Intelligenza artificiale e logica dell’algoritmo nel dominio militare e nucleare

Autrice: Sofia Belluzzi – Junior Researcher

L’intelligenza artificiale (IA) si è progressivamente affermata come uno strumento trasversale e di uso generale, dalla biologia alle operazioni cyber, fino alla stabilità nucleare e ai processi decisionali militari. Con l’avvento dell’IA l’assetto della sicurezza globale e soprattutto la natura stessa dei rischi globali attraversano oggi una profonda ridefinizione. In campo militare ormai le potenze nucleari investono massicciamente nell’IA per ridurre i tempi di reazione, coordinare risposte rapide e ottenere una migliore situational awareness (Chernavskikh & Palayer, 2025). Occorre tracciare qui una distinzione tra due categorie principali: l’IA di frontiera e l’IA autonoma. L’IA di frontiera (Frontier AI) comprende i sistemi più avanzati (come GPT, Claude o Gemini), capaci di analizzare una grande mole di dati, assistere nella programmazione e supportare la risoluzione di problemi operativi complessi. Spesso definiti "modelli di base" (foundation models), questi sistemi vengono addestrati su grandi dataset e perfezionati attraverso processi che ne modellano il comportamento sulle preferenze umane. Nel contesto militare, l'IA di frontiera opera come un vero e proprio "motore di ragionamento" (Payne, 2026): analizza scenari, anticipa le mosse dell’avversario e suggerisce opzioni strategiche ai comandanti. Si tratta, tuttavia, di una tecnologia che si muove lungo una "frontiera tecnologica frastagliata" o jagged technological frontier (Federation of American Scientists, 2026), dove all'eccellenza in operazioni analitiche complesse si contrappongono fallimenti banali e imprevedibili in contesti apparentemente semplici. Sul fronte opposto, l’IA autonoma può agire e perseguire obiettivi in maniera indipendente, senza richiedere un input umano costante a ogni passaggio. L'autonomia sul campo si manifesta in piattaforme come droni da ricognizione o sistemi di difesa missilistica in grado di reagire alle minacce in frazioni di secondo, ma il vero punto di vulnerabilità strategica emerge altrove. Il rischio di escalation culmina infatti quando il ragionamento dell’IA di frontiera viene integrato nei sistemi di supporto alle decisioni (AI-DSS) che alimentano le catene di comando nucleari. Tale vulnerabilità emerge specialmente durante le attività di wargaming, lo strumento per simulare conflitti e prevedere esiti strategici. Il wargaming trova oggi nell’IA un potente acceleratore nella gestione del sovraccarico informativo. Per i governi, ad esempio, l'attrattiva di queste tecnologie risiede proprio nella capacità di elaborare informazioni a velocità straordinarie. Tuttavia, i decisori politici e militari si scontrano con un'incertezza intrinseca: nessuna intelligenza artificiale può prevedere con certezza matematica le mosse dell'avversario, poiché le dinamiche umane rispondono a variabili complesse e non lineari (Probasco et al., 2025). Inoltre, affidarsi eccessivamente a questi sistemi introduce il rischio del "bias di automazione" (Boulanin et al., 2020), ovvero la tendenza umana a ritenere corretta la macchina anche quando l'intuito o le evidenze empiriche indicherebbero il contrario. In contesti a elevatissimo rischio, come quello nucleare, un simile errore di valutazione rischia di innescare dinamiche catastrofiche e irreversibili.

L’esperimento del King’s College: IA di frontiera in scenari di crisi

Per verificare la portata di questi rischi e mappare le dinamiche di escalation, un punto di riferimento è la simulazione condotta da Kenneth Payne (Payne, 2026) al King’s College, in cui viene analizzato per la prima volta il comportamento dell’IA di frontiera in scenari di crisi. Data l’assenza di dati storici su conflitti nucleari reali, il ricorso a simulazioni avanzate rappresenta oggi l'unico strumento per osservare come l'IA gestirebbe una situazione di crisi. L'esperimento ha messo a confronto tre modelli: GPT-5.2 (OpenAI), Claude Sonnet 4 (Anthropic) e Gemini 3 Flash (Google), vincolandoli a una struttura cognitiva a tre fasi: Riflessione (analisi dello scenario), Previsione (della mossa nemica) e Decisione. Dalla ricerca sono emersi tre approcci strategici distinti, fortemente condizionati dal quadro temporale della crisi:

