L’illusione immateriale dell’intelligenza artificiale

L’intelligenza artificiale viene raccontata come il volto più etereo del progresso: algoritmi invisibili, reti neurali impalpabili, calcolo distribuito che sembra dissolversi nell’astrazione del cloud. Eppure, dietro questa narrazione quasi metafisica, si nasconde una realtà assai più concreta, pesante, persino materiale. Ogni prompt, ogni inferenza, ogni modello addestrato su miliardi di parametri consuma energia; molta energia. E non si tratta di un dettaglio marginale, né di un costo accessorio, ma del fondamento fisico su cui si regge l’intera architettura dell’intelligenza artificiale contemporanea.

È qui che la retorica dell’innovazione mostra la sua prima incrinatura. Perché se è vero che l’AI promette efficienza, automazione, ottimizzazione — parole ripetute, celebrate, amplificate — è altrettanto vero che questa promessa si appoggia su una domanda elettrica crescente, continua, insaziabile.

Che cosa accade, dunque, quando l’immateriale diventa una questione di megawatt? Accade che il progresso si misura in chilowattora; accade che l’algoritmo ha un prezzo, e che questo prezzo, silenziosamente, comincia a riflettersi nelle bollette.

Il cortocircuito del mercato energetico americano

Il caso più emblematico arriva dagli Stati Uniti, nell’area gestita da PJM Interconnection, la più grande rete elettrica regionale del Paese. Secondo Monitoring Analytics, i costi dell’energia sono aumentati del 75,5% in appena dodici mesi: da 77,78 dollari per megawattora nel primo trimestre del 2025 a 136,53 dollari nello stesso periodo del 2026.

Numeri che non sono semplicemente cifre. Sono il sintomo di una pressione sistemica. La causa principale, secondo i controllori federali, è l’esplosione dei data center ad alta intensità computazionale. Strutture gigantesche, progettate per alimentare i modelli linguistici e le applicazioni generative che stanno ridisegnando l’economia digitale.

Il problema, tuttavia, non risiede soltanto nell’aumento della domanda; risiede nel modo in cui questa domanda viene assorbita dal mercato. Quando il fabbisogno straordinario dei data center viene incorporato nelle aste generali di capacità, l’effetto è inevitabile: il prezzo complessivo sale, l’offerta resta rigida, e il sistema trasferisce i costi su tutti gli utenti. Un meccanismo apparentemente neutrale. In realtà, profondamente redistributivo. Perché pochi consumano enormemente; molti pagano diffusamente.

Chi paga davvero la rivoluzione dell’AI

Qui emerge il nodo politico, economico, persino etico della questione. Chi deve sostenere il costo dell’infrastruttura necessaria all’intelligenza artificiale? Monitoring Analytics è netta: l’impatto sui clienti è già “molto ampio” e, soprattutto, “non reversibile”. Se PJM non interverrà prima della prossima Base Residual Auction prevista per giugno 2026, separando il carico energetico dei data center dal mercato generale, l’onere continuerà a propagarsi lungo tutta la filiera.

Dai produttori agli operatori di trasmissione; dalle utility locali fino al consumatore finale. È una catena lineare, quasi geometrica, eppure invisibile al cittadino che riceve la bolletta a fine mese. La soluzione proposta appare tanto semplice quanto politicamente complessa: i grandi hyperscaler — coloro che traggono profitti immensi dall’AI — dovrebbero negoziare direttamente con i produttori energetici e finanziare la capacità aggiuntiva richiesta dal proprio sviluppo.

Pagare la propria strada. Una formula efficace, quasi lapidaria. Ma proprio perché incisiva, rivela il suo sottinteso: fino a oggi, quella strada l’hanno pagata altri.

La politica davanti al conto nascosto

Il governo federale americano ha iniziato a riconoscere il problema. Le dichiarazioni pubbliche si moltiplicano; le promesse si accumulano; gli impegni vengono annunciati con enfasi.

Ma basteranno? La storia delle infrastrutture insegna che tra l’enunciazione politica e la regolazione effettiva esiste spesso uno scarto profondo — uno spazio grigio in cui si sedimentano rinvii, compromessi, resistenze. Senza una normativa chiara che impedisca il trasferimento automatico dei costi sui consumatori, la corsa all’intelligenza artificiale rischia di produrre una nuova forma di disuguaglianza energetica.

