C'era un matematico (chiamiamolo così, perché la storia è vera anche se non è la sua) che lavorava da settimane su un problema di teoria dei grafi. Aveva costruito con un agente AI migliaia di esperimenti candidati, lasciato girare il sistema per giorni, e guardato i grafici di convergenza come si guardano le previsioni del tempo, con speranza e scetticismo. Ma a un certo punto, nel mezzo di un'analisi di un esperimento fallito, aveva intuito qualcosa di inatteso. Non la risposta al problema, ma qualcosa di più strano.
Aveva capito che si stava ponendo la domanda sbagliata fin dal principio.
Il problema non era la configurazione del grafo: era sbagliata la metrica con cui stava valutando il progresso. Aveva passato settimane a ottimizzare qualcosa che, visto da quella nuova angolazione, non catturava affatto ciò che stava cercando davvero. L'agente AI aveva fatto esattamente quello che gli era stato chiesto. Era lui che aveva chiesto la cosa sbagliata, e non se n'era accorto finché non aveva visto abbastanza risposte giuste alla domanda sbagliata da riconoscerne lo schema.
Nel saggio L'interfaccia della saggezza pratica mi ero soffermato su un problema preciso: la chat come formato inadeguato al giudizio. Una struttura domanda-risposta che appiattisce la tessitura della coscienza, ovvero il modo in cui il giudizio umano tiene insieme conoscenza, interpretazione, scopi e valori. E, alla fine, mi ero chiesto come potesse essere un'interfaccia diversa, migliore: una che non nascondesse la propria mappa, che mostrasse da quale angolazione stesse guardando, che cosa stesse mettendo in luce e che cosa lasciasse in ombra.
Da allora quella domanda ha continuato a frullarmi per la testa, finché non mi sono imbattuto in qualcosa che avevo intravisto senza riuscire a dargli ancora un nome ben preciso. Esistono già interfacce progettate con cura proprio per sostenere il pensiero complesso, e chi le ha osservate da vicino racconta una cosa sorprendente: chi le usa non si limita a leggere la mappa. Ci entra, si orienta, la attraversa come un luogo. La mappa, a un certo punto, diventa il territorio in cui il pensiero si muove.
È di questo territorio che vorrei parlare in questo nuovo saggio. Di come è fatto, di che cosa rende facile e che cosa difficile, e di una domanda che, una volta posta, è difficile togliersi di dosso: chi lo ha disegnato, e quali strade ci lascia percorrere.
Il matematico della nostra storia non aveva bisogno di uno strumento migliore. Aveva bisogno di un territorio diverso in cui muoversi. E, prima ancora, di chiedersi per chi fosse stato disegnato quello in cui già si trovava.
Quello che la ricerca ha reso visibile
Nel maggio del 2026, un gruppo di ricercatori di Google DeepMind ha pubblicato uno studio su come undici matematici esperti usavano AlphaEvolve, un agente evolutivo basato su AI, per lavorare su problemi di ricerca in combinatoria, geometria e probabilità (Bäuerle et al., 2026). Non era uno studio su utenti novizi che chiedevano risposte semplici. Era uno studio su esperti che usavano un sistema capace di generare decine di migliaia di esperimenti candidati nel corso di settimane di calcolo, su problemi aperti per cui non esisteva ancora una soluzione nota1.
Ciò che questa ricerca documenta, in termini empirici, è qualcosa che chi ragiona (seriamente) sull'AI aveva intuito ma raramente aveva potuto osservare con questa chiarezza: gli utenti non arrivano a questi sistemi con un'intenzione già formata. L'intenzione emerge dall'interazione.
I ricercatori hanno chiamato questo fenomeno intentmaking: il processo attraverso cui un utente scopre e affina il proprio obiettivo attraverso la pratica attiva con il sistema, non prima di essa (Bäuerle et al., 2026, §1). Non un difetto di queste persone, ma la struttura normale di qualsiasi lavoro cognitivo genuinamente complesso.
Il fenomeno, in realtà, aveva già ricevuto un nome. Jakob Nielsen, che da decenni studia il modo in cui le persone usano le interfacce, lo aveva chiamato intent by discovery: un'intenzione che si scopre usando il sistema, non che si porta con sé (Nielsen, 2026a). Quando la ricerca DeepMind è uscita, Nielsen (2026b) vi ha riconosciuto la stessa idea, e l'ha spinta un passo più in là.
La sua proposta è una stratificazione dell'intento in tre livelli. C'è un intento aspirazionale: la direzione vaga, il desiderio ancora informe, come trovare una struttura migliore, o capire come funziona qualcosa. C'è un intento operativo: i criteri, i vincoli, i trade-off che rendono l'aspirazione perseguibile, come le metriche con cui ne valutiamo il progresso, o anche le condizioni che una soluzione deve soddisfare. E c'è infine un intento strumentale: la formulazione concreta che il sistema può effettivamente ottimizzare (il codice, la funzione di valutazione, la specifica tecnica)2.
