«Non mi interessa l'intelligenza artificiale» — ma l'intelligenza artificiale si interessa a te.
Prima di cominciare, fermati. Le righe qui sotto restano sul tuo dispositivo: nessuno le legge al posto tuo. Servono a te, per vedere alla fine cosa è cambiato.
Prima di usare o giudicare l'IA, bisogna sapere cosa è davvero — e non quello che il nome suggerisce.
Un termine nato per fare colpo
Il termine «intelligenza artificiale» nasce nel 1956 a Dartmouth, in una conferenza estiva organizzata da John McCarthy. La scelta del nome non era descrittiva: era strategica. McCarthy volle qualcosa di ambizioso e attraente per ottenere finanziamenti. La parola «intelligenza» crea aspettative elevatissime — e quando quelle aspettative si scontrano con la realtà tecnica, arrivano le disillusioni. Questo ciclo si è ripetuto almeno due volte: gli AI winter degli anni '70 e degli anni '80, periodo in cui i finanziamenti si prosciugarono e i laboratori chiusero.
IA simbolica vs IA connessionista
Per cinquant'anni l'approccio dominante è stato l'IA simbolica: sistemi basati su regole esplicite scritte da esperti umani. Funzionano bene in ambienti controllati (diagnosi mediche su alberi decisionali, sistemi esperti per il diritto), ma sono fragili appena escono dal dominio per cui sono stati progettati.
L'alternativa è l'IA connessionista: sistemi che non ricevono regole ma imparano pattern dai dati. Le reti neurali artificiali appartengono a questa famiglia. L'esplosione attuale — ChatGPT, Gemini, Midjourney — è figlia di questo approccio.
I Large Language Model: macchine statistiche del testo
Un LLM (Large Language Model) come GPT-4, Claude o Gemini non «capisce» il linguaggio: prevede statisticamente il testo più probabile dato un contesto. Il modello ha elaborato quantità enormi di testo (web, libri, codice) e ha imparato che dopo certe sequenze di parole ne seguono certe altre. Il risultato sembra intelligente perché il linguaggio umano è altamente strutturato — ma è prodotto statistico, non comprensione.
- «Intelligenza artificiale» (1956, Dartmouth): nome scelto per attrarre finanziamenti, non per descrivere accuratamente.
- AI winter x2: ciclo aspettative eccessive → delusione → tagli fondi → risorgenza.
- IA simbolica: regole esplicite, fragile fuori dal dominio. Connessionista: impara da dati, nessuna regola scritta.
- LLM = previsione statistica del testo. Non comprensione, non pensiero.
Perché «intelligenza artificiale» è un termine fuorviante?
Qual è la differenza tra IA simbolica e IA connessionista?
Cosa fa davvero un Large Language Model come ChatGPT?
Capire il meccanismo interno toglie la magia e restituisce la responsabilità a chi decide di usarlo.
Neuroni artificiali e pesi
Una rete neurale artificiale è ispirata vagamente al cervello, ma non è il cervello. È un grafo di nodi (neuroni artificiali) collegati da archi con valori numerici detti pesi. Un input (un testo, un'immagine) viene trasformato in numeri, passa attraverso i livelli della rete moltiplicandosi per i pesi, e produce un output.
Come si addestra: backpropagation
L'addestramento funziona così: la rete genera un output, lo confronta con quello atteso, calcola l'errore, e poi — con l'algoritmo di backpropagation — distribuisce quell'errore all'indietro attraverso la rete aggiustando i pesi. Ripetuto miliardi di volte su enormi dataset, questo processo «modella» la rete affinché commetta meno errori.
L'architettura transformer e il meccanismo di attenzione
Nel 2017 Google pubblica il paper «Attention is All You Need» che introduce l'architettura transformer. L'innovazione chiave è il meccanismo di attenzione: permette alla rete di pesare quanto ogni parola del contesto sia rilevante rispetto alle altre nel predire la parola successiva. Questo consente di elaborare contesti lunghi e catturare relazioni tra parole distanti nel testo.
Parametri: la scala della conoscenza statistica
I parametri sono i pesi numerici modificati durante l'addestramento. Rappresentano ciò che il modello ha «imparato». GPT-4 ne ha stimati ~1.000 miliardi. Addestrare un modello del genere richiede mesi di computazione su migliaia di GPU specializzate, con costi di decine o centinaia di milioni di dollari. I token sono le unità di testo elaborate: circa 3/4 di una parola media in italiano.
- Rete neurale: grafo di nodi con pesi numerici — l'apprendimento è modifica di quei pesi.
- Backpropagation: calcola l'errore, lo distribuisce all'indietro, aggiusta i pesi — ripetuto miliardi di volte.
