Premessa

Questo articolo parte da un paradosso. Per anni l’intelligenza artificiale è stata presentata come la tecnologia che avrebbe reso superflua una parte crescente del lavoro umano. Oggi, mentre le evidenze disponibili ridimensionano almeno le versioni più drastiche di quella previsione, una seconda apocalisse ha preso il suo posto: la possibilità che sistemi artificiali sempre più potenti diventino incontrollabili e arrivino, secondo alcuni protagonisti della stessa industria, a costituire un rischio per l’umanità. Nel frattempo, però, la macchina che dovrebbe renderci superflui richiede quantità crescenti di lavoro, capitale, energia, acqua, minerali, infrastrutture e conoscenza sociale per funzionare.

La tesi di questo articolo è che entrambe le apocalissi rischiano di nascondere il problema politicamente decisivo. L’IA non è una potenza autonoma che irrompe dall’esterno nella società: è una forma storicamente determinata di organizzazione e incorporazione della cooperazione sociale, sviluppata dentro rapporti capitalistici che ne selezionano gli usi e ne distribuiscono costi e benefici. Aprire la “scatola nera” dell’IA significa ritrovare sotto l’Automa la cooperazione sociale che lo produce: lavoro pagato e non pagato, conoscenze e capacità socialmente accumulate, infrastrutture materiali e condizioni ecologiche. Il general intellect ne costituisce una dimensione decisiva, ma non la esaurisce.

Questa cooperazione sociale è però organizzata dentro una relazione strutturalmente asimmetrica fra riproduzione del capitale e riproduzione sociale. Il capitale dipende continuamente da lavoro, conoscenze, capacità, istituzioni, comunità e condizioni ecologiche che non produce autonomamente; al tempo stesso tende a organizzarle e trasformarle secondo le esigenze della propria valorizzazione. La misura della riproduzione del capitale tende a imporsi sulle condizioni dalle quali dipende. L’IA rende questa contraddizione particolarmente visibile: mobilita capacità socialmente prodotte e condizioni condivise della riproduzione, mentre la direzione del loro impiego è largamente determinata dalla valorizzazione capitalistica e dalla competizione.

Da qui propongo di distinguere efficienza ed efficacia riproduttiva. Una tecnologia può essere estremamente efficiente rispetto a un compito o alla redditività di un capitale e contemporaneamente compromettere l’efficacia riproduttiva di altri circuiti dai quali dipendono la riproduzione sociale e Gaia. Ogni misura dell’efficienza presuppone dunque un confine: il problema politico è chi possiede il potere di disegnarlo. La questione dell’IA diventa così una lotta fra differenti prassi del valore e sulla loro gerarchia: chi decide che cosa automatizzare, quali risorse mobilitare, quali capacità preservare e come distribuire la produttività liberata? Il problema non è fermare il general intellect, ma costruire una capacità sociale di governarlo.

 1. La doppia apocalisse

L’apocalisse dell’intelligenza artificiale ha cambiato segno. Fino a poco tempo fa la profezia dominante riguardava soprattutto il lavoro. Dario Amodei, cofondatore di Anthropic, è arrivato a ipotizzare la scomparsa, nel giro di pochi anni, di una parte consistente dei lavori impiegatizi d’ingresso. La previsione appartiene a una lunga genealogia di annunci sulla fine del lavoro, della quale lo studio di Frey e Osborne sulla computerizzazione del 47 per cento delle occupazioni statunitensi è probabilmente l’esempio più celebre (Frey & Osborne, 2017).

Le evidenze disponibili invitano però a maggiore prudenza. Una ricerca dello stesso Anthropic non rileva, dalla diffusione dell’IA generativa alla fine del 2022, un aumento sistematico della disoccupazione nelle professioni maggiormente esposte, pur individuando segnali di rallentamento delle assunzioni dei giovani in alcune di esse. Mostra soprattutto una distanza considerevole fra ciò che i modelli sono tecnicamente capaci di fare e ciò che viene effettivamente automatizzato nelle organizzazioni (Anthropic, 2026). Altri studi suggeriscono effetti più significativi proprio per i lavoratori all’inizio della carriera, e sarebbe prematuro concludere che il problema occupazionale non esista. Ma capacità tecnica di automatizzare un task, automazione effettiva, trasformazione di un’occupazione e scomparsa di un posto di lavoro non sono la stessa cosa.

