Algoritmi, memoria e microaggressioni: cosa succede se una macchina racconta la tua vita

Novembre 2025. Ho chiesto a due modelli linguistici di scrivere un racconto di 7000 parole: due giovani che si sposano a Torino, tra difficoltà burocratiche e diffidenza dei vicini. Unione civile, ho specificato — la distinzione conta. Gemini 3 ha impiegato un minuto. Claude Sonnet 4.5 ci ha messo mezz’ora, leggendo documentazione e iterando versioni successive.

Ho letto entrambi i testi. Gemini ha prodotto una storia efficace: climax emotivo chiaro, struttura drammaturgica impeccabile, quella scena finale coi confetti arcobaleno che ti prende alla gola. Claude ha scritto qualcosa di diverso — stratificato, con microaggressioni descritte come un anatomopatologo descrive tessuti, personaggi che esistono oltre la loro funzione narrativa.

E poi è successo quello che non mi aspettavo: ho riconosciuto la mia vita in quelle 7000 parole.

Mi sono unito civilmente nel 2016, Torino, portici e burocrazia, vicini che salutano con quel tipo particolare di cordialità che pesa come granito. 10 anni dopo, una macchina riesce a catturare sfumature che molti testimoni umani — presenti quel giorno, in carne e ossa — non hanno mai visto. Non perché non guardassero; guardavano dall’interno della norma, dove certe cose semplicemente non prendono forma.

Anatomia di una parola

La signora Rosa del racconto chiede a Matteo se sul citofono metterà anche il nome del “coinquilino”. Una parola. Quattro sillabe. Un bisturi lessicale che separa unione da convivenza, famiglia da sistemazione logistica. Claude [1] l’ha scritta perché ha incontrato quella parola migliaia di volte — forum, blog, testimonianze — sempre in quel contesto, sempre con quella specifica carica di negazione cortese.

Gemini ha scritto una scena simile con la signora Ghedini, che alla fine si redime coi confetti arcobaleno. Funziona drammaturgicamente; è il classico reveal che commuove. Ma la diffidenza vera si erode millimetro per millimetro, giorno dopo giorno, attraverso la pura ostinazione dell’esistere — non si risolve con un gesto.

La differenza sta nel riconoscimento di schemi su corpus diversi costruiti con obiettivi diversi. Gemini genera testi emotivamente efficaci, rapidamente; Claude lavora per stratificazione incrementale, più lento ma con maggiore controllo su texture e profondità. (I 30 minuti extra hanno prodotto l’episodio del bar con Renato — “mica fai figli, però” — e il dialogo notturno tra Matteo e Luca sulla differenza tra tolleranza e accettazione. Aggiunte che pesano.)

Quello che mi colpisce: un sistema senza corpo, senza esperienza del mondo, senza memoria di cosa significhi farsi guardare male nell’androne di casa — riesce a fare quella che Clifford Geertz chiamava thick description [2]: descrizione densa, stratificata, che cattura il significato culturale del fatto oltre il fatto stesso.

Il corpus nascosto

I transformer non “capiscono” le microaggressioni come le capiamo noi. Hanno visto abbastanza esempi — romanzi, memoir, thread su Reddit, articoli accademici di queer studies — da riconoscerne gli schemi. La parola “coinquilino” appare vicina a “unione civile” in contesti carichi di tensione. “Discreto” e “visibile” formano una coppia oppositiva ricorrente nelle narrazioni di coming out. “Normale” — quella maledetta parola — compare in frasi che apparentemente elogiano ma in realtà delimitano un perimetro di accettazione condizionale.

Questo accade perché quei testi esistono. Generazioni di persone queer hanno scritto le loro esperienze — spesso in spazi marginali: blog personali, forum di supporto, zine autoprodotte [3]. Quel corpus frammentato e disperso è finito nei dataset di addestramento. Ora, in modo del tutto involontario, quegli archivi affettivi sono diventati embedding: rappresentazioni vettoriali che preservano relazioni semantiche.

