Atlas of AI — Il Costo Nascosto dell'Intelligenza Artificiale

Chi è: Kate Crawford è ricercatrice senior a Microsoft Research, professoressa all'NYU e co-fondatrice dell'AI Now Institute. Ha trascorso anni a studiare le infrastrutture fisiche e sociali dell'intelligenza artificiale, percorrendo miniere, magazzini, data center e tribunali. "Atlas of AI" è stato finalista al Pulitzer Prize for General Nonfiction 2022 ed è considerato il testo fondativo della critica materialista all'AI.

L'illusione del cloud immateriale

L'industria tecnologica ha costruito con cura l'immagine dell'intelligenza artificiale come strato software puro: algoritmi che girano "nel cloud", astratti, puliti, senza peso. Kate Crawford demolisce questa narrazione con ricerca sul campo. L'AI non è immateriale. È litio, cobalto, coltan. È acqua evaporata nei data center del Nevada. È corpi umani nei magazzini di Amazon, movimenti tracciati al millimetro da algoritmi di performance management. Il titolo "Atlas" è deliberato: un atlas è una mappa del territorio fisico, e Crawford vuole restituire il territorio fisico a un discorso che lo ha sistematicamente cancellato.

La tesi centrale del libro è che l'intelligenza artificiale è estrattivismo. Non metaforicamente: lo stesso meccanismo coloniale che ha estratto risorse dalla terra e dal lavoro umano per secoli è ora al cuore dei sistemi AI moderni. La domanda che Crawford pone — chi paga il costo, chi decide, chi beneficia — è una domanda di economia politica, non di filosofia della mente.

Le miniere di litio della Bolivia

Crawford apre il libro nel Salar de Uyuni, in Bolivia, il più grande bacino di litio del mondo. Le batterie dei dispositivi su cui gira l'AI moderna — smartphone, laptop, i server stessi — richiedono litio in quantità industriali. L'estrazione del litio consuma acqua in aree già aride, inquina le falde acquifere, e avviene in condizioni di lavoro spesso pericolose, con poca protezione contrattuale per i minatori locali. Le comunità indigene che vivono attorno al Salar, il cui territorio è stato trasformato in zona industriale, non hanno quasi mai avuto voce nella decisione.

Lo stesso vale per il cobalto, estratto prevalentemente nella Repubblica Democratica del Congo in condizioni di sfruttamento documentate da decine di organizzazioni per i diritti umani. Crawford non usa questi esempi per demonizzare la tecnologia, ma per rendere visibile la catena di dipendenze che va dal device nella nostra tasca all'ecosistema estrattivo globale. Ogni interazione con un sistema AI è sostenuta da questa catena.

I data center e la crisi dell'acqua

I data center consumano acqua in quantità enormi per il raffreddamento. Crawford analizza le strutture di Microsoft, Google e Amazon nel West americano, aree già colpite da siccità croniche. Il problema è strutturale: raffreddare i server richiede evaporazione, e l'evaporazione consuma acqua dolce. Le aziende tecnologiche negoziamo accordi con le autorità locali spesso in modo opaco, ottenendo accesso a risorse idriche comuni a tariffe agevolate o senza adeguata compensazione per le comunità locali.

Con l'esplosione dei modelli linguistici di grandi dimensioni — GPT-4, Gemini, Claude — il consumo energetico e idrico dei data center è cresciuto esponenzialmente. Crawford ha scritto il libro nel 2021, prima dell'ondata generativa, ma la traiettoria era già chiarissima. Nel 2024 diversi studi hanno documentato che l'addestramento di un singolo modello LLM di grandi dimensioni consuma acqua nell'ordine di milioni di litri. Questa realtà è quasi sempre assente dai comunicati stampa delle aziende.

Il Turkestan Meccanico e il lavoro fantasma

Amazon Mechanical Turk è una piattaforma dove esseri umani vengono pagati a cottimo per eseguire micro-task cognitivi: classificare immagini, trascrivere audio, identificare oggetti in fotografie, valutare la qualità di risposte generate da AI. Questi lavoratori — concentrati in India, Bangladesh, Venezuela, Filippine — ricevono tipicamente tra 1 e 3 dollari l'ora, senza contratto, senza protezioni, senza accesso ai dati che producono.

