AI e Humanities

Tesi di IBM Technology: nell'era AI le discipline umanistiche diventano più importanti, non meno. L'AI genera risposte, ma decidere quali domande porre e quali risposte contano resta un problema di significato, valori e giudizio — territorio delle humanities¹.

Le materie STEM spiegano molto bene come funzionano le cose, ma non cosa significano né perché le facciamo: il calcolo non dice cosa è buono ed etico, l'ingegneria non dice se stiamo costruendo una cosa buona o cattiva, "code doesn't care". Letteratura, storia, arte e filosofia rispondono a queste domande, e oggi sono più accessibili che mai proprio grazie a internet e all'AI.¹

Perché l'AI non è understanding

Gli LLM operano su predizione statistica: correlazioni linguistiche, non esperienza vissuta o verità. Distinzione chiave: l'AI è sintattica, l'umano è semantico — manipola simboli senza ancorarli alla realtà. Per questo gli output possono sembrare corretti pur essendo sottilmente misaligned, incompleti, fuorvianti o sbagliati¹ — vedi Pappagallo Stocastico (Stochastic Parrot) e Grounding e World Model.

Quattro contributi delle humanities

1. Epistemologia — cosa conta come conoscenza, evidenza, giustificazione; per giudicare un'AI che allucina "with confident errors" e che ha imparato da internet (dove non tutto è vero)¹
2. Critica della neutralità — il modello è matematicamente neutro, il suo uso no. Designer, sistema AI, utente e società possono avere idee diverse su cosa è giusto, e un singolo utente non rappresenta la società: ogni training set codifica errori, ogni interfaccia assunzioni, ogni applicazione incentivi. "Un sistema AI può essere accurato e comunque fare la cosa sbagliata." Domande: chi beneficia? Quali danni possibili?¹
3. Interpretazione — input → AI → output → interpretazione umana → decisione → azione. L'ermeneutica insegna a interpretare sotto incertezza: letture multiple coesistenti, intento non sempre accessibile, testo che inganna senza essere sbagliato — descrivono esattamente gli output AI. L'utente diventa interprete attivo: l'AI aumenta l'importanza dell'abilità interpretiva, non la riduce¹
4. Retorica — la comunicazione è forma di controllo di sistema: piccoli cambi di framing cambiano gli output, l'ambiguità produce varianza. "Un prompt mal formulato è computazionalmente underspecified." Definire intento/contesto/vincoli = competenza operativa. Per questo il "linguaggio di programmazione più importante" nell'era AI è quello che parliamo dall'infanzia, e i temi di composizione scolastici allenano anche a scrivere prompt¹

Correttivi

I modelli riflettono i training data: rafforzano i punti di vista maggioritari e confondono frequenza con verità. Le humanities forniscono prospettiva storica, literacy culturale, analisi critica, consapevolezza del framing — ciò che previene l'overtrust in risposte fluenti ma superficiali¹.

Bottom line

"AI knows the price of everything and the value of nothing" (adattamento di una frase di Oscar Wilde)¹

L'AI espande lo spazio delle risposte possibili ma non dice quali contano: valori da prioritizzare, interpretazioni ragionevoli, conseguenze tollerabili restano responsabilità umana. La skill più preziosa: critical thinking come giudizio etico, interpretativo, culturale, comunicativo.¹ Si collega al dibattito dei modelli mentali in Modelli Mentali LLM a Confronto e alla questione del significato in Reti Neurali vs Algoritmi.

Vedi anche: Pappagallo Stocastico (Stochastic Parrot), Grounding e World Model, Persona Selection Model, In-Context Learning

Fonti e Riferimenti