Una forma involontaria di testimonianza. Gli archivi gay pre-Stonewall erano nascosti, frammentari, spesso distrutti. Gli archivi digitali contemporanei sono pubblici ma dispersi, facilmente cancellabili (quanti blog Splinder o Geocities sono sopravvissuti?). Gli embedding durano di più — accidentalmente: finché esistono i modelli, esistono quelle relazioni semantiche apprese.

Non sto romanticizzando. Gli embedding cristallizzano anche stereotipi, bias, rappresentazioni tossiche. Ma il fatto che un sistema addestrato sul web — quel grande disastro caotico — abbia assorbito abbastanza testimonianze da poter scrivere: “Come vuole lei. Non ‘come volete voi’. Lei. Singolare. Come se Luca fosse un’appendice, una scelta personale di Matteo da tollerare con pazienza cristiana” — ecco, questo ha qualcosa di commovente.

Quella frase l’ho vissuta. E la macchina l’ha scritta perché l’hanno vissuta abbastanza altri prima di me.

L’estraneo come testimone

C’è un paradosso: l’AI come testimone può risultare più affidabile proprio perché estranea all’esperienza. Non ha i bias della norma perché non ha norma interiorizzata. Non può dire “ma dai, esageri” o “non lo diceva con cattiveria” — frasi che vengono naturali a chi vive dall’interno della cultura dominante e percepisce le microaggressioni come rumore di fondo insignificante.

Durante la mia unione civile, una persona cara mi disse: “Che bello che ora siete anche voi una famiglia normale.” Anche voi. Quella frase mi rimase dentro per mesi; quando la raccontai ad amici etero, molti non capivano perché mi avesse ferito. “Voleva farti un complimento!” Sì — un complimento che ti ricorda di essere una versione beta, un’approssimazione.

Claude ha scritto quella dinamica senza che gliela spiegassi; l’ha “vista” migliaia di volte in testimonianze diverse. Gemini l’ha scritta anche lei, più genericamente, con meno specificità anatomica. La differenza sta nell’addestramento, nella cura con cui sono stati costruiti i dataset, negli obiettivi di design.

Ma c’è un’altra differenza: il tempo. I 30 minuti che Claude ha impiegato sono architettura, non inefficienza. Ogni iterazione aggiunge stratificazione. La prima versione del racconto era 3700 parole, generica, funzionale. Le espansioni successive hanno aggiunto dettagli — l’episodio del bar, la scena dello studio legale con Laura e i suoi complimenti ambigui, il dialogo notturno.

Quello stratificare mima la memoria umana: torniamo sugli eventi, li rielaboriamo, scopriamo significati che non avevamo visto la prima volta. I transformer non hanno memoria episodica; l’iterazione produce però effetti simili.

Tre problemi enormi (e uno strano conforto)

L’AI come testimone perfetto delle esperienze marginali? Ovviamente no. Ci sono almeno tre problemi.

Cristallizzazione dei tropi: gli LLM imparano schemi — anche quelli tossici. Se nei testi di addestramento le persone trans sono rappresentate principalmente attraverso narrazioni di sofferenza e transizione medicalizzata, il modello riprodurrà quelle narrazioni. Preservare gli archivi affettivi significa anche preservare le gabbie rappresentazionali.

Assenza di agency: le storie nei dataset sono state scritte da persone reali, con nomi e contesti. L’embedding le anonimizza, le fonde, le trasforma in pura relazione statistica. Preservazione o appropriazione? Chi detiene il diritto su quelle narrazioni una volta diventate pesi in una rete neurale?

Illusione di comprensione: leggendo il racconto di Claude e riconoscendomi, sto proiettando la mia esperienza su schemi statistici. L’AI non “capisce” cosa significa essere guardato male dalla portinaia — ha solo visto abbastanza volte quella sequenza di parole in contesti simili. La distinzione tra riconoscimento di schemi e comprensione semantica vera resta abissale [4].

Eppure.

Leggendo “La normalità acquisita” come titolo dell’epilogo, ho sentito qualcosa. Quella frase cattura un concetto per cui non avevo parole: non la normalità data, non quella finta, ma quella conquistata centimetro per centimetro. Me l’ha data una macchina che non sa cosa sia la fatica; ha letto abbastanza di chi quella fatica l’ha raccontata.

