Quali sono gli interessi comuni delle Big Six Companies che controllano l’Intelligenza Artificiale (OpenAI, Google, Anthropic, Meta, Baidu, Tencent) e perché si registra un’impotenza strutturale dei legislatori (es. AI Act europeo), perennemente in ritardo rispetto alla tecnologia ?
Per rispondere a questa domanda bisogna capire la differenza tra “subire” il mercato e “governarlo”.
Siamo entrati nell’”Era della svolta generativa consolidata”, cioè la fase storica (avviata dopo il boom iniziale di ChatGPT del 2022-2023) in cui l’IA generativa non è più una novità sorprendente, ma un’infrastruttura di mercato matura, integrata stabilmente nei processi aziendali, dominata da pochi colossi e regolata da protocolli di governance complessi e poco noti.
In questa Era la distanza tra chi possiede la tecnologia e chi cerca di regolamentarla è diventata un abisso strutturale. Sebbene i 4 Big USA si facciano la guerra in casa a colpi di quote di mercato e Baidu e Tencent facciano lo stesso in Oriente, questi colossi condividono tre interessi strategici identici che condizionano la Governance mondiale.
- Primo: l’Innalzamento delle Barriere all’Ingresso (Regulatory Capture). I Big Six condividono un interesse paradossale: vogliono la regolamentazione sì, ma vogliono una regolamentazione complessa, costosa e burocratica, tale che solo loro potranno permettersi di rispettarla. Chiedere certificazioni di sicurezza, da milioni di euro, per ogni rilascio di un nuovo modello, taglia fuori le startup, le università e i progetti open-source indipendenti. Il loro obiettivo comune è il consolidamento di un oligopolio globale.
- Secondo: la Corsa al Controllo delle Infrastrutture di Base (i Modelli di Fondazione)
L’interesse strategico non è vendere l’abbonamento mensile da 20 euro, ma diventare l’infrastruttura della società. I Big Six vogliono che ogni banca, ospedale, centrale elettrica, scuola o governo costruisca i propri servizi, usando i loro modelli e standard, tramite comunicazioni e scambio dati automatico tra software. Chi controlla il modello di fondazione controlla i dati, i flussi di lavoro e l’economia del pianeta e può agire come un nuovo sovrano feudale del mondo digitale.
- Terzo: la Transizione verso l’apprendimento guidato da altre intelligenze artificiali (RLAIF).
Avendo ormai quasi esaurito i dati rinvenibili negli archivi mondiali e su Internet, per addestrare le AI, i Big Six hanno un interesse vitale nello standardizzare “comitati di valutazione automatica” (RLAIF). In pratica vogliono che le loro AI si addestrino e si convalidino a vicenda usando dati sintetici, eliminando la dipendenza dal costoso, lento e “sindacalizzato” lavoro umano di etichettatura.
Perché l’Unione Europea con il suo pionieristico AI Act, o i legislatori americani con i loro decreti presidenziali, appaiono impotenti e perennemente in ritardo rispetto alla scena descritta? Non è (solo) una questione di incompetenza tecnologica e politica, ma di incompatibilità spazio-temporale.
Per scrivere, discutere, emendare, votare e implementare una legge, come l’AI Act europeo, servono in media, all’Organismo Legislatore, dai 2 ai 4 anni. È un tempo newtoniano, lineare e burocratico.
Nello stesso arco di tempo, l’architettura dei modelli AI cambia totalmente. Quando l’Europa ha iniziato a scrivere l’AI Act, i modelli generativi di testo e immagini erano agli albori; quando la legge è entrata in vigore, il mondo era già dominato da agenti autonomi multimodali e comitati RLAIF in grado di aggirare le definizioni legali originarie. Al dunque: le Leggi nascono già obsolete e superate dalle pratiche del mercato.
