Nel 2013, Carl Benedikt Frey e Michael Osborne, due ricercatori della Oxford Martin School, pubblicarono uno studio in cui stimavano che il 47 per cento dell’occupazione totale negli Stati Uniti sarebbe stato ad alto rischio di automazione informatica nei due decenni successivi. [1] Quel dato circolò rapidamente. Trovò spazio nei titoli dei giornali, nei discorsi politici e in quasi tutti gli articoli scritti negli anni a venire sui robot pronti a rubare il lavoro agli esseri umani. Fu anche ampiamente frainteso, persino da coloro che lo citavano per avvalorare le proprie tesi.

Frey e Osborne, in realtà, non avevano affatto previsto che il 47 per cento dei posti di lavoro sarebbe stato automatizzato. Si erano limitati a stimare la percentuale di occupazioni che avevano un’alta probabilità di poter essere tecnicamente automatizzate in un futuro imprecisato, alla luce delle tecnologie prevedibili. Si tratta di due affermazioni ben diverse, e proprio nello scarto tra l’una e l’altra risiede gran parte della questione etica. Questa parte conclusiva della serie è dedicata esattamente a tale divario: gli interrogativi che l’intelligenza artificiale solleva non in quanto tecnologia, bensì come concentrazione di potere, lavoro, denaro, energia e autorità giuridica. Sono queste le domande destinate a sopravvivere a qualsiasi modello specifico.

Il numero che ha spaventato tutti

Tre anni dopo la pubblicazione di Frey e Osborne, un gruppo di ricerca dell’OCSE ha ripetuto l’analisi adottando un’unità di misura differente. Invece di domandarsi se intere professioni potessero essere automatizzate, Melanie Arntz, Terry Gregory e Ulrich Zierahn si sono chiesti quante delle singole mansioni all’interno di ciascun impiego fossero effettivamente sostituibili. La maggior parte dei lavori, infatti, è un insieme di compiti diversi, e persino le occupazioni più esposte includono attività che resistono all’automazione. Adottando questo approccio basato sulle singole mansioni, la percentuale di lavori ad alto rischio nei Paesi dell’OCSE è crollata al 9 per cento. [2] Stessa domanda, prospettiva diversa e una risposta inferiore di ben cinque volte. Una simile discrepanza dovrebbe indurre alla cautela chiunque citi una singola percentuale legata all’automazione.

L’ondata dell’IA generativa ha prodotto una propria versione di queste stime. Nel 2023, alcuni ricercatori di OpenAI e dell’Università della Pennsylvania hanno pubblicato “GPTs are GPTs”, uno studio secondo cui circa l’80 per cento della forza lavoro statunitense potrebbe vedere almeno il 10 per cento delle proprie mansioni modificato dai modelli linguistici di grandi dimensioni, mentre per il 19 per cento circa dei lavoratori le mansioni coinvolte potrebbero superare la metà. [3] Anche in questo caso, occorre prestare attenzione ai termini impiegati: si parla di mansioni modificate, non di posti di lavoro eliminati. Inoltre, a differenza delle precedenti ondate di automazione, l’esposizione si è sbilanciata verso le professioni a reddito più elevato e che richiedono un maggior grado di istruzione. Nel 2024, il Fondo Monetario Internazionale è giunto a conclusioni analoghe, stimando che circa il 40 per cento dei posti di lavoro a livello globale sia esposto all’IA. Tale quota sale a circa il 60 per cento nelle economie avanzate, sebbene per circa la metà di queste occupazioni l’intelligenza artificiale rappresenti un potenziale aiuto anziché una minaccia di sostituzione. [4]

Una lettura intellettualmente onesta di questi dati suggerisce che l’esposizione non equivale a un destino ineluttabile. Il fatto che un compito sia tecnicamente automatizzabile non significa che lo sarà per davvero, né che la macchina costerà meno dell’essere umano, e nemmeno che il tempo liberato non genererà nuove opportunità lavorative. Daron Acemoglu, uno degli economisti che ha studiato l’automazione con maggiore rigore, ha modellizzato l’effettivo effetto macroeconomico giungendo a conclusioni decisamente caute: ha stimato che l’IA aumenterà la produttività totale dei fattori non oltre lo 0,66 per cento circa nell’arco di dieci anni, con un effetto diretto sul PIL altrettanto modesto. [5] Si tratta di un impatto reale, ma non certo della frattura epocale che il famoso 47 per cento sembrava preannunciare.

