Nonostante gli enormi progressi che l’intelligenza artificiale ha già portato, non mancano le critiche nei suoi confronti. Una su tutte, legata alla scelta degli insegnanti all’università
Ormai sempre più enti e aziende utilizzano l’intelligenza artificiale per le proprie soluzioni. Una scelta che porta quasi sempre a vantaggi immediati e tangibili, per una realtà alla quale ormai è bene abituarsi. Ormai nel 2014, il governo polacco ha iniziato ad utilizzare un algoritmo per l’impiego nei servizi pubblici. 
L’idea è quella di rendere la ricerca di personale più semplice ed accurata, classificando i vari candidati sulla base di 28 parametri come l’età, il genere, l’età di disoccupazione e così via. In base al punteggio ottenuto, i partecipanti venivano divisi in tre gruppi per poi arrivare all’assunzione. Ora c’è Fratelli d’Italia che vorrebbe applicare la medesima tecnologia per gli insegnanti all’università, ma non mancano le critiche.
Algoritmo per scegliere gli insegnanti all’università, non mancano le critiche
All’interno del “programma conservatore” del partito Fratelli d’Italia, risulta anche la proposta di utilizzare “un sistema di intelligenza artificiale per rintracciare l’elenco dei giovani che terminano ogni anno le scuole superiori e l’università e li agganci a imprese del settore, agenzie per il lavoro e centri per l’impiego”.
Non mancano però le critiche, basate in particolare sulle esperienze pregresse in Polonia e nel Regno Unito, dove alla fine si è deciso di puntare su altro. “Anche quando un algoritmo fornisce un beneficio (la rapidità del processo decisionale su una grande mole di dati), può comunque causare ulteriori problemi (la discriminazione socioeconomica)” aveva sottolineato il ricercatore Richard Harkens.
Il principale ostacolo nell’utilizzo dei big data è infatti la cosiddetta discriminazione algoritmica, in quanto vengono utilizzati sistemi prodotti nel passato e che rischiano di cristallizzare le dinamiche obsolete. “Il deep learning, che è fondamentalmente una tecnica per il riconoscimento di pattern.” ha spiegato il neuroscienziato Gary Marcus: “Funziona al meglio quando tutto ciò che ci serve sono risultati grossolani e pronti per l’uso, in cui la posta in gioco è bassa e la perfezione dei risultati opzionale”.