Mentre questa prima apocalisse perde almeno parte della sua inevitabilità, una seconda ne prende il posto. Non è più soltanto il lavoro a essere minacciato: è l’umanità. Alcuni protagonisti dell’industria evocano sistemi capaci di pianificare autonomamente, utilizzare strumenti, produrre codice, contribuire alla ricerca biologica o informatica, accelerare la stessa ricerca sull’IA e, negli scenari estremi, sfuggire progressivamente al controllo umano. Nel settembre 2026 Amodei ha chiesto un rallentamento coordinato nello sviluppo delle capacità dei modelli di frontiera per permettere ai dispositivi di sicurezza e alle istituzioni di recuperare terreno.

Roberto Ciccarelli ha interpretato questa proliferazione di catastrofi annunciate come una forma di «apocalisse capitalista». L’apocalisse del lavoro e quella dell’umanità condividerebbero una struttura narrativa: trasformare processi storici e scelte politiche in un destino tecnologico davanti al quale agli esseri umani non rimane che adattarsi. La macchina appare come soggetto della storia, mentre scompaiono le relazioni sociali che l’hanno costruita e continuano a metterla in movimento (Ciccarelli, 2026).

Ma l’apocalisse dell’IA entra in un immaginario storico già saturo di catastrofi: cambiamento climatico, guerra nucleare, pandemie. Nel 2026 il Bulletin of the Atomic Scientists ha portato il Doomsday Clock a 85 secondi dalla mezzanotte, collegando questi rischi al deterioramento della cooperazione internazionale e alla crescente competizione fra grandi potenze (Bulletin of the Atomic Scientists, 2026). Non si tratta di rischi equivalenti: la crisi climatica è materialmente in corso, la capacità di distruzione nucleare è reale, mentre i rischi catastrofici dell’IA combinano capacità osservabili e scenari fortemente incerti. Ciò che li accomuna è piuttosto una struttura sociale: comportamenti razionali dal punto di vista dei singoli attori possono concorrere a produrre esiti sistemici che nessuno desidera e nessuno controlla.

La connessione è particolarmente evidente fra guerra e IA. Gli immaginari dell’IA militare e delle armi nucleari oscillano entrambi fra catastrofe e necessità: la tecnologia viene rappresentata come possibile minaccia esistenziale e contemporaneamente come qualcosa a cui uno Stato non può rinunciare finché i rivali continuano a svilupparla (Baldus & Ferl, 2026). Dobbiamo proteggerci dalla tecnologia, ma proprio per proteggerci dobbiamo svilupparla più rapidamente. Le diverse crisi finiscono inoltre per alimentarsi materialmente: l’IA entra nella guerra e nel cyberwarfare; la corsa geopolitica accelera la domanda di energia, chip e materie prime; la degradazione dell’ambiente informativo può ridurre la capacità collettiva di affrontare il clima e prevenire escalation militari (Lim, Stephenson & Reddie, 2026). Più che apocalissi separate, intravediamo una crisi della capacità sociale di governare sistemi della riproduzione sociale che la società stessa ha prodotto.

Contestare l’apocalitticismo non significa dunque concludere che i rischi siano immaginari. La catastrofe può essere reale senza essere inevitabile. La domanda critica diventa allora: perché società capaci di riconoscere rischi sistemici continuano a riprodurne le condizioni? Un’impresa che rallentasse unilateralmente mentre le concorrenti accelerano rischierebbe capitale, talenti, quote di mercato e controllo delle infrastrutture. Lo stesso vale fra Stati. Non occorre attribuire a nessuno un desiderio di catastrofe: ciascun soggetto può riconoscere il rischio ed essere contemporaneamente spinto dalla relazione competitiva a contribuirvi.

