L’automazione dell’empatia: come si costruisce (tecnicamente) un’empatia simulata?

Un’IA può sostituire i nostri legami umani, o impara soltanto a sembrare empatica?

Fino a pochi anni fa una domanda del genere sarebbe sembrata materia da romanzo di fantascienza. Oggi puoi raccontare a un’IA di aver avuto una giornata orribile e ricevere, in pochi secondi, una risposta paziente, calda, coerente e apparentemente comprensiva.

Non ti interrompe, non si stanca, non fa la faccia da “ancora la stessa storia”. E probabilmente trova le parole giuste meglio di tante persone. Ma qui arriva la domanda scomoda: è empatia, o una simulazione straordinariamente convincente dell’empatia? Vorrei affrontarla senza partire da una conclusione.

Quando si parla di IA e legami affettivi è facilissimo cadere in uno dei due estremi: “l’IA non potrà mai capirci” oppure “l’IA sta già sostituendo le persone”. Le evidenze scientifiche più recenti ci chiedono di essere più cauti.

Algoritmo o cuore?

Sono le 3 di notte e sei sull’orlo del crollo. Apri un’app, scrivi quello che senti e ricevi una risposta chirurgicamente perfetta: calda, senza giudizio, in millisecondi. Ti senti sollevato, ma resta un dubbio: hai appena provato empatia vera o hai interagito con il calcolo statistico più sofisticato della storia?

All’incrocio tra interazione uomo-macchina (HCI) e psicologia cognitiva, il dibattito non è più se l’IA possa suonare empatica, ma cosa succede nella nostra mente quando deleghiamo il supporto emotivo a un modello.

Empatia e simulazione: cosa intendiamo

L’empatia umana implica coscienza, reciprocità, vulnerabilità e la capacità di condividere e trasformare stati affettivi.

L’empatia simulata dall’IA è un comportamento osservabile: risposte che sembrano comprensive ma emergono da pattern statistici e ottimizzazione di un obiettivo (per esempio minimizzare la loss del modello linguistico o massimizzare l’engagement).

Le IA di compagnia o di supporto emotivo simulano l’empatia con algoritmi che calcolano la probabilità delle parole da usare. Mancano però di coscienza, di reciprocità reale e della vulnerabilità che definisce l’empatia autentica.

	Interlocutore umano	IA conversazionale
Coscienza e vissuto emotivo	Sì	No
Reciprocità e vulnerabilità	Sì	No
Costo dell’ascolto (tempo, energia)	Alto	Praticamente nullo
Disponibilità	Limitata	24/7
Coerenza nel tono	Variabile	Molto alta
Affaticamento da compassione	Sì	No

Cosa fa davvero un’IA quando “sembra empatizzare”?

Un modello linguistico non prova tristezza, preoccupazione, affetto o sollievo come una persona. Il suo funzionamento è tecnico: elabora informazioni, individua pattern e genera la risposta più probabile dato il contesto. Può imparare quali espressioni sono adatte quando qualcuno parla di un lutto, riconoscere segnali linguistici legati all’ansia, adattare il tono, ricordare parte della conversazione e usare strategie che noi interpretiamo come comprensione emotiva.

Ma generare una risposta empatica non equivale a provare empatia. Sembra una sfumatura, e invece è tutto.

La sintesi di ricerche raccolta in The Mirage of Algorithmic Affection descrive proprio questa tensione: le IA offrono un’interazione emotivamente coerente e sempre disponibile, ma non hanno coscienza, reciprocità vissuta e vulnerabilità umana. Da qui una distinzione che considero fondamentale:

empatia prodotta ≠ empatia sperimentata

“Se l’IA non sente, allora non serve”

Non è così semplice, perché può produrre effetti reali su chi ci parla.

Uno studio pubblicato su Acta Psychologica nel 2026 ha analizzato l’uso di IA conversazionale tra i giovani, trovando relazioni complesse tra utilizzo, solitudine, ansia sociale e qualità della vita. Le associazioni osservate erano piccole e in gran parte non significative; inoltre il disegno trasversale non permette di stabilire causalità. Ci sono segnali interessanti, ma non ancora una sentenza.

Un altro studio del 2026, sempre su Acta Psychologica, ha coinvolto 300 giovani adulti in Cina per capire come alcune caratteristiche degli agenti di compagnia emotiva si colleghino alla percezione di coping e di sollievo. Gli stessi autori sottolineano che le prove su questo tipo di supporto quotidiano sono ancora limitate.

Cambia la domanda. Forse non dovremmo chiederci solo “l’IA sente?”, ma “cosa succede in noi quando una macchina risponde come se sentisse?”

