Il 7 maggio 1959, nella Senate House di Cambridge, Charles Percy Snow tenne una Rede Lecture che avrebbe dato il nome a un dibattito lungo più di sessant’anni. Snow era un fisico diventato romanziere, frequentava per lavoro i laboratori e i salotti letterari, e raccontò di aver visto la vita intellettuale dell’Occidente spaccarsi in due culture che non si parlavano più, gli scienziati da una parte e gli intellettuali letterari dall’altra. Per provocare, disse di aver chiesto più di una volta, a cene di persone coltissime, chi sapesse descrivere il secondo principio della termodinamica, ricevendo in cambio freddezza e nessuna risposta.
Da allora quella linea è diventata un’architettura, fatta di licei classici e scientifici, lauree umanistiche e lauree STEM, campagne per avere più ingegneri e appelli per salvare la filosofia, aziende che dividono i profili in “tecnici” e “soft”. Con l’intelligenza artificiale generativa la questione è tornata in quasi tutte le aule in cui insegno, spesso nella forma di una scommessa su quale delle due culture sopravviverà alla macchina.
Secondo me la scommessa parte da una domanda posta male. La linea che conta oggi separa due modi di pensare, il mindset algoritmico e il mindset scientifico, e nessuno dei due appartiene a una sola delle culture di Snow. L’AI li chiede entrambi nello stesso gesto, e lo fa già nel momento più banale dell’uso quotidiano, quando scriviamo un prompt e leggiamo la risposta.
Due modi di pensare che attraversano le discipline
Il mindset algoritmico è la capacità di prendere un problema confuso e trasformarlo in una procedura, scomponendolo in passi e separando le condizioni, fino a stabilire cosa succede se una cosa è vera e cosa succede se è falsa. Nel 2006 Jeannette Wing lo chiamò pensiero computazionale, in un articolo di tre pagine su Communications of the ACM, e sosteneva che dovesse diventare un’abilità di base per chiunque, accanto alla lettura e alla scrittura, e non una specialità degli informatici.
Il mindset scientifico lavora su un altro piano. Formula ipotesi e cerca le prove che potrebbero smentirle, distingue ciò che è verificato da ciò che è soltanto plausibile, cambia posizione quando i dati lo chiedono. È il dubbio usato come metodo.
Basta guardare da vicino le discipline per accorgersi che i due mindset non si distribuiscono secondo la mappa di Snow. Una norma giuridica è un algoritmo scritto in prosa, con una fattispecie, una condizione e una conseguenza, e chiunque abbia redatto un contratto sa quanto lavoro serva per chiudere le eccezioni. Nel 1440 Lorenzo Valla, umanista e filologo, dimostrò che la Donazione di Costantino era un falso studiando il latino del documento e trovandoci forme che nel IV secolo non potevano esistere, ed era metodo scientifico applicato a un testo, con un’ipotesi da provare e una prova costruita sulla lingua. Nell’altra direzione capita di incontrare ingegneri bravissimi a scrivere specifiche che prendono per buono il primo output che funziona, senza chiedersi in quali condizioni smetterebbe di essere corretto.
Il prompt è una procedura scritta, nel nostro caso in italiano
Scrivere un buon prompt mette alla prova il mindset algoritmico. Bisogna dichiarare l’obiettivo, separare il contesto dalle istruzioni, dire cosa fare quando mancano dati, stabilire il formato dell’uscita, spezzare un compito lungo in passaggi che il modello possa affrontare uno alla volta, che è la logica del prompt chaining su cui avevo scritto un anno e mezzo fa. Chi programma riconosce subito lo scheletro, con le sue condizioni e i suoi casi limite.
C’è però un dettaglio che rovescia la mappa. Quella procedura si scrive in linguaggio naturale, e la precisione della lingua diventa precisione dell’esecuzione: un aggettivo vago produce un output vago, una frase ambigua viene sciolta dal modello nel modo statisticamente più probabile, che raramente coincide con quello che avevamo in mente. La competenza che per secoli abbiamo chiamato umanistica, scegliere la parola esatta e costruire una frase che non si presti a due letture, è diventata una competenza operativa, e per milioni di persone il linguaggio di programmazione è diventato la lingua che parlano.
Per questo un testo scritto bene e un prompt scritto bene si somigliano più di quanto si pensi. Entrambi presuppongono che chi legge non abbia accesso alla nostra testa.