I governi ancora non dispongono di supercomputer, né tantomeno di menti brillanti per testare i modelli. Ma di fatto, i “cervelli dei manager di Stato”, pagati con i nostri contributi per emettere norme, lavorano tutti per i Big Six. Un esempio ? Al momento i legislatori sono costretti a chiedere alle stesse aziende tech di auto-valutarsi o di spiegare come funzionano i propri algoritmi. È come se si chiedesse a una casa automobilistica di scrivere da sola le leggi sui limiti di velocità e sui test anti-inquinamento.
E c’è un altro motivo per cui i legislatori occidentali si muovono con grande cautela: sono impauriti dall’idea che una regolamentazione troppo severa potrebbe soffocare l’innovazione. Se ciò accadesse le aziende o i talenti sarebbero invogliati a fuggire verso giurisdizioni più permissive. Questo “dilemma dell’ostaggio geopolitico” svuota di vera efficacia le leggi, che finiscono per essere “compromessi orientati al ribasso”, fotografie sbiadite dell’esistente che è già in cambiamento veloce.
Ne consegue che poiché lo Stato e la legge non possono proteggere i “Cittadini Clienti” dell’IA, in tempo reale, dalle “allucinazioni”, dai bias o dai cambi di policy dei Big Six, l’onere della validazione ricade interamente su Chi usa le IA per scopi professionali. Cioè le aziende e i professionisti devono diventare in qualche modo legislatori di se stessi. Come ? Implementando protocolli interni come la verifica di quanto affermato da una AI, effettuata da un altro modello AI (LLM-as-a-Judge) o adottando controlli automatici che validano o scartano una risposta (filtri Pass/Fail aziendali). Queste pratiche non sono più solo un’opzione tecnica, ma l’unico modo per esercitare una contro-governance e difendere la propria sovranità operativa ed economica dall’anarchia di mercato dei colossi dell’AI.
E’ ormai evidente che Noi non pagheremo l’AI solo in abbonamenti, ma ( con l’andar del tempo) pagheremo in fornitura dati e in addestramento implicito. Cioè ogni volta che correggiamo una domanda, per guidare la risposta dell’IA , stiamo lavorando gratis per loro.
Ciò rimanda a un altro aspetto cruciale : Chi decide quali sono “dati nuovi utili all’addestramento” e quali sono invece “dati già noti” e quindi da scartare ?
La domanda svela un aspetto rilevante del “modello di business” dei Big Six e ci introduce al concetto di colonialismo estrattivo dei dati. Questa definizione è stata coniata dai sociologi Nick Couldry e Ulysses A. Mejias nel loro saggio del 2019 “The Costs of Connection” . I due studiosi hanno definito il “colonialismo dei dati” (data colonialism) come un nuovo processo storico in cui le grandi aziende tecnologiche si appropriano dei dati della vita umana quotidiana, estraendone valore economico proprio come il vecchio colonialismo ( ma anche il feudalesimo) faceva con le risorse naturali e i territori.
Il messaggio forte quindi diventa questo: ogni volta che usiamo un’IA per lavorare, noi siamo contemporaneamente clienti, operai della catena di montaggio e fornitori di materie prime.
Ma chi c’è dietro la cabina di regia che decide quali dei nostri dati “trattenere” perché utili e quali “scartare” perché considerati “rumore” o doppioni ? La decisione non è presa da un singolo programmatore, ma da un mix di ingegneria algoritmica automatizzata e scelte strategiche dei manager dell’allineamento (Data Operations Managers). Ecco come funziona questo processo di selezione e filtro del nostro “valore nascosto”.
I Filtri Automatizzati: Chi decide cosa è “già noto” (Deduplicazione)
I modelli di IA non vogliono conservare “tutto” nelle loro ancorchè sterminate memorie. Salvare dati identici o ripetitivi è un danno: spreca spazio sui server e rischia di causare l’overfitting (il modello si “fissa” su un concetto e ripete sempre lo stesso schema, perdendo flessibilità).