Il fulcro etico della questione non è liquidare la perdita del lavoro come un mito, ma riconoscere che “l’IA ci ruberà il lavoro” è una semplificazione fuorviante. Le domande corrette sono più circoscritte e insidiose: quali categorie specifiche di lavoratori perderanno potere contrattuale, se gli incrementi di produttività si tradurranno in salari più alti o in maggiori profitti per il capitale, e se le persone le cui mansioni vengono automatizzate saranno le stesse a trarne i benefici. L’ampia produzione accademica di Acemoglu verte proprio su questa distribuzione, e la storia non offre grandi rassicurazioni: l’automazione tende ad accrescere i rendimenti di chi possiede la tecnologia automatizzante. Il che ci porta a chiederci chi siano questi soggetti.

Chi possiede le macchine

L’AI Index 2024 di Stanford ha quantificato i costi della frontiera tecnologica. Si stima che l’addestramento di GPT-4 di OpenAI abbia richiesto risorse di calcolo per un valore di 78 milioni di dollari, mentre per Gemini Ultra di Google la cifra si aggirerebbe sui 191 milioni. [6] A titolo di confronto, il rapporto fa notare come l’addestramento del modello Transformer originale, nel 2017, fosse costato circa 900 dollari in potenza di calcolo. In sette anni, il costo di un modello all’avanguardia è aumentato di circa cinque ordini di grandezza. Gli investimenti privati sono andati di pari passo: nel 2023 i finanziamenti destinati alla sola IA generativa hanno raggiunto i 25,2 miliardi di dollari, quasi otto volte la cifra dell’anno precedente. [6]

Tali cifre rappresentano il nocciolo di un preciso problema etico, ovvero la concentrazione. Quando il biglietto d’ingresso per costruire un modello di frontiera costa cifre a nove zeri e richiede un data center colmo di microchip difficili da reperire, il numero di organizzazioni in grado di realizzarlo si riduce a un manipolo di grandi aziende e ai loro partner. Non si tratta di mere speculazioni. Nur Ahmed e Muntasir Wahed hanno documentato questa tendenza già in uno studio del 2020, analizzando oltre 170.000 articoli di ricerca sull’IA. Hanno così individuato un divario crescente, da loro ribattezzato “compute divide”: le grandi aziende tecnologiche e un ristretto gruppo di università d’élite dominavano sempre più la ricerca sul deep-learning, mentre le istituzioni di fascia media e con minori risorse venivano tagliate fuori, proprio perché la ricerca moderna sull’IA era ormai vincolata all’accesso a costose risorse di calcolo. [7]

Il motivo per cui si tratta di un problema etico, e non solo di un assetto industriale, risiede nel fatto che questi sistemi mediano sempre più il modo in cui le persone cercano informazioni, trovano lavoro, ricevono un primo soccorso medico e interagiscono con lo Stato. Quando la capacità di costruirli è concentrata in poche aziende, lo è anche il potere di decidere cosa tali sistemi si rifiuteranno di fare, quali valori andranno a codificare e quali saranno le impostazioni predefinite per centinaia di milioni di utenti. La concentrazione del mercato nel settore dei saponi incide sul prezzo del sapone; la concentrazione nell’infrastruttura che plasma ciò che le persone leggono, scrivono e credono genera preoccupazioni di tutt’altra natura. Non serve che ci sia un cattivo di turno: basta che la proprietà di una tecnologia general-purpose sia nelle mani di pochissimi.

Il conto energetico

Le argomentazioni ambientaliste contro l’IA sono fondate, ma è anche l’ambito in cui i numeri vengono manipolati con maggiore disinvoltura, motivo per cui conviene procedere con cautela.