Leggere la risposta è come il risultato di un esperimento
Poi arriva la risposta, e cambia il mestiere. Un modello linguistico produce testo plausibile, costruito sulla probabilità delle parole, e la plausibilità ha la stessa forma della verità, con la stessa sintassi pulita e la stessa sicurezza, che si tratti di un dato corretto o di una citazione inventata. Il modello non segnala quando sbaglia, perché nel suo modo di funzionare non esiste un momento in cui sa di sbagliare.
Qui serve il mindset scientifico. La risposta va trattata come il risultato di un esperimento, qualcosa da mettere alla prova prima di usarlo: quali affermazioni si possono verificare e su quali fonti, cosa la smentirebbe, quale parte è un’inferenza del modello e quale stava già nel contesto che gli abbiamo dato. È il lavoro che nel Dual Mindset AI Framework avevo provato a strutturare con le fasi di CRITIC, e la sua assenza spiega perché tanto testo generato finisce nei documenti aziendali senza che nessuno l’abbia letto con attenzione, che è l’origine di quello che chiamiamo AI slop.
La formazione tecnica, in questa fase, protegge poco. Un ingegnere che accetta il primo output perché ha l’aria giusta usa male l’AI quanto un letterato che non sa scrivere una procedura, con l’aggravante che nessuno rilegge con sospetto qualcosa che sembra funzionare.
Un ciclo solo, e una domanda che viene prima
Separare il prompt dalla risposta è comodo per spiegare, ma nella pratica le due fasi si fondono. Il giudizio sulla risposta diventa il prompt successivo: il modello ha confuso due concetti e allora aggiungo una condizione che li distingue, ha prodotto un dato che non trovo da nessuna parte e allora chiedo la fonte o restringo il perimetro. È il ciclo del metodo scientifico eseguito con gli strumenti del mindset algoritmico, chi lavora bene con l’AI lo percorre decine di volte al giorno senza chiamarlo così, e quando il ciclo diventa abbastanza stabile si può progettare il loop e affidarlo a un agente, con condizioni di stop che il modello non decide da solo.
Prima del prompt c’è poi un momento che nessuno dei due mindset copre del tutto, quello in cui si decide quale problema stiamo risolvendo.
Lo chiamiamo framing, e ha a che fare con la capacità di leggere una situazione e scegliere la domanda che vale la pena fare. Nella formazione manageriale lo si dà spesso per acquisito, e l’AI lo rende più esposto, perché un modello risponde con la stessa disponibilità a una domanda utile e a una domanda sbagliata. In quel punto le due culture di Snow servono insieme, la cultura umanistica per leggere il contesto e le persone, quella scientifica per capire cosa si può misurare e cosa no.
Formare i due mindset insieme, a prescindere dal titolo di studio
Se la linea passa tra due modi di pensare, cambia anche il modo di formare. Negli ultimi anni abbiamo spinto sulle lauree STEM, e l’accordo 2026 tra Assolombarda e le università ha fotografato un paradosso, più laureati tecnici e insieme più mismatch di competenze. L’appello opposto, salvare le humanities, rischia di difendere una cultura senza darle gli strumenti per lavorare con una macchina che esegue istruzioni.
In aula porto spesso questa doppia necessità, e l’esercizio più semplice che conosco consiste nel chiedere a chi partecipa di scrivere un prompt per un compito reale e, prima di eseguirlo, di mettere per iscritto cosa renderebbe la risposta inaccettabile. È un criterio di falsificazione dichiarato in anticipo, da applicare senza sconti quando l’output arriva, e obbliga a usare i due mindset nella stessa mezz’ora, sullo stesso oggetto.
Nelle aziende la divisione è ancora più rigida. I percorsi sull’AI vengono spesso separati tra corsi tecnici per l’IT e corsi di “uso consapevole” per tutti gli altri, come se scrivere istruzioni e giudicare risultati fossero mestieri di due reparti diversi, quando sono due metà dello stesso lavoro e chi ne sa fare una sola produce, nel migliore dei casi, metà del valore.
Snow misurava la distanza tra le due culture chiedendo del secondo principio della termodinamica. La prova più utile oggi sarebbe un’altra: chiedere a qualcuno di scrivere le istruzioni per un compito che conosce bene e di dire, prima di leggere la risposta, che cosa gli farebbe buttarla via. Chi sa fare entrambe le cose ha già superato la distinzione tra le due culture, qualunque titolo di studio abbia appeso al muro.