Wiener aveva già scritto il manuale degli agenti nel 1948

Stamattina ho lanciato Claude Code su un bug. Ha letto tre file, ha proposto una patch, l'ha applicata, ha fatto girare i test, ha letto l'errore, ha rivisto la patch, ha rilanciato i test. Loop chiuso, bug aggiustato. Mentre lo guardavo lavorare ho avuto la sensazione fastidiosa di aver già visto quello schema da qualche altra parte. L'ho visto davvero: in un libro del 1948, scritto da un matematico del MIT che durante la guerra cercava di abbattere aerei tedeschi.

Quel libro si chiama Cybernetics. L'autore è Norbert Wiener. Lo schema che ho visto stamattina — percepisci, decidi, agisci, leggi il risultato, correggi — non è stato inventato da Anthropic, da OpenAI o da Shunyu Yao quando ha pubblicato il paper di ReAct nel 2022. È stato formalizzato 83 anni fa in un paper del gennaio 1943. Quello che è davvero nuovo oggi non è il pattern. È il controller dentro il loop.

Il timoniere e il prompt

La parola "cibernetica" Wiener la coniò leggendo il greco. Kybernētēs: nocchiero, timoniere — quello che tiene il timone della nave e corregge la rotta in continuazione. Dal greco passa al latino gubernator, e da lì arriva fino al "governor" inglese, che è esattamente il nome del regolatore centrifugo di James Watt che nel 1788 impedì alle macchine a vapore di andare fuori giri.

È la stessa radice di "governance", la parola che oggi usiamo per parlare di AI safety. Quando Anthropic pubblica una Responsible Scaling Policy sta facendo, etimologicamente, esattamente la stessa cosa che faceva il nocchiero greco: definire una rotta, misurare lo scostamento, applicare correzioni. 2400 anni di storia, una parola sola.

Wiener lo dice in modo diretto nell'introduzione del libro: "Abbiamo deciso di chiamare l'intero campo della teoria del controllo e della comunicazione, sia nella macchina che nell'animale, col nome di Cibernetica, che formiamo dal greco kybernētēs, ovvero timoniere". E aggiunge che "i meccanismi di sterzata di una nave sono in effetti una delle prime e più sviluppate forme di meccanismi a retroazione". Il timone come archetipo. Tienilo a mente: ci torneremo quando parlerò del tuo prompt.

1943: un cannone che non funzionava

La storia umana di come questo schema sia arrivato sulla carta è meno romantica del greco classico. Durante la Seconda Guerra Mondiale, Wiener e l'ingegnere Julian Bigelow lavorano per il governo USA su un dispositivo chiamato AA Predictor — un calcolatore analogico che, dato il radar di un aereo nemico e il tempo di volo del proiettile contraereo, doveva predire dove sarebbe stato l'aereo qualche secondo dopo, così da puntare il cannone in anticipo.

Il dispositivo non funzionò granché in combattimento. Ma osservandolo lavorare, Wiener vide qualcosa: il pattern di tracking, predizione e correzione era lo stesso che si ritrovava nei riflessi degli organismi viventi. Da quell'osservazione nasce nel gennaio 1943 il paper Behavior, Purpose and Teleology, scritto con il fisiologo Arturo Rosenblueth e con Bigelow. La tesi è radicale: il comportamento finalizzato — il "purpose" — di organismi e macchine si spiega con la stessa cosa, la retroazione negativa. Servomeccanismi e sistemi nervosi diventano, formalmente, la stessa categoria di oggetti.

Cinque anni dopo, nel 1948, esce Cybernetics: or Control and Communication in the Animal and the Machine. Due anni più tardi, nel 1950, Wiener pubblica The Human Use of Human Beings, che porta il discorso dentro la società. Il fallimento dell'AA Predictor si è trasformato in un nuovo modo di pensare: la mente è un predittore con feedback. Suona familiare?

