Perché il test di Turing ha perso significato nell’era dell’IA

In una conversazione controllata di cinque minuti svolta nel 2024, i partecipanti hanno giudicato GPT-4 umano nel 54% dei casi. In un successivo test a tre partecipanti, GPT-4.5 è arrivato al 73% quando gli è stato chiesto di adottare una personalità umana. Questi numeri non dimostrano che un modello linguistico sia diventato una persona. Dimostrano che una breve conversazione testuale è un metodo debole per distinguere una persona da una macchina.

Per questo il test di Turing ha perso il suo ruolo di esame generale dell’intelligenza. Può ancora misurare se un sistema imita una conversazione umana dentro un protocollo preciso. Non dice se comprende il mondo, controlla i propri errori, pianifica nel tempo o porta a termine un compito reale in modo affidabile.

Che cosa propose davvero Turing

Nel suo articolo del 1950, “Computing Machinery and Intelligence”, Alan Turing partiva dalla domanda: “Le macchine possono pensare?”. Invece di definire subito “macchina” e “pensare”, descrisse un gioco dell’imitazione. Un interrogatore umano comunica via testo con due partecipanti nascosti: una persona e una macchina.

L’interrogatore deve stabilire quale dei due sia la macchina. Se la macchina rende inaffidabile quel giudizio, ha vinto il gioco. Voce, aspetto e corpo vengono esclusi; contano il linguaggio e il ragionamento visibile nella conversazione.

La scelta era efficace perché il pensiero non si osserva direttamente, mentre il comportamento conversazionale può essere registrato. Il problema è nato quando questa approssimazione comportamentale è stata trattata come una teoria completa dell’intelligenza.

Il linguaggio è diventato una superficie ottimizzabile

I modelli linguistici imparano da enormi raccolte di testi umani e producono continuazioni plausibili. In un esame il cui bersaglio visibile è il comportamento umano, partono quindi con un vantaggio strutturale.

Un modello non deve aver avuto un’infanzia per raccontare un ricordo convincente. Non deve provare emozioni private per rispondere con empatia. Non deve avere una memoria personale duratura per mantenere un personaggio per alcuni minuti. Questi comportamenti possono essere generati da schemi linguistici, istruzioni e contesto.

Il registro è facile da regolare: gergo, risposte brevi, qualche errore di battitura, falsa incertezza o cambio di argomento davanti a una domanda difficile. Una conversazione naturale è utile per un assistente. L’errore consiste nel confondere la qualità dell’interfaccia con le capacità che dovrebbe rivelare.

Il test premia la recitazione, non l’affidabilità

Un assistente affidabile dovrebbe distinguere fatti e ipotesi, citare le fonti, ammettere l’assenza di prove, chiedere contesto e fermarsi prima di un’azione rischiosa. In una conversazione informale queste precauzioni possono sembrare poco umane, perché anche le persone sono incoerenti e spesso sbagliano con sicurezza.

Il gioco dell’imitazione crea incentivi diversi. Inventare un’esperienza personale, commettere un piccolo errore o evitare una risposta precisa può aumentare l’impressione di umanità. L’obiettivo è convincere il giudice, non dare la risposta migliore.

Un modello può quindi aumentare il punteggio senza diventare più preciso o più capace. Il test misura la resistenza dell’esaminatore agli indizi sociali, non la qualità del lavoro svolto dal sistema.

Che cosa mostrano gli esperimenti recenti

Lo studio preregistrato di Jones e Bergen del 2024 ha confrontato ELIZA, GPT-3.5, GPT-4 e partecipanti umani in conversazioni di cinque minuti. GPT-4 è stato giudicato umano nel 54% dei casi; i partecipanti umani hanno raggiunto il 67%.

Il punto non è che GPT-4 sia “quasi umano”. Il punto è che una conversazione breve rende difficile il giudizio sull’identità. Gli autori hanno osservato che stile e segnali socio-emotivi pesavano più delle nozioni tradizionali di intelligenza.

Nel 2025, lo studio “Large Language Models Pass the Turing Test” ha riportato il 73% per GPT-4.5 con una persona umanizzata, il 56% per Llama 3.1 e il 21% e 23% per GPT-4o ed ELIZA. Si tratta di un preprint su arXiv, quindi va letto con questa cautela. Il dato più chiaro è la sensibilità del risultato al modello, alle istruzioni e al protocollo.

Sembrare umani non dimostra comprensione

Un sistema può produrre una risposta persuasiva senza avere un modello del mondo ancorato ai fatti. Può descrivere un’emozione senza provarla, spiegare una dimostrazione e commettere subito dopo un errore logico elementare, oppure citare un turno precedente senza conservare una memoria stabile dell’interlocutore.

Questo non dimostra che i modelli linguistici non abbiano alcuna forma di comprensione. Dimostra che il test di Turing non può decidere la questione. Lo stesso comportamento esterno può nascere da processi interni molto diversi, invisibili in una trascrizione.

Il lavoro reale richiede stato persistente, verifica degli input, uso corretto degli strumenti, rilevamento dei fallimenti, revisione dei piani e registri. Una buona chiacchierata di cinque minuti non predice una ricerca di sei ore o una modifica software in più passaggi.

Vale anche il caso opposto. Un motore scacchistico o un sistema scientifico può superare gli esseri umani nel proprio dominio senza imitare una conversazione. Lo stile umano è una forma di comportamento collegata all’intelligenza, non la definizione dell’intelligenza.

La domanda pratica si è capovolta

Il gioco originale chiedeva se una macchina potesse convincere qualcuno di essere umana. Oggi la domanda è come verificare origine, autorizzazione e responsabilità di un’interazione.

Un messaggio che sembra umano può provenire da un bot. Uno che sembra artificiale può essere stato scritto da una persona stanca, tradotto o modificato. Rathi e colleghi hanno mostrato che, senza interrogare direttamente l’autore, sia i giudici umani sia i modelli diventano meno precisi; il miglior testimone GPT-4 è stato giudicato umano più spesso dei testimoni umani.

Questo riguarda truffe, account falsi, imitazione dell’assistenza clienti e propaganda automatizzata. Lo stile non è una credenziale d’identità. Servono autenticazione per l’identità, provenienza per i contenuti e permessi e log per le azioni importanti.

Che cosa dovrebbe sostituirlo

Non esiste un unico test alternativo, perché l’intelligenza ha più dimensioni. I fatti richiedono set nascosti e verifica delle fonti; il ragionamento richiede compiti avversariali e controfattuali; il lavoro richiede risultati end-to-end; l’affidabilità richiede calibrazione, rifiuti corretti, uso verificato degli strumenti, costi, latenza e stabilità.

Il test di Turing può rimanere un piccolo test del rischio sociale: mostra se un sistema produce un’impressione umana convincente. È utile per le interfacce e per la ricerca sulla sicurezza. Non basta a certificare intelligenza, coscienza o fiducia.

Turing fece bene a trasformare una definizione difficile in un esperimento osservabile. Ciò che non funziona più è trasformare un singolo comportamento in una scala universale. Una macchina può parlare come una persona senza essere affidabile, mentre un sistema può essere molto capace senza parlare come una persona. Il test non è scomparso; ha cambiato categoria.