Il nodo critico

Sergio Bellucci Il nodo critico 2026

Scarica in PDF Stampa Invia via email

Il nodo critico

Concentrazione del capitale conoscitivo, sussunzione del lavoro e limiti della narrazione umanocentrica sull’intelligenza artificiale nell’impresa

Direttore Accademico University for Peace – Italy, Roma, 2026

di Sergio Bellucci

Il dibattito corrente sull’adozione dell’intelligenza artificiale nell’impresa si organizza intorno a una narrazione ricorrente, quella dello strumento neutro che potenzia la decisione umana senza sostituirla, che democratizza l’accesso alla tecnologia per la piccola impresa e che si lascia governare con guardrail etici proporzionati. Questo saggio sostiene che tale narrazione, per quanto in buona fede, sistematicamente rimuove la domanda decisiva, chi possiede l’infrastruttura cognitiva su cui l’intera trasformazione si regge. A partire dal quadro teorico del Digitalismo, si mostra come tre dinamiche strutturali, la sussunzione selettiva del lavoro, il disaccoppiamento fra generazione e appropriazione del valore, e la migrazione del potere decisionale verso i detentori del capitale conoscitivo, restino attive e anzi si rafforzino indipendentemente dalle cornici etiche e regolatorie che vengono sovrapposte all’adozione aziendale dell’IA. La conclusione è che una politica economica realmente orientata all’impresa e ai suoi lavoratori non può limitarsi a disciplinare il comportamento dei sistemi, deve intervenire sulla struttura di proprietà del nodo critico.

Introduzione

Nel dibattito pubblico e imprenditoriale sull’intelligenza artificiale si è consolidata negli ultimi due anni una narrazione ricorrente, con varianti lessicali ma un nucleo stabile. L’IA sarebbe un partner digitale e non un sostituto dell’intelligenza decisionale umana, uno strumento che si costruisce su misura sull’impresa senza intaccarne l’autonomia strategica, un fattore di scala che mette la piccola impresa nelle condizioni della grande senza richiederne l’accumulo dimensionale. A questa narrazione si affianca solitamente un impianto regolatorio ritenuto sufficiente a governarne i rischi, supervisione umana obbligatoria sulle decisioni che incidono sulla vita lavorativa, non discriminazione algoritmica, trasparenza, protezione dei dati.

Ognuna di queste affermazioni, presa isolatamente, non è falsa. È però sistematicamente incompleta, perché evita la domanda che nella teoria del Digitalismo risulta decisiva per capire la direzione reale del cambiamento, chi possiede l’infrastruttura cognitiva, gli algoritmi proprietari, i dataset di addestramento, i modelli fondazionali, su cui l’intera trasformazione si regge. Senza rispondere a questa domanda, ogni discorso sull’IA nell’impresa resta una descrizione delle superfici del fenomeno, l’interfaccia con cui l’imprenditore lo incontra, e non della sua struttura economica sottostante.

Questo saggio propone una lettura alternativa, fondata sul quadro teorico del Digitalismo, la teoria che interpreta l’economia digitale come un sistema complesso autorganizzato il cui nodo critico è il capitale conoscitivo. La tesi di fondo è che tre dinamiche strutturali, la sussunzione selettiva del lavoro, il disaccoppiamento fra generazione e appropriazione del valore, e la migrazione del potere decisionale verso chi detiene il capitale conoscitivo, restano pienamente attive nell’adozione aziendale dell’IA, e anzi si rafforzano, indipendentemente dalle cornici etiche e normative che vengono sovrapposte al fenomeno. Le sezioni che seguono sviluppano questa tesi passando dal piano teorico a una serie di implicazioni concrete per il futuro delle imprese e dell’economia.

Il capitale conoscitivo come nodo critico

Il Digitalismo modella l’economia digitale come una rete di sette variabili fondamentali che interagiscono come i neuroni di una rete di Hopfield, un sistema dotato di attrattori stabili verso cui converge spontaneamente. Fra queste variabili, il capitale conoscitivo, c_(k), algoritmi proprietari, dataset di addestramento, sistemi di intelligenza artificiale applicata, occupa una posizione singolare, è il nodo con le connessioni sinaptiche più forti verso tutte le altre variabili del sistema. Non è, quindi, una variabile fra le altre, è il punto di innesco privilegiato di qualunque trasformazione, in un senso o nell’altro.

