L’intelligenza artificiale dal 2023 al 2027, vista da un ingegnere “iunior” in fase di iscrizione all’Albo a 56 anni

Carissimi,
dopo la laurea in Ingegneria Informatica e dell’automazione con 110L in Febbraio, e l’esame di stato appena superato, la settimana scorsa sono passato dalla sede dell’Ordine degli Ingegneri della mia città natale per informarmi sulle modalità di iscrizione all’Albo (al di là che io abbia deciso di proseguire gli studi anche per la laurea magistrale senza mettere da parte il baccalaureato in teologia.

Dopo un cordiale colloquio con il presidente, sono tornato a casa con l’ultimo numero della rivista dell’Ordine, uscito nel primo trimestre del 2023: al suo interno, nell’articolo di apertura, il direttore dedicava una riflessione lucida e tempestiva a ChatGPT, allora presentato come un «prototipo».

L’autore ne coglieva senz’altro le potenzialità, affermando che «sembra quasi avere capacità di ragionamento», e osservava che «chi ne farà uso per primo potrà averne grandi vantaggi»; al tempo stesso poneva domande che sarebbero poi diventate centrali:

• l’intelligenza artificiale «si evolverà in maniera utile o dannosa»?
• Il suo uso resterà «morale»?

Da allora la rivista non ha ancora avuto un seguito, e quelle pagine sono rimaste, da un lato, l’ultima parola del mio Ordine provinciale sull’intelligenza artificiale; dall’altro, una testimonianza lungimirante che oggi fa da campione di riferimento per misurare le ere geologiche trascorse, in senso informatico, da allora.

Quasi quattro anni dopo, quelle pagine si rivelano un prezioso barometro della percezione iniziale: le tecnologie di intelligenza artificiale non sono più considerate né come un esperimento mediatico né come un passatempo, ma in molti casi sono diventate strumenti consolidati nel mondo dell’ingegneria in generale e dei processi produttivi in particolare, anche se nell’immaginario comune vengono ancora spesso ridotte ai soli “chatbot”, gli strumenti con cui si dialoga in linguaggio naturale (da “chat”, chiacchierata e “bot”, da robot).

Ne è nata la presente riflessione: un tentativo di fare il punto su quanto è accaduto nel frattempo in Italia, in particolare secondo la prospettiva dell’ingegneria informatica.

Entriamo quindi nel merito tecnico, proprio facendo riferimento a quell’articolo del 2023 come bussola per orientarci nel presente e integrandone la prospettiva con quella dell’ingegneria informatica di oggi, materia su cui, per ragioni di calendario, mi trovo a essere particolarmente fresco. Rileggiamo, dunque, il 2023 con gli occhi del 2026.

Un “prototipo” nel 2023?

Quando ChatGPT acquisì la sua prima notorietà in Italia, si basava sul modello GPT-3.5 nella versione gratuita, mentre GPT-4 era appena stato reso disponibile agli abbonati.

Mentre da noi era una novità, nel resto del mondo contava già milioni di utenti attivi, e quel “ritardo” ce lo siamo portati dietro per mesi: solo negli ultimi tempi l’Italia sembra essersi davvero riallineata alla tendenza ormai globale di utilizzo pervasivo delle tecnologie di IA.

Il termine «prototipo», del resto, non era sbagliato: la stessa OpenAI aveva presentato ChatGPT come “un’anteprima di ricerca” mentre per milioni di persone era già, a tutti gli effetti, un prodotto d’uso quotidiano.

Con il senno di poi quella definizione si è rivelata più esatta di quanto potesse sembrare: in un mercato che cambia così in fretta, ogni modello è, di fatto, il prototipo del successivo.