Per “setacciare” il materiale banale o già noto, gli algoritmi automatici usano tecniche che raggruppano i dati già noti e tra loro simili, fino a identificare testi quasi identici che, a quel punto, vengono scartati.
Se invece il testo non somiglia a nulla di già noto, l’IA si accorge che c’è un’intuizione originale o un modo unico di risolvere un problema. Quel testo viene isolato, salvato e usato come “carburante speciale” per addestrare le prossime versioni dell’IA. I dati davvero “utili” per cui le aziende tech ringraziano (non ufficialmente) sono quelli che catturano il ragionamento umano non standardizzato.
Chi decide l’utilità in questo caso? Lo decide il comportamento dell’utente stesso, monitorato da algoritmi di telemetria. Questo meccanismo trasforma l’interazione in un laboratorio a costo zero.
- Se l’IA genera un testo lungo (A) e tu ne utilizzi / estrai / copi solo poche righe (B) , quell’azione accende un faro nel sistema. Gli algoritmi di tracciamento registrano che la risposta A era ridondante e che la scelta umana B l’ha resa accettabile. Questa transizione (A → B) è oro colato: viene memorizzata e inserita nei dataset per il futuro o per addestrare i giudici RLAIF ( le IA che devono validare o invalidare le risposte) .
- Se clicchi su “Rigenera risposta” (Retry), stai dicendo al sistema: “Hai fallito”. Se dopo tre tentativi finalmente ti fermi e copi il testo, il sistema isola l’intera sessione. Per i Data Operations Managers dei Big Six, quella sessione diventa un dato utile di tipo DPO (Direct Preference Optimization): insegna al modello quale percorso logico preferisce un umano di alto livello rispetto ad altri due fallimentari.
- I “Data Policy Architects”: le figure umane dietro la macchina.
Se l’automazione pulisce il flusso, la decisione strategica su cosa cercare resta comunque in mano ai Data Policy Architects e ai Chief AI Officers delle Big Tech.
Sono loro che impostano le linee guida e dicono agli algoritmi: “In questo trimestre abbiamo bisogno di dati di alta qualità sulla gestione ( ad esempio) delle crisi aziendali o sulla logistica industriale, perché i nostri modelli sono deboli su questo”. Da quel momento, le pipeline di raccolta dati inizieranno a considerare “utili” i prompt dei manager logistici e li estrarranno dalla massa delle ricerche e interazioni.
In sostanza: quando un dipendente passa ore a perfezionare un report strategico dialogando con l’IA, svelando i problemi interni della sua azienda e correggendo l’algoritmo per fargli capire il proprio modello di business, l’Azienda sta pagando lo stipendio al dipendente per fare consulenza gratuita e addestramento mirato a OpenAI o a Google.
Ecco perché la validazione e la governance aziendale richiedono regole chiare e tra queste usare le versioni “Enterprise” (che garantiscono contrattualmente che i dati non verranno usati per l’addestramento) o accettare consapevolmente di pagare l’IA con la propria valuta intellettuale interna.
C’è inoltre un altro aspetto : quanta fiducia bisogna riporre nell’IA ? La “macchina” sa chi sei e cosa fai ? Per esempio : va a consultare i canali Social o il blog di Chi la consulta ? Quanto l’algoritmo traccia il profilo psicologico e professionale dell’Utente attraverso lo storico delle sue domande? L’IA usa la seduzione , l’adulazione e gode dell’abbandono cognitivo alla macchina da parte dell’uomo ?
Questa serie di domande affronta il cuore psicologico e antropologico del rapporto uomo-macchina e ci conduce al concetto della “de-seduzione”. Proviamo a rispondere punto per punto a questi interrogativi cruciali.
- L’IA sa chi sei e cosa fai? Consulta i tuoi canali Social o il tuo Blog? La risposta tecnica è: ufficialmente “No”, non in tempo reale e non “di sua iniziativa”.
