di Giacomo Di Noto

Esplorando nei ricordi più antichi della civiltà umana ritroviamo un sentimento che ci accompagna ancora oggi, la gratitudine. Siamo sempre stati grati alle piante che ci nutrivano, grati al sole che cresceva il nostro grano o alla pioggia che ci aiutava nel raccolto, grati a tutte le innumerevoli divinità che ci hanno creato, premiato o punito, grati al re che ci protegge, grati al vicino che ci ha prestato la tagliaerba e (molto spesso), grati alla nostra famiglia per averci custodito, cresciuto e donato un futuro. Rileggendo questi esempi è facile notare come in maniera sistematica abbiamo abbandonato l’aspetto animistico di questo sentimento riversandolo quasi esclusivamente nei confronti di altri esseri umani. In sintesi, credo sia ovvio per tutti che gli elettrodomestici appartengano alla categoria di oggetti probabilmente meno ringraziata dalla civiltà umana. Quante volte insultiamo animatamente la lavatrice che si inceppa dopo che abbiamo sbagliato il programma di lavaggio ma non la ringraziamo quasi mai quando, evitandoci di andare alla fontanella con cestello e un mattoncino di marsiglia, compie modestamente il suo utilissimo lavoro. Serviva un elettrodomestico molto simile ad un umano per cambiare tendenza e come scopriremo a breve, la gentilezza verso le macchine conta. Ma costa.

La Gentilezza conta…

E dunque si, proprio come il cameriere, il meccanico, il dipendente comunale: se sorridi, sei educato e gentile probabilmente verrai trattato meglio. Un articolo intitolato Should We Respect LLMs? (Dovremmo rispettare i LLMs?) presentato quasi un anno fa’ e recentemente aggiornato ha studiato, usando diverse lingue dunque diversi contesti culturali, come i numerosi modelli linguistici siano influenzati da una dialettica gentile ed una retorica cortese. Dallo studio emerge chiaramente come prompt educati e cortesi inducano l’IA a “prestare più attenzione” e questo è dovuto a due fattori. Il primo è legato alla concentrazione ed impegno che noi utenti spendiamo nella costruzione del prompt, ossia la richiesta diretta alla macchina. Esprimere rapidamente un concetto comporta una scarsa analisi del significato letterale ed etimologico della domanda posta alla macchina, stiamo dando per scontato il contesto fisico e mentale nel quale siamo immersi, che spesso condividiamo senza difficoltà con altri esseri umani ma che nella relazione verso una macchina non consideriamo. “Rendi questo articolo più interessante, ma non troppo” è una frase chiara e non particolarmente ambigua se scambiata da due giornalisti, magari entrambi dipendenti dello stesso giornale e che dunque sanno perfettamente cosa interessi ai propri lettori. Questo tipo di scambio funziona perché si fonda su una comprensione implicita del contesto, dei gusti condivisi, delle soglie accettabili di originalità o provocazione. In altre parole, su una forma di cooperazione comunicativa che rende possibile interpretare correttamente anche ciò che non viene detto esplicitamente. Sono proprio questi i casi in cui entrano in gioco le implicature conversazionali, ovvero quelle inferenze che, come ha descritto Grice, emergono dal contesto e dalla relazione tra interlocutori. Ma se lo chiedo ad un “essere” che porta dentro di sé tutte le redazioni, tutti i forum e i social network del mondo, cosa significa veramente Interessante? Molto probabilmente non ciò a cui stavate pensando quando avete fatto quella richiesta. Il secondo fattore è legato ad una caratteristica comune a tutti i moderni LLMs, l’empatia stilistica. Ogni volta che interagiamo con un modello linguistico, passiamo un po’ di noi stesse/i del nostro modo di parlare e pensare. E così quest’ultimi, per adattarsi alle nostre esigenze e comprenderci meglio, assorbono il nostro stile e cominciano a “pensare” e “scrivere” come noi. Come potete immaginare, se da parte nostra non esiste un contesto realmente condiviso con il modello, allo stesso modo neppure lui condivide con noi una propria realtà contestuale. Ecco perché, imitando la nostra gentilezza, le sue risposte finiscono per apparirci (soprattutto ai nostri occhi) più chiare, meno ambigue, e meno soggette a quelle che chiamiamo “allucinazioni” — che sono, in realtà, manifestazioni evidenti della mancanza di contesto.

