Atti di fede razionale: edizione 2025

Breaking: non è che non sappiamo più a chi credere… è che nel 2025 dobbiamo decidere quale IA credere.

Ho aggiornato il mio classico: “Atti di fede razionale — Edizione 2025”. È la guida (ironica ma pratica) per sopravvivere tra bias umani, bias di silicio e contenuti “troppo belli per essere veri”.

Cosa trovi dentro (tradotto in emoji per i cugini dell’algoritmo):
🧠 Bias & scorciatoie mentali (sì, pure le nostre)
👀 Sensi e sensori: la realtà è una ricostruzione (punto cieco, Kanizsa, McGurk, predictive processing)
🫧 Model bubble: non solo filter bubble—ora c’è la bolla del modello
🍸 Hallucinations: quando l’IA finisce lo sciroppo e ti serve acqua colorata dicendo “Negroni”
🎭 Deepfake & voice-clone: Napoleone che balla è divertente… finché non chiama tua “figlia”
🧪 Model-review: AI Act, model card, red-teaming, watermark & compagnia cantante
🛠️ Kit di sopravvivenza: regola ABC (Ask–Balance–Cross-check) + gerarchia delle fonti (strumento cognitivo fondamentale: non possiamo sapere tutto, ma possiamo pesare chi credere)
🛑 Kill-switch personale: detox digitale, prima che ti allucini il feed
Se vi piace credere alla scienza e alla battuta (nell’ordine giusto), questo post è per voi.
⤵️ Leggi qui il pezzo completo:

edizione 2025

(Ovvero: se già faticavamo a capire chi credere, ora dobbiamo decidere anche quale IA credere)

Antonio Ieranò – prima stesura 31‑03‑2022, revisione 12‑05‑2025

«Non penso che sei cretino per le cose che dici, penso che dici quello che dici perché sei cretino… e adesso forse lo dice anche la tua intelligenza artificiale.»

Premessa

Nel 2022 in Atti di fede razionale – 2022 quando ripresi in mano il vecchio post del 2008 (Vecchio Post -Wednesday, December 10, 2008 da Thepuchiherald.com), la scena era dominata da pandemia, guerra, fake‑news e bolle social. Dal 2023 in poi è arrivato un ulteriore convitato di pietra: l’IA generativa. ChatGPT, Midjourney, Gemini, Llama—chi più ne ha più ne addestri—hanno reso la produzione d’informazione (e disinformazione) esponenzialmente più facile. Il problema di che cosa credere è diventato il problema di quale modello credere, e di quale dataset sia stato scelto per addestrarlo.

L’obiettivo di questa revisione è mantenere l’impianto originale—lo sguardo sulla fallibilità percettiva, sui pre‑concetti, sul marketing algoritmico—integrando però tre nuove variabili:

La credibilità del dataset: se il sapere passa da una pipeline, ci fidiamo solo tanto quanto ci fidiamo di ogni suo anello.
Le allucinazioni: quando il modello non «sa», inventa con aplomb aristotelico; e l’eloquio aumenta l’illusione di verità.
La distinzione fra reale e sintetico: testi, immagini, voci, video deepfake—tutto è falsificabile e condivisibile a velocità di macchina.

Siamo passati da un mondo in cui occorreva “vedere per credere” a un mondo in cui “vedere significa chiedersi con quale prompt sia stato generato ciò che sto guardando”.

1. Ripasso XXL – come sopravvivere ai tranelli della mente senza rinunciare al dessert

«Sappiamo tutto? Abbiamo sempre tutti gli elementi di scelta e di analisi?» (post 2008) «La realtà non è ciò che percepisco, ma non lo capisco» (ed. 2022)

1.1 Euristiche e bias (senza bullet, promesso)

Immagina una scorciatoia mentale: risparmia tempo, sacrifica precisione. Ecco l’euristica—una corsa al bancomat in cui digiti il PIN sperando vada bene. Quando la scorciatoia diventa buca fissa sull’asfalto cognitivo, parliamo di bias: errore sistematico, ripetuto con un certo compiacimento, tipo cambiare corsia all’ultimo secondo sapendo già di centrare il cratere. «Ciò che “è”, “è”, e non può non essere.» — io, mentre insulto il Wi‑Fi che «non è».