Resta comunque il fatto che io stia facendo riferimento ad un articolo scritto a poco più di tre mesi dal lancio di ChatGPT e destinato ad una rivista cartacea: con i tempi di redazione, impaginazione e stampa che questo comporta, e senza alcuna possibilità di correggere o aggiornare il testo dopo l’uscita. Chi scrive per la carta deve in un certo senso “scommettere” su ciò che resterà vero quando il lettore sfoglierà la pagina, non su ciò che è vero mentre scrive, e che un ingegnere non specificamente “informatico” abbia scelto di dedicare a quel tema l’articolo di apertura, ponendo domande che ancora oggi restano centrali, mi pare un segno di lungimiranza che merita di essere sottolineato. (ed il numero usciva proprio nelle settimane in cui l’Italia sarebbe diventata il primo Paese occidentale a sospendere il servizio).

Ma che cos’è, davvero, un “modello linguistico”?

Partiamo da una frase che allora sembrava scontata, e che lo sembra ancora oggi: l’articolo affermava che ChatGPT «utilizza l’intelligenza artificiale».

In realtà ChatGPT non “utilizza” l’intelligenza artificiale: è esso stesso un sistema di intelligenza artificiale. È, appunto, un chatbot, costruito attorno a un modello linguistico di grandi dimensioni (Large Language Model, LLM): una soluzione software addestrata su enormi quantità di testo a prevedere come un testo prosegue.

Quando un utente pone una domanda, la risposta viene costruita una parola alla volta, scegliendo di volta in volta una continuazione plausibile secondo ciò che il modello ha appreso: con alcuni modelli si può notare il testo di risposta comparire sullo schermo gradualmente, parola dopo parola.

Anche un’altra espressione dell’articolo merita una precisazione: affermare che un modello linguistico «si basa sulla elaborazione di una quantità enorme di dati» risulta vero solo in parte: quella quantità di dati – in generale ampie porzioni del web pubblico, oltre a libri, codice e altre raccolte di testi – serve ad addestrare il modello, una volta per tutte; terminata la fase di “addestramento”, quando risponde, il modello non li consulta più (se non tramite strumenti esterni di ricerca, di cui si farà cenno più avanti) ma attinge a ciò che ne ha “distillato” nei propri parametri.

Questa precisazione non è frutto di pedanteria: pensare all’IA come a un “ingrediente da aggiungere” ci porta a immaginarla come qualcosa che “sa”; capire che si tratta di un meccanismo di previsione del linguaggio ci aiuta invece a capire che cosa può fare bene, e dove invece serve qualcuno che controlli il suo “output”.

Ed è da qui che si comprende quel «sembra quasi avere capacità di ragionamento»: se quel “quasi” era senz’altro frutto di una preziosa cautela, l’impressione di trovarsi di fronte a un “ragionamento” nasceva e tuttora nasce dalla “fluidità” del testo generato e dalla sua qualità linguistica, non certo da una comprensione semantica o da una qualche deduzione logica del modello.

Più esattamente, il modello non sceglie parole ma token (frammenti di parola), sulla base di rappresentazioni numeriche del linguaggio apprese durante l’addestramento: poiché la scelta di ogni token contiene anche una componente di casualità controllata, la stessa domanda, posta due volte, può ricevere risposte diverse.

Il risultato è così sempre più plausibile, ma non necessariamente vero: ed è proprio qui che si gioca il ruolo di chi lo verifica e lo sottoscrive.

Si pensi a un ingegnere che si fa «dare una mano» nella redazione di una relazione tecnica: ricorrere ad un modello per la redazione di una bozza iniziale e per la verifica finale non solo è eticamente corretto, ma è semplicemente un modo di lavorare “contemporaneo” capace di far risparmiare quantità di tempo non indifferenti.

Per orientarsi è utile una distinzione che il neuroscienziato Giulio Deangeli ha reso popolare nel suo talk al TEDxBari del 2024, «Come pensa un’intelligenza artificiale?» (video su YouTube).

Da una parte c’è l’intelligenza artificiale “tradizionale”, che impara da grandi masse di dati a classificare (attribuire un’etichetta: questa radiografia ha una buona probabilità di inquadrare la patologia X, questo messaggio e-mail è spam al 98%) o a stimare un valore numerico.

Dall’altra c’è l’intelligenza artificiale generativa, che non si limita a riconoscere, ma produce contenuti nuovi: testi, immagini, suoni.