Questa collocazione teorica ha una conseguenza pratica immediata per chi ragiona sul futuro dell’impresa. Se il capitale conoscitivo è il nodo critico, allora la domanda su come sia distribuito, ampiamente diffuso o concentrato in poche entità globali, non è una questione secondaria rispetto all’efficienza operativa che l’IA promette, ne è la precondizione strutturale. Un’impresa che adotta strumenti di IA senza possedere né poter influenzare il capitale conoscitivo su cui quegli strumenti si fondano non sta acquisendo autonomia tecnologica, sta stipulando una relazione di dipendenza con chi quel capitale lo detiene. Questo non significa che l’adozione sia sbagliata, significa che va descritta per quello che è, non come acquisizione di potenza propria ma come accesso mediato a potenza altrui, con tutte le conseguenze contrattuali, economiche e politiche che una relazione di dipendenza comporta.

La sussunzione algoritmica del lavoro

Il concetto di sussunzione algoritmica descrive il meccanismo attraverso cui i sistemi di IA incorporano progressivamente le funzioni cognitive e operative del lavoro umano retribuito. Nel modello formale del Digitalismo questo meccanismo si esprime come un peso sinaptico negativo, W(c_(k)→v_(h)), l’espansione del capitale conoscitivo erode strutturalmente il “neurone” del lavoro umano retribuito. Va precisato subito un punto che la vulgata giornalistica sull’IA tende a semplificare in modo fuorviante, non si tratta di sostituzione generica di professioni intere, ma di erosione selettiva delle funzioni, a seconda che l’uso dello strumento sia di delega totale del compito oppure di collaborazione fra persona e macchina. Inoltre, la sussunzione delle conoscenze nel sistema macchinico delle AI consente una “ibridazione” dei saperi tra una specializzazione e l’altra in grado di generare connessioni e modellizzazioni del fare senza precedenti. Uno schema, una conoscenza, un sapere, messo a punto, scoperto o inventato in un campo specifico può consentire un vero e proprio salto di qualità in un altro campo determinando una innovazione di tipo esponenziale. I saperi aziendali in un settore saranno sempre più saperi “generalizzati e disponibili” per tutti, abbattendo barriere di ingresso, capacità operative e allargando i confini disponibili del fare che favoriranno la concentrazione degli asset produttivi erodendo progressivamente le residue potenzialità delle rendite di posizioni di nicchia.

Un’indicazione empirica interessante in questa direzione viene dal progetto AI Economic Indicators dello Stanford Digital Economy Lab, che nella prima rilevazione pubblica ha incrociato l’esposizione all’IA delle diverse occupazioni con l’età dei lavoratori, distinguendo fra un uso di automazione, delega totale del compito, e uno di augmentation, collaborazione uomo macchina. Il dato rilevato indicherebbe che l’automation ratio è correlato ai cali occupazionali mentre l’augmentation non lo è, con un effetto concentrato in modo particolare sui lavoratori più giovani nelle occupazioni più esposte.¹ Se questo pattern si confermasse su scala più ampia, la conseguenza per l’impresa sarebbe che il modo in cui l’IA viene integrata nei processi, delega o collaborazione, conta almeno quanto la scelta di adottarla o no, ed è una variabile che dipende interamente dalle scelte organizzative interne, non dalla tecnologia in sé.

Ciò che la narrazione del “partner che non sostituisce ma potenzia” tende a oscurare è che questa erosione selettiva è comunque una perdita netta di potere contrattuale per chi la subisce, anche quando non si traduce, temporaneamente, in disoccupazione aperta. Una funzione professionale che diventa in parte delegabile a un sistema automatico perde valore di scambio sul mercato del lavoro anche se il titolare di quella funzione mantiene il proprio impiego, perché la soglia di sostituibilità si è abbassata, e con essa il potere negoziale su salario, condizioni, autonomia operativa. Questo è l’effetto meno visibile e più duraturo della sussunzione algoritmica, non conta solo chi perde il lavoro, conta quanto si comprime il valore di ciò che resta. Lo stesso territorio della formazione professionale riduce lo spazio per la sua funzione poiché si inverte la spirale che ha caratterizzato la necessità del sistema industriale otto-novecentesco. In quella fase, infatti, il processo di innovazione del sistema macchinico necessitava un aggiornamento delle competenze del lavoratore per “sfruttare” al massimo la potenza produttiva della “nuova macchina” integrata nel sistema aziendale. Le AI generative, invece, lavorano al contrario, non solo per la loro capacità di inglobare il sapere necessario al funzionamento del sistema macchinico presente ma riducendo la quantità e la qualità del sapere umano necessario al suo funzionamento.