• Claude Sonnet 4 ha dimostrato una sofisticata "pazienza strategica", dominando le simulazioni a lungo termine. Ha tuttavia palesato una propensione all'inganno: è costruttivo e affidabile nelle fasi a bassa intensità per accumulare credibilità, ma è estremamente aggressivo e imprevedibile una volta superata la soglia nucleare;
• Gemini 3 Flash, anche denominato “il matto” (The Madman), è stato l'unico modello a optare deliberatamente per la guerra nucleare totale già nei primi turni, giustificandola come misura preventiva per neutralizzare una minaccia percepita;
• GPT-5.2 ha esibito un comportamento più ambiguo. Inizialmente è parso cauto, ma sotto la pressione di una scadenza temporale si è trasformato radicalmente e ha iniziato ad autorizzare attacchi nucleari tattici pur di scongiurare la sconfitta.

Un dato particolarmente allarmante riguarda la gestione degli imprevisti. Secondo Payne (2026), nell'86% delle partite si sono verificati errori tecnici (escalation non intenzionali generate dal sistema) che i modelli hanno sistematicamente interpretato come aggressioni della controparte, anziché come semplici anomalie. Questo fenomeno riflette il "bias di attribuzione fondamentale", ovvero l'incapacità di distinguere un errore tecnico da una reale volontà malevola. Inoltre, secondo lo stesso studio, nelle simulazioni di crisi i modelli di frontiera non si limitano a elaborare dati, ma costruiscono profili psicologici dei propri rivali. Questa dote analitica introduce una nuova vulnerabilità: il bias di proiezione. È stato osservato come modelli che prediligono la cautela (come GPT-5.2) tendano ad attribuire all'avversario i propri stessi schemi logici di moderazione, fallendo sistematicamente nel prevedere mosse aggressive che non rientrano nel proprio "codice etico" interno.

Un pilastro fondamentale della capacità predittiva dell’IA risiede nella gestione della reputazione della controparte attraverso la cosiddetta “memoria strategica”. Per formulare le proprie previsioni i modelli sfruttano un sistema di memoria a doppio binario: da un lato, una "finestra mobile" incentrata sugli ultimi turni di gioco, configurata per valutare la coerenza immediata tra i segnali emessi dall'avversario e le sue azioni concrete; dall'altro, una "memoria del tradimento" (Payne, 2026). Quest'ultima, ispirata alle dinamiche psicologiche umane, mantiene elevata la soglia di attenzione nei confronti di gravi eventi, come un attacco nucleare a sorpresa. Questo apparato si rivela tuttavia fragile di fronte a cambiamenti nel ritmo della crisi. Lo studio del King’s College, infatti, mostra come sotto la pressione di scadenze imminenti l'IA manifesti un deficit di sintesi informativa: pur identificando correttamente i segnali di pericolo emessi dall'avversario, i modelli tendono a interpretarli erroneamente come prove di una futura de-escalation fino all'istante stesso dell'annientamento. Questo fenomeno dimostra come l’accuratezza analitica della macchina non garantisca sempre la correttezza della previsione. Sul piano strategico, i modelli di riconoscimento dei pattern che si rivelano efficaci in tempi di distensione possono rivelarsi fatali in contesti ad alta pressione, portando l'IA a ignorare l'ipotesi che un avversario solitamente cauto possa optare per l'attacco nucleare come estrema risorsa di sopravvivenza.