È questo il paradosso del nostro tempo: una tecnologia progettata per aumentare l’efficienza potrebbe finire per generare inefficienza sistemica; una rivoluzione nata per democratizzare l’accesso alla conoscenza potrebbe scaricare i suoi costi proprio su chi da quella rivoluzione ricava meno benefici. La vera domanda, allora, non è se l’intelligenza artificiale cambierà il mondo. La domanda è un’altra — più scomoda, più concreta, più urgente. Chi pagherà il conto?

L'articolo Data center AI: il costo invisibile dell’intelligenza artificiale proviene da Italia nel futuro.

In una notte insonne, un uomo scorre lo schermo del telefono e apre un’app di Intelligenza Artificiale. Non cerca notizie né intrattenimento: desidera una risposta. Scrive una domanda esistenziale, forse ingenua, forse urgente.
Attende…
La replica arriva in pochi secondi: composta, fluida, rassicurante. Nessuna voce ha parlato, nessun volto si è mostrato, ma lui sente di aver ricevuto un consiglio. Lo prende sul serio. In un’altra epoca avrebbe forse cercato un sacerdote, un maestro, un oracolo. Oggi interroga un modello linguistico e non si stupisce. Non chiede chi abbia generato quella risposta, né da quali logiche sia emersa.
Il tempio si è smaterializzato: non c’è incenso, né sacralità, ma solo un’interfaccia grafica, un algoritmo, un server remoto. Tuttavia, il gesto rimane lo stesso: affidare all’ignoto il compito di orientare il proprio destino. Questa dinamica – apparentemente inedita – ha radici storiche profonde. Lo dimostra il lungo processo che ha condotto dalla geometria del caso alle architetture statistiche moderne, passando per le pratiche sociali e morali del gioco, dell’assicurazione e della rendita.
Già nel XVIII secolo, le lotterie e le rendite viagère rappresentavano forme codificate di gestione dell’incertezza: strumenti per proiettare nel futuro le aspettative individuali e collettive, incapsulando il rischio in formule e contratti. Michel Armatte ha descritto con acutezza il passaggio che condusse dalla condanna religiosa del gioco d’azzardo alla sua progressiva istituzionalizzazione da parte degli Stati monarchici, che trasformarono le lotterie in dispositivi di governo, finanziamento e consenso. Nella Francia prerivoluzionaria, il castelletto era l’organo segreto della lotteria di Stato, incaricato di calcolare gli equilibri tra vincite e perdite per garantire l’utile del sovrano, mentre l’estrazione appariva pubblica e trasparente. Dietro l’apparente casualità si celava un sapere tecnico, discreto, potentemente selettivo.
Oggi il castelletto ha cambiato forma, ma non funzione. Gli LLM – i modelli linguistici di grandi dimensioni – agiscono secondo logiche probabilistiche sofisticate, fondate sull’analisi statistica di
immense quantità di dati. Anch’essi producono risposte che appaiono naturali, ma sono in realtà esiti di una selezione algoritmica profonda, modellata da architetture computazionali e dai dati che le nutrono. In continuità con la tradizione che da John Graunt e Halley conduce fino a Deparcieux e Condorcet, l’Intelligenza Artificiale moderna eredita il compito di ridurre l’incertezza attraverso la quantificazione. Ma a differenza dei predecessori, il modello contemporaneo cancella l’ambiguità non solo come errore, ma come disfunzione epistemologica. Laddove l’oracolo parlava in modo enigmatico e richiedeva interpretazione, l’algoritmo restituisce suggerimenti strutturati, percentuali, sintesi immediatamente fruibili.
Questa dinamica si manifesta con particolare evidenza in settori strategici come l’istruzione, la sanità e la giustizia. Nei sistemi assicurativi, ad esempio, gli algoritmi vengono ormai utilizzati per anticipare il rischio individuale sulla base di dati aggregati, riducendo la complessità biografica a un punteggio predittivo. Nell’istruzione, i modelli AI assistono la valutazione e la personalizzazione dei percorsi didattici, ma allo stesso tempo definiscono implicitamente una norma comportamentale e cognitiva. In ambito giudiziario, assistiamo alla sperimentazione di software predittivi in grado di suggerire pene o probabilità di recidiva, con il rischio di cristallizzare pregiudizi statistici sotto l’apparenza di imparzialità computazionale. In tutti questi casi, la semplificazione operata dalla
macchina maschera un’economia della decisione che premia l’efficienza ma comprime la libertà.