L’articolo che ha dato il via al dibattito, firmato da Emma Strubell e colleghi nel 2019, riportava un dato eclatante: una ricerca completa dell’architettura neurale per un modello Transformer poteva emettere circa 626.000 libbre di anidride carbonica, l’equivalente, secondo gli autori, delle emissioni prodotte da circa cinque automobili nell’arco del loro intero ciclo di vita. [8] Quel numero fu citato ovunque. Si scoprì in seguito, tuttavia, che si trattava di una notevole sovrastima per quel caso specifico. Un’analisi del 2021 condotta da David Patterson e colleghi di Google ha ricalcolato la stessa ricerca architetturale, dimostrando che la cifra reale era inferiore di svariati ordini di grandezza, una volta tenuto conto di come la ricerca veniva effettivamente eseguita e dell’efficienza dell’hardware e del data center. [9] Questo esempio non vuole sminuire il problema, ma serve a illustrare chiaramente un avvertimento essenziale: i dati ambientali sull’IA vengono regolarmente citati a sproposito, e quelli più sensazionalistici derivano spesso da calcoli approssimativi che non reggono a un esame più attento.

Anche i dati più solidi, tuttavia, restano considerevoli. Quando Sasha Luccioni e colleghi hanno effettuato una stima accurata del ciclo di vita di BLOOM, un modello da 176 miliardi di parametri, hanno scoperto che il suo addestramento aveva emesso circa 25 tonnellate di anidride carbonica equivalente contando solo l’elettricità utilizzata, e circa 50 tonnellate includendo la produzione e l’infrastruttura. [10] E questo vale per un solo modello, addestrato una sola volta, su una rete elettrica a emissioni di carbonio relativamente basse.

Il dato che conta davvero, però, non riguarda il singolo modello, ma l’aggregato. L’Agenzia Internazionale dell’Energia ha stimato che nel 2022 i data center hanno consumato circa 460 terawattora di elettricità a livello globale, e ha previsto che data center, IA e criptovalute insieme potrebbero spingere tale cifra oltre i 1.000 terawattora entro il 2026, pari all’incirca al consumo annuo di elettricità dell’intero Giappone. [11] L’acqua rappresenta invece un costo più silenzioso. Un gruppo di ricercatori guidato da Pengfei Li ha stimato che l’addestramento di GPT-3 nei data center statunitensi di Microsoft potrebbe far evaporare direttamente circa 700.000 litri di acqua dolce pulita per il raffreddamento, e che un breve scambio di qualche decina di interrogazioni consuma l’equivalente di una bottiglia da mezzo litro, con variazioni significative a seconda del luogo e del momento in cui il sistema viene utilizzato. [12]

In questo ambito, l’aspetto etico non si riduce alla banale constatazione che “l’informatica consuma energia”, un’ovvietà valida per qualsiasi settore. Il punto centrale riguarda chi ne sostiene i costi e chi prende le decisioni. I data center vengono costruiti in comunità specifiche, attingono a falde acquifere precise e gravano su determinate reti elettriche; le persone che subiscono queste ricadute locali, di solito, non sono le stesse che ne incassano i profitti. Si tratta di un problema di distribuzione, e le questioni distributive sono esattamente quelle che i mercati, lasciati a se stessi, gestiscono nel peggiore dei modi.

Scrivere le regole

Il 1° agosto 2024 è entrato in vigore l’AI Act dell’Unione Europea, la prima legge orizzontale completa volta a regolamentare l’intelligenza artificiale da parte di una giurisdizione di primo piano. [13] La sua architettura si fonda su una piramide del rischio. Un numero ristretto di impieghi è semplicemente vietato in quanto comporta un rischio inaccettabile, come nel caso del social scoring governativo e di alcuni sistemi manipolativi o basati sullo sfruttamento. Una categoria più ampia ad “alto rischio”, che comprende l’IA utilizzata in ambiti quali assunzioni, credito, istruzione e infrastrutture critiche, è consentita ma soggetta a obblighi rigorosi in materia di qualità dei dati, trasparenza, supervisione umana e documentazione. La maggior parte dei sistemi rientra invece nelle fasce inferiori, con obblighi leggeri o nulli. I divieti sono scattati all’inizio del 2025 e le regole per i modelli general-purpose a metà del 2025, mentre gli obblighi più gravosi per le applicazioni ad alto rischio entreranno in vigore gradualmente negli anni successivi, seguendo un calendario che è stato a sua volta oggetto di proposte di rinvio. [13]