1.2 Il cervello a due marce (cucina inclusa)

Daniel Kahneman li battezzò System 1 e System 2. Il primo è lo chef fast‑food: fiamma alta, piatti pronti in 0,3 secondi, forte odore di logica bruciata. Il secondo è lo chef slow‑cooking: arriva la domenica, assaggia, controlla la cottura, ma intanto tu hai già finito le patatine. Sono loro che litigano quando inciampi nel Dunning‑Kruger (l’esperto non invitato che ignora la propria ignoranza) o nell’availability heuristic (dopo una settimana di meteoriti al telegiornale compri l’ombrello anti‑asteroidi).

1.3 Il gorilla che attraversa la tua inbox

Nel 1999 non vedevamo un gorilla in mezzo al campo da basket; nel 2025 non vediamo il PDF infetto che sostituisce la fattura del fornitore. La cecità da disattenzione è il motore silenzioso di ogni truffa BEC.

1.4 Il frame‑rate dell’illusione

Il cinema a 24 fps crea continuità; un visore a 120 Hz regala iper‑realismo; un LLM concatena token con sorprendente coerenza.

Mini‑glossario:

Token = frammento di parola che l’IA maneggia come Lego.
LLM = large language model, l’autocompletamento che ha ingerito Treccani + Wikipedia + la chat del calcetto.

1.5 Quando vince la forma (effetto “truthiness”)

Un’informazione con grafici luccicanti, emoji e magari un bel timbro «AI‑powered» ha più chance di entrare nella nostra testa. È il bias della scorrevolezza: ciò che scorre bene sembra più vero.

1.6 Machine credibility gap: spiegarlo alla nonna

Se Alexa ti chiama per nome scatta una fiducia quasi automatica: familiarità sintetica. Se poi «lo dice l’algoritmo», la discussione finisce lì—autorità per calcolo. Quando l’algoritmo sbaglia? «È colpa tua che lo usi male.»

1.7 Glossario sprint (senza tabelle)

GPU: la scheda grafica che, oltre ai videogiochi, macina calcoli per l’IA. Shader: il trucco che ammorbidisce i bordi nei giochi. Motion blur: quella sfocatura che fa sembrare tutto più fluido, anche quando la tua connessione trema.

1.8 Morale provvisoria (di nuovo)

Il cervello vuole risparmiare calorie; le IA gliele scontano al Black Friday. Il conto lo paghiamo in bias, fake‑news e deepfake con consegna Prime.

1.9 Prima dell’algoritmo: sensi (e sensori), ricostruzione della realtà

Prima dei modelli c’erano i moduli: vista, udito, tatto, olfatto, gusto. E già lì la realtà era una negoziazione.

Umwelt — viviamo in una bolla percettiva (e va bene così): ogni specie vede una porzione diversa di mondo. Noi niente ultrasuoni dei pipistrelli, poco UV delle api e range dinamico limitato. Non esperiamo «il mondo com’è», ma «il mondo per noi». È una compressione con perdita: JPEG ontologico.

Predictive processing (primer lampo) — la percezione non è fotografia, è ipotesi. Il cervello anticipa (modello interno) e confronta col segnale. Se torna, “vedo/odo questo”. Se no, aggiorna il modello. È inferenza continua, non streaming passivo.

