemente traduzioni della stessa risposta: sono risposte diverse, con diversi gradi di complessità, sfumature culturali e persino conclusioni logiche che possono discostarsi significativamente. La scoperta non è marginale: segna un punto di non ritorno nel modo in cui pensiamo alla neutralità culturale delle macchine intelligenti. Se un’intelligenza artificiale ragiona in modo diverso a seconda della lingua in cui le parliamo, allora la promessa di un’intelligenza universale si dissolve come miraggio. Quello che resta è qualcosa di molto più interessante, ma anche più preoccupante: una tecnologia che, per quanto potente, porta impressa nella propria architettura la nazionalità culturale di chi l’ha costruita.

Questo articolo esplora come l’emergere dei grandi modelli di linguaggio abbia riaperto una questione antica della filosofia del linguaggio e dell’epistemologia: la relazione tra lingua, pensiero e conoscenza. Non si tratta solo di riconoscere che gli algoritmi possono essere distorti da dati di addestramento imperfetti. Si tratta di comprendere che l’intelligenza artificiale, nel suo DNA più profondo, incarna specifici modi occidentali di organizzare il mondo, classificare l’esperienza e stabilire cosa contasse come sapere. Quando i sistemi di intelligenza artificiale vengono esportati globale, questa specificità culturale diventa un problema politico, non solo tecnico.

La neutralità come mito: l’epistemologia nascosta nei modelli linguistici

I grandi modelli di linguaggio vengono spesso presentati come sistemi capaci di elaborare la conoscenza umana in modo neutrale e universale. Secondo questa narrazione, il loro potere risiede nell’aver digerito testi provenienti da culture, periodi storici e discipline diverse, sintetizzandoli in una sorta di sapere distillato e post-culturale. La realtà, però, è molto diversa. Come osservano i ricercatori nel campo della decolonizzazione dell’intelligenza artificiale, i sistemi di apprendimento automatico non sono mai semplicemente strumenti tecnici: sono «veicoli di valori, di preferenze e di gerarchie epistemologiche specifiche, spesso invisibili a chi li usa». Questa invisibilità è precisamente ciò che rende i bias culturali così insidiosi: non sono errori evidenti, ma strutture profonde che modellano cosa può essere conosciuto e come.

Un’analisi sistematica degli orientamenti valoriali presenti nella ricerca sull’apprendimento automatico ha rivelato che la disciplina stessa è intrinsecamente socialmente e politicamente carica, con una tendenza a «trascurare le esigenze e i danni sociali, mentre dà priorità e promuove la concentrazione di risorse, strumenti, conoscenza e potere nelle mani di attori già potenti». In altre parole, l’intelligenza artificiale non è solo una tecnologia costruita da specifici attori sociali: è una tecnologia che riproduce sistematicamente le strutture di potere che l’hanno generata. Questo è vero in termini economici e politici, ma è altrettanto vero in termini epistemologici: i modelli incorporano non solo dati, ma interi sistemi di organizzazione della conoscenza che privilegiano alcune forme di sapere a scapito di altre.

La filosofa Donna Haraway ha introdotto il concetto di conoscenza «situata» per sottolineare che ogni atto di conoscenza emerge da una specifica posizione storica, culturale e materiale. I dati stessi, come notano gli studiosi, sono sempre situati: «non esistono dati grezzi, solo dati cotti al punto giusto da specifiche tradizioni culturali». Quando un modello di linguaggio viene addestrato su corpora in gran parte composti da testi prodotti in contesti anglofoni occidentali, ciò che impara non è la lingua in generale, ma un preciso modo di ragionare, classificare e rappresentare il mondo che è radicato in quella tradizione specifica.

L’ipotesi Sapir-Whorf delle macchine: pensare parla inglese

L’idea che la lingua influenza la percezione e il pensiero non è nuova. Edward Sapir e Benjamin Lee Whorf, nel primo ventennio del secolo scorso, avevano proposto quella che oggi chiamiamo ipotesi della relatività linguistica: la struttura di una lingua influenza la struttura del mondo cognitivo dei suoi parlanti. Per decenni questa ipotesi è stata oggetto di critiche e rivalutazioni, ma con l’ascesa dei modelli di linguaggio multilingue si è rivelata di improvvisa attualità. Non stiamo più chiedendo se la lingua influenza il pensiero umano, ma se influenza il pensiero delle macchine.