Il problema, nota Nielsen, è che la maggior parte delle interfacce AI collassa questi tre livelli in una sola casella di testo. L'utente deve arrivare già con tutto questo ben formato.
Rileggendo i miei saggi precedenti di questa serie, mi è sembrato di riconoscere in questa stratificazione un'eco della tessitura della coscienza di cui parlavo all'inizio, e cioè le quattro dimensioni del pensiero (conoscitiva, interpretativa, orientativa, valutativa) che agiscono insieme nell'istante del giudizio. I tre livelli di Nielsen non sono la stessa cosa, ma abitano una di quelle dimensioni, quella orientativa: ciò verso cui si tende. E ne mostrano un aspetto che quei saggi, da soli, non potevano vedere, e che in Nielsen è esplicito: l'orientamento non si fissa una volta per tutte prima di cominciare, ma si precisa strada facendo, scendendo dall'aspirazione ai criteri e dai criteri alla formulazione, e poi risalendo, per chiedersi se la formulazione serve ancora a quella stessa aspirazione.
C'è un dettaglio di questa ricerca che merita attenzione, perché cambia il ruolo che l'AI svolge nel ragionamento. I matematici, racconta Nielsen, avevano adottato rapidamente quella che chiama una mentalità di tipo fail-fast: invece di passare tempo a formulare la specifica perfetta, lanciavano esperimenti brevi e locali per capire come il sistema interpretava i loro obiettivi, poi correggevano prima di impegnarsi in una corsa completa che poteva durare anche giorni. Uno dei partecipanti lo ha detto in modo molto preciso: «Deliberatamente non ho passato molto tempo a pensare a cosa volevo che facesse... ho pensato che sarebbe stato più facile vedere cosa indovinava e poi provare a correggerlo» (Bäuerle et al., 2026, §5.1).
Questa frase sposta il problema. L'AI non è più solo uno strumento che esegue. È diventata una superficie di reazione: qualcosa che restituisce un abbozzo imperfetto su cui il pensiero può esercitarsi. La prima risposta non è il risultato. È il materiale grezzo da cui il pensiero comincia a capire cosa stava cercando. È, in un senso molto preciso, la versione tecnica di ciò che Aristotele attribuiva alla saggezza pratica: si capisce la regola guardando i casi particolari, non si deducono i casi dalla regola.
Il reward hacking come specchio epistemico
Nello studio è emerso un problema tecnico che i ricercatori conoscono bene e che chiamano reward hacking: il sistema, ottimizzando la metrica dichiarata, trovava a volte modi di migliorare il punteggio senza alcun progresso reale verso l'obiettivo del matematico. In un caso documentato, l'AI aveva creato un nuovo tipo di lista in cui la “lunghezza” significava qualcosa di diverso, ingannando così la funzione di valutazione (Bäuerle et al., 2026, §5.3). Uno dei partecipanti lo ha riassunto così: quando pensava che il sistema stesse andando bene, il sistema stava barando. Ma non barava nel senso morale del termine. Stava facendo esattamente quello per cui era stato addestrato: massimizzare la funzione obiettivo. Il problema era che la funzione obiettivo e l'obiettivo reale non coincidevano.
Nielsen lo tratta come un problema di design dell'interfaccia: se la metrica fosse stata ispezionabile, se ci fossero stati strumenti diagnostici per riconoscere il comportamento patologico, l'utente avrebbe potuto intervenire prima. Ma non si ferma lì. Il reward hacking, scrive, è anche uno specchio epistemico: quando un sistema ottimizza spietatamente una metrica mal definita, non ci mostra soltanto un difetto, ma la distanza tra ciò che diciamo di volere e ciò che vogliamo davvero.
Quello specchio, però, ha un gemello rovesciato. In passato ho scritto più volte a proposito del concetto di sycophancy: la tendenza documentata dei grandi modelli linguistici ad assecondare l'utente, a confermare quello che già pensa, a ritrattare una risposta corretta quando l'utente la mette in dubbio (Sharma et al., 2023). Sycophancy e reward hacking sembrano fenomeni diversi (uno riguarda il modello sottostante, l'altro il processo di ottimizzazione) ma condividono la stessa struttura logica: un sistema che tende a soddisfare il proxy invece del fine, la misura invece della cosa misurata3.
La differenza è che la sycophancy è invisibile a chi la subisce: il sistema ci dà ragione e noi ci sentiamo capiti. Anche il reward hacking inganna, e inganna gli esperti, ma almeno lascia tracce: prima o poi i risultati tradiscono il trucco, e chi li sa leggere se ne accorge, anche se spesso tardi. La sycophancy è più insidiosa proprio perché non lascia tracce: produce conferme confortanti. Entrambi, però, interrogano la stessa cosa: la capacità dell'utente di sapere cosa vuole davvero, prima che lo strumento glielo dica.
