di Daniele Ruggiu
Recentemente Meta ha annunciato il licenziamento di 8000 dipendenti che verranno sostituiti dall’intelligenza artificiale1. Non si tratta di una crisi economica come si potrebbe pensare. Nel primo semestre Meta ha addirittura dichiarato un incremento dei ricavi del 16% e di aver programmato di investire quest’anno tra i 115 e i 135 miliardi di dollari, in buona parte destinati allo sviluppo di infrastrutture e prodotti basati sull’intelligenza artificiale. E infatti, proprio mentre annunciava il taglio della forza lavoro, l’azienda di Manlo Park dichiarava di voler traferire circa 7.000 lavoratori verso nuove iniziative legate all’IA. È emblematico come al crescere del settore dell’IA si accompagni il ridimensionamento delle posizioni lavorative collegate a ruoli junior e intermedi. Ma è un trend generale. Cisco ha annunciato il licenziamento di 4.000 dipendenti per concentrare maggiori risorse sull’intelligenza artificiale. Lo stesso stanno facendo Microsoft, Block e Coinbase. Non è un caso isolato. È una tendenza.
Nel breve saggio The adolescence of technology2, Dario Amodei, fondatore di Anthropic, ricordando il libro di Carl Sagan, The contact, quando la protagonista viene scelta per rappresentare l’umanità con gli alieni e a un certo punto le viene chiesto cosa avrebbe domandato loro, applica all’IA la risposta che lei dà: come avete fatto? come avete fatto a evolvervi con questa tecnologia nel pieno della sua adolescenza e a non autodistruggervi? L’IA oggi è l’alieno tra noi. E sta crescendo rapidamente. Non più solo nelle grandi aziende tecnologiche.
Le ultime versioni di Claude Cowork e Claude Code di Anthropic sono in grado di svolgere funzioni da colletti bianchi come redigere documenti legali, gestire flussi di dati contabili, gestire tool interni e automatizzare attività tipiche del lavoro strutturato cognitivo. Claude Code addirittura è in grado di scrivere un codice di programmazione. Il modello è passato dal livello di “programmatore mediocre” a quello di “programmatore forte”, sino a quello di “programmatore molto forte”, nel giro di pochi anni. E infatti Claude è il primo modello che ha contribuito a scrivere il suo stesso codice. Fa impressione: l’IA che pensa se stessa! A ogni versione si registra come un salto evolutivo, quasi un salto di specie. Ora stiamo iniziando a vedere la stessa progressione nel lavoro impiegatizio. Amodei stima che tra 1 e 5 anni il 50% dei lavori impiegatizi sarà svolto da modelli linguistici generali. Una rivoluzione che avrà un impatto neanche paragonabile all’introduzione dell’aratro in agricoltura. Secondo Erik Brynjolfsson, direttore del laboratorio sull’Economia digitale di Stanford, stanno aumentando i posti per lavoratori più esperti, quelli per cui la tecnologia funge da potenziatore, mentre si stanno riducendo per i giovani al primo impiego, evidentemente sostituibili. I giovani sono il segnale di allarme, come i canarini nelle miniere messi per segnalare la presenza di monossido di carbonio3.
L’allarme è però trasversale. Amazon, ad esempio, ha annunciato che ha sviluppato un robot, Blue Jay, in grado di prelevare, smistare e consolidare gli articoli nello stesso spazio lavorando ad alta velocità, che potrebbe sostituire gli addetti al pickaggio dei suoi magazzini. Blue Jay oggi è stato introdotto in via sperimentale in California4 e se trovasse generale applicazione cambierebbe decisamente il quadro del mercato del lavoro. Non solo negli Stati Uniti. Sempre Amazon sta utilizzando i droni per la consegna dei pacchi in sostituzione dei vettori in aree non facilmente raggiungibili. Un fenomeno che appare inesorabile, in grado di travolgere ogni professione, dai lavori manuali a quelli a più alto tasso intellettuale. Christopher Olah, cofondatore di Anthropic, in occasione della presentazione dell'ultima enciclica papale ha lanciato l’allarme: “C’è una reale possibilità che l’IA sostituisca il lavoro umano su larga scala. Se ciò accade, sostenere gli esodati sarà un imperativo morale di proporzioni storiche”5.
