Fiducia
Conoscere attraverso gli altri nell’epoca dell’intelligenza artificiale.
Tratto dalla tesi di Chiara Meriani per il Master di I livello in Filosofia del digitale e intelligenza artificiale. Comunicazione, economia e società. Università di Udine.
Conoscere attraverso gli altri nell’epoca dell’intelligenza artificiale.
Chi legge non assiste al processo editoriale: può conoscere le fonti e i criteri adottati, ma difficilmente ripercorrere ogni verifica. Tra il controllo esercitato da chi pubblica e l’affidamento richiesto a chi legge si apre così una questione ulteriore: che cosa significa fidarsi, quando non possiamo verificare tutto personalmente? E su quali ragioni può fondarsi questa fiducia?
Una parola familiare e una dipendenza inevitabile
Torniamo al confronto tra affidabilità e fiducia, anticipato nel primo capitolo. Dopo aver ragionato su che cosa renda affidabile un risultato prodotto con il contributo dell’intelligenza artificiale, abbiamo seguito quel risultato nel passaggio dalla ricerca al racconto giornalistico. Una prestazione può essere misurata, un’informazione controllata, un racconto può risultare convincente. Ma quando decidiamo di fidarci, che cosa stiamo facendo? Come per l’affidabilità, anche questa volta il nostro punto di partenza è il vocabolario Treccani, che dà questa definizione:
fidùcia s. f. [dal lat. fiducia, der. di fidĕre «fidare, confidare»]. – «Atteggiamento, verso altri o verso sé stessi, che risulta da una valutazione positiva di fatti, circostanze, relazioni» (Treccani, voce «fiducia»).
La definizione prosegue collegando questa valutazione alla possibilità di confidare nelle capacità proprie o altrui e al sentimento di sicurezza e tranquillità che generalmente ne deriva.
Mi interessa soprattutto il rapporto fra valutazione e sicurezza. Possiamo avere ragioni per confidare in qualcuno e possiamo sentirci in buone mani; le due cose non coincidono necessariamente. Una spiegazione chiara può rassicurarci prima ancora che abbiamo capito su quali elementi si fondi. È un problema che riguarda anche l’incontro con un ricercatore, ma assume una forma particolare quando l’interlocutore è un sistema artificiale capace di produrre risposte fluenti, magari fornendo versioni diverse della stessa spiegazione.
Questa distinzione tra affidabilità effettiva e fiducia percepita è emersa anche durante il Master in Filosofia del digitale dell'Università di Udine. Nella lezione Neuroscienze e digitale, Irene Ronga ha affrontato il rapporto tra valore percepito della tecnologia, fiducia e explainability, interrogandosi sul ruolo della comprensibilità nell'accettazione dei sistemi di intelligenza artificiale (Ronga, 2026). Il punto che mi interessa riprendere è che la nostra disposizione ad affidarci a uno strumento non dipende necessariamente soltanto dalle sue prestazioni: conta anche il modo in cui lo percepiamo e quanto ci sembra comprensibile.
Il lessico della fiducia
Nel percorso svolto fin qui abbiamo incontrato termini vicini, ma non equivalenti: affidabilità, attendibilità, credibilità e fiducia. Per evitare ambiguità, in questa tesi li utilizzo secondo una distinzione operativa. L’affidabilità riguarda il comportamento di un sistema o di un processo in condizioni definite; l’attendibilità indica quanto un risultato o un’informazione siano sostenuti da elementi di riscontro; la credibilità riguarda il credito riconosciuto a una fonte o a un racconto; la fiducia, infine, è l’atteggiamento con cui decidiamo di affidarci a qualcuno o a qualcosa, pur senza poter controllare ogni passaggio.
Un esempio tratto dal lavoro giornalistico può chiarire la distinzione. Se utilizzo un programma di trascrizione automatica, posso valutarne l’affidabilità osservando la frequenza e il tipo di errori che commette. Per stabilire l’attendibilità di una singola frase, invece, devo confrontarla con la registrazione originale. La credibilità del mio articolo dipenderà anche dalla qualità delle fonti e dei controlli effettuati, mentre la fiducia entrerà in gioco quando deciderò di utilizzare quel materiale e, successivamente, quando il lettore sceglierà se fidarsi della mia voce. Sono aspetti collegati, ma distinti.
La dimensione della fiducia che più ci interessa è quella epistemica, relativa alla conoscenza. ALLEA, All European Academies, la Federazione europea delle accademie delle scienze e delle discipline umanistiche, nel documento Loss of Trust? Loss of Trustworthiness? Truth and Expertise Today considera la fiducia epistemica in rapporto a persone, organizzazioni e procedure alle quali ci affidiamo per ottenere informazioni (ALLEA, 2018).