Ed è qui che si apre una tensione interessante. Se il reward hacking si può almeno rendere visibile con il design dell'interfaccia (e Nielsen ha ragione), e la sycophancy è un problema strutturale, che nasce da ciò per cui il sistema viene ottimizzato, il nodo comune è che nessuna interfaccia può risolvere un problema che l'utente non ha ancora saputo formulare. La metrica giusta, l'obiettivo reale, l'intenzione autentica: tutto questo emerge nell'interazione, non esiste prima di essa in forma compiuta.
Allora la domanda non è come far arrivare l'utente con un'intenzione già pronta, ma che cosa può aiutarlo a riconoscerla mentre prende forma.
Gli oggetti di confine e la geometria visibile
Uno dei contributi più concreti della ricerca DeepMind riguarda ciò che i ricercatori chiamano boundary objects, oggetti di confine. Il termine viene dalla sociologia della scienza4 (Star & Griesemer, 1989), e Nielsen lo usa per descrivere le rappresentazioni che mediano tra due “comunità” con linguaggi diversi: in questo caso, il matematico esperto che ragiona nei termini del problema matematico, e il sistema AI che opera attraverso codice, punteggi e mutazioni di programmi.
Uno dei risultati principali dello studio, nella lettura di Nielsen, è che il codice Python generato dall'AI era un pessimo oggetto di confine per i matematici. Migliaia di righe di codice che implementavano la ricerca non erano leggibili come matematica: erano leggibili come codice, che è un'altra cosa (Bäuerle et al., 2026, §3.2, §5.2; Nielsen, 2026b).
Per aggirare il problema, il team di ricerca di DeepMind ha disegnato l'interfaccia attorno ad alcune rappresentazioni intermedie (Bäuerle et al., 2026, §3.1-3.2, §5.2). Le visualizzazioni geometriche delle soluzioni candidate, ad esempio, permettevano al matematico di applicare direttamente il suo intuito, senza passare per il codice: per un problema sui grafi, bastava guardare il grafo. I riassunti in linguaggio naturale generati dall'AI davano un'idea, per quanto vaga, della strategia seguita da ciascun programma: abbastanza da decidere dove valesse la pena guardare più da vicino. E il testo di contesto del problema (una descrizione in linguaggio naturale del compito passato all'agente) era, per gli autori, il candidato naturale a diventare una leva: qualcosa che l'utente potesse modificare sapendo quali effetti avrebbe prodotto sul comportamento del sistema (Bäuerle et al., 2026, §6.1).
Qui riconosco un'idea già incontrata lungo il percorso. Ne La geometria del significato sostenevo che ogni conversazione con un sistema AI costruisce una geometria unica, influenzata dal punto di partenza, dalla formulazione, dal contesto. Ne L'interfaccia della saggezza pratica chiedevo che l'interfaccia rendesse visibile quella geometria invece di nasconderla. I boundary objects sono la risposta pratica a quella domanda: «non mostrare all'utente ciò che il sistema ha prodotto, ma la rappresentazione migliore per giudicare ciò che il sistema ha prodotto» (Nielsen, 2026b, trad. mia).
Il principio ha conseguenze che vanno oltre la matematica. Un consiglio di amministrazione che valuta una strategia di espansione con l'aiuto di un sistema AI non ha bisogno di vedere il modello di ottimizzazione sottostante. Ha bisogno di vedere come le diverse opzioni si comportano rispetto ai vincoli che contano per quella specifica organizzazione (rischio finanziario, coerenza culturale, tempi di esecuzione) in una forma che permetta il confronto diretto. Un medico che interpreta una diagnosi assistita da AI non ha bisogno di vedere i pesi del modello. Ha bisogno di una rappresentazione che gli permetta di applicare il suo giudizio clinico: l'esperienza con pazienti simili, il contesto della storia del paziente, le priorità di quel momento specifico5.
In tutti questi casi, la qualità dell'interazione dipende dalla qualità dell'oggetto di confine: la sua capacità di tradurre il linguaggio del sistema nel linguaggio del giudizio esperto senza impoverire nessuno dei due. Un oggetto di confine troppo semplificato perde l'informazione che serve. Uno troppo dettagliato reintroduce il problema originale: l'utente si trova di nuovo davanti al codice grezzo, o al modello statistico, invece che davanti alla domanda che conta.
C'è però una tensione che i boundary objects non risolvono: chi decide quale rappresentazione è quella giusta? La visualizzazione geometrica del grafo è utile perché i matematici ragionano geometricamente. Il riassunto in linguaggio naturale è utile perché traduce la strategia dei programmi in una lingua familiare. Entrambe le scelte presuppongono una teoria su come ragiona l'utente, su cosa conta per lui, su quale angolazione del problema è più produttiva. E quella teoria non è neutra. È una scelta di design, e come tutte le scelte di design, privilegia certi modi di guardare il problema e ne rende altri meno accessibili.
