Un assistente AI può essere accessibile a milioni di persone senza rappresentarne allo stesso modo lingue, esperienze e riferimenti culturali. AfroféminasGPT e Ask Hakima mostrano cosa cambia quando fonti, contesto e destinatari diventano scelte esplicite di progettazione. Ma sollevano anche una domanda più ampia: chi decide quale conoscenza entra nei sistemi che utilizziamo per informarci?
Una donna afghana che vuole aprire una microimpresa. Una studentessa tanzaniana che cerca informazioni sull’agricoltura nella propria lingua. Una ricercatrice afrodiscendente che vuole comprendere come il razzismo strutturale operi nei media digitali.
Tutte e tre possono aprire un chatbot, formulare una domanda e ricevere in pochi secondi una risposta linguisticamente fluida, articolata e apparentemente pertinente. Ma la qualità formale della risposta dice poco su un’altra questione: quanto quel sistema dispone delle conoscenze, delle categorie linguistiche e dei riferimenti culturali necessari per comprendere il contesto da cui nasce la domanda?
È uno dei problemi che accompagna la diffusione dell’AI generativa come strumento di accesso alle informazioni. I grandi modelli linguistici non sono semplicemente contenitori di conoscenza universale. Ciò che possono rappresentare e restituire dipende dai dati utilizzati nell’addestramento e nel post-training, dalle scelte progettuali, dalle istruzioni con cui vengono configurati, dalle fonti che eventualmente recuperano durante l’interazione e dal contesto fornito dall’utente.
Questo diventa particolarmente rilevante quando si passa dalle lingue e dai contesti maggiormente rappresentati nell’ecosistema digitale a quelli che dispongono di meno contenuti, meno dataset e meno infrastrutture linguistiche.
Secondo UNESCO, almeno il 40% delle circa 7.000 lingue oggi in uso è a rischio e meno del 2% dispone di una presenza digitale significativa attraverso software localizzati, siti web, sistemi di traduzione, text-to-speech o strumenti di moderazione.
Il problema, quindi, non riguarda soltanto la possibilità materiale di accedere a un chatbot. Riguarda anche cosa accade dopo l’accesso: quanto un sistema riesce a interpretare una domanda situata in un determinato contesto sociale, linguistico e culturale.
È all’interno di questo spazio che stanno emergendo progetti costruiti con un’impostazione diversa. Non necessariamente nuovi large language model addestrati da zero, ma applicazioni che utilizzano modelli esistenti delimitandone le fonti, costruendo basi documentali specifiche, intervenendo sulle istruzioni e progettando il servizio intorno alle esigenze di comunità precise.
AfroféminasGPT e Ask Hakima appartengono a questa categoria. Non eliminano le questioni strutturali che riguardano i modelli generalisti. Le rendono però più osservabili, perché trasformano in decisioni esplicite elementi che nei grandi sistemi tendono a rimanere sullo sfondo: chi è il destinatario, quali fonti vengono considerate affidabili, quale linguaggio utilizzare, quale contesto è necessario conoscere prima di formulare una risposta.
TAKEAWAYS
AfroféminasGPT: quando la selezione delle fonti diventa una scelta epistemologica
Antoinette Torres Soler è arrivata da Cuba in Spagna nel 2007. Filosofa, attivista e fondatrice di Afroféminas, vive a Saragozza, in Aragona, una regione diventata negli ultimi anni uno dei principali poli europei per gli investimenti nei data center.
La dimensione regionale è importante per leggere correttamente il fenomeno. Nel 2026 risultavano circa 28 grandi progetti di data center in Aragona, mentre le stime raccolte da El País indicavano circa 48 miliardi di euro di investimenti annunciati tra il 2019 e il 2025. Alcune infrastrutture sono già operative, altre autorizzate o in fase di sviluppo.
È in questo contesto che Torres Soler ha sviluppato AfroféminasGPT, estensione tecnologica di un progetto culturale nato alla fine del 2013 per creare uno spazio di rappresentazione e discussione intorno alle esperienze delle donne nere e afrodiscendenti.
