Benvenuti all'edizione di questa settimana!
Siamo rimasti in silenzio nelle ultime settimane, in perfetto stile sud-europeo legato alla villeggiatura — che The Guardian ha descritto come un catalizzatore nascosto di produttività. Ora che abbiamo ricaricato le batterie, siamo pronti per quello che si preannuncia come un ultimo scorcio d'anno davvero interessante per le dinamiche politiche e tecnologiche del mondo del lavoro ⚡️
Oggi, ispirandomi a una lettura estiva (The Age of Extraction di Tim Wu), voglio concentrarmi su un'prospettiva leggermente più ampia riguardante l'IA: la proprietà. E questo ci porta direttamente alla questione della riforma agraria.
Buona lettura!
Una nuova questione agraria
La domanda che vogliamo porci è: quando l'IA diventa parte dell'infrastruttura del lavoro, chi possiede il terreno su cui tutti gli altri si trovano a operare?
È facile che questo aspetto sfugga, poiché si discute solitamente dell'IA come di un semplice strumento; in realtà, si tratta di costruire nuovi sistemi. Ci chiediamo se i lavoratori stiano "usando l'IA", se le aziende la stiano "adottando", se agli studenti debba essere consentito "usarla" e se i lavoratori della conoscenza diventeranno più produttivi o verranno rimpiazzati (abbiamo trattato tutto questo in The AI Adoption Illusion e nel pezzo sul Tokenmaxxing).
Tuttavia, se l'IA diventa il livello operativo del lavoro — il luogo in cui scriviamo, cerchiamo, programmiamo, analizziamo, negoziamo, vendiamo, progettiamo, pianifichiamo, ricordiamo e coordiniamo — l'accesso all'IA somiglierà meno all'accesso a un'app utile e più all'accesso a un terreno produttivo. Potenza di calcolo, distribuzione cloud, pesi dei modelli, dati di addestramento, memoria dell'utente, contesto dei flussi di lavoro e infrastruttura degli agenti diventano il terreno su cui si svolge la vita economica.
E se quel terreno è di proprietà di un piccolo numero di aziende, il futuro del lavoro potrebbe diventare stranamente feudale: tutti con maggiori strumenti, tutti più veloci, ma la maggior parte delle persone a lavorare come affittuari sul terreno di qualcun altro.
Lo Stato feudale dell'IA
Le API non sono obblighi medievali, ma l'analogia è utile poiché sia la terra sia l'infrastruttura dell'IA sono risorse produttive scarse attorno a cui si formano istituzioni, rendite e dipendenze.
In un'economia basata sull'IA, la nuova "terra" è strutturata su più livelli:
• Potenza di calcolo (Compute): chip specializzati, grandi cluster, accesso all'energia, capacità dei datacenter e contratti cloud. Dobbiamo iniziare a considerare l'IA di frontiera come un'infrastruttura industriale a tutti gli effetti.
• Modelli e pesi (Models and weights): il modello è un bene produttivo, non un manufatto da concedere semplicemente in licenza. Se una startup, una scuola, un ente pubblico, una redazione o un libero professionista possono eseguire e adattare un modello avanzato a livello locale o tramite un fornitore concorrenziale, mantengono una certa indipendenza. Se invece possono solo richiamare un modello chiuso tramite un'API a noleggio, la loro "capacità di IA" resta vincolata a prezzi, autorizzazioni, termini di servizio, limiti di utilizzo e strategie di prodotto altrui.
• Dati: l'insieme accumulato di testi, immagini, codice, letteratura scientifica, post nei forum, progetti, archivi di clienti, processi aziendali e patrimoni culturali che rendono utili i modelli. I beni comuni di dati (data commons) che hanno reso possibile la prima ondata di addestramento su larga scala sul web stanno già cambiando. Assistiamo a un rapido aumento delle restrizioni sui domini web per l'addestramento dell'IA, specialmente tra le fonti di alta qualità e più utilizzate; ciò suggerisce che il web aperto come spazio comune di addestramento stia diventando sempre più chiuso, oggetto di trattative e contese legali.