Secondo Andrea Pignataro, Ceo di Ion, non sarebbe proprio così6. Un praticante in uno studio legale non fa solo bozze di contratti, risponde anche ai riscontri dei partner utilizzando un determinato registro, interpretando le aspettative dei clienti, decidendo quando segnalare un rischio e quando lasciar correre, partecipa cioè a un complesso sistema di prassi comunicative che l’IA non può ancora fare. Queste mansioni di raccordo non sono ancora facilmente replicabili. Richiamando il concetto wittgensteiano di language game, per Pignataro le aziende non si limitano a usare piattaforme come Erp o Salesforce, ma parlano attraverso di esse. Ecco la fallacia dell’argomento della sostituzione umana da parte dell’IA. Nel software sono incorporati processi, metriche, gerarchie e flussi decisionali: il software dell’azienda, cioè, parla il linguaggio dell’azienda. Sostituire un gestionale non significa quindi rimpiazzare semplicemente una funzione, ma riscrivere il linguaggio operativo di un’organizzazione. Cosa tutt'altro che facile. A meno che le stesse imprese non si mettano a insegnare all’IA come parlare la loro lingua. In questo senso, la corsa a integrare sistemi di intelligenza artificiale nel mercato del lavoro non fa che rendere più concreto il rischio che nel mondo della finanza, o degli studi legali, di insegnare all’IA come rimpiazzarci. Se appunto è logico utilizzare l’IA in azienda quando la medesima strategia è seguita collettivamente il risultato appare profondamente irrazionale.
ADP, la società di elaborazione paghe, ha stimato che la domanda di sviluppatori software è in calo costante dal 2019. Fenomeno definito dagli analisti finanziari di Citrini Research come “la spirale di sostituzione dell’intelligenza umana”7. Secondo Pignataro la selva di norme a livello europeo (GDPR, Ai Act, Digital Service Act etc.) cui si aggiunge quella prodotta in modo frammentario a livello nazionale dovrebbero costituire un attrito in grado di rallentare l’inesorabilità del processo. L’eccesso di burocratizzazione tipica del Vecchio Continente avrebbe così quantomeno un effetto benefico (non voluto). Amodei, d’altro canto, nota che non è possibile prevedere come si evolverà il mercato del lavoro perché il mercato tende naturalmente a colmare le lacune che vengono ad aprirsi con una nuova tecnologia anche se questa sembra sostituire direttamente gli esseri umani. È probabile cioè che vengano a crearsi nuovi lavori e nuove figure professionali che ora non siamo in grado di vedere, ma che il mercato del lavoro produrrà in una sorta di scossa di assestamento.
In realtà, alcune figure si intravedono già adesso. La crescita dell’intelligenza artificiale generativa si porta con sé una serie di fenomeni non affatto secondari, come la costruzione di data center sempre più grandi per assecondare la fame di dati necessari a sfamare i nuovi modelli linguistici di grandi dimensioni, la costruzione di centrali elettriche necessarie per alimentare questi data center, la richieste di investimenti per la costruzione di centrali nucleari di nuova generazione o la riattivazione di quelle vecchie. Per esempio, di recente OpenAI ha annunciato che per sostenere lo sviluppo della nuova intelligenza artificiale generativa costruirà, nell’ambito del progetto Stargate sviluppato insieme a Oracle e SoftBank, cinque nuovi data center Stargate da 7 GW negli Stati Uniti in grado di alimentare oltre 5 milioni di abitazioni. Data center che richiedono un enorme consumo di metalli, di energia necessaria ad alimentarli e di acqua che serve per raffreddarli (che viene quindi sottratta agli usi in agricoltura). Di qui l’idea di costruirli in aree più fredde come la Groenlandia o persino nello spazio (più vicini a una fonte di energia, il sole, e in condizioni di raffreddamento ideali). La questione dei data center è però rivelatrice.