Plusvalore algoritmico e paradosso della produttività

Se la sussunzione algoritmica descrive cosa accade al lavoro, il plusvalore algoritmico descrive cosa accade al valore che il lavoro, sostituito o meno, libera. Il concetto estende alla fase digitale la categoria marxiana di plusvalore, la differenza fra il valore prodotto e quanto viene retribuito a chi lo produce, con una differenza decisiva. Nel Digitalismo, infatti, l’eccedenza di valore non è generata principalmente dal lavoro umano vivo, ma dai sistemi algoritmici stessi, che la producono a un costo marginale prossimo allo zero. La caratteristica definitoria di questo meccanismo è il disaccoppiamento strutturale fra generazione e appropriazione del valore, il valore cresce in abbondanza, ma viene appropriato quasi interamente da chi detiene il capitale conoscitivo con cui è stato generato.

Questo disaccoppiamento è già osservabile empiricamente nei dati aggregati sulla diffusione aziendale dell’IA. Un’indagine McKinsey diffusa nel 2026 su un ampio campione di dirigenti riportava che circa l’ottanta per cento dei lavoratori percepisce un miglioramento della propria produttività personale, mentre solo poco più di un terzo delle aziende riferisce un impatto positivo misurabile sull’indicatore di redditività operativa, con appena una minoranza a singola cifra di aziende che ottengono risultati economici realmente distintivi.² Il divario fra percezione individuale e risultato aggregato non è un difetto di misurazione, è la fotografia esatta del disaccoppiamento teorizzato dal Digitalismo, il valore percepito a livello individuale non transita automaticamente in valore captato a livello di impresa, e ancora meno in valore redistribuito lungo la filiera. Nello stesso periodo, la stampa specializzata riportava trattative per l’acquisizione di uno dei principali hub aperti di modelli e dataset da parte di uno dei maggiori produttori di infrastruttura di calcolo, un’operazione che, se confermata, illustrerebbe in modo diretto come la tendenza spontanea del sistema non sia verso la distribuzione ma verso l’ulteriore concentrazione verticale del capitale conoscitivo.³

Il punto teorico rilevante per il futuro dell’impresa è che questo paradosso non si risolve semplicemente adottando meglio lo strumento, migliorando la formazione interna o riprogettando i flussi di lavoro attorno all’IA, per quanto queste misure aiutino a spostare l’impresa dalla parte dei pochi che ottengono risultati distintivi. Il paradosso è strutturale perché riguarda la posizione dell’impresa nella catena di appropriazione del valore, non la sua abilità nell’uso dello strumento. Un’impresa può ottimizzare perfettamente il proprio uso dell’IA e restare comunque, rispetto al capitale conoscitivo su cui quell’uso si fonda, nella posizione di acquirente di un servizio piuttosto che di compartecipe della rendita che quel servizio produce.

L’equivoco della democratizzazione tecnologica

Una delle promesse più ricorrenti nel discorso sull’IA in ambito aziendale è che la tecnologia funzioni come leva di scala senza richiedere l’accumulo dimensionale tipico delle economie di scala tradizionali, mettendo a disposizione della microimpresa capacità analitiche prima riservate alle grandi strutture. L’argomento ha un fondamento reale sul piano operativo, l’accesso a strumenti di analisi, traduzione, generazione di contenuti o supporto decisionale non richiede più gli investimenti infrastrutturali che un tempo lo rendevano appannaggio esclusivo delle grandi organizzazioni.

