Read more

Now the dull context, which is the whole point. I back ProtonMail’s mail through a small open-source bridge called hydroxide, because I don’t pay for Proton’s own bridge and hydroxide is what I have. Accounts with two-factor authentication can’t finish logging in: the password step and the TOTP step both succeed, and then the very next call, the one that fetches the key salts, comes back 401. Proton invalidates the access token once you clear the second factor and hands you a fresh scope, and the client keeps presenting the old token. I found this by turning on the debug log and reading the request trace. I confirmed it against the behaviour of Proton’s own web client. The fix is to ask for a new token after the second factor and use it for the rest of the login. Three lines, gated so single-factor users never touch the new path.

I’ll be precise about how I worked, because the precision is what the rejection got wrong. I used a language model to read the codebase faster: it was someone else’s Go, I had never seen it, and I wanted a map before I started digging. Read-only. The notes it produced never reached a commit; I deleted them once I understood the code. I wrote the fix by hand. Then, because I was out of time and patience, I described my own change to a model and had it draft the issue and the pull request text. The code was mine; the prose was not. I disclosed nothing about this in the description, which, as I’ll get to, is the part everyone has decided to fight about.

The part where I concede everything

Slop is real. I want to say that before I say anything else, because the people sounding the alarm are not imagining the fire.

The clearest case on record is curl. Through 2025 Daniel Stenberg watched AI-generated vulnerability reports flood the project’s bug bounty until roughly one in five submissions was slop and the rate of reports describing a real vulnerability fell below one in twenty. Seven people on the security team, three or four of them needed to read each report, thirty minutes to three hours apiece to conclude it was nothing. One submission described an HTTP/3 exploit complete with debugger sessions and register dumps, all of it referencing a function that does not exist in curl. Stenberg called it DDoSing open source and shut the bounty down.

What that describes is a resource attack, and it has a name older than the chatbots. Alberto Brandolini’s bullshit asymmetry principle says the effort to refute nonsense is an order of magnitude larger than the effort to produce it. Language models industrialise the cheap side of that asymmetry and leave the expensive side exactly where it was: on a human who has to read, reproduce, and decide. A maintainer facing that inflow is not paranoid. He is doing triage in a building that is genuinely on fire, and a wall is a reasonable thing to want.

The worry behind my rejection is legitimate. It was aimed at the wrong layer.

The wrong axis

Read Stenberg carefully and the complaint is never really about who or what wrote the report. He says outright that it makes no difference whether a submission came from a human or a machine if it carries no real finding and only burns reviewer time. He runs three AI review bots on his own pull requests, at two in the morning when no human is awake. When the models improved in early 2026 curl reopened the bounty, because the slop had thinned out even as the volume kept climbing. His axis is verification. Does the thing check out, and what does it cost me to find out.

“This sounds like AI slop” is a different axis. It is authorship, detected by smell. And smell is cheap, which is exactly why it tempts you when you are tired. You stop reading for whether the claim is true and start reading for whether the prose feels synthetic. The trouble is that the two axes come apart in precisely the case that matters. The smell test fires on the contributor who used a model for the boring half and did the real work by hand, and it fires hardest on people whose English is a second language and who reach for a model to sound fluent. In my case the classifier worked perfectly and was useless: it correctly detected that the prose was machine-drafted, and from that it convicted the code, which was mine and which was correct. The signal it caught was real; the inference it drew was garbage.

The double bind

There is a trap inside this that almost nobody names, and it is worth sitting with.

The same projects that fear slop ask contributors to disclose AI use. hydroxide’s contributing guide is explicit: if a model helped, say so, add an Assisted-by line. Honesty is the rule. Then read James Bach, who has written one of the sharper arguments against AI in writing, and who tells you to do the opposite. Never admit you used a model, Bach says, because the moment you do he will treat your work as slop or spam, and so will every serious professional. In his frame disclosure is a confession of laziness; he compares letting a model draft your prose to taking a helicopter to the summit and claiming you climbed.

Hold both at once. One norm orders you to disclose. The other promises to punish you for disclosing. The honest contributor, code by hand and prose by machine and forthright about which is which, loses under both. No disclosure satisfies the rule-followers and the rule-skeptics together, so the incentive the system actually teaches is to hide: write the prose yourself, badly, or launder the model’s prose through enough edits that nobody can tell. A rule that punishes honest disclosure destroys the very signal it was built to collect. That is not a stable place to stand.

The market for lemons

George Akerlof won a Nobel for describing what happens next, in a 1970 paper about used cars. When a buyer cannot tell a good car from a bad one, he will only pay the price of an average car. Owners of genuinely good cars cannot get a fair price, so they leave. Average quality drops, the price drops with it, and the market can keep unravelling until mostly lemons remain. Information asymmetry does more than annoy buyers. It selects against the honest sellers and degrades the whole pool.

Open-source contribution is now a lemon market. A maintainer who cannot cheaply tell a real patch from a plausible one rationally applies a blanket discount: assume slop, close on sight. The cost of that discount lands on the contributors who did real work, because they are the ones with something to lose. They get treated as the average, the average is assumed to be junk, and so they leave. I will not be sending hydroxide another patch. The bug is still open. Multiply that by every competent person waved off with a one-line smell verdict, and the blanket discount manufactures the exact future it was meant to prevent: a contribution pool with the good actors filtered out. Each rejection is individually rational. The sum is a project pricing itself toward lemons.

Scale is the whole argument

Here is where I have to be fair to curl and hard on the imitation of curl.

curl earns its walls. Hundreds of millions of installations, a seven-person volunteer team, real money on the table that drew people brute-forcing the bounty with chatbots. At that scale the expected value of a random unsolicited submission really is near zero, verifying it really is expensive, and a high prior of slop is correct Bayesian reasoning, not panic. Stenberg is rationing the only finite resource he has, which is attention; his wife has started asking him about his hours.

hydroxide is not curl. By its own maintainer’s account it is casually maintained, kept alive mostly so he can send kernel patches, sitting on a few dozen open issues with no bounty and no crowd. The population of people who install a niche ProtonMail bridge, hit a two-factor bug, read Go they have never seen, isolate the cause, and write a fix is small and heavily self-selected. The base rate of slop in that population is low. Verifying three gated lines costs minutes. Importing curl’s prior into that situation is a base-rate error wearing the costume of prudence: you have adopted the threat model of a project a thousand times your size and applied it to a contributor who, by the sheer cost of getting that far, was almost certainly not your problem.

The maintainer is within his rights. I am questioning the judgment, not the right to make the call. It is his project, his time, and he owes me nothing; I said as much to him, in those words. Rights were never what I was arguing about.

Trust is not a one-way audit

The word everyone reached for in the thread was trust, and they used it as though it ran one way: the contributor earns the maintainer’s trust, the maintainer adjudicates. But trust in a commons is something both sides spend. I spent mine. I installed it, used it, found the bug, read the trace, read a stranger’s code until I understood it, opened an issue that pointed at the exact fault, wrote the patch, and signed it off, all in time I do not have, toward a project I wanted to keep working. A reviewer who closes on a smell spends none of that and discards all of mine.

The repair was cheap. The whole thing was avoidable for the price of one sentence: did you understand this code, and is the description AI-written? The honest answer rebuilds in one line the thing the smell test set on fire. Asking would have cost less than the closing did.

I did not make that easy, and I should own it. When I told the maintainer he “deserved” the broken project and that I would wait for him to fix the bug himself, I handed him the edge he needed to slide the conversation off the code and onto my attitude, which is a more comfortable place for a rejection to live. The structural point survives my bad manners. Closing a reproduced fix on authorship-smell, at a project where verification costs minutes, spends trust that a volunteer commons cannot easily refill.

What it actually costs

I want to keep the stakes the right size. This is not the end of anything; it is a small bridge and a small patch.

But notice who is not harmed by any of it. The closed and the corporate scale fine. They have headcount, process, and money; a slop flood is a line item, and so is review. The thing that runs on nothing but trust between strangers is the small, weird, volunteered long tail: the niche bridge, the one-maintainer tool, the patch from someone you have never met. That is exactly where the blanket-slop posture does the most damage relative to the real threat. The towers protect the projects that least need protecting and price out the collaboration that has nothing else holding it together.

Slop is a tax on attention. The paranoia is a tax on trust. The first is the louder problem and the more obvious one, and it is real. The second is quieter and worse, because attention can be bought back with tooling and money, and the curl story is partly the story of that recovery. Trust between strangers does not recover on that schedule. Once a community’s default reading of a good-faith contribution is “probably a machine, probably junk,” you do not get the default back by upgrading a model. You get it back, if at all, the slow way, one honest exchange at a time, which is the same way it was built and the same way it is now being spent.

The bug, by the way, is still open. The fix still works. Somebody will merge it eventually, by hand, written by a person, the way it was the first time.

Sources

• hydroxide pull request and the linked issue: PR #346, issue #345
• The contributing policy referenced in the thread: emersion/.github CONTRIBUTING.md
• James Bach, Public Service Announcement: Don’t Say You Use AI for Writing: satisfice.com
• Daniel Stenberg on AI slop and curl’s bug bounty (primary): daniel.haxx.se/blog; secondary coverage with the figures cited here: The New Stack
• George A. Akerlof, “The Market for Lemons: Quality Uncertainty and the Market Mechanism”, Quarterly Journal of Economics 84, no. 3 (1970)
• Alberto Brandolini, the bullshit asymmetry principle (Brandolini’s law), 2013

Non l’avevo mai notato. È una di quelle cose che non vedi perché non le guardi: il sito si apre, le pagine si leggono, i post escono. Funziona. Ma sotto il cofano diceva una cosa falsa a chiunque non fosse un essere umano con gli occhi: agli screen reader, ai motori di ricerca, ai traduttori automatici, e — sempre di più — agli agenti che leggono il web al posto delle persone.

Una riga sbagliata. Due lettere. en invece di it. E nessuno me l’aveva mai detto, perché nessuno legge davvero un sito personale a quel livello. Lo leggono le macchine. E le macchine, a differenza degli amici, non ti fanno notare che hai la patta aperta.

Read more

Come l’ho scoperto

C’è un progetto che si chiama The Website Specification: centoventotto regole su come dovrebbe essere fatto un sito web nel 2026, divise in dieci categorie — fondamenta, SEO, accessibilità, sicurezza, privacy, internazionalizzazione, e una categoria nuova di zecca, “agent readiness”, cioè quanto il tuo sito è leggibile dagli agenti AI.

L’ho preso come una checklist e ci ho passato il mio sito contro. Non per feticismo del punteggio — anche se sì, ho fatto pure il punteggio — ma perché ogni tanto vale la pena alzare il cofano e guardare cosa c’è sotto. Esattamente quello di cui parlavo nel post su LFS: capire i sistemi che usi, anche quando il sistema sei tu che l’hai costruito.

Il referto non è stato indolore. Oltre alla lingua sbagliata mancavano un sacco di cose che do per scontate sui siti degli altri e non avevo mai messo sul mio: niente sitemap.xml, niente robots.txt, niente security.txt, nessuna pagina sulla privacy, metadati per la condivisione social a metà, il tema scuro che c’è ma il browser non lo sa finché non carica il CSS. Roba da poco, presa una per una. Tutta insieme, il segnale che la mia vetrina aveva la polvere.

La vetrina

Perché di vetrina si tratta. Un sito personale non è un diario chiuso a chiave. È la cosa che qualcuno trova quando cerca il mio nome. È il posto dove un recruiter, un cliente, un’azienda — magari estera — si fa un’idea di chi sono prima ancora di scrivermi.

E qui devo essere onesto su una cosa che di solito non scrivo. Voglio essere trovato. Voglio che, da qualche parte fuori dall’Italia, qualcuno cerchi uno che sa fare le cose che so fare io e finisca qui. Voglio fare il salto del lavoro remoto con qualcuno che mi paga per quello che valgo, e non per quello che il mercato del body rental italiano ha deciso che vale un’ora del mio tempo.

Per farlo, il sito deve essere due cose insieme. Deve dire la verità sulla sua lingua — è italiano, ed è giusto così, è casa mia — ma deve anche esporre delle superfici in inglese per chi (o cosa) arriva da fuori. I metadati, la descrizione, un file nuovo che si chiama llms.txt dove, in inglese, c’è scritto chiaro: questo è il sito di uno sviluppatore italiano, ecco di cosa parla, ed è aperto a lavorare da remoto. Un biglietto da visita per le macchine.

La parte che mi fa storcere il naso

Sì, ho appena scritto che ho reso il mio sito più leggibile agli agenti AI. Io. Quello che nei post precedenti se la prende con le Big Tech e con l’Embrace-Extend-Extinguish applicato al software libero.

Non mi sfugge la contraddizione. La tengo lì, in piena vista, perché fingere il contrario sarebbe peggio. La verità è che il web del 2026 lo mediano sempre di più quei crawler lì. Se voglio essere trovato, devo decidere se parlare la lingua che parlano le macchine o restare puro ma invisibile. Ho scelto di parlare — ma alle mie condizioni.

Nel mio robots.txt i crawler AI sono ammessi, perché essere scoperti è il punto. Ma il file è scritto in modo che disattivarne uno sia una riga. E sto già guardando agli standard che stanno arrivando — i “content signals”, la proposta IETF sulle preferenze AI — che un domani mi lasceranno dire la cosa più onesta di tutte: cercami pure, rispondi a chi mi cerca, ma non addestrarci sopra il tuo modello senza chiedere. La differenza tra farsi trovare e farsi mungere. Voglio la prima, non la seconda.

URL stabili, dati strutturati, semantica pulita. Detta così è esattamente la roba che un hacker dovrebbe volere comunque, agenti o non agenti: un sito ordinato, comprensibile, che non mente su cosa è. Il fatto che faccia comodo anche alle macchine è un effetto collaterale, non il fine.

Le cose noiose contano

C’è poi tutta la parte che non si vede e che ho sistemato lo stesso. Un link “salta al contenuto” per chi naviga da tastiera. Il rispetto della preferenza prefers-reduced-motion, per chi sta male con le animazioni. Le icone social che adesso hanno un nome leggibile da uno screen reader invece di essere quadratini muti. Una pagina privacy che dice, nero su bianco, che non ti traccio e non uso cookie — perché è vero, e perché dirlo è il minimo.

Sono le cose noiose. Quelle che non fanno effetto, che nessuno nota se ci sono e tutti subiscono se mancano. Ma l’accessibilità non è un fronzolo da mettere alla fine se avanza tempo. È la differenza tra un sito che è di tutti e uno che è solo di quelli fatti come me: che ci vedono, che usano il mouse, che non hanno la nausea da movimento. Costruire per il caso fortunato è facile. Costruire perché il sito funzioni anche per chi parte svantaggiato è il lavoro vero.

Niente di magico

Non ho rifatto il sito. Non ho cambiato grafica, non ho riscritto niente da zero. Ho aggiunto un plugin, sistemato una manciata di file, scritto qualche riga di configurazione e un po’ di documentazione perché la prossima volta — io o chi mi dà una mano — non debba ripartire da zero a capire come gira tutto.

È manutenzione. Quella cosa poco eroica che separa una cosa viva da una cosa abbandonata. Il sito c’è da più di quindici anni. Ogni tanto rimettere in ordine la vetrina, togliere la polvere, raddrizzare l’insegna e — finalmente — scrivere nell’insegna la lingua giusta, è un modo di dirgli che ci tengo ancora.

E magari, già che l’insegna adesso si legge anche da fuori, qualcuno la legge.

L’entusiasmo di chi non sa ancora quanto è profonda la tana del coniglio. Ma l’entusiasmo è fondamentale per avere la voglia di capire, di conoscere, di scoprire. È la base della cultura hacker, è la base delle persone curiose che compongono il substrato su cui il free software è cresciuto e fiorito bello come è sempre stato, è l’humus in cui sono cresciuto io.

Oltre all’entusiasmo però servono possibilità. LFS e Linux hanno spopolato tra hacker, attivisti e curiosi proprio perché sono sempre stati sistemi aperti, documentati, comprensibili se hai voglia di spenderti (l’entusiasmo, appunto).

Non poteva essere lo stesso nel mondo Microsoft, perché Windows non puoi analizzarlo, non puoi smontarlo, non puoi studiarlo per capire qualcosa. Puoi hackerarlo, certo, ma non capisci mai intimamente la sua struttura a meno di non studiare come un matto, entrare in Microsoft nel team Windows e poter finalmente aprire i sorgenti. Senza vomitare.

Sedici anni dopo, LFS ha annunciato che non manterrà più la versione System V.

E permettetemi di dire che questo mi fa incazzare, non tanto per l’annuncio di cui condivido pensieri e parole con Dubbs, ma per il contesto più ampio in cui questo evento cade (nulla avviene nel vuoto).

Read more

Che è successo

Bruce Dubbs mantiene LFS da anni. Il primo febbraio ha scritto alla mailing list:

LFS esiste dal ‘99. Ventisette anni. Non è una distro da usare tutti i giorni. È un manuale. Ti prende per mano e ti guida nella compilazione di ogni singolo pezzo del sistema operativo. Dalla toolchain al kernel, dal bootloader ai servizi di base. Chi finisce LFS non ha solo un sistema funzionante. Ha capito cosa succede quando preme il pulsante di accensione.

Capiva.

D’ora in poi LFS documenta solo systemd. System V, il sistema di init che ha accompagnato Unix e Linux per decenni, sparisce. Chi vuole imparare come funziona un init semplice dovrà arrangiarsi.

Perché

Bruce indica due motivi.

Il primo è il carico di lavoro. LFS è un progetto di volontari. Mantenere due versioni parallele — systemd e System V — è diventato impossibile. Non è solo raddoppiare la documentazione. I due sistemi non sono più intercambiabili. Le dipendenze si sono intrecciate. Ogni nuovo pacchetto va testato due volte. Ogni aggiornamento può rompere qualcosa da una parte o dall’altra. I workaround si accumulano. I volontari si stancano.

Mi ricordo perfettamente quando durante la mia prima LFS a metà percorso ho cambiato il sistema per la gestione dell’hardware togliendo udev per fare le cose con uno scriptino che mi piaceva di più. Scomodo per una distro full-fledged, difficile da mantenere su scala, tutto vero, ma per me avere il pieno controllo di come l’hardware viene mappato, come gli IRQ vengono assegnati, come vengono creati i dispositivi a blocchi e come vengono legati i driver ai moduli generici e agli stessi dispositivi a blocchi era fondamentale, per capire che succede quando connetti una chiavetta. Udev è bellissimo eh, funziona da paura. Se non ti interessa capire come il sistema operativo comunica con l’hardware lato user space, cioè cosa succede quando attacchi una chiavetta al PC.

Il secondo motivo è peggio. GNOME e KDE ora richiedono funzionalità che solo systemd fornisce. Vuoi costruirti un desktop moderno? Ti serve systemd. Non c’è alternativa praticabile. Il lock-in si è propagato verso l’alto nello stack. Non è più solo il sistema di init. È tutto quello che ci sta sopra.

