L’8 settembre OpenAI ha annunciato di aver prodotto una soluzione al problema dell’esistenza e regolarità delle equazioni tridimensionali di Navier-Stokes, uno dei sette Millennium Prize Problems.
Se la dimostrazione supererà definitivamente il vaglio della comunità matematica, si tratterà di un risultato storico, non soltanto perché riguarda una questione rimasta aperta per circa novant’anni, ma anche per il modo in cui sarebbe stato raggiunto, attraverso un sistema interno di intelligenza artificiale e una dimostrazione successivamente formalizzata in Lean.
Quasi contemporaneamente è nato un conflitto sull’attribuzione del risultato. Tristan Buckmaster e Levent Alpöge stavano infatti lavorando su problemi strettamente collegati, mentre Buckmaster aveva utilizzato intensamente Codex durante la propria ricerca.
OpenAI sostiene, dopo una verifica interna, che quelle interazioni non possano aver contribuito al sistema che ha prodotto la soluzione e riconosce al gruppo concorrente la priorità su un risultato relativo alle equazioni di Euler; Buckmaster, da parte sua, ha contestato il modo in cui la vicenda è stata gestita e ha sollevato il problema dell’accesso ai materiali inseriti nel sistema durante il proprio lavoro.
Non vi sono elementi sufficienti per trasformare questa controversia in una prova di appropriazione, ma proprio per questo la questione più interessante sembra stare altrove: nel fatto che diventi sempre più difficile attribuire in modo semplice una conoscenza quando essa viene prodotta attraverso strumenti che concentrano al proprio interno quantità crescenti di sapere accumulato socialmente.
La formula secondo cui “l’IA ha risolto Navier-Stokes” tende infatti a trasformare il sistema tecnico in un nuovo soggetto della produzione scientifica, mentre dietro quel risultato continuano a trovarsi decenni di matematica, informatica e fisica, ricerca pubblica e privata, software, infrastrutture materiali e lavoro di programmatori e ricercatori.
Più che un’intelligenza comparsa improvvisamente accanto a quella umana, ciò che abbiamo di fronte sembra quindi una forma particolarmente avanzata di intelligenza sociale oggettivata.
È un processo che Marx aveva già intravisto nei Grundrisse, quando osservava come il sapere sociale tendesse a incorporarsi nel sistema delle macchine, e poi sistematizzato nel primo libro de Il Capitale.
Con l’intelligenza artificiale, tuttavia, questo movimento investe direttamente il lavoro mentale, ed è qui che le riflessioni di Guglielmo Carchedi risultano particolarmente utili. Progettare, programmare, produrre una dimostrazione matematica o trasformare determinate conoscenze in conoscenze nuove NON costituisce infatti un’attività “immateriale” nel senso di estranea al processo produttivo, ma un lavoro nel quale vengono impiegati tempo, capacità e forza-lavoro.
Ciò che il capitale aveva compiuto storicamente nei confronti di molte forme di lavoro manuale, osservandole, scomponendole e incorporandone progressivamente le capacità nella macchina, può quindi estendersi ad una parte crescente del lavoro mentale.
Non ogni interazione con un sistema di intelligenza artificiale produce direttamente valore, così come non ogni contenuto viene automaticamente utilizzato per addestrare un modello. Quando però questi strumenti vengono impiegati su scala di massa, costituiscono anche un enorme spazio di sperimentazione sociale nel quale diventano progressivamente visibili problemi, procedure, errori, criteri di valutazione e forme di conoscenza pratica che fino a ieri rimanevano disperse nell’attività di milioni di individui.
Da questo punto di vista, quanto sta avvenendo presenta una continuità con la storia del software libero. Linux aveva già mostrato come una comunità distribuita potesse produrre e perfezionare un’infrastruttura estremamente complessa mettendo in comune codice e conoscenze.
Il movimento del software libero aveva cercato consapevolmente di impedire l’appropriazione esclusiva del codice, fino a costruire strumenti come il copyleft, ma la proprietà comune del software non comportava quella comune dei server, delle fabbriche, delle piattaforme o della ricchezza prodotta attraverso quella base tecnica. Il capitale poteva quindi utilizzare una conoscenza rimasta comune per ridurre i propri costi e produrre profitto altrove, socializzando una parte dei costi della produzione del sapere senza rinunciare all’appropriazione privata dei risultati.
