Tra gli esperti di AI circola una voce: l’enciclica papale sull’intelligenza artificiale potrebbe essere stata scritta proprio da un’intelligenza artificiale Se davvero il Papa si fosse fatto aiutare dall’intelligenza artificiale come un laureando qualunque per scrivere l’enciclica Magnifica Humanitas sarebbe uno scandalo, o una beffa situazionista. Tanto più se l’enciclica è dedicata in buona parte alla denuncia dei rischi derivanti dall’intelligenza artificiale. Impossibile, dunque? Il dubbio che sia andata proprio così circola da ieri, quando alcuni utenti hanno setacciato l’enciclica di Leone XIV per mezzo dei software anti-plagio, addestrati a riconoscere l’origine algoritmica di un testo e, va detto, non sempre affidabili. Leggi l'articolo sul sito de "Il Manifesto"

Immagine in evidenza rielaborata con intelligenza artificiale (ChatGPT) L’applicazione dell’intelligenza artificiale nella cybersicurezza genera, da sempre, sentimenti contrastanti. Le potenzialità dell’AI rappresentano, da una parte, un’opportunità per migliorare il livello di automazione nelle attività di rilevamento e risposta agli attacchi dei criminali informatici. L’altra faccia della medaglia è rappresentata dalla possibilità che gli stessi cybercriminali ne sfruttino le capacità per aumentare l’efficacia degli attacchi. È qualcosa che sta già accadendo e che viene messo nero su bianco, per esempio, nel Global Threat Report 2026 di CrowdStrike. Stando ai dati pubblicati dalla società di cybersecurity, gli attacchi portati utilizzando l’AI sarebbero aumentati dell’89% anno su anno. Ma l’impatto dell’AI non si esaurisce negli attacchi veri e propri. La stessa tecnologia che li accelera sta mettendo sotto pressione, in particolare, l’ecosistema che fino a oggi ha garantito l’attività di identificazione e analisi delle vulnerabilità software. In altre parole, l’AI sta rompendo gli equilibri che per anni hanno permesso di mitigare il rischio di attacchi informatici.  COME FUNZIONA LA VULNERABILITY DISCOVERY Per comprendere l’impatto dell’AI in questo particolarissimo settore è indispensabile comprenderne i meccanismi. La vulnerability discovery è infatti una macchina complicata, in cui si intrecciano interessi diversi e convivono varie contraddizioni.  Il concetto alla base del sistema è quello di individuare eventuali falle di sicurezza di software e sistemi operativi prima che questi vengano scovati dai cyber criminali. Un’attività che vede impegnate centinaia (migliaia) di aziende e ricercatori indipendenti, spesso all’interno dei cosiddetti programmi di bug bounty, cioè processi controllati attraverso i quali gli sviluppatori ricompensano economicamente chi segnala una nuova vulnerabilità potenzialmente pericolosa, permettendo loro di correggerla attraverso patch di aggiornamento.  L’importanza del fattore tempo emerge proprio nella fase finale del processo di responsible disclosure, quando vengono rilasciati l’aggiornamento e i dettagli della vulnerabilità. È in questo momento che si apre una finestra temporale particolarmente delicata: quella in cui un cybercriminale può sfruttare la vulnerabilità creando un exploit (la tecnica che permette di portare un attacco) in grado di “bucare” i sistemi non aggiornati.  Fino a oggi, il tempo necessario per realizzare il codice che sfrutta una falla di sicurezza per portare un attacco era, nella maggior parte dei casi, di settimane o al massimo di qualche giorno. Un margine sufficiente perché gli aggiornamenti venissero distribuiti. Di conseguenza, il rischio che qualcuno rimanesse “scoperto” era relativamente basso. A causa degli strumenti basati su intelligenza artificiale generativa, però, le cose sono cambiate. Utilizzando l’AI è possibile realizzare un exploit con una velocità prima impensabile. Secondo i ricercatori di sicurezza Efi Weiss e Nahman Khayet, autori di un progetto dedicato, per creare un exploit con l’AI partendo da una vulnerabilità nota sarebbero sufficienti anche solo 15 minuti.  