Bruce non nasconde il fastidio:

Bruce non è un nostalgico che rimpiange i bei tempi andati. È uno che ha dedicato anni della sua vita a insegnare come funzionano i sistemi.

I numeri

Ecco il dato che mi ha fermato:

1678 contro 22.

Lascia che affondi. 1678 file di codice C. Più file di configurazione, unit, timer, socket, target. Contro 22 file C e una cinquantina di script bash.

Con 22 file potevi leggere tutto. Potevi aprire ogni file, seguire il flusso dall’inizio alla fine, capire cosa fa ogni riga. Potevi tenere il sistema in testa. Modificarlo. Romperlo e ripararlo. Era un esercizio alla portata di una persona sola con tempo e curiosità.

Con 1678 no. Non perché sei stupido o pigro. Perché nessuno tiene in testa 1678 file. Neanche chi li ha scritti. A quel punto non stai più capendo un sistema. Ti stai fidando di un sistema.

Un sistema tra l’altro molto complesso, perché mentre con SysV tu dovevi studiare un software che fa da init system, con systemd tu studi uno stack intero che fa anche init. E filtrare la “parte init” dal resto su systemd non è banale. Puoi provarci, aspetto qui che io ho già dato (ampiamente).

L’ecosistema

systemd non è un semplice sistema di init. È diventato un ecosistema. C’è systemd-logind per la gestione delle sessioni. systemd-networkd per la rete. systemd-resolved per il DNS. systemd-timesyncd per la sincronizzazione del tempo. journald per i log. udev per i device. Ogni pezzo ha le sue configurazioni, le sue convenzioni, le sue interazioni con gli altri pezzi.

È un progetto ambizioso. Ha cercato di standardizzare e modernizzare l’infrastruttura di base di Linux. Ha risolto problemi veri: l’avvio parallelo dei servizi, la gestione delle dipendenze, l’integrazione con cgroups, la standardizzazione dei log. Funzionalità che servono, specialmente su server complessi e container.

Ma è opaco. Se qualcosa non funziona, non puoi aprire uno script e leggere cosa fa. Devi navigare un labirinto di unit, dipendenze, target, slice. Devi fidarti che qualcun altro abbia capito al posto tuo.

Mi è capitato l’anno scorso. Il portatile non si spegneva. Restava appeso su “A stop job is running” per due minuti prima di arrendersi. Con SysV avrei aperto lo script di shutdown, letto cosa faceva, trovato il problema. Con systemd ho passato un’ora a cercare tra journalctl, systemctl list-jobs, analisi dei target. Alla fine ho trovato il colpevole: un servizio che non rispondeva al SIGTERM. Ma il percorso per arrivarci è stato tortuoso. Non impossibile. Tortuoso. Praticamente, come dicono dalle mie parti, un dito nel c*lo.

Il punto

Non mi interessa stabilire se systemd è buono o cattivo. È una discussione da forum del 2014. L’ho già fatta, mi sono stancato.

Mi interessa una cosa diversa.

Nel 2010, quando scrivevo quel post su LFS, davo per scontato che capire fosse possibile. Era lì, la possibilità. Bastava volerlo abbastanza. Ti scaricavi i sorgenti, seguivi il manuale, compilavi tutto. Alla fine avevi un sistema che capivi. Pezzo per pezzo.

Sedici anni dopo quella possibilità si è ristretta. Non è sparita. È più stretta, è più complicata, è più opaca e offuscata da sistemi che certo sono enterprise-grade ma che non sono student-grade o hackable. Sicuramente, non è democratica. Al diavolo alle Big Tech che vogliono “democratizzare” tutto, coi loro sistemi opachi che di democratico hanno solo il consumo dei loro sistemi, non certo i sistemi stessi. Hanno imparato dai maestri del Big Tech, Microsoft, e il loro processo 3E, “Embrace, Extend, Extinguish”, ma applicato al free software.

LFS era la prova che capire era alla portata di un singolo. Il sentiero che potevi percorrere se volevi andare fino in fondo. Adesso quel sentiero passa per 1678 file C e un ecosistema di componenti interdipendenti.

Mi era capitato con Samba, un progetto enorme e complicatissimo, che a un certo punto ho semplicemente smesso di leggere e ho deciso che fidarmi era l’unica soluzione. È un mostro. Ma systemd non è Samba, non puoi NON installarlo. Samba si, se non ti serve accedere alle Share di rete Windows che magari è un’esigenza di nicchia, o puoi usare un FuseFS per accedere alle share di rete, ce ne sono alcuni carini per cose spot, se non ti serve avere tutte le mega funzionalità di Samba (tra cui integrazione con Active Directory).

systemd no, non ha alternative valide, non puoi avere un drop-in replacement decente, il resto del sistema deve essere consapevole che sotto non c’è systemd, perché non basta rimpiazzarlo, serve comunicare a tutti che non è lui l’init system. Con Samba non serve, hai una cartella, qualcuno l’avrà montata (smbmount, mount -o fusefs qualcosa, qualche altro software), tu la navighi e accedi ai file.

La cosa che mi inquieta è che è successo gradualmente. Nessuno l’ha deciso. È il risultato di mille piccole decisioni prese da mille persone diverse, ognuna razionale nel suo contesto. Sommate insieme producono un effetto che nessuno aveva pianificato.

Chi scrive il codice

systemd è un progetto sponsorizzato da Red Hat. I suoi sviluppatori sono in larga parte dipendenti di aziende. Le feature che vengono implementate rispondono a esigenze enterprise: gestione di container, orchestrazione di servizi complessi, integrazione con stack cloud.

Sono esigenze legittime. Ma non sono le tue esigenze quando vuoi capire perché il portatile ci mette 30 secondi a spegnersi. Non sono le mie esigenze quando voglio sapere cosa succede al boot.

Non sto suggerendo una cospirazione. È più banale. È come funziona l’economia del software libero oggi. Chi paga gli sviluppatori decide le priorità. E chi paga, oggi, sono le grandi aziende. Le conseguenze le subiamo tutti. Ma non tutti abbiamo voce in capitolo.

Il codice è aperto. Puoi leggerlo. La direzione la decidono altri. E fa schifo.

LFS è di nicchia

Lo so cosa stai pensando. LFS è di nicchia. Quanti lo completano davvero? Mille persone all’anno? Diecimila? È irrilevante rispetto ai milioni che usano Ubuntu senza sapere cos’è un init.

Vero.

Ma il valore di LFS non stava nei numeri. Stava nel fatto che esisteva. Era la prova che capire era possibile. Il sentiero che qualcuno poteva percorrere se voleva andare fino in fondo.

Ho conosciuto gente che ha fatto LFS. Non erano geni. Erano persone normali con tempo e curiosità. Studenti, hobbisti, sysadmin che volevano capire cosa c’era sotto. Alcuni ci hanno messo mesi. Altri hanno mollato a metà e ripreso l’anno dopo. Nessuno di loro è diventato un kernel developer. Ma tutti hanno capito qualcosa che prima non capivano.

Quel percorso esisteva. Era accessibile. Non facile, ma accessibile.

Quando quel sentiero si restringe, non perdiamo solo chi lo percorreva. Perdiamo la possibilità stessa. L’idea che il sistema sotto i nostri piedi sia comprensibile, modificabile, nostro in un senso che va oltre il mero utilizzo.

Ah, “nostro” non intendo di noi addetti ai lavori. Maintainer, sviluppatori kernel, gente che legge codice C a colazione - quelli se la cavano comunque. Chi ha perso è lo studente al terzo anno di Ingegneria che apre il Tanenbaum e vuole andare più a fondo. Lo smanettone curioso. Quello che magari non vuole finire consulente-schiavo in qualche ditta di body rental.

La complessità è inevitabile?

Altra obiezione ovvia. I sistemi crescono. L’hardware diventa più potente. Le aspettative aumentano. La complessità è inevitabile.

In parte è vero. Ma 22 file contro 1678 non è crescita organica. È un ordine di grandezza (o anche due). È passare da qualcosa che un individuo può dominare a qualcosa che richiede un’organizzazione.

E poi c’è la questione di cosa conta come “complessità necessaria”. systemd ha aggiunto funzionalità che SysV non aveva. Avvio parallelo. Gestione delle dipendenze. Socket activation. Cgroups integration. Sono cose utili.

Ma alcune di quelle funzionalità esistono da anni in sistemi molto più piccoli. s6 fa socket activation. runit fa supervisione dei processi. OpenRC gestisce le dipendenze. Lo fanno con meno codice, meno astrazione, meno opacità.

La differenza è nell’ambizione. systemd vuole essere tutto: init, logger, network manager, DNS resolver, time sync, login manager. Vuole standardizzare l’intera infrastruttura di base. Non è strettamente necessario per far partire un computer. Ma è utile se gestisci un datacenter.

Faccio una domanda che può chiarire meglio il punto: _tutta quella complessità serve a te? È necessaria per i tuoi casi d’uso? O serve ai casi d’uso di Red Hat e dei suoi clienti enterprise?

Non ho una risposta. (Beh, una ce l’avrei, ma non voglio denunzie-querele da colossi del tech)

Cosa resta

Non voglio chiudere in modo apocalittico, perché non è questa la situazione. Il software libero non è morto. Linux non è morto. La possibilità di capire non è sparita. È solo tutto molto, molto, molto (ordini di grandezza) più complesso.

Esistono alternative. Void Linux usa runit. Alpine usa OpenRC. Artix e Devuan offrono scelte multiple. Progetti come s6 e dinit dimostrano che un sistema di init può essere potente senza essere mastodontico. Sono sistemi che puoi leggere, capire, modificare. Esistono ancora.

Ho usato Void per un paio d’anni. runit è elegante. Tre fasi: setup, run, finish. Ogni servizio è una directory con uno script. Vuoi sapere cosa fa? Apri lo script. Vuoi cambiarlo? Editi lo script. Nessuna magia, nessun database binario, nessuna astrazione che nasconde cosa succede.

Poi sono tornato a una distro mainstream per questioni pratiche. Hardware nuovo, driver proprietari, software che richiedeva systemd. La solita storia.

E NVIDIA. Dio quanto odio NVIDIA. Fuck NVIDIA.

Esistono persone che mantengono viva la semplicità. Spesso con poco riconoscimento e meno soldi. Sono comunità piccole. A volte ruvide. A volte elitarie nel modo sbagliato.

Anche restando nel mondo systemd, capire è ancora possibile. La documentazione è buona. I sorgenti sono aperti. Non è impossibile. È solo molto più difficile di prima.

E “molto più difficile” significa, in pratica, che meno gente lo farà. Capire diventa un’attività da specialisti. Non più da curiosi. Non più da ventenni con tempo e voglia di smontare le cose.

Una serie

Questo è il primo post di una serie. Non so ancora quanti saranno. L’idea è esplorare cosa sta succedendo al software libero. Non dal punto di vista degli attivisti - quelli sono già convinti. Dal punto di vista di chi usa Linux tutti i giorni senza farsi troppe domande.

Non voglio fare prediche. Non voglio convincere nessuno che systemd è il male o che bisogna tornare a SysV. Non mi interessa. Mi interessa porre domande che forse non ti sei mai posto. O che non ci poniamo abbastanza come comunità.

Tipo: il codice è aperto, ma chi decide cosa ci finisce dentro? Le licenze sono libere, ma chi ha le risorse per contribuire? Il sistema è tuo, ma quanto ne capisci davvero?

Quello che mi chiedo: quanto capisci del sistema che usi? Quanto potresti capire, se volessi?

Nel prossimo post parlerò di un altro livello. Chi decide cosa può girare sulla tua macchina. Secure Boot, firmware blob, Intel ME. Perché avere root non significa avere il controllo.

E chiudo con una domanda: quanto è ipocrita sbandierare la GPLv3, baluardo della libertà di hacking, in progetti guidati da chi del profitto fa l’unico scopo di esistenza?

La mia risposta, visto che è casa mia: molto. C’è una parola per chi predica libertà mentre costruisce gabbie. Non la scrivo io. La lascio a chi l’aveva capita oltre settant’anni fa:

No. Non fai poco, fai NIENTE. Statisticamente irrilevante. Come se gli algoritmi dovessero andare in crash ogni volta che 1,4 miliardi di indiani vanno a dormire la sera.

Read more

Il messaggio dice di spegnere tutti i telefoni dalle 21:00 alle 21:30 per “disturbare gli algoritmi” e costringerli a dare visibilità ai contenuti su Gaza. Promette di creare un “forte segnale digitale” che manderà “in tilt” i sistemi dei social network.

È una cazzata.

Perché è tecnicamente impossibile (spiegazione per umani)

Gli algoritmi di Facebook, Instagram, TikTok e Twitter elaborano miliardi di interazioni ogni giorno. MILIARDI. Sono progettati per gestire fluttuazioni enormi nell’attività degli utenti.

Tipo: ogni sera, quando l’India va a dormire, 1,4 miliardi di persone smettono di interagire sui social. Gli algoritmi se ne accorgono? No. Continuano a funzionare normalmente.

Trenta minuti di silenzio da parte di qualche migliaio di italiani? È come sputare in un oceano sperando di alzarne il livello. Letteralmente invisibile nelle statistiche globali.

Ma soprattutto - e qui casca l’asino - gli algoritmi non ottimizzano per la “presenza” degli utenti. Ottimizzano per l’engagement: like, commenti, condivisioni, tempo di visualizzazione. Se non interagisci, il sistema continua a funzionare con chi invece sta interagendo. Che sono miliardi di persone sparse su tutti i fusi orari del pianeta.

È come se io spegnessi la radio in cucina sperando che la Rai andasse fuori onda. Non funziona così.

Chi c’è dietro questa bufala

PeaceLink.it lo ha già smontato il 13 maggio 2025. Alessandro Marescotti l’ha definita una “bufala” senza mezzi termini. Il Fatto Quotidiano ha fatto lo stesso il 21 giugno, catalogandola come “bufala ricorrente” che torna periodicamente con date aggiornate.

Il messaggio si attribuisce falsamente al movimento “March to Gaza” (MTG). Ho controllato: March to Gaza è un’organizzazione legittima, ma non ho trovato evidenze di loro coinvolgimento in campagne di blackout digitale. È la classica tecnica del furbacchione: prendi il nome di un’organizzazione vera per dare credibilità alla tua panzana.

La struttura del messaggio segue tutti i pattern classici della disinformazione: linguaggio urgente, gergo pseudo-tecnico per sembrare credibile, manipolazione emotiva, e quella chiusura con “regola l’orologio e SPEGNI IL TELEFONO!” tipica dei messaggi a catena.

Come funziona davvero l’attivismo digitale serio

Se volete vedere come si fa sul serio, date un’occhiata a organizzazioni come 7amleh - Arab Center for Social Media Advancement. Questi coordinano davvero azioni digitali efficaci per i diritti palestinesi. Ma lo fanno con:

• Campagne hashtag strategiche coordinate
• Creazione di contenuti sostenuta nel tempo
• Pressione documentata sulla censura delle piattaforme
• Supporto al giornalismo cittadino da Gaza
• Raccolta fondi per aiuti umanitari verificati

Notate la differenza? Roba concreta. Non pensiero magico su algoritmi che vanno in tilt.

Il danno che fa questa bufala

Ecco perché mi incazzo (civilmente) ogni volta: questa roba danneggia la vera solidarietà con Gaza. Come?

1. Spreca energie: Invece di donare ad organizzazioni verificate o fare pressione sui governi, la gente si sente apposto dopo 30 minuti di “silenzio digitale”

2. Falsa speranza: Promette soluzioni facili a problemi complessi. “Basta spegnere il telefono e risolviamo tutto!”

3. Delegittima l’attivismo: Quando la bufala viene smascherata, la gente perde fiducia anche nelle iniziative autentiche

La situazione a Gaza è devastante (e ne ho già parlato qui): 1,9 milioni di sfollati su 2,1 milioni di abitanti, 186 giornalisti uccisi secondo il Committee to Protect Journalists, infrastrutture di comunicazione sistematicamente distrutte. Merita azioni vere, non rituali digitali che servono solo a far sentire meglio chi li fa.

Perché ci cascate (psicologia spicciola)

Il messaggio è progettato per sfruttare vulnerabilità psicologiche specifiche:

• Urgenza emotiva: Di fronte a una tragedia umanitaria, vogliamo fare qualcosa, qualsiasi cosa
• Falso empowerment: Promette che una semplice azione individuale possa avere impatto collettivo
• Gergo pseudo-tecnico: “impatto algoritmico”, “anomalia comportamentale” - suona scientifico
• Rete familiare fidata: Nei gruppi famiglia abbassiamo la guardia critica

È studiato apposta per aggirare il vostro fact-checking mentale. E ci riesce.

Cosa fare davvero (azioni concrete)

Se volete davvero aiutare Gaza e non farvi solo un massaggio alla coscienza:

• Donazioni verificate:
  • UNRWA (Agenzia ONU per i rifugiati palestinesi)
  • Medici Senza Frontiere - progetti Gaza
  • Palestinian Red Crescent Society
• Pressione politica:
  • Contattate i vostri rappresentanti parlamentari
  • Supportate organizzazioni come Amnesty International
  • Partecipate a manifestazioni legali organizzate
• Informazione di qualità:
  • Seguite giornalisti palestinesi verificati
  • Condividete reportage di testate credibili
  • Documentatevi presso fonti autorevoli (B’Tselem, Human Rights Watch)
• Pressione sui social:
  • Denunciate la censura documentata dei contenuti palestinesi
  • Supportate le richieste di trasparenza negli algoritmi
  • Amplificate le voci palestinesi autentiche

Roba seria. Non magia digitale.

Linkografia verificata

• PeaceLink - “Bufala del blackout digitale” (13 maggio 2025)
• Il Fatto Quotidiano - analisi bufala ricorrente (21 giugno 2025)
• 7amleh - Arab Center for Social Media Advancement
• Committee to Protect Journalists - Gaza data
• UN OCHA - Gaza humanitarian situation

Conclusione: la solidarietà non è un giochetto

Capiamoci: sono il primo a voler vedere più contenuti su Gaza nei social. Sono il primo ad essere disgustato dalla censura sistematica che subiscono le voci palestinesi. Ma la soluzione non è il pensiero magico.

La solidarietà vera richiede impegno continuativo, non rituali simbolici che durano mezz’ora. Richiede donazioni, pressione politica, informazione di qualità, azioni concrete che abbiano impatto misurabile.

Spegnere il telefono per 30 minuti non “disturba” nessun algoritmo. Disturba solo me, che devo continuare a spiegare perché non funziona.

La prossima volta che vi arriva questo messaggio, invece di inoltrarlo, considerate di donare quei 30 minuti a qualcosa di utile. O almeno, per pietà, non giratelo a me.

Scritto da un programmatore stanco di dover spiegare l’ABC degli algoritmi ai parenti che credono alle catene di Sant’Antonio digitali. Se anche voi ricevete ‘sta roba, linkate pure questo articolo. Almeno servirà a qualcosa.

