Parlare di fallacie argomentative è comodo: si etichetta l’attacco personale come errore logico e si archivia. Ma nei dibattiti politici reali l’ethos non è un rumore di fondo: è una risorsa strategica. Uno studio ha messo alla prova gli LLM proprio su questo terreno, confrontando i dialoghi generati dai modelli con il corpus ElecDeb60to16-fallacy dei dibattiti presidenziali statunitensi. Il risultato è una differenza sostanziale: gli agenti umani alternano difese logiche e contrattacchi etotici; gli LLM si rifugiano quasi sempre nella difesa logica.

Lo studio parla di spazio d’azione strategico ridotto. Non è una questione di capacità di calcolo o di token: è il fine-tuning di sicurezza a restringere le mosse accettabili. Quando un modello viene allineato per evitare attacchi personali, finisce per trattare l’argomentazione ad hominem come un errore da non replicare. In un dibattito normato, questa rigidità produce risposte corrette ma poco realistiche, soprattutto nei domini in cui la contestazione del carattere è attesa dagli interlocutori.

Il nodo del controllo per i deployment self-hosted

Per AI-RADAR il punto non è stabilire se gli LLM debbano fare attacchi personali, ma osservare che l’allineamento è una scelta di prodotto che incide sul comportamento strategico. I modelli via API applicano filtri non modificabili; i modelli open-weight consentono interventi più profondi, ma spostano il costo altrove: servono GPU con VRAM adeguata, una pipeline di fine-tuning e competenze per valutare i risultati. Il TCO non è solo il prezzo del servizio: è il costo del controllo.

Questo cambia gli incentivi. Chi usa un LLM in un contesto negoziale o di analisi politica probabilmente non vuole un assistente che bolla l’ad hominem come fallacia; vuole un agente che riconosca la mossa e risponda in modo coerente con il contesto. Per un’organizzazione che opera on-premise per sovranità dei dati, la domanda diventa: quanto del comportamento posso ridefinire senza dipendere dal vendor? La risposta passa dalla disponibilità dei pesi e dalla possibilità di fare fine-tuning mirato.

Non servono benchmark inventati per capire la direzione: l’etica dell’allineamento, se applicata in modo uniforme, può cancellare un’intera classe di mosse comunicative. Il trade-off non è solo tra sicurezza e realismo, ma tra modelli pronti all’uso e sistemi che richiedono un intervento locale. Per chi valuta deployment on-premise, AI-RADAR raccoglie framework analitici su /llm-onpremise per mappare questi equilibri.