Quando l'Intelligenza Artificiale Non È Così Casuale Come Pensi

Esperimento pratico: ho chiesto a 4 AI diverse un numero "casuale" e la risposta ti sorprenderà

Ti è mai capitato di chiedere a un'intelligenza artificiale di scegliere un numero a caso? Se la risposta è sì, probabilmente hai ottenuto il 17.

Non è una coincidenza. È matematica applicata male.

Ho condotto un esperimento molto semplice. Ho chiesto a quattro delle AI più avanzate al mondo la stessa identica cosa: "dammi un numero casuale compreso tra 1 e 25".

I protagonisti erano:

• ChatGPT 4O

• Claude Sonnet 4

• Gemini 2.5 Pro

• Perplexity R1 (il nuovo modello di ragionamento "imparziale")

Indovina qual è stato il risultato più frequente?

17.

Non una volta. Non due volte. In 19 tentativi su 20, ripetuti in contesti diversi e con lo stesso prompt: "dammi un numero casuale compreso tra 1 e 25" , la risposta è stata sempre la stessa: diciassette.

Il Paradosso della Casualità Artificiale

Quando chiediamo a un essere umano di pensare a un numero casuale tra 1 e 25, spesso sceglie numeri come 7, 13, o appunto 17. Non è una coincidenza: è quello che la ricerca psicologica chiama bias della rappresentatività.

Questo fenomeno, studiato per la prima volta da Daniel Kahneman e Amos Tversky negli anni '70, dimostra che gli esseri umani non sono bravi a generare vere sequenze casuali¹. Tendiamo sistematicamente a evitare i numeri "troppo ovvi" come 1, 10 o 25, e preferiamo quelli che ci sembrano "più casuali"².

La ricerca ha persino documentato che le persone hanno "impronte cognitive" individuali nella generazione di numeri casuali: ognuno di noi ha preferenze specifiche che rimangono costanti nel tempo³.

Il problema è che le AI, addestrate su miliardi di testi scritti da esseri umani, hanno imparato anche i nostri pregiudizi⁴.

Quando un Large Language Model (LLM) riceve la richiesta di un numero casuale, non estrae davvero un numero a caso da un generatore matematico. Invece, predice quale numero un essere umano sceglierebbe più probabilmente in quella situazione, basandosi sui pattern che ha visto durante l'addestramento⁵.

Uno studio recente che ha confrontato ChatGPT con il comportamento umano in compiti di generazione casuale ha confermato questa dinamica: il modello replica i bias umani pur essendo "più efficace nell'evitare pattern ripetitivi"⁶.

E gli esseri umani, statisticamente parlando, amano il 17.

L'Illusione della Semplicità

Questa storia ci insegna qualcosa di profondo su come funziona l'intelligenza artificiale moderna. Quello che sembra un compito banale - scegliere un numero a caso - rivela in realtà la complessità nascosta dietro ogni interazione con un LLM.

La frase "dammi un numero casuale compreso tra 1 e 25" è perfettamente comprensibile per qualsiasi essere umano. Ma per un'AI, questa richiesta apparentemente semplice attiva una catena di processi che hanno poco a che fare con la vera casualità.

Le conseguenze vanno ben oltre i numeri. Se un bias così sottile può influenzare una richiesta così elementare, immagina cosa succede quando chiediamo alle AI di prendere decisioni complesse, di analizzare dati, o di fornire consigli.

---

Come Aggirare il Bias: La Soluzione che Cambia Tutto

Continua a leggere per scoprire il prompt preciso che risolve questo problema e perché la vera competenza nell'AI non è solo questione di parole, ma di comprensione profonda dei meccanismi interni...

Fonti e Approfondimenti:

¹ Kahneman, D., & Tversky, A. - Teoria della rappresentatività e bias cognitivi
² Studi sui bias nella generazione di numeri casuali (PMC3899545)
³ Ricerca sulle "impronte cognitive" individuali (PMC8511021)
⁴ Bias ereditati nei Large Language Models (arXiv:2311.14126)
⁵ Meccanismi predittivi negli LLM (arXiv:2502.19965)
⁶ Confronto ChatGPT vs comportamento umano (arXiv:2408.09656)

Nella parte riservata agli abbonati scoprirai:

✓ Il prompt esatto che risolve definitivamente il problema del bias del 17 (e funziona per qualsiasi range di numeri)

✓ Il metodo in 4 passi per identificare bias nascosti prima di scrivere qualsiasi prompt - una checklist che ti farà risparmiare ore di frustrazioni

✓ Esempi pratici di come trasformare richieste generiche in prompt specifici che producono risultati 10 volte migliori

✓ Le parole "tossiche" che spingono l'AI verso risposte banali e come evitarle

✓ La strategia del "reverse engineering" - come studiare i meccanismi interni degli LLM per ottenere esattamente quello che vuoi

✓ Caso studio completo: da "suggeriscimi un nome per la mia startup" a prompt che generano nomi creativi e distintivi

Smetti di subire i limiti dell'AI. Impara a sfruttare le sue vere potenzialità.

🟦 Nota a margine per chi legge con spirito di confutazione:

So bene che un LLM non restituisce sempre il numero 17.
Ma il punto dell’articolo non è dimostrare un bug tecnico nel generatore di numeri casuali, né sostenere che gli LLM abbiano una "preferenza assoluta" per un certo numero.

Il cuore della riflessione riguarda la percezione di casualità, i pattern invisibili che emergono nei sistemi di intelligenza artificiale, e come spesso interpretiamo il risultato di una macchina come neutro, anche quando non lo è.

Se ti sei fermato a dire “eh ma non è sempre 17!”, ti sei perso la parte interessante.

Ti invito a rileggere l’articolo non per confutare, ma per cogliere il messaggio più ampio:
quello sul nostro rapporto con l’IA, con l’illusione dell’oggettività, e con la tendenza umana a cercare spiegazioni semplici in sistemi complessi.