Read more

Se hai iniziato a programmare in Java dopo il 2010, probabilmente non hai mai visto certe brutture. Se invece hai vissuto Java 1.0, sai quanto male si potesse stare. E se sei come me, che ho iniziato quando Vector era ancora considerato “best practice”, beh… abbiamo visto cose che voi umani non potreste immaginare.

Ma diciamo le cose come stanno: Java nasce il 23 gennaio 1996 con un’ossessione malata per la sicurezza. E quando dico malata, intendo proprio patologica. James Gosling e il suo team avevano assistito ai massacri del C++, dove un puntatore sbagliato mandava in crash l’intero sistema, dove la gestione manuale della memoria era come giocare a Russian Roulette bendati, dove il multithreading era una disciplina esoterica per masochisti con tendenze suicide.

La loro risposta fu quella che oggi chiameremmo “helicopter parenting” applicato al design di linguaggi: tutto automatico, tutto sicuro, tutto controllato, tutto deciso per te. Non ci fidiamo di te neanche a respirare da solo.

Ecco perché Vector e Hashtable erano sincronizzati per default. Non era una scelta tecnica, era una dichiarazione filosofica: “Il multithreading è così pericoloso che lo rendiamo obbligatorio ovunque, anche quando non serve”. Il fatto che questo rallentasse anche le applicazioni single-thread era considerato un prezzo accettabile per la sicurezza. I progettisti di Sun avevano una visione apocalittica del futuro: ogni applicazione sarebbe stata multi-thread, ogni oggetto sarebbe stato condiviso, ogni accesso concorrente sarebbe stato una potenziale catastrofe.

Vector items = new Vector();
items.addElement("item1");
items.addElement(new Integer(42)); // Mix di tipi? Normale all'epoca
for (int i = 0; i < items.size(); i++) {
    Object item = items.elementAt(i); // Tutto è Object
    String str = (String) item; // Preghiera e cast
}

Questo codice incarnava perfettamente la filosofia Java 1.0: paternalismo tecnologico allo stato puro. Non potevi scegliere il tipo di sincronizzazione, non potevi evitare i cast, non potevi nemmeno fidarti che un elemento di una collezione fosse del tipo che pensavi. Java decideva per te, sempre.

E poi c’era Date. Madonna santa, la classe Date. Se devo nominare l’API più odiosa mai partorita dalla mente umana, Date di Java 1.0 vince a mani basse. Era come se l’avessero progettata apposta per farti bestemmiare in lingue che non sapevi neanche di conoscere:

Date christmas = new Date();
christmas.setYear(2023 - 1900); // Perché -1900? Perché MAGIA!
christmas.setMonth(11); // Dicembre è 11, non 12. Logico, no?
christmas.setDate(25); // Ma il giorno è 1-based. Coerenza? Mai sentita.

Ogni volta che vedevo questo codice, una parte della mia anima moriva. Date era mutabile (quindi poteva essere modificata alle tue spalle), SimpleDateFormat non era thread-safe (quindi condividerlo tra thread era come giocare alla roulette russa), ed entrambi sembravano progettati da qualcuno che odiava profondamente sia il tempo che l’umanità.

Il garbage collector Serial di Java 1.0 seguiva la stessa logica del “papà sa meglio”: “La gestione della memoria è troppo complicata per voi mortali, quindi la facciamo noi. Non importa se fermiamo tutto per secondi interi, almeno non avrete memory leak”. Era la filosofia del “meglio paralizzato che morto”, portata all’estremo del ridicolo.

Ma già con Java 1.2, iniziarono a emergere le prime crepe in questa muraglia paternalistica. Le Collection Framework introdussero ArrayList e HashMap non sincronizzati, affiancati da Collections.synchronizedList() per quando la sincronizzazione serviva davvero. Era un piccolo passo per il codice, ma un grande passo per l’umanità dei programmatori: per la prima volta, Java ammetteva che il programmatore potesse essere abbastanza intelligente da scegliere.

List items = new ArrayList(); // Scelta: velocità
List safeItems = Collections.synchronizedList(new ArrayList()); // Scelta: sicurezza

Questa non era solo una questione di prestazioni. Era l’inizio di un nuovo contratto sociale tra linguaggio e programmatore: “Ti diamo gli strumenti, tu scegli come usarli”. Il gruppo di sviluppo stava iniziando a capire che la flessibilità era più importante della protezione totale.

Il Parallel GC che arrivò con Java 1.2 rifletteva lo stesso cambio di mentalità. Invece di imporre una strategia unica di garbage collection, iniziarono a sperimentare con approcci diversi. Era l’ammissione implicita che il Serial GC non era la soluzione universale che avevano immaginato.

Con Java 1.4 e NIO, assistiamo al primo vero atto di fiducia verso il programmatore. L’I/O non bloccante era complesso come assemblare un mobile IKEA senza istruzioni, ostico come una conversazione con l’ex, pieno di insidie come un campo minato:

Selector selector = Selector.open();
SocketChannel channel = SocketChannel.open();
channel.configureBlocking(false);
channel.register(selector, SelectionKey.OP_READ);

Questo codice era l’antitesi totale della filosofia Java 1.0. Era complesso, richiedeva comprensione profonda, poteva facilmente essere usato male. Ma i progettisti lo inclusero comunque, perché stavano iniziando a capire una cosa fondamentale: nascondere la complessità sotto il tappeto non la elimina, la sposta solo nel posto più scomodo possibile.

E poi arrivò la vera rivoluzione filosofica con Java 5. I generics non erano solo una funzionalità tecnica, erano una dichiarazione di guerra al paternalismo: “Ci fidiamo di voi abbastanza da darvi un sistema di tipi più sofisticato”. Era l’ammissione che i programmatori potevano gestire la complessità aggiuntiva in cambio di maggiore sicurezza e espressività.

List<String> items = new ArrayList<String>();
// Il programmatore dichiara l'intenzione, il compilatore la verifica

Il passaggio da cast runtime a controlli compile-time rappresentava un cambio filosofico più profondo di una crisi di mezza età: da “proteggiamo il programmatore nascondendo i problemi sotto il materasso” a “aiutiamo il programmatore a identificare i problemi prima che facciano danni”. Era la nascita di una collaborazione vera tra linguaggio e sviluppatore, come Batman e Robin, ma senza i mutandoni.

Le annotazioni di Java 5 portarono questa filosofia ancora più avanti. Invece di nascondere metadati nel codice o in file esterni, li esponevano direttamente:

@Override
public String toString() { return "Person"; }

Era un’ammissione che il programmatore non solo poteva gestire metadati espliciti, ma che questi potevano rendere il codice più chiaro e verificabile. Le annotazioni trasformarono Java da linguaggio che nascondeva l’intenzione a linguaggio che la celebrava.

Gli enum di Java 5 demolirono il modello “typesafe enum” che tutti usavamo, sostituendolo con una soluzione nativa. Ma la vera lezione non era tecnica: era che il linguaggio poteva e doveva imparare dalle convenzioni della comunità, codificandole invece di ignorarle.

Il periodo Java 6-7 fu di consolidamento, ma le poche novità mostravano una tendenza chiara come l’acqua di montagna. Il try-with-resources di Java 7 era l’esempio perfetto di come la filosofia fosse cambiata da “paternalismo tossico” a “collaborazione intelligente”:

try (BufferedReader reader = new BufferedReader(new FileReader("file.txt"))) {
    // Il compilatore si occupa della chiusura automatica
}

Non era paternalismo (“non ci fidiamo a lasciarti gestire le risorse perché sei un idiota”) ma collaborazione (“ti diamo uno strumento che rende impossibile dimenticare di chiudere le risorse perché siamo tutti umani”). La differenza è sottile come un filo di ragno ma fondamentale come l’ossigeno: non toglieva controllo al programmatore, gli dava un modo migliore di esprimere l’intenzione.

Java 8 rappresentò la rottura definitiva con la filosofia originale. L’introduzione della programmazione funzionale non era solo un’aggiunta di funzionalità, era un’ammissione che il paradigma object-oriented puro non era sufficiente per tutti i problemi. Era Java che diceva: “Abbiamo sbagliato a pensare che tutto dovesse essere un oggetto”.

people.stream()
    .filter(person -> person.getAge() > 30)
    .map(person -> person.getName().toUpperCase())
    .collect(Collectors.toList());

Gli stream rappresentavano un cambio di paradigma da imperativo a dichiarativo, da “come fare” a “cosa fare”. Ma più profondamente, rappresentavano la fiducia che i programmatori potessero gestire un modello mentale più astratto in cambio di codice più espressivo.

Optional fu ancora più rivoluzionario dal punto di vista filosofico, tipo la scoperta che la Terra non è piatta:

public Optional<String> getCustomerCity(Long customerId) {
    return customerRepository.findById(customerId)
        .map(Customer::getAddress)
        .map(Address::getCity);
}

Era l’ammissione che nascondere la possibilità di valori null era stato un errore colossale, come nascondere le chiavi dell’auto a un adolescente. Invece di “proteggere” il programmatore dai null, Optional li rendeva espliciti e gestibili. Era un perfetto esempio della nuova filosofia: collaborazione trasparente invece di protezione opaca.

Le lambda di Java 8 completarono questa trasformazione meglio di un makeover televisivo. Permettere funzioni come cittadini di prima classe significava abbandonare completamente l’ortodossia object-oriented originale. Era Java che ammetteva: “I paradigmi sono strumenti, non religioni. E noi non siamo più fondamentalisti”.

Nel frattempo, l’evoluzione dei garbage collector rifletteva lo stesso cambio di mentalità. Da un GC unico e universale (“una taglia va bene per tutti, come i cappelli da baseball”), si passò a un ecosistema di GC specializzati: G1 per bassa latenza, Parallel per velocità di elaborazione pura, CMS per reattività. Era l’ammissione che non esiste una soluzione perfetta per tutti i casi d’uso, come non esiste una scarpa perfetta per tutti i piedi.

Java 9 e il Project Jigsaw rappresentarono forse il tentativo più ambizioso (e coraggioso) di applicare la nuova filosofia. I moduli erano un sistema complesso come una centrale nucleare, potente come un reattore a fusione, che richiedeva comprensione profonda:

module com.example.myapp {
    requires java.base;
    exports com.example.myapp.api;
}

Era Java che diceva: “Vi diamo un sistema di modularità di livello enterprise, anche se è complesso da imparare come il cinese mandarino e vi farà bestemmiare in ostrogoto”. Il fatto che molti sviluppatori l’abbiano ignorato come un parente fastidioso non cambia la filosofia sottostante: meglio dare strumenti potenti che possono essere ignorati, che non darli affatto e lamentarsi dopo.

Con i moduli arrivarono anche gli strumenti per creare distribuzioni personalizzate. jlink permetteva di costruire runtime Java su misura, contenenti solo i moduli necessari:

jlink --module-path $JAVA_HOME/jmods:myapp.jar \
      --add-modules com.example.myapp \
      --output myapp-runtime

Era l’ammissione finale che Java monolitico non era sempre la risposta giusta. Meglio dare la possibilità di personalizzare che imporre una soluzione universale.

L’introduzione di var in Java 10 fu quasi simbolica. Era l’ammissione finale che la verbosità non era sinonimo di chiarezza:

var complexMap = new HashMap<String, List<String>>();

Per un linguaggio nato con l’ossessione della dichiaratività esplicita, permettere l’inferenza di tipo era una rivoluzione. Era Java che finalmente diceva: “Ci fidiamo di voi abbastanza da lasciare che il compilatore deduca ciò che è ovvio”.

Java 11 consolidò molte di queste idee, aggiungendo strumenti più moderni come HttpClient:

HttpClient client = HttpClient.newHttpClient();
HttpResponse<String> response = client.send(
    HttpRequest.newBuilder().uri(URI.create("https://api.example.com")).build(),
    HttpResponse.BodyHandlers.ofString()
);

Non era solo un’API migliore, era l’ammissione che le API originali di Java erano inadeguate per il mondo moderno. Era Java che diceva: “Sbagliamo, impariamo, miglioriamo”.

Le switch expression di Java 12-13 continuarono questa tendenza:

String result = switch (day) {
    case MONDAY, FRIDAY -> "Giorno intenso";
    case TUESDAY -> "Giorno tranquillo";
    default -> "Giorno normale";
};

Più concise, meno soggette a errori (niente break dimenticati), più funzionali. Era l’evoluzione naturale del pensiero “collaboriamo con il programmatore invece di costringerlo a verbosità inutile”.

I text block di Java 13 eliminarono anni di frustrazione con le stringhe multi-riga:

String json = """
    {
      "name": "John",
      "age": 30
    }
    """;

JSON, SQL, HTML finalmente leggibili nel codice. Era l’ammissione che la sintassi delle stringhe di Java 1.0 era inadeguata per il mondo moderno.

I record di Java 14 completarono un altro cerchio filosofico. Java era nato con l’idea che tutto dovesse essere un oggetto complesso con comportamenti. I record ammettevano che a volte i dati sono semplicemente dati:

public record Person(String name, int age, String email) {}

Era l’abbandono del dogma “tutto deve avere metodi” in favore di un approccio più pragmatico: i dati sono importanti quanto i comportamenti, e meritano rappresentazioni dedicate.

Le sealed class di Java 17 rappresentarono un altro tipo di fiducia nel programmatore. Invece di nascondere le gerarchie di tipi, le rendevano esplicite e controllabili:

public sealed abstract class Shape permits Circle, Rectangle {
    // Il programmatore dichiara esplicitamente tutte le implementazioni possibili
}

Era Java che diceva: “Vi diamo il controllo totale sulla vostra gerarchia di tipi, e confidiamo nel fatto che lo userete saggiamente”.

Nel frattempo, la guerra dei garbage collector si intensificava. Shenandoah di Red Hat prometteva pause sub-millisecondo:

java -XX:+UseShenandoahGC MyApp
# Pause GC < 1ms, indipendentemente dalla dimensione dell'heap

Oracle rispose con ZGC, ancora più aggressivo:

java -XX:+UseZGC MyApp
# Pause < 10ms, heap fino a 16TB

Era la competizione a portare benefici: invece di un garbage collector unico imposto dall’alto, c’era scelta basata sulle necessità specifiche.

I virtual thread di Java 19 rappresentano forse l’esempio più perfetto della nuova filosofia Java, come la sintesi perfetta di una sinfonia. Invece di costringere i programmatori a scegliere tra semplicità (thread platform) e scalabilità (programmazione asincrona da mal di testa), offrono entrambe come un buffet all-you-can-eat:

try (var executor = Executors.newVirtualThreadPerTaskExecutor()) {
    for (int i = 0; i < 10000; i++) {
        executor.submit(() -> {
            try {
                Thread.sleep(Duration.ofSeconds(1));
                // Codice sincrono che scala come asincrono, magia pura
            } catch (InterruptedException e) {
                Thread.currentThread().interrupt();
            }
        });
    }
}

È la sintesi perfetta di 30 anni di evoluzione: uno strumento potente che non sacrifica la semplicità, che collabora con il programmatore invece di sostituirsi a lui come un genitore invadente.

Il pattern matching moderno chiude il cerchio iniziato con i cast del terrore di Java 1.0:

return switch (obj) {
    case String s -> "String of length " + s.length();
    case Integer i -> "Integer with value " + i;
    case null -> "null value";
    default -> "Unknown type";
};

Da cast manuali e madonne a pattern matching che non sbaglia mai. È la differenza tra “non ci fidiamo neanche a farti scegliere i calzini” e “ecco gli strumenti giusti, facci vedere cosa sai fare”.

L’evoluzione degli strumenti di sviluppo riflette la stessa filosofia. Da javac spartano che dava errori criptici, siamo passati a IDE intelligenti che predicono l’intenzione del programmatore. Da JUnit con ereditarietà obbligatoria a framework basati su annotazioni che rispettano la struttura del tuo codice:

// JUnit 3 - ereditarietà forzata
public class MyTest extends TestCase {
    public void testSomething() {
        assertEquals("expected", actual);
    }
}

// JUnit 4+ - annotazioni collaborative
public class MyTest {
    @Test
    public void testSomething() {
        assertEquals("expected", actual);
    }
}

Persino l’ecosistema più ampio riflette questo cambio. Maven standardizzò il processo di build ma lasciò flessibilità nella configurazione. Gradle andò oltre, rendendo il processo di build stesso programmabile. Spring Boot automatizzò la configurazione ma lasciò tutti i punti di estensione necessari:

@RestController
public class HelloController {
    @GetMapping("/hello")
    public String hello() {
        return "Hello World";
    }
}

Un’annotazione e hai un web server. Nel 2000 servivano 50 righe di XML e 3 file war.

I garbage collector moderni come ZGC e Shenandoah rappresentano l’apice di questa evoluzione: pause sub-millisecondo anche con heap multi-terabyte, senza richiedere cambiamenti al codice applicativo. È la collaborazione perfetta: la JVM si occupa di prestazioni estreme, il programmatore si concentra sulla logica di business.

Ma il futuro è già qui, e stavolta è vero (non come quando ce lo dicevano nel 2000). Le Foreign Function & Memory API, dopo anni di sviluppo come Project Panama e più preview di un film Marvel, sono diventate stabili con Java 22 nel marzo 2024. Non sono più preview, sono production-ready come un panettone a Natale:

// Java 22+ - FFM API finalmente adulta
Linker linker = Linker.nativeLinker();
SymbolLookup stdlib = linker.defaultLookup();
MemorySegment strlenAddress = stdlib.find("strlen").orElseThrow();

FunctionDescriptor descriptor = FunctionDescriptor.of(
    ValueLayout.JAVA_LONG, 
    ValueLayout.ADDRESS
);
MethodHandle strlen = linker.downcallHandle(strlenAddress, descriptor);

try (Arena offHeap = Arena.ofConfined()) {
    MemorySegment str = offHeap.allocateUtf8String("Hello FFM!");
    long len = (long) strlen.invoke(str);
    System.out.println("Length: " + len);
}

È l’integrazione perfetta di sicurezza e potenza: accesso diretto al codice nativo, gestione automatica della memoria con Arena, prestazioni 4-5 volte superiori a JNI. È Java che finalmente dice: “Ti diamo il controllo totale, ma con tutti i guard rail necessari. Divertiti ma non farti male”.

Java 24, uscito proprio questo marzo 2025, porta questa filosofia a livelli che sarebbero sembrati fantascienza nel 1995. Con i suoi 24 JEP (un record che nemmeno i Pearl Jam!), rappresenta il culmine di anni di evoluzione. I virtual thread finalmente non si bloccano più sui synchronized - il problema del “pinning” è stato risolto come si risolve un Cubo di Rubik: con pazienza, ingegno e parecchie bestemmie (probabilmente):

// Java 24 - virtual threads liberi finalmente!
try (var executor = Executors.newVirtualThreadPerTaskExecutor()) {
    for (int i = 0; i < 1000000; i++) {
        executor.submit(() -> {
            synchronized (sharedResource) {
                // Prima il thread platform si bloccava, ora è libero!
                doBlockingIO();
            }
        });
    }
}

La Stream Gatherers API è finalmente stabile, e puoi scrivere operazioni stream custom che prima richiedevano la laurea in contorsionismo mentale:

// Java 24 - stream operations su misura
List<String> result = stream
    .gather(windowFixed(3)) // Finestre di 3 elementi
    .gather(scan(() -> 0, Integer::sum)) // Somma cumulativa
    .map(String::valueOf)
    .toList();

E poi ci sono i Compact Object Headers che riducono l’overhead di memoria da 12 a 8 byte per oggetto. Sembra poco, ma per applicazioni con milioni di oggetti è come passare da un SUV a una bicicletta in termini di consumo.