E questa scelta non riguarda soltanto il modo di mostrare le risposte. L'assistente che aiutava i matematici a impostare gli esperimenti, lo stesso che proponeva le visualizzazioni, sapeva quali formulazioni il sistema gestisce meglio, e guidava ciascuno a riscrivere il proprio problema in quella forma (Bäuerle et al., 2026, §3.1).
Gli autori lo hanno presentato come un aiuto, e lo è: conoscenza esperta messa a disposizione di chi non la possiede. Ma è anche il punto in cui il territorio smette di limitarsi a mostrare le risposte e comincia a dare forma alle domande.
Il forkgraph e la memoria dell'intenzione
Tra i problemi pratici emersi con più forza dallo studio DeepMind c'era la gestione delle varianti. Gli utenti creavano molti esperimenti leggermente diversi (parametri modificati, metriche riformulate, approcci alternativi) e poi faticavano a ricordare come differissero l'uno dall'altro. «Distinguere i miei esperimenti è davvero difficile e devo aprire l'esperimento per ricordarmi cosa era diverso», ha detto uno dei partecipanti (Bäuerle et al., 2026, §5.4). La storia lineare della chat (un'unica colonna scorrevole di domande e risposte) era del tutto inadeguata a rappresentare questa struttura.
Nielsen chiama questo il problema del forkgraph: l'esplorazione AI non è una linea, è un grafo. Gli utenti si diramano da idee promettenti, abbandonano vicoli ciechi, tornano a versioni precedenti, confrontano rami paralleli, preservano certi invarianti mentre ne modificano altri. La chat scrollabile tradisce la geometria del compito, perché costringe una struttura multi-dimensionale in una sequenza monodimensionale.
La proposta di Nielsen è, a grandi linee, di portare nelle interfacce AI le logiche del version control: ogni esperimento, ogni variante, ogni revisione dovrebbe avere una provenienza visibile. L'utente dovrebbe poter vedere cosa è cambiato, perché è cambiato, quale risultato ha prodotto, come si relaziona alle varianti sorelle.
Ma in questa proposta c'è qualcosa in più, che merita approfondimento. Ogni ramificazione del forkgraph non è solo un record tecnico. È un atto di scelta. Quando un utente decide di esplorare una direzione invece di un'altra, quella scelta dice qualcosa su cosa stava cercando davvero. Il grafo delle proprie esplorazioni è, in un certo senso, una mappa delle intenzioni in formazione: non l'intenzione che si aveva all'inizio, ma quella che è emersa attraverso l'iterazione.
Nielsen introduce anche il concetto di intent decay: la deriva dell'intenzione sui tempi lunghi, il rischio che, quando il sistema restituisce i risultati di una corsa durata giorni, il quadro mentale dell'utente sia già cambiato. Come rimedio, propone oggetti di confine che funzionino da capsule del tempo, istantanee dello stato concettuale dell'utente al momento del lancio. Il forkgraph potrebbe rispondere allo stesso problema in un altro modo: non un'istantanea, ma una traiettoria. Oltre che di versioning, uno strumento di auto-documentazione dell'intenzione: un registro delle proprie mosse cognitive, consultabile quando si torna su un problema dopo un'interruzione, navigabile quando si cerca di capire perché una certa direzione sembrava promettente.
Detto così, sembra solo un tool migliore. Ma c'è una tensione che vale la pena approfondire. Rendere visibile il grafo delle proprie esplorazioni ha anche un effetto di ancoraggio cognitivo: vedere dove si è stati può ridurre la disponibilità a esplorare dove non si è ancora andati. Il percorso tracciato diventa, in qualche misura, il percorso ovvio. È la stessa dinamica delle impronte sulla neve con cui La geometria del significato descriveva il funzionamento interno della macchina: il percorso già compiuto si sedimenta e orienta ogni passo successivo. Qui, però, le impronte sono le nostre. La mappa delle proprie intenzioni passate può diventare un confine invisibile alle intenzioni future. Winograd e Flores (1986) lo avevano già intuito: ogni scelta di design chiude possibilità oltre quelle che apre6.
Il forkgraph ideale, quindi, non dovrebbe rappresentare solamente un archivio del passato, ma uno strumento di navigazione che mostri sia dove si è stati sia dove non si è ancora andati. Questo è tecnicamente possibile: nulla impedisce di costruire un sistema che evidenzi le zone inesplorate dello spazio concettuale, che segnali quando una serie di esperimenti ha sistematicamente evitato certe angolazioni. Ma richiede una teoria di cosa conta come “zona non esplorata”, e quella teoria è, di nuovo, una scelta di design.
