Perché l'IA non conta le R di strawberry
Di Chatday Editorial Team ·
Chiedi a un chatbot di organizzarti il matrimonio e lo fa alla grande. Chiedigli quante volte compare la lettera R in « strawberry » e c’è una buona probabilità che dica due. La risposta giusta è tre. È una delle cose più strane dell’IA moderna: lo stesso strumento che ti spiega la fisica quantistica inciampa su un compito che un bambino di sei anni risolve con una matita.
Non è un bug, e l’IA non è stupida. È un effetto collaterale di come questi sistemi leggono, alla base. E una volta capito, tanti piccoli errori strani dell’IA acquistano senso di colpo.
Il famoso errore di « strawberry », spiegato
« Quante R ci sono in strawberry? » è diventato il passatempo preferito di internet per mettere in imbarazzo l’IA. E per un po’ quasi tutti i chatbot sbagliavano, rispondendo « due » con la serena sicurezza di chi non ha mai sbagliato in vita sua.
Sillabala tu stesso: s-t-r-a-w-b-e-r-r-y. C’è una R vicino all’inizio e una doppia R vicino alla fine. Tre in tutto. Facile per una persona, perché guardiamo le lettere vere. L’IA non può farlo, e per capire perché bisogna guardare come legge.
L’IA legge a pezzi, non a lettere
Ecco la parte che quasi nessuno conosce. Prima che un modello di IA legga il tuo messaggio, il testo viene spezzettato in pezzi chiamati token. Un token di solito è una parola comune o un frammento di essa. La parola « strawberry » spesso viene spezzata in qualcosa come « st », « raw » e « berry ».
Ora conta le R come le conta il modello. Il pezzo « st » non ne ha nessuna. « raw » ne ha una. « berry » ne ha due, ma il modello lo vede come un unico blocco, non come b-e-r-r-y. Così le lettere restano sepolte dentro i pezzi, e il modello deve ricordare più o meno come si scrive ogni pezzo invece di leggerlo al volo.
Un ricercatore l’ha detto benissimo: è come voler contare i fili di una corda senza prima svolgerla. Il modello vede la corda intrecciata (il token), non i singoli fili (le lettere).
Perché lo stesso dettaglio rompe i conti semplici
È anche per questo che l’IA scorre via un tema di filosofia ma inciampa su una moltiplicazione a quattro cifre. Anche i numeri vengono spezzettati, e nemmeno in modo coerente. Il numero 12345 può diventare « 123 » e « 45 », così il modello non allinea mai bene le cifre come faresti tu sulla carta.
In più, l’IA non sta calcolando. Sta prevedendo la cosa più probabile da dire in base a tutto quello che ha letto. Con il linguaggio funziona benissimo, dove « quasi giusto » basta, e con l’aritmetica malissimo, dove la risposta o è esatta o è sbagliata. Il modello è fatto per la probabilità, e la matematica vuole precisione. Questi due non sempre vanno d’accordo. È un parente del motivo per cui l’IA si inventa cose con grande sicurezza: una risposta scorrevole e plausibile non è la stessa cosa di una corretta.
Allora perché alcuni modelli ora ci azzeccano?
Ecco il colpo di scena. Oggi, se chiedi di strawberry alla maggior parte dei chatbot, dicono tre. La domanda è diventata così famosa che la risposta giusta è ormai incisa in ciò che hanno imparato. I modelli non hanno improvvisamente acquisito la vista per le lettere. Hanno imparato la battuta a memoria.
Cambia parola e la maschera cade. In un test accurato del 2025, alcuni ricercatori hanno chiesto quante B ci sono in « blueberry ». Un chatbot popolare ha sbagliato circa quattro volte su dieci, sostenendo con sicurezza che fossero tre quando sono due, spuntine di conferma accanto al ragionamento comprese. Un altro modello ci ha azzeccato ogni singola volta, procedendo con pazienza lettera per lettera. Stesso compito, risultati molto diversi, il che ti dice che questa è meno una legge ferrea dell’IA e più una questione di se un dato modello si prende la briga di rallentare e controllare.
Questa è la versione onesta della storia. Il problema dei pezzi è reale, ma non è tutto. Perfino un’IA che mostra il suo ragionamento può sbagliare il conto, perché riconosce schemi lungo i passaggi invece di percepire davvero ogni lettera. I modelli « che ragionano », più recenti, se la cavano molto meglio dei rapidi, un bell’esempio di IA rapida contro IA sveglia in azione. Ma meglio non vuol dire garantito.
In cosa l’IA è bravissima e cosa conviene ricontrollare
Non serve che impari come funziona sotto il cofano. Ti basta il fiuto per capire dove l’IA è solidissima e dove conviene farle mostrare il lavoro.
| Compito | Come se la cava l’IA | Cosa fare |
|---|---|---|
| Scrivere, riassumere, buttare giù idee | Ottimo | Fidati, poi dai una scorsa |
| Spiegare un concetto in parole semplici | Ottimo | Fidati |
| Contare lettere o caratteri | Fragile | Chiedile di sillabare |
| Calcoli lunghi o esatti | Fragile | Chiedi passo passo, o usa una calcolatrice |
| Dettagli precisi in un documento lungo | Variabile | Chiedile di citare la riga originale |
Lo schema è semplice. Quando il compito è linguaggio, lasciala scorrere. Quando il compito chiede esattezza, rallentala o passa a un modello che ci sta attento.
Come ottenere davvero la risposta giusta
Tre mosse sistemano quasi ogni errore di conteggio o di calcolo:
- Falle mostrare il lavoro. « Vai lettera per lettera » o « risolvi passo passo » spinge il modello a mettere tutto nero su bianco dove può vederlo, invece di sparare una risposta.
- Chiedi due volte, o chiedi a due modelli. Se conta l’esattezza, non fidarti della prima risposta veloce. Un secondo parere da un modello diverso intercetta un sacco di questi errori.
- Usa il modello giusto per il compito. I modelli veloci e chiacchieroni sono fatti per la rapidità. Per tutto ciò che è delicato ed esatto, un modello più lento che ragiona vale i pochi secondi in più.
Quest’ultimo punto è più facile quando non sei legato a una sola IA. Puoi mettere alcuni dei migliori modelli sulla stessa domanda e vedere chi ci azzecca davvero.
In sintesi
L’errore dell’IA nel contare le lettere non è il segno che sia segretamente stupida. È una finestra su come funzionano davvero questi strumenti: leggono a pezzi, prevedono invece di calcolare, brillanti col linguaggio e goffi col letterale. Quando lo sai, smetti di stupirti e cominci a guidare. Chiedile di rallentare, falle mostrare il lavoro e, quando la risposta deve essere proprio giusta, fai intervenire un secondo modello.
Il modo migliore per farti questo fiuto è smanettare di persona. Chiedi a un modello di contare le R, poi chiedigli di sillabare prima la parola e guarda la risposta cambiare.