- Transformer (2017): il meccanismo di attenzione permette di pesare la rilevanza contestuale di ogni parola.
- GPT-4: ~1.000 miliardi di parametri. Token = unità di testo (~3/4 parola).
Come impara una rete neurale?
Cosa sono i parametri di un LLM?
Cosa produce un LLM quando risponde a una domanda?
Kate Crawford smonta il doppio mito: non è intelligente perché non capisce; non è artificiale perché è profondamente materiale.
Non è intelligente: niente intenzioni, niente comprensione
Crawford argomenta che i sistemi AI non hanno intenzioni, non comprendono ciò che elaborano, non hanno consapevolezza. Quando un chatbot risponde «lo so» o «penso che», usa una struttura linguistica che negli umani segnala stati mentali interni — ma nel modello non c'è nessuno stato interno. È imitazione statistica di linguaggio, non cognizione.
Non è artificiale: minerali, acqua, energia, lavoro
Crawford documenta la materialità dell'IA che viene sistematicamente nascosta nella narrazione tecnologica del «cloud» e dell'«intelligenza virtuale»:
- Minerali: cobalto (Congo), litio (Sudamerica), terre rare (Cina) — estratti spesso in condizioni devastanti.
- Acqua: i data center consumano decine di migliaia di litri per il raffreddamento.
- Energia: massiccia, crescente, mai rinnovabile al 100%.
- Lavoro umano: i data annotator — lavoratori in Kenya, India, Filippine — pagati pochi dollari all'ora per etichettare i dati su cui i modelli vengono addestrati.
I lavoratori dell'ombra: data annotator
Il lavoro di etichettatura dei dati è invisibile ma essenziale. Senza di esso nessun modello funziona. Include compiti brutali: classificare immagini violente e traumatiche per insegnare ai modelli cosa filtrare. Crawford documenta casi in cui i lavoratori sviluppano PTSD senza supporto psicologico, per $2–3 l'ora.
Il bias: la disuguaglianza nei dati diventa disuguaglianza nelle decisioni
I modelli addestrati su dati storici ereditano i bias presenti in quei dati. Il riconoscimento facciale addestrato su dataset prevalentemente caucasici ha tassi di errore molto più alti su volti scuri — documentato in studi MIT e NIST. Non è discriminazione intenzionale: è discriminazione strutturale, prodotto fedele dei dati di addestramento.
- Crawford: l'IA non è intelligente (niente comprensione) né artificiale (è profondamente materiale).
- Data annotator: Kenya, India, Filippine — $2–3/ora, lavoro traumatico, invisibile.
- Minerali estratti (cobalto Congo, terre rare) + acqua + energia: il footprint fisico nascosto dell'IA.
- Bias = disuguaglianze statistiche nei dati di addestramento riprodotte nelle decisioni algoritmiche.
Perché Crawford dice che l'IA «non è artificiale»?
Chi sono i «lavoratori dell'ombra» dell'IA?
Come si manifesta il bias nel riconoscimento facciale?
Ogni risposta di ChatGPT ha un costo fisico. Chi lo paga non è chi riceve la risposta.
Il costo energetico dell'addestramento
Addestrare GPT-4 ha consumato circa 50 GWh di energia elettrica — equivalente al consumo annuo di migliaia di famiglie. Non si tratta solo dell'addestramento iniziale: ogni aggiornamento del modello richiede ulteriori cicli computazionali enormi. Le Big Tech dichiarano obiettivi di sostenibilità mentre le emissioni di CO₂ dei loro data center crescono del 30% annuo.
Il costo per ogni singola query
Una singola risposta di un LLM consuma circa 10 volte più energia di una ricerca Google. Questo moltiplicato per miliardi di query al giorno produce un footprint energetico che nessuna piattaforma pubblica in modo trasparente. La «democratizzazione dell'IA» ha un costo ambientale reale e crescente.
Il consumo d'acqua
I data center usano acqua per il raffreddamento dei server. GPT-4 ha consumato circa 700.000 litri d'acqua solo durante l'addestramento. In zone già in stress idrico, la localizzazione dei data center è una questione di giustizia ambientale.
Il cobalto: la catena di approvvigionamento nascosta
Il 60% del cobalto mondiale proviene dalla Repubblica Democratica del Congo. Il cobalto è essenziale per le batterie dei data center e per i processori AI. La sua estrazione avviene spesso in miniere artigianali («artisanal mining») con lavoro minorile documentato, assenza di protezioni, esposizione a polveri tossiche. Le aziende tech che dichiarano la loro etica hanno questa catena di approvvigionamento.