La distinzione conta anche per l’ingegnere: un sistema classificativo restituisce una risposta circoscritta, di cui si possono misurare con metodi statistici consolidati la precisione e il tasso di errore; un sistema generativo produce invece un testo nuovo ogni volta, plausibile ma da verificare caso per caso.

ChatGPT appartiene alla seconda famiglia: ed è proprio questa natura generativa a renderlo così sorprendente e, insieme, così bisognoso di controllo.

Ragionamento o “reasoning”?

Non si tratta di un gioco di parole. Dal 2024 i principali produttori hanno introdotto i cosiddetti modelli di “reasoning”. Il primo a renderli noti al grande pubblico è stato OpenAI con la serie “o1”, nel settembre 2024; oggi quasi tutti offrono una modalità di “ragionamento” o di “riflessione estesa”.

Prima di rispondere, questi modelli generano una lunga catena di passaggi intermedi – la cosiddetta “chain of thought” – in cui scompongono il problema, provano strade alternative, si correggono.

Su problemi matematici, logici e di programmazione i risultati sono nettamente migliori, e oggi l’impressione di assistere a un ragionamento quando si interroga un chatbot è ancora più forte di quella che colpiva l’autore dell’articolo del 2023.

Eppure, il meccanismo di fondo non è cambiato: anche quei passaggi intermedi sono testo generato in modo probabilistico, e nulla garantisce che ciascuno sia logicamente valido né che la risposta finale ne discenda davvero.

Il modello è stato addestrato a produrre catene di passaggi che, statisticamente, portano più spesso a risultati corretti: è un “ragionamento” nel senso di un procedimento che aumenta l’affidabilità, non nel senso di una deduzione formale verificabile.

In inglese il termine “reasoning” descrive bene questa funzione operativa, mentre in lingua italiana il termine “ragionamento” rischia di evocare qualcosa di più – comprensione, intenzione, coscienza del vero – tutte caratteristiche che i sistemi che eseguono i modelli linguistici non possiedono.

L’articolo affermava anche che il sistema era capace di «elaborare sintesi tecno-scientifiche corrette, valutando gli argomenti da scegliere».

La sintesi è davvero il punto di forza di questi strumenti; la correttezza, invece, non è garantita da alcun meccanismo interno.

Un modello linguistico non contiene di per sé un motore logico che verifichi i propri passaggi prima di scriverli: avendo assorbito enormi quantità di testi tecnici, codice e trattati di logica, ha appreso la forma del ragionamento corretto al punto da simularla in modo spesso convincente.

Ma simulare la struttura di una deduzione non equivale a eseguirla!

Si tratta della stessa differenza che corre tra un sistema deterministico – un programma di calcolo, un motore di regole, un risolutore di vincoli – e un sistema probabilistico.

Il primo, a parità di dati, restituisce sempre lo stesso risultato e ne garantisce la coerenza con le regole impostate; il secondo produce la risposta più verosimile, che spesso è anche giusta, ma senza alcuna garanzia formale.

Per scrivere una relazione o riassumere una norma questa differenza è spesso tollerabile; per gestire la sicurezza di un sistema – il distanziamento dei treni su una linea ferroviaria, la verifica di una struttura – sicuramente no.

Le piattaforme attuali riducono il divario affiancando al nucleo statistico elementi deterministici: istruzioni di sistema che vincolano il comportamento del modello, strumenti esterni a cui delegare calcoli e ricerche, archivi documentali da cui attingere fatti verificati.

È un approccio ibrido che rende il risultato molto più affidabile, ma non cambia la natura del motore: la plausibilità resta il suo criterio, la verità resta compito di chi legge con competenza.

Prima dei modelli linguistici: l’IA “di una volta”

Il confronto tra il mondo deterministico e probabilistico non è una novità degli ultimi anni: attraversa tutta la storia dell’intelligenza artificiale.

Per decenni l’IA è stata soprattutto “simbolica”, quella che oggi viene chiamata, con un po’ di affetto e un pizzico di nostalgia da parte dei pionieri, GOFAI (Good Old-Fashioned Artificial Intelligence): sistemi che rappresentano la conoscenza con fatti e regole esplicite e ne traggono conclusioni per deduzione logica.