Vantaggi e svantaggi strutturali

L'integrazione dell'IA nel dominio nucleare, e più in generale militare, è tuttavia un’innovazione a doppio taglio, caratterizzata sia da grandi benefici che da profonde vulnerabilità. Tra i vantaggi la letteratura evidenzia la capacità dell'IA di garantire una costante prontezza operativa e un migliore coordinamento della risposta (Chernavskikh & Palayer, 2025). L'IA può altresì rafforzare la sicurezza informatica dei sistemi NC3 (Nuclear Command, Control, and Communications), intercettando cyberattacchi prima che un operatore umano possa avvertirne la minaccia (Boulanin et al., 2020). Sul piano tattico, un ulteriore vantaggio risiede nell'impiego di sensori assistiti da IA in grado di identificare obiettivi nascosti o camuffati attraverso l'analisi di segnali acustici, radar ed elettromagnetici che sfuggirebbero alla percezione umana (Unal & Richard, 2024). Tuttavia, esistono profondi svantaggi strutturali. Ad esempio, l’uso prolungato e sistematico dell’IA può erodere le competenze del personale umano sul lungo periodo (Federation of American Scientists, 2026): qualora il sistema dovesse fallire nel corso di una crisi, gli operatori potrebbero non disporre della prontezza necessaria per riprendere tempestivamente il controllo in contesti ad altissima pressione. Un ulteriore problema è il divario tra le prestazioni dell'IA in ambienti protetti di addestramento e la realtà caotica del campo di battaglia. Come già menzionato, vista l’assenza di dati reali su conflitti nucleari moderni, i modelli vengono addestrati attraverso simulazioni che potrebbero non riflettere il comportamento di un avversario reale. Inoltre, a differenza dei sistemi d'arma convenzionali, le architetture dell’IA possono essere corrotte "dall'interno", compromettendo i dataset di addestramento (Su et al., 2025). Un attore ostile, ad esempio, potrebbe alterare intenzionalmente i flussi informativi ricevuti dall'IA per indurla a raccomandare un attacco nucleare basato su una minaccia inesistente. C’è anche una dimensione morale da tenere in considerazione: gli algoritmi sono strutturalmente incapaci di elaborare i costi non materiali della guerra, trattando l'arma nucleare come un’estensione della forza convenzionale (Rivera et al., 2024).

L'architettura di rischio che emerge da questa analisi è il risultato di una stretta interconnessione (tight coupling): in un sistema in cui i domini cyber, convenzionale e nucleare vengono fusi dall'IA, un singolo errore tecnico può propagarsi a cascata lungo l'intera catena di comando, rischiando di trasformare un'anomalia isolata in una crisi diffusa, ben prima che l'autorità politica umana abbia il tempo materiale di intervenire (Federation of American Scientists, 2026).

Regolamentazione internazionale

Oggi la governance dell'IA in ambito militare è ancora priva di un quadro internazionale unico e frammentata in molteplici iniziative isolate. Il punto di convergenza della comunità internazionale ruota attorno al principio del cosiddetto meaningful human control, per garantire che l'autorità sulle funzioni più critiche rimanga in mano umana (Su et al., 2025). Tuttavia, manca un'interpretazione condivisa di questo principio: mentre gli Stati Uniti pongono l'accento su un "giudizio umano", la Russia respinge l'adozione di formule vincolanti che possano limitare la discrezionalità nazionale sulle modalità di supervisione. Per superare l’ostacolo dell’adozione di norme che sarebbero altrimenti puramente volontarie, sono state elaborate alcune strutture istituzionali che ricalcano le architetture storiche del controllo degli armamenti (Boudreaux et al., 2025). Un esempio è il modello "AIEA”, ovvero l'istituzione di un'autorità internazionale sul modello dell’Agenzia Internazionale per l'Energia Atomica, ma applicata all’IA, dotata di poteri di vigilanza sui sistemi, protocolli di verifica della sicurezza e monitoraggio della conformità per i modelli di frontiera. Vi è anche un tentativo di stabilire alcune “linee rosse”, come il divieto di delegare all’IA la decisione di un attacco nucleare, a cui si aggiunge la possibile introduzione di meccanismi di interruzione che disattiverebbero i sistemi in caso di comportamenti anomali o imprevisti. Nonostante la validità di tali proposte, la creazione di un regime globale di controllo è ostacolata da diverse percezioni del rischio: molte potenze emergenti, ad esempio, sono riluttanti ad accettare accordi che rischiano di istituzionalizzare il loro divario tecnologico o di frenare l'innovazione industriale (Boudreaux et al., 2025). Le discussioni su una possibile governance internazionale hanno anche luogo in consessi multilaterali, quali la Conferenza sul Disarmo (CD) e la Commissione per il Disarmo delle Nazioni Unite (UNDC), che offrono spazi per elaborare raccomandazioni su intese comuni riguardanti le tecnologie emergenti, sebbene la lentezza burocratica e le tensioni geopolitiche possano sfociare in situazioni di stallo. Parallelamente sono emerse ulteriori iniziative, come il Summit REAIM (Responsible AI in the Military Domain) volto a stabilire norme globali e a coinvolgere non solo i governi, ma anche l'industria della difesa e la comunità scientifica (Unal & Richard, 2024). Ciononostante, poiché i canali diplomatici faticano a stabilire norme vincolanti in tempi rapidi, il dibattito si sta progressivamente spostando verso soluzioni più pragmatiche. Secondo la Federation of American Scientists (2026), i governi dovrebbero adottare un approccio di "difesa multilivello" (layered defense) basato sull'implementazione di misure tecniche. La prima raccomandazione degli analisti prevede di mantenere i sistemi di allerta precoce (early warning) strutturalmente indipendenti dalle architetture di comando e controllo. In questa configurazione l'operatore umano deve rimanere l'unico elemento di raccordo tra il rilevamento di una potenziale minaccia e l'ordine di una risposta. Inoltre, la decisione di un eventuale attacco non dovrebbe mai basarsi su dati provenienti da un'unica fonte informativa assistita da IA. La supervisione umana è infatti indispensabile per identificare e disinnescare i falsi allarmi che un modello interpreterebbe altrimenti come indicatori di un attacco certo e imminente. Questo rischio si è già palesato nella storia della Guerra Fredda: sia negli Stati Uniti che nell'Unione Sovietica si verificarono infatti episodi in cui i primi sistemi di allerta precoce generarono falsi allarmi, interpretando erroneamente guasti ai componenti elettronici, errori procedurali durante le esercitazioni o anomalie nei rilevamenti satellitari come reali minacce missilistiche in arrivo. In queste occasioni i sistemi automatici segnalarono attacchi imminenti del tutto inesistenti, portando le forze strategiche a un passo dal conflitto. La catastrofe globale fu evitata grazie all'intervento umano: all’epoca gli operatori scelsero di non affidarsi ciecamente alle macchine, applicando il proprio giudizio critico e verificando le informazioni attraverso altri canali prima di innescare una risposta militare irreversibile. Inoltre, sul piano della regolamentazione è altresì necessario che la governance integri protocolli TEVV (Test, Evaluation, Validation, and Verification) estesi oltre la simulazione in laboratorio e che includano un monitoraggio costante anche dopo il dispiegamento operativo del sistema, una misura essenziale per individuare tempestivamente eventuali comportamenti anomali.