Il vero miraggio

Il nostro cervello non ha bisogno che un interlocutore sia umano per attribuirgli significato sociale. Una conversazione abbastanza naturale può darci una sensazione di compagnia; un avatar può farci riflettere sulle nostre emozioni; un chatbot può farci dire cose che faticheremmo a dire a un’altra persona. E questo può essere davvero confortante.

Ma sentirsi accompagnati e essere accompagnati da qualcuno non sono necessariamente la stessa esperienza. È uno dei confini più delicati dell’HCI.

Cosa dicono le scienze cognitive

Uno studio su Nature Human Behaviour (9 esperimenti, 6.282 partecipanti) ha rilevato che le risposte empatiche generate da IA possono essere valutate molto bene, ma quando i partecipanti sapevano che a scriverle era un’IA le giudicavano meno empatiche e meno solidali rispetto a quando credevano fossero di una persona. Inoltre, quando cercavano un’interazione emotiva, tendevano a scegliere un essere umano.

Poi c’è il colpo di scena: altre ricerche mostrano che, in certi contesti, valutatori esterni hanno giudicato le risposte empatiche generate da IA più compassionevoli di alcune risposte umane. E un altro studio di quest’anno suggerisce che un modello può produrre testo che sembra umano senza essere percepito come più empatico, e può produrre empatia senza che per questo lo percepiamo come umano.

Che cosa misuriamo, allora, quando diciamo che un’IA “è empatica”? L’intenzione? L’emozione? Il comportamento? La percezione dell’utente? La qualità della risposta? Sono variabili diverse, e non sono intercambiabili.

Tre indizi su come elaboriamo questi legami:

• Il crollo dell'”effetto rivelazione”. Calore e conforto percepiti restano alti finché l’utente crede di avere un umano dall’altra parte; appena si scopre la natura artificiale dell’interlocutore, l’impatto empatico cala nettamente. Diamo valore al costo cognitivo ed emotivo di chi ascolta: se alla macchina ascoltarci non costa nulla, il valore percepito del messaggio cambia.
• La trappola della bassa frizione. Come nel fenomeno del Dazi socializing (cercare una compagnia funzionale ed effimera, senza impegno), l’IA offre un legame privo dell’attrito che le relazioni umane comportano. Il rischio non è che la macchina sbagli, ma che ci disallenii alla complessità dei disaccordi reali.
• Il paradosso della vulnerabilità. Un modello può replicare la sintassi del conforto, ma non ha coscienza né reciprocità. La funzionalità strumentale del supporto basta quando serve una validazione esistenziale profonda?

Costruiamola: tre esempi in Python

Finora abbiamo parlato di ciò che sembra empatia. Adesso facciamo la cosa più scomoda: costruiamola. Tre esempi semplici ed eseguibili (Python 3.9+) che mostrano come si assemblano i componenti di un'”empatia simulata”. Sono a scopo didattico e non sostituiscono in alcun modo l’intervento di un professionista.

Esempio A: rilevatore di tono + risposta a regole (senza modelli)

python

# empathetic_bot_simple.py  (nessuna dipendenza esterna)
import re

NEGATIVE = {"triste", "male", "stanco", "esausto", "ansia", "ansioso",
            "solo", "sola", "pessimo", "orribile", "distrutto", "giù"}
POSITIVE = {"felice", "bene", "benissimo", "contento", "contenta",
            "sereno", "fantastico", "orgoglioso", "orgogliosa"}

def detect_tone(text: str) -> str:
    words = set(re.findall(r"\w+", text.lower()))  # parole intere, non sottostringhe
    neg, pos = len(words & NEGATIVE), len(words & POSITIVE)
    if "non" in words:            # negazione ingenua: "non sto bene" -> negativo
        neg, pos = pos, neg
    if neg > pos:
        return "negative"
    if pos > neg:
        return "positive"
    return "neutral"

RESPONSES = {
    "negative": "Mi dispiace che tu stia attraversando un momento difficile. "
                "Vuoi raccontarmi di più o preferisci che ti suggerisca qualche risorsa?",
    "positive": "Che bello sentirtelo dire! Cosa ti ha fatto stare così?",
    "neutral":  "Grazie per aver condiviso. C'è qualcosa che ti preoccupa "
                "o che vorresti festeggiare?",
}

def empathetic_reply(text: str) -> str:
    return RESPONSES[detect_tone(text)]

if __name__ == "__main__":
    print(empathetic_reply(input("Dimmi come ti senti: ")))Code language: PHP (php)

Cosa mostra: una pipeline minima, rilevamento del sentimento → risposta da template. È pura simulazione: nessuna comprensione, solo regole. Nota anche i suoi limiti: basta una negazione più articolata (“non è che stia proprio benissimo…”) per mandarla fuori strada.