UN’ONDATA DI SEGNALAZIONI Lo scorso 7 aprile, un comunicato ufficiale di Anthropic ha scosso il settore della cybersecurity. Oggetto dell’annuncio era il nuovo large language model Claude Mythos Preview, che gli sviluppatori dell’azienda californiana hanno sostanzialmente classificato come uno strumento troppo pericoloso per essere distribuito pubblicamente. Il motivo? Il nuovo LLM sarebbe in grado di individuare vulnerabilità all’interno dei software con un’efficacia senza precedenti. Rilasciarlo pubblicamente, di conseguenza, sarebbe troppo rischioso. L’azienda ha quindi deciso di avviare un progetto, battezzato con il nome di Project Glasswing, che coinvolge un numero limitato di soggetti come Microsoft, Apple, Google, AWS, Cisco, Nvidia e Linux Foundation. Qualche controindicazione, però, è emersa quasi subito. Lo stesso giorno dell’annuncio, il 7 aprile, un gruppo riunito in un forum Discord privato è riuscito ad accedere a Mythos — non con un attacco sofisticato, ma combinando le credenziali del dipendente di un fornitore terzo con un’ipotesi azzeccata sull’URL del modello. La vicenda è emersa pubblicamente circa due settimane dopo, grazie a un’inchiesta di Bloomberg. Considerato che Mythos era stato tratteggiato come una sorta di “arma fine di mondo”, con accesso soggetto a strettissime restrizioni, non si tratta proprio di un esordio rassicurante. Al netto del sensazionalismo dell’annuncio, che secondo molti rappresenta un marchio di fabbrica del marketing di Anthropic, la vicenda di Claude Mythos Preview si inserisce in un fenomeno più ampio, che gli esperti di sicurezza informatica stanno segnalando da tempo come estremamente problematico: la crescita esponenziale del numero di vulnerabilità segnalate. In sintesi, il problema non è tanto la possibilità che i gruppi dediti al cyber crimine riescano a sfruttare gli LLM avanzati per individuare nuove vulnerabilità zero-day (falle di sicurezza ancora sconosciute), quanto il fatto che l’implementazione di strumenti automatizzati per l’analisi dei software sta generando troppe segnalazioni rispetto a quelle che gli sviluppatori sono in grado di gestire.  Una cosa, infatti, è individuare una falla. Un’altra è correggere il codice per eliminare il rischio che la vulnerabilità venga sfruttata per portare un attacco. Qualsiasi aggiornamento di un software o – a maggior ragione – di un sistema operativo richiede infatti una serie di verifiche e test per validarne l’efficacia e, non ultimo, escludere eventuali conflitti o “effetti collaterali” indesiderati nel suo funzionamento. Insomma: rimediare a una vulnerabilità richiede più impegno e più tempo rispetto a sfruttarla per scopi malevoli. IL FATTORE TEMPO A livello intuitivo, si potrebbe pensare che questo squilibrio tra il numero di segnalazioni e la capacità di elaborarne il contenuto possa avere come conseguenza un semplice rallentamento delle operazioni. Non è così. Per prassi consolidata, infatti, il processo di responsible disclosure prevede che al destinatario della segnalazione sia concesso un termine – solitamente di 60-90 giorni – entro il quale deve rilasciare l’aggiornamento. Trascorso il termine, chi ha inviato la segnalazione è autorizzato a rendere pubblici i dettagli della vulnerabilità. Si tratta di un accorgimento che ha un duplice obiettivo. Il primo è quello di evitare che lo sviluppatore possa “snobbare” la segnalazione, anche solo per negare il meritato compenso del ricercatore che l’ha effettuata. La seconda è quella di ridurre il rischio che qualcun altro scopra la falla o che questa diventi pubblica per un qualsiasi motivo prima che l’aggiornamento sia disponibile.  