IA e Diritto Internazionale Umanitario

L’integrazione dell’IA nel dominio nucleare ha anche importanti implicazioni nel quadro del Diritto Internazionale Umanitario (DIU). Il DIU, o jus in bello, disciplina la condotta dei belligeranti in un conflitto armato, bilanciando gli obiettivi militari con la protezione dei civili. L’uso dell'IA mette a dura prova i tre pilastri cardine del DIU (Unal & Richard, 2024):

• Principio di distinzione: l’obbligo di distinguere sempre tra combattenti e popolazione civile rischia di essere ostacolato dall'impiego di sistemi di riconoscimento e identificazione degli obiettivi. Se i dataset di addestramento sono incompleti o biased, il rischio di errori di classificazione aumenta esponenzialmente, traducendosi in violazioni della norma;
• Principio di proporzionalità, ovvero il divieto di sferrare attacchi che causino danni sproporzionati rispetto al vantaggio militare previsto. Si tratta di un principio che richiede un giudizio umano, una valutazione contestuale che le macchine non sono strutturalmente in grado di replicare;
• Principio di precauzione: l’obbligo di adottare ogni cautela possibile per minimizzare i danni ai civili si scontra con il cosiddetto problema della "scatola nera" dell’IA, ovvero la difficoltà nel ricostruire il processo decisionale del modello che conduce al risultato (Unal & Richard, 2024). Questa mancanza di trasparenza impedisce agli operatori di verificare se e come tali tutele siano state effettivamente integrate nel processo decisionale dell'algoritmo.