L’intelligenza artificiale specie nella sua ultima versione generativa non è (come spesso si pensa) un sistema decisionale autonomo sorretto da una nuova forma di intelligenza destinata a superare quella umana, ma uno straordinario sistema di computing, di calcolo di miliardi di dati che le tecnologie digitali producono e raccolgono in continuazione dall’ambiente, sul web, ovunque. I dati fanno l’IA. Non la decisione che grazie a dati il sistema è in grado di prendere. L’IA è un programma che consente di trasformare un certo input (un certo insieme di dati) in un ben preciso output seguendo uno schema probabilistico che serve a prevedere come un uomo si sarebbe comportato in quella stessa situazione per replicarlo. In altri termini, fornisce una decisione automatizzata sulla base di un certo modello previsionale che serve a imitare il comportamento umano. L’intelligenza artificiale generativa non fa altro che produrre contenuti (testi, immagini, suoni) in base a un determinato schema algoritmico che prevede come un essere umano si sarebbe comportato. Di fatto, imita un comportamento umano, o meglio l’esito di un comportamento umano in una certa situazione (cosa potremmo dire o fare in quella situazione) e la riproduce in maniera automatizzata. In questo senso, ha essenzialmente natura mimetica. Non crea ma calcola il risultato di un atto umano e si limita a riprodurlo. Per fare questo deve disporre di una massa crescente di dati che servono a fornirle la base per eseguire il calcolo di ciò che faremmo. Il punto di partenza sono dunque i dati. Per essere precisi, miliardi di dati (specie nel caso dei modelli linguistici di grandi dimensioni). L’intelligenza artificiale non è intelligente, nel senso a cui noi ordinariamente diamo all’intelligenza. Non capisce il contenuto di quanto utilizza per questo calcolo. Il calcolo non è ragionamento in questo senso. Però è in grado di replicare l’esito di un comportamento intelligente. Emily Bender a questo proposito ha parlato di “pappagalli stocastici”8, ovvero di sistemi di replicazione basati su un calcolo probabilistico.
Affinché la macchina non produca errori questi dati richiedono un enorme lavoro di pulizia che viene fatto da esseri umani. Perché a partire da dati non corretti contenenti errori, sovrarappresentazioni di un certo soggetto, pregiudizi di vario tipo presenti nei campioni analizzati, la macchina non può che replicarli automaticamente su larga scala, producendo bias oppure, se i dati sono insufficienti, allucinazioni (una risposta comunque inventata). Di fatto non sarebbe in grado di imitare. Questo lavoro di pulizia, normalmente ignorato, non di pubblico dominio, è di origine umana. In questo senso, l’intelligenza artificiale non solo è altamente energivoro, ad alto consumo di acqua e metalli rari e, quindi, inquinante, ma anche ad alto tasso di lavoro umano (“highly labour intensive”) impiegato nell’estrazione tanto dei metalli che dei dati. Da questo punto di vista Antonio Casilli9 ha giustamente osservato come l’intelligenza artificiale non sia né intelligente (calcola mentre non capisce che cosa calcola, né tanto meno sa che cosa crea, per quanto lo faccia benissimo), né artificiale, perché dietro vi è un esercito di lavoratori umani necessario a farla funzionare. Emerge così un paradosso. Ovvero che mentre l’IA si appresta a sostituire profili professionali dalla fabbrica (Amazon) ai colletti bianchi, crea tanti posti di lavoro. Posti di lavoro a bassa, bassissima qualificazione. Si tratta di posti di lavoro nell’ambito del microworking.
Il microworking è l’altra faccia dell’intelligenza artificiale10. Il microworking è il lavoro di pulitura dei dati necessario affinché la macchina lavori correttamente e possa risultare umana a chiunque interagisca con questa. I microworker prendono il nome dai microtask, compiti elementari che possono essere eseguiti da chiunque (basta che abbia un dispositivo e si possa scaricare un’applicazione). Anche un bambino, per intenderci. Questi compiti consistono nell’etichettare, classificare, validare strisce di testo, immagini, sonori che servono ad addestrare algoritmi e che poi vengono utilizzati in maniera automatizzata dai sistemi di intelligenza artificiale. A questi micro compiti corrisponde un salario altrettanto micro che può aggirarsi tra gli 1 e i 2 dollari all’ora. A volte persino sino a qualche centesimo per azione.
Il microwrking, però, ha una storia in parte sorprendente. Non nasce fin dall’inizio come lavoro a basso livello di specializzazione. Anzi. Il microworking nasce come lavoro ad alta specializzazione quando nel 1992 nell’ambito del progetto TIPSTER, la Defense Advanced Research Projects Agency (DARPA) assoldò un gruppo di ex agenti della CIA in pensione per analizzare e classificare le informazioni che si trovavano in internet11. Un classico lavoro di intelligence che solo chi aveva lavorato nei servizi avrebbe potuto fare. Google e Amazon non hanno fatto che perfezionare il metodo inventato del DARPA applicandovi la propria superiore organizzazione del lavoro. Dall’unione di analisi dei dati e organizzazione del lavoro delle piattaforme digitali nasce il microworking.