Il punto di partenza è una questione apparentemente semplice: da quale prospettiva un sistema definisce concetti come razzismo, discriminazione o colonialità?
Secondo Torres Soler, quando si interroga un chatbot mainstream sul razzismo, la risposta tende frequentemente a concentrarsi su pregiudizio individuale, discriminazione o convinzioni di superiorità, lasciando meno visibile la dimensione strutturale e sistemica del fenomeno.
AfroféminasGPT parte deliberatamente da un altro quadro interpretativo. Il suo riferimento è il pensiero nero, afrofemminista e decoloniale, con autrici e autori come Stuart Hall, Angela Davis, Frantz Fanon e Kimberlé Crenshaw. Non vengono utilizzati come riferimenti accessori, ma come parte dell’architettura conoscitiva attraverso cui vengono organizzate le risposte.
È una distinzione importante anche dal punto di vista tecnico.
AfroféminasGPT non è un foundation model autonomo costruito da zero. È uno strumento sviluppato all’interno dell’infrastruttura di ChatGPT e configurato secondo un preciso perimetro epistemologico. Lo stesso progetto lo descrive come una AI “situata”, costruita intorno al pensiero nero critico, ai femminismi neri, all’afrocentrismo e alle teorie decoloniali.
Tra le decisioni adottate da Torres Soler c’è anche quella di non consentire allo strumento di cercare liberamente informazioni sul web.
“Le reti sono piene di razzismo. Si decidono gli autori, il tono, se connettersi a Internet o no. Io ho detto no”, racconta.
Disabilitare l’accesso alla rete non cancella naturalmente ciò che il modello sottostante ha acquisito durante il proprio addestramento e non elimina automaticamente eventuali bias. Interviene però su un altro livello: limita le fonti che il sistema può utilizzare durante il retrieval e consente di costruire un perimetro documentale deliberatamente selezionato.
È in questo senso che la costruzione dell’archivio assume una valenza che va oltre la semplice curatela dei contenuti. Stabilire quali autori includere, quali definizioni assumere come riferimento e quali fonti escludere significa rendere esplicita una parte delle decisioni epistemologiche che contribuiscono alla risposta.
“L’intelligenza artificiale riproduce i pregiudizi del mondo che la crea. Per questo ci siamo chieste: cosa accadrebbe se un’IA fosse progettata a partire da genealogie nere e decoloniali, invece di limitarsi ad assorbire in massa il rumore di Internet?”, spiega Torres Soler.
Il progetto, nel frattempo, è cresciuto. Se nelle prime settimane AfroféminasGPT aveva registrato poco più di 800 richieste, all’inizio di febbraio 2026 aveva superato le 10.000 consultazioni.
E soprattutto non è rimasto un esperimento isolato.
Nel febbraio 2026 Afroféminas ha avviato un GPT Socratico pensato per il contesto educativo; successivamente ha sviluppato Habla con Afroféminas, accessibile senza un account ChatGPT. Nell’agosto 2026 è arrivato Salud Negra IA, progetto dedicato alla salute delle donne nere e costruito come estensione dell’esperienza maturata con AfroféminasGPT.
La traiettoria è significativa anche per un altro motivo. Afroféminas dichiara esplicitamente di voler superare, nel lungo periodo, la dipendenza dall’infrastruttura ChatGPT e costruire una propria infrastruttura tecnologica. Salud Negra, nella sua prima fase, utilizza ancora un GPT perché è la soluzione compatibile con le risorse disponibili; l’obiettivo dichiarato è arrivare a una maggiore sovranità tecnologica.
Questo sposta il problema dall’inclusione alla dipendenza infrastrutturale: una comunità può costruire la propria base di conoscenza e definire il proprio quadro epistemologico, rimanendo però dipendente dal modello, dalla piattaforma e dalle condizioni economiche di un soggetto esterno.
Ask Hakima: il contesto non è una variabile accessoria
Lo stesso problema assume una forma diversa in Afghanistan.