Linguaggi di programmazione “storici” come il Prolog ne sono l’esempio classico: si dichiarano fatti e regole, e il sistema dimostra – o non riesce a dimostrare – ciò che gli si chiede, sempre allo stesso modo e con un percorso ricostruibile passo per passo.

I modelli linguistici seguono la strada opposta: non partono da regole scritte da qualcuno, ma da regolarità apprese statisticamente da enormi quantità di esempi.

Guadagnano in flessibilità e naturalezza ciò che perdono in garanzia formale.

Non a caso, le architetture ibride di cui si è detto – un nucleo statistico affiancato da strumenti deterministici – rappresentano in fondo il tentativo di far convivere le due anime dell’IA.

Una parentesi personale

Come accennavo, ho deciso di proseguire con la laurea magistrale: ho appena sostenuto l’esame di “Dedicated Operating Systems” e mi sto preparando a quello di “New Generation Databases”, dove si studiano, tra l’altro, i database vettoriali, cioè la tecnologia che permette a un modello di ritrovare i documenti pertinenti in un archivio.

Ho iniziato a seguire anche le lezioni di “Artificial Intelligence”, che parte proprio dal Prolog e dalla logica simbolica, e conto di affrontare “Deep Learning” il prossimo anno.

Studiare queste materie a 56 anni, e in questo momento storico, è un’esperienza molto diversa da quella di chi le ha studiate anche solo cinque anni fa in un contesto puramente accademico: ciò che sul libro è teoria, la mattina dopo lo si ritrova annunciato, venduto o già in uso negli studi professionali; la distanza tra l’aula e il “cantiere” non è mai stata così breve!

Lo dico anche per i colleghi iscritti alla sezione B, o a chi da tempo pensa di riprendere gli studi: in questo senso la laurea magistrale non è solo un titolo, ma uno strumento di aggiornamento concreto, che peraltro concorre anche all’obbligo di formazione continua.

In un settore che cambia a questa velocità, tornare sui libri può essere uno dei modi più seri di restare al passo.

Chatbot gratuiti e soluzioni professionali

Quando si parla di intelligenza artificiale, anche fra colleghi, molti pensano ancora a un’esperienza “come nel 2023”, magari nel frattempo migliorata: una finestra di chat gratuita, qualche domanda, risposte talvolta sorprendenti e in alcuni casi anche clamorosamente sbagliate, con il chatbot che, alla prima obiezione, talvolta si scusa, ammette di aver “presunto” e cambia subito versione.

Oggi, però, tra l’uso occasionale di un chatbot gratuito e l’impiego professionale dei modelli più avanzati corre la stessa distanza che separa una calcolatrice tascabile da un software di analisi strutturale. Va detto, peraltro, che ormai molti motori di ricerca mostrano in cima ai risultati risposte generate da modelli linguistici: anche chi non ha mai aperto un chatbot, insomma, si può trovare ad usarli anche senza saperlo.

Le differenze non riguardano solo la “potenza” del modello: le versioni gratuite offrono in genere modelli meno capaci o con limiti d’uso stringenti, una ridotta quantità di testo elaborabile in una sola volta e minori garanzie sul trattamento dei dati; in tal caso le conversazioni possono essere conservate e, salvo diversa impostazione, utilizzate per migliorare i modelli stessi.

Le soluzioni professionali – a pagamento e, ancor più, quelle aziendali integrate negli strumenti di produttività – consentono di lavorare su documenti lunghi e complessi, di collegarsi agli archivi di progetto nel rispetto dei permessi di accesso, e prevedono impegni contrattuali sulla riservatezza e sul non riutilizzo dei dati per un miglior addestramento del modello stesso.

In pratica, questo significa poter sintetizzare corpus normativi e tecnici di centinaia di pagine, confrontare capitolati, ricostruire lo stato di una norma o preparare la bozza di una relazione in poche ore, e talvolta in minuti, invece che in giorni: attività preparatorie che un tempo richiedevano settimane si concludono oggi in poche giornate/uomo.