Il loop, in quattro parole

Tolti i fronzoli, lo schema cibernetico è questo: percepisci → decidi → agisci → ricevi feedback. Un sensore misura lo stato del mondo. Un controller confronta lo stato col setpoint desiderato e calcola l'azione correttiva. Un effettore agisce sul mondo. Il mondo cambia. Il sensore rimisura. Si riparte. La novità di Wiener non è aver inventato i singoli pezzi: il governor di Watt aveva già tutto questo nel 1788, e il termostato bimetallico di Andrew Ure lo applicava al calore già intorno al 1830. La novità è aver detto, in modo formale, che il pattern è lo stesso indipendentemente dal dominio. Vapore, temperatura, sistema nervoso, traiettoria balistica: tutto retroazione.

Ora apri il tuo terminale e guarda un loop tipico di Claude Code:

read file        →  sense (acquisizione stato)
plan edit        →  decide (controller applica policy)
apply edit       →  act (effettore sul filesystem)
run tests        →  sense (nuovo stato)
read errors      →  feedback
revise plan      →  loop

È la stessa topologia del governor di Watt. La differenza è che il setpoint, invece di essere "1500 rpm", è "il test passa" o "il task è chiuso". E il controller non è una sfera che gira, è un modello da centinaia di miliardi di parametri.

Detto in modo brutale: il diagramma a blocchi che Wiener disegnò per un cannone antiaereo che mancava il bersaglio è lo stesso che descrive il tuo agente che chiude una pull request.

Il club che ha posato i mattoni

C'è un dettaglio storico che vale la pena tenere a mente perché spiega perché lo stack moderno dell'AI sembri tutto interconnesso: le Macy Conferences. Dieci incontri tenuti tra il 1946 e il 1953, finanziati dalla Josiah Macy Foundation, presieduti dal neurofisiologo Warren McCulloch. La prima conferenza si chiamava "Feedback Mechanisms and Circular Causal Systems in Biological and Social Systems". Solo dalla sesta, dopo l'uscita del libro di Wiener, il nome diventa ufficialmente "Cybernetics".

Chi c'era seduto al tavolo: Norbert Wiener, John von Neumann, Claude Shannon, Warren McCulloch, Walter Pitts, W. Ross Ashby, Gregory Bateson, Margaret Mead, Heinz von Foerster, Julian Bigelow. È letteralmente il gruppo da cui escono la teoria dell'informazione (Shannon), l'architettura dei calcolatori moderni (von Neumann), il primo modello matematico di neurone artificiale (McCulloch–Pitts, 1943), e il framework formale del feedback (Wiener–Bigelow). Tutto lo stack su cui gira oggi un agente passa di lì. Non è un caso che le cose si incastrino: sono state pensate insieme.

Ashby e la legge che spiega gli LLM

Nel 1956 W. Ross Ashby — psichiatra e ingegnere britannico, uno dei più solidi delle Macy — pubblica An Introduction to Cybernetics, considerato il primo manuale sistematico della disciplina. Dentro c'è la cosa che secondo me, nel 2026, parla più direttamente di chiunque altro a chi lavora con gli LLM: la legge della varietà richiesta.

In forma popolare la frase suona così: "only variety can absorb variety". In italiano: solo la varietà può assorbire la varietà. La formulazione tecnica di Ashby è più cauta — ASSUMPTION: la dicitura colloquiale è una parafrasi spesso attribuita a Stafford Beer, mentre nel libro originale Ashby al §11/7 scrive che "la capacità di R come regolatore non può eccedere la capacità di R come canale di comunicazione". Il senso però è cristallino.

Detto in pratica: se vuoi controllare un sistema che può presentarti 1000 stati diversi, il tuo controller deve poter rispondere con almeno 1000 stati distinti. Non c'è scappatoia. Un termostato non può governare una conversazione tecnica perché ha due stati (on/off) e la conversazione ne ha praticamente infiniti. Per controllare il linguaggio ti serve un controller con varietà linguistica.