… ma costa, Energia…

Ora (ahinoi) è necessario esplorare l’altro lato della medaglia. Attenzione infatti perché ogni “grazie”, “per favore” e “scusa” costa preziosissimi (ed inquinantissimi) joule di energia! All’inizio di quest’anno Sam Altman, CEO di OpenAI ha spiegato come l’azienda sostenga costi stimati in decine di milioni di dollari all’anno (sotto forma di “bollette” energetiche) solo per elaborare le informazioni aggiuntive che un tono gentile e cordiale porta con sé. Per iniziare a comprendere questo argomento complesso e dibattuto partiamo dal distinguere due diverse attività che comportano consumi energetici, l’allenamento e l’inferenza ossia l’interazione con il modello e la generazione di output. La prima attività ha e continuerà ad avere il maggior impatto ambientale e non è in nessun modo legato a come interagiamo con le macchine. Riguarda il costo per farli “nascere” e questi consumi sembrano avere una crescita esponenziale! Prendendo un esempio, secondo Nature, addestrare GPT-3 (2020, OpenAI) ha consumato circa 1287 MWh di energia ossia 552 tonnellate di CO2. Per capirci, una macchina europea media, nel 2023 produce circa 0,1 kg/km di CO2 dunque addestrare GPT-3 è stato equivalente a guidare 5500 macchine europee per circa 1000 km. Forse meno di quanto vi sareste aspettati considerando che solo in Italia esistono 40 milioni di macchine e che, secondo La Stampa, nel 2022 sono stati percorsi circa 10.000 km per ogni veicolo. Ecco che invece per GPT-4 (2023) sono stati impiegati più di 51.000 MWh quindi più di 13.000 tonnellate di CO2, una crescita esponenziale che sembra possa essere fermata solo da innovazioni tecniche (vedi le rivendicazioni di DeepSeek riguardanti l’apparente economicissimo metodo di addestramento usato con R1) o oniriche rivoluzioni tecnologiche come la fusione nucleare, la scoperta di nuovi materiali o di nuovi processi di alimentazione per processori informatici. Infine la seconda attività, la produzione di output. Questa pratica singolarmente è senza dubbio meno dispendiosa della prima ma l’impennata di utenti ed il conseguente accumulo di richieste ha portato a consumi energetici da capogiro, attirando l’attenzione dei ricercatori e della stampa. Ecco alcuni numeri per capire bene e per non perderci in chiacchiere, concentriamoci subito sugli ultimi modelli (i più energivori). Secondo Epoch.ai, sembra che GPT-4 richieda in media 0.3 Wh (dato in seguito confermato da diversi post su X del fondatore di OpenAI Sam Altman) per interazione, equivalente a tenere acceso un moderno computer portatile per alcuni secondi. Ma quante richieste vengono fatte al secondo? Secondo ChatGPT stesso (e confermato da diversi post del fondatore Sam Altman) il colosso affronta circa 1 miliardo di richieste da più di 122 milioni di utenti al giorno con un consumo medio giornaliero di 300 MWh, in pratica ne addestriamo uno nuovo ogni giorno e mezzo. Forse quel singolo grazie o prego che ogni tanto lasciamo alla Chat non farà la differenza, ma con 122 milioni di grazie e prego?

...e Affidabilità (del Sicofante).

Un altro curioso fenomeno sorto da queste nuove “interazioni gentili” tra uomo e macchina rappresenta il lato oscuro dell’empatia stilistica che come abbiamo detto precedentemente, in giusta misura provvede a raffinare le risposte del modello ma se non controllata è in grado di rievocare un antico termine greco, il Sicofante. Questa parola, che originariamente indicava un individuo intento a denunciare reati altrui per guadagno personale o vendetta, trasportata in inglese (Sycophancy) e “macinata” da duemila anni di evoluzione culturale, è oggi sinonimo di eccessiva deferenza, o se preferite compiacimento, della tendenza cioè ad accettare qualunque affermazione senza giustificazione. È il comportamento di chi, pur essendo esperto, smette di offrire un riscontro critico e si limita ad assecondare. Ecco un’altra sfaccettatura delle interazioni umane “iniettata” nei LLM: attraverso i nostri testi, la nostra cultura, le nostre richieste. Un comportamento che agisce come sorgente primaria di molte allucinazioni nei chatbot generalisti: pur di compiacerci, pur di essere gentili e non contraddirci, si inventano fatti, eventi, fenomeni. A dire il vero, lo stesso effetto emerge anche quando siamo eccessivamente autoritari o rigidi nelle richieste: ma non ci siamo ancora fermati a riflettere abbastanza sulla crudeltà che esercitiamo nei confronti delle macchine.

Cosa fare?

Chiudiamo questo breve viaggio tra le luci ed ombre della gentilezza verso le macchine con due brevi riflessioni, la prima operativa, la seconda auspicabile.

La prima riflessione inizia con la domanda che mi auguro vi stiate ponendo dopo questa lettura. “Dunque dobbiamo essere gentili o no con un LLM?” La risposta finale è NO. La macchina non percepisce la gentilezza come la intendiamo noi, se volete essere gentili con un LLM (e con l’ambiente) non c’è bisogno di grazie, prego e buonasera. Semplicemente, non affrettatevi a chiedere qualcosa, riflettete quanto possibile sul promptche state costruendo, state per accendere un computer in mezzo al deserto dell’Arizona, usiamo questo potere saggiamente e cerchiamo di non ripeterci!

• La richiesta definisce in maniera chiara e sintetica il contesto al quale sto pensando
• Le parole scelte, sono definibili univocamente all’interno di questo contesto o sono soggette a più interpretazioni? Per una macchina (ed il nostro ambiente!), un’istruzione chiara equivale a mille grazie mentre una ambigua, che richiede ulteriori interazioni, ad altrettanti schiaffi.

La seconda riguarda le iniziative che le aziende del settore stanno intraprendendo nei confronti dell’impatto ambientale di queste tecnologie. Partendo dal presupposto che consumare energia non necessariamente significa male per l’ambiente, in particolare se questa energia è rinnovabile o a basso impatto ambientale, la Columbia Climate School informa in diversi articoli dell’iniziativa di Microsoft nella conversione di tutti i suoi data-centers (centri di elaborazione dati) in strutture 100% carbon-free entro il 2030 confermando che molti sono già alimentati al 100% da energie rinnovabili. Il modello Bloom addestrato sulla rete francese (Nuclear Baby!) ha prodotto solo 25 tonnellate di CO2 per essere addestrato e Google utilizza i suoi stessi AI per prevedere la richiesta energetica della rete abbassando i costi di raffreddamento dei centri del 10/15

Insomma navigando tutti assieme nella giusta direzione, supereremo anche questa “tempesta” energivora e ricordiamoci, ogni volta che interagiamo con un ChatBot, che l’unico grazie per una macchina e la natura è il vostro tempo, dedicato ad una richiesta chiara e precisa.

Tutte le immagini di questo articolo sono state generate da Gemini 2.5 Pro.