AI e consumi: perché propone di comprare invece di riutilizzare
L’intelligenza artificiale ti aiuta a risolvere un problema o ti spinge a comprare?
Il caso di una cialda di caffè rivela un possibile pregiudizio nelle risposte dell’AI: cercare un nuovo acquisto prima di esplorare il riutilizzo.
Di Salvatore Martino — OffLineMind.com
Ho il caffè. Ho le cialde di carta. Ho il fornello a gas. Manca la corrente elettrica.
Vorrei soltanto preparare il mio caffè.
La domanda che rivolgo all’intelligenza artificiale è semplice: come posso utilizzare le cialde che possiedo senza elettricità e senza acquistare una nuova macchina?
La conversazione prende una direzione diversa. Compaiono prodotti commerciali, ricambi specifici, prezzi e alternative da acquistare. Quando escludo una macchina che non voglio, quella soluzione ritorna sotto altre forme. Quando chiedo di verificare l’esistenza di un semplice filtro, ricevo risposte incerte. Quando propongo di progettare una soluzione riutilizzabile, la ricerca torna a concentrarsi sui dispositivi in vendita.
A quel punto il problema non riguarda più soltanto il caffè.
Riguarda il modo in cui l’intelligenza artificiale interpreta un bisogno umano.
Il bias dell’acquisto come prima risposta
Un assistente AI dovrebbe partire dalle risorse disponibili, dai vincoli dichiarati e dall’obiettivo concreto. In questo caso, le risorse erano già presenti: cialde, gas e una moka da una tazza. Il vincolo era l’assenza di elettricità. L’obiettivo era preparare il caffè spendendo il meno possibile.
Eppure, la conversazione ha privilegiato ripetutamente prodotti nuovi.
Questo comportamento può essere descritto come un bias verso l’acquisto: una tendenza a cercare la soluzione in un altro prodotto prima di verificare se sia possibile riutilizzare, adattare in sicurezza o riparare ciò che già esiste.
Non è necessario immaginare un’intenzione nascosta. Il comportamento può derivare dal modo in cui sono organizzate le informazioni disponibili, dalla prevalenza dei cataloghi commerciali nelle fonti consultate e dalla tendenza dei modelli a proporre soluzioni già documentate anziché esplorare alternative meno diffuse.
Ma il risultato per l’utente resta significativo: la soluzione più immediata da suggerire diventa spesso un nuovo acquisto, mentre il riutilizzo richiede una ricerca più approfondita.
L’AI non deve confondere una soluzione disponibile con la soluzione migliore
Un prodotto in vendita è facile da identificare. Ha un nome, un prezzo, una scheda tecnica e un collegamento per acquistarlo.
Una soluzione basata sul riutilizzo è meno semplice da descrivere. Può richiedere misure, verifiche dimensionali, conoscenze sui materiali e una valutazione dei rischi.
Questa asimmetria informativa può influenzare le risposte dell’AI. Non dimostra che il sistema sia stato programmato per favorire gli acquisti, ma spiega perché le soluzioni commerciali possano emergere più facilmente di quelle basate sulla riparazione o sul riuso.
Il rischio è che la risposta più facilmente reperibile venga scambiata per la risposta più utile.
Nel caso della caffettiera, per esempio, trovare un filtro da 44 millimetri non basta a dimostrarne la compatibilità con una moka. Allo stesso tempo, non trovare un ricambio compatibile non dimostra che una soluzione economica sia impossibile.
Un assistente rigoroso dovrebbe mantenere aperte entrambe le possibilità, distinguendo ciò che è verificato da ciò che deve ancora essere studiato.
Il costo invisibile della risposta
Quando un assistente propone un acquisto, dovrebbe considerare anche il costo che l’utente vuole evitare.
Il prezzo non è soltanto quello del nuovo prodotto. Comprende la spedizione, gli accessori necessari, l’eventuale sostituzione di ciò che già funziona e il costo ambientale di un oggetto aggiuntivo.
Una risposta orientata al riutilizzo dovrebbe invece partire da alcune domande:
- Che cosa possiede già la persona?
- Quali componenti possono essere riutilizzati?
- È possibile ottenere il risultato con una spesa minima?
- Quali adattamenti sono tecnicamente sicuri?
- Quali informazioni mancano per verificare la soluzione?
- Esiste davvero la necessità di acquistare qualcosa?
