L’espressione Generative AI, spesso abbreviata in GenAI, definisce una categoria di sistemi progettati non solo per analizzare dati preesistenti, ma per produrre nuovi artefatti digitali quali testi, immagini o tracce audio. A differenza dell’AI tradizionale, che si è storicamente distinta per la capacità di classificare informazioni o formulare previsioni, i sistemi di GenAI hanno la capacità di creare contenuti che, pur ricalcando i pattern appresi in fase di addestramento, non sono copie di elementi presenti nel dataset di origine; sono anzi una rielaborazione probabilistica, e soprattutto inedita, di questi ultimi.
L’intelligenza artificiale generativa è in grado di svolgere questi compiti grazie a delle reti neurali avanzate che mappano relazioni profonde all’interno del dataset di addestramento. In questo modo la macchina non impara a memoria le informazioni, ma ne “comprende” le strutture e le correlazioni statistiche. Così, quando riceve un input, il sistema è in grado di costruire una sequenza inedita di elementi (siano essi parole o pixel di un’immagine) che hanno la massima probabilità di risultare coerenti rispetto alla richiesta ricevuta.
L’esempio più comune di un’attuale applicazione della GenAI è rappresentato dai Large Language Models (LLMs). È significativo pensare come già nel 1956, durante il seminario del Dartmouth College che storicamente sancisce la nascita dell’intelligenza artificiale, la manipolazione del linguaggio naturale fosse stata individuata come uno dei pilastri fondamentali per emulare le facoltà umane; oggi, milioni di utenti utilizzano quotidianamente chatbot generativi, confermando la comprensione e generazione di linguaggio come uno dei filoni più proficui dell’intero campo dell’AI. Altro esempio di facile intuizione è la generazione di contenuti multimediali, immagini e video: l’utente può descrivere verbalmente un’idea visiva complessa e vederla tradotta in un’immagine fotorealistica, un’illustrazione o un cortometraggio.
È chiaro che la GenAI porta con sé non poche implicazioni su diversi fronti. Innanzitutto, poiché questi sistemi generano output usando dati tratti da opere umane preesistenti, emerge una questione centrale riguardante la natura dell’originalità: l’intelligenza artificiale non crea dal nulla, agisce piuttosto come uno specchio della cultura collettiva, sollevando interrogativi su dove inizi il lavoro del software e dove finisca la derivazione e riproposizione di lavoro altrui.
La GenAI permette inoltre di adottare paradigmi di lavoro quali quello della co-intelligenza (Ethan Mollick, Co-Intelligence: Living and Working with AI, 2024). Si parla di co-intelligenza per indicare un paradigma di interazione tra utente e LLM che prevede un’interlocuzione dinamica che abbassa in maniera considerevole la barriera d’accesso a competenze un tempo specialistiche. Ad esempio, un utente senza particolari competenze specifiche può interrogare un LLM per tradurre un complesso report di analisi finanziaria in una sintesi più comprensibile e maneggevole, o utilizzare modelli generativi per visualizzare prototipi di design che richiederebbero settimane di modellazione manuale. Questa democratizzazione delle capacità tecniche sposta il valore del lavoro umano dall’esecuzione alla competenza critica, rendendo dunque la capacità di formulare le domande corrette (il prompting) e la validazione etica del risultato i nuovi pilastri della professionalità.
L’avvento della GenAI impone una nuova alfabetizzazione digitale. In un ecosistema in cui la produzione di contenuti di alta qualità ha costo marginale zero, e in cui diventa sempre più difficile distinguere se un contenuto sia opera di un essere umano o di una macchina, la tecnologia, pur non configurandosi di per sé come una minaccia all’ingegno, rende necessario evolvere verso ruoli in cui l’intuizione, l’etica e la visione strategica rimangano prerogative (umane) insostituibili.
Benedetta Bonomi