Per settant'anni questa legge è rimasta una curiosità per ingegneri di sistemi. Poi sono arrivati gli LLM. Un modello da 30 miliardi di parametri che ha visto qualche trilione di token ha una varietà operativa che, per la prima volta nella storia, è dello stesso ordine di grandezza dei problemi linguistici e simbolici aperti. Non è "intelligenza" nel senso filosofico forte. È un controller che ha la varietà necessaria per stare in un loop di feedback dentro uno spazio enorme. Ashby aveva descritto la condizione necessaria. Non poteva sapere che 70 anni dopo l'avremmo soddisfatta con il gradient descent su GPU.

C'è un riflesso interessante di questa idea anche dentro al modello stesso: nel pezzo sul MoE abbiamo visto che il router seleziona di volta in volta gli esperti giusti per il token in input. È un piccolo loop cibernetico interno: misura, decide, instrada. La cibernetica non è solo intorno al modello, è anche dentro.

ReAct, o la cibernetica con un monologo

Nel 2022 Shunyu Yao e colleghi pubblicano ReAct: Synergizing Reasoning and Acting in Language Models. L'idea è semplice e in retrospettiva ovvia: alterniamo Thought (un passo di ragionamento in linguaggio naturale) e Act (un'azione concreta su un tool o sull'ambiente), e dopo ogni azione leggiamo l'Observation per aggiornare il pensiero. Il paper riporta miglioramenti significativi rispetto a baseline addestrate con imitation learning su ordini di grandezza più dati: su ALFWorld con un solo esempio few-shot ReAct supera baseline RL di circa 34 punti percentuali assoluti.

Topologicamente, ReAct è il loop di Wiener. Thought è il controller che decide. Act è l'effettore. Observation è il sensore. Loop. Identico.

Cosa aggiunge davvero ReAct rispetto al 1948? Una cosa importante e onesta: il passo di ragionamento intermedio in linguaggio naturale. Nel governor di Watt non c'è nulla di simile. Il controller cibernetico classico è una funzione di trasferimento numerica: ingresso → uscita, fine. ReAct inserisce nel mezzo un monologo interno leggibile da un umano, che modifica la policy del controller in modo interpretabile. È un'innovazione vera. Sta dentro lo schema cibernetico, non lo sostituisce.

Lo stesso vale per il grounding tramite file di cui ho parlato qualche giorno fa: un GROUNDING.md è il setpoint del sistema. Definisce la rotta. Senza setpoint il regolatore non ha niente da regolare, perché non sa verso dove correggere.

Cosa è davvero nuovo

Riassumo la tesi, perché è facile farsi prendere dall'entusiasmo del "Wiener aveva previsto tutto" e diventare boomer in cinque minuti.

Il pattern architetturale dell'agente moderno — sense, decide, act, feedback — non è nuovo. Ha oltre 80 anni se contiamo dal 1943, oltre due secoli se contiamo dal governor di Watt, qualche millennio se contiamo dal nocchiero greco. Chi te lo vende come innovazione del 2024 ti sta vendendo nostalgia inversa.

Quello che è nuovo è il controller. Per la prima volta abbiamo un regolatore che ha varietà operativa abbastanza alta da agire in spazi linguistici e simbolici aperti. Ashby aveva detto che serviva. Non aveva detto come costruirlo, perché non poteva saperlo. La risposta è arrivata dal training su dati testuali su larga scala, dall'attention, dal gradient descent — cose che non c'entrano nulla con la cibernetica e che richiedono teoria dell'apprendimento moderna per essere capite. Il confronto fra modelli grandi e piccoli di cui ho scritto la settimana scorsa è esattamente uno studio sulla varietà richiesta: quanta serve davvero al controller, prima di smettere di pagare?

Cosa la cibernetica non spiega

E qui devo essere onesto, perché altrimenti il pezzo diventa marketing storiografico.