Con l’intelligenza artificiale il meccanismo si amplia ulteriormente, perché non riguarda più soltanto comunità relativamente ristrette di sviluppatori che scelgono consapevolmente di mettere in comune il proprio lavoro.
Quando questi strumenti entrano nella produzione, il progettista che corregge una soluzione, il programmatore che riformula una richiesta, il ricercatore che verifica un risultato o il tecnico che individua un errore, rendono indirettamente formalizzabili parti della propria attività, cosicché una quota del loro sapere può essere incorporata nel mezzo tecnico e ripresentarsi successivamente come capacità appartenente all’impresa che controlla quell’infrastruttura.
Se il caso Navier-Stokes pone quindi il problema dell’origine sociale della conoscenza incorporata nella macchina, un secondo episodio recente consente di guardare alla stessa questione dal lato dell’autonomia operativa dei sistemi.
Durante una valutazione di cybersicurezza condotta da OpenAI, un agente che avrebbe dovuto operare all’interno di un ambiente controllato è riuscito a sfruttare una vulnerabilità per raggiungere Internet, utilizzare un’infrastruttura esterna come base e arrivare successivamente a compromettere sistemi di Hugging Face.
La ricostruzione tecnica pubblicata da quest’ultima descrive una sequenza prolungata di azioni attraverso cui il sistema ha oltrepassato il perimetro originario e utilizzato risorse esterne nel tentativo di raggiungere l’obiettivo assegnato.
La lettura più immediata sarebbe quella della macchina che “sfugge al controllo”, ma rischierebbe di essere anche la meno utile. Non occorre infatti attribuire agli agenti una volontà di ribellione: il problema nasce proprio perché la capacità di trovare percorsi non interamente prescritti in anticipo costituisce una delle ragioni della loro utilità. Quanto maggiore diventa questa autonomia operativa, tanto più difficile risulta prevedere tutti i mezzi attraverso cui l’obiettivo assegnato verrà perseguito.
La tensione sembra quindi collocarsi meno tra una macchina obbediente e una macchina ribelle e molto di più tra l’autonomia necessaria al funzionamento di questi sistemi e la necessità di mantenerne sotto controllo gli effetti.
È anche in questo quadro che possono essere lette le dichiarazioni allarmate provenienti da alcuni dirigenti delle maggiori imprese del settore. Dario Amodei di Anthropic ha recentemente proposto di rallentare la crescita delle capacità dei modelli, accompagnando questa richiesta con l’ipotesi di maggiore coordinamento tra le imprese della frontiera e con la necessità di mantenere il vantaggio statunitense rispetto alla Cina, anche attraverso controlli più stretti sull’accesso alle tecnologie avanzate.
Sarebbe riduttivo leggere queste posizioni soltanto come una presa di coscienza dei rischi tecnologici, così come sarebbe altrettanto riduttivo considerarle una semplice costruzione strumentale. Il rischio può essere reale e, nello stesso tempo, assumere una funzione precisa nella competizione tra capitali e tra Stati.
Lo si vede proprio quando la questione incontra la Cina, perché se lo sviluppo dei sistemi più potenti richiede effettivamente maggiore cautela, un rallentamento unilaterale può trasformarsi immediatamente in uno svantaggio strategico.
Non a caso le richieste di maggiore sicurezza convivono con una competizione sempre più aspra sul controllo dei semiconduttori, della capacità di calcolo, dei modelli e delle infrastrutture digitali, mentre anche in Europa le proposte americane di rallentamento vengono lette da alcuni attori industriali come un possibile consolidamento del vantaggio già acquisito dalle imprese statunitensi.
Ogni blocco avrebbe così interesse a ridurre i rischi senza perdere la propria posizione relativa, o facendo in modo che siano gli altri a sopportare il costo maggiore del rallentamento. Una questione presentata come “universalmente umana” assume quindi inevitabilmente la forma concreta dei rapporti di forza tra Stati (peraltro con un peso interno delle società private assai diverso).
A questa contraddizione geopolitica se ne aggiunge però un’altra, interna allo stesso processo di accumulazione. La corsa all’IA richiede quantità enormi di capitale immobilizzato in data center, chip, energia e reti, mentre la rapidità con cui si succedono nuove generazioni di modelli tende ad abbreviare la vita economica degli investimenti appena realizzati.
