Sotto il tappeto dell’automazione: le persone invisibili che fanno funzionare l’AI

Immaginiamo un cruscotto per la moderazione. Compare una fotografia; un lavoratore ha pochi istanti per decidere quale etichetta sia corretta. Violenza? Contenuto sessuale? Odio? Il contesto cambia tutto, ma l’interfaccia preferisce una casella. L’elemento successivo arriva prima che il primo abbia lasciato emotivamente la stanza.

Molto lontano, una presentazione commerciale descrive il sistema ottenuto come «sicurezza automatizzata su vasta scala». Nella slide compare una raffinata nuvola azzurra. Al suo interno non si vede neppure un essere umano.

Non è soltanto un problema di branding. Quanto più pulita diventa la storia dell’autonomia, tanto più facilmente gli acquirenti ignorano chi ha preparato i dati, valutato il modello, corretto i fallimenti e assorbito materiali disturbanti. L’intelligenza artificiale spesso sembra un tappeto magico perché qualcuno è stato spazzato sotto di esso.

La macchina che arriva con un libro paga nascosto

Ogni sistema di AI poggia su una catena di decisioni e compiti umani. I ricercatori scelgono un problema. Gli ingegneri progettano un’architettura. Alcune persone raccolgono, puliscono e annotano dati. Altre confrontano risposte, segnalano output pericolosi, verificano i casi limite, traducono istruzioni o moderano ciò che caricano gli utenti. Il personale delle organizzazioni clienti ripara gli errori del sistema dopo l’introduzione. Gli stessi utenti possono fornire feedback che migliora un prodotto commerciale.

Una parte di questo lavoro è ben pagata e riconosciuta pubblicamente. Un’altra viene frammentata in singoli task, esternalizzata attraverso più aziende e resa difficile da vedere. Il termine ghost work richiama l’attenzione sull’attività umana che, dal punto di vista del cliente, sembra essere stata svolta dal software (Gray & Suri, 2019). Il fantasma non è immaginario. La sua invisibilità è stata progettata.

Il lavoro sulle piattaforme facilita questa progettazione. Un compito complesso può essere suddiviso in migliaia di giudizi apparentemente semplici e distribuito tra lavoratori che potrebbero non conoscere mai il prodotto finale, il cliente o il valore creato. «Fai clic sull’etichetta corretta» sembra un’istruzione meccanica. Eppure i casi difficili richiedono lingua, cultura, inferenza e giudizio emotivo. La macchina riceve una categoria pulita; la persona conserva l’ambiguità.

Analisi recenti contestano il mito dell’autonomia dell’AI seguendo questi contributi umani lungo l’intero ciclo di vita del sistema (Rani & Williams, 2026). Anche il lavoro sul ghostcrafting si concentra sul modo in cui il lavoro viene nascosto, mentre la piattaforma presenta l’intelligenza come una proprietà del solo modello (Rahman & Sultana, 2025). Il punto cruciale non è che l’AI sia finta. È che l’AI è sociotecnica: capacità computazionale e lavoro umano organizzato producono insieme il servizio.

Perché l’invisibilità fa parte del prodotto

Se il lavoro nascosto fosse soltanto dimenticato, una relazione annuale migliore potrebbe risolvere il problema. Ma l’invisibilità svolge un lavoro economico e retorico.

Primo, sostiene il premio dell’autonomia. Uno strumento descritto come autosufficiente appare più avanzato e scalabile di uno presentato come dipendente dal giudizio umano continuo. Investitori, manager e giornalisti sono più inclini a considerarlo un sostituto del lavoro, anziché una riorganizzazione del lavoro.

Secondo, protegge l’opacità del prezzo. L’acquirente vede un abbonamento o una tariffa API, non la distribuzione del denaro lungo la catena di fornitura. Diversi livelli contrattuali possono separare il brand dal lavoratore. Ogni livello può sostenere, in modo plausibile, che le condizioni di lavoro siano responsabilità di qualcun altro.