Per comprendere appieno questa trasformazione, occorre però operare un passaggio analitico: dalla genealogia storica delle pratiche predittive alla critica della struttura contemporanea che le incarna. Se nel passato i dispositivi statistici erano finalizzati al governo di popolazioni e territori, oggi i modelli linguistici generativi agiscono come infrastrutture epistemiche globali. La loro potenza non risiede solo nella capacità di rispondere, ma nella funzione di assorbire, ricombinare e monetizzare la conoscenza prodotta dagli utenti. Gli LLM diventano così parte integrante di un capitalismo estrattivo cognitivo, in cui il sapere è raccolto, raffinato e restituito in forma predittiva. L’output, apparentemente gratuito, è in realtà il frutto di un’economia dell’attenzione e del comportamento, in cui l’infrastruttura tecnica si confonde con il potere simbolico.
Lorraine Daston ha dimostrato come la nascita dell’assicurazione non dipese dal calcolo delle probabilità, ma da un tessuto sociale fondato sulla fiducia e sull’equità. Solo più tardi la matematica giustificò retrospettivamente pratiche già in uso, attribuendo loro una razionalità ex post. In modo analogo, l’AI oggi si presenta come uno strumento oggettivo di analisi e supporto alle decisioni, ma spesso non fa altro che ricalcolare il passato, offrendo risposte che rispecchiano le attese mediate dai dati. La funzione predittiva si fonda su una ricorsività statistica, non su una vera apertura al nuovo. Ed è proprio questo che conferisce all’AI il carattere di un “oracolo senza mistero”: un ente non senziente, ma culturalmente autorevole, che appare imparziale proprio in quanto opaco. Non ne conosciamo i parametri di addestramento, le funzioni di perdita, le euristiche di ottimizzazione, e tuttavia ne accettiamo le risposte come se fossero valide in sé, senza chiederci da quale visione del mondo provengano.
Il rischio più profondo non è dunque l’autonomia delle macchine, ma la nostra rinuncia all’interpretazione. La risposta automatica, nella sua apparente neutralità, tende a cancellare il processo che l’ha prodotta. Ogni elemento conflittuale, ogni dimensione contestuale, ogni traccia di intenzionalità viene rimossa. La fascinazione per la forma – pulita, coerente, fluida – prende il posto dell’esercizio critico. Come un tempo il popolo partecipava alla lotteria pubblica credendo di esercitare una possibilità, mentre il castelletto assicurava la rendita alla monarchia, oggi ci illudiamo di esercitare un libero arbitrio informato, mentre seguiamo percorsi suggeriti da sistemi che apprendono dai nostri stessi comportamenti passati.
Nel contesto delle lotterie settecentesche, Talleyrand denunciava l’ingiustizia insita in un gioco che si alimentava della speranza dei più deboli. La lotteria, scriveva, «est et au plus haut degré injuste et immoral», perché raccoglieva consenso attraverso la manipolazione dell’aspettativa. L’analogia con l’Intelligenza Artificiale generativa è netta: anche oggi, il rischio non risiede tanto nella falsità delle risposte, quanto nella loro verosimiglianza, nella loro capacità di farsi accettare come esito naturale. E come nel passato la macchina del gioco serviva a legittimare decisioni economiche e politiche, così oggi la macchina linguistica tende a strutturare i modi in cui il sapere viene prodotto, ordinato, reso rilevante.
Byung-Chul Han ha descritto l’AI come una “intelligenza oracolare” che elimina l’ambiguità. Ma è proprio l’ambiguità, l’irriducibilità del senso, la lentezza della comprensione, a costituire il cuore dell’esperienza umana. Ogni modello predittivo – statistico o neurale – è anche un modello normativo. Decide non solo cosa è probabile, ma cosa vale la pena considerare. Dietro ogni suggerimento c’è un’ontologia implicita, un filtro culturale, un dispositivo di potere.
La posta in gioco, allora, è epistemica. Riguarda il nostro rapporto con la complessità, la nostra disponibilità a tollerare l’incertezza, a rifiutare il conforto dell’immediatezza. Come nel XVIII secolo si passò da un’idea sacrale del destino a una logica assicurativa che cercava di amministrarlo, oggi rischiamo di passare dalla libertà del pensiero alla delega automatica della decisione. Ogni volta che un modello generativo risponde, a parlare non è una coscienza, ma una sequenza statistica ottimizzata. Il fatto che quella risposta “funzioni” non equivale a dire che sia giusta, fondata, desiderabile.
Proprio per questo, è urgente riaffermare la necessità di una resistenza epistemica fondata sulla trasparenza algoritmica, sull’educazione critica e sulla governance partecipativa dell’innovazione.
Se vogliamo evitare che la parola automatica diventi un nuovo dogma, dobbiamo costruire istituzioni capaci di garantire pluralismo cognitivo e accesso al contesto decisionale. In questo senso, la storia delle lotterie, delle assicurazioni e delle statistiche non ci parla solo del passato: ci insegna a riconoscere, nel volto dell’algoritmo, le genealogie invisibili del potere. E a ricordarci che ogni delega al calcolo è anche una scelta politica.

