Provate a immaginare una scena molto semplice. Aprite un’app, caricate una foto e chiedete a un sistema di intelligenza artificiale di riconoscere cosa c’è dentro. In pochi secondi arriva la risposta: cane, strada, semaforo, volto, documento, contenuto vietato. Sembra magia. La macchina vede, capisce, classifica. Noi facciamo una domanda, lei risponde. Tutto appare automatico, pulito, istantaneo.
Ma dietro quella risposta ci sono spesso migliaia di persone che hanno guardato immagini simili prima di noi. Persone che hanno etichettato fotografie, corretto errori, trascritto audio, classificato testi, segnalato contenuti violenti. Sono i fantasmi della macchina.
L’illusione dell’automazione e il “Ghost Work”
L’espressione ghost work indica proprio questo lavoro nascosto che rende possibile l’intelligenza artificiale. Non parliamo di ingegneri nei laboratori delle grandi aziende, ma di una forza lavoro globale e frammentata, spesso precaria, che opera dietro l’interfaccia. Quando un algoritmo sembra imparare da solo, in realtà qualcuno gli ha preparato il mondo.
Per riconoscere un gatto serve una quantità enorme di immagini già classificate come “gatto” o “non gatto”. Lo stesso vale per moderare contenuti tossici o per decidere quale risposta sia più utile, meno offensiva, più coerente. L’AI non nasce intelligente. Viene addestrata. E l’addestramento richiede lavoro umano.
La rimozione del lavoro e il feticismo della merce
Questo punto è sociologicamente fondamentale perché rompe l’illusione che il digitale sia immateriale. Come ho provato a mostrare nel primo articolo, quel “cloud” che usiamo tutti i giorni è fatto di server, energia, minerali e infrastrutture molto concrete.
Il problema è che una parte enorme di questo lavoro viene resa invisibile. L’utente vede solo il risultato finale, l’azienda mostra l’interfaccia elegante, il marketing parla di automazione, intelligenza, efficienza — ma il lavoro che rende tutto possibile scompare. È come se la macchina si presentasse da sola, già pronta, già competente.
Qui torna un vecchio tema della sociologia: il feticismo della merce applicato alla macchina. Vediamo l’oggetto finito e dimentichiamo le mani che l’hanno prodotto. Vediamo il servizio, non i lavoratori.
La moderazione dei contenuti e l’esternalizzazione del trauma
Prendiamo il caso dei moderatori di contenuti. Ogni giorno le piattaforme devono decidere cosa può restare online e cosa va rimosso: violenza, pornografia, razzismo, autolesionismo, disinformazione. A volte intervengono sistemi automatici, ma spesso dietro ci sono persone che passano ore a guardare immagini e video estremamente disturbanti.
Ricordo la prima volta che lessi le testimonianze di moderatori keniani impiegati da appaltatori di grandi piattaforme: raccontavano di turni massacranti passati a classificare atrocità, con conseguenze pesanti sulla salute mentale, incubi ricorrenti e difficoltà a tornare alla normalità della vita quotidiana. Quel materiale mi rimase addosso per giorni. Noi scorriamo un feed relativamente ordinato e “sicuro” perché qualcuno ha assorbito il trauma al posto nostro. La promessa dell’automazione nasconde una delega umana: qualcuno, altrove, continua a fare il lavoro sporco al posto della macchina.
Crowdworking e precarizzazione della forza lavoro
La moderazione dei contenuti e il microlavoro non sono esattamente la stessa cosa. La prima è spesso organizzata in uffici esternalizzati, call center e strutture delocalizzate (i BPO). Il data labeling e il microlavoro puro, invece, passano per piattaforme globali di crowdworking che frammentano i compiti e li distribuiscono a persone isolate, spesso a casa propria.
In entrambi i casi il lavoro umano diventa l’infrastruttura nascosta dell’automazione. Un’immagine da classificare, una frase da correggere, un audio da trascrivere, un contenuto da segnalare. Ogni singolo compito vale pochissimo. Ma milioni di compiti, sommati insieme, costruiscono il comportamento di sistemi che poi chiamiamo “intelligenti”.