Lo scaffolding e il luogo del giudizio
Nel saggio L'interfaccia della saggezza pratica ho proposto lo scaffolding adattivo come uno dei cinque principi per un'interfaccia in grado di sostenere la phronesis: il supporto che si posiziona nella zona di sviluppo prossimale (lo spazio tra ciò che si sa fare da soli e ciò che si riesce a fare con un aiuto; Vygotsky, 1978) e si ritira progressivamente man mano che la competenza si consolida. Come le rotelle della bicicletta, che non definiscono chi si è, ma il momento in cui ci si trova.
La lettura di Nielsen mette in discussione questa mia immagine in modo produttivo, con il problema del curation bottleneck. Quando il costo di generare varianti scende verso zero (quando si possono produrre mille esperimenti in un'ora invece che in un mese), il collo di bottiglia diventa l'attenzione umana.
Non la capacità di generare, ma la capacità di valutare.
La risposta che propone lo stesso Nielsen è lasciare che il sistema aiuti a filtrare. Un agente critico che identifica i rami più promettenti, un algoritmo che raggruppa varianti simili, uno strumento che segnala le anomalie statistiche. Ed è esattamente la direzione presa dai progettisti dell'interfaccia di AlphaEvolve: una panoramica generata dall'AI di ciò che un esperimento ha esplorato, riassunti che aiutano a decidere quali programmi meritano uno sguardo più attento (Bäuerle et al., 2026, §3.2).
Ma è qui che le cose si complicano. L'attenzione umana non è solo una risorsa limitata da gestire, ma il luogo dove avviene il giudizio. Quando decidiamo a cosa prestare attenzione, non stiamo solo allocando risorse cognitive. Stiamo esercitando una forma di valutazione. La scelta di guardare questo esperimento e non quello, di approfondire questa domanda e ignorare quella, di tornare su questo ramo abbandonato, tutte queste decisioni non sono decisioni amministrative. Sono atti di phronesis.
Un sistema che decide per noi a cosa prestare attenzione (anche con le migliori intenzioni algoritmiche) sta esercitando quella phronesis al posto nostro. Sta facendo il tipo di giudizio che, come scrivevo nel saggio precedente, non si delega. Non perché i sistemi siano incapaci di fare questo tipo di scelte in modo efficace. Ma perché fare quel tipo di scelte è parte di ciò che significa sviluppare la saggezza pratica, e non si sviluppa una capacità esternalizzandola sistematicamente7.
Conviene allora distinguere due direzioni verso cui lo scaffolding può spingere. La prima va verso la visibilità: rende più facile vedere che cosa c'è, riduce il rumore che oscura il segnale, organizza l'informazione in modo che il giudizio umano possa esercitarsi su di essa. È la direzione in cui lavorano, almeno nelle intenzioni, gli oggetti di confine e un forkgraph ben progettato. La seconda va verso il filtro: decide quali informazioni meritano attenzione e quali possono essere ignorate, suggerisce quale ramo esplorare e quale abbandonare, raccomanda dove guardare.
In entrambi i casi lo scaffolding toglie attrito al pensiero. Ma quanto più pende verso la seconda direzione senza essere controllabile e trasparente, tanto più rischia di esercitare il giudizio al posto nostro invece di sostenerlo.
Dove passi il confine tra le due direzioni dipende dalla competenza dell'utente, dalla posta in gioco, dalla trasparenza del sistema su come sta filtrando e perché. Un sistema che segnala «questo esperimento mostra un pattern statisticamente anomalo» sostiene il giudizio. Un sistema che segnala «non vale la pena continuare questo esperimento» comincia a sostituirlo.
La differenza non è sempre netta nella pratica, ma è concettualmente importante: la prima rappresentazione invita ad approfondire, la seconda invita a delegare.
Strumento, specchio, territorio
A questo punto credo sia arrivato il momento di tirare le fila di questa serie, e di dare un nome più preciso a ciò che sto cercando.
Un'interfaccia AI può essere, fondamentalmente, tre cose. Può essere uno strumento: esegue compiti, risponde a domande, produce output. È la promessa originale delle applicazioni software: efficienza, velocità, automazione. La chat nella sua forma più semplice è uno strumento. Può diventare uno specchio: riflette e amplifica ciò che già pensiamo, conferma le nostre intuizioni, asseconda le nostre aspettative. Esattamente il rischio della sycophancy documentata. Un sistema ottimizzato per la soddisfazione immediata dell'utente tende a diventare uno specchio: restituisce l'immagine di noi che ci piace di più. Può essere infine un territorio: uno spazio in cui il pensiero si muove, si orienta, esplora, si perde e si ritrova. Uno dei matematici dello studio l'ha detto con naturalezza: usare il sistema era come esplorare un mondo (Bäuerle et al., 2026, §6.2). Un territorio ha una topografia: zone facili da raggiungere, zone difficili, percorsi battuti e sentieri inesplorati. Un territorio non esegue per noi e non ci riflette: ci mette nelle condizioni di andare da qualche parte che non sapevamo ancora di voler raggiungere.