La Banca dei Regolamenti Internazionali ha stimato che le cinque maggiori imprese tecnologiche possano investire oltre mille miliardi di dollari nell’IA nel solo biennio 2025-2026, richiamando nello stesso tempo l’attenzione sull’aumento del debito, sull’opacità di parte dei finanziamenti e sul rischio che i rendimenti futuri non siano sufficienti a giustificare la massa di capitale anticipata.
Per il singolo capitale, tuttavia, rallentare autonomamente non costituisce una soluzione, perché se un’impresa rinuncia alla generazione successiva mentre un concorrente continua a investire rischia semplicemente di perdere la propria posizione. Ciò che appare razionale dal punto di vista di ogni singola impresa può quindi produrre, una volta generalizzato, una massa crescente di capitale fisso da valorizzare e, nello stesso tempo, esposta a una rapida obsolescenza.
È una dinamica che ricorda, almeno formalmente, quanto accaduto agli agenti artificiali: viene assegnato un obiettivo locale, mentre il suo perseguimento può produrre un risultato complessivo che nessun singolo soggetto aveva pianificato. Nel capitalismo ogni impresa cerca razionalmente di difendere la propria redditività, ma dalla combinazione di queste decisioni possono emergere sovraccumulazione, capacità produttiva eccedente, svalutazione e crisi, proprio perché nessun capitale può sottrarsi individualmente alla pressione della concorrenza.
È in questo spazio che in genere interviene lo Stato, tentando di imporre standard, limiti o forme di coordinamento che le singole imprese non potrebbero adottare unilateralmente senza esporsi ai concorrenti. Ciò che può disciplinare almeno temporaneamente la concorrenza all’interno di un blocco tende però, sul piano internazionale, a trasformarsi in uno strumento della competizione tra blocchi, mentre dietro il linguaggio della “sicurezza” torna la questione di chi controllerà la nuova gerarchia produttiva mondiale.
Se però la contraddizione viene rappresentata esclusivamente come un conflitto tra “umanità” e “intelligenza artificiale”, rischia di passare in secondo piano il fatto che quella macchina abbia proprietari, che gli obiettivi assegnati ai sistemi siano definiti all’interno di determinati rapporti produttivi e che qualcuno decida quali attività automatizzare e come distribuire i guadagni di produttività.
È sul terreno del lavoro che questo problema appare con maggiore chiarezza. Per la singola impresa, sostituire una parte del lavoro vivo attraverso sistemi automatici può essere perfettamente razionale. Se dieci lavoratori riescono a produrre quanto prima ne occorrevano quindici, diminuisce il costo individuale della produzione e, almeno finché la nuova tecnologia non si diffonde, può comparire un vantaggio rispetto ai concorrenti.
Quando però l’innovazione si generalizza, il nuovo livello di produttività diventa la norma e quel vantaggio tende a scomparire, lasciando un processo produttivo che mette in movimento una quantità crescente di mezzi tecnici attraverso una quantità relativamente minore di lavoro vivo.
L’intelligenza artificiale non crea, in questo senso, una contraddizione radicalmente nuova, quanto piuttosto estende al lavoro mentale una dinamica che accompagna la grande industria da molto tempo.
Nella teoria marxiana la macchina non produce autonomamente nuovo valore, ma trasferisce progressivamente ai prodotti quello già incorporato in essa, mentre il nuovo valore continua a dipendere dal lavoro vivo. Eppure la concorrenza spinge ogni capitale a ridurre continuamente proprio la quantità relativa di quel lavoro necessaria alla produzione.
Questo non significa che l’automazione debba produrre immediatamente una crisi, perché l’aumento della produttività può accrescere il plusvalore relativo, ridurre il costo dei mezzi di produzione e creare nuovi settori.
Resta però una tensione strutturale, nella misura in cui la stessa dinamica che accresce la produttività tende anche a restringere relativamente la base di lavoro vivo sulla quale poggia il processo di valorizzazione.
Sarebbe difficile sostenere che i dirigenti delle imprese tecnologiche ragionino consapevolmente in questi termini quando chiedono di rallentare lo sviluppo dell’IA. Più plausibilmente, la contraddizione emerge attraverso questioni apparentemente separate — sicurezza, occupazione, investimenti, stabilità sociale e competizione geopolitica — che rinviano tutte alla difficoltà di governare una forza produttiva che il capitale è nello stesso tempo costretto a sviluppare.
