Il lato umano
dell'Ai

Negli ultimi anni l'intelligenza artificiale (Arficial Intelligence, Ai) è stata raccontata come una tecnologia autonoma, quasi magica. Sistemi che apprendono da soli, automatizzano processi, sostituiscono il lavoro umano, generano immagini, testi e decisioni in pochi secondi. La narrativa dominante sull’Ai insiste spesso sulla fluidità: tecnologie “senza attrito”, capaci di funzionare quasi indipendentemente dalle persone.

Eppure, dietro questa fantasia dell’automazione totale, esiste un’enorme quantità di lavoro umano invisibile. Persone che etichettano dati, correggono errori, moderano contenuti violenti, allenano chatbot, verificano immagini, trascrivono audio, traducono testi, ripuliscono dataset. L’intelligenza artificiale non nasce dal nulla, viene continuamente alimentata, corretta e mantenuta da esseri umani.

Gran parte di questo lavoro resta nascosta e, molto spesso, è svolta da donne.

Secondo il Global gender gap report del World Economic Forum, le donne rappresentano appena il 26% della forza lavoro globale nei ruoli legati ai dati e all'intelligenza artificiale. Ma questa percentuale racconta solo una parte della storia. Perché mentre gli uomini occupano più spesso le posizioni visibili e meglio retribuite dell'industria – ingegneria, leadership tecnica, sviluppo dei modelli – una parte enorme del lavoro necessario ad addestrare e mantenere i sistemi Ai continua a essere svolta da lavoratrici precarie, spesso esternalizzate e distribuite lungo filiere globali opache.

Nel dibattito pubblico sull'AI si parla continuamente di innovazione, produttività e futuro, ma molto meno delle infrastrutture umane che rendono possibile tutto questo. Come scrive Madhumita Murgia in Code dependent. How AI is changing our lives (Pan Macmillan, 2025), dietro il mito di un’intelligenza artificiale autonoma, ci sono lavoratrici e lavoratori che assorbono il peso materiale, emotivo e cognitivo del digitale.

Anche Atlas of AI. Power, politics, and the planetary costs of Artificial Intelligence (Yale University Press, 2022) di Kate Crawford insiste su questo punto: l’Ai non è qualcosa di immateriale. È un’infrastruttura costruita attraverso estrazione di risorse, energia, dati e lavoro umano distribuito globalmente. Dietro l’estetica pulita delle piattaforme esistono catene di produzione frammentate e spesso profondamente diseguali.

Una delle forme più diffuse di questo lavoro invisibile è il cosiddetto human-in-the-loop: persone che intervengono continuamente per addestrare o correggere i sistemi automatici. È il lavoro di data labelling (etichettatura dei dati), annotazione di immagini e testi, moderazione dei contenuti, valutazione delle risposte generate dai modelli linguistici, microtasking e clickwork.[1]

Molte aziende tecnologiche dipendono da piattaforme di outsourcing digitale, dove migliaia di lavoratori e lavoratrici svolgono micromansioni pagate pochi centesimi. In alcuni casi si tratta di riconoscere oggetti in immagini, in altri di classificare contenuti, correggere trascrizioni o valutare la “sicurezza” di testi e figure generate dall’Ai.

Secondo un recente reportage del quotidiano britannico The Guardian sulle lavoratrici invisibili dell’Ai in India, le donne costituiscono almeno metà della forza lavoro impiegata nei processi di data annotation (annotazione dei dati) e moderazione dei contenuti per l’intelligenza artificiale. Molte lavorano da casa per piattaforme globali, spesso in condizioni precarie, guardando per ore contenuti violenti, abusi, pornografia o materiale traumatico necessario ad allenare i sistemi automatici.

Alcune aziende descrivono queste lavoratrici come particolarmente “affidabili”, “pazienti” o “adatte” a lavori ripetitivi e domestici da remoto. Una retorica che ricorda da vicino il modo in cui il lavoro femminile è stato storicamente naturalizzato: invisibile, flessibile, emotivamente disponibile.

Una delle aree più traumatiche è quella della moderazione dei contenuti. In Behind the screen. Content moderation in the shadows of social media (Yale University Press, 2021), la ricercatrice Sarah T. Roberts ha mostrato come gran parte della "pulizia" dei social media venga svolta da persone che hanno la funzione di moderare i contenuti, costrette a guardare ogni giorno immagini violente, abusi, pornografia estrema e contenuti traumatici. Spesso si tratta di lavoro precario, esternalizzato e psicologicamente devastante.

Studi recenti mostrano che molte di queste persone sviluppano sintomi legati a trauma secondario, insonnia, dissociazione e ipervigilanza. Eppure, questo lavoro continua a essere trattato come semplice “pulizia” tecnica delle piattaforme.