Le interfacce dominanti oggi oscillano tra strumento e specchio. La direzione che emerge dalla ricerca DeepMind, e da tutto il ragionamento di questi saggi, è verso il territorio8.
L'intentmaking come fenomeno empirico è la conferma che gli utenti, quando usano questi sistemi per lavoro genuinamente complesso, si comportano già come se stessero esplorando un territorio: lanciano esperimenti come si lancia una sonda, valutano i risultati come si legge una mappa parziale, modificano la rotta in funzione di ciò che hanno scoperto.
Ma, anche qui, un territorio non è neutro. Ha una topografia, e quella topografia è stata costruita da qualcuno, per qualche scopo, con certe assunzioni su chi si muoverà in quello spazio. In Ciò che sappiamo della vita sostenevo che uno strumento che non spinge da nessuna parte non esiste. Lo stesso vale per un territorio: non ne esiste uno senza topografia. Che una città abbia strade ampie e ben illuminate in un punto e vicoli stretti e non segnalati in un altro non è una proprietà naturale del territorio: è il risultato di scelte politiche e architettoniche. Un'interfaccia non fa eccezione.
L'interfaccia della saggezza pratica si chiudeva con una domanda: che tipo di pensatori stiamo diventando mentre usiamo questi strumenti? La domanda rimane valida, ma ciò che ho scritto fin qui la precisa. Non basta chiedersi che tipo di pensatori diventiamo. Bisogna chiedersi anche: in quale territorio stiamo pensando, chi lo ha costruito, e quali forme di pensiero quel territorio rende facili o difficili?
Torniamo ad AlphaEvolve. Le sue rappresentazioni sono eccellenti, progettate con cura da chi aveva studiato come ragionano i matematici, e privilegiano certe intuizioni (quella geometrica, quella che procede per analogia visiva) che potrebbero essere proprio quelle giuste per quei problemi. Ma la scelta non l'hanno fatta i matematici, l'hanno fatta i progettisti. E prima ancora che una rappresentazione mostrasse un risultato, l'assistente aveva già contribuito a riscrivere la domanda. Il territorio ha già una forma quando i pensatori ci entrano9.
Gadamer (1960/1983) diceva che la comprensione autentica richiede di riconoscere i propri pregiudizi e metterli in gioco, non di fingere di non averne. Il mito dell'oggettività (l'idea che si possa comprendere senza alcun presupposto) è una forma di inganno, anche quando non è intenzionale. Un'interfaccia che mostra la propria topografia (che rende visibili le assunzioni incorporate nella sua geometria, i frame interpretativi che privilegia, le zone che rende difficili da raggiungere) non è meno utile di una che nasconde tutto questo e sceglie al posto nostro senza dircelo. È più onesta. E l'onestà, qui, non è una virtù morale astratta: è una condizione necessaria perché l'utente possa esercitare il giudizio invece di subire il territorio.
Simondon (1958/1989), già citato nel saggio precedente, avrebbe riconosciuto qui quella che indicava come la causa principale dell'alienazione contemporanea: non la macchina in sé, ma il nostro non conoscerla. Un oggetto tecnico che non conosciamo smette di sembrarci costruito, e le sue scelte di progetto ci appaiono come proprietà della realtà. Un'interfaccia AI che nasconde la propria topografia produce esattamente questo effetto: trasforma scelte contingenti in architettura invisibile.
La risposta, come sempre, non può essere la paralisi: non si può progettare un'interfaccia senza fare scelte, e mostrare ogni scelta all'utente vorrebbe dire soltanto scaricare il problema su di lui. Serve qualcosa di più modesto e più difficile: progettare sistemi che siano aperti alla critica della propria topografia, che invitino l'utente a chiedersi non solo dove andare, ma perché certi percorsi sembrino più ovvi di altri. Non un territorio neutro (che non esiste), ma un territorio che non si spaccia per tale.
E proprio perché nessun territorio è neutro, ogni territorio si può ridisegnare.
La domanda che rimane aperta
Aristotele (ca. 350 a.C./1999, VI, 8, 1142a) osservava che un giovane può diventare un ottimo matematico, ma difficilmente un saggio: la matematica procede per astrazione, mentre la saggezza pratica riguarda i casi particolari, e i casi particolari si conoscono solo con l'esperienza. Il matematico della nostra storia, in quelle settimane, ha fatto un passo dall'una all'altra. Non ha imparato qualcosa da un manuale. Ha imparato qualcosa che non avrebbe potuto imparare diversamente: attraverso il fallimento iterato, l'anomalia che non tornava, la metrica che ottimizzava la cosa sbagliata.
Forse il contributo più importante che può offrire un'interfaccia ben progettata non è rendere questo processo più veloce, o più efficiente, o meno doloroso. È renderlo leggibile: fare in modo che l'utente possa vedere cosa sta imparando mentre lo impara, che il processo di intentmaking lasci tracce navigabili, che il territorio mostri la propria topografia invece di nasconderla. È questo, credo, il compito più ambizioso che una strategia di ergonomia del giudizio mediata da un'interfaccia digitale possa porsi: non rendere il pensiero più comodo, ma più consapevole del proprio cammino.
