Il fantasma della logica perfetta

Vent'anni fa, Clay Shirky pubblicò un saggio breve e tagliente. Il bersaglio? La visione del Web Semantico promossa dal W3C. La sua tesi era elegante: il Web Semantico era, nella sostanza, una "macchina per creare sillogismi". E i sillogismi, per quanto affascinanti in teoria, non funzionano nella realtà caotica di come gli esseri umani producono e trasmettono conoscenza.

L'esempio classico, che viene da Aristotele:

• Gli esseri umani sono mortali
• I greci sono esseri umani
• Quindi i greci sono mortali

Pulito. Logico. Terribilmente inutile nella maggior parte dei ragionamenti reali.

Shirky faceva notare che se sai che "Clay Shirky è il creatore di shirky.com" e che "il creatore di shirky.com vive a Brooklyn", puoi dedurre che abita a Brooklyn. Ma se poi combini questa informazione con "le persone che vivono a Brooklyn parlano con l'accento di Brooklyn", arrivi alla conclusione — sbagliata — che Shirky pronunci "shirky.com" come "shoiky.com".

Il problema non è la logica. Il problema è che il mondo reale non si organizza in asserzioni pulite e universalmente vere, pronte per essere ricombinate.

Cosa è successo davvero

Il Web Semantico, come era stato originariamente concepito, non si è mai materializzato in modo significativo. RDF, OWL e tutto il resto dello stack semantico sono diventati curiosità accademiche e strumenti di integrazione enterprise. Non il framework universale per il ragionamento automatico immaginato da Tim Berners-Lee. Le previsioni grandiose su un ragionamento automatico "ubiquo e devastantemente potente" si sono dissolte.

Ma ecco cosa rende il saggio di Shirky rilevante nel 2025: la tensione di fondo che lui aveva identificato non è scomparsa. Si è solo spostata su un altro terreno.

Il ritorno in grande stile

Oggi stiamo vivendo un'altra ondata di ottimismo sul ragionamento automatico, questa volta alimentata da large language models e reti neurali invece che dalla logica simbolica. Le promesse sono familiari: sistemi di AI che analizzano enormi quantità di dati, estraggono insight e trovano connessioni che gli esseri umani non vedrebbero.

Alcune cose sono cambiate. I moderni LLM non si basano su deduzione sillogistica formale. Funzionano attraverso riconoscimento statistico di pattern su scala massiva, producendo risultati impressionanti che spesso sembrano "comprensione". Eppure la sfida fondamentale identificata da Shirky resta: come gestisci una conoscenza che è parziale, contestuale, o semplicemente sbagliata?

Quando un LLM afferma con sicurezza qualcosa che suona plausibile ma non è vero, non sta commettendo un errore logico. Sta riflettendo la realtà caotica che il testo generato dagli esseri umani contiene contraddizioni, assunzioni culturali, informazioni obsolete e pura finzione — tutto mescolato insieme. La "conoscenza" non è organizzata in modo pulito. Non lo è mai stata.

Il middle ground dei Knowledge Graph

È interessante notare che i successori pratici della visione del Web Semantico non sono affatto semantici — sono probabilistici. Il Knowledge Graph di Google, che alimenta molte delle sue funzionalità di ricerca, non ragiona su asserzioni formali. Mantiene un enorme database di entità e relazioni, ma viene costruito e aggiornato attraverso machine learning, curation umana e aggiornamenti costanti. È utile proprio perché non cerca di essere logicamente puro.

Questo approccio — pragmatico, caotico, costantemente validato contro la realtà — si è rivelato molto più prezioso di quanto il Web Semantico teoricamente puro avrebbe mai potuto essere.

Cosa Shirky aveva capito

L'insight centrale resta valido: il ragionamento deduttivo, che sia implementato attraverso logica formale o reti neurali che la imitano, fatica con il divario tra come la conoscenza è effettivamente rappresentata e come è effettivamente vera.

Holmes di Doyle ci diceva che la mente brillante elimina l'impossibile e arriva alla verità inevitabile. Ma la maggior parte della "conoscenza" del mondo reale non funziona così. È parziale. È contestuale. È carica di assunzioni non dette che non si trasferiscono da un dominio all'altro.

I sistemi di AI che hanno davvero trasformato le industrie — dai motori di raccomandazione agli strumenti di traduzione fino al code completion — non ci sono riusciti padronggiando il ragionamento sillogistico. Ci sono riusciti trovando pattern utili in dati caotici, accettando l'incertezza, e sbagliando sometimes senza esplodere.

La lezione per chi costruisce oggi

Se stai costruendo con l'AI oggi, il saggio di Shirky resta una lettura fondamentale — non perché abbia predetto il futuro, ma perché ha diagnosticato una sfida fondamentale che persiste indipendentemente dalla tecnologia del momento.

La domanda non è se le macchine possono ragionare. Possono, in modi specifici. La domanda è se la conoscenza con cui stai lavorando è organizzata in un modo che supporta il tipo di ragionamento che stai cercando di fare.

La maggior parte delle volte, non lo è. E non è un bug da correggere — è una caratteristica di come funziona realmente la conoscenza.

Il fallimento del Web Semantico non è stato un fallimento di ambizione. È stato un fallimento nel capire che la conoscenza umana è fondamentalmente diversa da ciò che la logica formale richiede che sia. Gli strumenti che hanno avuto successo da allora sono stati quelli che hanno accettato questa realtà e hanno lavorato con essa, non contro di essa.

Questo è il vero lascito del saggio di Shirky del 2003: non una predizione su RDF o OWL, ma un promemoria che l'intelligenza — nelle macchine e negli esseri umani — non funziona come le nostre intuizioni ci dicono che dovrebbe.