• Memoria dei flussi di lavoro (Workflow memory): questo potrebbe diventare il livello più importante per il futuro del lavoro. Il valore di un sistema lavorativo basato sull'IA non risiederà solo nel modello di base, ma nel contesto accumulato su come opera una persona o un'organizzazione: documenti, decisioni, preferenze, routine ricorrenti, cronologia delle attività, relazioni con i clienti, approvazioni, eccezioni e procedure consolidate. Si tratta della versione istituzionale del problema del "secondo cervello" dell'IA: chiunque controlli quella memoria controlla i costi di transizione (switching costs). Aspetto ancora più preoccupante, un numero crescente di strumenti si concentra oggi sull'insegnamento dell'uomo all'IA mostrandole come si lavora — sia in contesti d'ufficio che manuali — con il rischio per quegli stessi lavoratori di venire successivamente rimpiazzati.
È qui che entra in gioco la logica del rentier. Un lavoratore può "avere l'IA", ma solo all'interno di un abbonamento chiuso. Una startup può "sviluppare con l'IA", ma solo su un'infrastruttura in cui crediti cloud, accesso ai modelli, costi di utilizzo, regole di conservazione dei dati e politiche di sicurezza possono cambiare da un momento all'altro. Un'azienda può "automatizzare i flussi di lavoro", ma solo depositando la propria conoscenza operativa nel sistema privato di un fornitore.
Il nuovo proprietario terriero non ha bisogno di possedere il lavoratore. Gli basta possedere il terreno su cui il lavoratore deve stare in piedi.
Chiamiamolo per quello che è: rendita di contesto. Sotto il feudalesimo, una parte consistente della rendita non veniva mai pagata in moneta; veniva pagata in lavoro e in natura, sotto forma di giornate lavorate nei campi del signore e migliorie che rimanevano semplicemente legate al feudo. La versione dell'IA viene pagata in processi dimostrati: la si produce lavorando, si accumula nel tempo e va ad accrescere il patrimonio dall'altra parte del registro aziendale.
L'appropriazione della conoscenza non è una novità: la vera novità è il livello a cui giunge. L'organizzazione scientifica del lavoro (taylorismo) fu un tentativo di estrarre la competenza artigianale dalla testa dei macchinisti per stamparla su schede di istruzione; trasferire il know-how dal lavoratore all'azienda era l'intero scopo dell'operazione. Il lavoro cognitivo è rimasto al di fuori di questo processo per un secolo, ma non perché fosse tutelato: è rimasto fuori semplicemente perché era illegibile. Non si può scrivere una scheda di istruzioni per la capacità di giudizio. Ciò che i grandi modelli linguistici modificano è proprio la leggibilità: un'interazione pratica è ora leggibile da una macchina, consentendo così all'infrastruttura di avanzare ulteriormente. I lavoratori della conoscenza non sono mai stati esenti da processi di privatizzazione ed espropriazione (enclosure); si trovavano semplicemente al di sopra del livello dell'acqua.
Dai mercati di piattaforma ai latifondi digitali
Questo fenomeno non è del tutto nuovo. Come sostenuto anche dall'analisi sul capitalismo di piattaforma di Nick Srnicek, le piattaforme digitali sono potenti perché si posizionano come intermediari che estraggono, controllano e monetizzano dati, beneficiando al contempo degli effetti di rete.
L'IA intensifica entrambe le dinamiche: le piattaforme sono diventate il terreno dei mercati. I sistemi di IA possono spingersi oltre, diventando il terreno stesso della cognizione e dell'esecuzione. La piattaforma sapeva dove si svolgeva il lavoro; il motore di lavoro dell'IA potrebbe conoscere sempre più come quel lavoro viene svolto.
Di conseguenza, la questione fondamentale riguarda chi si appropria della produttività, chi controlla i beni complementari e se i lavoratori acquisiscano nuove competenze oppure affrontino semplicemente aspettative di resa più elevate all'interno di sistemi che non possiedono.
Più l'IA si radica nel lavoro quotidiano, più diventa oneroso cambiarla. Questa è la versione più profonda del passaggio dalla vendita dell'accesso alla vendita del lavoro: quando i fornitori vendono risultati, tendono anche ad accumulare la conoscenza dei processi che producono tali risultati.
Le lezioni della storia: titoli di proprietà e riforme
La servitù della gleba è stata abolita in Europa a più riprese, generando contesti nazionali profondamente diversi: le riforme che hanno smantellato davvero la struttura feudale sono state quelle che hanno trasferito la titolarità della proprietà. I contadini ottennero la proprietà legale della terra che già lavoravano, o contratti d'affitto abbastanza stabili da equivalere a una proprietà, oppure un percorso per acquistarla a condizioni accessibili. L'Inghilterra del XVII secolo ha seguito questa strada, la Scandinavia lo ha fatto all'inizio dell'Ottocento e il Giappone, la Corea e Taiwan dopo il 1945. Non è un caso che queste siano anche le economie che hanno sviluppato una prosperità diffusa anziché limitata a pochi.