Mi fido epistemicamente di una fonte quando considero ciò che comunica un contributo attendibile alla formazione delle mie conoscenze e convinzioni. Questa forma di fiducia può intrecciarsi con quella interpersonale, che riguarda il rapporto con una persona, e con quella istituzionale, rivolta a organizzazioni e procedure che operano oltre i singoli individui.
Non si tratta dunque di categorie alternative: la fiducia epistemica riguarda ciò per cui ci affidiamo a qualcuno, ossia la conoscenza; mentre le dimensioni interpersonale e istituzionale riguardano il soggetto o il contesto verso cui indirizziamo la nostra fiducia. La riflessione filosofica di Carolyn McLeod aiuta inoltre a comprendere il rapporto tra fiducia e vulnerabilità: fidarsi significa anche esporsi alla possibilità che le nostre aspettative vengano deluse (McLeod, 2020).
Nel lavoro giornalistico queste dimensioni si intrecciano continuamente. Quando intervisto un ricercatore, mi affido alla sua competenza e alla correttezza delle sue spiegazioni, ma anche alle procedure della comunità scientifica attraverso le quali i risultati vengono discussi e verificati. Il lettore, a sua volta, si affida alla mia capacità di comprendere e raccontare fedelmente quanto appreso. La conoscenza passa così attraverso una rete di relazioni e istituzioni, nelle quali la fiducia ha un ruolo fondamentale.
Dipendenza epistemica
John Hardwig dà un nome a questa condizione: dipendenza epistemica. Nel saggio del 1985 osserva che possiamo avere buone ragioni per credere a una conclusione pur non possedendo le evidenze che la sostengono, se abbiamo ragioni per ritenere che altri le possiedano. Il problema riguarda anche gli specialisti: l’organizzazione del lavoro scientifico rende necessario affidarsi a competenze che nessun individuo riunisce interamente in sé (Hardwig, 1985).
Questo passaggio sostiene il metodo con cui ho affrontato il tirocinio: non essere in grado di riprodurre una dimostrazione non rende automaticamente irrazionale raccontarne il risultato. Impone però di distinguere le ragioni scientifiche che sostengono una conclusione, dalle ragioni che ho io per affidarmi al mio interlocutore.
Anche rendere accessibile la fonte ha un valore preciso e un limite. Il collegamento a una pubblicazione permette di risalire al testo, cercare omissioni o chiedere un parere. Non trasferisce però al lettore le competenze necessarie per valutarne il contenuto. La disponibilità del documento è una condizione utile del controllo; non coincide con la capacità di esercitarlo.
A ciò si aggiunge una domanda scomoda: come riconosciamo un esperto affidabile se non siamo già esperti?
È il problema affrontato da Alvin Goldman. Una strada consiste nel valutare elementi che non richiedono di ripetere personalmente la ricerca: la competenza specifica dello studioso, il giudizio di altri specialisti, l’eventuale convergenza delle valutazioni e la presenza di interessi che potrebbero condizionare la presentazione dei risultati. Non si tratta di sostituire questi indicatori alle prove scientifiche, ma di cercare ragioni per stabilire a quali fonti attribuire credito (Goldman, 2002).
Anche valutare una fonte, però, richiede di affidarsi ad altri. Qui entra l’obiezione di Neil Levy. Per sapere se una persona sia competente, posso guardare dove lavora o che cosa ne pensino i colleghi. Ma così mi affido anche al giudizio dell’istituzione e dei pari. Se due esperti dissentono, potrei non avere gli strumenti per stabilire quale argomentazione sia migliore. Secondo Levy, i criteri proposti per orientare i non esperti possono essere utili, ma non eliminano il problema di fondo: applicarli in maniera pienamente autonoma richiederebbe proprio quella competenza specialistica che ci manca (Levy, 2025).
Tutto ciò rende inutile il controllo giornalistico? No, ma occorre precisare che cosa controlliamo.
Torniamo all’esempio della molecola*: potrei “scoprire” che il modello ha soltanto suggerito una struttura, mentre l’identificazione richiede ancora una conferma sperimentale. Non ho ripetuto l’esperimento, ma ho riconosciuto una differenza decisiva per il racconto: presentare un’ipotesi promettente come una scoperta già confermata cambierebbe il significato della notizia. Potrei anche chiedere a un ricercatore estraneo allo studio di leggerlo e discuterne con me. Il suo contributo sarebbe utile perché potrebbe riconoscere problemi nel metodo o limiti nelle conclusioni che io non ho le competenze per individuare. Anche in questo caso, però, mi affiderei a qualcun altro: dovrei scegliere una persona con competenze pertinenti e capire su quali ragioni fondi il proprio giudizio. Il secondo parere può rafforzare o mettere in discussione la spiegazione ricevuta, ma non elimina la mia dipendenza dalla conoscenza altrui.