Il supporto per crittografia quantistica-resistente con ML-KEM e ML-DSA prepara Java per un futuro dove i computer quantistici renderanno obsoleta la crittografia attuale. È Java che anticipa problemi che ancora non abbiamo.

E Java 25, il prossimo LTS in arrivo a settembre 2025? Sarà a pochi mesi dal vero trentesimo compleanno (23 gennaio 2026 - data che per me ha un significato speciale oltre a Java), e promette di essere una celebrazione degna. Il pattern matching finalmente funzionerà con i tipi primitivi:

// Java 25 - pattern matching con primitivi
static void test(Object obj) {
    switch (obj) {
        case int i when i > 0 -> System.out.println("Positive int: " + i);
        case double d -> System.out.println("Double: " + d);
        case String s -> System.out.println("String: " + s);
        default -> System.out.println("Something else");
    }
}

Le module import declarations semplificheranno la gestione delle dipendenze:

// Java 25 - import di moduli completi
import module java.base;
import module java.sql;
// Tutto il contenuto del modulo disponibile

I file sorgente semplificati permetteranno finalmente di scrivere script Java senza classi (finalmente Java-Script done right):

// Java 25 - script senza classi
void main() {
    System.out.println("Hello Java 30th anniversary!");
}

È Java che ammette: “Non tutto deve essere enterprise-grade. A volte serve solo semplicità”.

E all’orizzonte c’è Project Valhalla con i value types, che promettono di rivoluzionare ancora una volta le prestazioni:

// Project Valhalla - futuro
public value class Point {
    private final int x, y;
    
    public Point(int x, int y) {
        this.x = x;
        this.y = y;
    }
}

// Array di value types - nessun overhead di oggetti
Point[] points = new Point[1000000]; // Packed in memoria, prestazioni native

Sarà l’ultimo tassello: oggetti senza identità ma con prestazioni estreme, array densi come in C ma con la sicurezza di Java.

Quello che mi colpisce di più guardando questo percorso dal 1996 al 2025 è quanto sia stata inconsapevole per molto tempo questa evoluzione. I progettisti di Java non si sono svegliati una mattina decidendo di cambiare filosofia. È stato un processo graduale, guidato dai riscontri della comunità, dai limiti dei paradigmi esistenti, dalle necessità del mondo reale.

Ogni funzionalità aggiunta, ogni paradigma introdotto, ogni strumento migliorato ha seguito lo stesso modello: identificare dove la protezione paternalistica limitava più di quanto aiutasse, e sostituirla con strumenti collaborativi più potenti. Da Vector sincronizzato ad ArrayList con scelta di sincronizzazione. Da cast ciechi a generics verificati. Da cicli imperativi a stream dichiarativi. Da thread costosi a virtual thread scalabili. Da JNI pericolosa a FFM API sicura.

Java 2025 è un linguaggio che si fida del programmatore. Non perfettamente, non sempre, ma infinitamente di più del Java 1996. È un linguaggio che dice: “Ti diamo strumenti potenti, tu decidi come usarli”. È un linguaggio che preferisce dare scelte anche complesse piuttosto che imporre semplificazioni artificiali.

La lezione più grande di questi 30 anni non è tecnica, è filosofica: i linguaggi migliori non sono quelli che proteggono i programmatori dai loro errori, ma quelli che li aiutano a non commetterli. Non sono quelli che nascondono la complessità, ma quelli che la rendono gestibile. Non sono quelli che impongono paradigmi, ma quelli che offrono gli strumenti giusti per ogni problema.

Java ha imparato questa lezione lentamente, a volte dolorosamente, ma l’ha imparata. E continua a impararla. Ogni nuova versione è un passo ulteriore verso un linguaggio che non ti tratta come un bambino pericoloso, ma come un professionista capace. È stata una lunga strada da Vector a virtual thread, da Date a LocalDate, da JNI a FFM API, ma ne è valsa la pena.

Guardando questa evoluzione trentennale, mi viene in mente una riflessione che sintetizza perfettamente quello che Java è diventato:

Ed è esattamente quello che è successo: dai cast impossibili da verificare ai generics sicuri, dal multithreading difficile ai virtual thread scalabili, dalla gestione delle date faticosa a LocalDate intuitivo, dalla verbosità ovvia alla concisione moderna.

E la cosa più bella? La storia non è finita. Java 25 sarà LTS, ma Java 26, 27, 28 continueranno a evolvere. Project Valhalla arriverà, nuovi paradigmi emergeranno, nuovi problemi saranno risolti. Perché alla fine, Java non è solo un linguaggio di programmazione: è un ecosistema che cresce, impara e si adatta. È un linguaggio che ha 30 anni ma pensa ancora al futuro.

Qualche giorno fa stavo ascoltando “Gabonzo Robot” dei Nanowar of Steel. Per chi non li conoscesse, sono dei geni italiani del parody metal che hanno trasformato l’ironia in una forma d’arte musicale. La canzone, dall’album “Italian Folk Metal”, è un inno power metal dedicato a un robot protagonista di una serie anime immaginaria. Niente di particolare, se non fosse per una frase che la band usa per descrivere il loro “eroe”: “The only superhero that always wins because he fights against the weak and the children”.

Read more

Ho riso. Poi ho smesso di ridere.

Perché quella frase, detta per scherzo su un robot immaginario che combatte contro avversari inesistenti, descrive con una precisione chirurgica quello che sta succedendo a Gaza da più di un anno e nove mesi. E non c’è più niente da ridere.

Gabonzo Robot è l’invincibile che vince solo contro i deboli e i bambini. Israele è la quinta potenza militare mondiale che sta sterminando una popolazione assediata da 18 anni, uccidendo 17.492 bambini confermati.

La realtà ha superato la satira, e questo articolo è il mio tentativo disperato di processare una situazione che mi sta facendo perdere il sonno e la fiducia nell’umanità.

Quando i Numeri Smettono di Essere Numeri

Prima di continuare con le metafore robotiche, facciamo i conti. Quelli veri. Quelli che dovrebbero farci alzare tutti in piedi e urlare, ma che invece leggiamo sui giornali tra una pubblicità di detersivi e un articolo sul nuovo iPhone.

Dal 7 ottobre 2023:

• 62.614 palestinesi morti. Pensa a questo numero. È più della popolazione di Piacenza. Cancellata.
• 17.492 bambini uccisi. Diciassettemila. Non 17, non 170. Diciassettemila.
• 125.000 feriti. Se fosse una città italiana, sarebbe grande come Reggio Emilia. Tutti feriti.
• 1,9 milioni di sfollati su 2,3 milioni di abitanti. Il 90% della popolazione.

Questi non sono numeri di guerra. Sono numeri di sterminio sistematico.

E dall’altra parte? 1.139 israeliani morti nell’attacco del 7 ottobre. Ogni vita umana conta, ogni morte è una tragedia, ma il rapporto è di 1 a 55. Uno a cinquantacinque. È come se per ogni persona che ti ha colpito, tu ne uccidessi altre 54. E continui. Per un anno e tre mesi.

Come lo chiami questo, se non genocidio?

La democrazia e i suoi fascisti

Ma chi sta dietro a questo massacro? Chi sono i registi di questa carneficina che ha fatto impallidire qualsiasi algoritmo di Gabonzo Robot?

Benvenuti nel governo israeliano del 2023-2024, una collezione di fascisti che farebbe arrossire persino Gabonzo per la loro efficienza nel “combattere contro i deboli e i bambini”.

Benjamin Netanyahu: Il nostro protagonista, un politico finito che ha venduto l’anima ai fascisti per rimanere al potere e sfuggire ai processi per corruzione. Sì, avete letto bene: come Berlusconi, ma con più morti civili sul groppone. Netanyahu aveva bisogno di una maggioranza solida per proteggersi dai suoi guai giudiziari, e per ottenerla ha fatto un patto col diavolo.

Itamar Ben-Gvir: Ministro della Sicurezza Nazionale, ex leader del movimento Kach - classificato come organizzazione terroristica dagli Stati Uniti, dall’UE e da Israele stesso fino al 2022. Ben-Gvir è stato condannato per incitamento al razzismo e sostegno al terrorismo. Ora è ministro. È come se l’Italia nominasse ministro dell’Interno un ex leader di Forza Nuova. Assurdo? Benvenuti in Israele 2024.

Bezalel Smotrich: Ministro delle Finanze e responsabile degli insediamenti. Ha dichiarato pubblicamente che “non esiste il popolo palestinese” e che Gaza dovrebbe essere “cancellata dalla faccia della terra”. Non sto parafrasando. Sono letteralmente le sue parole.

Questi non sono politici. Sono fascisti ideologici che stanno usando la tragedia del 7 ottobre per realizzare il loro sogno malato: la pulizia etnica della Palestina. Netanyahu gli ha dato le chiavi del Regno in cambio della sua sopravvivenza politica, e ora Gaza paga il prezzo.

Il paradosso? Israele si presenta come “l’unica democrazia del Medio Oriente” mentre ha al governo gente che 20 anni fa era considerata terrorista. È come se Gabonzo Robot si presentasse come paladino della giustizia mentre massacra gli orfanotrofi.

Il genocidio documentato

Ora che abbiamo identificato i registi, vediamo cosa hanno prodotto. E qui le cose si fanno davvero cupe, perché quello che sta succedendo a Gaza non è “guerra”. È genocidio industriale, documentato in tempo reale dalle organizzazioni internazionali più rispettate al mondo.

Human Rights Watch - marzo 2024: “Crimini contro l’umanità e atti di genocidio”. Hanno analizzato 280+ video e raccolto 212 testimonianze dirette.

Amnesty International - dicembre 2024: “You Feel Like You Are Subhuman” - report di 300 pagine che conclude: Israele sta commettendo genocidio. Hanno analizzato oltre 100 dichiarazioni di funzionari israeliani che mostrano “intento genocida”.

Médecins Sans Frontières: “Ciò che i nostri team hanno assistito è coerente con descrizioni di genocidio”. MSF, che lavora nelle guerre da 50 anni, dice che Gaza è diversa. È peggio.

E la Corte Internazionale di Giustizia? Il 26 gennaio 2024 ha stabilito che le accuse di genocidio sono “plausibili” e ha ordinato a Israele di fermarsi. Israele ha risposto intensificando i bombardamenti.

Quando le tre organizzazioni per i diritti umani più rispettate al mondo, insieme alla Corte Internazionale di Giustizia, dicono la stessa cosa, forse è il caso di ascoltare.

Ma la persona che ha documentato tutto questo con maggiore precisione è Francesca Albanese, Special Rapporteur ONU per i diritti umani nei territori palestinesi. I suoi report sono un capolavoro di documentazione e un pugno nello stomaco per chiunque abbia ancora un briciolo di coscienza.

“Anatomy of a Genocide” (marzo 2024): Albanese identifica tre atti genocidari secondo la Convenzione del 1948:

1. Uccidere membri del gruppo
2. Causare gravi danni fisici o mentali
3. Infliggere condizioni di vita per provocare distruzione fisica

Tutti e tre sono documentati a Gaza. Sistematicamente. Quotidianamente.

“From Economy of Occupation to Economy of Genocide” (giugno 2025): Il report più devastante. Albanese documenta come 48 corporazioni internazionali (Microsoft, Alphabet, Amazon) stiano profittando dello sterminio. La Borsa di Tel Aviv è salita del 213% durante il genocidio.

Sì, avete letto bene. Stanno facendo soldi sul genocidio. Gabonzo Robot almeno non fatturava sui cadaveri dei bambini.

La reazione? Gli Stati Uniti hanno imposto sanzioni contro Albanese. Non contro chi commette genocidio, ma contro chi lo documenta. È come sanzionare il cronista sportivo invece della squadra che fa doping.

La fabbrica della morte

Ora scendiamo nei dettagli di questa “operazione militare” che ha più in comune con Gabonzo Robot che con qualsiasi strategia militare sensata.

88% degli edifici scolastici danneggiati o distrutti. Gabonzo Robot che distrugge le scuole per vincere contro i bambini.

36 ospedali: Solo 19 parzialmente operativi. Il resto bombardato. Gabonzo Robot che distrugge gli ospedali per vincere contro i malati.

284 membri dello staff UNRWA uccisi. UNRWA è l’agenzia ONU che si occupa dei rifugiati palestinesi. Gabonzo Robot che uccide chi aiuta i deboli.

686 attacchi documentati alle strutture sanitarie. Non attacchi casuali. Attacchi mirati. Gabonzo Robot che sceglie con precisione i suoi obiettivi inermi.

E la ciliegina sulla torta? Israele ha approvato leggi per bandire UNRWA dai territori occupati. È come se Gabonzo Robot, dopo aver distrutto gli orfanotrofi, facesse una legge per vietare la ricostruzione.

L’Occidente che guarda dall’altra parte

Ma la cosa che mi fa più schifo, quella che mi toglie il sonno, non è solo quello che sta succedendo a Gaza. È come l’Occidente “civilizzato” sta reagendo.

Nazioni Unite: 158 paesi votano per il cessate il fuoco. Gli Stati Uniti mettono il veto. Per la quarta volta. È come se 158 persone dicessero “fermate Gabonzo Robot” e uno gridasse “NO, LASCIATELO CONTINUARE!”.

Unione Europea: Divisa. La Germania, che dovrebbe aver imparato qualcosa sull’industria dello sterminio, supporta Israele. L’ironia è così acre che fa male fisicamente.

Italia: Il nostro governo di “patrioti” che si riempie la bocca di “valori cristiani” vende armi a chi massacra bambini. Ventisette milioni di euro di armamenti. Gabonzo Robot made in Italy.

L’assedio infinito

Ma Gaza non è iniziata il 7 ottobre 2023. Gaza è un laboratorio di sofferenza umana che va avanti da 18 anni.

Dal 2007, Israele ha trasformato Gaza in quella che le Nazioni Unite chiamano “la più grande prigione a cielo aperto del mondo”:

• 62% della popolazione necessitava assistenza alimentaria già prima del 7 ottobre
• 47% di disoccupazione
• 96% dell’acqua non potabile
• 4 ore di elettricità al giorno

Diciotto anni di assedio. Diciotto anni di strangolamento sistematico. Diciotto anni di preparazione per quello che sarebbe venuto dopo.

Gabonzo Robot che affama i suoi nemici prima di ucciderli. Che razza di eroe è?

“Scudi umani”

E poi c’è la narrativa. Quella che mi fa venire il voltastomaco ogni volta che la sento.

“Gaza usa i bambini come scudi umani.”

Senti, pezzo di merda che hai inventato questa scusa: Gaza ha la densità di popolazione di Manhattan. Non è che puoi nascondere un lanciarazzi nella campagna toscana. È tutto città, tutto case, tutto vita civile.

E anche se fosse vero, anche se Hamas avesse usato ogni singolo bambino di Gaza come “scudo umano”, la risposta dell’esercito “più morale del mondo” è stata ammazzare i bambini lo stesso.

17.492 bambini. Li ripeto perché è un numero che deve restare attaccato alle retine. Se Hamas li usava come scudi, Israele ha sparato attraverso gli scudi. Tutti. Diciassettemilaquattrocentonovantadue volte.

Gabonzo Robot almeno non aveva la scusa degli “scudi umani”. Era onesto: combatteva contro i deboli e i bambini perché era più facile.

L’economia del genocidio

Ma il vero schifo, quello che mi fa perdere la fede nell’umanità, è scoprire chi ci sta guadagnando.

Il report di Francesca Albanese “From Economy of Occupation to Economy of Genocide” è una mappa dettagliata di come il capitalismo abbia monetizzato lo sterminio:

Microsoft: Fornisce i cloud services per l’esercito israeliano. I loro server processano i dati che selezionano i target da bombardare.

Alphabet (Google): Progetto Nimbus - contratto da 1,2 miliardi per fornire AI all’esercito israeliano. L’intelligenza artificiale che sceglie chi far morire.

Amazon: AWS fornisce l’infrastruttura cloud per l’intelligence militare israeliana.

Borsa di Tel Aviv: +213% durante il genocidio. Più morti palestinesi = più profitti per gli azionisti.

È l’apoteosi del capitalismo: trasformare l’industria della morte in business plan. Gabonzo Robot era un dilettante, questi hanno fatto del genocidio un modello economico sostenibile.

La tregua fallita

E poi, giusto per non farci mancare niente, abbiamo avuto la pantomima della “tregua”.

19 gennaio - 18 marzo 2025: Due mesi di pausa nel massacro. 110 ostaggi israeliani rilasciati in cambio di 240 prigionieri palestinesi.

Notate i numeri? Anche qui, il rapporto è di 1 a 2. Un israeliano vale due palestinesi. Persino nello scambio di prigionieri, la vita palestinese vale la metà.

E il 18 marzo? Israele ha ripreso i bombardamenti. Fine della tregua. Perché? Perché dovevano “eliminare Hamas definitivamente”.

Ventuno mesi dopo, Hamas c’è ancora. 62.614 morti palestinesi dopo, Hamas c’è ancora. Ma hey, almeno Gabonzo Robot ha vinto un’altra battaglia contro i bambini di Gaza.

Il silenzio dei “buoni”

Ma la cosa che mi fa più male, quella che mi sveglia di notte, non è neanche la cattiveria dei cattivi. È il silenzio dei “buoni”.

Dove sono i politici “progressisti”? Dove sono gli intellettuali che si riempiono la bocca di “mai più”? Dove sono i giornalisti che dovrebbero raccontare la verità?

Silenzio.

Silenzio mentre 17.492 bambini vengono ammazzati. Silenzio mentre tre organizzazioni internazionali documentano genocidio. Silenzio mentre la Corte Internazionale di Giustizia dice “fermatevi”.

E qui c’è un paradosso che mi distrugge l’anima: Liliana Segre. Novant’anni, sopravvissuta ad Auschwitz, partigiana, antifascista per tutta la vita. Una donna che ha vissuto sulla propria pelle cosa significa essere vittima di genocidio, che ha dedicato la vita a dire “mai più”.

E di fronte al genocidio di Gaza? Silenzio. O peggio: giustificazioni.

Liliana Segre, che dovrebbe riconoscere i segni del genocidio meglio di chiunque altro, non riesce a condannare quello che sta succedendo ai palestinesi. È come se un ex partigiano italiano non riuscisse a riconoscere il fascismo quando torna al potere.

Il paradosso della memoria selettiva: ricordiamo il nostro genocidio, ma non riusciamo a vedere quello degli altri. Anche quando i numeri, i metodi, l’ideologia sono identici.

E qui arriviamo al punto che nessuno vuole affrontare: la resistenza palestinese è partigianeria. Come quella italiana del ‘43-‘45.