Anche il concetto di ghost work (lavoro fantasma), elaborato da Mary L. Gray e Siddharth Suri nel libro Ghost work: how to stop Silicon Valley from building a new global underclass (Houghton Mifflin Harcourt, 2019), descrive bene questa realtà: le piattaforme si presentano come automatiche mentre, dietro le interfacce, continuano a dipendere da persone che correggono continuamente ciò che la macchina non sa fare.

Qui emerge una questione importante anche dal punto di vista di genere. Molte delle attività richieste dall’economia dell’Ai coincidono infatti con forme di lavoro storicamente associate alle donne: cura, pazienza, moderazione, disponibilità emotiva, manutenzione invisibile, gestione delle relazioni, lavoro ripetitivo e poco riconosciuto.

Come il lavoro domestico, anche il lavoro digitale invisibile tende a essere considerato “naturale”. Essenziale, ma raramente valorizzato davvero.

Anche l’International Labour Organization ha evidenziato come le occupazioni delle donne siano molto più esposte ai processi di automazione generativa rispetto a quelle maschili: circa il 29% dei lavori a prevalenza femminile presenta un’elevata esposizione all'intelligenza artificiale generativa (GenAi), contro il 16% di quelli a prevalenza maschile.

Non è un caso che molte piattaforme digitali si basino proprio sulla capacità di produrre empatia, presenza umana e realness: internet continua a chiedere autenticità, accessibilità emotiva e disponibilità costante, ma spesso remunera pochissimo chi contribuisce alla produzione di questi valori. Le piattaforme premiano il coinvolgimento umano mentre cercano contemporaneamente di automatizzarlo.

In questo senso, l’intelligenza artificiale non elimina il lavoro invisibile: spesso lo redistribuisce verso soggetti più precari e meno protetti.

Anche il concetto di data colonialism (colonialismo dei dati), sviluppato da Nick Couldry e Ulises A. Mejias in The costs of connection (Stanford University Press, 2019), aiuta a leggere queste dinamiche. L’economia digitale continua infatti a estrarre valore da corpi, tempo, attenzione e lavoro distribuito globalmente, spesso scollegando completamente le persone dal valore economico che contribuiscono a creare.

Molte lavoratrici coinvolte nei processi di moderazione o annotazione dei dati operano nel Sud globale, dentro economie digitali costruite sull’outsourcing e sulla precarietà. Eppure, il loro contributo resta quasi sempre assente dalla narrazione pubblica sull’innovazione tecnologica.

Più il prodotto appare automatico, fluido e intelligente, più il lavoro umano deve sparire dalla narrazione.

L’intelligenza artificiale viene venduta come tecnologia del futuro, ma spesso continua a reggersi su gerarchie molto antiche: divisione globale del lavoro, estrazione di valore, invisibilizzazione del lavoro femminile, outsourcing emotivo.

Forse continuiamo a parlare di “intelligenza artificiale” perché è un’espressione che permette di evitare la parola lavoro. Ma dietro ogni sistema che sembra autonomo esistono ancora corpi, tempo, fatica, trauma, attenzione e cura. E molto spesso hanno un genere preciso.

Forse il vero rischio non è che le macchine diventino umane, ma continuare a trattare il lavoro umano come se fosse invisibile.

Note

[1] Migliaia di micro-attività ripetitive e frammentate in cui le piattaforme suddividono il lavoro necessario ad allenare e mantenere i sistemi di intelligenza artificiale. Si tratta di compiti apparentemente semplici – etichettare immagini, trascrivere audio, verificare testi, correggere output, moderare contenuti, identificare oggetti, classificare emozioni o segnalare errori – pagati pochi centesimi per task e distribuiti attraverso piattaforme digitali come Amazon Mechanical Turk o altri sistemi di outsourcing globale.

Riferimenti

N. Couldry, U. A. Mejias, The costs of connection. How data is colonizing human life and appropriating it for capitalism, Stanford, Stanford University Press, 2019.

K. Crawford, Atlas of AI. Power, politics, and the planetary costs of artificial intelligence, New Haven, Yale University Press, 2022.

P. Gmyrek, J. Berg, K. Kamiński, F. Konopczyński, A. Ładna, B. Nafradi, K. Rosłaniec, M. Troszyński, Generative AI and jobs. A refined global index of occupational exposure, Geneva, International Labour Organization, 2025.

M. L. Gray, S. Suri, Ghost work. How to stop Silicon Valley from building a new global underclass, Boston, Houghton Mifflin Harcourt, 2019.

M. Murgia, Code dependent. Living in the shadow of AI, London, Picador, 2025.

S. T. Roberts, Behind the screen. Content moderation in the shadows of social media, New Haven, Yale University Press, 2021.

World Economic Forum, Global gender gap report 2025, Geneva, World Economic Forum, 2025.