Terzo, la frammentazione indebolisce lo status epistemico. Quando migliaia di decisioni vengono chiamate microtask, le persone che le prendono smettono di sembrare contributori dotati di conoscenza. I loro disaccordi diventano «rumore»;

il loro lavoro respinto diventa una metrica di qualità; la loro competenza culturale diventa una colonna in un foglio di calcolo. Il prodotto apprende dal giudizio umano mentre il racconto del prodotto nega a quel giudizio l’autorialità.

Quarto, l’opacità restringe la responsabilità. Un cliente può dire che dei dati si occupa il fornitore. Il fornitore può dire che dell’annotazione si occupa un appaltatore. L’appaltatore può dire che la piattaforma si limita a mettere in contatto lavoratori indipendenti e task. La responsabilità scende le scale fino a raggiungere la persona con il minore potere contrattuale, poi scompare attraverso una botola.

Ecco perché qui conta un’osservazione più ampia sulla disuguaglianza digitale: «L’esclusione comincia al livello della costruzione del sistema» (Kaniecki, 2026, p. 13, traduzione dell’autore). Importa chi è rappresentato nei dati; importa anche chi può plasmare le categorie, contestare un’istruzione e partecipare al valore creato.

Il costo umano non è una sfortunata nota a piè di pagina

Il costo può essere economico. I lavoratori possono affrontare un’offerta incerta di task, valutazioni opache, output respinti o tempo non pagato impiegato per qualificarsi e cercare lavoro. Può essere psicologico: l’esposizione ripetuta ad abusi, violenza o materiale sessuale può provocare danni, mentre il sostegno varia e può trovarsi lontano dalle persone che fissano gli obiettivi di prestazione. Può essere anche civico. Chi contribuisce con il proprio lavoro all’addestramento di un sistema di moderazione può non disporre di alcun canale per contestare una policy culturalmente miope che il sistema applicherà in seguito su vasta scala.

La geografia conta, ma la formula consueta «lavoratori del Sud globale» può a sua volta appiattire le persone fino a trasformarle in scenografia. Questi lavoratori non costituiscono un unico gruppo passivo. Portano competenze, si organizzano, negoziano, rifiutano, improvvisano e costruiscono carriere in condizioni giuridiche ed economiche differenti. Un giornalismo etico non dovrebbe sostituire il mito dell’AI autonoma con la fotografia sentimentale di una vittima anonima. Dovrebbe rendere visibili nello stesso tempo l’agency e i vincoli.

Il danno raggiunge anche gli utenti. A un annotatore con poco sostegno può essere chiesto di risolvere una distinzione linguistica o culturale ignorata dal manuale d’istruzioni. La sua decisione può in seguito influenzare quale voce viene bloccata, quale dialetto classificato erroneamente o quale segnale di

disagio non riconosciuto. Quello che sembra un errore del modello può essere un errore organizzativo fossilizzato nei dati.

Infine, esiste un costo per l’acquirente. Un’università, una redazione o un ente pubblico incapace di ricostruire la catena del lavoro umano della propria AI non può valutare onestamente il rischio operativo. Abusi sul lavoro, annotazioni di bassa qualità, improvvisi ricambi del personale degli appaltatori e valutazioni culturalmente ristrette non sono separati dalla qualità del prodotto. Sono tra le sue cause.

La dignità nel lavoro significa più che tenere un essere umano «nel circuito»

La formula human in the loop può far sembrare rassicurante qualunque processo. Ma un lavoratore non è protetto solo perché è presente. Un lavoro dignitoso richiede la possibilità di comprendere il compito, esercitare il giudizio, ricevere un trattamento equo, contestare una valutazione ed evitare danni prevenibili.

Esiste anche una differenza tra far svolgere un passaggio a una persona e riconoscere quella persona come partecipante alla governance. Se i lavoratori incontrano centinaia di volte la stessa categoria ambigua, possiedono prove sulla progettazione del sistema. Un’organizzazione responsabile deve aprire una via perché questa conoscenza possa risalire. Altrimenti, il circuito è umano soltanto nel più ristretto senso anatomico.