Selene Biffi lavora da anni all’intersezione tra tecnologia, imprenditoria sociale e contesti fragili. Con She Works for Peace ha sviluppato Ask Hakima, assistente AI destinato alle donne che gestiscono o intendono avviare una microimpresa nel Paese.
Qui il punto di partenza non è principalmente la rappresentazione culturale nei testi, ma l’utilità concreta di una risposta.
Chiedere a un chatbot generalista come ottenere finanziamenti per avviare una piccola attività in Afghanistan può generare indicazioni formalmente corrette ma poco aderenti alle condizioni nelle quali quella persona si trova: provincia, accesso ai servizi finanziari, vincoli familiari, reti disponibili, condizioni normative e restrizioni che interessano specificamente le donne.
“In un contesto come quello afghano”, spiega Biffi, “instaurare fiducia, trattare temi considerati tabù, avere una sensibilità verso le difficoltà specifiche delle donne sono elementi fondamentali. Ma un modello generalista non li prevede, perché non è stato pensato per farlo.”
Anche in questo caso è utile distinguere il modello dall’applicazione.
Ask Hakima non è un LLM addestrato autonomamente sui dati afghani. Il sistema integra WhatsApp, ChatGPT e la piattaforma di automazione n8n. Quando arriva una domanda, il flusso interroga una base di conoscenza costruita da She Works for Peace e ChatGPT genera la risposta utilizzando le informazioni contenute in quel database. L’interfaccia supporta dari e pashto, le due lingue ufficiali dell’Afghanistan.
La scelta di WhatsApp è essa stessa parte della progettazione. Non è un elemento secondario dell’interfaccia, ma una risposta alle pratiche e alle infrastrutture effettivamente utilizzate dalle destinatarie.
Ask Hakima è inoltre costruita sull’esperienza accumulata dall’organizzazione attraverso il lavoro diretto con le imprenditrici. Nell’intervista alla base di questo articolo, Biffi riportava che tra la prima e la seconda annualità del progetto oltre 12.400 microimprese avevano contattato l’organizzazione per ricevere supporto tecnico. Nell’aprile 2026 She Works for Peace dichiarava di avere maturato esperienza nel sostegno a oltre 15.000 donne e 500 imprenditrici utilizzavano già direttamente Ask Hakima.
La distinzione tra i due numeri è rilevante: il primo misura la platea raggiunta dai servizi dell’organizzazione, il secondo l’utilizzo dello specifico assistente AI.
È qui che Biffi introduce un’altra dimensione del problema: l’inclusione digitale non coincide con l’accessibilità astratta di una tecnologia.
“Donne e uomini non hanno le stesse possibilità di accesso e utilizzo, e ignorare questa differenza nei dati demografici di partenza produce strumenti che sembrano universali ma non lo sono”, osserva.
In un contesto caratterizzato da forti asimmetrie sociali e di genere, progettare per un utilizzatore medio rischia di occultare proprio le condizioni che determinano la possibilità concreta di usare uno strumento.
Questo non significa che ogni comunità debba necessariamente avere il proprio chatbot. Apre però una questione di progettazione: quali informazioni contestuali devono essere disponibili perché un sistema possa produrre una risposta effettivamente utile?
E fino a che punto un modello generalista può incorporare questa complessità?
Biffi non attribuisce ai progetti locali una capacità trasformativa che ancora non hanno.
“Non vedo ad oggi una possibilità di ribaltamento della logica dominante. Sono singoli progetti, distinti, e ciascuno va a colmare gap che i modelli generalisti non affrontano”, afferma.
C’è inoltre una distribuzione diseguale dell’attenzione anche all’interno dei contesti generalmente descritti come sottorappresentati. Secondo Biffi, alcune aree dell’Africa e l’India stanno riuscendo ad attrarre investimenti, startup e copertura mediatica; l’ecosistema tecnologico afghano rimane invece molto meno visibile.
