Raccomandazioni, piattaforme e algoritmi stanno diventando nuove infrastrutture di selezione culturale e reputazionale.
Il 25 ottobre 2018, da Christie’s, un ritratto sfocato di un uomo in abito scuro — generato da una rete neurale addestrata su quindicimila ritratti dipinti fra il quattordicesimo e il ventesimo secolo — fu battuto per quattrocentotrentaduemilacinquecento dollari, oltre quaranta volte la stima massima di diecimila. Portrait of Edmond de Belamy, prodotto dal collettivo parigino Obvious attraverso una rete generativa avversariale, fu il primo lavoro realizzato con intelligenza artificiale a passare sotto il martello di una grande casa d’asta. Il risultato fu letto, all’epoca, come la prova che l’intelligenza artificiale avesse fatto irruzione nel giudizio estetico stesso — che una macchina potesse non solo produrre immagini, ma produrre valore. È una lettura che vale la pena smontare, perché il caso Belamy dimostra piuttosto l’opposto: nessuno, in quella sala, stava valutando l’algoritmo. Christie’s aveva deciso di includere il lotto nel proprio catalogo, un collettivo di esseri umani aveva scelto il dataset e ottimizzato il modello, la narrazione della “prima volta” aveva fatto il resto. La macchina aveva generato l’immagine. La consacrazione — l’atto che ne aveva fatto un evento — restava interamente umana, ed era la stessa identica architettura istituzionale descritta a proposito del canone e delle sue autorità: solo applicata, questa volta, a un oggetto di tipo nuovo.
Questa distinzione — fra generare e consacrare — è il punto da cui partire per rispondere alla domanda che dà il titolo a questo pezzo. Perché esiste un secondo modo, molto più pervasivo e molto meno spettacolare del caso Belamy, in cui l’intelligenza artificiale interviene oggi sulla formazione del gusto: non producendo opere, ma decidendo — attraverso sistemi di raccomandazione — quali opere, fra i miliardi disponibili, un pubblico specifico incontrerà mai. È il meccanismo che governa la playlist Discover Weekly di Spotify, il feed di Instagram o TikTok, i suggerimenti di Netflix, e sempre più spesso i moduli “opere che potrebbero interessarti” delle piattaforme di vendita d’arte online. L’antropologa Nick Seaver, che ha condotto un lavoro etnografico pluriennale fra gli ingegneri che costruiscono questi sistemi — confluito nel libro Computing Taste — ha mostrato come chi li progetta non parli, nella pratica quotidiana, in termini di qualità estetica o di valore culturale, ma in termini di “cattura”: l’obiettivo dichiarato è agganciare l’utente, prolungarne la permanenza, massimizzare l’engagement. Il gusto, in questa cornice, non è ciò che il sistema cerca di riconoscere. È l’effetto collaterale di un’ottimizzazione che persegue un obiettivo del tutto diverso — il tempo speso, il numero di riproduzioni, il tasso di ritorno — e che tratta la soddisfazione estetica dell’utente come una variabile strumentale a quell’obiettivo, non come il suo fine.
Questo scarto fra ciò che l’algoritmo dice di fare — “consigliarti cose che ti piaceranno” — e ciò che effettivamente ottimizza avrebbe conseguenze relativamente innocue se i sistemi di raccomandazione si limitassero a osservare gusti già formati. Il problema è che, mostrando a ciascun utente ciò che è già popolare presso altri utenti simili, questi sistemi non descrivono il gusto collettivo: lo producono, amplificando differenze di partenza minime fino a renderle enormi. È un meccanismo che la ricerca sociologica aveva già isolato prima ancora che i sistemi di raccomandazione algoritmica esistessero su scala industriale. Nel 2006 Matthew Salganik, Peter Dodds e Duncan Watts pubblicarono su Science i risultati di un esperimento — il cosiddetto Music Lab — in cui oltre quattordicimila partecipanti potevano scaricare brani musicali sconosciuti in una di due condizioni: in isolamento, senza sapere che cosa avessero scelto gli altri, oppure con piena visibilità sulle scelte altrui. Nella condizione con influenza sociale visibile, la disuguaglianza fra i brani di maggior successo e quelli di minor successo aumentava in modo drastico, e — questo il dato più significativo — l’identità dei brani vincenti diventava largamente imprevedibile: i brani oggettivamente peggiori raramente sfondavano e quelli oggettivamente migliori raramente fallivano, ma in una fascia intermedia molto ampia, quale brano diventasse un successo dipendeva più da un vantaggio accumulato nelle prime scelte casuali che da qualità intrinseche. È lo stesso principio — il “vantaggio cumulativo” — che governa oggi, a una scala molto più ampia e con una velocità molto più alta, ogni piattaforma che mostra agli utenti ciò che altri utenti hanno già scelto: non misura il gusto, lo costruisce attraverso una cascata informativa che si autoalimenta.