Crawford chiama questo lavoro "fantasma": è invisible nell'immagine pubblica dell'AI come tecnologia automatica e autonoma, ma è essenziale. Senza milioni di ore di annotazione umana, nessun modello di computer vision, NLP o riconoscimento vocale funzionerebbe. La narrativa dominante — che l'AI "apprende da sola" — è tecnicamente imprecisa e politicamente conveniente per chi non vuole discutere le condizioni lavorative di chi rende possibile quell'apprendimento. Crawford cita Astra Taylor: quello che chiamiamo "automazione" è spesso "fauxtomation", lavoro umano reso invisibile.

Amazon e i magazzini algoritmici

Un capitolo è dedicato ai magazzini Amazon. Crawford descrive in dettaglio il sistema di management algoritmico: ogni movimento dei lavoratori è tracciato — velocità di picking, pause, deviazioni dal percorso ottimale. Il sistema genera automaticamente avvisi di performance e, se le metriche scendono sotto soglia, avvia procedure disciplinari automatiche. I manager umani eseguono le istruzioni dell'algoritmo più spesso di quanto esercitino giudizio indipendente.

Il tasso di infortuni nei magazzini Amazon è sistematicamente più alto della media del settore della logistica. Crawford argomenta che c'è un nesso causale diretto: la pressione algoritmica sul ritmo di lavoro riduce i tempi di recupero, aumenta i movimenti ripetitivi, e crea un ambiente in cui rallentare — anche per evitare un infortunio — significa rischiare il posto. Il corpo del lavoratore diventa risorsa estrattiva dell'algoritmo di ottimizzazione.

Sorveglianza facciale e uso contro le minoranze

Crawford dedica ampio spazio al riconoscimento facciale, con un'analisi del dataset MS-Celeb-1M costruito da Microsoft Research senza consenso degli individui fotografati, e delle applicazioni nei sistemi di sorveglianza pubblica. I sistemi di riconoscimento facciale hanno tassi di errore sistematicamente più alti su volti femminili, scuri, anziani — documentato dal lavoro di Joy Buolamwini e Timnit Gebru in "Gender Shades" (2018). Ma queste limitazioni non hanno impedito l'adozione da parte di forze di polizia.

Negli Stati Uniti, diversi casi documentati di arresti erronei sono stati causati da misidentificazione algoritmica — tutti i casi documentati hanno coinvolto persone nere. Crawford contestualizza questi errori nel framework estrattivo: le minoranze sono sovra-rappresentate nei dataset di training (foto di schedari criminali, dataset di sorveglianza urbana) e sotto-rappresentate nei team che progettano e valutano i sistemi. Il risultato è un sistema che "apprende" pattern distorti da una storia di discriminazione e poi li amplifica con l'autorità tecnocratica dell'oggettività algoritmica.

La political economy dell'AI: chi decide

Il contributo più duraturo di Crawford è il framework analitico. L'AI non è un problema tecnico con soluzioni tecniche. È un problema di potere: chi controlla i dati, chi costruisce i sistemi, chi stabilisce gli obiettivi, chi subisce le conseguenze. Crawford mappa questa distribuzione del potere con precisione, e il risultato è scomodo: le stesse aziende che beneficiano dell'AI estrattiva sono quelle che finanziano la ricerca sull'AI responsabile, sedendo sui comitati etici delle università, pubblicando paper su fairness e transparency mentre continuano le pratiche documentate nel libro.

La soluzione, per Crawford, non è un comitato etico aziendale o una serie di linee guida volontarie. È regolazione, diritto del lavoro, protezione delle risorse comuni, e — soprattutto — partecipazione delle comunità colpite nelle decisioni. "Atlas of AI" non offre un piano politico dettagliato, ma fornisce la mappa del territorio che qualsiasi piano politico serio deve conoscere. È il testo che mette il capitalismo di sorveglianza, il colonialismo estrattivo e l'automazione del lavoro nella stessa cornice analitica, mostrando come non siano fenomeni separati ma espressioni dello stesso sistema.

---