Interazione macchina operaio di Angelo Dina. La tecnologia impiegata nella produzione, in particolare le macchine, procede per evoluzioni e fasi in rapporto con la loro possibilità di interagire con l’operaio specializzato, quello non specializzato e con la dirigenza dell’azienda rendendole sempre più flessibili e duttili, tanto da poter parlare oggi di industria 4.0, per l’impiego di macchine quasi-autonome, autoprogrammanti o comunque facilmente riprogrammabili all’occorrenza e auto-interagenti in sistemi cibernetici complessi. Descrivendo la storia di questo processo possiamo dire che le macchine sono strumenti che consentono – sì – di sostituire parte del lavoro umano ma nel corso del tempo in maniere sempre differenti per cui possiamo parlare di fasi tecnologiche. Se prima non si aveva la possibilità di modificare la macchina al fine di modificare la produzione all’occorrenza, l’introduzione di tecnologie più avanzate permette di estrarre e ricevere informazioni dalla macchina sul suo operato e poi di poter programmare la sua azione. Se fino alla prima metà del novecento non succedeva, dagli anni ’60 in poi lo sviluppo di alcuni strumenti e sensori permise di iniziare a leggere i dati forniti dalla macchina per controllare il suo lavoro anche se questo presupponeva comunque di dover smontare la macchina per modificarla. Successivamente la sempre migliore produzione di tecnologia informatica e in più particolare l’invenzione del microprocessore e la loro integrazione all’interno di macchine più sofisticate permise prima di riprogrammare la macchina all’occorrenza, poi di riprogrammarla anche senza interrompere il flusso produttivo. Se allora vediamo in prospettiva cosa dovrà succedere – e in parte è quello che vediamo con l’IA e l’industria 4.0 – possiamo pensare che la prossima fase tecnologica sia quella in cui le macchinegestiscono in semi-autonomia il proprio lavoro e riprogrammano se stesse e con il minimo intervento umano. Rielaborazione di idee di Angelo Dina – che disse tanto altro sul tema! – trovate in rete qui e qui che si basano sulle seguenti fonti:
A. Dina (1979). Politica economica. Le nuove tecnologie dell’automazione. Quaderni di Rassegna Sindacale, 80.
A. Dina (1982). Tecnologia e lavoro. Richiami storici e problemi attuali. Classe, (22): pagine 5–37.
A. Dina (1985). La fabbrica automatica e l’organizzazione del lavoro. In In Fiom CGIL, i lavoratori dentro le innovazioni tecnologiche. Rosenberg & Sellier, Torino.
Slopsquatting. Cito direttamenente la definizione data da Paolo Attivissimo qui: Lo slopsquatting, questa nuova tecnica di attacco al centro di questa storia, è un misto di questi due concetti. In pratica, il criminale crea e pubblica online una risorsa di programmazione malevola, un cosiddetto package o pacchetto, che ha un nome molto simile a quello di una risorsa attendibile e poi aspetta che l’intelligenza artificiale che crea codice di programmazione sbagli e usi per errore quella risorsa malevola al posto di quella genuina.
Paradosso di Cowan. È la constatazione che la tecnologizzazione del lavoro domestico (lavatrice, frigorifero, …) ha portato all’aumento di ore di lavoro non retribuito a carico delle casalinghe o comunque donne dalla fine dell’ottocento fino agli anni ottanta. Per estensione e dopo altri decenni di studio si può dire che nel mondo occidentale il numero di ore di lavoro domestico è rimasto grossomodo costante durante un secolo e solo dagli anni duemila si vede un leggero calo. Questo è dovuto a vari fattori tra cui il primo è l’individualizzazione del lavoro domestico: in precedenza il lavoro era condiviso tra mogli, figli, vicini e anche più distribuito agli adulti maschi. La tecnologia domestica, la scuola pubblica e altre novità dagli anni ’50/’60 hanno spostato il carico di lavoro soprattutto verso le donne/mogli. Il secondo fattore è il fatto che l’introduzione delle tecnologie domestiche ha portato all’elevarsi degli standard di pulizia e igiene che ha determinato l’aumento del tempo dedicato alle faccende domestiche. Altro fattore è lo sviluppo di tecnologie come l’automobile e la loro capillare distribuzione presso le famiglie che hanno spostato alcune mansioni dagli uomini alle donne; un esempio è il fatto che prima le donne compravano molti beni di consumo davanti casa da un rivenditore che si faceva carico della distribuzione, mentre poi la distribuzione nelle case dei prodotti veniva scaricata sui singoli membri della famiglia, spesso donne, che dovevano andare a comprare i prodotti in un negozio (altro fatto è quello della nascita di centri commerciali e negozi self-service come gli attuali supermercati in cui il lavoro di raccolta e selezione dei prodotti è interamente a carico dei clienti, cosa che non avveniva prima). Altri esempi sono la stufa, i tessuti, e la produzione industriale di farina che hanno tolto impieghi agli uomini e lo hanno trasferito alle donne. Altro fattore non meno importante è che di solito nell’economia capitalista la progettazione e la realizzazione degli elettrodomestici o comunque di tecnologia domestica anche digitale si basano più sulla fornitura e vendita di un prodotto o servizio che le industrie riescono facilmente a ideare e realizzare piuttosto che su un reale bisogno o esigenza domestica. Questo discorso include anche che la progettazione delle macchine domestiche, essendo in genere in capo a uomini, è dedicata solo in parte alle necessità come individuate dalle donne.