Non è sufficiente, sulla base di una singola testimonianza, concludere che esista una gerarchia stabile e misurabile tra questi ecosistemi. L’osservazione indica però un problema che merita di essere analizzato: anche le politiche e gli investimenti destinati all’inclusione tecnologica producono proprie geografie di attenzione.
Chi costruisce i dati
Per comprendere perché la questione linguistica non possa essere separata da quella culturale è utile la prospettiva di Rebecca Ryakitimbo, ricercatrice e tecnologa tanzaniana che lavora sui rapporti tra tecnologia, genere e comunità.
Ryakitimbo è stata Google Policy Fellow e Internet Society Fellow e ha svolto una fellowship con Mozilla; nel 2024 è stata inoltre inclusa tra le 100 Brilliant Women in AI Ethics.
Il suo lavoro riguarda, tra gli altri temi, i dataset linguistici africani e le barriere che limitano la partecipazione delle donne alla costruzione dell’ecosistema digitale.
“La maggior parte dei LLM più diffusi sono costruiti con pregiudizi intrinseci; sono addestrati principalmente su dati occidentali, perdendo il contesto delle comunità non occidentali, e questo è ancora più evidente per i gruppi marginalizzati, come le donne”, sostiene.
È importante mantenere questa affermazione nel suo corretto statuto: è la diagnosi formulata da Ryakitimbo sulla base della propria attività di ricerca, non una descrizione uniforme di ogni dataset utilizzato da ogni modello.
Il problema che individua è però ampiamente riconoscibile sul piano infrastrutturale. La quantità di risorse digitali disponibili varia enormemente tra le lingue. UNESCO segnala che meno del 2% delle lingue mondiali dispone di una presenza digitale sostanziale.
E la presenza digitale non è soltanto una questione quantitativa.
“Le donne delle comunità locali vengono escluse perché il linguaggio stesso non è omogeneo: porta con sé sfumature legate a varianti linguistiche, accenti, contesto e significati culturali. Elementi come il code-switching spesso non vengono catturati dai LLM progettati nel contesto del Nord globale”, spiega Ryakitimbo.
Una lingua non è quindi soltanto un inventario di parole traducibili. Varianti locali, registri, alternanza tra lingue, riferimenti impliciti e convenzioni sociali contribuiscono a definire il significato.
Quando questi elementi sono poco rappresentati nei dati o scarsamente modellizzati, la perdita non riguarda soltanto la correttezza grammaticale della risposta. Può riguardare la capacità di riconoscere intenzioni, relazioni sociali, categorie culturali e conoscenze locali.
Non serve sempre un modello più grande
Ryakitimbo introduce anche una questione tecnologica che spesso rimane in secondo piano nel dibattito sull’inclusione: la scala dei modelli.
Lo sviluppo e soprattutto l’addestramento dei large language model richiedono infrastrutture computazionali e capitali accessibili a un numero ristretto di organizzazioni. L’utilizzo tramite servizi cloud può naturalmente avvenire senza possedere direttamente quell’hardware, ma introduce altre dipendenze: connettività, costi delle API, disponibilità del servizio, controllo dei dati e infrastrutture esterne.
Per alcuni casi d’uso, sostiene Ryakitimbo, gli Small Language Models possono offrire un’alternativa interessante.
Non perché siano automaticamente più inclusivi. Un modello più piccolo può riprodurre gli stessi problemi di rappresentazione di uno più grande. Ma requisiti computazionali inferiori possono facilitare deployment locale o edge, specializzazione su domini circoscritti, controllo maggiore sui dati e utilizzo in ambienti con disponibilità infrastrutturali limitate.
La questione cambia quindi forma: non quale modello sia “migliore” in senso assoluto, ma quale architettura sia adeguata allo scopo, alle risorse disponibili e al grado di autonomia richiesto.
Sul piano della governance, Ryakitimbo distribuisce la responsabilità tra soggetti diversi: “I regolatori hanno il compito di garantire il rispetto delle norme per proteggere gli utenti finali; le aziende devono assumersi la responsabilità dei propri strumenti, assicurandosi che sicurezza e inclusione siano standard fondamentali e non semplicemente caratteristiche opzionali.”