Il microworking non è altro che ciò che emerge una volta che l’apparenza dell’automazione dell’intelligenza artificiale viene a cadere. Noi pensiamo che l’IA grazie meccanismi di machine learning sia in grado di evolvere autonomamente e di imparare da sola, ma non è così. Gli algoritmi devono essere addestrati attraverso una serie di fasi alla cui base sta nient’altro che il lavoro umano. I processi di apprendimento automatico si distinguono in fasi, AI training, AI Validation, e AI impersonation che a loro volta poggiano sui lavoratori dei dati (data labourer). Un’azienda specializzata nella produzione di assistenti vocali, ad esempio, ha la necessità di accedere a un’ampia gamma di dati in grado di coprire diversi elementi linguistici, come più lingue, accenti e particolari espressioni linguistiche12. I microworker si occupano di categorizzare gli argomenti di una conversazione, di determinare quali emozioni vi siano dietro un’affermazione, classificare l’intento e identificare le varie parti del discorso13. Questi dati grezzi però possono contenere incongruenze oppure duplicati, e quindi devono essere “ripuliti” prima di poter essere utilizzati dal software14. I microworker valutano quindi l’accuratezza di questi assistenti virtuali confrontando le registrazioni audio degli input dell’utente con le trascrizioni generate automaticamente. In questa fase, i lavoratori sono tenuti a correggere le incongruenze rilevate durante la convalida dell’IA. Una volta ripuliti, i dati non risultano più grezzi e possono essere utilizzati dai modelli matematici per addestrarsi. Al fine di assicurare, però, che l’algoritmo selezioni sempre l’elemento più pertinente, questo deve essere testato su migliaia e migliaia di esempi, confrontando il modello con altri modelli. Questo lavoro di validazione dei dati attraverso l’elaborazione di esempi e il confronto dei modelli viene eseguito sempre dai microworker. È solo a questo punto che l’algoritmo inizia ad “apprendere”. Ma anche qui tutto ciò che l’algoritmo ha appreso dovrà essere verificato e questa verifica viene eseguita, ancora una volta, proprio dagli esseri umani15.
Alla fine, però, può essere necessario che l’out-put del sistema risulti il più naturale e realistico possibile in modo che sembri generato proprio da un essere umano e questa fase di AI impersonation ancora una volta deve essere compiuta da esseri umani. Questo intervento risulta necessario quando l’IA non riesce a raggiungere gli standard prefissati e un essere umano è più efficace o più conveniente di un sistema16.
Non vi è aspetto nello sviluppo dell’intelligenza artificiale che non sia si regga sull’uomo. Neanche nel caso dell’intelligenza artificiale generativa. Noi siamo soliti pensare al modo in cui l’intelligenza artificiale generativa reperisce e riorganizza le informazioni sul web come a una attività altamente automatizzata dove i modelli linguistici di grandi dimensioni (LLMs) perlustrano il web in cerca di qualunque informazione necessaria al loro sviluppo (scraping), articoli, libri, musica, programmi. Questi modelli scandagliano la rete un po’ come le sentinelle di Matrix, quelle specie di seppie robotiche (che in realtà non sono altro che una efficace rappresentazione di un software) che percorrevano tutti i più piccoli anfratti della terra in cerca dei ribelli umani da eliminare. Non è così. Anche lo sviluppo dei modelli linguistici generali si regge tutto sul lavoro umano17. Il training dei LLMs si svolge in tre fasi (pre-training, fine tuning, advanced fine tuning). Solo la prima avviene automaticamente. Il modello viene alimentato con enormi quantità di testo e dati estratti da internet, che vanno da libri digitalizzati, a code repository, archivi per code open source, programmi e software che possono essere reperiti sul web. Con annessi enormi problemi di proprietà intellettuale18. Il modello scandaglia la rete apprendendo autonomamente i pattern al fine di prevedere una parola nella giusta sequenza sulla base di calcoli probabilistici. Si potrebbe dire, utilizzando una metafora leggermente fuorviante ma efficace, che il modello in questa fase è un po’ come un bambino nei primi due anni di vita, quando si trova immerso nel linguaggio, quando ascolta migliaia di conversazioni senza conoscere le regole