Lo sguardo di silicio, se l’AI vede il mondo soltanto con gli occhi dell’Occidente anglofono

Provate a chiedere a ChatGPT dove vivono le persone più intelligenti del mondo. Poi chiedetegli dove si trovano i più creativi. Infine, dove abitano i più felici. Le risposte, stando a uno studio pubblicato nel 2026 sulla rivista scientifica “Platforms & Society” da ricercatori dell’Oxford Internet Institute, saranno quasi sempre le stesse: America del Nord, Europa occidentale, alcune aree dell’Asia orientale. L’Africa subsahariana, il Medio Oriente, l’America Latina tenderanno a scivolare verso il basso. Ogni volta. Questo fenomeno ha ora un nome, ossia “silicon gaze”, lo sguardo di silicio - una metafora tanto precisa quanto inquietante, che descrive il modo in cui i grandi modelli linguistici (i sistemi IA che alimentano ChatGPT, Gemini, Claude e molti altri strumenti che usiamo ogni giorno) riproducono e amplificano le disuguaglianze culturali che esistono nel mondo reale.

Lo studio che ha coniato il termine non si basa su impressioni o aneddoti: i ricercatori Francisco W. Kerche, il Prof. Matthew Zook e il Prof. Mark Graham hanno sottoposto ChatGPT a più di 20,3 milioni di query geolocalizzate, mappando sistematicamente come il modello risponde quando si parla di paesi, città, quartieri e culture diverse – e il quadro che emerge è incredibilmente netto. Nello specifico, ricercatori identificano cinque tipologie di bias: Il primo è quello relativo alla disponibilità, secondo cui alcune culture semplicemente non esistono abbastanza in rete in inglese, e di conseguenza non esistono “abbastanza” per essere presi in considerazione dall’intelligenza artificiale. Poi c’è il bias di schema, per cui il modello tende a ripetere associazioni ricorrenti nei testi di addestramento, anche quando sono stereotipi. Il terzo è il bias di appiattimento: la complessità culturale viene ridotta a una media, perdendo sfumature. Poi il quarto, che è quello che non ci sorprenderà, in quanto è il bias del luogo comune: emergono cliché consolidati, difficili da sradicare proprio perché sono ovunque nei dati. Infine, il bias per procura, ossia quando il pregiudizio non appare direttamente, ma attraverso variabili intermedie come PIL, popolazione anglofona, presenza sui media internazionali. Il problema non riguarda solo le classifiche di felicità o creatività, quanto la conoscenza concreta, quella che usiamo ogni giorno.

Roberto Navigli, ordinario di informatica alla Sapienza di Roma e tra i principali ricercatori europei nel campo del linguaggio computazionale, usa un esempio molto interessante: chiedete a un modello americano chi ha vinto il Premio Strega nel 1957. Quasi certamente inventerà un nome plausibile perché per i dataset su cui è stato addestrato la letteratura italiana è paragonabile ad una mera nota a piè di pagina. Lo studio dell’Università Sapienza e di Babelscape, presentato nel corso della conferenza LREC 2026, arriva a una conclusione simile: i grandi modelli linguistici non comprendono tutte le culture allo stesso modo. Alcune le conoscono benissimo, di altre hanno una percezione approssimativa costruita per inferenza da testi in inglese che le descrivono dall’esterno. La differenza non è di poco conto: è la differenza tra capire una cultura e averne sentito parlare. La risposta della Sapienza è Minerva AI, il primo LLM italiano addestrato mettendo l’italiano al centro come lingua primaria e non come traduzione dall’inglese.

Un tentativo concreto di rompere il monopolio dello sguardo anglocentrico, ma che si inserisce in un contesto sempre più ampio: in Europa, infatti, si moltiplicano i progetti di sovranità linguistica dell’AI, mentre la Commissione Europea lavora a strategie open source che vadano nella stessa direzione. La parte più scomoda dello studio prodotto dall’Oxford Internet Institute è che il bias non è un errore correggibile con un aggiornamento, ma è strutturale. «Poiché i LLM sono addestrati su dataset plasmati da secoli di esclusione e rappresentazioni diseguali», scrivono i ricercatori, «il bias è una caratteristica dell’AI generativa, non un’anomalia». Di fatto, se ci pensiamo, lo stesso internet è squilibrato: la produzione culturale digitale globale è squilibrata; la stessa AI, addestrata su quella produzione, eredita e spesso amplifica quello squilibrio. È come se avessimo costruito una biblioteca universale in cui i libri di certi Paesi occupano intere sezioni, mentre altri hanno un solo scaffale – e poi avessimo incaricato un bibliotecario di rispondere a qualsiasi domanda sulla cultura umana. C’è poi un ulteriore livello di complessità: uno studio separato ha provato ad analizzare quasi 76.000 interazioni con modelli di OpenAI, Anthropic e Google, rilevando quello che i ricercatori chiamano “effetto accumulo”. Secondo l’analisi, infatti, i chatbot si “contagiano” con il tono delle conversazioni precedenti: ad esempio, se leggono molti esempi negativi diventano più severi, se leggono messaggi positivi diventano più indulgenti – il risultato? Il bias negativo risulta 1,6 volte più forte di quello positivo. Il concetto di “silicon gaze” non nasce, però, dal nulla: richiama in modo consapevole quello di “male gaze” teorizzato dalla critica cinematografica Laura Mulvey negli anni Settanta, secondo cui lo sguardo maschile plasmava e strutturava la rappresentazione delle donne nel cinema classico hollywoodiano.

Proprio come il male gaze, lo sguardo di silicio non è uno sguardo deliberatamente ostile: è uno sguardo che non sa di essere parziale, e che proprio per questo è più difficile da riconoscere e contestare. Con una differenza: il male gaze agiva attraverso singoli autori, singoli film, singoli sguardi; lo sguardo di silicio, invece, agisce attraverso sistemi che rispondono a miliardi di persone ogni giorno, in modo apparentemente oggettivo, con la voce sicura di qualcosa che sembra sapere tutto.

Le risposte esistono, anche se nessuna è semplice. Sul piano tecnico, si lavora a dataset più diversificati, a modelli addestrati su lingue non anglofone come lingua primaria (Minerva AI ne è un esempio), a metodologie di audit sistematico come quello condotto da Oxford. Sul piano politico, la Commissione Europea sta cercando di costruire un’infrastruttura AI che non dipenda interamente da colossi americani – ovviamente, con tutte le difficoltà che questo comporta. Ma forse la risposta più immediata è più semplice: sapere che lo sguardo di silicio esiste. Riconoscere che quando chiediamo a un’AI un giudizio, una valutazione, una rappresentazione, non stiamo interrogando uno specchio neutrale — stiamo chiedendo a qualcosa che ha imparato a guardare il mondo da una prospettiva molto specifica, e che non sa di farlo. E il primo passo per correggere uno sguardo distorto è accorgersi che lo è, appunto.