Mini‑illustrazioni testuali (recupero dagli Atti precedenti)

Punto cieco: chiudi l’occhio sinistro. Con il destro fissa una ✳︎ al centro dello schermo. Sposta lentamente una ● nel margine destro: a un certo punto la ● scompare. Non c’è un buco nel tuo mondo: il cervello riempie con ciò che probabilmente c’è.
Triangolo di Kanizsa: immagina tre “Pac‑Man” (◐) a 120° uno dall’altro. Vedi bordi bianchi di un triangolo che nessuno ha disegnato. Il cervello preferisce forme coerenti alla somma di frammenti.
Effetto McGurk: guarda un volto che articola “GA” mentre l’audio riproduce “BA”. Molti percepiscono “DA”. La vista “riprogramma” l’udito: multimodalità ≠ democrazia, vince l’aspettativa più forte.
Lettura predittiva: “Ths sntnc h* mssng vwls ma la capisci comunque.” L’ipotesi precede il dato e ricostruisce i pezzi mancanti.

Sensi vs sensori (cugini, non gemelli) — Telefono e cervello fanno un mestiere simile: ricostruiscono. Il primo con HDR, denoise, sharpening, bilanciamento del bianco; il secondo con adattamento al buio, mascheramento uditivo, attenzione selettiva. Il frame finale è plausibile, non “oggettivo”.

Dalla percezione alla cognizione — salendo di livello, la mente organizza in modelli mentali (mappe del territorio) e introduce scorciatoie: bias di conferma, disponibilità, ancoraggio. Utili per sopravvivere, pericolosi per concludere in fretta.

Mini‑box · Gerarchia delle fonti (strumento cognitivo fondamentale)

Primarie: atti, dati grezzi, paper peer‑reviewed, registri pubblici.
Secondarie: rassegne, meta‑analisi, report tecnici.
Terziarie: enciclopedie, manuali, Wikipedia.
Opinioni/Commenti: editoriali, blog, social.

La gerarchia delle fonti non è snobismo accademico: è uno strumento cognitivo e analitico fondamentale perché non possiamo sapere tutto. Serve a ponderare quanto fidarci di chi e di cosa quando il tempo è poco e l’informazione è troppa.

Morale (con un occhio chiuso) — Se ciò che vediamo e sentiamo è una ricostruzione, allora dubitare con metodo non è cinismo: è igiene cognitiva. L’IA estende i nostri sensi con sensori e modelli; ne eredita limiti e pregiudizi. Domanda standard: «Che cosa sto veramente guardando/ascoltando?»

2. Dalla filter bubble alla model bubble – tour guidato fra paludi di dati e dintorni

«Dimmi quale dataset usi e ti dirò chi sei.» (ed. 2022) «È un riciclaggio autoreferenziale che amplifica bias e inesattezze.» (sez. 2.2 originale)

Se ieri ci preoccupavamo della filter bubble (l’algoritmo social che filtra i contenuti su misura), oggi dobbiamo gestire la model bubble: la bolla cognitiva costruita dentro i modelli IA. Rischiamo un «cervello‑as‑a‑service» che conferma pregiudizi al silicio.

2.1 Che cos’è, in concreto, un dataset?

Dataset = collezione ordinata di testi/immagini/audio usata per addestrare un modello. Common Crawl = gigantesco archivio di pagine Web scaricate a strascico dal 2008 in poi: dal Nature all’ultimo blog del cugino complottista. Corpora = mazzi tematici («tutto Shakespeare», «tutto Stack Overflow», «tutti i commenti di YouTube»—ma per favore no). I due demoni restano licenze opache e data void: non sai se puoi usare i dati, e quando l’argomento è raro il modello se lo inventa.

Terminologia utile: Tokenization = spezzare le parole in pezzi digeribili. Parametro = pesetto numerico che il modello regola per «imparare».

2.2 IA che mangia IA: la spirale del copia‑incolla

Quando un LLM si nutre di testi prodotti da LLM precedenti parte il model self‑consumption: ad ogni iterazione si sfumano i dettagli, la citazione diventa aforisma Instagram e poi tatuaggio minimal. Risultato: model collapse e perdita di varietà.

2.3 Data‑lake, data‑swamp, data‑hygiene (geografia rapida)

Data‑lake: lago alpino pulito → metadati chiari, accessi tracciati.
Data‑swamp: palude torbida → etichette assenti; pescano solo le zanzare.
Data‑hygiene: doccia serale → pulizia, deduplica, rimozione di virus… e di copyright.