Dove l'emancipazione è arrivata senza dotazione di risorse, si è trattato per lo più di un riassetto contabile: la Russia affrancò i servi della gleba nel 1861 per poi addebitare loro il costo della terra attraverso rate di riscatto che durarono decenni. Lo status giuridico cambiò, ma la distribuzione dell'asset produttivo rimase invariata. Gli storici dell'economia che studiano la divergenza tra Europa occidentale ed orientale sostengono oggi che le tempistiche dell'abolizione nel continente rappresentino una delle spiegazioni principali della netta separazione dei rispettivi percorsi di sviluppo. Il punto non è se sia avvenuta, ma quando.
Verso una riforma agraria dell'IA
Come si traduce tutto questo nell'era dell'intelligenza artificiale?
Una risposta immediata è l'open source. I modelli aperti e l'elaborazione locale (local inference) sono essenziali per una riforma agraria dell'IA. Se modelli avanzati possono essere eseguiti al di fuori delle API controllate dai colossi tecnologici, un numero maggiore di persone potrà sperimentare, adattare, analizzare, insegnare e distribuire l'IA secondo le proprie esigenze.
Tuttavia, questo non basta.
Affinché un sistema di IA sia realmente aperto, le persone devono avere la libertà di usarlo, studiarlo, modificarlo e condividerlo, oltre a disporre di informazioni sufficienti su dati, codice e processi di addestramento per esercitare tali libertà. Un file scaricabile con i pesi del modello è prezioso, ma non rappresenta l'intero podere. Senza documentazione, trasparenza dei dati, strumenti adeguati, accesso alla potenza di calcolo, metodi di valutazione e infrastrutture di rilascio, la definizione "aperto" rischia di ridursi a un'etichetta di facciata.
Questo richiama il lavoro di Elinor Ostrom sulla gestione dei beni comuni (commons). Ostrom ha dimostrato che le risorse condivise non devono necessariamente finire sotto il controllo dello Stato o essere privatizzate: le comunità possono gestire i beni comuni attraverso regole, monitoraggio, sanzioni graduali, meccanismi di risoluzione dei conflitti e istituzioni articolate. Fuori dalla metafora: i beni comuni dell'IA avranno bisogno di una simile immaginazione istituzionale, ambito in cui siamo ancora ampiamente in ritardo.
I modelli aziendali chiusi e un'apertura ingenua non sono le uniche opzioni. Possono esistere beni comuni di dati regolamentati, bacini pubblici di potenza di calcolo, regimi di accesso per la ricerca, licenze cooperative, standard di trasparenza per i modelli e istituzioni di settore capaci di distribuire le competenze senza pretendere che ogni risorsa sia gratuita e priva di ostacoli.
La riforma agraria dell'IA non è una singola norma, ma un programma strutturato: ampliare la proprietà, l'accesso, la portabilità e il potere contrattuale lungo tutto l'infrastruttura dell'IA.
Cosa potrebbe significare una riforma agraria dell'IA
Un programma serio di riforma agraria dell'IA dovrebbe articolarsi in almeno sei punti:
- Potenza di calcolo pubblica e civica Se la potenza di calcolo (compute) è un fattore produttivo, le istituzioni pubbliche devono potervi accedere. Università, scuole, ricercatori d'interesse pubblico, biblioteche, comuni, laboratori indipendenti e piccole imprese non possono fare affidamento solo sulla capacità residua o sulla generosità strategica dei giganti del cloud (hyperscalers). Il progetto pilota del National AI Research Resource statunitense è un precedente significativo: mira a fornire a ricercatori ed educatori l'accesso a risorse di IA, inclusi calcolo, dati, modelli, software e formazione. L'IA d'interesse pubblico ha bisogno di infrastrutture — senza di esse, l'IA responsabile diventa soltanto una pratica richiesta ad attori privi di risorse su infrastrutture che non controllano.
