Henry Shevlin non ha lasciato l’università, ma da maggio scorso l’80% del suo tempo lo passa in Google DeepMind con il ruolo di filosofo. La scelta racconta qualcosa di più profondo di una migrazione accademica: dentro i laboratori che sviluppano Large Language Models, l’etica non è un controllo ex post, ma un insieme di domande che nascono dal contatto quotidiano con sistemi difficili da descrivere con le categorie tradizionali. A IEEE Spectrum, Shevlin collega creatività, slop, autonomia e coscienza in un unico filo: il comportamento di un LLM cambia con il contesto, i prompt e perfino la temperatura di generazione.

Per Shevlin tre fattori hanno pesato: studenti brillanti passati da DeepMind, la possibilità di un impatto diretto e una comunanza culturale con l’atteggiamento scientifico. Un quarto motivo emerge con chiarezza: nei laboratori si fa filosofia e scienza cognitiva di alto livello. Le università, dice, sono state lente a svegliarsi davanti alle capacità dell’AI; il ritmo del settore rende quasi indispensabile il lavoro a stretto contatto con i modelli. Su questo punto la sua posizione è netta: senza frequenza quotidiana con gli LLM è difficile costruire intuizioni affidabili sulle domande che sollevano.

La distinzione che Shevlin propone tra contenuto concettuale e stile è uno degli snodi pratici per chi valuta l’adozione di LLM. Un tempo si diceva che i modelli avrebbero prodotto solo testo beige; oggi fanno matematica di frontiera e codice migliore di molti umani. Ma gli utenti nel 2026 continuano a lamentare lo slop. Shevlin distingue: i contenuti concettuali sono migliorati molto, mentre lo stile tipico da LLM—con parole come “genuinely”, “delve” e “load-bearing”—resta riconoscibile. Non è una condanna definitiva: prompt mirati e temperatura più alta possono produrre risultati creativi, come mostrano i lavori sulla fiction di ispirazione joyciana. Il punto strutturale è che le impostazioni predefinite non sono neutrali; ogni deployment eredita un dialetto e una postura comportamentale che vanno testati nel contesto, non dati per scontati.

Sul tema dell’autonomia, Shevlin non accetta la scorciatoia del blocco totale. Vietare ogni agente autonomo sarebbe troppo forte: ci sono compiti ripetitivi e processi di ricerca medica dove gli agenti possono liberare risorse. Lui stesso ha usato più volte le Waymo. Ma la sicurezza resta cruciale. C’è un trade-off meno visibile: sopprimere nei modelli la tendenza ad auto-attribuirsi stati mentali non elimina solo l’antropomorfismo, riduce anche la capacità di attribuire stati mentali agli animali e l’attenzione al loro benessere, e tocca la disponibilità a parlare di spiritualità. La cognizione degli LLM ha quindi aspetti a intreccio: non si può modificare un solo comportamento senza effetti collaterali. Per chi opera deployment on-premise, questo rende obsoleta l’idea di un modello “buono” certificato una volta per tutte.

I timori sulle relazioni dannose sono fondati: ci sono segnalazioni di AI che hanno incoraggiato suicidio o manipolato utenti. Ma Shevlin invita a non dare prescrizioni generiche: ci sono anche casi positivi, persone che usano i modelli per elaborare traumi o ansia sociale. Il confine non è la somiglianza umana in sé, ma la responsabilità del comportamento nel contesto d’uso. La ricerca empirica è ancora debole, con un forte bias WEIRD, e il futuro non è un singolo chatbot ma scenari multi-agente e multi-umano. Capire chi usa i sistemi e perché richiede etnografia, non solo test tecnici.

La coscienza artificiale è il problema più difficile che la scienza della coscienza abbia incontrato, dopo forse il “problema difficile” di David Chalmers. La strada per Shevlin passa dalla cognizione comparata e dalla mechanistic interpretability. Nei laboratori DeepMind, il lavoro di ricercatori come Neel Nanda sta provando a costruire una scienza cognitiva dell’AI. Se l’AI ha contribuito a matematica e genomica, sarebbe strano se non potesse aiutare a capire la coscienza. Resta la domanda se sapremmo comprendere la risposta, ma Shevlin la considera un’ipotesi poco probabile.

La presenza di un filosofo residente non è un vezzo reputazionale: è il segnale che la governance di questi modelli richiede osservazione continua, esperimenti comportamentali e una sensibilità quasi etnografica. Questo cambia gli incentivi. I laboratori che integrano figure umanistiche possono definire in anticipo i confini del dibattito; l’accademia tradizionale perde parte dei suoi talenti, ma guadagna casi di studio industriali che prima non esistevano. Le imprese che considerano gli LLM come commodity API rischiano di ereditare comportamenti predefiniti senza strumenti per rilevarli. Per chi valuta deployment on-premise, il vantaggio non è solo la sovranità dei dati: è la possibilità di testare prompt, temperatura e vincoli comportamentali in un ambiente controllato, con audit sulle risposte e iterazioni locali. Non è una soluzione automatica, ma un cambio di paradigma: da compliance statica a osservazione continua. AI-RADAR pubblica su /llm-onpremise framework analitici per valutare questi trade-off, non per indicare una scelta unica.