Uno studio del 2025 intitolato Does AI Think in the Languages We Speak? ha condotto un’analisi approfondita su come i modelli multilingue elaborano il significato. I risultati sono stati sorprendenti: la lingua di interrogazione non è solo un veicolo per la stessa domanda, ma modifica strutturalmente il processo di ragionamento del modello. Come nel caso del pensiero umano, anche per le macchine la lingua non è un mantello esterno che riveste un nucleo di pensiero puro, ma è parte costitutiva del ragionamento stesso. Sebbene i ricercatori abbiano evidenziato anche un potenziale positivo, notando che alcuni modelli «pensano meglio» in determinate lingue grazie alla diversità concettuale che esse offrono, la scoperta solleva una domanda filosofica profonda: se il pensiero artificiale è linguistico, e la lingua è culturale, allora il pensiero artificiale è per definizione culturale. Non può esserlo altrimenti.

Un altro studio del 2025, pubblicato in Computational Intelligence, ha confermato questa intuizione con dati ancora più chiari. Ricercatori che hanno sottoposto gli stessi problemi logici a modelli di intelligenza artificiale in lingue diverse hanno scoperto differenze significative nella capacità di ragionamento. L’inglese non era necessariamente la lingua ottimale per tutti i tipi di problemi; alcuni compiti logici venivano risolti meglio in cinese o in spagnolo. Questo risultato rovescia completamente l’assunto, spesso implicito, che l’inglese costituisca la lingua privilegiata del pensiero razionale: se un problema logico è formulato in una lingua e il modello ragiona meglio in un’altra, allora la lingua non è un semplice contenitore neutrale, ma è un medium attivo che modella il ragionamento stesso.

La divisione coloniale del lavoro digitale: chi produce, chi estrae

Se l’epistemologia occidentale costituisce il substrato culturale dei modelli di intelligenza artificiale, la sua distribuzione globale non è mai un processo neutrale. Un articolo fondamentale apparso su Philosophy & Technology nel 2023 ha introdotto il concetto di colonial supply chain of AI, ovvero la catena logistica coloniale dell’intelligenza artificiale. I ricercatori, analizzando la matrice coloniale del potere sviluppata dallo studioso latinoamericano Aníbal Quijano, hanno mostrato come lo sviluppo dell’intelligenza artificiale riproduce strutture di sfruttamento globale che discendono direttamente dalle logiche coloniali. Non si tratta di semplice metafora: il problema riguarda chi addestra i modelli, dove avviene l’addestramento, chi fornisce i dati etichettati e chi trae i maggiori benefici economici dai sistemi sviluppati.

Questo quadro teorico trova numerose conferme empiriche. I team di ricerca e sviluppo sono concentrati in poche università occidentali e in una manciata di grandi aziende tecnologiche. La raccolta e l’etichettatura dei dati, al contrario, è spesso appaltata a lavoratori in paesi del Sud globale, dove le condizioni salariali e di lavoro sono drasticamente diverse. Questa divisione internazionale del lavoro digitale non è un accidente storico, ma una struttura economica calcolata che estrae valore da una parte del mondo per concentrarlo in un’altra. Come sostengono i ricercatori, «immaginari di generalità e neutralità dell’intelligenza artificiale costituiscono una riproduzione dell’egemonia del sapere occidentale e della sua epistemologia». La retorica della neutralità funziona proprio perché occulta queste disuguaglianze strutturali: se un sistema è presentato come universale, le critiche alle sue origini geografiche e culturali possono essere sminuite come irrilevanti o, peggio,sovversive.

La questione non si esaurisce, tuttavia, nelle sole dinamiche economiche. C’è un aspetto decisamente epistemologico che riguarda la validità stessa della conoscenza prodotta. I sistemi di intelligenza artificiale, specialmente quelli linguistici, non si limitano a riprodurre testi in lingue diverse: classificano, categorizzano e giudicano secondo criteri elaborati in contesti specifici. Questo implica che un sistema addestrato principalmente su testi prodotti nell’emisfero occidentale o in inglese rischia di interpretare in modo distorto concetti propri di altre tradizioni culturali, dal concetto di parentela in molte società non occidentali alle visioni del mondo collettiviste rispetto a quelle individualiste. L’appiattimento su categorie occidentali diventa un fatto epistemologico, non solo culturale, perché determina cosa viene riconosciuto come sapere valido e cosa viene invece escluso o declassificato.