Anche se piuttosto rari, in passato si sono verificati casi in cui gli sviluppatori non sono riusciti a rispettare la scadenza e si sono trovati di fronte a una pubblicazione dei dettagli di una vulnerabilità quando non avevano ancora preso le dovute contromisure. Nel nuovo scenario, in cui le segnalazioni piovono a una velocità impressionante, rispettare le scadenze rischia di diventare molto più difficile. I PRIMI SCRICCHIOLII La cronaca recente conferma tutti i timori legati al massiccio impiego dell’AI nell’individuazione delle vulnerabilità. La società di cybersecurity HackerOne ha sospeso il suo programma Internet Bug Bounty (IBB), attività finanziata in crowdfunding che gestisce dal 2013. Il motivo? L’eccessivo numero di segnalazioni stava mettendo in difficoltà chi ha il compito di correggere il codice del software. E questo soprattutto in ambito open source, dove la gestione dei progetti è spesso affidata a programmatori che prestano la loro opera a titolo volontario.  La pagina web di HackerOne è un perfetto riassunto dei problemi che vive il settore. Nelle sue policy, spiega che ricompenserà solo quelle vulnerabilità che “siano state segnalate in modo responsabile, riconosciute, analizzate (triage), risolte e divulgate tramite un Security Advisory o una CVE (Common Vulnerabilities and Exposures, un sistema di catalogazione pubblico e standardizzato delle vulnerabilità di sicurezza informatica note – ndR). Se una vulnerabilità viene segnalata da più persone ed è riconosciuta all’interno del security advisory, solo il primo segnalatore (come identificato dai maintainer del progetto) avrà diritto alla ricompensa”. In questo passaggio si leggono tutte le criticità legate a un ecosistema che è ormai andato fuori controllo. Traducendo dal “politically correct” adottato nelle policy, HackerOne ammette di trovarsi in una situazione in cui vengono segnalate vulnerabilità che non sono state sufficientemente approfondite, che in molti casi vengono scovate da più soggetti e per le quali non viene fornita una soluzione. Insomma: si trova ad avere a che fare con troppo “pattume” generato dall’AI. Motivazioni simili hanno indotto la piattaforma Bugcrowd a introdurre una serie di regole e restrizioni per contrastare il fenomeno che hanno battezzato come “sloptimism” (segnalazioni basate su AI inviate con troppa fiducia e poca verifica).  L’AI TROVA VERE VULNERABILITÀ? Guardando più nel dettaglio il fenomeno, emerge anche un altro dato. A gennaio 2026 i volontari che gestiscono cURL – software open source che gestisce lo scambio di dati con Internet e che, pur sconosciuto al grande pubblico, è installato in miliardi di dispositivi (telefoni, automobili, TV) – hanno annunciato che dal mese successivo avrebbero smesso di accettare segnalazioni tramite HackerOne. In un aggiornamento pubblicato ad aprile, il creatore Daniel Stenberg ha diffuso un grafico da cui emerge una tendenza abbastanza chiara: nonostante da febbraio non sia stata accettata alcuna segnalazione, il totale del 2026 era già arrivato a 87. Al di là della crescita esponenziale di segnalazioni, spicca il fatto che nel 2025 sono stati registrati numerosi report classificati come “likely AI slop” (probabile pattume AI), cioè vulnerabilità di bassissimo impatto o inventate dall’intelligenza artificiale. Il loro numero, però, è diminuito percentualmente nel corso dell’anno successivo. Prima di considerare questi dati come confortanti, è però opportuno considerare un altro aspetto: non tutte le vulnerabilità validate rappresentano un reale rischio di sicurezza. Come spiega Naz Bozdemir in un post sul blog di HackerOne, delle 22 vulnerabilità individuate da Claude Opus 4.6 nel codice di Mozilla Firefox – 14 delle quali ad alta gravità – soltanto due si sono rivelate effettivamente sfruttabili per costruire un exploit. In altre parole: erano tutte difetti reali, ma solo due rappresentavano un rischio imminente e concreto. L’idea che una maggiore efficienza porti automaticamente a più sicurezza, alla fine, si sta rivelando un’illusione. L’uso intensivo dell’AI sta dimostrando esattamente il contrario: senza la capacità di selezionare, comprendere e intervenire, rischia di generare semplicemente caos. L'articolo La fine del bug bounty? proviene da Guerre di Rete.