Il tempo liberato, però, non dovrebbe essere un risparmio fine a sé stesso: è tempo restituito al giudizio tecnico, o anche alla vita privata, e l’uno e l’altra si riflettono in una migliore qualità del lavoro.

Per un ingegnere la questione assume anche uno spessore deontologico: caricare elaborati, dati personali del committente o informazioni coperte da segreto professionale su un servizio gratuito privo di garanzie contrattuali significa, di fatto, cederne il controllo.

Il ricorso a soluzioni professionali attenua il problema, ma non lo elimina: i dati restano comunque affidati a un fornitore esterno, e la loro tutela dipende da un contratto: per questo, anonimizzare o pseudonimizzare i contenuti prima di sottoporli a un modello online resta una buona pratica prudenziale, che ogni professionista iscritto all’Ordine dovrebbe adottare come regola.

In definitiva, oltre a chiedersi quale modello sia il più brillante, occorre chiedersi dove finiscono i dati e chi ne risponde. E un’avvertenza vale per tutti, gratuiti o professionali: un modello migliore sbaglia meno spesso, ma quando sbaglia lo fa, in genere, in modo ancora più convincente.

Il problema delle allucinazioni

Un modello linguistico non “sa”: genera la continuazione più plausibile del testo che riceve.

Quando gli manca un’informazione, raramente risponde «non lo so»: tende piuttosto a colmare il vuoto con qualcosa che suona corretto. È ciò che, con un’immagine presa in prestito dalla psicologia, si chiama “allucinazione”: un contenuto inventato, presentato con la stessa sicurezza di uno vero.

Ne derivano errori tanto più insidiosi quanto più sono ben formulati: articoli di legge inesistenti, coefficienti inventati, citazioni attribuite erroneamente.

Per un ingegnere l’esempio tipico è il riferimento normativo: un paragrafo di una norma tecnica citato con numero e titolo plausibili, ma che nella norma non esiste, oppure appartiene a un’edizione superata.

Non si tratta di un difetto destinato a scomparire con la cosiddetta “prossima versione”: già nel 2024 un gruppo di ricercatori ha sostenuto, con un’argomentazione formale tratta dalla teoria dell’apprendimento, che un modello linguistico usato come risolutore universale non può evitare del tutto le allucinazioni.

Nel 2025 un lavoro pubblicato da ricercatori di OpenAI ha mostrato che gli errori nascono dalla natura statistica dell’addestramento e sono rafforzati da sistemi di valutazione che premiano chi “tira a indovinare” più di chi ammette di non sapere.

L’esperienza sul campo conferma un dato utile: i modelli “veloci”, che rispondono immediatamente, allucinano sensibilmente più spesso di quelli che prima di rispondere svolgono più passaggi di “reasoning”.

Questi ultimi, però, non diventano infallibili: soprattutto, imparano più spesso a dichiarare di non sapere. per un uso professionale conviene quindi scegliere il modello in base al rischio del compito, e non soltanto alla velocità.

Le tecniche di ancoraggio ai documenti di riferimento, di cui si parla nella prossima sezione, riducono il fenomeno, ma non lo eliminano.

La regola resta una: fidarsi è bene, verificare è obbligatorio (anche deontologicamente, e non solo per gli ingegneri).

A ciò si aggiunge un rischio più sottile: l’“automation bias”, ossia l’eccesso di fiducia verso output formalmente impeccabili. Proprio la perfezione della forma rende più difficile cogliere l’errore di sostanza, e il rischio cresce con la stanchezza e con la fretta, cioè proprio quando lo strumento sembra più utile.

In pratica bastano alcune abitudini: chiedere sempre la fonte di ogni dato e controllarla, diffidare dei numeri e dei riferimenti precisi più che dei concetti generali, e riformulare la stessa domanda per vedere se la risposta resta stabile.