Se le raccomandazioni algoritmiche costruiscono il gusto attraverso l’opacità della loro logica interna, un secondo fronte tecnologico ha tentato, con esito rivelatore, di intervenire sull’opacità opposta — quella del prezzo — che regola da sempre il mercato dell’arte fisica. Nel 2017 l’imprenditore Magnus Resch lanciò un’app promossa come “Shazam per l’arte”: inquadrando un’opera in una fiera o in una galleria con lo smartphone, un sistema di riconoscimento visivo restituiva istantaneamente nome dell’artista, prezzo, mostre precedenti e opere comparabili. L’app aggrediva direttamente la separazione fra lo spazio espositivo — pubblico, silenzioso — e lo spazio della trattativa sul prezzo, tenuto tradizionalmente riservato, su cui si fonda l’intera economia simbolica della galleria d’arte. La reazione del settore fu immediata e ostile, e l’app venne rimossa dagli app store dopo che Artsy e Artfacts denunciarono che gran parte dei dati alla base del servizio — inclusi, in alcuni casi, errori identici presenti nei loro database proprietari — era stata sottratta senza autorizzazione, e che alcune gallerie tedesche avevano visto pubblicati prezzi che non avevano mai reso noti. Al di là della vicenda specifica, il caso Magnus è istruttivo per una ragione strutturale: rivela quanto il potere del sistema tradizionale dell’arte dipenda dal controllo asimmetrico dell’informazione, e quanto la resistenza a un’infrastruttura automatizzata di trasparenza non riguardasse l’accuratezza dei dati, ma la minaccia che quella trasparenza rappresentava per un ordine costruito, deliberatamente, sull’opacità.
Un terzo ambito, più tecnico e meno spettacolare, riguarda l’uso dell’intelligenza artificiale non per raccomandare o per generare, ma per attribuire: aziende come Art Recognition, con sede in Svizzera, o Artrendex, fondata dall’informatico Ahmed Elgammal della Rutgers University, addestrano reti neurali a riconoscere l’identità di un pittore analizzando le microvariazioni della pennellata — curvatura, pressione, ritmo del gesto — con un livello di dettaglio che nessun occhio umano può replicare con la stessa costanza statistica. Sono strumenti che hanno già affiancato storici dell’arte in dispute attributive di rilievo, e che promettono, nel tempo, di ridurre uno dei margini di incertezza più costosi del mercato — lo stesso margine che, come si è visto a proposito del caso Knoedler, può determinare il crollo totale del valore di un’opera quando la sua provenienza viene messa in dubbio. Ma è significativo che gli stessi ricercatori che sviluppano questi strumenti insistano, quasi senza eccezione, sul fatto che l’output della rete non debba sostituire il giudizio dello storico dell’arte, ma solo informarlo: l’attribuzione non è, in fondo, un mero esercizio di riconoscimento di pattern, ma un atto di legittimazione con conseguenze legali, economiche e reputazionali che il settore non è disposto a delegare interamente a un sistema che non può essere chiamato a risponderne.
Messi in fila, questi tre casi disegnano una risposta più precisa, e meno spettacolare, della domanda con cui si è aperto questo pezzo. L’intelligenza artificiale non costruisce il gusto nel senso in cui lo farebbe un nuovo soggetto autonomo di giudizio estetico, capace di sostituirsi ai musei, ai critici, ai mercanti descritti altrove in questa sezione. Costruisce, piuttosto, nuove infrastrutture — di raccomandazione, di trasparenza, di attribuzione — che si inseriscono nello stesso campo di potere già occupato dalle istituzioni tradizionali, spesso rafforzandolo, talvolta insidiandolo, quasi mai sostituendolo del tutto. La differenza cruciale rispetto alle infrastrutture umane che hanno storicamente selezionato ciò che merita di restare è l’obiettivo che queste nuove infrastrutture ottimizzano: non la legittimità simbolica di lungo periodo che un museo persegue attraverso la propria collezione permanente, ma l’attenzione immediata che una piattaforma commerciale monetizza minuto per minuto. Sono valute diverse, che possono convergere — come nel caso Belamy, dove la viralità algoritmica ha alimentato l’evento istituzionale — ma che restano, nella loro logica di fondo, difficili da far coincidere: la visibilità che un algoritmo produce con grande efficienza è raramente la stessa cosa della durata che un canone, per definizione, richiede. È a questa distanza fra visibilità e durata — e a chi sta imparando a monetizzarla per prima — che guarda la sezione Arte e finanza di questo sito.