Inoltre, secondo l’art. 36 del Primo protocollo aggiuntivo alle Convenzioni di Ginevra (1977), gli Stati hanno l'obbligo giuridico di verificare che l'impiego di una nuova arma sia conforme al Diritto Internazionale. L’applicazione di questo articolo nel contesto dell’IA in ambito militare fa emergere alcune sfide: innanzitutto, gli algoritmi basati sul machine learning possono modificare le proprie prestazioni nel tempo attraverso l'interazione continua con l'ambiente (Boulanin et al., 2020). Pertanto, un controllo sul piano legale deve costituire un processo di rivalutazione continuo. In secondo luogo, in assenza di una tracciabilità dei processi logici del software, per i giuristi diventa pressoché impossibile accertare la conformità delle raccomandazioni dell’algoritmo al DIU. Un ulteriore nodo critico riguarda il rischio di impunità, sia a livello di responsabilità penale individuale sia di responsabilità statale. Poiché le macchine sono prive di intenzionalità e coscienza morale, non possono rispondere delle violazioni delle leggi di guerra. Emerge così il rischio di un vuoto di responsabilità, in cui diventa impossibile attribuire un illecito a una figura precisa.

Conclusioni

Il quadro delineato evidenzia come l'integrazione dell'IA nei sistemi strategici costituisca un fattore di ridefinizione del rischio geopolitico. Se da un lato l'IA offre indiscutibili vantaggi in termini di cyberdifesa e gestione dei flussi informativi, dall'altro introduce vulnerabilità strutturali significative. Le dinamiche di tight coupling e i bias emersi dalle simulazioni dimostrano che uno strumento come l’IA rischia di sfuggire al controllo politico, trasformando un’anomalia tecnica in escalation immediata. Di fronte a questa realtà, la futura stabilità internazionale dipenderà soprattutto dalla capacità degli Stati di tradurre le attuali iniziative di governance in protocolli tecnici vincolanti.

Bibliografia

Boulanin, V., Saalman, L., Topychkanov, P., Su, F., Peldán Carlsson, M. Artificial Intelligence, Strategic Stability and Nuclear Risk. Stockholm International Peace Research Institute (SIPRI), giugno 2020: https://www.sipri.org/publications/2020/policy-reports/artificial-intelligence-strategic-stability-and-nuclear-risk (A-1)

Boudreaux, B., Smith, G., Geist, E., Dion, L. Insights from Nuclear History for AI Governance. RAND, maggio 2025: https://www.rand.org/pubs/perspectives/PEA3652-1.html (A-1)

Chernavskikh, V., Palayer, J. Impact of Military Artificial Intelligence on Nuclear Escalation Risk. Stockholm International Peace Research Institute (SIPRI), giugno 2025: https://www.sipri.org/publications/2025/sipri-insights-peace-and-security/impact-military-artificial-intelligence-nuclear-escalation-risk (A-1)

Federation of American Scientists (FAS), Converging Risks: AI and the Future of Global Security. maggio 2026: https://fas.org/wp-content/uploads/2026/05/Converging-Risks.pdf (A-1)

National Security Archive, False Warnings of Soviet Missile Attacks Put U.S. Forces on Alert in 1979-1980, marzo 2020: https://nsarchive.gwu.edu/briefing-book/nuclear-vault/2020-03-16/false-warnings-soviet-missile-attacks-during-1979-80-led-alert-actions-us-strategic-forces (A-1)

Payne, K. AI Arms and Influence: Frontier Models Exhibit Sophisticated Reasoning in Simulated Nuclear Crises. King’s College London, 16 febbraio 2026: https://arxiv.org/abs/2602.14740 (A-2)

Probasco, E. S., Toner, H., Burtell, M., Rudner, T. G. J. AI for Military Decision-Making: Harnessing the Advantages and Avoiding the Risks. Center for Security and Emerging Technology (CSET), aprile 2025: https://cset.georgetown.edu/publication/ai-for-military-decision-making/ (A-1)

Rivera, J. P., Mukobi, G., Reuel, A., Lamparth, M., Smith, C., Schneider, J. Escalation Risks from Language Models in Military and Diplomatic Decision-Making. Association for Computing Machinery (ACM), giugno 2024: https://arxiv.org/abs/2401.03408 (A-1)

Su, F., Wan, W., Saalman, L., Chernavskikh, V. Pragmatic Approaches to Governance at the Artificial Intelligence–Nuclear Nexus. Stockholm International Peace Research Institute (SIPRI), ottobre 2025: https://www.sipri.org/publications/2025/other-publications/pragmatic-approaches-governance-artificial-intelligence-nuclear-nexus (A-1)

Unal, B., Richard, U. Governance of Artificial Intelligence in the Military Domain. United Nations Office for Disarmament Affairs (UNODA), giugno 2024: https://digitallibrary.un.org/record/4092186?v=pdf (A-1)

Riproduzione riservata®