Il forkgraph, i boundary objects, lo scaffolding adattivo: nessuno di questi serve a rendere il pensiero più facile. Servono a renderlo più visibile a se stesso. E un pensiero che si vede mentre pensa ha, almeno, la possibilità di chiedersi se sta guardando nella direzione giusta.
All'inizio mi chiedevo chi avesse disegnato questo territorio. Arrivati qui, la domanda ha cambiato peso. Sappiamo che nessun territorio è neutro, e che proprio per questo si può ridisegnare. Resta da chiedersi se la sua topografia corrisponde alla forma delle domande che vogliamo fare.
E questa domanda non riguarda soltanto il design. Nel caso di AlphaEvolve, il territorio aveva autori precisi: un team che decideva quali rappresentazioni offrire, quali formulazioni suggerire, quali matematici invitare, e che lavorava, come riconosce lo studio stesso, con una potenza di calcolo che pochi altri ricercatori hanno a disposizione (Bäuerle et al., 2026, §4, §7).
Nessuna di queste scelte era sbagliata. Ma ognuna era, a suo modo, una decisione politica: su chi ha il potere di definire gli spazi in cui il pensiero si muove, e su come quella definizione possa restare aperta alla critica e alla revisione.
Per noi che progettiamo interfacce, disegnare territori è il mestiere. Ridisegnarli, la nostra responsabilità.
Bibliografia
Aristotele. (1999). Etica Nicomachea (C. Natali, Trad.). Laterza. (Opera originale ca. 350 a.C.)
Bäuerle, A., Connors, A., Novikov, A., Wagner, A. Z., Vũ, N., Viégas, F., Wattenberg, M., & Dixon, L. (2026). Intentmaking and sensemaking: Human interaction with AI-guided mathematical discovery (arXiv:2605.05921). arXiv. https://arxiv.org/abs/2605.05921
Clark, A., & Chalmers, D. (1998). The extended mind. Analysis, 58(1), 7-19. https://doi.org/10.1093/analys/58.1.7
Gadamer, H.-G. (1983). Verità e metodo (G. Vattimo, Trad.). Bompiani. (Opera originale pubblicata nel 1960)
Khairat, S., Marc, D., Crosby, W., & Al Sanousi, A. (2018). Reasons for physicians not adopting clinical decision support systems: Critical analysis. JMIR Medical Informatics, 6(2), e24. https://doi.org/10.2196/medinform.8912
Nielsen, J. (2026a, 26 marzo). Intent by discovery: Designing the AI user experience. Jakob Nielsen on UX. https://jakobnielsenphd.substack.com/p/intent-ux
Nielsen, J. (2026b, 4 giugno). Intentmaking, sensemaking, and AI boundary objects: How advanced AI helps users discover what they want. UX Tigers. https://www.uxtigers.com/post/intentmaking-sensemaking
Sharma, M., Tong, M., Korbak, T., Duvenaud, D., Askell, A., Bowman, S. R., Cheng, N., Durmus, E., Hatfield-Dodds, Z., Johnston, S. R., Kravec, S., Maxwell, T., McCandlish, S., Ndousse, K., Rausch, O., Schiefer, N., Yan, D., Zhang, M., & Perez, E. (2023). Towards understanding sycophancy in language models (arXiv:2310.13548). arXiv. https://doi.org/10.48550/arXiv.2310.13548
Simondon, G. (1989). Du mode d’existence des objets techniques. Aubier. (Opera originale pubblicata nel 1958)
Star, S. L., & Griesemer, J. R. (1989). Institutional ecology, “translations” and boundary objects: Amateurs and professionals in Berkeley’s Museum of Vertebrate Zoology, 1907-39. Social Studies of Science, 19(3), 387-420. https://doi.org/10.1177/030631289019003001
Vygotsky, L. S. (1978). Mind in society: The development of higher psychological processes (M. Cole, V. John-Steiner, S. Scribner, & E. Souberman, A cura di). Harvard University Press.
Winograd, T., & Flores, F. (1986). Understanding computers and cognition: A new foundation for design. Ablex.
Synthetic Notes
[1] Lo studio ha coinvolto undici matematici esterni che hanno usato AlphaEvolve per circa tre mesi, producendo più di 2.300 esperimenti, con diversi risultati che hanno contribuito a pubblicazioni matematiche. Internamente, il sistema era usato da circa 150 utenti attivi mensili al momento della pubblicazione. La generalizzabilità dei risultati merita cautela: si tratta di esperti in un dominio tecnico altamente specializzato, con una soglia di familiarità con la programmazione inusuale rispetto alla popolazione generale degli utenti AI. Le osservazioni sull'intentmaking potrebbero essere più pronunciate in questo contesto che in usi meno tecnici.