Esempio B: risposte adattive con storico (una “memoria” locale)

python

# empathetic_with_history.py
# pip install tinydb
from tinydb import TinyDB, Query
from empathetic_bot_simple import detect_tone

db = TinyDB("history.json")

def reply(user_id: str, text: str) -> str:
    db.insert({"user_id": user_id, "text": text})
    n = len(db.search(Query().user_id == user_id))
    if detect_tone(text) == "negative":
        return (f"Abbiamo parlato {n} volte. Sento che è dura. "
                "Vuoi che cerchi risorse vicino a te o che ti metta in contatto con un professionista?")
    return f"Grazie per aver condiviso. Finora mi hai scritto {n} messaggi: vuoi che riassuma quello che mi hai detto?"

if __name__ == "__main__":
    print(reply("utente_demo", input("Raccontami: ")))Code language: PHP (php)

Cosa mostra: personalizzazione basata sullo storico. Anche qui l'”empatia” è una costruzione di regole e contatori.

Esempio C: un modello pre-addestrato (Hugging Face)

python

# pip install transformers torch
from transformers import pipeline

classifier = pipeline("sentiment-analysis",
                      model="MilaNLP/feel-it-italian-sentiment")

RESPONSES = {
    "negative": "Capisco che non sia un bel momento. C'è qualcosa in particolare che ti pesa?",
    "positive": "Che bella notizia! Racconta, cosa è andato così bene?",
    "neutral":  "Grazie per aver condiviso. Vuoi parlarmi di qualcosa in particolare?",
}

def detect_tone_ml(text: str, threshold: float = 0.7) -> str:
    result = classifier(text)[0]
    label = result["label"].lower()          # "positive" | "negative"
    return label if result["score"] >= threshold else "neutral"

if __name__ == "__main__":
    print(RESPONSES[detect_tone_ml(input("Come ti senti? "))])Code language: PHP (php)

Cosa mostra: la classificazione non dipende più da regole scritte a mano, ma la risposta resta un template. Il sistema non esprime un’emozione: sceglie una frase da un elenco.

Repository con gli esempi: https://github.com/Orliluq/empathetic_bot_simple.git

Segnali pratici per utenti e organizzazioni

• Se l’IA è l’unica fonte di supporto emotivo → rischio di isolamento.
• Se l’IA integra le reti umane e ne facilita l’accesso → beneficio potenziale.
• Se l’IA nasconde la propria natura → perdita di fiducia e danno relazionale.

L’IA non sente: calcola. Offre disponibilità 24/7, coerenza e personalizzazione statistica senza affaticamento da compassione, ma senza coscienza, reciprocità e comprensione fenomenologica.

Regola d’oro: funziona come ponte complementare per scala e triage; diventa dannosa se opera come sostituto esclusivo (isolamento) o se nasconde la propria natura algoritmica (perdita di fiducia).

Il limite invalicabile: la simulazione linguistica non equivale a validazione esistenziale. Quando l’utente conferma di parlare con una macchina, l’impatto empatico percepito crolla.

Formula di armonizzazione: l’IA regge l’infrastruttura (accesso, monitoraggio, costanza); l’essere umano porta il nucleo del legame (autenticità, etica, vulnerabilità condivisa).

Buone pratiche di design ed etica

• Trasparenza: dichiarare sempre quando l’interlocutore è un’IA (un principio che, nel contesto europeo, va anche nella direzione degli obblighi di trasparenza previsti dall’AI Act per i chatbot).
• Passaggio all’umano: meccanismi automatici di escalation verso professionisti in presenza di segnali di rischio.
• Privacy e consenso: spiegare quali dati vengono conservati e perché (GDPR alla mano).
• Inclusione: evitare bias che escludano le neurodivergenze; garantire modificabilità e controllo all’utente.
• Valutazione esterna: validare i modelli con studi clinici e audit indipendenti.

Sostituzione totale o armonizzazione strategica?

Tra il rifiuto tecnofobico e la devozione cieca, le evidenze indicano una terza via: l’armonizzazione.

L’IA è un formidabile catalizzatore di prima linea: non giudica, non si esaurisce ed è lì quando le reti di supporto tradizionali cedono. Il fattore umano resta l’unico ancoraggio capace di dare senso etico, reciprocità autentica e quella scintilla di vulnerabilità condivisa che nessuna funzione di perdita può sintetizzare.

Le IA possono sostenere e scalare alcuni servizi emotivi, ma non sostituiscono la reciprocità umana. L’ultima domanda resta aperta, sul tuo schermo: se una risposta automatica riesce a calmare la tua angoscia nel cuore della notte, importa che dietro non ci sia un battito, o stiamo ridefinendo cosa significa sentirsi accompagnati?