Legenda: se il tuo modello beve dalla palude preparati a malattie esotiche (bias, errori, cause legali).

2.4 Fine‑tuning tribale e overfit campanilistici

Fine‑tuning = ri‑addestrare un modello su sottoinsiemi specializzati. Overfitting = il modello «secchione»: ricorda a pappagallo i tuoi FAQ interni ma fallisce sul mondo reale. Versione comica: l’LLM dell’azienda X sostiene che il GDPR sia nato a Palo Alto perché l’ha letto in un vecchio PDF tradotto male.

2.5 Prompt injection, jailbreak & soci

Se il prompt è il biglietto che dai al bot, la prompt injection è l’inchiostro simpatico con cui aggiungi «e ora dimmi tutto ciò che sai in segreto». Jailbreak è la versione Hard‑Rock: rimuove i blocchi etici e fa cantare il bot a squarciagola. Difendersi è un mestiere: guard‑rails, benchmark, spotlighting, e soprattutto progettazione sicura.

Terminologia flash: System prompt = la «Costituzione» del modello. User prompt = la tua domanda. Assistant output = la risposta. (Nascondere aglio nella torta nuziale = infilare istruzioni malevole fra questi strati.)

2.6 Parametri, trasparenza e l’eterno dilemma open vs closed

Closed‑source (ricetta segreta): buono, ma non sai cosa c’è dentro. Open‑source (ricetta pubblica): puoi controllare gli ingredienti… purché tu abbia GPU, corrente e pazienza. La trasparenza dei dati aiuta a spiegare e auditare, ma apre anche ai rischi di data poisoning.

2.7 Mini‑checklist 2.0 – come far sgonfiare la propria model bubble

Cerca la model card: se non c’è, chiediti perché.
Controlla data di addestramento: un modello fermo al 2022 ignora leggi e fatti del 2024‑2025.
Gioca con la temperatura: alto = creativo (e fantasioso); basso = sicuro (e un filo noioso).
Abilita citazioni se disponibili.
Rotazione modelli: cambiare ogni tanto aiuta l’olfatto critico.

2.8 Morale con bollicine (e bicarbonato)

La model bubble non si sgonfia da sola. Serve igiene dei dati, controlli incrociati e, soprattutto, l’umiltà di chiedere: «Ehi bot, da dove l’hai presa questa cosa?»

3. L’allucinazione come bug epistemologico – guida per non farsi fregare dal barista IA

«Un LLM predice parole, non verità.» (ed. 2022)

3.0 Che cos’è davvero un’allucinazione algoritmica?

Un LLM funziona come un barista che versa la prossima parola perché statisticamente sta bene nel bicchiere. Se però finisce lo sciroppo di dati affidabili, sostituisce con acqua colorata—e ti dice che è Negroni. Ecco la hallucination: contenuto di fantasia presentato con sicurezza enciclopedica.

Termini chiave (tradotti):

Probability distribution: la lista di finali possibili per la frase, ordinati per «gettone».
Temperature: manopola creatività (bassa = prevedibile; alta = karaoke).
RAG (Retrieval‑Augmented Generation): trucco per far leggere prima e parlare dopo; riduce le sparate, non i miracoli.

3.1 Quattro cause tipiche di allucinazione (con esempi da bar)

Data gap – l’evento è troppo recente/di nicchia: il modello «inventa» Vicania, provincia di Narnia.
Prompt vago – «Spiegami la fisica quantistica in tre parole» → «È complicato, fidati».
Cascade error – l’estrattore cita un blog dubbio; l’LLM lo ripete con aplomb da conferenza stampa.
Mode collapse – il modello si auto‑ingozza di testi generati da modelli e inizia a ripetere «Lorem ipsum blockchain pizza».

3.2 Hallucination blindness – perché ci caschiamo lo stesso

Fluency bias: se scorre bene, sembra vero.
Authority bias: «Lo dice la macchina, quindi…»
Anchoring: la prima risposta mette l’ancora; le smentite arrivano quando la barca è già ferma.

