Quando l’AI vince le gare ma perde il senso
Negli ultimi mesi, i grandi modelli linguistici hanno cominciato a risolvere problemi matematici che fino a poco tempo fa erano considerati ostacoli insormontabili per le macchine. Teoremi aperti da decenni, congetture che hanno fatto impazzire intere generazioni di matematici, ora vengono attaccati da sistemi AI che restituiscono risposte corrette in pochi secondi. Le aziende tecnologiche esultano, pubblicano comunicati stampa trionfali e piazzano i risultati sulle loro slide come trofei di innovazione. Ma qualcosa non torna. Perché mentre l’AI riesce a produrre la risposta giusta, spesso non lascia traccia di come ci sia arrivata. Non c’è una dimostrazione leggibile, non c’è un percorso di idee che possa essere seguito, criticato, migliorato da altri esseri umani. È come se un automa riuscisse a indovinare la combinazione di una cassaforte senza mai capire come funziona il meccanismo interno.
La matematica non è un gioco di vero o falso
La dichiarazione pubblicata su Math and AI lo dice chiaro: l’obiettivo delle aziende AI non è quello della comunità matematica. Le prime vogliono benchmark, record da battere, problemi risolti da sbandierare in conferenze stampa e round di finanziamento. I secondi cercano comprensione, insight, la capacità di porre nuove domande. Risolvere un teorema non è un punto di arrivo, ma l’inizio di un processo collettivo di verifica, semplificazione, insegnamento. Quando l’AI butta fuori una risposta senza passare per quel processo, sta facendo qualcosa di pericoloso: sta sostituendo la produzione di conoscenza con la produzione di risposte.
Questo non è un problema tecnico, è politico. È la stessa dinamica che vediamo altrove: l’automazione che elimina il lavoro qualificato sostituendolo con output privi di contesto, il controllo algoritmico che misura la produttività ignorando il significato del lavoro, la sorveglianza che traccia i movimenti senza capire le vite. In matematica, come altrove, l’AI viene usata per accelerare la produzione di risultati misurabili, mentre ciò che davvero conta – la comprensione, la critica collettiva, la trasmissione del sapere – viene lasciato indietro.
Chi guadagna e chi perde in questa corsa
Chi guadagna sono le aziende che sviluppano questi modelli: OpenAI, Google DeepMind, Anthropic e le loro controparti nel settore della difesa e della finanza. Ogni problema risolto diventa un punto di forza nei loro pitch agli investitori, un modo per giustificare miliardi di finanziamenti pubblici e privati. Chi perde è la comunità matematica, soprattutto i giovani ricercatori e gli studenti. Se l’AI inizia a fornire risposte pronte per problemi complessi, quale incentivo resta per imparare a dimostrare, a costruire argomenti, a passare ore a discutere con colleghi davanti a una lavagna? Il rischio è quello di creare una generazione di matematici che sanno verificare le risposte dell’AI ma non sono più in grado di produrre nuove idee autonomamente.
E poi c’è il rischio di attribuzione. Quando un’AI produce una dimostrazione nuova, chi ne detiene il diritto? Chi l’ha addestrato? Chi ha fornito i dati di training, spesso estratti da libri e articoli senza consenso? Chi ha fatto il lavoro umano di curare quelle fonti? Senza una catena chiara di riconoscimento, si apre la porta al plagio mascherato da innovazione, dove il lavoro collettivo di secoli viene riassorbito da sistemi opachi e ridato indietro come prodotto proprietario.
Le alternative dal basso esistono già
Per fortuna, non tutti accettano questa deriva. Nella comunità open source, progetti come Lean 4 e Coq mostrano un’altra strada: quella della verifica formale guidata dall’uomo, dove l’AI serve come assistente, non come sostituzione. Questi strumenti richiedono che il matematico guidi il processo, suggerisca passi intermedi, giustifichi ogni inferenza. Il risultato non è solo una risposta vera, ma una dimostrazione controllabile, trasmissibile, insegnabile. È matematica fatta da persone, per persone.
Altre iniziative, come i seminari di lettura collettiva su arXiv o i forum di discussione matematica decentralizzati, resistono alla logica del benchmark mostrando che il valore sta nel processo, non nel risultato finale. Quando un gruppo di matematici si incontra online per lavorare collettivamente su un problema aperto, non sta cercando di battere un record di velocità: sta ricostruendo quel tessuto di fiducia, critica e apprendimento che nessun modello linguistico potrà mai sostituire.
Perché questa misalignment ci riguarda tutti
Quello che sta accadendo in matematica non è un caso isolato. È lo stesso schema che vediamo nella ricerca medica, dove l’AI scopre correlazioni senza capire i meccanismi biologici; nel diritto, dove algoritmi prevedono la recidiva senza comprendere il contesto sociale; nell’arte, dove modelli generativi producono immagini nuove ma senza intenzionalità. Quando separiamo la produzione di risultati dalla comprensione, stiamo costruendo una conoscenza vuota: efficiente, forse, ma cieca.
La dichiarazione di Math and AI avverte: questo non è solo un problema per i matematici. È un sintomo di un’allineamento più profondo che sta interessando tutta la società. Quando permettiamo che la tecnologia ridefinisca il valore del lavoro intellettuale in base a ciò che è facilmente misurabile, stiamo scegliendo cosa preservare e cosa sacrificare. E finché non chiederemo chi ha davvero potere in questi processi – chi decide cosa conta come progresso, chi ne paga il costo – continueremo a vedere strumenti potenti messi al servizio di obiettivi sbagliati.