Il contrasto con gli Stati Uniti è istruttivo, poiché dimostra quanto tutto ciò sia contingente. Nell’ottobre del 2023, l’amministrazione Biden aveva emanato un ampio ordine esecutivo sulla sicurezza e la supervisione dell’IA. Nei suoi primi giorni di nuovo in carica, a gennaio 2025, il presidente Trump ha invertito la rotta, revocando tale ordine e stabilendo una nuova linea politica intitolata “Removing Barriers to American Leadership in Artificial Intelligence”, che ha riorientato le direttive federali allontanandole dalla supervisione obbligatoria per puntare su deregolamentazione e velocità. [14] Nel giro di circa quindici mesi, lo stesso Paese ha capovolto completamente la propria posizione attraverso un provvedimento esecutivo, senza che la tecnologia di base avesse subito alcun mutamento. Su questo aspetto vale la pena riflettere. Significa che il livello di governance, ossia l’apparato che dovrebbe garantire la responsabilità della tecnologia, è instabile almeno quanto la tecnologia stessa, e spesso anche di più.

In questo campo non esistono scelte neutrali. Una regolamentazione severa rischia di consolidare le posizioni dominanti, poiché solo le grandi aziende possono permettersi imponenti dipartimenti di conformità legale, il che finisce per alimentare silenziosamente il problema della concentrazione discusso in precedenza. Una regolamentazione blanda, d’altro canto, fa sì che le esternalità sul lavoro, sull’ambiente e sull’informazione vengano scaricate su chi ha meno strumenti per difendersi. Il lavoro politico più interessante si gioca sui dettagli, ovvero su quali danni specifici vengano individuati e su chi ricada l’onere della prova, non sull’astratto dilemma tra avere più o meno regole.

Aperti o chiusi

L’ultima linea di faglia attraversa la tecnologia stessa e rappresenta un autentico dilemma etico, più che una questione con una fazione chiaramente nel giusto. I modelli più potenti dovrebbero essere rilasciati in formato aperto, con i pesi scaricabili da chiunque, oppure mantenuti chiusi dietro un’API controllata dallo sviluppatore?

Le argomentazioni a favore dei modelli aperti si basano sulla responsabilità e sulla distribuzione del potere. Non è possibile sottoporre a un controllo indipendente un sistema che non si può ispezionare, e i modelli chiusi concentrano il controllo esattamente nelle poche aziende di cui si parlava poc’anzi. L’argomentazione contraria riguarda l’uso improprio: pesi che chiunque può scaricare sono pesi che chiunque può privare delle misure di sicurezza e riadattare per altri scopi. Entrambe le preoccupazioni sono fondate, motivo per cui ricercatori autorevoli giungono a conclusioni divergenti.

Due studi inquadrano bene questa tensione. Nel 2024, un nutrito gruppo di studiosi guidato da Sayash Kapoor e Rishi Bommasani ha sostenuto la necessità di prendere sul serio i modelli aperti valutandone il rischio marginale, ossia il danno aggiuntivo che consentono di causare rispetto a quanto già permesso dagli strumenti esistenti. Analizzando vettori di abuso come gli attacchi informatici e le armi biologiche, hanno concluso che le prove attuali non sono sufficienti per dimostrare che i modelli aperti aumentino in modo significativo il rischio rispetto a ciò che è già possibile fare, mentre i vantaggi per l’innovazione, la concorrenza e la trasparenza risultano concreti. [15] Di tutt’altro avviso sono David Gray Widder, Meredith Whittaker e Sarah Myers West, che nello stesso anno hanno pubblicato un articolo su Nature sostenendo che, nel campo dell’IA, il termine “aperto” è spesso una mossa di marketing. Molti sistemi etichettati come tali dipendono ancora interamente dai dati, dalle risorse di calcolo e dalle infrastrutture di poche grandi aziende; di conseguenza, l’etichetta può celare la concentrazione anziché contrastarla, e l’apertura di per sé non garantisce né la responsabilità né un reale trasferimento di potere. [16]

Entrambe le prospettive possono essere valide contemporaneamente. L’apertura è un argine reale alla concentrazione del potere, ma anche un concreto vettore di abusi, e definire un modello “aperto” non porta automaticamente con sé i benefici che le persone associano a questa parola. Il passo etico da compiere è smettere di trattare la diatriba “aperto contro chiuso” alla stregua di uno slogan, per iniziare a porsi le domande specifiche che vi soggiacciono: aperto sotto quale aspetto, rilasciato a chi, con quali rischi documentati e verificabile da quali soggetti indipendenti.