- Modelli realmente aperti ed elaborazione locale I modelli di piccole e medie dimensioni che eseguono elaborazioni in locale (local inference) o su infrastrutture standard sono economicamente e politicamente fondamentali. Abbassano la soglia minima per la proprietà dell'IA e consentono alle organizzazioni di mantenere i flussi di lavoro sensibili all'interno dei propri confini. Offrono opzioni di riserva quando i termini di servizio delle piattaforme cambiano e rendono la competenza digitale più concreta: gli utenti possono ispezionare, modificare, valutare e distribuire i sistemi invece di limitarsi a fruire di un servizio remoto. L'elaborazione locale non sostituirà i cloud di ultima generazione per ogni attività. La riforma agraria storica ha garantito un accesso sicuro alle risorse produttive, non la terra migliore della capitale; ha fatto sì che le persone disponessero di risorse sufficienti per evitare una dipendenza permanente.
- Provenienza dei dati, consenso e potere contrattuale Autori e istituzioni necessitano di strumenti più efficaci per esprimere il consenso, preservare la provenienza dei dati e contrattare collettivamente. Questo non richiede di trattare ogni singolo dato come una micro-proprietà privata — un approccio che diventerebbe ingestibile —, ma richiede di superare la prassi basata sull'acquisizione indistinta della cultura seguita dalla privatizzazione delle competenze risultanti. I data trust, le licenze collettive, gli standard di provenienza e le preferenze di utilizzo leggibili dalle macchine sono esperimenti imperfetti ma necessari. L'iniziativa Data Provenance Initiative ne è un esempio valido, poiché tratta i dati di addestramento come un'infrastruttura misurabile anziché come materiale di fondo invisibile.
- Interoperabilità e memoria portatile La prossima battaglia sui vincoli di dipendenza (lock-in) riguarderà la memoria: se un agente software conosce i vostri clienti, il calendario, lo stile di scrittura, la base di codice, l'archivio di ricerca, i flussi di lavoro ricorrenti e le regole di approvazione, la semplice esportazione di file PDF non sarà più sufficiente. Serviranno contesto portatile, flussi di lavoro portatili, embedding o indici di recupero portatili e procedure comprensibili dall'uomo. È qui che il futuro del lavoro incontra la progettazione dei sistemi operativi personali e aziendali. Un lavoratore dovrebbe poter insegnare a un sistema di IA come lavora senza regalare per sempre quella competenza a una piattaforma. Il flusso di lavoro dimostrato dovrebbe diventare un elemento leggibile, modificabile ed esportabile: un manuale, una competenza, uno script o un protocollo trasferibile tra diversi fornitori. Questo si collega direttamente allo sviluppo di GPT personalizzati, all'industrializzazione dei processi aziendali e alla creazione di agenti efficaci: più il processo diventa software, più diventa fondamentale stabilire chi possiede quel processo.
- Diritto di recesso e politiche sulla concorrenza anti-rendita Le politiche sulla concorrenza devono trattare cloud, modelli di IA, accesso ai dati e distribuzione come mercati interconnessi. Se un unico fornitore cloud controlla la potenza di calcolo, l'hosting dei modelli, la distribuzione del software aziendale e gli assistenti virtuali, la "libertà di scelta" a un determinato livello può essere vanificata dalla dipendenza a un altro. Le autorità di regolamentazione stanno già monitorando questa filiera, ma le implicazioni per il futuro del lavoro meritano maggiore attenzione: il vincolo di dipendenza stabilisce chi può sviluppare, apprendere e contrattare.
- Competenze sull'IA come cittadinanza economica Infine, la riforma agraria non riguarda solo i beni, ma la capacità d'azione. Una proprietà diffusa dell'IA richiede competenze diffuse: valutare i risultati, progettare flussi di lavoro, supervisionare gli agenti, comprendere i diritti sui dati, proteggere la privacy e sapere quando mantenere le attività in locale. Il lavoratore dell'era dell'IA è sempre più un educatore delle macchine: mostra le attività, corregge i processi, imposta i limiti e decide cosa automatizzare. Se i flussi di lavoro insegnati rimangono portatili e leggibili, i lavoratori mantengono potere contrattuale. Se scompaiono all'interno di sistemi chiusi, i lavoratori finiscono per addestrare i propri padroni.
In sintesi: il vero divario (o dividendo?)