grammaticali. Il modello assorbe gli schemi linguistici senza capirne il senso. Così mette insieme le parole, cercando di imitare ciò che sente. Il che però implica anche l’apprendimento di qualsiasi cosa, compresi errori, pregiudizi e schemi errati. Per questo è necessario che intervenga l’uomo per rilevare e correggere gli errori che il sistema non è in grado di capire. Perché il modello raccoglie dati, ma non è in grado di capire a cosa questi dati si riferiscano. Nella fase successiva il modello di intelligenza artificiale viene, quindi, sottoposto a un apprendimento supervisionato (finetuning) in cui i microworker utilizzano schemi grezzi per fornire lezioni ed esempi specifici al modello al fine di fargli “comprendere” frasi corrette e scorrette. Qui, ad esempio, un essere umano a scrivere un prompt specifico e ad associarlo a una frase ideale oppure crea diverse varianti di frasi che vengono ordinate secondo diversi criteri di priorità in modo che il modello si allinei alle aspettative umane. Ma poiché anche in questa fase i dati contengono dei pregiudizi dovuti dal fatto che determinati dati demografici o punti di vista che possono risultare sovrarappresentati sul web, è necessaria un’ulteriore fase di apprendimento avanzato (advanced finetuning) sempre condotta da esseri umani ma questa volta sulla base degli output prodotti dal modello. In questa fase, l’addestramento del modello è sostanzialmente guidato da come un essere umano percepisce gli output del modello quando i criteri per stabilire se il pattern sia stato eseguito con successo o meno risultano difficili da definire.
Una volta che ci si addentri nel mondo del microworking la realtà che ne esce fuori è sconcertante. Vi sono intere famiglie che si dedicano all’attività di pulitura dei dati come il caso in cui il padre disoccupato si dedica alla etichettatura dei dati la mattina, poi il suo posto è preso dalla figlia quando, quindi arriva il turno della moglie quando torna la sera dal lavoro, e infine arriva anche il turno della nonna, se necessario19. Oppure vi è il caso del Madagascar in cui 120 lavoratori vivevano tutti insieme in una casa che fungeva da fabbrica dati, trasformata in discarica, con sistemi di videosorveglianza in funzione 24 ore su 24, dove i lavoratori lavoravano giorno e notte fianco a fianco, condividendo ogni ambiente, dal garage alla soffitta, per un reddito quasi inesistente ma che nei paesi in via di sviluppo è tale da poter essere preso in considerazione20. Amazon Mechanical Turk, ad esempio, nel 2017 pagava 1,37 dollari all’ora, ma in paesi come il Kenya dove la retribuzione media si aggira sui 170 dollari al mese, 1 o 2 dollari l’ora possono essere sufficienti. La paga può però essere pure più bassa. In Venezuela dove l'80% della popolazione vive al di sotto della soglia di povertà, un lavoratore dei dati può guadagnare anche 0,001 dollari per azione. Questo dà luogo a complessi sistemi di esternalizzazione che fanno sì che le società di dati vengano di fatto a scomparire dietro a un meccanismo di scatole cinesi che non fa che occultare il lavoro umano. Il motivo è chiaro. Perché dietro allo scandalo della retribuzione vi è una situazione di diritti pesantemente limitati, con ferie, malattia e maternità negati, inesistenti diritti sindacali, e zero privacy. Spesso però anche la salute è a rischio. Nel 2023 è scoppiato il caso dei lavoratori kenioti di Sama che per conto di OpenAI predisponevano i filtri che servono a moderare i contenuti sulla piattaforma. Quello della moderazione è un servizio molto delicato perché i filtri devono essere in grado di riconoscere e bloccare contenuti illegali. Anche qui vi sta dietro il lavoro umano. Nel caso di Sama i lavoratori si trovavano a fare turni di 9-10 ore per meno di 2 dollari all’ora, in cui dovevano leggere tra 150 e 200 passaggi di testo, ovvero i prompt per ChatGpt, per individuare e classificare i contenuti non ammessi dalla piattaforma. Il che poteva includere descrizioni grafiche di abusi sessuali su minori, bestialità, omicidio, suicidio, tortura, autolesionismo e, persino, incesto. Non c’è da stupirsi che un dipendente di Sama abbia detto di soffrire di disturbi da stress post-traumatico per aver letto la descrizione di un uomo che faceva sesso con un cane davanti a un bambino.