- GPT-4 training: ~50 GWh. Emissioni Big Tech data center +30%/anno vs obiettivi green dichiarati.
- Query LLM: 10x più energia di una ricerca Google. Miliardi di query al giorno.
- GPT-4 training: ~700.000 litri d'acqua. Data center in zone di stress idrico.
- Cobalto: 60% dal Congo, spesso estratto da bambini — catena nascosta dietro i chip AI.
Perché il consumo energetico dell'IA è rilevante politicamente?
Qual è il problema del cobalto nei processori AI?
Cosa propone Crawford come risposta all'impatto ambientale e sul lavoro dell'IA?
Questa automazione è diversa da tutte le precedenti: colpisce il lavoro cognitivo non-routine. Anche quello dei laureati.
L'automazione non è nuova — ma questa è diversa
Ogni rivoluzione tecnologica ha automatizzato lavoro. La macchina a vapore ha sostituito forza muscolare, i computer hanno eliminato compiti ripetitivi cognitivi (contabilità manuale, dattilografi). L'assunzione consolidata era: formarsi bene = proteggersi dall'automazione. Lavoro cognitivo complesso sembrava sicuro.
L'IA generativa ribalta questo. Traduttori, analisti finanziari, grafici, programmatori junior, radiologi per la lettura di immagini diagnostiche: tutti categorie con alta formazione, tutti sotto pressione. McKinsey stima che il 30–40% delle attività lavorative attuali è tecnicamente automatizzabile con le tecnologie AI esistenti.
Il controllo algoritmico: il capo che non si vede
L'IA non sostituisce solo lavoro: lo controlla. Il controllo algoritmico è l'uso di sistemi AI per monitorare, valutare e assegnare lavoro automaticamente. Amazon nei magazzini misura la produttività al secondo e genera avvertimenti automatici. Uber e Deliveroo assegnano turni e valutano i lavoratori senza intervento umano. Il «capo algoritmo» non si può contestare, non negozia, non è raggiungibile.
Il taylorismo digitale
Il termine indica l'applicazione del taylorismo classico (scomposizione scientifica del lavoro in micro-movimenti misurabili) allo spazio digitale. Ma dove il taylorismo fordista riguardava il corpo, il taylorismo digitale riguarda anche la mente: click, pause, rielaborazioni, velocità di risposta. La sorveglianza è totale e invisibile.
Cosa contratta la CGIL
La CGIL ha sviluppato linee guida contrattuali sull'IA che includono:
- Preavviso minimo prima dell'introduzione di sistemi AI che impattano il lavoro.
- Diritto all'informazione e consultazione della RSU prima del deploy.
- Diritto alla formazione pagata dall'azienda per adeguarsi alle nuove tecnologie.
- Garanzia occupazionale per un periodo minimo dopo l'introduzione dell'IA.
- Questa automazione colpisce lavoro cognitivo non-routine — anche traduttori, analisti, programmatori, radiologi.
- McKinsey: 30–40% delle attività lavorative automatizzabili con tecnologie AI esistenti.
- Controllo algoritmico: Amazon, Uber, Deliveroo — il «capo algoritmo» che non si può contestare.
- CGIL: preavviso, informazione, formazione pagata, garanzia occupazionale minima.
Cosa distingue questa ondata di automazione AI dalle rivoluzioni tecnologiche precedenti?
Cosa è il controllo algoritmico?
Le clausole contrattuali che la CGIL include negli accordi sull'AI prevedono:
Chi controlla i chip e i dati controlla l'IA. E chi controlla l'IA controlla sempre più il potere nel XXI secolo.
NVIDIA e il monopolio delle GPU
NVIDIA controlla circa l'80% del mercato delle GPU AI (le schede grafiche specializzate per l'addestramento dei modelli). I suoi chip H100 e A100 costano tra i 30.000 e i 40.000 dollari l'uno. Chi vuole sviluppare IA avanzata deve comprare da NVIDIA — o cercare alternative molto meno capaci. Questa dipendenza strutturale è una leva geopolitica: gli USA usano il controllo sulle esportazioni di chip (export controls) per limitare la capacità cinese di sviluppare IA militare e civile avanzata.
La guerra dei chip: export controls verso la Cina
Dal 2022, gli USA hanno imposto restrizioni crescenti all'esportazione di chip AI verso la Cina. Le aziende che producono chip usando tecnologia o software americano — anche se non sono americane (come TSMC) — devono rispettare questi limiti. La Cina, che importava 378 miliardi di chip nel 2020, è ora tagliata fuori dai modelli più avanzati e sta investendo decine di miliardi per prodursi i chip internamente.
