L'esercito statunitense non usa il Grok di Elon Musk per attacchi cinetici

Nel panorama in rapida evoluzione della guerra algoritmica, una narrazione sensazionalistica ha recentemente preso piede sui media digitali: l'ipotesi che l'esercito degli Stati Uniti stia utilizzando Grok AI di Elon Musk, un prodotto di xAI, per identificare ed eseguire attacchi contro obiettivi in Medio Oriente. Sebbene il titolo offra un mix perfetto di geopolitica ad alta tensione e ossessione tecnologica per le celebrità, un audit tecnico dell'attuale infrastruttura di IA del Dipartimento della Difesa (DoD) rivela una realtà molto più complessa — e decisamente meno incentrata su Musk. La confusione sottolinea un crescente divario di alfabetizzazione riguardo alla differenza tra i Large Language Model (LLM) generativi e gli algoritmi specializzati di visione artificiale e fusione dei sensori che alimentano effettivamente la moderna catena di attacco (kill chain).

L'architettura del targeting algoritmico

Per capire perché un LLM orientato al consumatore come Grok sarebbe funzionalmente inutile in un ambiente di attacco cinetico, bisogna guardare ai requisiti meccanici della "catena di attacco". I militari operano su un ciclo noto come F2T2EA: Find (Trovare), Fix (Fissare), Track (Tracciare), Target (Prendere di mira), Engage (Ingaggiare) e Assess (Valutare). Ognuna di queste fasi richiede un tipo specifico di output computazionale. L'IA generativa, come Grok o ChatGPT, è progettata per la previsione linguistica probabilistica: indovina il token successivo più probabile in una frase. È fondamentalmente un motore di espressione, non di identificazione spaziale.

Perché l'IA generativa fallisce nella logistica di combattimento

La principale barriera tecnica all'utilizzo di un modello come Grok per il targeting militare è il problema dell'allucinazione e della latenza. In un contesto di ingegneria meccanica, valutiamo i sistemi in base alla loro affidabilità e alle loro modalità di guasto. La modalità di guasto di un LLM è un "errore sicuro di sé": il modello fornisce una risposta sintatticamente corretta ma fattualmente inesistente. In un teatro di guerra, dove la distinzione tra un veicolo civile e un camion di insorti può essere questione di pochi pixel, la natura probabilistica di un LLM basato su transformer è una responsabilità, non un vantaggio.

Inoltre, i requisiti di isolamento dei dati per il DoD sono immensi. Grok di Elon Musk viene addestrato su dati in tempo reale provenienti dalla piattaforma di social media X. Dal punto di vista della sicurezza, inserire dati di sorveglianza classificati in un modello commerciale di terze parti rappresenta una violazione catastrofica della sicurezza operativa (OPSEC). L'esercito statunitense preferisce ambienti cloud "air-gapped" o altamente controllati, come quelli forniti attraverso i contratti Joint Warfighting Cloud Capability (JWCC) con provider come Amazon, Google, Microsoft e Oracle. Questi sistemi sono progettati per garantire che i dati utilizzati per addestrare i modelli rimangano all'interno del perimetro controllato dell'intelligence della difesa.

I veri strumenti dietro le quinte

Se l'esercito non sta usando il Grok di Musk, cosa sta usando effettivamente? La risposta risiede nella maturazione del Project Maven. Inizialmente una controversa partnership con Google, successivamente internalizzata e distribuita tra vari appaltatori della difesa, Maven è andata oltre il semplice riconoscimento delle immagini. Ora funziona come un motore completo di fusione dei sensori. Prende dati da fonti diverse — Signals Intelligence (SIGINT), Electronic Intelligence (ELINT) e Geospatial Intelligence (GEOINT) — e li sintetizza in un Common Operational Picture (COP).

Gli ingegneri di aziende come Palantir e Anduril hanno sviluppato il middleware che consente a questi disparati flussi di dati di comunicare tra loro. Quando un funzionario del CENTCOM parla dell'IA che aiuta a restringere il campo degli obiettivi, si riferisce a un sistema che ha segnalato una specifica firma termica o un modello di movimento che corrisponde a un profilo di minaccia predefinito. L'analista umano esamina quindi questi dati segnalati. Si tratta di un sistema "human-in-the-loop". L'idea che un generale chieda a un'IA "Dove dovremmo bombardare oggi?" e riceva una risposta da un chatbot è una finzione cinematografica che ignora i rigidi controlli procedurali necessari per l'uso della forza letale.

Il pericolo della convergenza nominale

La confusione riguardo a Grok evidenzia un problema significativo nel settore tecnologico: il riciclo della terminologia. Quando a molteplici sistemi disparati vengono assegnati nomi identici o simili, si crea una nebbia di disinformazione che può influenzare la politica pubblica e le relazioni internazionali. Se uno strumento interno militare viene chiamato colloquialmente "grokking engine" perché aiuta gli analisti a comprendere i dati, è facile per un giornalista o un analista confonderlo con il prodotto di xAI. Tuttavia, da un punto di vista tecnico, i due hanno in comune quanto un simulatore di volo con un aereo di linea commerciale: possono condividere uno spazio concettuale, ma la loro ingegneria e utilità sono mondi a parte.

Inoltre, il successo commerciale di xAI dipende dalla percezione di Grok come un'intelligenza potente e in grado di comprendere il mondo. Consentire la circolazione di voci sulla sua utilità militare può servire a uno scopo di marketing, suggerendo che l'IA sia più "indurita" o capace di quanto non sia in realtà. Tuttavia, per chi di noi si concentra sulle realtà meccaniche e industriali della robotica e dell'automazione, queste voci devono essere vagliate alla luce delle leggi sull'integrità dei dati e delle esigenze specifiche dell'hardware tattico.

La sostenibilità economica dell'IA militare

Da un punto di vista economico, l'integrazione dell'IA nelle forze armate non riguarda la sostituzione degli umani con robot "intelligenti"; riguarda l'aumento dell'efficienza della pipeline di dati. L'esercito statunitense ha attualmente più dati dai sensori di quanti ne possano osservare gli occhi umani. Gli analisti sono spesso sopraffatti da migliaia di ore di riprese di droni in cui non accade nulla. Il "valore aggiunto" dell'IA in questo settore è puramente quello di un filtro. Automatizzando l'attività banale di identificazione degli "oggetti di interesse", l'esercito può ridurre il numero di personale necessario per la sorveglianza, abbassando così il costo operativo degli ingaggi a lungo termine.

Questo motore economico è il motivo per cui assistiamo a un'ondata di startup nel settore della tecnologia per la difesa. Queste aziende non stanno costruendo IA per scopi generici; stanno costruendo algoritmi altamente specializzati e rinforzati, progettati per essere eseguiti sui processori a basso consumo presenti nei veicoli subacquei autonomi (AUV) o nei piccoli sistemi aerei senza pilota (sUAS). Queste sono le vere "IA" della guerra moderna: prevedibili, specializzate e rigorosamente governate dai vincoli del loro hardware fisico.

Sebbene la prospettiva di un chatbot di social media che dirige attacchi missilistici crei una narrazione coinvolgente, essa crolla sotto l'esame tecnico. L'uso dell'IA da parte dell'esercito statunitense è una realtà, ma è definita da visione artificiale specializzata, rigorosa sicurezza dei dati ed elaborazione su scala industriale della telemetria dei sensori. La vera storia dell'IA in Medio Oriente non riguarda l'ultima impresa di Elon Musk; riguarda la silenziosa e incessante automazione della catena di attacco attraverso un'ingegneria specializzata che rimane in gran parte invisibile agli occhi del pubblico.