Stessi ingredienti: fascisti al governo, popolazione civile sotto attacco, resistenza armata che lotta per la propria terra e la propria gente. Ma quando erano italiani contro nazifascisti, li chiamavamo “eroi della Resistenza”. Quando sono palestinesi contro sionofascisti, li chiamiamo “terroristi”.

La Repubblica Italiana è costruita sulla legittimità della lotta partigiana antifascista. Ma i partigiani di Gaza? Quelli sono “terroristi”.

È l’ipocrisia più nauseante della Storia recente.

Il silenzio che rende complici. Il silenzio che permette a Gabonzo Robot di continuare a vincere contro i deboli e i bambini.

La rabbia e l’impotenza

E poi c’è la rabbia. La mia rabbia. Quella che mi sta consumando mentre scrivo questo articolo.

Sono arrabbiato per quello che sta succedendo a Gaza. Sono arrabbiato per l’indifferenza dell’Occidente. Sono arrabbiato per i politici che guardano dall’altra parte. Sono arrabbiato per i media che normalizzano il genocidio.

Ma soprattutto, sono arrabbiato con me stesso. Perché sto qui a scrivere su un blog che leggono quattro gatti mentre 17.492 bambini sono morti e altri stanno morendo in questo momento.

Cosa cambierà questo articolo? Niente. Gabonzo Robot continuerà a vincere contro i deboli e i bambini, e io continuerò a sentirmi impotente davanti a una macchina di morte che non riesco a fermare neanche con tutta la mia rabbia.

E qui arriviamo al paradosso che mi ha portato a scrivere questo articolo.

I Nanowar of Steel hanno inventato Gabonzo Robot come parodia dell’eroe invincibile che in realtà è un codardo che vince solo contro i deboli. Era satira. Era per ridere.

Ma la realtà ha superato la fantasia. Esiste davvero un “eroe” che vince solo contro i deboli e i bambini. Non è un robot immaginario, è uno stato con la quinta forza militare del mondo che massacra una popolazione assediata.

La satira è diventata profezia. Il paradosso è diventato realtà. E non fa più ridere nessuno.

Viviamo nell’era dell’informazione. Tutto è documentato, tutto è filmato, tutto è condiviso. I crimini di guerra di Israele sono trasmessi in diretta streaming. Il genocidio ha un hashtag.

E non cambia niente.

#FreePalestine trending topic mentre i bambini muoiono. #GenocideInGaza virale mentre gli ospedali vengono bombardati. #CeasefireNow condiviso milioni di volte mentre i fascisti israeliani pianificano il prossimo massacro.

Siamo tutti testimoni digitali di un genocidio in corso, e l’unica cosa che sappiamo fare è condividere post e scrivere articoli arrabbiati su blog che nessuno legge.

È l’impotenza dell’era digitale: vedere tutto, sapere tutto, non poter cambiare niente.

Ma forse la cosa più spaventosa è un’altra: ci stiamo abituando.

I primi giorni dopo il 7 ottobre, ogni bombardamento faceva notizia. Ogni ospedale distrutto era una tragedia. Ogni bambino morto era un nome, una storia, una vita spezzata.

Ora? Ora sono numeri. 62.614 morti è diventato un aggiornamento quotidiano, come il meteo o la borsa. Il genocidio è diventato routine.

E questo è forse il successo più grande di Gabonzo Robot: non solo vincere contro i deboli e i bambini, ma convincere il mondo che è normale.

Allora, cosa rimane? Dopo un anno e nove mesi di massacri, dopo 62.614 morti, dopo 17.492 bambini ammazzati, dopo che tre organizzazioni internazionali hanno documentato genocidio, dopo che la Corte Internazionale di Giustizia ha detto “fermatevi”, dopo tutto questo…

Cosa cazzo rimane?

Rimane la rabbia. La rabbia che diventa combustibile per continuare a parlare, a scrivere, a documentare. Anche se non serve a niente.

Rimane la tristezza. Una tristezza cosmica per una specie umana che nel 2025 riesce ancora a sterminare bambini e chiamarlo “difesa”.

Rimane l’impotenza. L’impotenza di essere dall’altra parte del mondo mentre succede tutto questo, di non poter fare altro che guardare e testimoniare.

Ma rimane anche una cosa che Gabonzo Robot non può vincere: la memoria.

17.492 bambini.

Questo numero deve rimanere. Deve essere tatuato nella memoria collettiva dell’umanità. Deve essere il numero che ricordiamo quando qualcuno proverà a dirci che Israele è “l’unica democrazia del Medio Oriente”.

62.614 palestinesi morti.

Questo numero deve essere il nostro promemoria quotidiano di cosa significhi “diritto alla difesa” quando lo esercita la quinta potenza militare mondiale contro una popolazione assediata.

1 a 55.

Questo rapporto deve essere la risposta a chi parla di “proporzione” e “legittima difesa”.

Gabonzo Robot può vincere tutte le battaglie contro i deboli e i bambini. Ma non può vincere contro la memoria di chi testimonia. Non può cancellare i numeri, i nomi, le storie.

Alla fine, quando spegni l’ironia, quando metti da parte le metafore robotiche, quando smetti di cercare paragoni assurdi per processare l’impossibile, rimane solo una cosa: il dolore.

Il dolore per 17.492 bambini che non diventeranno mai adulti. Il dolore per le madri che cercano i figli sotto le macerie. Il dolore per i padri che non possono proteggere le loro famiglie. Il dolore per un popolo che da 75 anni aspetta giustizia.

E il dolore per noi, che guardiamo tutto questo e non riusciamo a fermarlo.

Gabonzo Robot era una canzone per ridere. Gaza è una tragedia per piangere.

Ma almeno, cazzo, piangiamo.

Almeno non facciamo finta che sia normale. Almeno non abituiamoci. Almeno ricordiamo che ogni numero è una persona, ogni bambino morto è un futuro cancellato, ogni famiglia distrutta è un pezzo di umanità che se ne va.

E quando qualcuno proverà a dirci che era “necessario”, che era “legittima difesa”, che era “inevitabile”, noi ricorderemo i numeri:

17.492 bambini. 62.614 morti. 1 a 55.

E diremo: No. Questo non era normale. Questo era genocidio.

E se questo fa di noi degli “antisemiti”, dei “terroristi”, dei “nemici di Israele”, che così sia.

Preferiamo essere dalla parte sbagliata della Storia piuttosto che dalla parte giusta del genocidio.

Gabonzo Robot vince sempre contro i deboli e i bambini.

Ma la storia, quella vera, la scriviamo noi.

“Odio gli indifferenti. Credo che vivere voglia dire essere partigiani. Chi vive veramente non può non essere cittadino e partigiano. L’indifferenza è abulia, è parassitismo, è vigliaccheria, non è vita. Perciò odio gli indifferenti.

L’indifferenza è il peso morto della storia. L’indifferenza opera potentemente nella storia. Opera passivamente, ma opera. È la fatalità; è ciò su cui non si può contare; è ciò che sconvolge i programmi, che rovescia i piani meglio costruiti; è la materia bruta che strozza l’intelligenza. Ciò che succede, il male che si abbatte su tutti, avviene perché la massa degli uomini abdica alla sua volontà, lascia promulgare le leggi che solo la rivolta potrà abrogare, lascia salire al potere uomini che poi solo un ammutinamento potrà rovesciare.”

Antonio Gramsci, Indifferenti (La città futura, 11 febbraio 1917)

Alessandro “kLeZ” Accardo, 14 luglio 2025

In memoria dei 17.492 bambini che Gabonzo Robot ha sconfitto a Gaza.

Che non siano morti invano.

PS: Non Credete a Me, Verificate Voi Stessi

Tutto quello che ho scritto in questo articolo può sembrare eccessivo, emotivo, di parte. E lo è. Ma ogni singolo dato che ho riportato è verificabile attraverso fonti ufficiali e organizzazioni internazionali riconosciute.

Non credete a me che sono nessuno. Io sono solo un informatico incazzato che scrive su un blog che nessuno legge. Ma i dati che ho riportato arrivano da:

Organizzazioni per i Diritti Umani

• Human Rights Watch - “Israeli Forces’ Conduct in Gaza”
• Amnesty International - “You Feel Like You Are Subhuman: Israel’s Genocide Against Palestinians in Gaza”
• Médecins Sans Frontières - “Gaza genocide: What is happening in Gaza?”

Nazioni Unite e Istituzioni Internazionali

• Francesca Albanese - Special Rapporteur ONU - Report ufficiali
• UN News - “Rights expert finds ‘reasonable grounds’ genocide is being committed in Gaza”
• UNRWA - Situation Reports
• UNICEF - “Children in Gaza need life-saving support”

Fonti Giornalistiche e Monitoraggio

• Al Jazeera - Live tracker con dati aggiornati
• Associated Press - Sanzioni USA contro Francesca Albanese
• Save the Children - Dati sui bambini uccisi

Fonti Accademiche e Istituzionali

• Encyclopedia Britannica - “Israel-Hamas War”
• Wikipedia - Gaza genocide (con fonti verificabili)

Il mio invito? Leggete le fonti. Incrociate i dati. Verificate tutto. Non accontentatevi della mia rabbia o della propaganda di chiunque altro.

Fatevi una domanda semplice: Se tre delle organizzazioni per i diritti umani più rispettate al mondo (HRW, Amnesty, MSF) dicono la stessa cosa, se la Corte Internazionale di Giustizia trova le accuse “plausibili”, se il Special Rapporteur ONU documenta tutto nei dettagli… forse, forse, non è tutta propaganda “antisemita”.

Forse è semplicemente la verità.

Una verità scomoda, che fa male, che costringe a prendere posizione. Ma sempre verità.

E se dopo aver letto le fonti arrivate alle mie stesse conclusioni, allora forse è il momento di fare come i nostri nonni partigiani: scegliere da che parte stare.

Perché nel 2025, di fronte a un genocidio documentato, neutralità significa complicità.

#FreePalestine #CeasefireNow #Gaza

Non per odio verso qualcuno, ma per amore verso l’umanità.

E probabilmente è questo il motivo per cui le esibizioni pubbliche non mi hanno mai più di tanto interessato: non mi gratificavano, non quanto stare in saletta a suonare e cazzeggiare con gli amici. In tutto questo, la musica era la parte fondamentale, che non doveva mai mancare, e non musica in ascolto passivo, ma musica attiva, fatta da noi.

Questo mi ha portato a essere un appassionato, a rimanere sempre fedele ai miei generi preferiti e ai miei artisti preferiti.

Ma anno dopo anno si accumulava il dubbio, e con esso una serie di domande la prima, e più complicata, delle quali era “perché”.
Perché mi piacesse quello che mi piaceva, scelte fatte a pelle, di pancia, istintivamente, ditela come volete.
Perché invece non mi piaceva la musica mainstream, il pop, la dance, l’hip-hop.
Ma soprattutto, il perché più insidioso di tutti: perché mi piaceva certo pop, certa dance, certa techno.

Perché si, qualcosa - ma proprio solo qualcosina piccola piccola - di altri generi, che di norma nemmeno consideravo “vera musica”, mi piaceva (e mi piace ancora, anche se l’ho sempre trovato più un vezzo, un retaggio del passato).

E allora, ho dovuto capire, studiare, analizzare, sviscerare il tema, fino a capirne le motivazioni profonde. Per darmi una spiegazione che non fosse: “beh, sei un dannato poser, falla finita di fingere che ti piaccia il metal e vai al concerto di Taylor Swift” (no, non mi piace Swift, anche se ha una voce della miseria, ma rende l’idea di come mi sentissi prima di questo studio, e come mi sono sentito per anni: sporco).

Pronti per entrare nella tana del Bianconiglio con me? Allacciate le cinture sarà un viaggio… spumeggiante. E tecnico, dannatamente tecnico.

Read more

L’Evoluzione tecnica della musica

La forma canzone, l’armonia moderna e il declino pop rappresentano fenomeni musicali che richiedono analisi tecnica rigorosa piuttosto che giustificazioni culturali. Questa ricerca esamina le basi scientifiche, storiche e teoriche di questi sviluppi musicali, fornendo al musicista classico gli strumenti analitici per comprendere l’evoluzione tecnica della musica contemporanea.

Le origini neurobiologiche della forma canzone

La combinazione musica-testo non è un’invenzione culturale arbitraria, ma emerge da imperativi biologici e cognitivi fondamentali. La ricerca neuroscientifica dimostra che l’integrazione musica-linguaggio precede storicamente sia la musica puramente strumentale che il linguaggio articolato. Otto Jespersen documentò che “gli uomini cantavano i loro sentimenti molto prima di riuscire a esprimere i loro pensieri”, suggerendo che la forma canzone rappresenta una capacità cognitiva primaria piuttosto che una fusione artificiale di arti separate.

L’evidenza archeologica conferma questa priorità: le civiltà mesopotamiche (3500-500 a.C.) già consideravano la musica un’arte con applicazioni sia professionali che liturgiche, mentre l’Antico Egitto (IV millennio a.C.) sviluppò sofisticate tecniche di allineamento testo-musica. La presenza universale della musica vocale in ogni cultura umana conosciuta indica determinazione biologica piuttosto che culturale.

L’architettura neurale condivisa fornisce la base tecnica per questa integrazione. L’area di Broca processa sia la sintassi musicale che quella linguistica, mentre il lobo temporale mostra attivazione comune per entrambi i domini. La ricerca fNIRS dimostra che la musica riduce effettivamente il carico cognitivo durante l’apprendimento testuale, creando percorsi multipli di recupero (melodico, ritmico, armonico, testuale) che migliorano significativamente la codifica e la ritenzione mnemonica.

Il vantaggio tecnico della prosodia

La prosodia rappresenta il fondamento tecnico dell’integrazione musica-testo. L’allineamento ritmico tra metro musicale e pattern di accento linguistico, il contorno melodico che rispecchia l’intonazione naturale del discorso, e la struttura temporale che fornisce framework per unità linguistiche creano vantaggi compositivi misurabili:

• Framework ritmico: La musica fornisce organizzazione temporale precisa che il discorso da solo non può raggiungere
• Ancore melodiche: I pattern di altezza creano segnali di recupero aggiuntivi per il contenuto testuale
• Struttura formale: Le forme musicali (strofa-ritornello, AABA) forniscono framework organizzativi per contenuti narrativi

L’effetto Wallace dimostra che il richiamo testuale è significativamente migliorato quando presentato come canzone piuttosto che discorso, ma solo quando la melodia si ripete attraverso le strofe, creando coerenza strutturale e fornendo un “framework schematico” per l’organizzazione testuale. Questo indica che la musica non solo accompagna il testo, ma ottimizza l’uso delle capacità cognitive umane attraverso codifica potenziata, ritenzione migliorata e richiamo facilitato.

L’evoluzione tecnica dell’armonia moderna

L’abbandono delle regole classiche non rappresenta degenerazione artistica ma espansione sistematica delle risorse armoniche. La ricerca teorica dimostra che ogni sviluppo armonico moderno può essere ricondotto a giustificazioni tecniche specifiche e considerazioni pratiche che espandono il vocabolario armonico mantenendo coerenza interna.

Progressione storica dell’innovazione armonica

Il periodo romantico tardivo (1850-1900) introdusse la saturazione cromatica che indebolì i centri tonali tradizionali. L’accordo di Tristano di Wagner esemplificò nuovi approcci al trattamento della dissonanza, mentre ritmi armonici più lenti evitavano risoluzioni chiare per passaggi estesi.

L’impressionismo (1890-1920) sistematizzò il movimento parallelo - quinte e ottave parallele divennero desiderabili piuttosto che proibite. Debussy e Ravel usarono accordi paralleli (planing) per creare ambiguità armonica, mentre le scale esatonali evitavano note sensibili tradizionali e funzioni dominanti.

L’atonalità (1908-1925) completò “l’emancipazione della dissonanza” di Schoenberg, dichiarando tutti gli intervalli ugualmente validi. Il serialismo dodecafonico organizzò sistematicamente tutti e dodici i toni cromatici come uguali, creando framework teorici per musica che abbandona gerarchie tonali tradizionali.

L’innovazione tecnica dell’armonia jazz

L’armonia jazz rappresenta espansione sistematica piuttosto che rottura casuale. Gli accordi di settima diventano unità fondamentali invece delle triadi, con uso sistematico di accordi di 9ª, 11ª e 13ª come sonorità stabili. L’interscambio modale, le sostituzioni di tritono e le tecniche di riarmonizzazione forniscono framework compositivi logici per progressioni armoniche complesse.

Le dominanti alterate (G7♭9♯11♭13) incorporano tensioni multiple basate sulla serie armonica superiore, mentre la teoria accordo-scala fornisce framework melodici sistematici per ogni tipo di accordo. I sette modi del minore melodico diventano fondazione armonica per armonie post-tonali avanzate.

La giustificazione teorica per queste innovazioni include l’espansione della serie armonica (l’armonia classica derivava dai primi sei parziali, mentre l’armonia moderna incorpora parziali superiori), il temperamento equabile che rese tutte le tonalità ugualmente accessibili, e studi percettivi che mostrarono come la dissonanza sia contestuale piuttosto che assoluta.

Adattamento strumentale nell’armonia rock

L’armonia rock si adatta alle limitazioni fisiche della chitarra elettrica piuttosto che seguire preferenze arbitrarie. I power chord risultano dalla distorsione che rende le terze confuse a causa dell’intermodulazione, mentre l’ambiguità armonica delle quinte permette interpretazioni maggiori/minori. Il movimento parallelo diventa naturale per le forme degli accordi alla chitarra, mentre i pedali di corde vuote creano texture tipiche del metal.

Le preferenze modali (Misolidio per progressioni ♭VII-I, Dorico per minore naturale con sesta aumentata) risultano dalle proprietà fisiche dell’accordatura della chitarra piuttosto che da scelte estetiche casuali. Le accordature alternative (DADGAD, Drop D) creano nuove possibilità armoniche, mentre la gamma estesa delle chitarre a 7+ corde abilita note di basso più gravi.

Il declino tecnico quantificabile del pop contemporaneo

Il declino percepito della qualità tecnica nella musica pop contemporanea è supportato da evidenze oggettive e misurabili. Lo studio fondamentale di Joan Serra (2012), pubblicato in Nature Scientific Reports, analizzò 464.411 registrazioni musicali distinte dal 1955-2010 utilizzando il Million Song Dataset, fornendo l’analisi quantitativa più completa dell’evoluzione della musica pop.

L’evidenza scientifica della omogeneizzazione

I risultati chiave dimostrano deterioramento tecnico misurabile:

• Omogeneizzazione timbrica: “Progressiva omogeneizzazione della palette timbrica” con esponente della legge di potenza β che diminuisce costantemente dal 1965, avvicinandosi a 4, indicando minore varietà timbrica
• Restrizione delle altezze: Evidenza di “restrizione delle sequenze di altezze” con metriche che mostrano minore varietà nelle progressioni di altezza
• Escalation del volume: La mediana empirica dei valori di volume è cresciuta da -22 dBFS a -13 dBFS, con regressione lineare che produce una pendenza di 0.13 dB/anno

La guerra del volume

La guerra del volume rappresenta degradazione sistematica della qualità audio. Le registrazioni moderne aumentarono di circa 1 decibel ogni 8 anni dagli anni ‘80, con compressione del range dinamico che riduce drasticamente il divario tra parti più forti e più deboli delle canzoni. I casi estremi risultano in clipping digitale e distorsione udibile, esemplificati da “Death Magnetic” dei Metallica (2008).

