L’intelligenza artificiale sembra spesso qualcosa di quasi magico. Riconosce immagini, individua pattern, prevede scenari. Per descriverla usiamo parole molto umane: diciamo che “vede”, “capisce”, “impara”, “ragiona”.

Ma dietro questa impressione di intelligenza c’è qualcosa di molto più concreto: la matematica.

Ogni volta che un sistema di AI analizza una scena o segnala un possibile rischio, sta trasformando il mondo reale in numeri. Un casco, una persona, un muletto, una traiettoria o una zona pericolosa diventano dati, coordinate, distanze, relazioni, probabilità.

Senza matematica, l’AI non potrebbe esistere. Non potrebbe apprendere dagli esempi, confrontare scenari, riconoscere somiglianze o stimare la probabilità che una situazione sia critica. È il suo linguaggio nascosto, la struttura che le permette di leggere ciò che accade.

Eppure, proprio qui nasce una contraddizione interessante: la matematica viene spesso associata all’esattezza, mentre l’intelligenza artificiale lavora quasi sempre con l’incertezza.

Un modello raramente dice: “questa è la verità”. Dice piuttosto: “questa è la previsione più probabile sulla base dei dati che ho visto”. Non elimina il dubbio, lo misura.

Questo è particolarmente importante quando si parla di sicurezza. Se un sistema rileva una persona troppo vicina a un mezzo in movimento, non sta “capendo” il pericolo come lo capirebbe una persona. Sta calcolando relazioni tra oggetti, distanze, traiettorie e soglie. Sta stimando quanto quella scena somigli a uno scenario rischioso.

È un aiuto prezioso, ma non è magia.

Anche i dati, spesso percepiti come oggettivi, hanno i loro limiti. Vengono raccolti in contesti reali, con condizioni specifiche, esempi più frequenti di altri, situazioni che possono essere rappresentate bene e altre che restano ai margini. Se i dati sono incompleti o poco rappresentativi, anche il modello può imparare male.

Un algoritmo può essere formalmente corretto e produrre comunque risultati discutibili.

C’è poi un altro aspetto: per leggere la realtà, l’AI deve semplificarla. Una scena di lavoro, per una persona, è fatta di dettagli, esperienza, abitudini, rumori, intenzioni, contesto. Per un sistema di intelligenza artificiale, quella stessa scena deve diventare qualcosa di calcolabile: una figura umana, un oggetto, una distanza, una traiettoria, una probabilità.

Questa semplificazione è necessaria, ma comporta sempre una perdita. L’AI può misurare una distanza, ma non sempre comprendere il motivo per cui una persona si trova lì. Può rilevare un’anomalia, ma non conoscere la storia di una procedura. Può segnalare un comportamento insolito, ma non sapere se in quel momento è giustificato da un’emergenza o da una condizione imprevista.

È qui che l’intelligenza umana resta indispensabile.

La matematica può aiutare l’AI a vedere pattern che sfuggono all’occhio umano: ripetizioni, traiettorie, distanze che si riducono, segnali deboli che rischiamo di normalizzare. Può aiutarci a spostare l’attenzione dal dopo al prima: prima dell’incidente, prima dell’errore, prima che un’abitudine rischiosa sembri normale.

Ma non può sostituire da sola il giudizio, l’esperienza e la conoscenza del contesto.

AI e matematica sono quindi alleate, ma dentro questa alleanza resta una tensione. La matematica dà all’intelligenza artificiale la capacità di calcolare il mondo, ma ci ricorda anche che ogni previsione ha un margine, ogni modello ha un limite, ogni dato racconta solo una parte della realtà.

Forse il modo più corretto di guardare all’AI è proprio questo: non come a una risposta definitiva, ma come a uno strumento potente per fare domande migliori.

Dove si ripete il rischio?
Quali segnali stiamo ignorando?
Quali distanze si riducono troppo spesso?
Quali comportamenti diventano normali solo perché non hanno ancora prodotto conseguenze?

La matematica può aiutare l’AI a trovare indizi.

Le persone devono ancora trasformarli in decisioni.