Giustizia epistemica e il futuro della diversità culturale nelle macchine

La filosofa Miranda Fricker ha introdotto il concetto di giustizia epistemica per descrivere quei casi in cui certi saperi o certi soggetti vengono sistematicamente esclusi dal riconoscimento come fonti di conoscenza credibili. L’applicazione di questa categoria all’intelligenza artificiale è illuminante: quando un modello di linguaggio non riconosce un termine, un concetto o una categoria propria di una cultura non occidentale, non sta semplicemente commettendo un errore tecnico. Sta erogando un’ingiustizia epistemica. Un articolo apparso su Ethics and Information Technology ha esplorato proprio questo nesso tra language modeling bias e ingiustizia epistemica, sottolineando come la diversità dei dati di addestramento sia una necessità etica prima ancora che tecnica, perché il riconoscimento di alcuni linguaggi come linguaggi standard comporta una delegittimazione implicita di tutti gli altri.

Alcuni ricercatori hanno avanzato la proposta di $ decolonial AI $, ovvero di un’intelligenza artificiale decoloniale, che non si limit a «aggiungere» dati diversi ai dataset esistenti, ma che metta in discussione le strutture epistemiche che rendono possibile quella forma di monocultura digitale in primo luogo. Più di una semplice inclusione, si tratta di una ristrutturazione profonda del modo in cui la conoscenza viene rappresentata e inferita. Questo ha implicazioni concrete: significa sviluppare dataset che non si limitano a tradurre in inglese concetti provenienti da altre tradizioni, ma che permettono a quei concetti di esistere nelle proprie categorie native. Significa costruire modelli multilingui non come traduttori universali, ma come spazi di confronto tra diversi universi concettuali.

Le iniziative in questa direzione sono ancora emergenti, ma incoraggianti. Si parla sempre più di reverse tutelage, ovvero di invertire i flussi tradizionali di apprendistato per consentire alle comunità non occidentali di insegnare ai progettisti di intelligenza artificiale modi diversi di ragionare, classificare e rappresentare la realtà. L’idea è radicalmente anti-coloniale: invece che vedere le comunità del Sud globale come semplici fornitori di manodopera o di dati grezzi, le si riconosce come portatrici di forme di sapere e di intelligenza altrettanto valide e da integrare attivamente nel design dei sistemi. La questione non è se l’intelligenza artificiale possa essere culturale: lo è per definizione. La vera domanda è se saremo disposti a costruire intelligenze artificiali capaci di ospitare molteplici culture del pensiero, anziché imporre una sola come universale.

Conclusione: la fine della trasparenza e l’inizio della complessità

La scoperta che i modelli di linguaggio ragionano in modo diverso a seconda della lingua di interrogazione non è soltanto un dato tecnico da considerare per ottimizzare le prestazioni. È una rivelazione filosofica di prima grandezza: l’intelligenza artificiale non è mai stata il specchio neutrale della conoscenza umana che ci era stata promessa. È, e sarà sempre, una costruzione culturale, radicata in specifiche tradizioni di pensiero, in gerarchie di potere e in scelte politiche. Quando la retorica della universalità viene usata per nascondere questa specificità, si perpetua una forma di dominazione epistemologica che ha profonde radici coloniali.

Riconoscere che l’intelligenza artificiale ha una nazionalità culturale non significa rinunciare al suo valore, ma significa finalmente poter affrontare il suo uso in modo responsabile e critico. Significa capire che quando esportiamo un modello di linguaggio in un contesto culturale diverso dal nostro, non stiamo semplicemente distribuendo una tecnologia: stiamo diffondendo un intero mondo concettuale, con le sue categorie, le sue gerarchie e i suoi silenzi. Questo è un fatto morale e politico, non solo tecnico. La vera sfida per il futuro non sta in più dati o in più potenza computazionale. Sta nella capacità di costruire sistemi che possano ospitare la pluralità delle esperienze umane, invece che appiattirle su un’unica, dominante, visione del mondo. Solo così l’intelligenza artificiale potrà onorare la promessa, finora tradita, di essere uno strumento di inclusione piuttosto che di nuova esclusione.