Le moderne canzoni pop hanno una media di DR6-DR8 comparata a DR12-DR15 negli anni ‘80, mentre i limitatori brickwall abilitano compressione estrema del range dinamico che crea affaticamento dell’ascoltatore e riduce il coinvolgimento eliminando le dinamiche sottili che forniscono profondità emotiva.

L’omogeneizzazione dell’Auto-Tune

L’Auto-Tune, introdotto nel 1997, ha fondamentalmente cambiato la produzione vocale contribuendo all’omogeneizzazione. La correzione automatica dell’intonazione riduce le variazioni vocali naturali e l’espressione individuale, mentre le impostazioni estreme rimuovono il portamento naturale tra le altezze, creando effetti vocali robotici. L’uso onnipresente dell’Auto-Tune è ora standard in virtualmente tutte le produzioni commerciali.

Semplificazione armonica nella trap

La trap music esemplifica la tendenza verso complessità armonica semplificata. Le melodie trap utilizzano tipicamente solo scale minori, minori armoniche e frigie, con forte dipendenza da progressioni di accordi semplici e pattern armonici ripetitivi. La complessità ritmica vs. semplicità armonica - mentre i pattern hi-hat diventano più complessi, il contenuto armonico diventa sempre più semplice.

Il dominio della drum machine 808 con range di altezza limitato vincola le scelte armoniche, mentre l’enfasi sui sub-bassi (sotto 50Hz) e la quantizzazione rigida rimuove le variazioni ritmiche naturali. L’ambiguità temporale della trap (140-180 BPM programmati, ma percepiti a 70-90 BPM) crea standardizzazione della produzione.

Fattori economici e tecnologici

L’economia dello streaming ha alterato fondamentalmente gli incentivi di produzione. Il focus sui singoli brani favorisce produzioni ricche di hook che catturano l’attenzione piuttosto che la qualità dell’ascolto, mentre l’ottimizzazione per algoritmi progetta canzoni per performare bene nei sistemi di raccomandazione. La pressione alla riduzione dei costi derivante dai bassi pagamenti per riproduzione spinge artisti a produrre musica più economicamente e rapidamente.

Gli strumenti di produzione digitale moderni contribuiscono all’omogeneizzazione sonora. La cultura dei preset con uso diffuso di preset di fabbrica crea suoni simili tra le produzioni, mentre il dominio dei sample pack porta a elementi musicali ripetuti tra artisti diversi. L’uniformità dei plugin (Auto-Tune, Waves, FabFilter) crea signature sonore simili, mentre la produzione basata su template incoraggia approcci formulaici.

Il passaggio dall’album al singolo

La transizione dall’Album-Oriented Rock (AOR) alla produzione focalizzata sui singoli rappresenta un cambiamento fondamentale. L’era AOR (anni ‘70-‘80) enfatizzava album coesi con canzoni complesse e interconnesse, mentre la produzione moderna orientata ai singoli deve catturare l’attenzione nei primi secondi e funzionare in playlist algoritmic e shuffled piuttosto che in sequenze di album.

Framework teoretici per l’analisi oggettiva

I framework teorici avanzati forniscono criteri misurabili per valutare qualità e complessità musicale. La teoria dell’informazione di Shannon applicata alla musica misura incertezza, aspettativa e sorpresa nelle sequenze musicali, mentre la complessità di Kolmogorov misura regolarità e comprimibilità delle sequenze musicali.

L’analisi multifrattalica mostra che le performance musicali umane esibiscono spettri multifrattalici più ampi delle performance generate da computer, suggerendo misure di complessità che catturano la “musicalità” oltre la mera accuratezza tecnica. L’entropia di permutazione valuta la complessità nelle serie temporali, applicata all’analisi musicale per misurare prevedibilità e organizzazione strutturale.

Principi analitici per la valutazione tecnica

L’analisi schenkeriana dimostra coerenza organica mostrando come il “primo piano” (tutte le note nella partitura) si relaziona a una struttura profonda astratta (Ursatz), fornendo metodologia sistematica per analizzare opere musicali a livelli di background, middleground e foreground.

La teoria neo-riemanniana si concentra su relazioni armoniche dirette senza riferimento a centri tonali, utilizzando teoria matematica dei gruppi per descrivere progressioni di accordi e misure di parsimonia che quantificano l’efficienza del voice leading attraverso trasformazioni (P, L, R) che preservano toni comuni.

L’analisi set-teorica fornisce metodologia sistematica per analizzare musica post-tonale raggruppando altezze in insiemi e misurando le loro relazioni intervalliche, mentre la classificazione di Forte cataloga tutti i possibili set di classi di altezze (220 insiemi distinti) con vettori di intervallo che quantificano la complessità armonica.

Misure quantitative di qualità

Prove quantitative del declino tecnico:

• Range dinamico: Canzoni pop moderne con media DR6-DR8 vs DR12-DR15 negli anni ‘80
• Varietà timbrica: Esponente della legge di potenza β diminuito da ~2.5 a ~4.0 (1965-2010)
• Transizioni di altezza: Metriche di connettività di rete mostrano riduzione del 30% nella varietà di transizione
• Livelli di volume: Aumento medio di 9 dB nell’arco di 50 anni (1955-2010)

Studi aggiuntivi confermano la tendenza verso complessità ridotta:

• Università Medica di Vienna (2014): Trovò che man mano che i generi musicali aumentano in popolarità, diventano più generici con complessità strumentale che diminuisce con il successo commerciale
• Studi melodici vari: Ricerca recente mostra complessità melodica decrescente e densità di note crescente dal 2000, con due “rivoluzioni melodiche” principali nel 1975 e 2000 che marcarono significative diminuzioni di complessità

In sintesi

L’evidenza convergente da neuroscienze, teoria musicale e analisi quantitativa rivela che:

1. La forma canzone rappresenta capacità cognitiva fondamentale piuttosto che fusione artificiale, con vantaggi tecnici misurabili per composizione e performance derivanti da architetture neurali condivise e ottimizzazione mnemonica

2. L’evoluzione armonica moderna rappresenta espansione sistematica delle risorse armoniche con giustificazioni teoriche specifiche per ogni sviluppo, dall’espansione della serie armonica al temperamento equabile alle considerazioni strumentali

3. Il declino del pop contemporaneo è tecnicamente quantificabile attraverso misure oggettive di omogeneizzazione timbrica, compressione dinamica, semplificazione armonica e standardizzazione produttiva supportate da studi scientifici su larga scala

4. Framework teorici avanzati forniscono criteri misurabili per distinguere tra sofisticazione tecnica e semplicità commerciale utilizzando teoria dell’informazione, analisi set-teorica e misure di complessità multidimensionale

5. I fattori economici e tecnologici guidano sistematicamente la riduzione della qualità tecnica attraverso streaming economics, consolidamento industriale e strumenti di produzione digitale che prioritizzano convenienza commerciale su standard tecnici e artistici

La prospettiva del musicista classico che considera la voce come strumento trova validazione scientifica: l’integrazione musica-testo ottimizza l’uso delle capacità cognitive umane, l’evoluzione armonica segue logiche tecniche rigorose, e il declino della qualità pop è misurabile attraverso parametri tecnici oggettivi. La distinzione tra “musica di merda e buona musica” ha fondamenti tecnici verificabili, basati su complessità armonica, diversità timbrica, sofisticazione del voice leading e qualità produttiva, anche riconoscendo la soggettività dei gusti individuali.

L’aspetto psicologico e socio-culturale

L’evoluzione musicale contemporanea richiede una comprensione che vada oltre la mera analisi tecnica, integrando aspetti psicologici, sociali e culturali per spiegare fenomeni apparentemente contraddittori come l’appeal del pop semplificato, l’uso di distorsioni “cacofoniche” nella musica da ballo, e le diverse percezioni estetiche tra generi. Questa ricerca offre un framework olistico per comprendere la musica come fenomeno umano complesso.

La psicologia del pop “semplificato”

La preferenza per la musica pop semplificata non è una degenerazione del gusto, ma il risultato di meccanismi psicologici profondi e universali. La ricerca neuroscientifica rivela che il nostro cervello è biologicamente predisposto a preferire la semplicità musicale per ragioni evolutive e cognitive precise.

I quattro meccanismi psicologici fondamentali

Il mere exposure effect rappresenta il meccanismo più potente: l’esposizione ripetuta a stimoli musicali aumenta significativamente il gradimento, con correlazioni tra familiarità e preferenza che vanno da r = .40 a .67. Questo effetto è ancora più forte quando l’esposizione avviene inconsciamente, spiegando perché la musica di sottofondo nei media può influenzare le nostre preferenze senza che ce ne rendiamo conto.

La fluency processing theory dimostra che proviamo piacere estetico quando il nostro cervello elabora facilmente l’informazione musicale. Progressioni armoniche familiari, pattern melodici prevedibili e strutture ritmiche comuni richiedono meno risorse cognitive, generando una sensazione soggettiva di piacere. Questo spiega perché la forma verso-ritornello-verso-ritornello del pop commerciale risulta così attraente.

La cognitive load theory rivela che la complessità musicale eccessiva sovraccarica la memoria di lavoro. Studi con neuroimaging mostrano che la musica complessa aumenta l’attivazione della corteccia prefrontale, riducendo l’accuratezza e aumentando i tempi di reazione. Esiste un livello ottimale di complessità moderata che massimizza il piacere musicale.

Le limitazioni della memoria di lavoro costringono il nostro cervello a processare solo 3-5 elementi musicali contemporaneamente. La musica pop semplificata rispetta questi limiti biologici, permettendo un’elaborazione fluida e piacevole.

Il substrato neurobiologico della preferenza musicale

La ricerca con imaging cerebrale ha identificato i circuiti neurali specifici coinvolti nella preferenza musicale. L’ascolto musicale attiva il sistema dopaminergico della ricompensa, in particolare il nucleo accumbens e il caudato, con un meccanismo bifasico: rilascio di dopamina durante l’anticipazione (caudato) e al momento del piacere massimo (nucleo accumbens).

Gli studi farmacologici confermano questo meccanismo: la levodopa (precursore della dopamina) aumenta del 15-20% il piacere musicale e la disponibilità a pagare per la musica, mentre la risperidone (antagonista della dopamina) riduce l’esperienza estetica. La musica attiva gli stessi circuiti neurali del cibo, del sesso e delle droghe.

La familiarità genera pattern neurali distintivi: musica familiare attiva l’ippocampo e la corteccia prefrontale mediale (memoria), mentre musica nuova attiva reti attentive e di memoria di lavoro. Il cervello preferisce un equilibrio ottimale tra familiarità e novità, seguendo una curva a U invertita.

L’ecosistema socio-culturale della musica semplificata

L’identità musicale come capitale sociale

La musica funziona come un “badge” sociale che comunica appartenenza di gruppo, valori e aspirazioni. I generi musicali creano forti dinamiche in-group/out-group: le persone valutano più favorevolmente chi condivide le loro preferenze musicali. Questo è particolarmente evidente nella cultura giovanile, dove la musica diventa il meccanismo primario di formazione e mantenimento dei gruppi di pari.

Il 60-70% della varianza nelle preferenze musicali è spiegato da fattori culturali piuttosto che biologici. Le piattaforme digitali hanno intensificato queste dinamiche rendendo le preferenze musicali più visibili e condivisibili, ma creando anche “filter bubbles” algoritmiche che rafforzano le scelte esistenti.

La trasformazione dell’ascolto: da attivo a passivo

Il declino globale dell’educazione musicale formale correla con uno shift verso il consumo passivo e una ridotta literacy musicale. Lo streaming promuove esperienze di “lean-back listening” invece dell’attenzione focalizzata, con la musica che diventa sempre più funzionale (per allenarsi, studiare, rilassarsi) piuttosto che contemplativa.

La “regola dei 30 secondi” del streaming (dove lo stream conta solo dopo 30 secondi) ha influenzato le strutture delle canzoni, mentre la facilità di skip ha ridotto la tolleranza per contenuti musicali complessi o sfidanti. L’attention span medio nell’ascolto musicale è diminuito drasticamente, influenzando gli artisti a concentrare elementi coinvolgenti all’inizio delle tracce.

Pressioni economiche e omologazione algoritmica

L’economia dello streaming ha creato incentivi per contenuti semplificati. I bassi pagamenti per stream richiedono alto volume di consumo, incoraggiando contenuti immediatamente accessibili. I budget marketing sono concentrati su contenuti con appeal ampio, mentre le decisioni A&R diventano sempre più data-driven piuttosto che artisticamente motivate.

Gli algoritmi di raccomandazione mostrano diversi tipi di bias: popularity bias (favorire artisti già di successo), demographic bias (gli artisti maschi ricevono l’80% delle raccomandazioni in alcuni studi), e geographic bias (preferenza per contenuti da mercati più grandi). Questi sistemi possono sia aumentare che diminuire la diversità musicale, ma spesso rinforzano le disuguaglianze esistenti.

Decodificare l’estetica del “brutto”: distorsioni e scelte stilistiche

Il fascino della distorsione: death metal vs techno

Apparentemente simili ma funzionalmente diverse, le distorsioni nei generi estremi servono scopi estetici specifici. Il death metal utilizza distorsione asimmetrica attraverso amplificatori valvolari, creando armoniche dispari che producono una texture “grittosa” che si distingue nel mix. La complessità ritmica (blast beats, time signatures dispari) richiede precisione tecnica estrema.

Il techno impiega distorsione digitale per controllo e precisione, utilizzando algoritmi che tagliano il segnale audio in modo prevedibile. Il focus è sulla creazione di “granularità sonora” che risuona con i sensi tattili, aptici e cinestesici, contribuendo alla “colonna sonora tattile” della musica da ballo.

Funzionalità estetica del “cacofonico” nel contesto danceable

I suoni “harsh” funzionano nei contesti di danza perché l’EDM crea un’esperienza di tattilità elevata e intimità embodied dove la vibrazione coinvolge i sensi tattili oltre all’udito. La distorsione non è “brutta” ma funzionale: crea connessione espansiva nelle folle danzanti.

L’estetica industriale rappresenta l’assunzione volontaria della disciplina sonica meccanica come piacere - il rumore del lavoro industriale trasmutato da dovere oppressivo a piacere sensoriale ambivalente. I suoni meccanici, trasgressivi e provocatori forniscono commento sulle conseguenze alienanti dell’industrializzazione di massa.

La dissonanza come strumento espressivo

La dissonanza serve funzioni diverse attraverso i generi. Nella musica classica, le seconde maggiori e minori, le settime e le none creano tensione che risolve in consonanza, fornendo momentum narrativo. Nel jazz, la dissonanza aggiunge complessità ed espressività. Nel metal, gli intervalli diminuiti e aumentati creano effetti jarring intenzionali.

L’elettronica moderna utilizza “battimento di parziali” e “sensazioni di rugosità” per creare fluttuazioni di ampiezza come strumento espressivo significativo. La tecnologia ha democratizzato l’accesso alla complessità armonica, permettendo a musicisti senza formazione classica di creare texture sonore sofisticate.

Framework per l’analisi estetico-emotiva integrata

Oltre il relativismo: criteri oggettivi e soggettivi

Esistono elementi oggettivi nell’estetica musicale (principi acustici, neurobiologia della percezione, strutture culturali universali) e elementi soggettivi (esperienza personale, contesto culturale, associazioni emotive). L’approccio scientifico non elimina la soggettività ma la contextualizza all’interno di framework comprensibili.

La teoria della complessità ottimale suggerisce che il piacere musicale segue una curva a U invertita: troppa semplicità è noiosa, troppa complessità è cognitivamente sovraccaricante. Il punto ottimale varia tra individui basandosi su formazione musicale, personalità e esposizione culturale.

Personalità e preferenze musicali

La meta-analisi su 263.196 partecipanti rivela correlazioni significative tra tratti di personalità e preferenze musicali. L’Openness to Experience è il predittore più forte (r = .20-.25), correlando con preferenze per musica complessa e sofisticata. L’Estroversione predice preferenze per musica energica e convenzionale (r = .15-.20), mentre il Nevroticismo correla con musica intensa e ribelle (r = .10-.15).

La formazione musicale produce cambiamenti strutturali e funzionali nel cervello: aumento della materia grigia nelle cortecce motorie e auditive, integrità migliorata della sostanza bianca nel corpo calloso, e ippocampo ingrandito nei musicisti professionali. Questi cambiamenti enhanciano l’efficienza dell’elaborazione auditiva e la capacità di memoria di lavoro.

L’influenza culturale vs biologica

Il dibattito natura-cultura nelle preferenze musicali rivela pattern interessanti. Fattori biologici includono la preferenza universale per la consonanza sulla dissonanza, capacità di entrainment ritmico presenti dalla nascita, e risposte emotive basilari alla musica consistenti cross-culturalmente.

Fattori culturali includono sistemi scalari specifici, gerarchie tonali apprese attraverso esposizione culturale, e preferenze di genere fortemente influenzate dal contesto. La ricerca comparativa tra Bolivia e Stati Uniti mostra che l’esposizione culturale modella significativamente le preferenze per complessità armonica e pattern ritmici.

Classifica dei 30 generi musicali più impattanti

Basandosi su analisi multidimensionale di innovazione tecnica, influenza culturale, successo commerciale, merito artistico e significato storico, emerge una gerarchia di generi musicali per impatto complessivo:

Tier 1: Generi Fondazionali (90-100/100)

1. Musica Classica (95/100): Fondazione della notazione occidentale, arrangiamenti orchestrali, sviluppo strumentale millenario, base dell’educazione musicale formale, influenza su colonne sonore e musica popolare.

2. Jazz (94/100): Tecniche di improvvisazione, progressioni armoniche complesse, espressione culturale afroamericana, diplomazia culturale globale, forma d’arte americana più influente del XX secolo.

3. Blues (93/100): Struttura a 12 battute, blue notes, call-and-response, fondazione di rock, soul, hip-hop, country. Genere radice per multiple forme miliardarie.

Tier 2: Generi Trasformativi (80-89/100)

4. Rock & Roll/Rock (88/100): Tecniche di chitarra elettrica, amplificazione, recording multitraccia, cultura giovanile globale, ha trasformato la struttura dell’industria musicale moderna.

5. Hip-Hop/Rap (87/100): Turntablism, sampling, produzione digitale, cultura giovanile globale, genere leader nello streaming (28.2% del consumo), industria multimiliardaria.

6. Electronic Dance Music (85/100): Tecnologia dei sintetizzatori, produzione digitale, culture festival globali, ha trasformato la produzione musicale e creato la cultura musicale digitale.