Non si può comprendere il microworking se non lo si inquadra all’interno del fenomeno delle piattaforme digitali e della loro superiore organizzazione del lavoro. Il microworking può esistere solo all’interno delle piattaforme digitali, cioè di organizzazioni che operano a livello globale e sono in grado di reperire la manodopera dove costa meno, dove vi sono minori tutele o è possibile bypassare le normali tutele del lavoro, perché ciò che è sufficiente per diventare un lavoratore di dati è avere un dispositivo e la possibilità di scaricarsi un’applicazione. Per questo i microworker possono essere raggiunti facilmente nei paesi in via di sviluppo senza che sia necessario concentrarli tutti in un medesimo luogo, come una fabbrica, un call center o un capannone industriale, in quanto il tipo di lavoro che sono chiamati a compiere è così semplice che può essere eseguito facilmente anche da casa. L’importante è riuscire ad assemblarlo all’interno di un progetto altamente complesso come quello della pulitura dei dati necessari per l’industria dell’intelligenza artificiale21. E questo può essere fatto solo da una struttura sufficientemente grande attraverso l’uso di algoritmi e dell’intelligenza artificiale. Perché una volta destrutturato in una moltitudine di elementi atomici di esecuzione elementare, i micro-compiti degli operai dei dati, questo lavoro complesso può essere ricostruito solo attraverso un programma algoritmico che ricomponga in un quadro unitario e gestisca automaticamente a livello globale le micro-prestazioni lavorative attraverso sistemi di intelligenza artificiale in modo da riprodurre fedelmente il servizio richiesto dalla piattaforma. Perché questo risultato possa essere raggiunto è necessario però conoscere esattamente ogni aspetto della performance che si deve riassemblare, di chi la produce e in quale contesto. A questa organizzazione algoritmica del lavoro corrisponde quindi un pervasivo controllo algoritmico della piattaforma sui lavoratori, perché, per poter essere gestito algoritmicamente, ogni aspetto deve essere meticolosamente tracciato. Ogni aspetto della performance lavorativa deve poter essere calcolato e valutato attraverso una griglia algoritmica che permette alla piattaforma di anticipare e gestire ogni componente del servizio che viene a fornire. Così vi sono algoritmi per raccogliere i dati dei lavoratori durante lo svolgimento delle attività lavorative. Algoritmi per l’organizzazione di attività e dei lavoratori (ad es. rider) in modo da favorire abbinamenti ottimali tra lavoratori e attività22. Algoritmi che misurano il tempo di lavoro e inviano avvisi e sollecitazioni ai lavoratori. Algoritmi che calcolano automaticamente la retribuzione anche sulla base di condizioni metriche del lavoratore e algoritmi che possono decidere la cessazione di un rapporto di lavoro23. Questo implica anche la raccolta di dati personali dei lavoratori che il più delle volte ricorrono ai propri dispositivi personali per eseguire i loro micro-compiti. Inoltre il complesso sistema messo in piedi dall’organizzazione algoritmica comprende anche che, per poter misurare la performance lavorativa, il sistema ricorra a meccanismi di valutazione da parte degli utenti e autovalutazioni da parte degli stessi microworker che contribuiscono a implementare l’architettura di controllo in cui è chiusa la loro condizione lavorativa. È il tema del cosiddetto “free work”24, il vero paradosso delle piattaforme digitali. Perché per poter creare il proprio pervasivo sistema di sorveglianza la piattaforma digitale ha bisogno di generare tutta una serie di dati di misurazione a cui contribuiscono gratuitamente gli stessi lavoratori e che sono essenziali allo stesso funzionamento della piattaforma. Compiti del tutti volontari e per questo non retribuiti ma senza i quali la performance non può essere gestita algoritmicamente e che quindi ne costituiscono una componente essenziale. I più famosi sono i filtri antispam CAPTCHA con cui ci viene richiesto, attraverso l’identificazione di determinate figure in una foto (macchine, semafori, biciclette etc.), di provare di essere umani e che vengono poi utilizzati per addestrare gli algoritmi. Oppure i feedback degli utenti di Amazon sui servizi ricevuti che sono l’essenza stessa della piattaforma. Si tratta di compiti incentivati in vario modo attraverso il riconoscimento di badge, benefit vari, gadget, a