Il dibattito pubblico inquadra spesso la disuguaglianza legata all'IA come un divario di competenze (skills gap): alcuni impareranno a usare l'IA, altri rimarranno indietro. Questa lettura è corretta, ma incompleta. Il divario più profondo potrebbe essere quello tra le persone e le istituzioni che possiedono le proprie capacità di IA e quelle che si limitano ad affittare intelligenza a consumo (by the token). Possedere, in questo contesto, significa disporre di diritti duraturi e capacità pratiche, non possedere ogni singolo chip o set di dati. Significa poter eseguire modelli utili, trasferire flussi di lavoro, ispezionare i sistemi, contrattare sui dati, accedere al calcolo pubblico ed evitare che la memoria operativa diventi un asset in ostaggio. Senza tutto questo, il futuro del lavoro con l'IA rischia di trasformarsi in una forma di locazione sofisticata. I lavoratori ottengono assistenti virtuali, le aziende dashboard, le startup API, le scuole chatbot e i governi progetti pilota. Ognuno riceve un frammento di innovazione, ma l'infrastruttura, le rendite e la memoria si accumulano altrove.
E i dividendi dell'IA?
Nell'ultimo anno, il tema del dividendo dell'IA è passato dalle pubblicazioni dei centri studi alle proposte legislative reali. Alex Bores (legislatore dello Stato di New York e candidato al Congresso) ha proposto un programma di pagamento diretto finanziato da una tassa sull'uso dell'IA, quote azionarie nelle principali aziende del settore e modifiche alla tassazione di lavoro e capitale, attivato quando l'IA sostituisce in modo misurabile i lavoratori americani. L' American AI Sovereign Wealth Fund Act di Bernie Sanders si spinge oltre, prevedendo un trasferimento forzoso di quote azionarie. La proposta politica di OpenAI dell'aprile 2026 abbozza un Fondo Sovrano Pubblico alimentato da azioni donate, i cui rendimenti potrebbero confluire direttamente ai cittadini. Alti funzionari dell'amministrazione hanno discusso partecipazioni azionarie volontarie con i principali laboratori. In Corea del Sud, un alto funzionario ha proposto che i cittadini partecipino ai profitti del settore dei semiconduttori, spaventando gli investitori. Dario Amodei, Demis Hassabis, Sam Altman ed Elon Musk hanno tutti ipotizzato versioni di reddito di base finanziate da imposte sulle imprese di IA. Il modello di riferimento citato da molti è il Permanent Fund dell'Alaska. Il modello storico che nessuno menziona è più antico e più pertinente: nel 1797, in Giustizia Agraria, Thomas Paine sosteneva che, poiché la terra era in origine proprietà comune, ogni persona spossessata dalla privatizzazione dei terreni avesse diritto a un indennizzo finanziato da un'imposta sui proprietari terrieri. Paine propose un indennizzo economico perché era consapevole che la terra stessa non sarebbe più tornata di proprietà collettiva. Questa è la struttura del dividendo dell'IA: una pretesa sulla rendita, non sul bene produttivo. Accetta la struttura di proprietà esistente e ne negozia la distribuzione dei proventi. Non si tratta di un aspetto trascurabile. Un dividendo rappresenta una ridistribuzione, e la ridistribuzione ha il suo peso; tuttavia risponde a una logica di emancipazione, non di dotazione diretta delle risorse, e porta con sé i limiti di ogni accordo strutturato in questo modo. La condivisione della rendita è revocabile, dipende dalla benevolenza o dalla regolamentazione continuativa di chi detiene il bene, e non risolve la questione centrale di questa analisi: la possibilità per un lavoratore di conservare ciò che ha costruito. Nessun dividendo restituisce la memoria dei flussi di lavoro. Nessun fondo sovrano rende portatile un agente software. Si può ricevere una quota del raccolto e rimanere, comunque, dei mezzadri. La versione più solida di questo ragionamento considera il dividendo e la riforma agraria come strumenti complementari anziché alternativi. È tuttavia evidente quale delle due opzioni sia attualmente oggetto di dibattito pubblico, con disegni di legge dedicati e incontri alla Casa Bianca, e quale invece no. La questione della distribuzione ha una propria rappresentanza politica e di settore; la questione della proprietà ne è ancora priva. La riforma agraria dell'IA rappresenta l'alternativa: un futuro in cui i mezzi di lavoro non siano soltanto più intelligenti, ma anche più ampiamente condivisi.
https://wrk3.substack.com/p/ai-land-reform-who-owns-the-new-means-b18 (in lingua originale)