Puntata 26 di EM, sesta del ciclo Estrattivismo dei Dati, parliamo di intelligenza artificiale, università, conoscenza e infrastrutture. Nella prima parte ospitiamo un rappresentante dell’Osservatorio collaborativo Artificial Intelligence e Digital Humanities, Andrea Bolioli, per presentare l'osservatorio appena nato e discutere di ricerca, open source, alfabetizzazione critica e del ruolo delle Digital Humanities in un ecosistema sempre più dominato dall’hype tecnologico. Nella seconda parte parliamo della lettera aperta contro l’adozione acritica dell’IA nella scuola e nell’università: formazione o addestramento? Pensiero o dipendenza? Conoscenza o automazione del sapere? Con noi Maria Chiara Pievatolo, Ordinaria di Filosofia Politica a Scienze Politiche, Università di Pisa. Una puntata su ciò che l’IA sta trasformando davvero: non solo tecnologia, ma il rapporto tra esseri umani, conoscenza e potere. Ascolta l'audio su Radio Ondarossa

CHI POSSIEDE LA NOSTRA INTELLIGENZA ARTIFICIALE POSSIEDE QUALCOSA DI PIÙ UN GIOCO CHE NON È UN GIOCO Meta — la società che controlla Facebook, Instagram e WhatsApp — ha introdotto una classifica interna tra i propri dipendenti. Non si misura la qualità del lavoro, né la soddisfazione dei clienti. Si misura quanti “token” di intelligenza artificiale ciascuno consuma. Il primo in classifica riceve il titolo di Token Legend. Un token è l’unità di misura con cui i sistemi di intelligenza artificiale elaborano il linguaggio: ogni parola, ogni frase che scrivi a un’AI corrisponde a un certo numero di token consumati. Premiare chi ne consuma di più significa — detto senza giri di parole — premiare chi usa di più la macchina, indipendentemente da cosa produca o da cosa ci rimetta. È una notizia di costume? No. È una dichiarazione politica travestita da gioco aziendale. Dice qualcosa di preciso su come alcune delle aziende più potenti del pianeta immaginano il rapporto tra esseri umani e intelligenza artificiale: l’umano come motore di consumo, la cognizione come metrica di produzione. LA DOMANDA CHE NESSUNO FA Negli stessi giorni in cui quella classifica circolava nelle redazioni tecnologiche, la Brookings Institution — uno dei principali centri di ricerca sulle politiche pubbliche, con sede a Washington — pubblicava un documento di lavoro firmato da Jacob Taylor e Kershlin Krishna che mette in discussione proprio quella logica. Gli autori partono da un’osservazione semplice: il dibattito sull’intelligenza artificiale nelle aziende si divide tra chi vuole massimizzare il consumo di AI e chi vuole massimizzare i risultati che l’AI produce. Entrambe le posizioni condividono un punto cieco: nessuna delle due si chiede se l’intelligenza artificiale stia davvero servendo la persona che la usa. La domanda assente è sempre la più importante. Ciò che il documento di Brookings introduce — e che merita attenzione politica, non solo tecnica — è un concetto preciso: agenzia cognitiva. Con questa espressione si intende la capacità di una persona di pensare e agire con l’AI in modi che aumentino il suo controllo, la sua competenza, la sua padronanza nel tempo. Non dipendenza, non delega: crescita. La differenza sembra sottile. Non lo è. È la differenza tra uno strumento che amplifica il pensiero di chi lo usa e uno che lo sostituisce, lasciando in superficie soltanto l’apparenza del potenziamento. COSA È IL “CONTESTO” E PERCHÉ CONTA Per capire la posta in gioco, bisogna fermarsi su una parola: contesto. Quando usiamo un sistema di intelligenza artificiale — che sia ChatGPT, Gemini o qualunque altro — portiamo con noi qualcosa di preciso: le nostre domande, i nostri documenti, la storia delle nostre conversazioni precedenti, le preferenze che abbiamo espresso nel tempo. Tutto questo insieme si chiama contesto. Il contesto non è un semplice archivio di dati. È il pensiero esternalizzato di chi interagisce con la macchina. È la traccia cognitiva — l’impronta della nostra intelligenza — che lasciamo ogni volta che chiediamo qualcosa a un sistema AI. Ora: chi possiede quella traccia? Le grandi piattaforme proprietarie — quelle gestite dalle aziende private che dominano il mercato dell’AI — catturano quel contesto per impostazione predefinita. Lo archiviano. Lo usano per migliorare i propri modelli. L’utente produce valore cognitivo senza saperlo e lo cede senza poterlo scegliere. Non è un complotto: è il modello di business. Ma le conseguenze sono reali. Taylor e Krishna descrivono questo meccanismo come un “volano”: più utenti interagiscono, più contesto viene generato, più il modello migliora, più nuovi utenti vengono attratti, generando a loro volta nuovo contesto. Chi possiede il volano accumula, nel tempo, il pensiero di milioni di persone — la loro esperienza, la loro creatività, le loro intuizioni. E lo trasforma in vantaggio competitivo. UNA NUOVA DISEGUAGLIANZA Qualcuno potrebbe pensare che sia un problema che riguarda solo le grandi aziende e le loro strategie commerciali. Ma c’è una tradizione di pensiero politico che ci aiuta a vedere la cosa in modo diverso. Il filosofo americano John Rawls ha proposto un criterio semplice per valutare se una società è giusta: immagina di non sapere in quale posizione nascerai — ricco o povero, istruito o no, nel Nord o nel Sud del mondo. Con questo velo di ignoranza, quale sistema sceglieresti? Applicato all’intelligenza artificiale, il ragionamento diventa tagliente. Se non sapessi in anticipo se saresti nato con le competenze tecniche, le risorse economiche e il tempo per gestire autonomamente il tuo rapporto con l’AI — o se invece saresti nato senza nulla di tutto questo — sceglieresti un sistema in cui chi ha risorse accumula capacità cognitive crescenti e chi non le ha le cede senza saperlo? La risposta ovvia è no. Eppure è esattamente il sistema che stiamo costruendo, per inerzia e per scelta di chi ha interesse a costruirlo così. La questione non è tecnica: è una questione di equità nella distribuzione di un bene — la capacità di pensare con le macchine — che sta diventando strutturale quanto l’istruzione o la sanità. Questa biforcazione attraversa paesi, classi sociali, generazioni, professioni. Non è inevitabile. È il risultato di scelte architetturali e politiche precise — scelte che si possono cambiare, se si decide che il problema merita attenzione pubblica. LA RISPOSTA TECNICA E I SUOI LIMITI Il documento di Brookings segnala una tendenza emergente che prova a invertire questa logica. Nel gennaio 2026, un software open-source chiamato OpenClaw ha consentito a milioni di persone — comprese molte senza formazione tecnica specifica — di interagire con sistemi AI all’interno dei propri ambienti di calcolo, mantenendo il controllo sul proprio contesto. “Open-source” significa che il codice del programma è pubblico, modificabile, non di proprietà di nessuna azienda privata. Gli autori chiamano questo approccio context-maxxing: la pratica di massimizzare il controllo dell’utente sul proprio contesto nell’interazione con l’AI. È una risposta necessaria. Non è sufficiente. Il problema è che controllare il contesto non significa controllare dove avviene l’elaborazione. Anche usando software libero, le richieste viaggiano comunque verso i server delle grandi aziende tecnologiche — Anthropic, OpenAI, Google — fisicamente localizzati in giurisdizioni estere, soggetti a leggi e interessi che non necessariamente coincidono con quelli degli utenti europei o del resto del mondo. Controllare il proprio diario ma doverlo portare a leggere in casa d’altri non è vera indipendenza. La risposta tecnica individuale non dissolve il nodo strutturale. Quel nodo è politico. COSA SI PUÒ CHIEDERE ALLA POLITICA Il documento di Brookings pone esplicitamente la domanda su come l’investimento pubblico e la regolazione possano abbassare le barriere per tutti. È la domanda giusta. Va però formulata con più coraggio di quanto il documento accademico si conceda. Alcune direzioni concrete. Primo: trasparenza obbligatoria. Chi gestisce piattaforme AI deve essere tenuto a dichiarare se e come