Anche l’acquirente possiede agency morale. «Non li abbiamo assunti noi» non è una risposta completa quando un’organizzazione beneficia deliberatamente di una catena di fornitura. Gli acquirenti chiedono regolarmente ai fornitori informazioni sulla cybersicurezza, sulla localizzazione dei dati e sulla continuità del servizio. Le condizioni di lavoro appartengono alla stessa conversazione seria. Il lavoro internazionale sull’AI divide presenta tecnologia e occupazione come una questione di distribuzione globale, non soltanto come una corsa all’adozione (United Nations et al., 2024). La domanda pertinente non è quindi soltanto Possiamo permetterci questo sistema?, ma Che cosa ha reso possibile questo prezzo?

La responsabilità dovrebbe seguire tre elementi: controllo, conoscenza e beneficio. Un brand che controlla le specifiche, può esigere informazioni e cattura una quota importante del valore ha dei doveri, anche se il libro paga viene gestito altrove. Un’istituzione pubblica ha un obbligo aggiuntivo, perché gli

appalti spendono denaro collettivo e possono stabilire norme per un intero mercato.

L’Etichetta del lavoro umano dell’AI

Un’etichetta utile sul lavoro non deve fingere che sei caselle possano certificare la giustizia. Il suo compito è rendere visibili le informazioni mancanti e contestabili le decisioni d’acquisto. Dovrebbe accompagnare un sistema dal bando fino al rinnovo.

1. Categorie di lavoro. Indicare i compiti umani utilizzati lungo il ciclo di vita: raccolta dei dati, pulizia, annotazione, traduzione, red-teaming, classificazione delle risposte, valutazione della sicurezza, moderazione dei contenuti, assistenza ai clienti e correzioni dopo l’introduzione. Distinguere la preparazione una tantum dal lavoro continuativo. «Revisione umana» è una formula troppo vaga; è l’equivalente nutrizionale di elencare «ingredienti» come unico ingrediente.

2. Luogo, datore di lavoro e catena contrattuale. Dichiarare dove venga svolto il lavoro, quali soggetti assumano o contrattualizzino i lavoratori e quanti livelli li separino dal fornitore principale. Segnalare i cambiamenti rilevanti durante il contratto. Il luogo non è un punteggio morale, ma rivela quali norme, lingua, possibilità di ricorso e struttura dei costi siano applicabili.

3. Retribuzione e valutazione. Fornire fasce retributive o un equivalente difendibile, l’unità di pagamento, il tempo non pagato previsto, le metriche di prestazione, i motivi di rifiuto e l’informazione sull’accesso dei lavoratori alla spiegazione della valutazione. L’acquirente dovrebbe domandare se gli obiettivi premino la velocità a scapito di un giudizio accurato. Un modello addestrato sulla certezza frettolosa può poi rivendere quella certezza come intelligenza.

4. Esposizione al danno e sostegno. Identificare i contenuti disturbanti prevedibili, gli schemi massimi di esposizione, le regole di rinuncia, la rotazione, le pause, il sostegno psicologico e le procedure di emergenza. Non accettare la formula «sono disponibili risorse per il benessere» senza chiedere se siano accessibili nella lingua del lavoratore, confidenziali e utilizzabili senza perdere reddito.

5. Voce, ricorso e rimedio. I lavoratori hanno bisogno di un percorso funzionante per contestare il lavoro respinto, le istruzioni dannose, la discriminazione o le ritorsioni. Registrare tempi di risposta e risultati, non la sola esistenza di un indirizzo e-mail. Dove esiste una rappresentanza collettiva, dichiarare come venga coinvolta nei cambiamenti ai task o alle metriche.

6. Riconoscimento e distribuzione del valore. Spiegare se il contributo umano sostanziale venga riconosciuto nella documentazione tecnica, nelle pubblicazioni o nelle descrizioni del prodotto. Dove appropriato, mostrare come gli aumenti di produttività, le royalty, i bonus, la formazione o i contratti di più lungo periodo raggiungano i contributori. Non ogni etichetta merita la coautorialità, ma nessun prodotto dovrebbe pubblicizzare un giudizio autonomo negando sistematicamente l’origine umana di quel giudizio.