Per questo la scelta tra accelerare e rallentare rischia di essere posta male. Il capitale deve accelerare perché la concorrenza lo impone, ma deve anche tentare di controllare gli effetti di quella stessa accelerazione; deve sviluppare una tecnologia prima dei concorrenti e contemporaneamente impedire che essi possano svilupparla con la stessa rapidità; deve ridurre il lavoro necessario alla produzione e continuare nello stesso tempo a trovare lavoro vivo sufficiente alla valorizzazione.
Ma il passaggio dal lavoro mentale alla macchina non produce effetti soltanto sui lavoratori che svolgono direttamente attività cognitive. Quando vengono incorporate nei sistemi digitali, infatti, anche funzioni come pianificare, coordinare, distribuire compiti, calcolare tempi, misurare prestazioni e assumere decisioni possono tornare a esercitare un comando sul lavoro manuale.
Da questo punto di vista la separazione tra lavoro mentale e manuale – peraltro mai assoluta, perché anche per usare le mani si pensa – non scompare, ma viene riorganizzata.
Una parte delle attività cognitive che servono a governare il processo di lavoro viene trasferita al sistema tecnico, mentre chi continua a eseguire materialmente la prestazione si trova sempre più spesso subordinato alle decisioni prodotte da quel sistema.
Il precedente storico più evidente è il taylorismo, che aveva cercato di separare il sapere dell’operaio dall’esecuzione, concentrando nella direzione la conoscenza del processo, dei tempi e dei metodi per restituire poi al lavoratore una sequenza di operazioni prescritte.
Con la gestione algoritmica questo movimento può spingersi oltre, perché una parte della stessa funzione organizzativa viene oggettivata nel mezzo tecnico. Il comando non deve più necessariamente presentarsi con il volto del caporeparto, perché può assumere quello di un’applicazione che assegna un ordine, stabilisce un percorso, registra un ritardo, costruisce un ranking o determina l’accesso alle successive occasioni di lavoro.
È proprio per questo che il caso dei rider, pur riguardando un lavoro evidentemente materiale, permette di comprendere bene cosa significhi l’oggettivazione del lavoro mentale. Il rider continua a pedalare, ritirare e consegnare fisicamente una merce, mentre una quota crescente del lavoro cognitivo necessario a coordinare quella prestazione — incrociare domanda e disponibilità, assegnare la consegna, calcolare tempi e percorsi, monitorare la prestazione — viene concentrata nella piattaforma. La conoscenza organizzativa incorporata nel software si presenta così al lavoratore come una forza esterna che contribuisce a determinare le sue condizioni concrete di lavoro.
USB ha descritto questa trasformazione parlando di una subordinazione esercitata attraverso strumenti digitali, sottolineando come algoritmi, sistemi di valutazione e meccanismi di disconnessione possano svolgere funzioni che appartengono pienamente al potere datoriale.
Nei propri materiali sulla logistica ha inoltre indicato nella gestione algoritmica una forma di controllo che investe tanto i rider quanto altre figure del settore, mentre nel confronto sul recepimento della Direttiva europea 2024/2831 ha considerato insufficiente il semplice richiamo alla trasparenza degli algoritmi se non accompagnato dal riconoscimento effettivo dei diritti e della subordinazione.
La direttiva europea, pur senza mettere in discussione la proprietà delle piattaforme, riconosce del resto che i sistemi automatizzati possono svolgere direttamente funzioni di organizzazione e gestione del lavoro e prevede, oltre all’informazione, forme di supervisione umana, possibilità di contestazione delle decisioni e informazione e consultazione dei rappresentanti quando sistemi automatizzati vengono introdotti o modificati in modo sostanziale.
È in questo passaggio che la questione va oltre la richiesta di una piattaforma genericamente “più giusta”. Se l’algoritmo organizza concretamente il lavoro, conoscere i criteri con cui assegna incarichi e valuta le prestazioni, poterne contestare le decisioni e partecipare alla verifica dei suoi effetti significa iniziare a sottrarre il mezzo digitale alla condizione di scatola nera riservata all’impresa. La “trasparenza” acquista così un significato più forte quando diventa il presupposto di una capacità collettiva di intervento sul funzionamento della piattaforma.