Tier 3: Generi Regionalmente Dominanti (70-79/100)

7. Country (78/100): Tradizioni strumentali, identità americana rurale, crescita streaming consistente.

8. Folk Tradizionale (76/100): Preservazione tradizione orale, formazione identità nazionale, movimenti sociali.

9. Reggae (75/100): Pattern ritmici, produzione dub, esportazione culturale giamaicana, movimento rastafarian.

10. Soul/R&B (74/100): Tecniche vocali, espressione culturale afroamericana, ponte tra gospel/blues e pop moderno.

Tier 4-7: Generi Specializzati e Emergenti (30-69/100)

La classifica continua con Heavy Metal (68/100), Punk (67/100), Funk (66/100), Gospel (65/100), Disco (64/100), scendendo fino a Hardcore Punk (35/100) e Experimental Music (34/100).

Pattern chiave identificati: I generi con maggiore impatto tecnico sono Classical, Jazz, e Progressive Rock. Il maggiore impatto culturale appartiene a Hip-Hop, Rock, Blues, e Classical. Il successo commerciale più alto va a Hip-Hop e Rock. Il merito accademico più forte è di Classical, Jazz, Blues, e Folk.

In sintesi: la musica come fenomeno umano

Immaginate la musica come un linguaggio universale che parla simultaneamente al vostro cervello, alle vostre emozioni, e alla vostra identità sociale. Il vostro cervello è come un sistema di filtraggio evolutivo: preferisce automaticamente ciò che può elaborare facilmente, proprio come preferite camminare su sentieri ben battuti piuttosto che attraversare una foresta densa.

La metafora del fast food musicale

Il pop semplificato è come il fast food: non è “cattivo” di per sé, ma è progettato per essere immediatamente gratificante. Come il fast food sfrutta i nostri bias evolutivi per grassi e zuccheri, il pop semplificato sfrutta i nostri bias cognitivi per familiarità e semplicità. Il “junk food musicale” non è un difetto del pubblico, ma una conseguenza naturale di come funzionano i nostri cervelli.

Perché la distorsione “brutta” può essere bella

Pensate alla distorsione come al piccante nel cibo: in piccole dosi controllate, l’irritazione sensoriale può diventare piacevole. Il death metal usa la distorsione come il cuoco usa il peperoncino - per creare intensità emotiva specifica. L’elettronica usa la distorsione come texture, come un pittore usa diverse consistenze di vernice.

Il paradosso dei “mille pareri per mille persone”

Esistono sia elementi oggettivi che soggettivi nel gusto musicale. È come il colore: le lunghezze d’onda della luce sono oggettive, ma quali colori “preferite” è soggettivo. La formazione musicale è come sviluppare un vocabolario più ricco - non cambia quello che vi piace, ma espande quello che potete apprezzare.

Navigare la diversità musicale

Ogni genere musicale è come una cultura diversa con le proprie regole, valori, e modi di comunicare. La musica classica è come un linguaggio formale e preciso, l’hip-hop è come street art eloquente, l’EDM è come una celebrazione collettiva. Nessuno è “superiore” - sono strumenti diversi per esprimere esperienze umane diverse.

Conclusioni

La musica contemporanea richiede un approccio olistico che riconosca la complessità del fenomeno musicale umano. Non esiste “musica cattiva” o “buona musica” in senso assoluto, ma musica che serve funzioni diverse per bisogni psicologici, sociali, e culturali diversi.

Il pop semplificato risponde a bisogni cognitivi ed emotivi legittimi. La musica complessa serve funzioni espressive e intellettuali altrettanto valide. La chiave è sviluppare literacy musicale che permetta di apprezzare la funzione di ogni genere nel suo contesto appropriato.

L’evoluzione tecnologica continuerà a trasformare la creazione e il consumo musicale, ma i principi psicologici e sociali fondamentali dell’esperienza musicale umana rimangono costanti. Comprendere questi principi ci permette di navigare la diversità musicale con maggiore consapevolezza e apprezzamento per la ricchezza dell’espressione umana attraverso il suono.

La musica rimane uno dei fenomeni più complessi e universali dell’esperienza umana - un linguaggio che parla simultaneamente al corpo, alla mente, e allo spirito, connettendo gli individui alle comunità e alle culture attraverso il tempo e lo spazio.

A volte nella vita ti capita di assistere a retromarce spettacolari. Tipo quando il politico dice “non ho mai detto quello che ho detto” mentre c’è il video su YouTube. O quando Maurizio Mascitti sostiene che il suo articolo “La vera telemeloni è La Zanzara” non dice quello che dice.

Read more

Ieri (sta notte) ho pubblicato una critica metodologica all’articolo di Mascitti. La sua risposta finale su LinkedIn è stata illuminante, perché ha chiarito definitivamente cosa sostiene. O meglio, cosa sostiene di sostenere ora che gliel’ho contestato.

La Tesi che Si Trasforma

Secondo Mascitti, io non avrei capito il suo articolo. La sua vera tesi non sarebbe che La Zanzara È uno strumento di propaganda, ma che “può diventare un possibile strumento di propaganda su cui investire perché raggiunge di più quella fetta di pubblico su cui FdI non è forte.”

Ah.

Quindi siamo passati da “La vera telemeloni è La Zanzara” (titolo dell’articolo) a “potrebbe forse diventare un possibile investimento”. È come passare da “il gelato fa annegare” a “il gelato potrebbe teoricamente essere correlato a possibili futuri annegamenti se qualcuno decidesse di investirci sopra”.

Ma ok, accettiamo questa versione annacquata della tesi e vediamo se regge meglio.

Spoiler: Non Regge

Il problema fondamentale rimane identico. Anche nella versione “soft”, Mascitti sta suggerendo che:

1. La Zanzara raggiunge giovani istruiti
2. FdI è debole tra i giovani istruiti
3. Quindi FdI potrebbe/dovrebbe usare La Zanzara per raggiungerli

Ma questo ragionamento ha diverse falle logiche enormi.

Falla Numero Uno: L’Audience Non È un Terreno Vergine

Mascitti assume che siccome La Zanzara raggiunge giovani istruiti, questi siano influenzabili politicamente attraverso il programma. Ma chi l’ha detto?

Gli ascoltatori della Zanzara non sono pagine bianche su cui scrivere messaggi politici. Sono persone che hanno già:

• Orientamenti politici formati
• Capacità critica (sono istruiti, ricordi?)
• Motivazioni specifiche per ascoltare (spoiler: ridere)

Pensare che basti “investire” su un programma per convertire il suo pubblico è come pensare che basti comprare spazi pubblicitari su Repubblica per convertire i suoi lettori al fascismo. Good luck with that.

Falla Numero Due: Il Formato Non Si Presta

La Zanzara funziona perché è caotica, provocatoria, contraddittoria. Cruciani provoca, Parenzo controbatte, gli ascoltatori chiamano per dire cose assurde.

Come pensi di veicolare un messaggio politico coerente in questo casino? È come cercare di fare una lezione di filosofia durante una rissa da bar. Il medium non si presta al messaggio.

E se cambiassi il formato per renderlo più “propagandistico”, perderesti esattamente il pubblico che volevi raggiungere. Catch-22.

Falla Numero Tre: Parenzo Esiste Ancora

Anche nella versione “potrebbe diventare”, Mascitti continua a ignorare l’elefante nella stanza: David Parenzo.

Per trasformare La Zanzara in strumento di propaganda di destra dovresti:

• Silenziare Parenzo (auguri)
• Sostituirlo (e perdere metà del format)
• Convincerlo a cambiare orientamento (lol)

Nessuna di queste opzioni è realistica. E finché Parenzo c’è, ogni tentativo di propaganda verrebbe smontato in diretta. Non proprio l’ideale per il lavaggio del cervello.

Falla Numero Quattro: Confondere Reach con Influence

Mascitti confonde la capacità di raggiungere un pubblico con la capacità di influenzarlo. È un errore classico del marketing dilettantesco.

Solo perché un medium raggiunge molte persone non significa che possa cambiargli idea su questioni fondamentali come l’orientamento politico. Altrimenti basterebbe comprare pubblicità durante il Super Bowl per vincere le elezioni.

La realtà è che l’influenza politica è complessa, multifattoriale, e certamente non si ottiene semplicemente “investendo” su un programma radio dove due tizi urlano.

Falla Numero Cinque: Non Conosci Cruciani (Né Parenzo)

Ma facciamo finta per un secondo che Mascitti abbia ragione nella sua versione annacquata. Facciamo finta che FdI voglia davvero “investire” sulla Zanzara.

Spoiler: non funzionerebbe comunque.

Chiunque abbia ascoltato più di dieci minuti del programma sa che Cruciani è un anarco-liberista che morirebbe piuttosto che farsi condizionare da un “investitore”. La sua intera persona radiofonica si basa sul dire quello che pensa senza filtri. È letteralmente il motivo per cui il programma funziona.

E Parenzo? È un progressista democratico moderato che non venderebbe la sua anima politica nemmeno per tutti i soldi di Confindustria (che già paga il suo stipendio, tra l’altro).

Quindi anche se la Meloni in persona volesse “investire” - e ovviamente non lo farebbe direttamente per conflitto d’interessi, dovrebbe usare qualche società prestanome che però alla fine si scoprirebbe essere riconducibile a FdI - si troverebbe davanti due opzioni:

1. Approccio diretto: “Ciao Giuseppe, ecco dei soldi per spingere la nostra agenda”. Risposta di Cruciani: una pernacchia in diretta radio seguita da due ore di sfottò.

2. Approccio indiretto: Pressioni sottili, suggerimenti velati, “consigli” su quali ospiti invitare. Risultato: Cruciani fa esattamente l’opposto per principio, Parenzo gongola.

L’autonomia editoriale non è un dettaglio per La Zanzara. È il prodotto stesso. Toglila e hai ucciso il programma. E con esso, ironicamente, la sua capacità di raggiungere quel pubblico che Mascitti pensa sia così prezioso.

Il Vero Problema: La Tesi Non Falsificabile

Il problema più grave della nuova formulazione di Mascitti è che non è falsificabile. “Potrebbe diventare un possibile strumento” è una non-affermazione.

Qualsiasi cosa “potrebbe” diventare qualsiasi cosa:

• Il calcetto del giovedì potrebbe diventare un covo di terroristi
• Il club del libro potrebbe diventare una cellula sovversiva
• La pizzeria sotto casa potrebbe diventare centrale dello spaccio

Sì, tecnicamente è vero. Ma è anche completamente inutile come analisi.

Sui Dati TER

Mascitti chiude dicendo che “in realtà ho messo il link ai dati TER”. Ok, bravo. Ma il problema non è mai stato l’accesso ai dati. Il problema è come li usi.

Avere i dati grezzi non ti autorizza a fare inferenze selvagge. È come dire “ho accesso alle statistiche sul consumo di gelato e sugli annegamenti, quindi posso dedurre quello che voglio sulla loro relazione”.

No. Non funziona così. I dati sono solo l’inizio. Poi serve metodo, rigore, e onestà intellettuale nel non suggerire relazioni che i dati non supportano.

La Morale della Storia

L’evoluzione della tesi di Mascitti da “La Zanzara È la vera telemeloni” a “potrebbe forse diventare un possibile investimento” è un classico esempio di motte-and-bailey argument:

1. Bailey (posizione indifendibile ma accattivante): “La Zanzara è uno strumento di egemonia culturale della destra!”
2. Motte (posizione difendibile ma banale): “Beh, potrebbe teoricamente diventarlo se qualcuno ci investisse”

Quando attaccato sulla prima, si ritira sulla seconda. Ma poi il titolo resta “La vera telemeloni”, perché quello fa click.

In Conclusione

Caro Maurizio, il problema non è che non ho letto o capito il tuo articolo. Il problema è che l’ho capito troppo bene, incluse le sue contraddizioni interne e i suoi scivolamenti argomentativi.

Se la tua tesi è davvero solo che La Zanzara “potrebbe” diventare uno strumento di propaganda, allora:

1. Cambia quel titolo clickbait
2. Smetti di presentare correlazioni come se fossero significative
3. Ammetti che stai solo speculando su scenari ipotetici

Altrimenti continuerai a fare la figura di chi grida “al lupo” quando vede un barboncino, per poi dire “beh, tecnicamente potrebbe evolversi in un lupo” quando qualcuno ti fa notare l’assurdità.

La metodologia della ricerca esiste proprio per evitare questi errori. Usala.

P.S.: Per la cronaca, anche il panettone “potrebbe diventare” uno strumento di propaganda della destra. Basta che la Meloni investa sui fornai. Quick, someone write an article!

P.P.S.: I dati TER sono interessanti. Peccato che tu li usi come un ubriaco usa un lampione: per sostegno, non per illuminazione.

L’articolo sostiene che La Zanzara sia uno strumento di egemonia culturale della destra per conquistare i giovani. La “dimostrazione”? FdI è debole tra i 18-24 anni, La Zanzara ha successo in quella fascia, ergo La Zanzara lavora per FdI.

Ho provato a spiegare nei commenti che correlation is not causation. Risposta di Mascitti? Negare. A quel punto ho capito che serviva qualcosa di più di un commento su LinkedIn per smontare questa perla di analisi pseudoscientifica.

Read more

Quando Due Grafici Non Fanno Una Dimostrazione

L’articolo di Mascitti si basa su questa osservazione:

“Nel 2022 Fratelli d’Italia aveva ricevuto voti trasversalmente da tutte le fasce di età […] c’era un solo gruppo in cui non era riuscito a primeggiare: quello dei giovani di età compresa tra i 18 e i 24 anni. La stessa fascia di età che negli ultimi anni sembra interessarsi di più ai contenuti della trasmissione La Zanzara”

Da qui, il nostro conclude che La Zanzara stia lavorando per colmare questo gap elettorale. È il classico errore del post hoc ergo propter hoc, quello che alle superiori il prof di filosofia ti spiegava con l’esempio del gallo che canta prima dell’alba.

Ma evidentemente Mascitti preferisce ignorare duemila anni di logica aristotelica quando c’è una narrativa accattivante da costruire.

Il Festival del Cherry Picking

Quando qualcuno vuole dimostrare una tesi preconcetta, la prima cosa che fa è selezionare accuratamente solo i dati che la supportano. Mascitti eccelle in quest’arte.

Ci racconta che:

• FdI è debole tra i giovani
• La Zanzara spacca su Spotify
• Vannacci va ospite al programma
• Trump ha usato i podcast per vincere

Stranamente dimentica di menzionare che:

• La Zanzara esiste dal 2006, quando Meloni era una giovane missina sconosciuta
• Parenzo è di centro-sinistra e litiga con Cruciani in diretta da 20 anni
• Al programma vanno ospiti di ogni colore politico, da Luxuria a Salvini
• Il formato provocatorio è rimasto identico attraverso governi di ogni orientamento

Ma questi dettagli rovinerebbero la bella storia del complotto, quindi meglio ometterli.

La Logica Che Non C’è

Il sillogismo di Mascitti funziona così:

1. I giovani ascoltano La Zanzara
2. FdI vuole i voti dei giovani
3. Quindi La Zanzara è uno strumento di FdI

Proviamo ad applicare la stessa logica ad altro:

1. I giovani bevono spritz
2. FdI vuole i voti dei giovani
3. Quindi l’Aperol è controllato dalla Meloni

Suona ridicolo? Perché lo è. Eppure è esattamente lo stesso ragionamento.

Come Si Fa Un’Analisi Che Non Faccia Ridere

Visto che Mascitti ha negato quando gli ho fatto notare l’errore, facciamo un corso accelerato di metodologia della ricerca.

Prima di Tutto, l’Ipotesi

Se vuoi dimostrare che La Zanzara influenza politicamente i giovani, devi partire da un’ipotesi falsificabile. Qualcosa tipo:

“L’esposizione regolare alla Zanzara modifica significativamente l’orientamento politico dei giovani ascoltatori in direzione del centro-destra”

Nota la parola “modifica”. Non “è associata a” o “si correla con”. Modifica. Implica causalità, non semplice correlazione.

Poi Servono i Dati Veri

Non basta prendere due grafici a caso e dire “vedete? Salgono insieme!”. Quello lo facevano anche con le nascite e le cicogne.

Servirebbe uno studio longitudinale:

• Prendi un campione di giovani
• Misuri le loro preferenze politiche
• Una parte ascolta La Zanzara, una parte no
• Dopo un periodo adeguato, rimisuri
• Confronti i cambiamenti

Oppure, se proprio non puoi fare un esperimento, almeno un’analisi osservazionale seria:

• Raccogli dati su migliaia di giovani
• Controlli per tutte le variabili confondenti (educazione, reddito, area geografica, famiglia, etc.)
• Usi tecniche statistiche appropriate per isolare l’effetto
• Verifichi che il risultato sia robusto

E Poi Devi Considerare le Alternative

Anche se trovassi una correlazione (spoiler: probabilmente no), dovresti chiederti:

È possibile che sia causalità inversa? Magari chi è già di destra cerca programmi “politicamente scorretti”?

Ci sono variabili nascoste? Tipo che sia i giovani di destra che gli ascoltatori della Zanzara condividono altre caratteristiche?

L’effetto è davvero rilevante? Anche se ci fosse, quanto conta? Lo 0.1%? Il 10%?

Il Mistero di Parenzo

C’è un elefante nella stanza che Mascitti finge di non vedere: David Parenzo.

Il co-conduttore della Zanzara è notoriamente di centro-sinistra. Passa metà programma a litigare con Cruciani, a difendere posizioni progressiste, a criticare la destra.

Se La Zanzara fosse propaganda di destra, sarebbe come fare pubblicità alla Coca-Cola con uno che ogni cinque minuti dice “però la Pepsi è più buona”. Non il massimo dell’efficienza propagandistica.

La Verità Banale Che Nessuno Vuole Sentire

La spiegazione più semplice e probabilmente corretta è che:

1. La Zanzara ha successo perché la gente ama il casino e le provocazioni
2. I giovani ascoltano podcast perché è il loro medium
3. FdI cerca di intercettare i giovani come tutti i partiti
4. Questi tre fatti coesistono senza che uno causi l’altro

Non c’è nessun grande disegno. Nessun complotto. Nessuna strategia segreta.

Solo un programma radio che fa audience con due che litigano, giovani che consumano media digitali, e politici che cercano voti. Tutto qui.

Perché Mi Incazzo Con Questi Articoli

Non è solo una questione di rigore metodologico, anche se quello basterebbe. È che questi articoli creano narrative false che poi vengono riprese, amplificate, credute.

Quando scrivi di fenomeni sociali hai una responsabilità. Non puoi sparare correlazioni a caso e costruirci sopra teorie del complotto. Non quando parliamo di temi seri come l’influenza mediatica e la formazione del consenso politico.

E soprattutto, quando qualcuno ti fa notare l’errore metodologico, non puoi negare. Devi fermarti, riflettere, verificare. Altrimenti non stai facendo giornalismo, stai scrivendo fan fiction politica.

In Conclusione

L’articolo di Mascitti è un esempio da manuale di come NON si fa analisi sociale. Parte da una conclusione, cerca dati che la supportino, ignora tutto il resto, e quando gli fai notare che correlation is not causation, nega pure.