Trasformare l’etichetta in una decisione d’acquisto

L’etichetta diventa utile soltanto quando l’assenza di informazioni produce conseguenze. Una redazione o un’università possono applicarla in cinque passaggi.

Prima del bando, mappare quali usi previsti comportino un rischio elevato per i lavoratori e gli utenti. La moderazione per la sicurezza, i dataset emotivamente disturbanti, i dati dei minori e le classificazioni culturalmente sensibili meritano un esame più profondo di uno strumento di completamento automatico per l’ufficio.

Durante la selezione del fornitore, chiedere prove per ogni campo: contratti di esempio, sintesi degli audit, statistiche sui reclami, protocolli di sostegno e nomi dei soggetti responsabili. La riservatezza commerciale può giustificare l’oscuramento di dettagli individuali o competitivi; non una pagina bianca nel punto in cui dovrebbero esserci i diritti umani.

Valutare l’incertezza come rischio. «Non noto» non è neutrale. Se un fornitore non sa identificare chi svolge una valutazione essenziale, l’acquirente dovrebbe abbassare il punteggio, richiedere una correzione o respingere l’offerta. Un sistema economico con una catena del lavoro non verificabile contiene una fattura differita.

Inserire clausole esigibili. I contratti dovrebbero imporre la notifica dei cambiamenti dei subappaltatori, standard minimi di sostegno, accesso a verifiche indipendenti e un piano di rimedio. Dovrebbero vietare ritorsioni contro i lavoratori che segnalano danni attraverso canali protetti. Le revisioni dei prezzi non dovrebbero comprimere automaticamente il livello meno potente.

Riesaminare dopo l’introduzione. Confrontare l’uso promesso della correzione umana con quello reale. Registrare i casi in cui il personale del cliente, i freelance o gli utenti riparano gli output senza riconoscimento. La forza lavoro nascosta può spostarsi dopo l’acquisto; a volte entra direttamente in redazione, dove ogni pomeriggio un editor ripulisce testi «automatici».

Pubblicare una versione sintetica dell’etichetta. I lettori non hanno bisogno di ogni dettaglio commerciale, ma dovrebbero sapere se un prodotto dipenda dalla moderazione umana continuativa, dove restino le incertezze principali e chi risponda dei miglioramenti.

Dove finisce un’etichetta

La trasparenza può diventare teatro etico. Un’azienda può pubblicare un’etichetta elegante mentre la retribuzione resta inadeguata o i lavoratori sono privi di potere reale. Anche le informazioni comportano rischi: rivelare un luogo preciso o un subappaltatore potrebbe esporre lavoratori, sindacati o operazioni sensibili sul piano della sicurezza. Lo standard dovrebbe essere governato in modo indipendente e progettato con i lavoratori, non soltanto con acquirenti e fornitori.

I confronti tra Paesi richiedono cautela. Un unico dato salariale globale può ignorare costo della vita, protezione sociale, tempo non pagato e potere contrattuale. E non ogni task dovrebbe essere costretto dentro un impiego permanente se i lavoratori apprezzano una flessibilità autentica. Il test consiste nel verificare che la flessibilità sia reciproca: il lavoratore può rifiutare senza essere punito, comprendere le regole e prevedere un reddito sufficiente per agire liberamente?

Da sola, l’etichetta non può redistribuire la proprietà né smantellare la concentrazione delle piattaforme. Può però spezzare l’incantesimo retorico che trasforma il lavoro organizzato in elaborazione atmosferica. Quando un acquirente sa che una funzione dipende dalle persone, scegliere di non informarsi sulle loro condizioni diventa una decisione, non una svista.

Torniamo alla nuvola azzurra nella presentazione commerciale. Non deve essere sostituita da un organigramma affollato. Può bastare una frase onesta per cominciare: Questo servizio è prodotto dal software e da persone il cui giudizio rimane essenziale.

Poi poniamo la domanda adulta nascosta sotto il trucco di magia: chi sono, che cosa rischiano, che cosa possono contestare e quanta parte del valore li raggiunge?

L’automazione dovrebbe eliminare il lavoro ingrato. Non dovrebbe eliminare il lavoratore dal campo visivo della morale.