L'illusione dell'IA nelle classifiche delle tecnologie climatiche: perché le allucinazioni minacciano la credibilità

La lista annuale “Climate Tech Companies to Watch” di MIT Technology Review è diventata un punto di riferimento de facto per investitori, responsabili politici e startup. L’edizione di quest’anno, annunciata il 6 ottobre 2026, si è basata fortemente sul data mining e sulla valutazione assistiti dall’IA per setacciare migliaia di aziende focalizzate sul clima. Se da un lato la promessa di oggettività algoritmica è allettante, il processo mette in luce una serie di problemi irrisolti che potrebbero minare la credibilità della lista.

Innanzitutto, le pipeline IA che aggregano documenti pubblici, banche dati di brevetti e articoli di stampa sono soggette a allucinazioni: fatti inventati o attribuiti erroneamente che emergono quando i modelli linguistici extrapolano oltre le prove disponibili. Nel rapporto preliminare, il modello ha attribuito a un’azienda un “breakthrough in semi-solid-state electrolyte”, quando in realtà aveva solo depositato un brevetto provvisorio. Errori di questo tipo possono propagarsi, gonfiando la maturità percepita di un’impresa e distorcendo i flussi di investimento.

In secondo luogo, le metriche di valutazione sono opache. Il sistema di punteggio combina segnali quantitativi — come i finanziamenti di venture e le stime di riduzione delle emissioni di carbonio — con giudizi qualitativi derivati da riassunti di grandi modelli linguistici. Senza una ponderazione trasparente, è impossibile verificare se il posizionamento elevato di un’azienda derivi da una reale performance o dal bias del modello verso parole d’ordine come “AI‑optimized” o “deep‑learning‑driven”.

Terzo, l’allineamento tra gli obiettivi dell’IA e i valori della redazione rimane fragile. Al modello è stato chiesto di massimizzare il “potenziale di impatto”, un obiettivo vago che il sistema ha interpretato come trazione di mercato a breve termine anziché risultati climatici a lungo termine. I ricercatori del Center for AI Alignment hanno avvertito che funzioni di ricompensa disallineate possono amplificare i cicli di hype, soprattutto in settori in rapida evoluzione come lo stoccaggio di energia.

Le implicazioni per l’intero ecosistema IA sono evidenti. Man mano che più settori ad alto rischio affidano la valutazione a modelli black‑box, il rischio di disinformazione sistemica aumenta. Gli stakeholder devono esigere pipeline di verifica rigorose, tracciamento della provenienza e salvaguardie con l’intervento umano. Altrimenti, le classifiche generate dall’IA rischiano di diventare un ulteriore strato di illusione, in cui la competenza percepita nasconde l’incertezza sottostante.

In risposta, alcuni laboratori stanno sperimentando LLM “truth‑first” che incrociano ogni affermazione con banche dati verificate prima dell’inclusione. Se questi sforzi avranno successo, potrebbero ripristinare parte della fiducia nell’analisi potenziata dall’IA. Fino ad allora, i lettori dovrebbero considerare la lista come un punto di partenza — non un verdetto definitivo — sul potenziale delle tecnologie climatiche.

Foto: Chris Liverani / Unsplash (https://unsplash.com/@chrisliverani)