La meritocrazia algoritmica è una trappola per chi parte da zero
Gli ultimi modelli di linguaggio non sono semplici strumenti: sono giudici silenziosi che valutano le nostre risposte, promuovono chi dimostra già padronanza e penalizzano chi sta ancora imparando. Non è un caso: gli LLM sono addestrati su testi prodotti da esperti, accademici, professionisti. Il risultato? Un sistema che premia l’esperienza preesistente e rende più difficile l’accesso alla conoscenza per chi non ha privilegi di formazione, tempo o risorse. Non è meritocrazia: è riproduzione del privilegio sotto mentite spoglie di oggettività.
Come gli LLM diventano gatekeeper della conoscenza
Quando chiedi a un modello di spiegare un concetto complesso, non ti dà una risposta neutra: ti dà quella che statistiquement è più probabile nei dati di addestramento. E quei dati sono pieni di testi tecnici, articoli accademici, documentazione professionale. Se non conosci già il linguaggio, le convenzioni, i riferimenti impliciti, la risposta ti sembrerà astrusa, o ti verrà detto che la tua domanda è “troppo vaga”. Non è un limite tecnico: è una scelta di design che favorisce chi parla già la lingua del potere.
Questo meccanismo si chiama epistemic injustice: quando qualcuno non viene considerato un soggetto credibile non per ciò che dice, ma per chi è. Gli LLM, senza intenzione maligna, diventano strumenti di questa ingiustizia: respingono le voci fuori dal coro, quelle che non hanno avuto accesso alle stesse fonti, quelle che parlano con un linguaggio diverso, magari più popolare, più concreto, meno accademico.
Il paradosso dell’AI che dovrebbe democratizzare e invece seleziona
Ci avevano venduto gli LLM come grandi equalizzatori: chiunque potesse accedere alla conoscenza, basta chiedere. In realtà, funzionano come quei test di ammissione che favoriscono chi ha già frequentato scuole prestigiose. Non misurano il potenziale: misurano l’allineamento con un modello culturale dominante. E chi non ci si allinea? Viene etichettato come “incompetente”, quando in realtà sta semplicemente imparando da un punto di partenza diverso.
Questo non è un bug: è una caratteristica intrinseca dei modelli addestrati su dati non rappresentativi. Se il tuo addestramento è fatto di articoli di Nature e manuali di ingegneria, non stupirti se poi l’AI fa fatica a capire chi impara da YouTube, da forum di quartiere, da manuali popolari scritti in linguaggio accessibile.
Chi ci guadagna? Chi ci perde? E quali alternative dal basso?
Ci guadagnano le grandi aziende tech, che vendono questi modelli come strumenti di efficienza e meritocrazia, mentre in realtà rafforzano il loro ruolo di arbitri della conoscenza. Ci guadagnano le università elitiste, che vedono confermato il loro ruolo di gatekeeper. Ci perdono gli autodidatti, i lavoratori che si formano sul campo, le comunità che producono conoscenza fuori dalle istituzioni ufficiali.
Ma esistono alternative. Progetti come Bloom, BLOOMZ e modelli addestrati su dati multilingua e più diversificati stanno cercando di rompere questo ciclo. Iniziative come Hugging Face’s BLOOM o gli sforzi di EleutherAI mostrano che è possibile addestrare LLM su corpora più inclusivi: forum, manuali popolari, testi in lingue meno rappresentate, conoscenza pratica. Non sono ancora alla pari con i modelli chiusi di Big Tech, ma esistono. E funzionano meglio proprio con chi parte da zero.
Software libero e conoscenza condivisa: l’unica via d’uscita
L’alternativa non è aspettare che le big tech diventino più etiche. È costruire modelli che siano di proprietà comune, addestrati su dati liberi, verificabili, modificabili. Proprio come il software libero ha dimostrato che si può costruire tecnologia senza passare per monopoli, così possiamo costruire intelligenze linguistiche che non servano a selezionare, ma a includere.
Immagina un LLM addestrato su Wikipedia in italiano, su manuali di riparazione condivisi, su forum di agricoltura urbana, su testi di medicina popolare, su discussioni di tecnici che riparano macchinari in officine di periferia. Non sarebbe un modello “meno intelligente”: sarebbe un modello più utile a più persone. E soprattutto, non sarebbe uno strumento di potere, ma uno strumento di cooperazione.
Privacy, potere e il diritto di imparare senza essere giudicati
C’è un altro aspetto spesso ignorato: ogni volta che interagisci con un LLM commerciale, stai dando via pezzi del tuo percorso di apprendimento. Le tue domande, i tuoi errori, i tuoi tentativi: tutto diventa dato per migliorare il modello. Ma tu non hai controllo su come quel dato verrà usato. Potrebbe servire a costruire un profilo delle tue lacune, a prevedere il tuo rendimento lavorativo, a decidere se sei “idoneo” per un lavoro o un corso.
Qui non stiamo parlando solo di efficienza: stiamo parlando di diritto all’apprendimento senza sorveglianza. Il diritto di sbagliare, di riprovare, di chiedere cose “stupide” senza che ciò venga registrato e usato contro di te in futuro. Gli LLM chiusi trasformano l’apprendimento in un esame permanente. Le alternative libere e decentralizzate possono restituirci lo spazio per imparare in pace.
Conclusione: l’AI non è neutra. Scegli da che parte stare.
Gli LLM non premiano il merito: premiano la prossimità al potere. Chi ha avuto accesso a certe fonti, certe educazioni, certi linguaggi, viene premiato. Chi viene da fuori, viene silenziosamente escluso. Non è un incidente di percorso: è la logica stessa di questi sistemi.
Ma non siamo condannati. Esistono modelli alternativi, dati aperti, comunità che costruiscono conoscenza dal basso. La sfida non è tecnica: è politica. Dobbiamo chiedere non solo LLM più potenti, ma LLM più giusti. Che non servano a selezionare chi è già dentro, ma ad aprire la porta a chi sta cercando di entrare.
Perché la vera intelligenza non è quella che risponde meglio ai test: è quella che sa ascoltare chi sta imparando.