utilizza il contesto degli utenti per addestrare i propri modelli. Non nel gergo illeggibile delle condizioni d’uso, ma in modo comprensibile e verificabile. Secondo: portabilità del contesto. Gli utenti dovrebbero avere il diritto di portare con sé il proprio contesto quando cambiano piattaforma, esattamente come hanno il diritto di cambiare operatore telefonico portando il proprio numero. Non come concessione commerciale: come diritto esigibile. Terzo: infrastrutture pubbliche. L’investimento in infrastrutture AI sovrane — europee, nazionali, condivise tra più paesi — non è un lusso per tecnologi entusiasti. È una condizione per sottrarre la cognizione collettiva alla logica di valorizzazione del capitale privato. Senza infrastrutture proprie, la sovranità digitale rimane uno slogan. Quarto, e forse il più trascurato: formazione vera. Non alfabetizzazione digitale di facciata — “impara a usare l’AI” — ma costruzione della capacità di capire cosa si sta cedendo e cosa si sta ricevendo, di codificare il proprio sapere in forme che l’AI possa incorporare senza espropriarlo, di mantenere il giudizio critico su ciò che la macchina produce. Questo richiede tempo, risorse, investimento pubblico consapevole. LA DOMANDA CHE RESTA Il documento di Brookings è stato scritto usando il metodo che descrive: modelli AI gestiti in autonomia dagli autori, con revisione finale interamente umana. È un gesto che vale più di una nota metodologica: dimostra che l’alternativa esiste, che si pratica, che non è fantascienza. La domanda che rimane aperta è più semplice di come viene di solito formulata: vogliamo che l’intelligenza artificiale serva chi la usa, o vogliamo che chi la usa serva l’intelligenza artificiale — e, attraverso di essa, chi la possiede? Oggi quel potere di scelta è concentrato in un numero molto piccolo di aziende private, tutte operanti nella stessa area geografica del pianeta, con interessi che non coincidono strutturalmente con quelli della maggioranza degli utenti. Riportare quella scelta nell’arena pubblica — come questione politica, non come preferenza di mercato — è il primo passo. Non l’unico. Ma il primo. FONTI Jacob Taylor, Kershlin Krishna, Context-maxxing: A path to cognitive agency with generative AI, Brookings Institution Working Paper, 6 maggio 2026 https://www.brookings.edu/articles/context-maxxing-cognitive-agency-generative-ai/ Paolo Benanti, Chi possiede il tuo contesto possiede il tuo pensiero, LinkedIn Pulse, 18 maggio 2026 https://www.linkedin.com/pulse/chi-possiede-il-tuo-contesto-pensiero-paolo-benanti-lwxyf/ Wall Street Journal, Why Some Companies Say AI Token-Maxxing Is Key to Survival, 2026 (citato in Taylor-Krishna) OpenClaw (software open-source per interazione con AI) https://openclaw.ai/ John Rawls, A Theory of Justice, Harvard University Press, 1971 Francesco Russo

Il vero problema è la marea di bug report inutili generati dai sistemi automatici. Linus Torvalds è seccato con la IA: non perché questa non sappia davvero fare il proprio lavoro, ossia nel caso specifico generare bug report per il kernel di Linux, ma soprattutto perché è usata in maniera estremamente ampia e così le segnalazioni dei medesimi bug si moltiplicano. Davanti a questa situazione e all'aumentare dei "falsi positivi", di recente è intervenuto sulla mailing list ufficiale dello sviluppo del kernel, criticando duramente l'uso crescente di strumenti di intelligenza artificiale per generare i bug report, affermando che tali segnalazioni automatiche stanno rallentando lo sviluppo invece di accelerarlo. Il problema riguarda in particolare report prodotti da sistemi IA che analizzano automaticamente il codice e inviano segnalazioni prive di contesto, inaccurate o basate su interpretazioni errate delle patch. Leggi l'articolo originale su ZEUS News