È in questa luce che va interpretato un fatto altrimenti curioso: alcuni degli stessi capitalisti che guidano la corsa chiedono oggi regole capaci di rallentarla. Non dobbiamo scegliere fra l’immagine dell’imprenditore responsabile che chiede allo Stato di proteggerci dalla propria tecnologia e quella di una semplice operazione di regulatory capture. Un singolo capitale può avere interesse a standard di sicurezza che non può permettersi di rispettare unilateralmente se i concorrenti continuano ad accelerare. Una regola comune trasforma uno svantaggio competitivo individuale in un vincolo collettivo: obbligami a fare ciò che la concorrenza mi impedisce di fare volontariamente, purché tu obblighi anche gli altri (Anthropic, 2026; Amodei, 2026).

Ma proprio qui emerge il limite dell’autoregolazione capitalistica. La regolazione richiesta dall’industria non mette necessariamente in discussione chi governa la direzione dello sviluppo tecnologico; può, al contrario, servire a preservarne il governo capitalistico rendendone sostenibile la continuazione. Se il problema viene definito prevalentemente come sicurezza dei frontier models, la politica può concentrarsi sul rischio catastrofico lasciando sullo sfondo proprietà, lavoro, infrastrutture, consumo di risorse, concentrazione del potere e distribuzione dei guadagni di produttività. Standard costosi possono inoltre rafforzare gli incumbent capaci di sostenerli. Il capitale può dunque chiedere limiti alla propria azione immediata precisamente per conservare il potere di determinare il corso complessivo della trasformazione. La domanda non è soltanto chi regola l’IA, ma chi possiede il potere di definire che cosa debba essere regolato e, soprattutto, la direzione entro cui l’innovazione continuerà a muoversi.

La razionalità della corsa viene prodotta dalla relazione fra i corridori. È qui che l’immagine dell’Automa proposta da Franco “Bifo” Berardi può essere ripresa e insieme rovesciata. Nei suoi recenti scritti Berardi descrive una capacità sociale separatasi dai soggetti che l’hanno prodotta e ritornata su di essi come necessità, come potenza autonoma che trasforma lavoro cognitivo, guerra, comunicazione e produzione di senso (Berardi, 2026). Ma forse l’Automa non è innanzitutto l’intelligenza artificiale. È una società che produce una potenza che non possiede la capacità collettiva di governare. Prima ancora di una futura macchina incontrollabile abbiamo costruito un sistema sociale che fatica a controllare la direzione della propria innovazione. La prima domanda non è se la macchina diventerà autonoma da noi. È perché produciamo socialmente la nostra impotenza davanti alla macchina.

2. Apriamo la macchina

C’è un secondo paradosso. La tecnologia che dovrebbe rendere superflua una parte crescente del lavoro umano ha bisogno, per esistere, di una quantità straordinaria di lavoro. Scriviamo poche parole e una risposta appare quasi istantaneamente; parliamo di “cloud”, come se la capacità computazionale non avesse luogo, corpo, infrastrutture e lavoratori. La macchina sembra pensare da sola perch l’immensa cooperazione che la rende capace di risponderci è stata spinta dietro l’interfaccia.

Aprire la macchina significa seguirne il circuito materiale (Crawford, 2021). L’IA comincia nelle miniere e nelle raffinerie, passa attraverso fabbriche di semiconduttori, server, reti elettriche e telecomunicazioni; richiede costruzione e manutenzione di data center, sistemi di raffreddamento, tecnici, programmatori, ingegneri, lavoratori dell’energia e della logistica. Prima e dopo l’addestramento, una vasta forza-lavoro raccoglie, classifica, pulisce, annota e modera dati e output. Ciccarelli coglie bene il paradosso: mentre la propaganda annuncia la scomparsa dell’essere umano, l’architettura algoritmica globale continua a dipendere da una moltitudine spesso invisibile di annotatori, moderatori e AI reviewers, molti collocati nelle periferie del sistema globale (Ciccarelli, 2026). Le stime parlano di decine di milioni di persone coinvolte nelle diverse forme di data work, ma non esiste un censimento dell’intero lavoro necessario alla produzione dell’IA (ILO, 2024; 2026).

Tiziana Terranova permette di vedere un livello ancora più profondo della cooperazione incorporata nella macchina. I modelli generativi non sono addestrati soltanto grazie al lavoro di chi costruisce intenzionalmente i loro dati. Il corpus è un gigantesco sedimento di attività linguistiche, scientifiche, culturali e comunicative: libri, articoli, immagini, software, traduzioni, discussioni, Wikipedia, forum, social media e archivi. Riprendendo la categoria di free labour, Terranova mostra come attività prodotte per comunicare, collaborare, creare o semplicemente vivere dentro reti sociali possano diventare materia prima della produzione capitalistica (Terranova, 2000; Terranova & de Zeeuw, D.2024). Con l’IA generativa una parte enorme della mass intellectuality accumulata dalla società alimenta direttamente le capacità dei modelli.

