De ce Web-ul Semantic a eșuat și de ce LLMs-urile se lovesc de aceeași problemă

Cu două decenii în urmă, Clay Shirky a publicat un eseu scurt și tăios care demola viziunea W3C pentru Web-ul Semantic. Argumentul lui central era elegant: Web-ul Semantic era, în esență, „o mașină de creat silogisme", iar silogismele, oricât de atrăgătoare teoretic, nu funcționează în realitatea haotică a modului în care oamenii codifică și transmit cunoașterea.

Să luăm exemplul canonic de la Aristotel:

• Oamenii sunt muritori
• Grecii sunt oameni
• Deci, grecii sunt muritori

Curat. Logic. Devastator de nepractic pentru majoritatea raționamentelor din viața reală.

Shirky a arătat că dacă știi că „Clay Shirky este creatorul shirky.com" și „creatorul shirky.com locuiește în Brooklyn", poți deduce că locuiește în Brooklyn. Dar dacă apoi combini asta cu „Persoanele care locuiesc în Brooklyn vorbesc cu accent de Brooklyn", ai ajunge să concluzionezi—incorect—că Shirky pronunță „shirky.com" ca „shoiky.com".

Problema nu e logica. Problema e că lumea reală nu se organizează în afirmații curate și universal adevărate, gata să fie recombinate.

Ce s-a întâmplat, de fapt

Web-ul Semantic, așa cum a fost conceput inițial, nu s-a materializat niciodată în vreun sens real. RDF, OWL și restul stack-ului semantic au devenit curiozități academice și instrumente de integrare enterprise, nu framework-ul universal pentru raționamentul automat pe care Tim Berners-Lee și l-a imaginat. Predicțiile grandoase despre „raționament mașinal ubicuu și devastator de puternic" s-au evaporat.

Dar iată ce face eseul lui Shirky worth revisiting în 2025: tensiunea fundamentală pe care a identificat-o nu a dispărut. S-a mutat doar în altă arenă.

Revenirea în forță

Astăzi, trăim printr-un nou val de optimism în ceea ce privește raționamentul automat, de data aceasta alimentat de large language models și rețele neuronale în loc de logică simbolică. Promisiunile sunt familiare: sisteme AI care pot analiza cantități masive de date, deriva insight-uri și face conexiuni pe care oamenii nu le-ar putea sesiza.

Unele lucruri s-au schimbat. LLMs-urile moderne nu se bazează pe deducție silogistică formală. Funcționează prin recunoaștere statistică de pattern-uri la scară masivă, producând rezultate impresionante care adesea par să fie „înțelegere". Însă provocarea fundamentală pe care Shirky a identificat-o persistă: cum gestionezi cunoașterea care e parțială, contextuală sau pur și simplu greșită?

Când un LLM afirmă încrezător ceva care sună plauzibil dar nu e adevărat, nu face o eroare logică. Reflectă realitatea haotică că textul generat de oameni conține contradicții, presupuneri culturale, informații depășite și ficțiune pură—toate amestecate laolaltă. „Cunoașterea" nu e organizată curat. Nu a fost niciodată.

Calea de mijloc: Knowledge Graph-urile

Interesant e că succesorii practici ai viziunii pentru Web-ul Semantic nu sunt deloc semantici—sunt probabilistic. Knowledge Graph-ul Google, care alimentează multe dintre funcțiile de căutare, nu raționează despre afirmații formale. Menține o bază de date vastă de entități și relații, dar e construit și întreținut prin machine learning, curatare umană și actualizări constante. E util tocmai pentru că nu încearcă să fie logic pur.

Această abordare—pragmatică, haotică, constant validată împotriva realității—s-a dovedit mult mai valoroasă decât Web-ul Semantic, teoretic pur, nu ar fi putut fi vreodată.

Ce a prins Shirky

Insight-ul central rămâne valabil: raționamentul deductiv, fie că e implementat prin logică formală sau prin rețele neuronale care îl mimează, se chinuie cu diferența dintre modul în care cunoașterea e reprezentată și modul în care e de fapt adevărată.

Sherlock Holmes al lui Doyle ne spunea că mintea strălucită elimină imposibilul și ajunge la adevărul inevitabil. Dar majoritatea „cunoașterii" din lumea reală nu e organizată așa. E parțială. E contextuală. E încărcată cu presupuneri nedeclarate care nu se transferă de la un domeniu la altul.

Sistemele AI care au transformat cu adevărat industriile—de la motoarele de recomandare la instrumente de traducere și completare de cod—nu au reușit prin stăpânirea raționamentului silogistic. Au reușit prin găsirea de pattern-uri utile în date haotice, acceptând incertitudinea și rămânând uneori greșite, fără să explodeze.

Lecția pentru builderii de azi

Dacă construiești cu AI azi, eseul lui Shirky rămâne lectură esențială—nu pentru că a prezis viitorul, ci pentru că a diagnosticat o provocare fundamentală care persistă indiferent de tehnologia la modă.

Întrebarea nu e dacă mașinile pot raționa. Pot, în anumite feluri. Întrebarea e dacă cunoașterea cu care lucrezi e organizată într-un mod care susține tipul de raționament pe care încerci să-l faci.

Majoritatea timpului, nu e. Și asta nu e un bug de remediat—e o caracteristică a modului în care cunoașterea funcționează, de fapt.

Eșecul Web-ului Semantic nu a fost un eșec al ambiției. A fost un eșec de a înțelege că cunoașterea umană e fundamental diferită de ceea ce logica formală are nevoie să fie. Instrumentele care au reușit de atunci au fost cele care au acceptat această realitate și au lucrat cu ea, nu împotriva ei.

Asta e moștenirea reală a eseului lui Shirky din 2003: nu o predicție despre RDF sau OWL, ci un reminder că inteligența—în mașini și oameni—nu funcționează așa cum intuițiile noastre ne spun că ar trebui.