Il filo conduttore

Ogni tema affrontato in questa sede non è altro che la medesima domanda sotto mentite spoglie: chi ne trae vantaggio, chi ne sostiene i costi e chi decide. L’esposizione del mondo del lavoro riguarda la direzione in cui fluiranno i profitti derivanti dall’automazione delle mansioni, se verso i lavoratori o verso i proprietari della tecnologia. La concentrazione delle risorse di calcolo riguarda l’opportunità che la capacità di costruire questi sistemi, e quindi di stabilirne le impostazioni di base, risieda nelle mani di molti o di pochi. I costi energetici e idrici sollevano il problema di quali comunità debbano assorbire gli oneri per un valore incamerato altrove. La regolamentazione ruota attorno a chi ha il diritto di definire i danni e di assegnare le responsabilità. Il dibattito tra aperto e chiuso riguarda, infine, la scelta di distribuire ampiamente o di custodire gelosamente il potere di ispezionare la tecnologia, ma anche quello di abusarne.

Nessuno di questi interrogativi può trovare risposta nei modelli stessi, e nessuno di essi diventerà più semplice man mano che i modelli miglioreranno. Al contrario, diventeranno sempre più complessi, poiché sistemi più capaci alzano la posta in gioco su ogni singolo fronte. Il progresso tecnico è autenticamente sbalorditivo. Tuttavia, gli aspetti che conteranno di più tra dieci anni non risiederanno nell’architettura informatica. Si troveranno nel lavoro ordinario, per nulla affascinante e profondamente politico, volto a decidere come verrà distribuito il potere. Quel lavoro spetta a noi, non alle macchine, ed è l’unica parte che nessun benchmark potrà mai misurare.