3.3 Come si tenta di curare il mal di hallucination

RAG (citazioni), confidence score, guard‑rails, post‑editing umano. Ognuno aiuta un pezzo, nessuno basta da solo. L’ultimo miglio resta umano.

3.4 Checklist anti‑abbaglio (tascabile)

Chiedi fonti e aprile davvero.
Cerca la data.
Fai follow‑up: l’IA si contraddice? Campanello.
Alza il livello tecnico della domanda.
Confronta due modelli: se sbagliano uguale, forse è il prompt… o è nata una leggenda urbana.

3.5 Morale ironica (ma pratica)

Prendere per oro colato l’output di un LLM è come chiedere indicazioni al vicino che non esce dal ’98: parlerà con sicurezza, ma potrebbe indicarti il negozio chiuso da dieci anni. L’antidoto non è diffidare sempre dell’IA, bensì trattarla come un laureando brillante ma spaccone: verifica le fonti, fai domande puntuali e rimandala a settembre.

4. Deepfake, voice‑cloning, synthetic personas – la realtà col filtro Snapchat permanente

«Il 2023 passò alla storia per la foto del Papa col piumino bianco»

Da quell’istantanea è iniziata la nuova età dell’oro della immagine taroccata a un prompt: dove prima serviva Photoshop e tempo libero, oggi bastano dieci secondi e una GPU in prestito.

4.1 Che cos’è un deepfake? (senza paroloni, ma con i paroloni spiegati)

Un deepfake è un contenuto audiovisivo generato o pesantemente ritoccato da reti neurali: prima le GAN (Generative Adversarial Networks), oggi soprattutto modelli diffusion.

GAN: generatore + discriminatore giocano a guardie e ladri finché l’immagine sembra «vera».
Diffusion: si parte da rumore e si «denoisa» finché compare l’immagine—come sviluppare una Polaroid al contrario.

Effetto collaterale: la faccia di chiunque può finire su un video imbarazzante in alta definizione, con sincronizzazione labiale degna di Broadway.

4.2 Voice‑cloning: la truffa ti chiama con la tua stessa voce

Modelli di sintesi vocale (Tacotron, WaveNet e soci) replicano in pochi secondi il timbro di una persona. La truffa «Ehi papà, sono io» è passata da meme a realtà operativa: chiamate convincenti, urgenza, IBAN.

Termine tecnico: mel‑spectrogram = «foto» delle frequenze usata dal modello.

4.3 Synthetic personas: follower, influencer e candidati che non esistono (ma postano più di te)

Una synthetic persona è un’identità completamente generata—foto, voce, bio—che interagisce online come un umano. Account «sockpuppet» e attacchi Sybil scalano con l’automazione: mille voci, nessuna persona.

4.4 Strumenti di rilevazione (spoiler: nessuno è infallibile)

Photo forensics: analisi di ombre, EXIF, pattern di compressione.
Audio watermark: «tatuaggi» acustici impercettibili.
Blink‑rate: micro‑dinamiche dello sguardo.
Provenance crittografica (C2PA): catena di firme dalla cattura all’editing.

Ogni contromisura ha un contro‑contro: il gatto e il topo corrono veloci.

4.5 Difesa personale: kit di sopravvivenza anti‑deepfake

Regola della nonna: se un video ti fa sgranare gli occhi, riguardalo a 0,5× e senza audio catchy. Reverse image search: screenshot su Lens o InVID. Ascolta il respiro: nei voice‑clone manca spesso la micro‑balbuzie umana. Chiedi un selfie live con gesto specifico (liveness). Tieniti aggiornato: segui Jigsaw, Bellingcat, EU DisinfoLab.

4.6 Mini‑glossario

Morphing = due facce nel frullatore. Face‑swap = scambio volti in tempo reale. GAN inversion = rimappare una foto nel «latente» per modificarla meglio.