L'articolo Dalla statistica alle AI generative: una delega spirituale, epistemica e politica alla macchina? proviene da Italia nel futuro.

Un’analisi su 200.000 interazioni con Bing Copilot svela quali professioni subiscono l’impatto più forte dall’AI e quali, invece, restano relativamente al sicuro. La sfida: integrare le tecnologie emergenti sviluppando competenze umane distintive.

Il report di Microsoft, “Working with AI: Measuring the Occupational Implications of Generative AI”, si basa su un’analisi di 200.000 conversazioni anonime tra utenti statunitensi e Bing Copilot, raccolte tra gennaio e settembre 2024. L’obiettivo: misurare il grado di esposizione delle diverse occupazioni alle capacità dell’AI generativa.
Secondo la ricerca, le attività più richieste dagli utenti riguardano raccolta di informazioni e scrittura, mentre l’AI eroga soprattutto informazioni, assistenza, insegnamento e consulenza. Questo set di competenze coincide in gran parte con mansioni tipiche di specifici settori professionali, aumentando la probabilità di automazione.

Le professioni più esposte all’automazione

Microsoft individua le 10 professioni meno “AI-safe”, ossia quelle con il più alto grado di sovrapposizione tra attività umane e capacità dell’AI:

1. Interpreti e traduttori
2. Storici
3. Assistenti passeggeri
4. Rappresentanti commerciali di servizi
5. Scrittori e autori
6. Addetti al customer service
7. Programmatori CNC
8. Operatori telefonici
9. Addetti biglietteria e agenzie di viaggio
10. Annunciatori e speaker radiofonici

Gli interpreti e traduttori risultano i più vulnerabili, con il 98% delle loro attività sovrapponibile alle funzioni svolte da Copilot. Anche professioni legate alla scrittura, al servizio clienti e alla programmazione industriale rientrano nella fascia ad alto rischio.

I lavori più “AI-proof” e le ragioni della loro resilienza

Le professioni meno esposte all’AI sono in prevalenza ruoli medici, tecnici e manuali che richiedono presenza fisica, competenze pratiche o interazioni umane complesse. Esempi: infermieri assistenti, ingegneri navali, riparatori di pneumatici.
Il motivo è duplice: la difficoltà di sostituire il lavoro manuale in contesti fisici reali e la necessità di competenze specialistiche non replicabili da un modello linguistico.

Geopolitica dell’automazione e impatti sulla forza lavoro globale

Il tema dell’automazione non è solo tecnologico, ma anche geopolitico. Le economie avanzate stanno investendo in infrastrutture AI per mantenere competitività, mentre i Paesi emergenti vedono in queste tecnologie una leva per superare deficit strutturali di capitale umano. Tuttavia, il rischio di concentrazione tecnologica in pochi player globali può esporre mercati e governi a dipendenze strategiche.

La prospettiva del settore privato: Nvidia e il “vantaggio dell’utente AI”

Jensen Huang, CEO di Nvidia, ha sottolineato che “non perderai il lavoro a causa dell’AI, ma a favore di chi saprà usarla”. Questa affermazione riflette una visione industriale dove la padronanza degli strumenti AI diventa un fattore competitivo individuale.
Il colosso dei semiconduttori, con una capitalizzazione di 4,2 trilioni di dollari, fornisce gran parte dell’hardware che alimenta i modelli di AI generativa, collocandosi come infrastruttura critica nell’economia digitale.

Le strategie aziendali: AI come prerequisito per l’assunzione

Società come Shopify, Duolingo e Fiverr hanno iniziato a richiedere l’uso dell’AI a determinati dipendenti o a valutare nuove assunzioni solo per ruoli non automatizzabili. Secondo i CEO di Duolingo e Shopify, la crescita dell’organico è subordinata alla possibilità di integrare l’AI nei processi operativi.
Nonostante i progressi dell’AI, ci sono skill che restano difficilmente replicabili: empatia, curiosità, intelligenza sociale ed emotiva, leadership, capacità di costruire relazioni. Secondo Robert E. Siegel, docente alla Stanford Graduate School of Business, sviluppare queste competenze è fondamentale per prosperare nella “AI economy”.
L’approccio vincente combina conoscenza degli strumenti digitali con capacità relazionali e visione strategica.