La cibernetica classica spiega benissimo l'architettura del loop. Non spiega la funzione di trasferimento del controller LLM. Tre cose, in particolare, restano fuori dal suo orizzonte teorico:

La semantica. Wiener pensa in termini di segnali, errori, traiettorie. Non ha un concetto di rappresentazione distribuita, di embedding, di spazio vettoriale dove "re" meno "uomo" più "donna" finisce vicino a "regina". La cibernetica gestisce informazione nel senso shannoniano (riduzione di incertezza), non nel senso semantico (significato).

La generalizzazione. Un termostato non interpola fra concetti che non ha mai visto. Un LLM, dato un prompt nuovo, produce una risposta che sta fuori distribuzione rispetto al training in modi che restano teoricamente non del tutto compresi. Le scaling laws e gli studi sui comportamenti emergenti vivono in un altro paradigma teorico.

L'emergenza linguistica. Quando un modello inizia a fare aritmetica multi-step, traduzione zero-shot, o ragionamento su testi che non aveva mai visto, sta facendo qualcosa che la cibernetica classica non aveva strumenti per descrivere. Non perché Wiener fosse sciocco — perché non aveva i dati e non aveva i modelli statistici moderni.

Detto in modo asciutto: gli LLM non sono "termostati con più stati". Sarebbe un riduzionismo gratuito e poco utile. Sono qualcosa che siede dentro un loop cibernetico classico, ma che internamente fa cose che richiedono altra teoria per essere capite.

Perché questa storia conta, oggi

Non è nostalgia. Non è "vedete, sapevamo già tutto". È onestà intellettuale.

Sapere che il loop sense-decide-act-feedback ha 80 anni di teoria alle spalle ti fa due cose pratiche. Primo: ti fa smettere di stupirti del pattern. Quando vedi un nuovo framework agentico — AutoGPT, ReAct, LangGraph, Claude Code, quello che esce settimana prossima — riconosci che la novità non è nel diagramma a blocchi. Cerchi la novità altrove: nel controller, nel modo in cui è addestrato, in come gestisce la memoria, in come definisce il setpoint. Sai dove guardare.

Secondo: ti dà una mappa per ragionare sui limiti. Se la legge di Ashby dice che ti serve un controller di varietà adeguata al problema, allora capisci subito perché un modello da 1B di parametri non risolve task software complessi e perché la corsa al modello più grosso non è del tutto irrazionale (anche se, come ho scritto altrove, ha trovato il suo limite di rendimento decrescente). Capisci anche perché il coautorato uomo-AI è un sistema cibernetico a due controller, con le complicazioni di stabilità che la teoria del controllo classico già conosceva.

In Italia, peraltro, la cibernetica non è mai stata terra straniera. Silvio Ceccato a Milano, Vittorio Somenzi a Roma, e l'idea olivettiana dell'azienda come sistema auto-regolante hanno avuto stagioni intense fra anni '50 e '70. È una linea di ricerca che vale la pena riscoprire, ma con calma e con fonti — non come bandierina identitaria.

Il timoniere greco correggeva la rotta guardando le stelle e sentendo il vento. Tu oggi correggi la rotta guardando il diff e leggendo lo stack trace. La nave è diversa. Il mestiere è lo stesso.

Fonti:

1. Rosenblueth, Wiener, Bigelow — Behavior, Purpose and Teleology (1943): PDF MIT mirror
2. Norbert Wiener — Cybernetics: or Control and Communication in the Animal and the Machine (1948): PDF integrale, scheda MIT Press 2019
3. W. Ross Ashby — An Introduction to Cybernetics (1956): PDF ashby.info, Internet Archive
4. Macy Conferences — American Society for Cybernetics, Wikipedia
5. SFI Press — The Birth of Cybernetics, commento moderno al paper del 1943: sfipress.org
6. Yao, Zhao, Yu, Du, Shafran, Narasimhan, Cao — ReAct: Synergizing Reasoning and Acting in Language Models (2022): arXiv:2210.03629, project page
7. Bigelow and Anti-Aircraft Fire Control 1940–1945, Springer: link.springer.com
8. Caltech — Murray, Feedback Systems Cap. 1: PDF Caltech CDS
9. Wikipedia — Centrifugal governor