La macchina appare autonoma perché il lavoro umano è stato scomposto fino a diventare quasi invisibile. Questa invisibilità ha conseguenze politiche concrete. Se non vediamo i lavoratori, non vediamo i loro salari bassi, i tempi estenuanti, l’esposizione a contenuti dannosi, l’assenza di tutele e la difficoltà di organizzarsi.
Il lavoro fantasma viene spesso venduto come flessibile: lavori quando vuoi, da dove vuoi, integri il reddito. Ma questa flessibilità ha un prezzo alto. Il lavoratore è sempre disponibile, ma raramente riconosciuto. È una nuova forma di disuguaglianza strutturale.
L’intelligenza artificiale più avanzata dipende anche da lavoratori impoveriti e resi invisibili, collocati spesso in aree economicamente vulnerabili. Non è un incidente. È un modello. La piattaforma ha bisogno di quel lavoro, ma lo vuole modulare, scalabile, disponibile su richiesta – come l’elettricità: si accende quando serve e si spegne quando non serve più.
Smascherare la tecnologia: la macchina come fatto sociale
Il termine “fantasma” è efficace proprio per questo: c’è, agisce, ma non deve farsi vedere. È presente nella macchina, ma il pubblico deve credere che la macchina funzioni da sola. Vedere i fantasmi significa demistificare la tecnologia: capire che dietro un chatbot ci sono persone che hanno valutato risposte tossiche, che un sistema di visione artificiale si regge su annotatori che hanno disegnato confini intorno a oggetti e volti, che una traduzione fluida nasconde correttori umani.
Ogni volta che una macchina “impara”, qualcuno ha organizzato le condizioni sociali del suo apprendimento. E questo lavoro non finisce quando il sistema viene lanciato: continua dopo, nei controlli, negli aggiornamenti, nelle correzioni, negli aggiustamenti necessari quando cambiano contesto, lingua o norme sociali. Ciò che chiamiamo automazione è spesso, in realtà, lavoro umano ricollocato nei punti meno visibili della catena.
Questo cambia il modo in cui dovremmo parlare di innovazione. Non basta chiedersi quanto è potente un modello o quanto è accurato un sistema. Bisogna chiedersi chi ha pagato il costo sociale di quella accuratezza, chi ha guardato i contenuti peggiori, chi ha classificato milioni di esempi rimanendo fuori dal prestigio e dentro la fatica.
Sociologia e AI
La sociologia serve esattamente a questo: guardare dove l’interfaccia ci invita a non guardare. Così l’immagine dell’AI cambia. Non più una mente artificiale sospesa nel cloud, ma una grande fabbrica distribuita, senza cancelli visibili ma con compiti, tempi, gerarchie, salari e disuguaglianze che attraversano continenti, case, piattaforme e subappalti. La macchina intelligente è anche una macchina sociale. Può aiutare medici, studenti, ricercatori, imprese. Può rendere accessibili strumenti potenti. Ma può anche nascondere sfruttamento e presentare come automazione ciò che è ancora, in larga parte, lavoro umano.
Nel prossimo articolo entreremo proprio in questa illusione: l’idea che la macchina sia autonoma, quasi magica, quando in realtà spesso funziona come una nuova versione del vecchio Turco Meccanico, l’automa settecentesco che sembrava giocare a scacchi da solo mentre un essere umano nascosto muoveva i pezzi dall’interno.
Bibliografia
- Casilli, A. A., & Posada, J. (2019). The platformization of digital labor: How the gig economy shapes the future of work. In M. Graham & W. H. Dutton (A cura di), Society and the internet: How networks of information and communication are changing our lives (2ª ed., pp. 257–274). Oxford University Press.
- Crawford, K., & Joler, V. (2018). Anatomy of an AI system: The Amazon Echo as an anatomical map of human labor, data and planetary resources. AI Now Institute & SHARE Lab. https://anatomyofai.com
- Gray, M. L., & Suri, S. (2019). Ghost work: How images of AI hide a new global underclass. Eamon Dolan Books.
- Irani, L. (2015). Difference and dependence among digital workers: The case of Amazon Mechanical Turk. South Atlantic Quarterly, 114(1), 225–234. https://doi.org/10.1215/00382876-2831665