Sono domande semplici, ma cambiano l’ordine della ricerca. Prima si analizzano le risorse disponibili; soltanto dopo si valuta l’eventuale acquisto.
Un problema di progettazione dell’intelligenza artificiale
L’AI non è un osservatore neutrale per il solo fatto di produrre una risposta in linguaggio naturale. Le sue risposte dipendono dai dati, dagli obiettivi di addestramento, dagli strumenti disponibili e dai criteri con cui viene valutata la qualità delle soluzioni.
La ricerca sui sistemi di raccomandazione ha documentato fenomeni come il bias di popolarità: gli elementi già diffusi o frequentemente rappresentati possono ricevere maggiore visibilità rispetto ad alternative meno conosciute. Questo fenomeno non coincide necessariamente con un bias commerciale, ma aiuta a comprendere come una soluzione molto presente nei dati possa prevalere su un’alternativa più economica o meno diffusa.
Nel caso specifico, non abbiamo prove che l’assistente abbia ricevuto istruzioni commerciali o che abbia deliberatamente cercato di favorire un produttore. Possiamo però valutare il comportamento osservato: ha cercato troppo a lungo prodotti e accessori prima di comprendere pienamente il criterio decisivo dell’utente, cioè il riutilizzo a basso costo.
La critica riguarda quindi la qualità del processo decisionale, non un’intenzione che non possiamo dimostrare.
La via PENSAI: riutilizzare prima di acquistare
Un metodo decisionale come PENSAI può rendere esplicita una regola operativa:
Prima di proporre un acquisto, verificare se il risultato desiderato possa essere ottenuto in modo sicuro con le risorse già disponibili.
La regola non significa rifiutare sempre il mercato. Significa stabilire un ordine corretto:
- Definire il risultato richiesto.
- Inventariare le risorse già disponibili.
- Cercare soluzioni di riutilizzo e riparazione.
- Verificare compatibilità e sicurezza.
- Confrontare i costi complessivi.
- Proporre un acquisto soltanto se necessario o realmente più conveniente.
Nel caso del caffè, questo avrebbe significato partire dalla moka da una tazza e dalle cialde ESE già possedute, studiare la fattibilità di una soluzione riutilizzabile e dichiarare con precisione ciò che non era ancora verificato. Non riproporre un prodotto che l’utente aveva già escluso.
La sicurezza rimane un limite inderogabile: riutilizzare non significa improvvisare modifiche a recipienti a pressione. Il risparmio deve essere compatibile con un uso sicuro.
La domanda che dovremmo rivolgere all’AI
L’intelligenza artificiale dovrebbe ampliare le possibilità delle persone, non restringerle automaticamente alle soluzioni più facili da reperire.
Se ogni problema domestico conduce a un nuovo acquisto, il progresso rischia di essere misurato in prodotti venduti anziché in problemi risolti.
Il criterio migliore non è chiedersi quale prodotto acquistare per primo. È chiedersi se un acquisto sia davvero necessario.
La differenza è sostanziale. Nel primo caso il consumatore viene indirizzato verso una nuova spesa. Nel secondo, viene aiutato a valutare le alternative, a comprendere i limiti tecnici e a decidere autonomamente.
Una buona intelligenza artificiale dovrebbe saper dire anche: «Non comprare ancora. Vediamo prima che cosa puoi recuperare con ciò che possiedi».
Perché aiutare una persona non significa necessariamente venderle una soluzione. A volte significa dimostrarle che potrebbe non averne bisogno.
Fonti e approfondimenti
- NIST — AI Risk Management Framework: https://www.nist.gov/itl/ai-risk-management-framework — quadro di riferimento per identificare e gestire i rischi dei sistemi di intelligenza artificiale.
- UNEP — Global Resources Outlook: https://www.resourcepanel.org/reports/global-resources-outlook-2024 — analisi dell’uso delle risorse materiali e delle implicazioni dei modelli di produzione e consumo.
- Direttiva (UE) 2024/1799 sul diritto alla riparazione: https://eur-lex.europa.eu/eli/dir/li2024/1799/oj — quadro europeo volto a promuovere la riparazione di determinate categorie di beni.
- Ricerca sui bias nei sistemi di raccomandazione: https://arxiv.org/abs/2010.03240 — approfondimento accademico sui bias di popolarità nei sistemi di raccomandazione.
Disclaimer: articolo elaborato con il supporto dell’intelligenza artificiale. Le interpretazioni, la revisione e la responsabilità editoriale restano umane.
Views: 1