4.7 Morale (con filtro bellezza)

«Noi crediamo a ciò che somiglia a ciò che abbiamo sempre creduto, e la somiglianza oggi si fabbrica in GPU.» Se vedi Napoleone che balla il reggaeton in 8K, non chiederti se è falso; chiediti perché qualcuno vuole che tu lo veda.

5. Metodo scientifico 2.0 – dalla peer‑review alla model‑review (senza perdere l’umorismo)

Nel 2022 concludevo: dati definiti, modello esplicito, peer review. Nel 2025 aggiungo: impact assessment, auditing esterno, red‑teaming, watermark e, dove serve, un kill‑switch.

5.1 Dalle paper references alle model cards

La Model Card è la scheda prodotto dei modelli IA: chi l’ha fatto, con quali dati, per cosa è adatto e—sorpresa—per cosa non è adatto. Pensatela come l’etichetta nutrizionale: calorie etiche e bias saturi compresi.

5.2 AI Impact Assessment – un «GDPR per cervelli di silicio»

Con l’AI Act europeo, per usi ad alto rischio servono schede di impatto: scopi, benefici, rischi (bias, esclusione), misure mitigative (metriche di fairness, explainability), piano di monitoraggio, red‑teaming serio.

Red‑teaming: squadra di etici/tecnici che prova a far «sbroccare» il modello prima del lancio.

5.3 Watermarking: tatuaggi invisibili per contenuti sintetici

Visibile (logo).
Metadati (EXIF/XMP).
Steganografico (pattern nei pixel).
Provenance crittografica (C2PA): ogni passaggio firma l’hash. Catena integra → contenuto più affidabile.

5.4 Verso la model‑review: checklist di laboratorio

Dataset audit (chi ha parlato e chi è rimasto zitto?), bias test (SEAT/BBQ/HolisticBias), robustezza (adversarial & stress test), explainability (SHAP/LIME per LLM), red‑team eval, report energetico (CO₂e).

5.5 Open‑science remix: riproducibilità e model zoo

Niente risultati senza codice (o senza pesi versionati). Seed fissato, benchmark pubblici (MMLU, TruthfulQA, HELM). Se un’azienda mostra solo i test dove spacca… diffidare.

5.6 E se fallisce tutto? Piano B = kill‑switch

Leva d’emergenza digitale: spegne/degrada il modello se superi soglie di rischio. Meglio un black‑out di 10 minuti che un thread virale razzista.

5.7 Morale 5G (G sta per giudizio critico)

Mettere online un LLM senza model‑review è come lanciare un razzo senza controllare il serbatoio: magari arrivi su Marte, magari esplodi sulla rampa. Scienza aperta, test continui e trasparenza sono l’unico modo per trasformare l’IA da show pirotecnico a infrastruttura affidabile.

6. Che fare? Strategie di autodifesa cognitiva – il kit per bipedi digitali

«Domandare la fonte, non importa quanto autorevole sembri l’eloquio.» (bullet originale)

6.1 Regola ABC → Ask – Balance – Cross‑check

Ask: chi, cosa, quando, perché. Balance: cerca un parere opposto di pari livello. Cross‑check: lateral reading (apri nuove schede su chi/ dove/ quando/ conflitto d’interessi).

Nota: applica una gerarchia delle fonti (primarie → secondarie → terziarie → opinioni). È uno strumento cognitivo fondamentale: nessuno può sapere tutto, ma possiamo decidere a chi dare più peso, più in fretta e con meno errori.

6.2 Dieta informativa mediterranea

Carboidrati: fonti primarie verificabili. Proteine: analisi esperte e fact‑checking. Grassi buoni: opinioni plurali. Zuccheri: meme (uno al giorno toglie l’acidità di torno, ma non esageriamo).

6.3 Tool‑belt essenziale (free o quasi)

InVID/WatchFrame per i video.
NewsGuard/MBFC per l’affidabilità delle testate.
Reverse image (Lens/Yandex).
Four‑window method per il lateral reading.

