In che modo l’intelligenza artificiale sta accelerando il lavoro di indagine linguistica, ma non può sostituire l’intuito umano
Ogni lingua antica decifrata con successo nel corso della storia si è basata su una svolta cruciale: un punto di riferimento. Spesso questo assumeva la forma di un testo bilingue — il più famoso dei quali è la Stele di Rosetta — oppure di una lingua linguisticamente affine già nota che potesse guidare l’interpretazione. Ma il Lineare A, il sistema di scrittura della civiltà minoica dell’età del bronzo a Creta, non ha né l’uno né l’altro. Questa “lingua isolata” non presenta alcun legame confermato con lingue viventi o estinte, rendendola uno degli enigmi più frustranti della linguistica moderna.
L’etrusco, l’antica lingua dell’Italia preromana, presenta sfide simili. Sebbene gli studiosi abbiano ricostruito frammenti di lessico dalle iscrizioni funerarie, la grammatica e i significati più profondi rimangono ostinatamente oscuri. Da un secolo, i linguisti si confrontano con entrambe queste difficoltà.
Questi sono proprio i tipi di problemi che l’intelligenza artificiale (IA) è stata recentemente utilizzata per aiutare a risolvere — non però sostituendo gli esperti umani. Al contrario, l’IA potenzia e accelera ciò che i linguisti già fanno.
Una scoperta allettante
Come spiegato qui, un caso recente illustra sia il notevole potenziale dell’IA sia i suoi sorprendenti limiti. Nel giugno 2026, un ingegnere di IA autodidatta e linguista dilettante ha annunciato un potenziale importante progresso. Il suo approccio era elegantemente semplice: ha ipotizzato che una singola parola sconosciuta in un’iscrizione di preghiera derivasse da una radice semitica che significava «dimorare» o «abitare». Utilizzando script basati sull’IA, ha poi verificato sistematicamente questa ipotesi sull’intero corpus conosciuto del Lineare A. I risultati sono stati sorprendenti: ha assegnato valori a 40 segni e ha costruito un lessico di 408 parole, sostenendo che il Lineare A appartenga alla famiglia delle lingue semitiche (che comprende l’ebraico e l’aramaico).
Ma ecco ciò che conta di più: non è stata l’IA a concepire questa idea. È stato l’ingegnere.
L’IA ha fatto da acceleratore: un instancabile assistente di ricerca che ha verificato l’ipotesi creativa di una sola persona confrontandola con migliaia di caratteri in pochi giorni anziché in mesi. Questa divisione dei compiti tra l’intuizione umana e la potenza di elaborazione delle macchine è la vera storia, ben più significativa di qualsiasi singola scoperta rivoluzionaria in attesa di revisione tra pari.
Dove l’IA eccelle
L’IA si dimostra davvero eccezionale nel riconoscimento di modelli su larga scala. È in grado di verificare se un’ipotesi linguistica regge su un intero archivio in pochi minuti anziché in mesi o anni. Può identificare sequenze ripetute che l’occhio umano trascurerebbe e può ricostruire in modo intelligente iscrizioni frammentarie prevedendo i caratteri mancanti sulla base del contesto circostante.
Forse l’aspetto più intrigante è che l’IA impiega una tecnica chiamata «trasferimento cross-linguistico»: addestrare un modello su una lingua nota per dedurre modelli strutturali in una lingua affine ma sconosciuta. È simile a come la conoscenza dello spagnolo possa aiutarti a districarti nel portoghese. I ricercatori hanno utilizzato con successo questo metodo su scritture come l’ugaritico, una lingua semitica estinta risalente alla tarda Età del Bronzo, la cui famiglia linguistica più ampia era già stata stabilita.
Il limite: dove l’IA si scontra con un muro
Eppure l’IA si scontra con un confine duro e inesorabile: la corrispondenza statistica dei modelli non può evocare significato dal nulla.
Un sistema di IA addestrato sulla Lineare A potrebbe teoricamente acquisire una padronanza statistica della lingua — riconoscendo quali segni seguono quali, individuando gruppi di parole e riproducendo modelli strutturali. In senso stretto, potrebbe persino produrre risultati che assomigliano a una conversazione. Ma questa padronanza statistica è profondamente vuota. Il modello riconoscerebbe gli schemi senza comprendere cosa rappresenti effettivamente ogni simbolo. Potrebbe indicare quali parole si raggruppano senza sapere cosa significano.
Questa impossibilità deriva dal fatto che il Lineare A e l’etrusco mancano di quel punto di riferimento essenziale che ogni decifrazione riuscita richiede: o una famiglia linguistica nota con cui confrontarsi, oppure un testo bilingue che fondi il significato su una lingua già compresa.
Il problema della verifica
Questa limitazione crea un’altra sfida cruciale: come si fa a verificare un’interpretazione assistita dall’IA di una lingua non ancora decifrata? Normalmente, gli studiosi verificano una traduzione proposta confrontandola con madrelingua, testi paralleli e il consenso degli esperti accumulato nel corso di decenni. Per una lingua realmente non ancora decifrata, nessuno di questi metodi di verifica esiste. Non c’è modo di verificare il risultato se non inventando una macchina del tempo.
La situazione peggiora a causa della scarsità di testi giunti fino a noi. L’intero corpus della Lineare A comprende circa 7.500 caratteri, una quantità talmente esigua da poter essere visualizzata su un unico schermo. Con dati così limitati, quasi ogni ipotesi può trovare, per puro caso, corrispondenze sparse a sostegno della stessa. Ecco perché le affermazioni relative alla decifrazione delle lingue antiche devono basarsi molto più su un rigoroso esame da parte di esperti e sulla revisione tra pari che sulla sola affidabilità statistica. È anche per questo che distinguere tra «l’IA ha individuato uno schema» e «l’IA ha individuato il significato corretto» è di enorme importanza — eppure le due affermazioni vengono facilmente e pericolosamente confuse.
Il vero ruolo dell’IA
Nulla di tutto ciò suggerisce che l’IA sia un vicolo cieco per le lingue antiche. Al contrario. L’IA rappresenta una vera e propria accelerazione, comprimendo mesi o anni di incroci manuali in pochi minuti e democratizzando il campo, consentendo a un numero di ricercatori di affrontare questi problemi ben superiore a quello che le risorse istituzionali avrebbero mai permesso.
Ma l’IA non può aggirare i due requisiti fondamentali che la decifrazione ha sempre richiesto: un vero e proprio punto di riferimento comparativo (una famiglia linguistica nota o un testo bilingue) e una rigorosa competenza umana per distinguere le autentiche scoperte dalle coincidenze convincenti.
L’IA non risolverà da sola il Lineare A o l’etrusco. Ciò che fa è trasformare i linguisti da meticolosi archivisti in teorici strategici, occupandosi del lavoro di routine della verifica delle ipotesi in modo che gli esseri umani possano concentrarsi sul lavoro creativo e interpretativo che solo loro possono svolgere. Finché non emergerà un nuovo punto di riferimento, il ruolo dell’IA rimarrà quello che è oggi: un assistente straordinariamente veloce per una delle sfide più antiche e più umane dell’umanità.