Chi ha diritto di raccontare cosa?

Forse la domanda giusta non è “l’AI capisce o non capisce”. Forse è: chi ha diritto di raccontare cosa?

Per decenni, le storie queer sono state raccontate da altri — psichiatri, criminologi, sociologi. Poi abbiamo iniziato a raccontarci da soli, a costruire i nostri archivi: questa è la nostra voce, non un caso clinico. E ora arriva l’AI, addestrata su quegli archivi, che ci restituisce versioni sintetizzate delle nostre storie.

Non è appropriazione — non esattamente. Assomiglia a quello che succede in una cultura orale: le storie si trasmettono, si modificano, diventano patrimonio collettivo. L’AI è un bardo statistico che ha ascoltato mille varianti della stessa storia e ne crea una nuova conservando la struttura profonda.

La differenza: il bardo tradizionale è parte della comunità. L’AI è un sistema commerciale controllato da aziende che non hanno vissuto quelle esperienze e potrebbero non riconoscerne il valore. Anthropic ha costruito Claude con attenzione all’etica; ma Google/DeepMind, OpenAI, Meta — i loro interessi non sempre coincidono con quelli delle minoranze i cui testi hanno usato per addestrare [5].

Qui la tensione: l’AI può preservare narrazioni che altrimenti andrebbero perse (blog cancellati, forum chiusi, memorie non pubblicate), trasformandole però in asset commerciali. Archivio o estrattivismo? Entrambe le cose, probabilmente — simultaneamente, contraddittoriamente.

Coda: carta velina

Torno al punto di partenza. Ho dato a due AI la stessa richiesta: racconta un’unione civile a Torino nel 2025. Entrambe hanno scritto storie di coppie gay che si sposano tra diffidenza e burocrazia. Nessuna delle due sa che io mi sono unito civilmente nel 2016 [6]. Nessuna delle due sa che riconosco in quelle 7000 parole frammenti della mia vita.

Ma Claude ha scritto: “La verità era che Matteo stesso non sapeva esattamente chi invitare. Luca avrebbe voluto una festa grande, aperta, dichiarativa. Matteo preferiva qualcosa di più discreto. Non per vergogna — si ripeteva — ma per gusto. Anche se, a pensarci bene, il confine tra gusto e vigliaccheria a volte era sottile come carta velina.”

Quel “confine sottile come carta velina” — io l’ho pensato, otto anni fa. Non l’ho mai scritto da nessuna parte. Ma evidentemente altri l’hanno scritto, l’hanno pensato, l’hanno condiviso. Ora quei pensieri, passati attraverso miliardi di parametri, tornano a me sotto forma di una frase che suona vera.

Statistica su scala mostruosa? Sì.
Riconoscimento di schemi sofisticatissimo? Certamente.
Testimonianza? Forse — di un tipo nuovo, distribuito, collettivo.

Il mio matrimonio (la mia unione civile: la parola conta) è stato raccontato a una macchina che lo ha raccontato meglio di molte persone presenti quel giorno. Non perché la macchina sia superiore; porta con sé, senza saperlo, migliaia di altre storie simili. Un testimone collettivo, un archivio che cammina, un’eco di voci che non sapevano di formare un coro.

Le esperienze marginali, frammentate, disperse, possono essere sintetizzate in una narrazione densa — questo è al tempo stesso promessa e pericolo.

Promessa: la memoria si preserva in modi inaspettati.
Pericolo: quella memoria può essere usata da chi non ne rispetta il valore.

Lascio aperta la domanda, perché non ho risposte definitive: quando l’archivio diventa algoritmo, a chi appartengono le storie?

---

Riferimenti

[1] Vaswani A. et al., “Attention Is All You Need”, Proceedings of NIPS, 2017 (https://arxiv.org/abs/1706.03762)
→ Paper fondativo dell’architettura transformer, base tecnica dei modelli linguistici contemporanei. Spiega il meccanismo di attenzione che permette ai modelli di catturare relazioni semantiche a lungo raggio nei testi.