La risposta non nasce nel vuoto
AfroféminasGPT, Ask Hakima e i progetti che lavorano sulla costruzione di dataset per lingue scarsamente rappresentate non dimostrano che i modelli generalisti siano inevitabilmente incapaci di operare in contesti diversi da quelli maggiormente presenti nei dati.
Mostrano qualcosa di più circoscritto, ma rilevante: una risposta generata da un sistema AI non nasce in uno spazio neutro.
Un large language model genera sequenze attraverso distribuzioni probabilistiche apprese durante il training e successivamente modificate da post-training, istruzioni, contesto, eventuali sistemi di retrieval e parametri di generazione. Non sceglie semplicemente “la risposta più probabile” tra un insieme di risposte già disponibili.
Ma ciò che può produrre resta condizionato dall’architettura conoscitiva all’interno della quale opera.
Quali dati sono disponibili? Quali lingue sono sufficientemente rappresentate? Quali testi possono essere recuperati? Quali istruzioni orientano il sistema? Quali categorie vengono utilizzate per interpretare la domanda?
La fluidità linguistica tende a rendere poco visibili questi passaggi. Un sistema può formulare una risposta perfettamente plausibile anche quando dispone di una comprensione limitata del contesto specifico nel quale la domanda è stata formulata.
Ed è forse questa la questione più interessante sollevata dai progetti analizzati: rendere visibile il processo di selezione.
Quante prospettive possono entrare in un modello?
Biffi formula il problema attraverso le lingue.
Nel mondo sono in uso circa 7.000 lingue e almeno il 40% è considerato a rischio.
La domanda, quindi, non è immaginare un singolo modello che possa semplicemente “contenere” 7.000 lingue, ma capire cosa significherebbe costruire sistemi capaci di operare realmente attraverso una pluralità molto più ampia di strutture linguistiche e culturali.
“Come cambierebbero le risposte che ci aspettiamo di vedere?”, si chiede Biffi. “Da un modello che sia un po’ meno eurocentrico, un po’ meno occidentale, a un modello che sia un po’ più di tipo globale?”
È una domanda che riguarda sia la quantità dei dati sia la loro origine.
Aumentare il numero di testi in una determinata lingua non garantisce automaticamente pluralità epistemica. Se quei testi provengono dalle stesse istituzioni, dalle stesse élite o dagli stessi ambienti digitali, la lingua può essere formalmente rappresentata senza che lo siano allo stesso modo le differenti esperienze presenti al suo interno.
La rappresentazione è quindi un problema simultaneamente linguistico, culturale, sociale ed economico.
E porta inevitabilmente alla domanda formulata da Torres Soler: “La domanda non è soltanto cosa possa fare l’IA, ma: al servizio di chi sarà?”
AfroféminasGPT e Ask Hakima non offrono una risposta definitiva.
Rimangono progetti circoscritti, costruiti con risorse limitate e, almeno in parte, dipendenti dalle stesse infrastrutture tecnologiche che intendono interrogare criticamente. Non sappiamo ancora quanto queste architetture siano scalabili, né se possano influenzare in modo significativo lo sviluppo dei grandi modelli.
Offrono però un elemento utile al dibattito: mostrano che dati, fonti, lingua, tono, contesto e destinatari non sono soltanto parametri tecnici.
Sono decisioni di progettazione.
Rendere queste decisioni esplicite permette di formulare una domanda diversa rispetto alla semplice ricerca del modello più potente: quali conoscenze vogliamo che un sistema sia in grado di riconoscere, e quali condizioni servono perché possa farlo senza trattare una prospettiva particolare come se fosse universale?
La pluralità culturale nell’AI non è un risultato già raggiunto. Questi progetti mostrano piuttosto alcuni dei modi attraverso cui può essere costruita – e, soprattutto, quali questioni diventano visibili quando si prova a farlo.