Secondo un’inchiesta pubblicata il 27 febbraio 2026 da Svenska Dagbladet e Göteborgs-Posten, i dati raccolti dagli occhiali smart Ray-Ban Meta — video, audio, immagini — vengono processati da lavoratorx umanx assuntx da Sama, subappaltatrice di Meta con sede in Kenya. Lx lavoratorx in questione descrivono di aver visto persone che si spogliano, che usano il bagno, che hanno rapporti sessuali. Persone ignare di essere riprese. Gli occhiali Ray-Ban Meta sono sul mercato europeo, Italia compresa, e vengono venduti come un assistente AI indossabile, capace di rispondere a domande, scattare foto e video, tradurre in tempo reale. Questa e altre storie ci arrivano dagli slums di Nairobi, ed è possibile conoscerne qualcuna grazie al lavoro della Data Workers Inquiry, un’iniziativa di ricerca collettiva rispetto al lavoro legato alla raccolta e elaborazione dati e all’AI. Mathare, slum di Nairobi, Kenya Leggiamo poi il testo “Il lavoro emotivo dietro all’intimità con l’AI“, scritto dal Michael Geoffrey Abuyabo Asia che ha lavorato per Meta e altre piattaforme di outsourcing globali, tramite la ditta kenyana Sama e ricoprendo ruoli presso CloudFactory, TELUS International, TransPerfect DataForce, Appen e NMS Philippines. Il suo background include l’esperienza di impersonare e addestrare assistenti virtuali basati sull’IA nelle chat, il che gli ha fornito una rara prospettiva su una delle forme di lavoro digitale più opache e in rapida espansione. Fa parte della Data Labelers Association (DLA), il cui lavoro si concentra sul lavoro emotivo, lo stress psicologico e le competenze umane nascoste che si celano dietro la moderazione delle chat e l’addestramento dell’IA. Citati nella puntata: “Non sembra che sappiano di essere ripresx“:  momenti intimi finiscono sugli schermi in Kenya – Svenska Dagbladet ‘AI Is African Intelligence’: The Workers Who Train AI Are Fighting Back – 404 Media The Data Labelers Association Asia, MG (2025), The emotional labor behind AI intimacy;. In: M. Miceli, A. Dinika, K. Kauffman, C. Salim Wagner e L. Sachenbacher (a cura di). Data Workers’ Inquiry. ‘In the end, you feel blank’: India’s female workers watching hours of abusive content to train AI – The Guardian

Secondo un’inchiesta pubblicata il 27 febbraio 2026 da Svenska Dagbladet e Göteborgs-Posten, i dati raccolti dagli occhiali smart Ray-Ban Meta — video, audio, immagini — vengono processati da lavoratorx umanx assuntx da Sama, subappaltatrice di Meta con sede in Kenya. Lx lavoratorx in questione descrivono di aver visto persone che si spogliano, che usano il bagno, che hanno rapporti sessuali. Persone ignare di essere riprese. Gli occhiali Ray-Ban Meta sono sul mercato europeo, Italia compresa, e vengono venduti come un assistente AI indossabile, capace di rispondere a domande, scattare foto e video, tradurre in tempo reale. Questa e altre storie ci arrivano dagli slums di Nairobi, ed è possibile conoscerne qualcuna grazie al lavoro della Data Workers Inquiry, un’iniziativa di ricerca collettiva rispetto al lavoro legato alla raccolta e elaborazione dati e all’AI. Mathare, slum di Nairobi, Kenya Leggiamo poi il testo “Il lavoro emotivo dietro all’intimità con l’AI“, scritto dal Michael Geoffrey Abuyabo Asia che ha lavorato per Meta e altre piattaforme di outsourcing globali, tramite la ditta kenyana Sama e ricoprendo ruoli presso CloudFactory, TELUS International, TransPerfect DataForce, Appen e NMS Philippines. Il suo background include l’esperienza di impersonare e addestrare assistenti virtuali basati sull’IA nelle chat, il che gli ha fornito una rara prospettiva su una delle forme di lavoro digitale più opache e in rapida espansione. Fa parte della Data Labelers Association (DLA), il cui lavoro si concentra sul lavoro emotivo, lo stress psicologico e le competenze umane nascoste che si celano dietro la moderazione delle chat e l’addestramento dell’IA. Citati nella puntata: “Non sembra che sappiano di essere ripresx“:  momenti intimi finiscono sugli schermi in Kenya – Svenska Dagbladet ‘AI Is African Intelligence’: The Workers Who Train AI Are Fighting Back – 404 Media The Data Labelers Association Asia, MG (2025). Il costo silenzioso del lavoro emotivo. In: M. Miceli, A. Dinika, K. Kauffman, C. Salim Wagner e L. Sachenbacher (a cura di). Data Workers’ Inquiry. ‘In the end, you feel blank’: India’s female workers watching hours of abusive content to train AI – The Guardian

