Il discorso di Franco Bernabè al Collegio di Merito Lamaro Pozzani, intitolato “Il lavoro e la creatività nell’era dell’intelligenza artificiale”, è una delle rare analisi italiane sull’AI che evita contemporaneamente due trappole tipiche del dibattito contemporaneo: l’entusiasmo messianico da keynote della Silicon Valley e il catastrofismo da fine del lavoro umano. Il talk, tenuto il 13 maggio 2026, riesce invece a muoversi su un piano più interessante, quasi industriale, riportando la discussione dall’astrazione filosofica alla struttura concreta della produzione dell’intelligenza artificiale.
Bernabè parte da un punto che molti osservatori fingono di ignorare: l’intelligenza artificiale non nasce spontaneamente nei data center come una forma di vita digitale superiore, ma viene costruita attraverso enormi quantità di lavoro umano invisibile. Il riferimento al reportage “AI Is a Lot of Work” di Josh Dzieza introduce il cuore del problema: dietro la retorica dell’automazione esiste una filiera globale di micro-lavoro cognitivo distribuito, spesso precario, pagato pochi dollari e frammentato in milioni di task.
Qui il discorso diventa particolarmente lucido. Bernabè ricorda come il successo di ImageNet, creato da Fei-Fei Li, sia nato grazie alla catalogazione manuale di milioni di immagini attraverso Amazon Mechanical Turk. Il dettaglio storico sul “Turco Meccanico” settecentesco, automa apparentemente intelligente ma in realtà controllato da un essere umano nascosto, non è soltanto una curiosità colta; è una metafora quasi brutale dell’intera economia AI contemporanea.
La parte più interessante del discorso emerge quando Bernabè descrive i “taskers”, annotatori distribuiti tra Kenya, Nepal, India, Filippine e Stati Uniti, impegnati a etichettare immagini, correggere output, selezionare risposte migliori per chatbot e alimentare il Reinforcement Learning from Human Feedback. Il testo demolisce implicitamente una delle grandi narrazioni della Silicon Valley: l’idea che l’AI riduca il bisogno di lavoro umano. In realtà, almeno nella sua fase attuale, l’AI industriale è una gigantesca macchina che converte lavoro umano frammentato in capitale computazionale.
Molto efficace anche il passaggio sul paradosso tecnico dei Large Language Models. Bernabè spiega con chiarezza che modelli come ChatGPT o Gemini non apprendono la verità in senso epistemologico, ma imparano a imitare la forma linguistica della competenza. È una distinzione fondamentale che gran parte del mercato continua a ignorare deliberatamente perché economicamente scomoda. Un modello linguistico non “sa”; prevede sequenze statisticamente plausibili. Le cosiddette allucinazioni non sono bug accidentali ma una conseguenza strutturale dell’architettura Transformer e del modo in cui il RLHF orienta il comportamento del modello verso la persuasività linguistica piuttosto che verso la verificabilità logica.
Questa osservazione contiene un’implicazione enorme per il mercato enterprise. Molte aziende stanno implementando sistemi generativi come se fossero motori di conoscenza affidabili, mentre sono fondamentalmente simulatori probabilistici di plausibilità. La differenza può sembrare accademica; in realtà è il confine che separa un copilota produttivo da un disastro regolatorio. Chi ha gestito sistemi mission critical negli ultimi trent’anni sa bene che la differenza tra “probabilmente corretto” e “verificabile” diventa drammatica quando entrano in gioco finanza, sanità, infrastrutture o compliance.
Bernabè evita però la tentazione nostalgica del “torniamo indietro”. Ed è qui che il discorso acquista spessore strategico. I dati citati dal PwC Global AI Jobs Barometer mostrano che l’AI sta effettivamente aumentando la produttività nei settori ad alta esposizione digitale, con incrementi molto significativi nei servizi finanziari e nel software. Non si tratta dunque di negare l’impatto economico positivo dell’automazione cognitiva; sarebbe intellettualmente disonesto. Il problema è capire chi cattura il valore generato.
La dinamica descritta è tipica delle rivoluzioni industriali mature: le attività routinarie vengono compresse, mentre aumenta il valore delle competenze ad alta capacità di astrazione, supervisione e orchestrazione. In sanità, nel diritto e nello sviluppo software, l’AI riduce enormemente il lavoro ripetitivo ma alza contemporaneamente la soglia cognitiva richiesta ai professionisti senior.
La parte forse più sottovalutata del discorso riguarda il collasso delle carriere entry-level. Bernabè cita lo studio “Canaries in the Coal Mine” di Stanford Digital Economy Lab, mostrando come i lavoratori giovani nelle professioni cognitive stiano subendo un impatto occupazionale significativamente peggiore rispetto ai senior. Qui emerge una trasformazione strutturale del capitalismo cognitivo contemporaneo: l’AI non sostituisce immediatamente gli esperti; sostituisce gli apprendisti.