Diritto dell’innovazione e sfide regolatorie

L’adozione massiva di AI nei luoghi di lavoro solleva interrogativi legali su privacy, proprietà intellettuale, trasparenza e responsabilità. I legislatori in Europa, USA e Asia stanno elaborando quadri normativi per regolare l’uso dell’AI, ma la velocità dell’innovazione supera spesso i tempi della legislazione. Le aziende dovranno quindi adottare politiche interne proattive per garantire conformità e tutela degli utenti.

In un contesto in cui l’AI ridisegna la mappa delle competenze, governi e imprese devono investire in reskilling e upskilling per garantire l’occupabilità della forza lavoro. Questo richiede politiche industriali integrate che combinino incentivi fiscali, partenariati pubblico-privato e piattaforme di formazione accessibili.
La sfida è duplice: mitigare l’impatto occupazionale dell’automazione e sfruttare le opportunità economiche della transizione tecnologica.

L'articolo Lavoro e AI generativa: i settori più a rischio e le strategie per rimanere competitivi secondo il nuovo report Microsoft proviene da Italia nel futuro.

Amazon sta sperimentando nuovi assistenti basati sull’intelligenza artificiale generativa per migliorare l’esperienza degli utenti nello shopping e nei servizi sanitari. La mossa segna un ulteriore passo avanti nella strategia del colosso tecnologico per integrare l’IA nelle sue piattaforme e ampliare la sua influenza in settori chiave.

L’espansione dell’IA nello shopping online

Secondo fonti interne, Amazon sta testando un assistente virtuale avanzato che aiuterà i clienti a trovare prodotti in modo più intuitivo e personalizzato. Questa tecnologia, basata sull’IA generativa, analizzerà le preferenze degli utenti, suggerendo articoli in base alle loro abitudini di acquisto e alle recensioni disponibili.

L’obiettivo è rendere l’esperienza di acquisto più interattiva e ridurre il tempo necessario per trovare il prodotto ideale. “L’intelligenza artificiale sta rivoluzionando il nostro modo di fare acquisti, e vogliamo che Amazon sia all’avanguardia in questa trasformazione”, ha dichiarato un portavoce della società.

IA e salute: un nuovo mercato per Amazon

Parallelamente, Amazon sta sviluppando un assistente IA nel settore sanitario, progettato per offrire supporto ai pazienti nella gestione della loro salute. Questo strumento potrebbe aiutare gli utenti a comprendere meglio le loro condizioni mediche, fornire suggerimenti basati su sintomi descritti e persino integrare consigli con farmacie e professionisti sanitari.

Amazon ha già una forte presenza nel settore sanitario con acquisizioni come One Medical e la sua piattaforma di farmacie online. L’integrazione dell’IA potrebbe migliorare l’efficienza di questi servizi e renderli più accessibili ai consumatori.

Una strategia per competere con Google e Microsoft

Con questa iniziativa, Amazon intende rafforzare la sua posizione nel mercato dell’IA, entrando in competizione diretta con Google e Microsoft, entrambe impegnate nello sviluppo di assistenti basati su intelligenza artificiale.

L’azienda di Jeff Bezos ha già implementato funzionalità IA nei suoi servizi AWS (Amazon Web Services) e nel suo assistente vocale Alexa, ma questa nuova fase segna un’evoluzione più ambiziosa nella strategia aziendale.

Sfide e prospettive future

Nonostante le potenzialità dell’IA generativa, restano alcune sfide da affrontare, tra cui la privacy degli utenti e la trasparenza degli algoritmi. Inoltre, l’efficacia di questi assistenti sarà determinante per il successo dell’iniziativa.

Se i test avranno esito positivo, Amazon potrebbe lanciare ufficialmente questi assistenti nei prossimi mesi, ridefinendo il modo in cui gli utenti interagiscono con la piattaforma di e-commerce e con i servizi sanitari digitali.

La rivoluzione dell’intelligenza artificiale è appena iniziata e Amazon vuole essere uno dei protagonisti principali.

L'articolo Amazon testa assistenti per lo shopping e la salute basati sull’IA generativa proviene da Italia nel futuro.