Griziotti descrive un processo analogo attraverso il concetto di grammatizzazione: l’IA generativa entra direttamente nella produzione linguistica e simbolica, scomponendo attività cognitive in elementi formalizzabili, riproducibili e ricombinabili. Il general intellect viene grammatizzato e restituito alla società sotto forma di servizio proprietario (Griziotti, 2026). La genealogia proposta da Pasquinelli conduce nella stessa direzione: ciò che chiamiamo intelligenza della macchina emerge dalla formalizzazione storica di conoscenze, divisioni del lavoro e capacità operative prodotte socialmente (Pasquinelli, 2023).

La contrapposizione fra “uomo” e “macchina” impedisce quindi di vedere il punto essenziale. L’IA non è il contrario del lavoro. È una forma nuova, nelle sue specifiche modalità tecniche e organizzative, di un processo ben più antico: l’incorporazione delle capacità prodotte dalla cooperazione sociale nel sistema macchinico e la loro riorganizzazione sotto il comando del capitale. La novità non sta dunque nella subordinazione della cooperazione sociale alla macchina capitalistica, ma nella scala, nella profondità e soprattutto nella natura delle capacità che possono oggi essere formalizzate, incorporate e mobilitate: linguaggio, conoscenza, produzione simbolica e una parte crescente delle attività cognitive. La capacità dell’IA è costituita da lavoro passato e presente, pagato e non pagato, conoscenze socialmente prodotte e infrastrutture che nessuna impresa proprietaria ha creato autonomamente.

Qui il Frammento sulle macchine di Marx torna ad acquistare forza. Nei Grundrisse, Marx osservava che con lo sviluppo della scienza, della tecnologia e della cooperazione la produzione tende a dipendere sempre più dalla potenza produttiva generale della società, dal general intellect (Marx, 1973). Bifo ha ragione nel sottolineare come quella possibilità sembri essersi realizzata al rovescio: invece di liberare gli esseri umani dal lavoro necessario, il sapere sociale ritorna come potenza estranea subordinata alla valorizzazione (Berardi, 2026). Ma è qui che occorre precisare: l’inversione non è prodotta dalla macchina in quanto tale. Dipende dalle forme proprietarie, dai rapporti di comando e dalle prassi del valore attraverso cui quella potenza comune viene organizzata.

Questo cambia la domanda sulla sostituzione del lavoro. L’IA può sostituire compiti, modificarne altri, crearne di nuovi e riorganizzare gerarchie fra competenze; soprattutto può spostare il controllo sulla conoscenza dal lavoratore all’infrastruttura. La storia dell’automazione capitalistica non è semplicemente sostituzione di esseri umani con macchine: è anche ristrutturazione del comando. La domanda diventa allora: chi possiede la capacità produttiva che emerge quando il lavoro sociale viene incorporato nella macchina?

3. Il trucco della produttività

Immaginiamo che un sistema di IA permetta a un lavoratore di svolgere in un’ora un’attività che prima ne richiedeva due. L’aumento di produttività è reale. Studi empirici lo documentano già in determinati compiti: nel caso degli addetti all’assistenza clienti studiati da Brynjolfsson, Li e Raymond, un assistente generativo aumentava mediamente di circa il 14 per cento il numero di problemi risolti per ora, con effetti particolarmente forti per i lavoratori meno esperti (Brynjolfsson, Li & Raymond, 2025).

Ma che cosa abbiamo misurato? Ogni misura presuppone una selezione: stabilisce quali elementi e relazioni contano ai fini della misura e, così facendo, traccia un confine che inevitabilmente lascia qualcosa fuori. In questo caso abbiamo stabilito un confine: un lavoratore, un’attività, un intervallo di tempo, un output. Dentro quel confine la macchina è più efficiente. Se lo allarghiamo compaiono altre domande. Il tempo “liberato” diventa riduzione dell’orario, intensificazione del lavoro o licenziamento? Che cosa accade alle competenze? Quanto lavoro, energia, acqua e minerali richiede l’infrastruttura? Chi possiede il modello e chi si appropria dell’aumento di capacità?