Questo significa però per estensione che la tecnologia (quantomeno) da sola non sempre riduce il lavoro – anzi! -; semmai è tutta una serie di fattori anche di contorno che rendono possibile questa riduzione. Un altro esempio di come la tecnologia non riduca il lavoro è costituito proprio dalle IA: si dice molto riguardo la sostituzione del lavoro umano con servizi IA in alcuni ambiti (per esempio la programmazione) ma non si dice qual è il costo in termini di lavoro umano nell’implementazione di queste IA. Pensiamo per esempio che gli LLM richiedono di fagocitare più testi possibile, meglio se di alta qualità, ma questi testi sono stati scritti da umani in miliardi di ore di lavoro e sono raccolti tramite scraping per lo più indiscriminato e in barba il più delle volte al diritto d’autore. Nel caso della classificazione e riconoscimento di immagini c’è bisogno di costruire ingenti database di qualità per l’addestramento delle reti neurali di questi sistemi. Questi dataset sono una collezione di immagini che proviene in parte dal web e in parte no, ma comunque determinata da un certo numero di ore di lavoro umano. In più la raffinazione e la classificazione di queste immagini vengono svolti da umani, specialmente da manodopera a basso costo reclutata da paesi del nord del mondo in paesi in via di sviluppo tramite servizi web dedicati appositamente a questo (vedi Amazon Mechanical Turk). Senza parlare per forza del fenomeno del momento basti pensare al fatto che l’automazione ha bisogno di tecnici, di dedicarsi alla loro configurazione e manutenzione e che certe volte non è chiaro se questo tempo sia minore di quello che sarebbe stato impiegato in più senza tecnologia. Tutto ciò vale anche tra le mura domestiche dove questo discorso nei prossimi anni potrebbe ripercuotersi trasferendo parte di lavoro domestico dalle donne agli uomini perché in genere più formati nell’utilizzo della tecnologia, più adatti a quella serie di compiti e in genere più disposti a dedicarvisi.
MENACE (Matchbox Educable Noughts and Crosses Engine): Primo meccanismo di reinforcement learning ideato da Donald Michie nel 1961. Il meccanismo, basato fisicamente su scatolette di fiammiferi e regole, impara a giocare a tris contro un giocatore umano. Alla fine del processo le scatolette giocano a tris come un reale buon giocatore.
AI Advertising: al momento (settembre 2025) è l’idea delle aziende di IA di farsi pagare per generare risposte che contengano un annuncio. È la vecchia idea della pubblicità mirata ma invece di essere implementata su un motore di ricerca come Google, che, a seconda della ricerca, fa comparire un certo link sponsorizzato in cima alla lista contenuta nella pagina di risposta, o sui social network e le pagine internet generiche, è applicata agli LLM: un utente cerca un consiglio su un prodotto generico di una certa categoria usando uno strumento di IA e la macchina risponde con un messaggio caratterizzato dal consiglio ad acquistare un prodotto specifico sponsorizzato.
Esperimento mentale della Stanza Cinese di Searle: argomentazione con cui il filosofo John Searl tenta di affrontare il tema se le macchine possano o no pensare come gli umani. Ne discende la tesi secondo la quale computer manipolatori di simboli per mezzo di regole per fornire da un input un output (come un chatbot odierno) non pensano come umani e c’è poca speranza che lo facciano, perché viene dimostrato che si possono costruire macchine che non pensano e che contemporaneamente costruiscono discorsi sensati. Più precisamente l’esperimento mentale è volto a dimostrare che non è sufficiente e neppure necessario al raggiungimento dell’AGI costruire macchine computazionali come chatbot. Searle è evidentemente un oppositore del pensiero funzionale a la Touring, per cui basterebbe che una macchina riesca ad avere conversazioni come un umano per aver raggiunto almeno quella forma di intelligenza.
Effetto ELIZA: effetto secondo il quale un umano che colloquia con una macchina abbastanza potente attribuisce umanità ed intelligenza alla macchina stessa. ELIZA è il primo esempio di chatbot a cui è stato attribuita queste proprietà, programmato dal prof. Joseph Weizenbaum nel 1966, che successivamente discusse anche della filosofia sulla IA che ne nasceva.
Payload: è il reale contenuto di un messaggio tra due computer che comunicano in una rete. Per essere inviato però viene arricchito con ulteriori informazioni, eventualmente cifrato e pacchettizzato, il che permette l’effettivo invio a destinazione. In sicurezza informatica con payload si intende un malware o codice malevolo, eventualmente trasmesso in una rete.