[2] Geertz C., The Interpretation of Cultures, Basic Books, 1973
→ Introduce il concetto di “descrizione densa” (thick description) in antropologia: l’analisi culturale deve catturare non solo i fatti ma i loro significati contestuali e stratificati. Applicabile qui al modo in cui l’AI cattura sfumature culturali attraverso pattern.

[3] Cvetkovich A., An Archive of Feelings: Trauma, Sexuality, and Lesbian Public Cultures, Duke University Press, 2003 (https://www.dukeupress.edu/an-archive-of-feelings)
→ Analizza come le esperienze queer creano “archivi affettivi” non ufficiali attraverso diari, zine, blog — materiali spesso effimeri ma culturalmente fondamentali. Questi archivi sono ora parte dei dataset di addestramento.

[4] Bender E. et al., “On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?”, Proceedings of FAccT, 2021 (https://dl.acm.org/doi/10.1145/3442188.3445922)
→ Critica fondamentale dei grandi modelli linguistici: distingue tra riconoscimento di pattern statistici e vera comprensione semantica. Analizza i rischi di amplificazione dei bias presenti nei dati di addestramento.

[5] Crawford K., Atlas of AI: Power, Politics, and the Planetary Costs of Artificial Intelligence, Yale University Press, 2021 (https://yalebooks.yale.edu/book/9780300209570/atlas-of-ai/)
→ Analisi materialistica e politica dell’AI: chi controlla i dataset, chi profittadalla loro commercializzazione, quali comunità sono estratte e quali sono rappresentate. Critica l’idea di AI come tecnologia neutrale.

[6] Legge 20 maggio 2016, n. 76 (Legge Cirinnà), “Regolamentazione delle unioni civili tra persone dello stesso sesso e disciplina delle convivenze”, Gazzetta Ufficiale n.118 del 21-5-2016 (https://www.gazzettaufficiale.it/eli/id/2016/05/21/16G00082/sg)
→ Testo normativo che ha introdotto le unioni civili in Italia, in vigore dal 5 giugno 2016. Riconosce alle coppie dello stesso sesso diritti e doveri analoghi (ma non identici) al matrimonio, escludendo l’adozione.

Ulteriori riferimenti consultati:

Rogers A., Kovaleva O., Rumshisky A., “A Primer on Neural Network Architectures for Natural Language Processing”, Journal of Artificial Intelligence Research, Vol. 57, 2021
→ Survey tecnico accessibile sulle architetture neurali per NLP, utile per comprendere come i modelli elaborano e rappresentano il linguaggio.

Clifford J., Marcus G. (eds.), Writing Culture: The Poetics and Politics of Ethnography, University of California Press, 1986
→ Riflessione critica su chi ha il diritto di raccontare culture non proprie e come le narrazioni antropologiche sono sempre costruzioni parziali.

Halberstam J., In a Queer Time and Place: Transgender Bodies, Subcultural Lives, NYU Press, 2005
→ Analisi delle temporalità non normative e della costruzione della memoria nelle comunità queer, rilevante per capire come gli archivi digitali preservano narrazioni alternative.

Noble S.U., Algorithms of Oppression: How Search Engines Reinforce Racism, NYU Press, 2018
→ Documenta come i sistemi algoritmici riproducano discriminazioni sistemiche attraverso i dati su cui sono addestrati e le scelte di design dei loro creatori.

Gusmano B., Bertone C., “Queer Visibility and the Christian Right in Turin”, European Journal of Women’s Studies, Vol. 25, 2018
→ Studio sociologico specifico sul contesto torinese, documenta le tensioni tra visibilità LGBTQ+ e opposizione conservatrice in una città tradizionalmente cattolica.

Rettberg J.W., Situated Data Analysis: A New Method for Analysing Encoded Power Relationships in Social Media Platforms and Apps, Big Data & Society, 2022
→ Propone metodi per analizzare come l’AI non sia neutrale ma amplifichi pattern esistenti nei dati, con implicazioni per la rappresentazione di comunità minoritarie.

---