Secondo un’inchiesta pubblicata il 27 febbraio 2026 da Svenska Dagbladet e Göteborgs-Posten, i dati raccolti dagli occhiali smart Ray-Ban Meta — video, audio, immagini — vengono processati da lavoratorx umanx assuntx da Sama, subappaltatrice di Meta con sede in Kenya. Lx lavoratorx in questione descrivono di aver visto persone che si spogliano, che usano il bagno, che hanno rapporti sessuali. Persone ignare di essere riprese. Gli occhiali Ray-Ban Meta sono sul mercato europeo, Italia compresa, e vengono venduti come un assistente AI indossabile, capace di rispondere a domande, scattare foto e video, tradurre in tempo reale. Questa e altre storie ci arrivano dagli slums di Nairobi, ed è possibile conoscerne qualcuna grazie al lavoro della Data Workers Inquiry, un’iniziativa di ricerca collettiva rispetto al lavoro legato alla raccolta e elaborazione dati e all’AI. Mathare, slum di Nairobi, Kenya Leggiamo poi il testo “Il lavoro emotivo dietro all’intimità con l’AI“, scritto dal Michael Geoffrey Abuyabo Asia che ha lavorato per Meta e altre piattaforme di outsourcing globali, tramite la ditta kenyana Sama e ricoprendo ruoli presso CloudFactory, TELUS International, TransPerfect DataForce, Appen e NMS Philippines. Il suo background include l’esperienza di impersonare e addestrare assistenti virtuali basati sull’IA nelle chat, il che gli ha fornito una rara prospettiva su una delle forme di lavoro digitale più opache e in rapida espansione. Fa parte della Data Labelers Association (DLA), il cui lavoro si concentra sul lavoro emotivo, lo stress psicologico e le competenze umane nascoste che si celano dietro la moderazione delle chat e l’addestramento dell’IA. Citati nella puntata: “Non sembra che sappiano di essere ripresx“:  momenti intimi finiscono sugli schermi in Kenya – Svenska Dagbladet ‘AI Is African Intelligence’: The Workers Who Train AI Are Fighting Back – 404 Media The Data Labelers Association Asia, MG (2025). Il costo silenzioso del lavoro emotivo. In: M. Miceli, A. Dinika, K. Kauffman, C. Salim Wagner e L. Sachenbacher (a cura di). Data Workers’ Inquiry. ‘In the end, you feel blank’: India’s female workers watching hours of abusive content to train AI – The Guardian

Il discorso contro le nuove tecnologie come l’AI passa spesso attraverso l’analisi del rapporto tra la presunta intelligenza macchinica e quella umana, sottolineandone giustamente l’incommensurabilità. Tuttavia, il problema posto in questi termini rivela qualcosa di più profondo della cultura contemporanea e di come sembra interrogarsi molto sui limiti e i pericoli delle ultime frontiere della tecnica, ma sempre meno sull’altro dei due termini del paragone, cioè su cosa sia l’umano. Se l’essere umano viene concepito come un insieme di parti, o come un semplice corpo attraversato da informazioni e poco più, allora forse il paradigma algoritmico ha già vinto su tutta la linea. A Macerie su Macerie, lungi dal pretendere di offrire una risposta, proviamo almeno a delineare i contorni di una domanda antica di millenni.

Il discorso contro le nuove tecnologie come l’AI passa spesso attraverso l’analisi del rapporto tra la presunta intelligenza macchinica e quella umana, sottolineandone giustamente l’incommensurabilità. Tuttavia, il problema posto in questi termini rivela qualcosa di più profondo della cultura contemporanea e di come sembra interrogarsi molto sui limiti e i pericoli delle ultime frontiere della tecnica, ma sempre meno sull’altro dei due termini del paragone, cioè su cosa sia l’umano. Se l’essere umano viene concepito come un insieme di parti, o come un semplice corpo attraversato da informazioni e poco più, allora forse il paradigma algoritmico ha già vinto su tutta la linea. A Macerie su Macerie, lungi dal pretendere di offrire una risposta, proviamo almeno a delineare i contorni di una domanda antica di millenni.