Cos'è il test di Turing e serve ancora a qualcosa?

Il test di Turing è la prova proposta da Alan Turing nel 1950 per sostituire la domanda "le macchine possono pensare?" con una domanda verificabile: se un interrogante che conversa solo per iscritto non riesce a distinguere una macchina da una persona, la domanda originale diventa oziosa. Nell'articolo Turing non lo chiama test ma imitation game, e lo descrive con tre partecipanti: "It is played with three people, a man (A), a woman (B), and an interrogator (C)". Tre quarti di secolo dopo, quella prova è il criterio sbagliato per giudicare un sistema che deve andare in produzione, perché misura quanto un modello sa sembrare umano, che è una proprietà dello stile, e non quanto risolve il compito per cui lo stai comprando. Per chi decide la domanda giusta è un'altra, e ha già un nome tecnico: gli evals.

Cosa dice davvero l'articolo del 1950

La fonte è Computing Machinery and Intelligence, pubblicato su Mind, vol. LIX, n. 236, ottobre 1950. L'unica previsione numerica che Turing si concede riguarda il 2000: fra circa cinquant'anni, scrive, si potranno programmare calcolatori perché giochino all'imitation game così bene che un interrogante medio non avrà più del 70 per cento di probabilità di identificarli correttamente dopo cinque minuti di conversazione. È una previsione sulla facilità dell'inganno, non sul pensiero. La stanza cinese di Searle, 1980, dice esattamente questo: manipolare simboli in modo convincente non dimostra comprensione.

Il test è stato superato, e non è cambiato niente

Cameron Jones e Benjamin Bergen hanno eseguito due test preregistrati nella configurazione a tre parti originale, cinque minuti di conversazione in parallelo con una persona e con un sistema, pubblicati su PNAS nel maggio 2026. Il risultato: GPT-4.5 è stato indicato come l'essere umano nel 73% dei casi, più spesso della persona vera. La condizione conta più del numero: quel 73% vale solo con un prompt che istruisce il modello ad assumere una persona umana verosimile, e senza quel prompt lo stesso modello scende al 38%. Il test misura dunque anche la bravura di chi scrive il prompt, e la durata della conversazione: una terza prova con partite da quindici minuti riporta i due modelli migliori al 56% e al 59%. E intanto le system card dei modelli recenti riportano SWE-bench, GPQA Diamond e prove di ragionamento matematico: in quelle schede il test di Turing non compare tra le metriche dei progressi.

Un esempio enterprise

Una compagnia assicurativa valuta un assistente conversazionale per il primo livello sulle polizze auto. La domanda "sembra umano?" produce una demo entusiasmante e nessuna decisione. Il criterio che la porta in produzione è un eval sui casi propri: cento richieste reali già chiuse dagli operatori, su cui si misurano le risposte corrette rispetto al testo di polizza, i casi passati a un umano quando mancavano dati, e quante volte il sistema ha inventato una copertura inesistente, con la soglia decisa prima. Un assistente che scrive in modo rigido ma sbaglia, poniamo, il 2% delle risposte va in produzione; uno indistinguibile da un operatore che sbaglia il 9% resta fuori, perché qui ogni errore è un reclamo.

Perché conta per chi decide

Il test di Turing resta storia del pensiero, ma come criterio di acquisto è fuorviante: premia la fluidità, che è precisamente la qualità che rende costose le allucinazioni, perché un errore detto bene passa il controllo. La domanda operativa è "quanto bene questo sistema fa il mio lavoro, misurato su casi miei", e la risposta si costruisce con evals su un dataset aziendale, non con un benchmark pubblico che il modello potrebbe aver già visto in addestramento. Per la stessa ragione il dibattito sull'AGI non aiuta: riguarda l'ampiezza delle capacità in astratto, mentre chi investe decide una soglia su un compito.