La misura iniziale non era falsa. Era vera dentro un confine. Ogni misura dell’efficienza presuppone un confine; la politica comincia quando chiediamo chi possiede il potere di disegnarlo.

Lo stesso problema appare passando dal singolo task all’economia complessiva. Gli aumenti osservati in alcune attività non si traducono automaticamente in una crescita equivalente della produttività aggregata. Acemoglu stima, sulla base di ipotesi prudenti circa le attività effettivamente trasformabili dall’IA, un aumento della total factor productivity non superiore a circa lo 0,66 per cento nell’arco di dieci anni (Acemoglu, 2024). Altre stime sono più ottimistiche e non sappiamo quale traiettoria prevarrà. Il punto non è dimostrare che l’IA “non funziona”, ma mostrare quanto sia problematico passare dall’efficienza osservata in un processo circoscritto all’efficacia del sistema nel suo complesso.

Il contrasto diventa più interessante quando consideriamo la mobilitazione materiale necessaria a produrre quella capacità. Secondo l’International Energy Agency, la spesa in conto capitale di cinque grandi imprese tecnologiche ha superato i 400 miliardi di dollari nel 2025 ed è destinata ad aumentare ulteriormente; la domanda elettrica dei data center è cresciuta del 17 per cento nel 2025, mentre quella dei data center specificamente orientati all’IA è cresciuta ancora più velocemente (IEA, 2026). I miglioramenti di hardware e software riducono l’energia necessaria per determinate operazioni, ma moltiplicazione degli usi, modelli più grandi, reasoning, video e sistemi agentici spingono il consumo complessivo nella direzione opposta.

L’elettricità è soltanto la dimensione più facilmente quantificabile. I sistemi di raffreddamento possono richiedere quantità significative di acqua; si aggiungono consumo di suolo, nuove linee elettriche, generatori di emergenza e rumore continuo prodotto da raffreddamento, trasformatori e altre apparecchiature. Un’indagine ufficiale della Virginia osserva che tale rumore raramente raggiunge livelli capaci di danneggiare l’udito, ma può essere persistente e viene associato da alcuni residenti a una significativa perdita di benessere (JLARC, 2024).

Non sorprende che la geografia dell’IA produca una geografia della contestazione. Nel luglio 2026 negli Stati Uniti si sono svolte 142 proteste coordinate contro l’espansione dei data center in 42 Stati (Reuters, 2026); in Europa numerosi progetti sono stati respinti o sottoposti a restrizioni (European Data Centre Monitor, 2026). In Uruguay, durante la crisi idrica del 2023, il progetto originario di un data center Google a Canelones, che prevedeva fino a 7,6 milioni di litri d’acqua potabile al giorno per il raffreddamento, divenne oggetto di mobilitazione; il progetto fu successivamente ridimensionato e il raffreddamento ad acqua sostituito da un sistema ad aria (Livingstone, 2023; Nieto Jiménez & Pena, 2026). Ciò che per l’impresa appare come disponibilità di input — megawatt, acqua, ettari — appare da questi conflitti come appropriazione di condizioni condivise della riproduzione.

Ciccarelli mette opportunamente vicini guadagni aggregati di produttività finora meno spettacolari delle promesse e costi infrastrutturali ed energetici in rapida crescita (Ciccarelli, 2026). Ma non possiamo semplicemente sottrarre terawattora, litri d’acqua, ore di lavoro, perdita di competenze e trasformazioni territoriali da punti percentuali di produttività. Non possiedono una misura comune. Ed è precisamente questo il problema.

Propongo perciò di distinguere efficienza ed efficacia riproduttiva. L’efficienza misura una relazione definita fra input e output: richieste elaborate per ora, codice per lavoratore, energia per token, rendimento del capitale. L’efficacia riproduttiva chiede invece che cosa accade ai circuiti sociali ed ecologici dai quali quell’attività dipende e che essa contribuisce a trasformare. Non introduce una nuova metrica universale capace di ridurre lavoro, acqua, tempo, reddito, salute ed ecosistemi a un unico numero; allarga l’unità di osservazione rendendo visibili condizioni della riproduzione che la misura locale dell’efficienza lascia fuori.