volte attraverso schemi gamificati, oppure semplicemente attraverso penalizzazioni quando non li si eseguono, come nel caso degli algoritmi delle piattaforme di food delivery nel caso si rifiuti una consegna che comporta di fatto il non essere più chiamati dall’algoritmo. Anche il “freee work”, come la performance lavorativa, deve essere pre-calcolato per poter realizzare la complessa organizzazione algoritmica del lavoro. Tutto questo viene a implementare il controllo della piattaforma sul lavoratore, a testimonianza che non c’è nulla di libero, costruendo così una pervasiva architettura di sorveglianza che viene a sublimare il rapporto di lavoro tra micro-worker e la piattaforma digitale in una sorta di “super-subordinazione”25. Perché se da una parte il rapporto di dipendenza cresce esponenzialmente col crescere delle forme di controllo algoritmico la posizione del lavoratore scompare vuoi nella invisibilità del microworking, vuoi attraverso il meccanismo delle esternalizzazioni, outsourcing, vuoi perché la piattaforma digitale figura giuridicamente come un soggetto mediatore tra il lavoratore, che fornisce il proprio lavoro quasi fosse un’impresa, e l’utente che fruisce del servizio mediato dalla piattaforma che appunto non è datore di lavoro anche se di fatto lo è, in misura tra l’altro rafforzata dall’algoritmo.
Una volta compresa la reale natura del microworking si capisce la portata della rivoluzione che l’IA sta portando nel mercato del lavoro. Non è vero che l’intelligenza artificiale ci sta rubando i posti di lavoro. Ne sta creando a migliaia. Posti di lavoro nel campo dell’estrazione dei metalli e delle terre rare necessarie per l’industria hi-tech, per lavori altamente pericolosi e sottopagati in cui spesso sono impiegati minori come manodopera. Migliaia di posti di lavoro nei processi di raffinazione dei dati necessari ad addestrare gli algoritmi e far funzionare l’IA. Lavori a bassa qualificazione a volte usuranti come nel caso di coloro che lavorano ai filtri usati nei sistemi di moderazione dei contenuti delle piattaforme digitali e che hanno in comune con i primi il fatto di essere sottopagati a fronte degli introiti spettacolari dell’industria dell’intelligenza artificiale. Non è vero che l’IA ci sta sottraendo posti di lavoro26. L’industria dell’intelligenza artificiale sta operando una “gigantesca sostituzione etnica” che sta investendo la società a livello globale. L’IA sta imparando a fare lavori che fino a poco tempo fa pensavamo sottratti al processo di automazione, dai lavori nella fabbrica ai lavori dei colletti bianchi, sino a tutte le professioni intellettuali che eravamo soliti considerare tipicamente umane (traduzioni, lavori di amministrazione etc.), ma allo stesso tempo nella sua inesauribile fame di dati sta attraendo una larga fetta della società all’interno delle fabbriche di dati dislocate un po’ ovunque (dai paesi in via di sviluppo a quelli più sviluppati) grazie all’ubiquità di tecnologie digitali, applicazioni e piattaforme digitali. Dati indispensabili al funzionamento dell’intelligenza artificiale. Il paradosso dell’IA è che una larga parte della società oggi si trova a lavorare affinché l’IA fornisca servizi apparentemente sempre più umani che ci sostituiscono. Si sta concretizzando un paradosso perché l’IA non è più uno strumento messo a disposizione dell’umanità, uno strumento che ci serve. Siamo noi che oggi serviamo la macchina per il vantaggio di una parte sempre più ristretta di pochi privilegiati che godono dei benefici di questa rivoluzione. A questo proposito si è anche palato di “schiavitù digitale”27, nel senso che l’industria digitale oggi trainata dall’IA, sta generando vecchie e nuove forme di schiavitù sempre più inafferrabili perché invisibili, ammantate da un alone di legalità, costruite sulla loro volontarietà, radicate sulla libertà, la grande aporia del capitalismo digitale odierno, e per questo più difficili da combattere.
Daniele Ruggiu è professore associato di Filosofia del diritto presso l’Università di Padova. Il suo lavoro si concentra sull’impatto delle nuove tecnologie sui diritti umani. Nel suo articolo sostiene che il diffondersi dell’intelligenza artificiale si regge su un enorme lavoro umano di rifinitura dei dati per cui alla perdita di posti di lavoro si accompagnerà la crescita di posizioni a bassa specializzazione necessarie a sostenere i servizi basati sull’IA.