Riferimenti

1. Frey, C.B., & Osborne, M.A. (2013). The Future of Employment: How Susceptible Are Jobs to Computerisation? Oxford Martin School. Lo studio stima che il 47% dell’occupazione totale negli Stati Uniti sia ad alto rischio di automazione informatica all’incirca nei due decenni successivi. https://oms-www.files.svdcdn.com/production/downloads/academic/The_Future_of_Employment.pdf
2. Arntz, M., Gregory, T., & Zierahn, U. (2016). The Risk of Automation for Jobs in OECD Countries: A Comparative Analysis. OECD Social, Employment and Migration Working Papers No. 189. Adottando un approccio basato sulle mansioni, solo circa il 9% dei lavori nei Paesi OCSE risulta altamente automatizzabile, contro il 47% delle stime basate sulle professioni. https://www.oecd.org/en/publications/the-risk-of-automation-for-jobs-in-oecd-countries_5jlz9h56dvq7-en.html
3. Eloundou, T., Manning, S., Mishkin, P., & Rock, D. (2023). GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models. Circa l’80% della forza lavoro statunitense potrebbe vedere almeno il 10% delle proprie mansioni lavorative modificato dai LLM, e circa il 19% potrebbe vederne coinvolto almeno il 50%. https://arxiv.org/abs/2303.10130
4. Cazzaniga, M., et al. (2024). Gen-AI: Artificial Intelligence and the Future of Work. IMF Staff Discussion Note. Circa il 40% dei posti di lavoro a livello globale è esposto all’IA, percentuale che sale a circa il 60% nelle economie avanzate, sebbene per circa la metà di queste occupazioni la tecnologia rappresenti un potenziale complemento anziché una minaccia di sostituzione. https://www.imf.org/en/blogs/articles/2024/01/14/ai-will-transform-the-global-economy-lets-make-sure-it-benefits-humanity
5. Acemoglu, D. (2024). The Simple Macroeconomics of AI. NBER Working Paper No. 32487. Stima che l’effetto macroeconomico dell’IA sia modesto: un aumento non superiore allo 0,66% circa della produttività totale dei fattori nell’arco di dieci anni. https://www.nber.org/papers/w32487
6. Stanford Institute for Human-Centered AI (2024). The 2024 AI Index Report. Si stima che l’addestramento di GPT-4 abbia richiesto 78 milioni di dollari di risorse di calcolo e quello di Gemini Ultra 191 milioni di dollari; gli investimenti privati nell’IA generativa hanno raggiunto i 25,2 miliardi di dollari nel 2023. https://hai.stanford.edu/ai-index/2024-ai-index-report
7. Ahmed, N., & Wahed, M. (2020). The De-democratization of AI: Deep Learning and the Compute Divide in Artificial Intelligence Research. Documenta un crescente “compute divide” che favorisce le grandi aziende e le università d’élite nella ricerca sull’IA, spinto da un accesso ineguale alle risorse di calcolo. https://arxiv.org/abs/2010.15581
8. Strubell, E., Ganesh, A., & McCallum, A. (2019). Energy and Policy Considerations for Deep Learning in NLP. Proceedings of ACL 2019. Riporta una stima di circa 626.000 libbre di CO2 per la ricerca di un’architettura neurale Transformer, paragonandola alle emissioni di circa cinque automobili nel corso della loro vita. https://aclanthology.org/P19-1355/
9. Patterson, D., et al. (2021). Carbon Emissions and Large Neural Network Training. Ricalcola le emissioni per la ricerca dell’architettura neurale Evolved Transformer e scopre che la stima precedente era sostanzialmente troppo alta, una volta tenuto conto del processo di ricerca e dell’efficienza dell’hardware e del data center. https://arxiv.org/abs/2104.10350
10. Luccioni, A.S., Viguier, S., & Ligozat, A.-L. (2022). Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model. L’addestramento di BLOOM ha emesso circa 24,7 tonnellate di CO2e contando il consumo dinamico di energia, e circa 50,5 tonnellate contando l’intero ciclo di vita, inclusa la produzione. https://arxiv.org/abs/2211.02001
11. International Energy Agency (2024). Electricity 2024. Nel 2022 i data center hanno consumato circa 460 TWh a livello globale; data center, IA e criptovalute insieme potrebbero superare i 1.000 TWh entro il 2026, all’incirca il consumo di elettricità del Giappone. https://www.iea.org/reports/electricity-2024/executive-summary
12. Li, P., Yang, J., Islam, M.A., & Ren, S. (2023). Making AI Less “Thirsty”: Uncovering and Addressing the Secret Water Footprint of AI Models. L’addestramento di GPT-3 nei data center statunitensi di Microsoft potrebbe far evaporare direttamente circa 700.000 litri di acqua dolce; una breve serie di interrogazioni consuma l’equivalente di una bottiglia da 500 ml. https://arxiv.org/abs/2304.03271
13. European Commission. Regulatory framework for AI (AI Act, Regulation (EU) 2024/1689). Entrato in vigore il 1° agosto 2024, utilizza una struttura di rischio a quattro livelli (inaccettabile, alto, limitato, minimo) con date di applicazione scaglionate per i divieti, le regole sui modelli general-purpose e gli obblighi per i sistemi ad alto rischio. https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai
14. The White House (2025). Removing Barriers to American Leadership in Artificial Intelligence (Executive Order 14179, January 23, 2025). Abroga il precedente ordine esecutivo del 2023 sull’IA e riorienta la politica federale verso la deregolamentazione. https://www.whitehouse.gov/presidential-actions/2025/01/removing-barriers-to-american-leadership-in-artificial-intelligence/
15. Kapoor, S., Bommasani, R., Klyman, K., et al. (2024). On the Societal Impact of Open Foundation Models. ICML 2024. Propone un quadro di valutazione del rischio marginale e rileva che le prove attuali non sono sufficienti per dimostrare che i modelli aperti aumentino significativamente il rischio di uso improprio rispetto alle tecnologie esistenti, mentre i loro benefici sono concreti. https://arxiv.org/abs/2403.07918
16. Widder, D.G., Whittaker, M., & Myers West, S. (2024). Why ‘open’ AI systems are actually closed, and why this matters. Nature, 635, 827–833. Sostiene che l’IA “aperta” rimane spesso dipendente dalle risorse di poche grandi aziende, per cui l’apertura da sola non garantisce la responsabilità o uno spostamento di potere. https://www.nature.com/articles/s41586-024-08141-1