Prendiamo un data center. Per l’impresa elettricità, acqua, territorio, server e lavoro sono input. Ma la stessa elettricità deve alimentare abitazioni, ospedali e trasporti; l’acqua appartiene a un ciclo da cui dipendono famiglie, agricoltura ed ecosistemi; il territorio possiede altri usi; i semiconduttori mobilitano minerali, energia, acqua e lavoro altrove. Una tecnologia può dunque aumentare fortemente l’efficienza entro un circuito compromettendo l’efficacia riproduttiva di altri circuiti dai quali essa stessa dipende.

Per questo anche il linguaggio delle “esternalità” è insufficiente. Acqua, energia, lavoro, conoscenza, minerali, semiconduttori, reti e territorio non sono effetti collaterali dell’IA, ma condizioni costitutive della sua produzione e del suo funzionamento. Abbiamo circuiti riproduttivi differenti che si intersecano materialmente, dipendono in parte dalle stesse condizioni e possono entrare in conflitto per il loro uso.

Gaia, in questa prospettiva, non è uno stakeholder da aggiungere alla lista degli interessi: è la condizione metabolica dell’intero sistema. Ciò non significa demonizzare l’IA perché utilizza energia o acqua. Tutta la produzione sociale trasforma materia ed energia e l’IA può contribuire a ottimizzare reti energetiche, ricerca scientifica, diagnosi, gestione dell’acqua o sistemi agroecologici. Il problema è quali usi vengono selezionati. Se energia, acqua, compute, minerali e territorio sono limitati, produrre pubblicità personalizzata, video sintetici, sistemi militari, ricerca medica o servizi pubblici significa assegnare condizioni materiali a fini differenti. Nessun algoritmo può dirci quale fine debba prevalere, perché il problema non è di ottimizzazione. È un problema di valore: del senso che attribuiamo collettivamente alle nostre prassi, delle misure attraverso cui stabiliamo ciò che conta nella cooperazione sociale e, dunque, dei fini ai quali decidiamo di subordinare le nostre capacità e le condizioni materiali della loro riproduzione.

Rovesciare la gerarchia delle prassi del valore non significa quindi semplicemente utilizzare meno IA. Potrebbe significare utilizzarne di più e meglio in determinati ambiti: bilanciare reti energetiche decentralizzate, governare cicli dell’acqua sotto stress climatico, coordinare sistemi alimentari territoriali, anticipare incendi ed epidemie, monitorare biodiversità, distribuire servizi sanitari e capacità di cura. Applicazioni in queste direzioni esistono già: dall’integrazione delle rinnovabili (IEA, 2025) alla progettazione partecipata di sistemi agroecologici (Challand, Vismara & de Tourdonnet, 2025), alla gestione dell’acqua (Moreno-Rodenas et al., 2025) e alla salute pubblica (WHO, 2026).

Ciò che distingue questi usi non è però la loro intrinseca bontà tecnologica. La stessa ottimizzazione può servire una rete energetica decarbonizzata o rendere più efficiente l’estrazione fossile; liberare tempo degli operatori sanitari per la cura o permettere di ridurne il numero; coordinare un sistema agroecologico o intensificare l’agricoltura industriale. La questione rimane l’ordine delle prassi del valore entro cui la capacità computazionale viene mobilitata. L’IA potrebbe diventare un’infrastruttura cognitiva della cooperazione sociale: non sostituto della capacità politica, ma strumento socialmente governato per percepire interdipendenze, esplorare possibilità e anticipare conseguenze. La letteratura sull’Indigenous Data Sovereignty ricorda però che ciò richiede anche controllo delle comunità sulla produzione, interpretazione e uso dei dati relativi alle proprie vite, conoscenze e territori (Prehn et al., 2026). Solo a questa condizione la macchina può diventare protesi cognitiva della cooperazione sociale anziché della riproduzione illimitata del capitale

Immagine in apertura: «Théâtre D’opéra Spatial». Jason M. Allen con un software di intelligenza artificiale (IA) chiamato Midjourney, 2022.