Il collasso dell’AI: quando l’intelligenza artificiale inizia a divorare se stessa

da Mauro | 22 dicembre  2025 | Intelligenza Artificiale

C’è qualcosa che sta succedendo sotto i nostri occhi, ma che in pochi stanno raccontando davvero.
Non è una rivoluzione improvvisa. È un collasso silenzioso, progressivo, strutturale.

L’intelligenza artificiale sta iniziando a nutrirsi di se stessa.
E il danno, ormai, è già dentro i dati.

L’AI che scrive per l’AI. E l’umano che scompare

Curriculum scritti con l’intelligenza artificiale.
Annunci di lavoro scritti con l’intelligenza artificiale.
Lettere di presentazione ottimizzate per superare filtri automatici.
Screening dei candidati effettuato dall’intelligenza artificiale.

Le persone hanno iniziato a scrivere per piacere agli algoritmi, non più agli esseri umani.
E le aziende hanno iniziato a decidere affidandosi agli algoritmi, non più alle persone.

A un certo punto succede qualcosa di grave:
la realtà esce dal processo.

Quando contenuti sintetici vengono valutati da sistemi sintetici, su parametri sintetici, il rischio non è l’errore occasionale.
Il rischio è che l’errore diventi la norma.

Ed è qui che entra in gioco un fenomeno tecnico tanto complesso quanto pericoloso: il Model Collapse.

Cos’è davvero il Model Collapse (e perché dovresti preoccuparti)

Il Model Collapse si verifica quando un modello di intelligenza artificiale viene addestrato, direttamente o indirettamente, su dati generati da altri modelli di intelligenza artificiale.

In pratica:

l’AI che digerisce altra AI per “diventare più intelligente”

Il problema?
Non lo diventa.

Studi scientifici, tra cui una ricerca pubblicata su Nature, dimostrano che questo processo è degenerativo e cumulativo.
Ogni generazione di modelli perde qualcosa:

• spariscono le eccezioni
• scompaiono i casi rari
• si appiattiscono le sfumature
• vengono eliminate le “code” della distribuzione dei dati

All’inizio è quasi invisibile.
Poi diventa strutturale.
Alla fine, irreversibile.

I ricercatori parlano di:

• collasso iniziale: perdita delle informazioni marginali ma preziose
• collasso finale: la distribuzione dei dati non assomiglia più alla realtà

Il modello continua a rispondere, ma risponde in modo medio, generico, politicamente corretto, plausibile.

E quindi pericoloso.

Quando l’AI prende decisioni sbagliate (senza cattive intenzioni)

Negli Stati Uniti, un caso è diventato emblematico.

Amazon ha dovuto spegnere un sistema interno di recruiting basato su AI perché penalizzava sistematicamente le candidate donne.

Non c’era nessuna volontà discriminatoria.
Il problema erano i dati storici: un passato sbilanciato trasformato in regola automatica.

Questo è il vero punto interrogativo:
quando deleghiamo decisioni reali a modelli che hanno perso il contatto con la realtà, chi paga il prezzo?

La risposta è semplice: tutti.

Il web saturo di contenuti sintetici (e poi fingiamo stupore)

Stiamo saturando Internet di testi, immagini, descrizioni, post, articoli generati artificialmente.
Poi chiediamo ai modelli di essere fedeli alla realtà.

È una contraddizione evidente.

I modelli generativi producono dati con meno variabilità rispetto ai dati umani.
Se li riutilizziamo per addestrare nuovi modelli, il risultato è un sapere sempre più ristretto.

Le conseguenze non sono teoriche:

• chatbot che “allucinano” risposte
• sistemi decisionali sempre meno affidabili
• diagnosi che ignorano i casi rari
• raccomandazioni che appiattiscono le preferenze

Se ti piacciono le scarpe verde lime, ma l’algoritmo continua a proporti solo bianco e nero, non è un dettaglio di UX.
È un segnale di collasso.

Il declino silenzioso della conoscenza

Il rischio più grande non è l’errore evidente.
È la scomparsa delle idee a coda lunga.

Quelle poco citate.
Quelle non popolari.
Quelle che spesso portano alle vere innovazioni.

Se strumenti di ricerca, selezione e analisi basati su AI iniziano a restituire solo ciò che è già mainstream, la conoscenza umana si restringe.

E con lei:

• il pensiero critico
• la diversità
• l’innovazione

Non è solo un problema tecnico. È un problema di business.

Per aziende, professionisti e marketer, il Model Collapse non è una curiosità accademica.

È una minaccia concreta:

• decisioni automatizzate meno accurate
• campagne basate su dati sempre più “medi”
• contenuti che si assomigliano tutti
• perdita di differenziazione

In un mercato dove tutti usano gli stessi strumenti, addestrati sugli stessi contenuti sintetici, vince chi resta umano.

Come si evita il collasso (se si vuole davvero evitarlo)

Le soluzioni esistono, ma richiedono scelte consapevoli:

• preservare fonti di dati non generate da AI
• tracciare la provenienza dei dati
• combinare dati reali e sintetici, senza sostituirli
• migliorare la qualità dei dati sintetici
• introdurre governance, controllo e supervisione umana

Ma soprattutto serve una cosa che nessun algoritmo può sostituire:
responsabilità.

La posizione di Facile4web

In Facile4web utilizziamo l’intelligenza artificiale ogni giorno.
Ma non la trattiamo come un oracolo.

La usiamo come strumento.
Non come decisore finale.
Non come sostituto del pensiero.

Perché il futuro del digitale non appartiene a chi automatizza tutto,
ma a chi sa cosa non automatizzare.

Il Model Collapse non è una profezia apocalittica.
È un segnale.

E come tutti i segnali importanti, andrebbe ascoltato prima, non dopo.

Mauro Ricci