In questo articolo Indice dei contenuti 3 sezioni
Quando Bill Gates afferma che l’intelligenza artificiale potrebbe diventare il più grande strumento di uguaglianza mai inventato oppure la peggiore fonte di ingiustizia, mette sul tavolo una frase difficile da archiviare in fretta. Il ragionamento parte bene: la diffusione dell’AI sarà con ogni probabilità molto più rapida di quella del personal computer, perché non pretende nuovo hardware, linguaggi da imparare o cicli di formazione lunghi anni. Arriva dentro strumenti che milioni di persone hanno già in tasca e accetta istruzioni scritte nella lingua di tutti i giorni.
Convincente anche il passaggio successivo, quello in cui si spiega che l’automazione non deve toccare il 100% delle mansioni per stravolgere il mercato del lavoro. Se 10 persone producono quanto prima ne producevano 20, un’azienda ha davanti due strade: raddoppiare l’offerta oppure ottenere lo stesso risultato con meno personale. È lì, in quella scelta, che si decide buona parte del futuro. Da questo punto in poi, però, il ragionamento di Gates diventa un po’ troppo lineare.
Produrre più in fretta non significa avere bisogno di meno persone
Lo sviluppo software viene citato come il caso più evidente, con gli sviluppatori descritti come almeno due volte più efficienti grazie all’AI. Plausibile, per carità: gli strumenti di coding assistito hanno tagliato i tempi per il boilerplate, i test, la ricerca dentro il codice, la documentazione delle funzioni, il refactoring, l’individuazione di certe categorie di errore. Solo che uno sviluppatore non produce bulloni e non lo si misura contando righe scritte in un’ora.
Una patch può nascere in 5 minuti e chiedere ore di verifica. Codice che compila senza un errore può portarsi dentro una regressione destinata a emergere mesi dopo. Un modello può capire benissimo una singola funzione e ignorare del tutto le assunzioni architetturali che la legano ad altre migliaia di righe. Linus Torvalds, con cui Gates si è confrontato a cena qualche tempo fa, non respinge affatto l’AI e l’ha usata anche per analizzare bug, ma insiste su un punto: qualcuno deve capire ciò che il modello produce, verificarlo e assumersene la responsabilità. Responsabilità che resta umana, sempre. L’AI può abbattere il costo di produzione del codice senza abbattere allo stesso modo quello di progettare, integrare, proteggere e mantenere il software.
Il vero nodo sono i giovani che non entrano
I primi segnali dicono che gli effetti negativi rischiano di concentrarsi su chi la carriera deve ancora iniziare. Il dato interessante non è il licenziamento di chi già lavora, ma la mancata assunzione. Immaginiamo un reparto con 10 sviluppatori esperti: nessuno perde il posto, però dove fino a qualche anno fa sarebbero entrati 5 giovani adesso ne entrano due. Le statistiche sui licenziamenti non registrano alcun terremoto, mentre la porta d’ingresso alla professione si stringe. Automatizzando il gradino più basso della scala, resta da capire chi formerà i senior di domani.
I numeri statunitensi citati da Gates meritano attenzione, con una divergenza evidente tra giovani impiegati nelle professioni più esposte all’AI e settori meno esposti. Ma una correlazione non è una prova di causa. Tassi di interesse, rallentamenti settoriali, strategie di assunzione diverse possono portare allo stesso risultato. Dire che stiamo osservando un fenomeno compatibile con l’automazione è corretto, sostenere che l’AI abbia già cancellato il 19% dei posti dei giovani non lo è. Del resto il Future of Jobs Report del World Economic Forum prevede insieme decine di milioni di lavori persi e un numero ancora maggiore di occupazioni nuove.
Tassare i token e la domanda rimasta nell’ombra
Sulla tassazione il discorso si complica. Una tassa sui token AI dovrebbe colpire allo stesso modo il radiologo che riassume una cartella clinica e l’azienda che automatizza migliaia di richieste di assistenza clienti? E un modello open source eseguito in locale? Un robot che sostituisce un lavoratore e uno che gli evita un’attività pericolosa valgono uguale? Il rischio è tassare la tecnologia invece degli effetti economici indesiderati.
Poi c’è la domanda che nell’intervento resta sullo sfondo: chi possiede i modelli, l’infrastruttura su cui girano, i dati necessari per usarli. Se cinque società controllano modelli, data center, GPU e interfacce, il discorso sulla distribuzione dei benefici arriva quando la partita è già chiusa. Standard aperti, interoperabilità, modelli open weight, inferenza locale, sovranità dei dati e attenzione al lock in tecnologico dovrebbero pesare quanto la tassazione dell’automazione. Sul fronte sicurezza, invece, nessuna obiezione: la stessa capacità che permette a un modello di trovare una vulnerabilità serve a sfruttarla, e sandbox, separazione dei privilegi e audit sugli agenti sono un problema di oggi, non di domani.