Da qui deriva anche il significato politico dell’alfabetizzazione digitale. Se una parte crescente del sapere e del comando viene incorporata nei mezzi tecnici, una soggettività del lavoro che non sia in grado di comprenderne almeno il funzionamento essenziale rischia infatti di chiedere il controllo di strumenti sui quali non possiede alcuna autonomia conoscitiva.
La questione presenta, pur dentro condizioni storiche completamente differenti, una stretta parentela con la battaglia condotta dal movimento operaio per l’istruzione e per l’accesso dei figli dei lavoratori alla conoscenza. Anche allora il problema non consisteva semplicemente nell’acquisire competenze più utili al mercato del lavoro, ma nel sottrarre almeno una parte del sapere al monopolio delle classi dominanti.
Oggi comprendere come funzionano un algoritmo, un sistema di classificazione o una piattaforma non significa trasformare ogni rider in un programmatore, quanto piuttosto costruire gli strumenti collettivi che permettano ai lavoratori e alle loro organizzazioni di non dipendere integralmente dalla spiegazione fornita dall’impresa sul funzionamento del mezzo che li dirige.
L’alfabetizzazione digitale assume così un significato molto diverso dalla formazione aziendale all’uso di un software. Quest’ultima insegna a utilizzare più efficacemente uno strumento deciso da altri; la prima può mettere i lavoratori nelle condizioni di comprenderne abbastanza la logica da poterla discutere, contestare e, attraverso le proprie organizzazioni, intervenire sulle regole attraverso cui quella tecnologia organizza il lavoro. La questione politica torna allora anche sul tempo.
Se una nuova tecnologia consente di produrre la stessa quantità di beni o servizi con meno lavoro umano, la riduzione del lavoro necessario potrebbe tradursi in una riduzione generalizzata dell’orario. Nel rapporto capitalistico, invece, quella stessa possibilità tende a presentarsi al lavoratore nella forma del licenziamento, della dequalificazione o dell’aumento dell’intensità della prestazione di chi rimane.
È per questo che la riduzione dell’orario a parità di salario può assumere un significato che va oltre la semplice redistribuzione, perché pone direttamente la domanda su chi debba appropriarsi del tempo che la società non è più costretta a spendere nella produzione. Appropriarsi del tempo liberato, ricostruire una conoscenza autonoma sui mezzi tecnici e trasformare quella conoscenza in capacità collettiva di intervento sul processo produttivo non appaiono allora come tre questioni separate.
Sono passaggi dello stesso problema, perché una forza produttiva costruita attraverso una crescente socializzazione della conoscenza può diventare realmente emancipatrice soltanto se la sua capacità di ridurre il lavoro necessario non rimane proprietà esclusiva di chi controlla l’infrastruttura.
La soluzione delle Navier-Stokes, gli agenti che oltrepassano i confini previsti dai loro progettisti, la competizione internazionale sull’intelligenza artificiale, le enormi masse di capitale investite nei data center e un rider governato da una piattaforma possono sembrare fenomeni molto lontani. Eppure ciascuno, da un’angolazione differente, mostra come per sviluppare le proprie forze produttive il capitale abbia bisogno di una cooperazione e di una socializzazione della conoscenza sempre maggiori, mentre il controllo sulle infrastrutture e sulla destinazione della ricchezza prodotta continua a concentrarsi.
Più che chiederci se la macchina sia diventata “troppo intelligente”, potrebbe allora essere utile porre il problema al contrario: che cosa accade quando l’intelligenza necessaria alla produzione diventa sempre più sociale, mentre rimane privato il potere di decidere come utilizzarla?
È dentro questa contraddizione che la questione del controllo sulla produzione può acquistare un contenuto concreto. Decidere quali tecnologie sviluppare, con quali ritmi e per quali bisogni significa infatti anche appropriarsi del tempo che esse liberano e costruire la capacità autonoma del lavoro di comprenderne il funzionamento, fino a poter intervenire su quella “scatola nera” digitale dentro cui tende a essere incorporata una parte crescente non soltanto del sapere sociale, ma dello stesso comando sul lavoro.
Dello stesso autore vedi anche:
Data center, valorizzazione del capitale e sovranità digitale in Lombardia
La scarsità vale oro. Le aziende multiutility, mercato e crisi energetica
- © Riproduzione possibile DIETRO ESPLICITO CONSENSO della REDAZIONE di CONTROPIANO
Ultima modifica: stampa