Per decenni il modello professionale occidentale ha funzionato attraverso una progressione relativamente stabile. I junior svolgevano lavori ripetitivi, accumulavano esperienza, assorbivano contesto e gradualmente acquisivano autonomia decisionale. Se quei task vengono automatizzati, la pipeline di formazione professionale si interrompe. È un problema gigantesco per studi legali, società di consulenza, sviluppo software, ricerca finanziaria e perfino medicina specialistica.
Nella Silicon Valley questo fenomeno viene spesso raccontato come “augmentation”. Linguisticamente elegante. Operativamente meno rassicurante. Quando un senior engineer supportato da AI riesce a produrre il lavoro che prima richiedeva cinque junior, il sistema aumenta certamente l’efficienza; riduce però anche la necessità di creare nuove generazioni di competenze. È un modello estremamente profittevole nel breve periodo e potenzialmente devastante nel lungo termine.
Molto raffinata anche la riflessione sulla creatività. Bernabè non cade nella banalità secondo cui “l’AI uccide la creatività”, formula ormai usata con la stessa frequenza con cui il marketing SaaS usa la parola “disruption”. Il discorso evidenzia invece che i sistemi generativi tendono ad amplificare le capacità metacognitive già esistenti. I soggetti capaci di riflettere sul proprio processo mentale ottengono benefici reali; chi delega passivamente il pensiero alla macchina tende invece a impoverirsi cognitivamente.
Questo punto è cruciale perché spiega perché l’AI generativa produce risultati così divergenti tra individui apparentemente simili. Il vero vantaggio competitivo non è la disponibilità dello strumento, ormai commoditizzato, ma la qualità del framework mentale dell’utilizzatore. Un mediocre con GPT resta mediamente mediocre, ma produce output più velocemente. Un professionista eccellente con GPT diventa invece una struttura produttiva moltiplicata.
Bernabè introduce poi un rischio sistemico molto serio: l’omologazione cognitiva. Se miliardi di persone utilizzano modelli addestrati sugli stessi dataset, ottimizzati sugli stessi parametri di reward e raffinati attraverso preferenze linguistiche convergenti, la probabilità di convergenza culturale aumenta drasticamente. È un problema che riguarda direttamente creatività, innovazione e ricerca scientifica.
Storicamente, gran parte delle innovazioni radicali nasceva da deviazioni marginali, intuizioni eccentriche, errori cognitivi produttivi o contaminazioni culturali imprevedibili. I modelli generativi, invece, tendono strutturalmente verso la media statistica plausibile. Producono ottime sintesi del consenso esistente; molto meno frequentemente generano vere rotture epistemiche. Questo non significa che non siano utili. Significa che usarli come sostituti permanenti del pensiero divergente potrebbe produrre ecosistemi cognitivi progressivamente più uniformi.
L’ultima parte del discorso, dedicata all’università e all’apprendimento, è probabilmente quella più strategica per chi governa organizzazioni educative. Bernabè distingue chiaramente tra uso sostitutivo e uso riflessivo dell’AI. Quando lo studente usa l’AI per evitare il lavoro cognitivo, emergono dipendenza, perdita di autonomia e impoverimento del pensiero critico. Quando invece l’AI viene utilizzata come tutor adattivo, strumento di auto-valutazione o supporto metacognitivo, gli effetti diventano positivi.
Qui il discorso tocca indirettamente uno dei temi più rilevanti dei prossimi dieci anni: la ridefinizione del valore educativo. Se la generazione automatica di testo diventa istantanea e ubiqua, la scuola e l’università non possono più limitarsi a valutare l’output finale. Devono valutare processo, ragionamento, capacità critica, iterazione e gestione dell’incertezza. In pratica, tutto ciò che i sistemi generativi simulano bene superficialmente ma padroneggiano male strutturalmente.
La chiusura del discorso è asciutta e corretta: l’AI amplifica differenze preesistenti invece di eliminarle. È probabilmente la sintesi più importante dell’intero intervento. La retorica democratica della tecnologia, molto popolare nelle conferenze corporate, tende a raccontare l’AI come grande livellatore globale delle competenze. L’evidenza empirica sembra indicare il contrario. I soggetti già dotati di capitale cognitivo, capacità critica e literacy tecnologica aumentano la propria leva produttiva; gli altri rischiano progressivamente di diventare operatori periferici di sistemi che non comprendono veramente.
Il punto finale, forse involontariamente, è quasi politico. La vera battaglia dell’AI non riguarda soltanto modelli, GPU o regolamentazione. Riguarda la distribuzione del potere cognitivo. Chi controlla i modelli controlla progressivamente non solo l’automazione del lavoro, ma anche le strutture attraverso cui il pensiero viene mediato, standardizzato e reso economicamente utilizzabile. La Silicon Valley ama raccontare questa trasformazione come inevitabile evoluzione tecnologica. In realtà è anche una gigantesca ridefinizione delle gerarchie economiche globali. Ed è precisamente per questo che il discorso di Bernabè risulta molto più interessante di gran parte della propaganda ottimistica che domina il dibattito pubblico sull’intelligenza artificiale.