I dati come risorsa geopolitica
I dati sono il carburante dei modelli AI. Chi possiede grandi volumi di dati di qualità può addestrare modelli superiori. Il paradosso europeo: il GDPR tutela i dati degli europei in modo più rigoroso di qualunque altra regione — ma l'Europa non ha costruito alternativa propria. I dati europei non alimentano modelli europei: alimentano modelli americani.
EU AI Act 2024: la prima regolamentazione globale
L'EU AI Act (2024) è il primo framework regolatorio globale sull'IA. Classifica i sistemi AI per livello di rischio, impone requisiti di trasparenza, vieta alcune applicazioni (riconoscimento biometrico in tempo reale nello spazio pubblico, social scoring). Aresu definisce l'Europa «regolatrice senza essere produttrice»: regola gli altri ma non ha un campione proprio.
- NVIDIA: ~80% mercato GPU AI. H100/A100: 30–40k$. Dipendenza strutturale = leva geopolitica USA.
- Export controls USA verso Cina: chi usa tecnologia americana deve rispettare i limiti, anche se non è americano.
- Paradosso europeo: GDPR tutela i dati ma non ha costruito alternativa produttiva — i dati europei alimentano modelli USA.
- EU AI Act 2024: prima regolamentazione globale. Europa: regolatrice senza essere produttrice (Aresu).
Perché la posizione di NVIDIA è una forma di potere geopolitico?
Perché i dati sono una risorsa geopolitica nell'IA?
Qual è il «paradosso europeo» nell'IA secondo Aresu?
L'IA non è neutrale. Incorpora scelte politiche. Il sindacato può contrattarle — ma deve capirle prima.
L'IA non è neutrale: incorpora scelte
Un sistema AI è il prodotto di scelte: quali dati raccogliere, quale obiettivo ottimizzare, chi decide cosa è un «errore». Un sistema di selezione del personale «ottimizzato per le prestazioni passate» discrimina automaticamente chi era già discriminato nei dati storici — donne in certi ruoli, persone di certe etnie. Non è bias tecnico: è scelta politica incorporata nel codice.
I rischi specifici per i lavoratori
- Controllo algoritmico: monitoraggio continuo, valutazione automatica senza appello umano.
- Sorveglianza biometrica: riconoscimento facciale, analisi del tono di voce, rilevamento emozioni in contesti lavorativi.
- Taylorismo digitale: scomposizione del lavoro in micro-attività misurabili, anche cognitive.
- Decisioni algoritmiche opache: licenziamento, promozione, assegnazione turni senza spiegazione umana.
Cosa contrattare: il diritto alla contestazione umana
Il diritto più importante che la CGIL identifica è il diritto alla contestazione umana: ogni decisione presa da un sistema algoritmico che impatta il lavoratore (turni, valutazioni, sanzioni, licenziamento) deve poter essere contestata davanti a un essere umano con potere reale di revisione. Non un chatbot. Non un altro algoritmo. Un essere umano responsabile.
L'IA come strumento sindacale
Il sindacato può usare l'IA propositivamente:
- Analisi automatica di contratti per individuare clausole sfavorevoli.
- Chatbot sindacali per rispondere a domande dei lavoratori (orari, diritti, procedure).
- Analisi dei dati aziendali per individuare disparità salariali di genere.
- Monitoraggio dell'applicazione dei contratti su scala.
Mantenendo sempre la relazione umana al centro e l'AI come strumento, non come sostituto del delegato.
- L'IA non è neutrale: incorpora le scelte di chi la progetta, incluse le disuguaglianze storiche dei dati.
- Rischi: controllo algoritmico, sorveglianza biometrica, taylorismo digitale, decisioni opache.
- Diritto prioritario: contestazione umana delle decisioni algoritmiche che impattano il lavoratore.
- IA come strumento sindacale: analisi contratti, chatbot, dati salariali — umano al centro.
Perché la CGIL considera l'IA non neutrale?
Qual è la clausola contrattuale che la CGIL considera prioritaria sull'IA?
Come può il sindacato usare l'IA propositivamente?
L'energia di un percorso svanisce in una settimana se non la fissi da qualche parte.
Sei arrivato in fondo. Torna al Modulo 0 e rileggi cosa avevi scritto. Poi rispondi qui.
Percorso completo
Weekend intensivo o 8 settimane (1 modulo a settimana). Per scuole di politica e formazione interna CGIL.
Come funziona e perché non è quello che sembra
Dalla definizione al meccanismo tecnico, alla critica Crawford, all'impatto ambientale. Per chi vuole capire prima di giudicare.
Impatto sul lavoro e cosa contrattare
Per delegati e RSU: automazione cognitiva, geopolitica dei chip, clausole contrattuali CGIL.