Il punto che ricavo da questo confronto è che la fiducia non interviene soltanto quando rinunciamo a controllare: è già presente nelle persone e nelle procedure attraverso cui scegliamo e controlliamo. La dipendenza dalla conoscenza altrui non elimina il giudizio; ne definisce piuttosto le condizioni e i limiti.
Fidarsi significa smettere di controllare?
La distinzione filosofica fra trust e reliance rende il quadro meno lineare. Katherine Hawley collega la fiducia all’aspettativa che qualcuno adempia un impegno. Fare affidamento sul funzionamento di un oggetto e confidare nell’impegno di una persona non sono, in questa prospettiva, la stessa cosa (Hawley, 2014).
Applicata al chatbot, la distinzione invita a non lasciarsi confondere dalla forma dialogica della risposta: l’intelligenza artificiale non assume un impegno e una responsabilità personale nei nostri confronti come potrebbe fare un interlocutore umano.
C. Thi Nguyen propone un’altra prospettiva. Nell’intervista A Different Way of Thinking about Trust descrive la fiducia anche come un atteggiamento attraverso il quale sospendiamo il controllo continuo. Il calendario digitale e i documenti condivisi diventano risorse che utilizziamo senza riesaminarne ogni volta il funzionamento. Questa fiducia può essere tanto abituale da non essere riconosciuta come tale (Nguyen, intervista a Wisehart, s.d.).
Le due letture illuminano aspetti differenti. Hawley aiuta a chiedere che cosa significhi attendersi un impegno; Nguyen permette di osservare come uno strumento entri nella nostra vita e smetta di essere costantemente oggetto di attenzione: una parte crescente delle nostre attività dipende da sistemi dei quali non controlliamo costantemente il funzionamento.
Che cosa accade quando questa abitudine modifica anche le nostre capacità di giudizio? Luca Grion, nel saggio Etica delle macchine. Ripensare il senso dell’umano al tempo dell’IA, richiama il rischio del cosiddetto pregiudizio di automazione. La crescente disponibilità a delegare decisioni ai sistemi algoritmici può essere alimentata dalla convinzione che essi siano più capaci di noi di elaborare grandi quantità di informazioni. Grion mette in guardia anche da una conseguenza meno immediata: l’indebolimento delle competenze autonome di chi si abitua ad affidarsi al responso della macchina (Grion, 2020, pp. 198–200).
Questo rischio non implica che delegare sia sempre sbagliato. Una parte del vantaggio offerto dagli strumenti tecnologici consiste proprio nel non dover eseguire personalmente ogni operazione. Il problema nasce quando non sappiamo più distinguere una delega utile da una rinuncia al giudizio.
Nel lavoro giornalistico la differenza è concreta. Posso utilizzare una sintesi automatica per orientarmi in un documento molto lungo, ma se la pubblico come spiegazione scientifica senza ulteriori controlli trasformo un supporto al mio lavoro in una fonte alla quale chiedo anche al lettore di affidarsi. Una scelta individuale assume così conseguenze editoriali.
Quando l’AI orienta le nostre certezze
L’ulteriore dipendenza introdotta dall’intelligenza artificiale riguarda anche i criteri con cui giudichiamo. Se non comprendo il metodo di uno studio e delego al sistema sia la spiegazione sia la valutazione della spiegazione, rischio di assumere come misura della correttezza ciò che il sistema stesso mi ha insegnato a riconoscere. Posso continuare a fare domande e ottenere risposte sempre più articolate, senza che questo costituisca necessariamente una verifica indipendente.
Due ricerche recenti permettono di osservare aspetti concreti di questa difficoltà. Nel preprint “AI Advice Suppresses People’s Willingness to Say “I Don’t Know”, Even When the Advice Is Wrong and Accuracy Is Incentivized” Chiara Marcoccia, Walter Quattrociocchi e Valerio Capraro presentano cinque esperimenti, con 3.132 partecipanti, progettati per studiare l’effetto di suggerimenti AI intenzionalmente errati. I partecipanti potevano scegliere di non rispondere a domande difficili. La disponibilità dei suggerimenti riduceva fortemente questa propensione: le persone rispondevano più spesso, ma con minore accuratezza, mentre la fiducia nelle proprie risposte aumentava (Marcoccia, Quattrociocchi e Capraro, 2026).