La realtà è che non sappiamo se La Zanzara influenzi politicamente i suoi ascoltatori. E non lo sappiamo perché nessuno ha fatto uno studio serio per verificarlo. Quello che sappiamo è che vedere due fenomeni che accadono insieme non significa che uno causi l’altro.

È una lezione che si impara al primo anno di statistica. Peccato che Mascitti quel giorno fosse assente.

P.S. Mascitti, se leggi questo, l’invito a confrontarci sui metodi di analisi resta valido. Ma con i dati alla mano, non con le correlazioni spurie.

P.P.S. E no, continuare a negare su LinkedIn non fa sparire il problema metodologico. Lo rende solo più evidente.

Se dovessi fare un drink ogni volta che qualcuno paragona l’intelligenza artificiale alla rivoluzione industriale, a quest’ora sarei già morto per coma etilico. È diventato il paragone del momento, quel cliché che esce fuori a ogni conferenza TED, l’introduzione obbligatoria di praticamente ogni articolo che si rispetti sull’AI. “Proprio come la macchina a vapore ha cambiato tutto…” iniziano tutti, e io già so che nei prossimi dieci minuti sentirò variazioni sul tema che fanno sembrare ChatGPT l’equivalente digitale della prima locomotiva.

Read more

(Per inciso, scrivo questo articolo nella speranza che almeno tre persone lo leggano fino in fondo senza addormentarsi. Se sei arrivato fin qui, congratulazioni: fai già parte di una minoranza statistica.)

Il problema è che questo paragone, per quanto rassicurante e di moda, mi sembra tanto generico quanto inutile. È un po’ come dire che “mangiare è come nutrirsi” - tecnicamente vero, ma che ci dice? E soprattutto, ho la sensazione che ci stia facendo perdere di vista qualcosa di molto più interessante (e forse preoccupante) di quello che sta davvero succedendo.

Non che io abbia la verità in tasca, per carità. Ma dopo vent’anni che programmo e vedo come cambia questo settore (sì, sono uno di quelli che ha iniziato quando Java era ancora “rivoluzionario” e tutti dicevano che C++ era il futuro), alcune cose mi sembrano… strane. E forse vale la pena ragionarci su.

Un po’ come quando vedi il tuo coinquilino che continua a mettere la pasta nell’acqua fredda e dici “mmh, forse c’è un modo migliore”, ma poi realizzi che in realtà non sei sicuro neanche tu se stai facendo tutto giusto.

Il teatrino della “quarta rivoluzione”

Ok, facciamo un passo indietro. L’idea standard che va per la maggiore è questa: abbiamo avuto la prima rivoluzione industriale con vapore e carbone, la seconda con elettricità e catene di montaggio, la terza con computer e internet, e ora eccoci qua alla quarta con AI e automazione. Tutto molto ordinato, molto progressivo. Una bella timeline da PowerPoint aziendale che fa sentire tutti intelligenti.

Gli economisti di mezzo mondo stanno sfornando paper su come “l’AI sostituirà i lavoratori proprio come fecero i telai meccanici con i tessitori”, mentre i politici fanno i loro bei discorsi su come “dobbiamo prepararci al cambiamento come fecero i nostri antenati”. Tutto molto rassicurante, tutto molto “ce l’abbiamo già fatta una volta, ce la faremo anche stavolta”.

Ma ecco, io ho un dubbio. Anzi, più di uno.

La rivoluzione industriale classica ha preso decenni per dispiegarsi completamente. La ferrovia inglese non è mica spuntata fuori in tre anni, e i tessitori non sono stati rimpiazzati da un giorno all’altro. C’è stato tempo per adattarsi, per riqualificarsi, per inventare nuovi mestieri. Il tutto con un ritmo che, seppur drammatico per l’epoca, oggi ci sembrerebbe quasi glaciale.

L’AI, invece, mi sa che sta facendo tutto questo in mesi. ChatGPT è passato da zero a 100 milioni di utenti più velocemente di quanto io riesca a finire una serie Netflix (e non è che sono lento con Netflix). E mentre sto scrivendo queste righe, stanno uscendo nuovi modelli che rendono obsoleti quelli di sei mesi fa.

Forse sto esagerando, ma qualcosa non torna.

Forse stiamo sbagliando analogia

Ecco dove secondo me tutti sbagliano analogia. Non dovremmo paragonare la programmazione al settore tessile - quello che è stato praticamente spazzato via dalla meccanizzazione. Dovremmo paragonarla alla lavorazione del legno, del ferro, della ceramica. O almeno, questa è la mia teoria.

Prendiamo IKEA. È un’azienda che ha industrializzato la produzione di mobili, eppure non ha mica ucciso l’artigianato del legno. Ha semplicemente creato due mercati paralleli: quello industriale (scaffali Billy da 29 euro che montiamo tutti bestemmiando contro le istruzioni in svedese) e quello artigianale (tavoli su misura che costano quanto una macchina usata e ti fanno sentire un riccone per averli ordinati).

La differenza? IKEA ha investito una fortuna nella progettazione a monte. Hanno capito - o almeno così mi sembra - che il valore non stava nell’assemblaggio (che infatti fanno fare a noi poveri clienti), ma nel design del sistema che rende l’assemblaggio scalabile. È geniale, in un modo leggermente psicopatico.

Ecco dove penso stiamo andando con la programmazione. I programmatori di domani probabilmente non saranno quelli che scrivono righe di codice (quello lo farà l’AI), ma quelli che progettano sistemi che orchestrano l’AI. Un po’ come i falegnami moderni che non segano tavole a mano, ma progettano pezzi e supervisionano macchine.

Il settore tessile, invece, è praticamente sparito. Quando l’ultima nonna ha smesso di fare calze ai ferri, non è rimasto granché di un “mercato premium delle calze artigianali”. Perché? Forse perché fare calze non richiedeva creatività progettuale - era pura esecuzione ripetitiva.

Boh, magari sbaglio completamente. Ma mi sembra una distinzione importante.

Il problema della velocità

Le rivoluzioni industriali precedenti avevano una cosa in comune: erano energeticamente limitate. Potevi costruire solo un numero finito di fabbriche, assumere solo un numero finito di operai, produrre solo una quantità finita di merci. I vincoli fisici imponevano un ritmo, volente o nolente.

L’AI, invece, vive nel mondo digitale dove i vincoli fisici sono… be’, opzionali. Una volta addestrato un modello, puoi replicarlo all’infinito istantaneamente. Non hai bisogno di costruire nuove fabbriche - basta copiare il file. È come se, nel 1800, invece di dover costruire ogni singola macchina a vapore, bastasse dire “Ctrl+C, Ctrl+V” e apparissero magicamente cento locomotive identiche.

Questo crea un problema che, per quello che ne so, gli economisti non avevano mai visto prima: cicli di innovazione compressi nel tempo ma amplificati in scala. Invece di decenni di adattamento graduale, abbiamo anni (forse) di sconvolgimento totale.

E qui entra in gioco una teoria che, non so perché, nessuno sembra aver considerato: i cicli inflattivi-deflattivi accelerati. O almeno, non ne ho mai sentito parlare. Magari esiste già e io non lo so (se qualcuno dei miei tre lettori ha fonti, le accetto volentieri).

Piccola digressione: questo è uno di quei momenti in cui spero davvero di sbagliarmi, perché se ho ragione significa che stiamo tutti guidando verso un muro a 200 all’ora convinti di essere in autostrada. Ma andiamo avanti.

I cicli a fisarmonica

Nelle rivoluzioni industriali classiche, i cicli economici erano lenti e abbastanza prevedibili. Prima una lunga fase “inflattiva” di investimenti massicci in infrastrutture (ferrovie, fabbriche, centrali elettriche), poi una fase “deflattiva” di ottimizzazione ed efficientamento che durava decenni.

Il boom delle ferrovie americane, per dire, è durato dal 1840 al 1890. Cinquant’anni di “buttiamo soldi nelle rotaie” seguiti da altrettanti anni di “ora ottimizziamo i treni”. Ritmi glaciali, ma forse per questo sostenibili.

Con l’AI, invece, ho l’impressione che i cicli si stiano comprimendo drasticamente. Potremmo avere fasi inflattive di 2-3 anni (tutti a comprare GPU come se fossero diamanti) seguite da fasi deflattive altrettanto brevi (tutti a ottimizzare algoritmi per fare la stessa cosa con meno potenza).

E indovinate un po’? Mi sa che siamo proprio nel mezzo di questo casino.

Perché non ci fermiamo?

Ora arriviamo alla parte che mi incuriosisce di più. Secondo la logica economica naturale - sempre che io la capisca qualcosa - dovremmo già essere in fase deflattiva. I modelli di AI generativa di base esistono, funzionano discretamente, e ora dovremmo concentrarci sull’ottimizzazione. Invece di continuare a pompare energia bruta nel sistema, dovremmo essere nella fase “facciamo meglio con meno”.

Ma non sta succedendo. Perché? Ho un paio di teorie, ma magari sono completamente sbagliate.

Primo motivo: il capitalismo non vuole frenare. Nelle fasi inflattive, chi ha i soldi può moltiplicarli velocemente vendendo prodotti ad alto valore aggiunto. È il momento in cui i capitalisti fanno la pacchia. Nelle fasi deflattive, invece, vince chi fa ricerca - e la ricerca costa tanto, rende dopo anni, e non garantisce profitti immediati.

Chi pensate che preferisca vendere servizi AI da centinaia di migliaia di dollari oggi, o investire tre anni in ricerca per renderli più efficienti domani? Mmh. È come chiedere a un drogato se preferisce la dose immediata o il programma di riabilitazione.

Secondo motivo: la geopolitica. L’AI sembra essere diventata la nuova “corsa allo spazio” della Guerra Fredda 2.0. USA e Cina si stanno sfidando a chi ha l’intelligenza artificiale più grossa, e presumibilmente nessuno vuole essere il primo a dire “Ok, fermiamoci a ottimizzare”. È come una gara di muscoli dove il primo che si rilassa viene visto come debole.

Il risultato? Stiamo artificialmente mantenendo la fase inflattiva oltre il suo ciclo naturale, pompando risorse nella macchina invece di renderla più efficiente.

O almeno, questa è la mia impressione. Potrei sbagliarmi completamente.

I chip specializzati che nessuno nota

Ma se guardate attentamente - e ammetto che potrei vedere cose che non ci sono - la fase deflattiva sembra già iniziata sottotraccia. Mentre tutti fanno rumore sulle GPU sempre più potenti, c’è un’intera industria che sta silenziosamente lavorando sull’efficientamento.

Groq sta sviluppando chip LPU progettati specificamente per elaborare linguaggio, non per la grafica. Google ha le sue TPU giunte alla sesta generazione. Amazon ha i suoi Trainium. Microsoft sta preparando Maia. Persino OpenAI sta collaborando con Broadcom per un chip custom.

Tutti questi chip hanno una cosa in comune: sono progettati per fare la stessa cosa con meno energia. Non per essere più potenti, ma per essere più efficienti. È esattamente quello che ti aspetteresti in una fase deflattiva.

Ma siccome il mercato è ancora in modalità “più grande = meglio”, questi sviluppi passano in secondo piano rispetto alle GPU da mille watt che fanno più rumore mediatico.

Forse sto leggendo troppo in questi segnali. Ma mi sembrano interessanti.

L’elefante quantistico

E poi c’è l’elefante nella stanza che tutti sembrano ignorare: il quantum computing.

Teoricamente, un computer quantistico potrebbe risolvere certi problemi di AI con una frazione dell’energia di un data center tradizionale. È l’efficientamento definitivo - come passare dalla macchina a vapore al motore elettrico. Teoricamente.

Indovinate chi ci sta lavorando? Gli stessi che stanno pompando miliardi in GPU tradizionali: Google, IBM, Microsoft. È come se stessero giocando su due tavoli contemporaneamente - uno pubblico dove fanno rumore con l’hardware bruto, uno privato dove preparano la rivoluzione dell’efficientamento.

Il fatto che ne parlino relativamente poco mi sembra indicativo. Se fossimo in fase naturale deflattiva, il quantum computing per AI dovrebbe essere al centro del dibattito. Invece è relegato a comunicati stampa di aziende specializzate e paper accademici che legge giusto qualche nerd come me (e probabilmente tu, se sei arrivato fin qui).

Ma potrei sbagliarmi. Magari il quantum computing per l’AI è ancora troppo acerbo per essere rilevante. O magari stanno tutti zitti perché sanno qualcosa che noi non sappiamo. Il che è sempre rassicurante.

La contraddizione climatica

E qui arriviamo alla contraddizione che mi lascia più perplesso.

Siamo ufficialmente in crisi climatica. Ogni conferenza internazionale ci ricorda che dovremmo ridurre i consumi energetici. Parallelamente, stiamo costruendo data center che consumano come piccole nazioni per far girare modelli AI che spesso vengono usati per creare meme di gatti con sei zampe.

La logica vorrebbe che ci concentrassimo sull’efficientamento energetico dell’AI. Invece continuiamo a buttare energia nel sistema come se i watt fossero gratis e il pianeta fosse immortale.

Perché? La mia teoria è che fermarsi a ottimizzare significherebbe ammettere che la fase di crescita infinita è finita. E né i capitalisti né i governi sembrano pronti per quella conversazione.

Ma boh, magari sono io che vedo contraddizioni dove non ce ne sono.

Il palloncino USA-Cina

Nel frattempo, USA e Cina continuano la loro pantomima della “supremazia AI”, ognuno terrorizzato dall’idea che l’altro possa prendergli il posto di “egemone tecnologico mondiale”.

È interessante notare che questa competizione sembra artificialmente estendere la fase inflattiva ben oltre il suo ciclo naturale. È come se due bambini facessero a gara a chi riesce a gonfiare di più un palloncino, ignorando il fatto che prima o poi scoppierà.

Gli americani bloccano l’export di chip avanzati verso la Cina. I cinesi sviluppano le loro alternative. Entrambi pompano miliardi in ricerca. Il risultato? Un’accelerazione artificiale che sta bruciando risorse a velocità industriale per mantenere una competizione che, dal punto di vista economico puro, forse dovrebbe già essere nella fase di consolidamento.

O almeno, così mi sembra. Magari è normale che funzioni così.

Segnali sottotraccia

Ma i segnali che il ciclo naturale sta provando a riemergere mi sembrano esserci tutti:

• Standardizzazione: I modelli AI stanno convergendo verso architetture simili
• Specializzazione hardware: Chip custom per carichi di lavoro specifici
• Focus sull’efficienza: Algoritmi che fanno di più con meno parametri
• Costi operativi: Le aziende iniziano a calcolare quanto costa davvero far girare questi modelli

È la classica transizione da “più potenza bruta” a “più intelligenza nell’usare la potenza”. Esattamente quello che ti aspetteresti quando una tecnologia matura.

Il problema è che questa transizione naturale sembra essere combattuta artificialmente da forze economiche e geopolitiche che hanno interesse a mantenere il boom il più a lungo possibile.

Ma ripeto, potrei sbagliarmi completamente su tutto.

Le mie previsioni (probabilmente sbagliate)

Ecco la mia previsione, che potete tranquillamente usare per scommettere contro di me fra qualche anno. Probabilmente perderete i soldi perché ci azzecco raramente.

Nei prossimi 2-3 anni penso vedremo una transizione forzata verso la fase deflattiva, probabilmente innescata da uno di questi fattori:

1. Crisi energetica: I costi dell’energia diventeranno insostenibili
2. Pressione climatica: Governi costretti a limitare i consumi dei data center
3. Saturazione del mercato: I clienti smetteranno di pagare prezzi assurdi per AI marginalmente migliore
4. Breakthrough tecnologico: Qualcuno (forse Google o un player cinese) lancerà una soluzione drasticamente più efficiente

A quel punto, avremo una fase deflattiva accelerata dove l’efficientamento diventerà il nome del gioco. Chi avrà investito silenziosamente in chip specializzati, algoritmi ottimizzati e soluzioni quantum potrebbe dominare il mercato. Chi sarà rimasto attaccato alle GPU da mille watt si ritroverà con hardware obsoleto che vale quanto un Hummer in tempo di crisi petrolifera.

E poi? Poi forse inizierà il prossimo ciclo inflattivo, probabilmente centrato su qualche altra tecnologia che oggi nemmeno immaginiamo.

Ma ammetto che potrei aver capito tutto male.

Storia che si ripete, ma più veloce

La cosa che mi affascina di più di tutto questo è che mi sembra stiamo ripetendo esattamente gli stessi errori delle bolle tecnologiche precedenti, ma più velocemente.

Negli anni ‘90 avevamo la bolla dot-com: tutti convinti che internet fosse magia, investimenti folli in aziende senza business model, crash inevitabile, poi ricostruzione su basi più solide. Ci sono voluti anni.

Oggi abbiamo quella che mi sembra la bolla AI: tutti convinti che l’intelligenza artificiale sia magia, investimenti folli in data center energivori, e probabilmente un crash inevitabile quando la realtà economica busserà alla porta. Ma stavolta tutto potrebbe succedere in una frazione del tempo.

La differenza è che l’AI, a differenza di molte startup dot-com, funziona davvero. Il problema non è la tecnologia, è il modo in cui stiamo artificialmente accelerando e prolungando i cicli economici per ragioni che hanno poco a che fare con l’efficienza economica.

È come guidare una Ferrari in prima marcia perché hai paura di scalare. Funziona, ma stai sprecando un sacco di carburante e prima o poi il motore si surriscalda.

O almeno, questa è la mia impressione. Magari è tutto normale e io non ci capisco niente.

La prossima volta che qualcuno vi paragona l’AI alla rivoluzione industriale, provate a fare loro una domanda semplice: “Quale rivoluzione industriale hai in mente? Quella che è durata decenni o quella che stiamo artificialmente accelerando per ragioni geopolitiche?”

Poi preparatevi a una lunga pausa imbarazzata. O magari vi risponderanno con qualcosa di molto intelligente e scoprirete che avevo torto su tutto. (Se succede, scrivetemi. Amo essere smentito quando imparo qualcosa di nuovo.)

Perché la verità è che non credo stiamo vivendo una rivoluzione industriale normale. Mi sembra che stiamo vivendo la prima rivoluzione industriale compressa nel tempo e distorta dalla politica. E francamente, nessuno sa davvero come andrà a finire.

L’unica cosa di cui sono ragionevolmente sicuro è che sarà molto più veloce, molto più caotico, e probabilmente molto più costoso di quello che chiunque stia prevedendo.

Benvenuti nel futuro. Allacciate le cinture. E se avete idee migliori delle mie, scrivetemi - anche solo per dirmi che sono un idiota. Almeno saprò che qualcuno ha letto fino alla fine.

P.S. Se questo articolo vi è piaciuto e volete deprimervi ancora di più, nei prossimi giorni probabilmente scriverò qualcosa sui motivi per cui tutti i nostri smartphone diventeranno obsoleti prima di Natale. O forse no, dipende da quanta voglia avrò di farmi odiare.