Note
1) https://www.dagospia.com/cronache/l-intelligenza-artificiale-paraculata-per-non-pagare-i-lavoratori-meta-474901.2) https://www.darioamodei.com/essay/the-adolescence-of-technology.
3) https://digitaleconomy.stanford.edu/app/uploads/2025/11/CanariesintheCoalMine_Nov25.pdf.
4) https://www.aboutamazon.com/news/operations/new-robots-amazon-fulfillment-agentic-ai.
5) https://www.dagospia.com/politica/nell-enciclica-magnifica-humanitas-leone-xiv-rifila-papagno-in-faccia-475325.
6) https://ionanalytics.com/wp-content/uploads/2026/02/The_Wrong_Apocalypse.pdf.
7) T. Noah, How the Tech World Turned Evil, in “New Republic”, 23.04.2026, https://newrepublic.com/article/208876/tech-world-evil-musk-bezos-thiel.
8) E. Bender, T. Gebru, A. McMillan-Major, S. Shmitchell, On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?, in “ACM”, 2021, https://dl.acm.org/doi/epdf/10.1145/3442188.3445922
9) A. Casilli, Schiavi del clic: perché lavoriamo tutti per il nuovo capitalismo?, 2020, Milano, Feltrinelli, p, 37.
10) D. Ruggiu, B. Ozdemir, Behind the AI’s Gaze: Generative Artificial Intelligence, Digital Slavery, in” NanoEthics”, 20, 2, 2026, https://link.springer.com/article/10.1007/s11569-025-00489-6.
11) D. Harman, Information Retrieval Evaluation, 2011, Morgan & Claypool Publisher, pp. 27 ss.
12) A. Casilli A, P. Tubaro, M. Coville, The trainer, the verifier, the imitator: Three ways in which human platform workers support artificial intelligence, in "Big Data & Society", 2020, https://journals.sagepub.com/doi/10.1177/2053951720919776
13) A. Casilli, Schiavi del clic, cit., p. 26.
14) A. Casilli, Schiavi del clic, cit., p. 117.
15) A. Casilli, Schiavi del clic, cit., p. 118.
16) Tubaro, et al. The trainer, the verifier, the imitator, cit.
17) D. Ruggiu, B. Ozdemir, Behind the AI’s Gaze: Generative Artificial Intelligence, Digital Slavery, in “NanoEthics”, 2026, 20, 2, https://link.springer.com/article/10.1007/s11569-025-00489-6
18) D. Ruggiu, Introduzione ad un corso di diritto delle tecnologie digitali, 2025, Giappichelli, Torino, pp. 54-55.
19) A. Casilli, P. Tubaro, M. Cornet, C. Le Ludec, J. Torres-Cierpe, M. Viana Braz, Global Inequalities in the Production of Artificial Intelligence: A Four-Country Study on Data Work, in “arXiv”,2410.14230v1 [cs.CY], 2024, https://doi.org/10.48550/arXiv.2410.14230.
20) L. Melissari, I proletari dell’intelligenza artificiale, in “Internazionale”, 06.08.2024, https://www.internazionale.it/reportage/laura-melissari/2024/08/06/intelligenza-artificiale-lavoratori-sfruttamento.
21) D. Ruggiu, B. Ozdemir, Behind the AI’s Gaze, cit. .
22) X. Parent-Rocheleau, SK. Parker, Algorithms as work designers: How Algorithmic Management Influences the Design of Jobs, in “Human Resource Management Review”, 32, 3, 2022, https://www.sciencedirect.com/science/article/abs/pii/S1053482221000176
23) G. Pisani, Piattaforme digitali e autodeterminazione. Relazioni sociali, lavoro e diritti al tempo della “governamentalità algoritmica”, 2023, Mucchi editore, Modena, p. 51.
24) A. Casilli, Schiavi del clic, cit., p. 137 ss.
25) A. Casilli, Schiavi del clic, cit., p. 214.
26) C’è chi qui parla di trasferimento e non di sostituzione. Cfr. A. Casilli, Schiavi del clic, cit., p. 19.
27) D. Ruggiu, B. Ozdemir, Behind the AI’s Gaze, cit.