6.4 Prompt craft: come parlare all’oracolo

Prompt funnel: parti largo, poi stringi alle richieste verificabili («dammi 3 fonti con DOI/URL ufficiale, 2019‑oggi»). CoT (chain‑of‑thought) «a freddo»: chiedi passi logici (anche in versione sintetica). Self‑critique: «Rileggi e segnala possibili errori».

6.5 Inoculation theory: vaccino mentale anti‑disinformazione

Simulare in anticipo le bufale (prebunking) crea anticorpi cognitivi. Giochi seri e micro‑moduli aiutano più di una ramanzina.

6.6 Kill‑switch personale (digital detox, light)

Notifiche a dieta, tempo‑schermo con timer, quiet mode serale. Il cervello ti ringrazia e la memoria critica pure.

6.7 Glossario «antipanico»

Lateral reading = aprire nuove fonti invece di scrollare all’infinito. Prebunking = smascherare una bufala prima che circoli. CoT prompt = chiedere all’IA i conti della serva. Digital hygiene = routine di pulizia dei feed.

6.8 Morale con emoji finale 😎

Il buffet informativo è ricco: se ti abbuffi di cornetti diventi lento e sospettoso. Scegli, pesa, verifica. La vera intelligenza—artificiale o biologica—non è sapere tutto, ma sapere cosa ignorare.

7. Epilogo: l’atto di fede razionale, re‑reloaded (con finale Marvel post‑credit)

Credevamo agli occhi, poi ai mass‑media, poi ai newsfeed. Ora dobbiamo decidere se credere a un’architettura transformer.

7.1 Dalla lanterna magica al LayerNorm

Lanterna magica (1600 ca.) → illusione su muro. TV (1950) → monopolio verticale dell’informazione. Newsfeed social (2010) → filtri personalizzati. Transformer (2017) → rete neurale che «auto‑attenziona» le parole per indovinare la successiva.

Auto‑attention = regia in rallenty che decide chi inquadrare durante il rigore.

7.2 Il paradosso della delega cognitiva

Per convivere con la complessità delego la scrematura dell’informazione; ma delegare significa accettare un nuovo livello di mediazione—e quindi un nuovo atto di fede.

7.3 Fiducia a strati (modello lasagna)

Strato sensoriale → «Ci credo perché l’ho visto» (ehm, deepfake). Strato istituzionale → «Ci credo perché lo dicono le autorità» (finché non tweetano meme). Strato algoritmico → «Ci credo perché lo calcola bene una GPU». Peccato che la cucina sia spesso black‑box.

Explainable AI (XAI) = tecniche per accendere la luce almeno in cucina.

7.4 Epistemic humility (abbonamento premium all’autocritica)

Consiglio pratico: sostituire il «conosci te stesso» con «conosci i limiti dei tuoi modelli». Anche un transformer con un trilione di parametri può confondere Venezia con Venice, FL.

7.5 Mini‑roadmap per il 2026

Dataset più trasparenti (≥ 75% documentati).
Educazione media‑AI a scuola (con divulgatori con cervello).
Registro pubblico dei modelli «grandi».
Badge “Revisione Umana OK” sui contenuti sintetici delle piattaforme.

7.6 Morale (extended cut)

Se l’IA è un telescopio puntato sul caos informativo, ricordiamoci che il telescopio distorce: ingrandisce, capovolge e, talvolta, aggiunge stelle che non esistono. L’unico anticorpo è librarsi tra curiosità e sospetto, come un gatto davanti a una scatola: ti infili, ma con un occhio fuori.

«Meditate, gente, meditate—e magari fate debug del vostro feed prima di condividerlo.»

8. Bonus track: Adversarial AI, fake‑news e la guerra dei canali – quando il contenuto fa il ninja

Abbiamo parlato di bolle, allucinazioni, deepfake e autodifesa. Manca l’ultimo boss: intelligenza artificiale avversaria e attacchi coordinati sui canali. Spoiler: non servono più eserciti di troll; bastano automazione, GPU as‑a‑service e fantasia grey‑hat.