L’ingegnere e la RAG

Quando l’articolo del 2023 andava in stampa, un modello linguistico poteva contare soltanto su ciò che aveva appreso durante l’addestramento. L’idea di affiancargli un archivio da consultare esisteva già nella letteratura scientifica dal 2020, ma è solo dal novembre 2023, con gli strumenti presentati da OpenAI e poi dagli altri produttori, che chiunque può caricare i propri documenti e interrogarli. Per un ingegnere è forse la novità più utile di questi anni.

Le architetture di Retrieval-Augmented Generation (RAG, “generazione aumentata dal recupero”) non cambiano la natura del modello, ma gli forniscono un appoggio documentale.

Il meccanismo è semplice. I documenti di riferimento – norme UNI/EN/ISO, NTC, Eurocodici, prezzari, elaborati e relazioni dello studio – vengono suddivisi in brani e convertiti in embedding, vettori numerici che rappresentano il significato del testo. Questi vettori sono conservati in un database vettoriale. Quando arriva una domanda, il sistema – non il modello – cerca i brani semanticamente più vicini e li consegna al modello insieme alla richiesta. Solo a quel punto il modello genera la risposta.

Il risultato è un modello che non “ricorda” soltanto, ma consulta: può indicare il paragrafo o l’elaborato da cui ha tratto un’informazione, e quindi rendere verificabile ciò che afferma. Per l’uso professionale è un passo decisivo.

Non siamo però al livello delle garanzie. I punti deboli sono tre, e un tecnico li riconosce subito:

• il recupero: se il brano giusto non viene trovato, perché è suddiviso male o formulato in modo diverso dalla domanda, il modello risponde senza di esso;
• la generazione: il modello resta generativo, quindi può interpretare male un passaggio o mescolarlo con conoscenze proprie;
• l’archivio: se contiene una norma superata o un prezzario dell’anno scorso, produce risposte aggiornate solo in apparenza. Per questo l’archivio va gestito come qualunque documentazione di progetto, con revisioni, date e responsabili.

La RAG, in altre parole, non sostituisce la verifica, ma la rende più pratica: trasforma il modello da “oracolo” a motore di ricerca e correlazione, i cui risultati restano soggetti al vaglio critico del progettista.

IA: Che cosa fa bene, che cosa fa male

L’IA generativa trova oggi impiego quotidiano in attività ad alta intensità documentale. Alcuni esempi, già maturi nella pratica degli studi tecnici:

• Sintesi di capitolati e relazioni specialistiche: estrazione di requisiti, scadenze, prescrizioni prestazionali e clausole critiche da documenti di gara voluminosi, con tabelle di confronto tra offerte o varianti.
• Supporto alla revisione di progetti complessi: verifica di coerenza tra elaborati (relazioni, computi, tavole descrittive), individuazione di incongruenze terminologiche o di riferimenti normativi superati.
• Due diligence documentale: nelle operazioni di rigenerazione urbana o nelle compravendite complesse, esame di titoli edilizi storici, conformità urbanistiche e fascicoli del fabbricato per rilevare difformità cronologiche e lacune documentali.
• Verifica parametrica tra discipline: controllo che, ad esempio, i carichi permanenti della relazione strutturale corrispondano a quelli della relazione termotecnica e dei particolari costruttivi, prima del deposito al Genio Civile o della consegna alla stazione appaltante.
• Ricognizione normativa: confronto tra versioni successive di una norma tecnica o di un regolamento, con evidenza delle modifiche rilevanti per il progetto.
• Redazione assistita: bozze di relazioni tecniche, verbali, corrispondenza con enti e committenti, sempre soggette a revisione puntuale.
• Comunicazione tecnica: generazione di presentazioni e slide a partire da testi tecnici, utile per conferenze di servizi, assemblee condominiali o incontri con la committenza.

In tutti i casi il modello lavora come un collaboratore instancabile ma inesperto: velocissimo nel produrre, incapace di garantire.

Ogni dato numerico, ogni riferimento normativo e ogni conclusione tecnica vanno verificati alla fonte, ma verificare una bozza prodotta in secondi piuttosto che un lavoro redattivo di un collaboratore che richiede ore quando non giorni, lascia al professionista ampi margini di controllo ed eventuale azione.

Conclusioni