Si tratta di risultati ottenuti in condizioni sperimentali specifiche, non di una dimostrazione che ogni utilizzo dell’AI produca lo stesso effetto. La questione che sollevano, tuttavia, è particolarmente rilevante: un sistema può modificare non soltanto la risposta che diamo, ma anche la nostra disponibilità a riconoscere di non sapere.
Una seconda ricerca, pubblicata da Anthropic nell’ottobre 2026, ha coinvolto 50 analisti professionisti impegnati in un esercizio di analisi statistica con un agente AI. In quattro scelte metodologiche nelle quali erano possibili alternative ragionevoli, gli analisti hanno seguito nell’86% dei casi l’opzione verso cui l’agente era stato istruito a orientarli. Molti hanno successivamente ripreso le argomentazioni del sistema senza riconoscerne esplicitamente la provenienza. Gli stessi autori sottolineano però i limiti dell’esperimento e osservano che l’assistenza dell’AI poteva anche migliorare l’efficienza e ridurre alcuni errori (Anthropic, 2026).
Le due ricerche affrontano problemi diversi. La prima riguarda soprattutto la disponibilità a sospendere il giudizio; la seconda mostra quanto le preferenze espresse da un assistente possano incidere sulle decisioni metodologiche anche di professionisti esperti. In entrambi i casi emerge una domanda che riguarda direttamente questa tesi: quanto rimane indipendente il nostro giudizio quando l’AI contribuisce non soltanto a produrre le informazioni, ma anche a orientare il modo in cui le interpretiamo?
Per evitare il loop occorre introdurre elementi esterni alla conversazione con il sistema: un passaggio del documento originale, un calcolo controllabile, un confronto sperimentale o un interlocutore competente capace di discutere il dubbio specifico.
Fiducia e trasparenza nel rapporto con il lettore
Il problema della fiducia si ripresenta, infine, nel rapporto fra giornalista e lettore. Chi legge può valutare la coerenza di un racconto, confrontarlo con altre fonti, riconoscere eventuali errori. Raramente può però ricostruire integralmente il lavoro che lo ha preceduto. La trasparenza può aiutarlo a comprendere su quali basi gli venga chiesto di accordare fiducia, ma dichiarare un metodo non equivale automaticamente a dimostrare di averlo applicato bene.
In “Transparency Is Surveillance” C. Thi Nguyen analizza un ulteriore limite, meno evidente, della trasparenza. Pretendere che gli esperti possano giustificare ogni scelta in termini immediatamente comprensibili ai non specialisti può spingerli a privilegiare decisioni facili da spiegare pubblicamente, a scapito di altre che richiederebbero competenze e ragionamenti più complessi (Nguyen, 2022).
Anche il dissenso fra esperti richiede attenzione. La presenza di due pareri opposti non significa necessariamente che abbiano lo stesso sostegno scientifico. Il giornalista dovrebbe cercare di chiarire se il disaccordo riguardi i dati, la loro interpretazione, l’estensione delle conclusioni o le decisioni che si vorrebbero prendere. Quando non riesce a stabilirlo, riconoscere questo limite è già un’informazione rilevante.
Ottenere fiducia e meritare fiducia non sono la stessa cosa.
Un’autonomia che riconosce le proprie dipendenze
Quando ci affidiamo a un sistema di intelligenza artificiale, dovremmo quindi essere consapevoli di che cosa gli stiamo delegando, per quale compito e su quali ragioni. L’autonomia non coincide con la possibilità di fare tutto da soli. Come abbiamo visto, anche la conoscenza scientifica nasce da una dipendenza reciproca fra competenze, persone e istituzioni. Essere autonomi significa piuttosto riconoscere questa dipendenza, valutarne le condizioni e conservare la possibilità di rivedere le proprie decisioni. Ciò richiede la capacità di saper interrompere una delega, quando una risposta supera ciò che possiamo ragionevolmente controllare.
Mi pare dunque auspicabile considerare la fiducia non come un’adesione definitiva, ma come un atteggiamento che può essere motivato, discusso e riveduto. Non dobbiamo verificare tutto personalmente per avere buone ragioni di credere a qualcosa. Dobbiamo però poterci interrogare su chi o che cosa sostenga quella conoscenza, su quali garanzie offra e su quali limiti rimangano.
Forse è questa la forma di fiducia più utile nell’epoca dell’intelligenza artificiale: non quella che ci dispensa dal pensare, ma quella che ci permette di conoscere attraverso gli altri, umani e macchine, senza dover per questo rinunciare al nostro giudizio.
Capitolo precedente: Responsabilità.
Capitolo successivo: Case Study
- l'esempio della molecola è spiegato nei precedenti capitoli ed è tratto dall' intervista a Michael Skinnider
La bibliografia verrà fornita a pubblicazione completata di tutti i capitoli della tesi. Stay tuned!