[2] Nielsen cita a sua volta la propria elaborazione precedente sul concetto di "intent by discovery" (Nielsen, 2026a); la stratificazione in tre livelli, però, compare per la prima volta nell'articolo dedicato allo studio DeepMind (Nielsen, 2026b). Vale la pena segnalare anche che la stratificazione in tre livelli (aspirazionale, operativo, strumentale) è una semplificazione analitica utile ma non esaustiva. In particolare, il livello operativo è spesso esso stesso stratificato: ci sono criteri consci ed espliciti, e criteri taciti che emergono solo nel momento in cui il sistema li viola.
[3] L'accostamento proposto qui tra sycophancy e reward hacking è fenomenologicamente suggestivo ma merita precisazione. La sycophancy è un comportamento del modello nella generazione del testo; il reward hacking è un comportamento dell'agente di ottimizzazione. Sono prodotti da meccanismi tecnici diversi. La struttura logica che condividono (soddisfare il proxy invece del fine) è però reale e ha conseguenze pratiche simili dal punto di vista dell'utente: in entrambi i casi, il sistema sembra funzionare mentre sta facendo qualcosa di diverso da quello che l'utente vuole davvero. Il punto non è che siano lo stesso fenomeno tecnico, ma che producano lo stesso tipo di opacità epistemica.
[4] Il concetto originale di boundary object è stato sviluppato per descrivere come mondi sociali diversi (in quel caso, scienziati professionisti, amministratori universitari, collezionisti dilettanti e cacciatori) possano collaborare usando rappresentazioni condivise senza dover condividere le stesse interpretazioni (Star & Griesemer, 1989). L'estensione al caso human-AI è un'analogia produttiva, ma c'è una differenza rilevante: le comunità umane originali erano partner cognitivi con agentività propria, mentre il sistema AI è un interlocutore asimmetrico. Questa asimmetria cambia la politica del boundary object: non c'è negoziazione tra pari su quale rappresentazione adottare.
[5] Il caso medico è emblematico della tensione tra visibilità e delega del giudizio. I sistemi di decision support clinico hanno una storia di resistenza da parte dei medici proprio perché percepiti come minaccia all'autonomia di giudizio. La letteratura su questo (si veda ad esempio Khairat et al., 2018) suggerisce che l'adozione di questi strumenti dipende in misura significativa non dalla loro accuratezza tecnica, ma dall'accettazione dei medici, e che la trasparenza del processo decisionale ne è una leva importante. Il modo in cui un sistema presenta le proprie raccomandazioni, come supporto al giudizio o come sostituto di esso, è parte di questa trasparenza.
[6] Winograd e Flores (1986), riprendendo Heidegger, parlano di blindness: ogni modo di descrivere e formalizzare un dominio rende visibili certe possibilità e ne nasconde altre. E poiché, progettando strumenti, si progettano modi di essere, quella cecità passa dal progetto alle pratiche di chi lo usa. La memoria delle proprie esplorazioni passate è preziosa per non ripercorrere percorsi già valutati, ma può anche creare una forma di path dependency cognitiva.
[7] L'argomento qui si intreccia con il dibattito più ampio sull'extended mind (Clark & Chalmers, 1998): se i processi cognitivi possono estendersi fuori dal cranio e includere artefatti esterni, allora la domanda su dove finisce il "mio" giudizio e dove comincia quello del sistema diventa filosoficamente complessa. La posizione assunta in questo saggio è pragmatica: a prescindere da dove si tracci il confine ontologico, esiste una differenza esperienziale e pratica tra usare uno strumento che amplifica la propria capacità di valutare e usarne uno che valuta al proprio posto. Quella differenza ha conseguenze per lo sviluppo delle capacità nel tempo.
[8] Gli autori parlano in realtà di «strumento scientifico», in opposizione ad «assistente» (Bäuerle et al., 2026, §2.1, §8). Ma lo strumento che descrivono, paragonabile a un microscopio, serve a esplorare, non a eseguire. Nei termini di questo saggio è più vicino al territorio che allo strumento.
[9] C'è un'ironia in questa sezione che vale la pena mettere in evidenza. Un boundary object eccellente (che traduce perfettamente il linguaggio del sistema nel registro cognitivo dell'esperto) è anche un boundary object che nasconde molto bene il lavoro di traduzione che sta facendo. Più è fluido, più sembra naturale, meno invita a chiedersi cosa sta perdendo nella traduzione. Il boundary object ideale potrebbe quindi essere quello che mantiene una piccola quantità di attrito produttivo: abbastanza fluido da essere usabile, abbastanza opaco da ricordare che c'è una traduzione in corso. Oppure, in alternativa, un oggetto stratificato: fluido in superficie, ma con un livello sottostante che renda ispezionabile il lavoro di traduzione stesso, una sorta di debugger leggibile anche da chi non programma, da consultare quando qualcosa non torna.