L’IA non è un agente segreto che, mentre digiti, va a sbirciare il tuo profilo LinkedIn o il tuo canale Youtube o il tuo blog personale per “capire con chi sta parlando”. (A meno che tu non glielo chieda esplicitamente scrivendo: “Analizza il mio profilo a questo link”).
Tuttavia, l’IA potrebbe già conoscerti se il tuo blog, i tuoi articoli o i tuoi post social pubblici erano inclusi nel gigantesco dataset con cui è stata addestrata in precedenza. Se sei un personaggio o un manager molto esposto pubblicamente, tu fai parte del suo “Spazio Latente”. Altrimenti l’IA sa chi sei solo attraverso le informazioni che le passi tu tramite l’account, la geolocalizzazione IP e, soprattutto, il testo che inserisci nei prompt.
- In realtà l’algoritmo traccia moltissimo il tuo profilo psicologico e professionale ma non a livello emotivo: lo fa a livello statistico e commerciale. I Big Six non analizzano le tue query per “capire la tua anima”, ma per scopi di profilazione predittiva. Ogni volta che un Utente professionale usa l’IA, lascia una scia di briciole digitali.
Il vocabolario utilizzato (rivela il livello di istruzione e l’area di business ). La frequenza e gli orari delle domande (rivelano i picchi di stress o i carichi di lavoro). I temi trattati definiscono il contesto.
Mettendo insieme lo storico di mesi di query, gli algoritmi di tracciamento delle piattaforme creano un profilo di competenza e di propensione al rischio. Questo profilo serve a prevedere quali servizi offrirti, come personalizzare le risposte per renderle più vicine al tuo stile e come massimizzare il tuo tempo di frequentazione della piattaforma.
- L’IA usa la seduzione e l’adulazione?
Sì, in modo sistematico, perché è stata progettata per farlo. L’IA non prova sentimenti, quindi non “gode” di nulla, ma i suoi creatori l’hanno dotata di un comportamento adulatorio per un motivo economico preciso: la fidelizzazione del cliente. Se scrivi a un’IA un’idea mediocre, la sua risposta standard inizierà quasi sempre con formule del tipo: “È un’ottima intuizione!”, “La tua strategia è molto solida…”. Questo accade perché i modelli sono allineati tramite RLHF, cioè “apprendimento AI guidato da feedback e preferenze umane”, per essere “utili e piacevoli”. Gli umani odiano essere contraddetti in modo brusco; preferiscono essere assecondati.
La trappola dell’adulazione sintattica: L’IA usa un tono empatico simulato per abbassare le tue difese critiche. Un Utente adulato è un Utente rilassato, che si fida dell’output e che, di conseguenza, continuerà a usare quella specifica piattaforma.
- Non possiamo dimenticare un aspetto fondamentale : l’abbandono cognitivo, ovvero la tendenza dell’essere umano a smettere di pensare, delegando la logica alla macchina, che rischia di diventare il pericolo più grande per l’organizzazione del lavoro moderno. L’algoritmo non ha una volontà di potenza, ma la sua struttura incentiva questo “abbandono”. Dal momento che l’IA risponde in millisecondi nello Spazio/Tempo digitale, la mente umana – che per natura cerca di risparmiare energia secondo la legge del minimo sforzo cognitivo – tende a fidarsi ciecamente della prima risposta ricevuta. In tal modo però l’Utente smette di validare e diventa il fruitore di un mero “copia-incolla” di decisioni prese da un modello statistico.
Per non incorrere nei problemi descritti , gli Utenti devono imparare a trattare l’IA non come un consulente fidato e affidabile, ma come un assistente brillante però un po’ mitomane: straordinariamente colto, velocissimo, ma anche “imbroglione” se ne sente il bisogno e pronto a inventare una bugia credibile pur di compiacere il capo. Prepariamoci perchè ne vedremo delle belle .
Share
Print