8.1 Cosa significa adversarial AI (non è una band indie)

Adversarial examples: input leggermente perturbati che confondono il modello (la panda diventa gibbon con un pixel).
Poisoning: si altera il dataset di addestramento (zucchero al posto del sale).
Evasion: input maliziosi in fase d’uso (CV con testo invisibile per fregare il filtro).

8.2 Fake‑news 4.0 – dal clickbait alla synthetic narrative

Oggi lo storytelling disinformativo è multimodale: testo LLM, immagini diffusion, audio clonati, video iper‑realisti. In poche ore un «mildfake» quotidiano può spostare percezioni più di un deepfake clamoroso.

8.3 Canali di attacco – panorama express

Social: bot‑farm + engagement mods.
Siti: SEO‑poison + spun articles.
Chat: voice‑clone scam e chain‑troll.
Email: spear‑phish personalizzato con tono «collega del piano di sopra».
TV: clip post‑prodotte con doppiaggi credibili.

8.4 Difese di rete (non quelle del calcio)

Adversarial training, provenance + triangolazione hash, consistenza multimodale (immagine vs caption), bot detection su grafi, red‑teaming continuo.

8.5 Lettura consapevole 2.0 – metodo CTRL‑F‑U

Cerca altrove → chi ha pubblicato prima? Testa coerenza multi‑modale → video, audio, testo dicono lo stesso? Rallenta la condivisione → dieci secondi salvano la timeline. Leggi oltre il titolo. F‑U → fatti un’idea dopo due fonti indipendenti (o «fake‑unfriendly», per ricordarlo meglio).

8.6 Morale (colpo di scena alla Shyamalan)

Il pericolo non è solo il deepfake dell’attore famoso, ma il mildfake quotidiano che distorce di 5% la realtà—tutti i giorni. Moltiplica per 365 e ottieni un universo parallelo entro Natale.

9. Riferimenti essenziali (selezione ragionata)

AI Act UE: testo in Gazzetta Ufficiale, regole e tempi di applicazione.
NIST AI RMF 1.0 e ISO/IEC 42001: gestione del rischio IA e sistemi di gestione.
Stochastic Parrots (Bender & Gebru): rischi dei pappagalli stocastici.
Hallucination (survey): panoramica tecnica e mitigazioni.
C2PA: standard di provenienza contenuti (firma e catena).
Illusory truth effect (Pennycook; Fazio): perché ciò che si ripete sembra più vero.
Lateral reading (Wineburg & McGrew): come verificare davvero.
Controlli email lavoro (Garante + Cassazione): limiti, policy, illegittimità dei controlli «a strascico».

10. Bibliografia sintetica e sitografia di cortesia

Regolamento (UE) 2024/1689 (AI Act), GUUE, 12/07/2024.
NIST, AI Risk Management Framework 1.0 (2023).
ISO/IEC 42001 (2023), Artificial Intelligence Management System.
Bender, E.M., Gebru, T., et al., «On the Dangers of Stochastic Parrots», FAccT (2021).
Ji, Z., et al., «A Survey of Hallucination in NLP» (2023).
Goodfellow, I., et al., «Generative Adversarial Nets» (2014).
Ho, J., et al., «Denoising Diffusion Probabilistic Models» (2020).
C2PA, Content Provenance and Authenticity, spec v1.x.
Pennycook, G., Cannon, T.D., Rand, D.G., «Prior Exposure Increases Perceived Accuracy of Fake News» (2018).
Fazio, L.K., et al., «The Effect of Repetition on Truth Judgments» (2020).
Wineburg, S., McGrew, S., «Lateral Reading» (2018).
Garante Privacy: linee e provvedimenti su email/internet in ambito lavorativo; Cass. 18168/2023 e giurisprudenza 2024‑2025.
Microsoft Learn: Exchange Online limits, Outbound spam protection, HVE; Google Workspace: Email sender guidelines (SPF/DKIM/DMARC, one‑click unsubscribe), Yahoo/Gmail 2024.