Ma l’argomento compie un salto logico quando dall’accesso operativo deduce una condizione di parità strutturale. Accedere a uno strumento non equivale a possederne l’infrastruttura sottostante, e l’infrastruttura dell’IA contemporanea, i modelli fondazionali, la capacità di calcolo necessaria ad addestrarli, i dataset proprietari su cui si fondano, è oggi fra le più concentrate della storia economica recente, in mano a un numero ristrettissimo di attori su scala globale. La stessa constatazione della formazione di oligopoli nell’IA, che circola ormai anche nel discorso mainstream sull’economia digitale, dovrebbe bastare a segnalare la contraddizione interna della narrazione democratizzante, non si può sostenere allo stesso tempo che l’IA livella il campo di gioco per la piccola impresa e che il settore si sta concentrando in poche mani.

La chiave per sciogliere questa apparente contraddizione sta nel distinguere due piani che il discorso corrente tende a sovrapporre, l’efficienza operativa che l’accesso allo strumento genera per la singola impresa, che è reale, e il potere contrattuale che quell’accesso comporta rispetto a chi lo strumento lo possiede, che resta asimmetrico. È lo stesso meccanismo già descritto dal concetto di taylorismo digitale⁴ nell’analisi del lavoro implicito⁵, le piattaforme non sostituiscono i canali distributivi o produttivi tradizionali, li riorganizzano attorno a un controllo del flusso di dati e di infrastruttura che vale quanto il controllo fisico dei mezzi di produzione nell’economia industriale. La piccola impresa che adotta l’IA di un fornitore terzo non sta acquisendo un mezzo di produzione proprio, sta affittando l’accesso a un mezzo di produzione altrui, con termini di servizio che sostituiscono il contratto negoziato e che possono cambiare unilateralmente prezzo, condizioni, o disponibilità dello strumento stesso.

Algocrazia e i limiti della supervisione etica

Il dibattito regolatorio sull’IA nel mondo del lavoro ha prodotto, in tempi relativamente brevi, un insieme di principi condivisi a livello internazionale, supervisione umana obbligatoria sulle decisioni che incidono sulla vita lavorativa, non discriminazione algoritmica, trasparenza dei criteri, protezione dei dati personali. Questi principi, tradotti in norme vincolanti a livello nazionale ed europeo, rappresentano un progresso reale rispetto a un vuoto regolatorio precedente, e sarebbe un errore liquidarli come irrilevanti.

Restano, tuttavia, strutturalmente insufficienti a governare quella che nel Digitalismo si definisce algocrazia, la concentrazione del capitale conoscitivo in poche entità globali genera forme di potere che sfuggono ai meccanismi di governance democratica elaborati per l’economia industriale, non perché manchino regole sul comportamento dei sistemi ma perché chi controlla le piattaforme algoritmiche controlla anche, di fatto, i processi con cui vengono definiti i criteri stessi che quelle regole dovrebbero far rispettare. Un sistema di supervisione umana obbligatoria, per fare un esempio concreto, richiede che qualcuno stabilisca in anticipo quali variabili il sistema deve ottimizzare e quali vincoli deve rispettare, in un regime di concentrazione del capitale conoscitivo, chi specifica quelle variabili e quei vincoli sono, nella grande maggioranza dei casi, gli stessi soggetti privati che possiedono il sistema, non un’istanza democratica esterna a esso.

Questo non è un argomento contro la regolamentazione, è un argomento sulla sua insufficienza se non accompagnata da un intervento sulla struttura di proprietà. Le norme sul comportamento dei sistemi possono correggere gli abusi più evidenti, discriminazione manifesta, opacità totale, assenza di rimedi, ma non toccano la domanda a monte, chi decide, in ultima istanza, cosa conta come equo, cosa conta come trasparente, cosa conta come dato meritevole di tutela rafforzata. Finché questa domanda resta di fatto nelle mani di chi detiene il capitale conoscitivo, l’apparato etico e normativo rischia di funzionare come legittimazione procedurale di decisioni che restano sostanzialmente private, più che come effettivo contropotere democratico.

I limiti della sovranità digitale e la proposta della Noonomia

Una risposta frequente al problema della concentrazione globale del capitale conoscitivo è la promozione di una sovranità digitale nazionale o europea, investimenti pubblici per costruire infrastrutture e modelli di IA a capitale italiano o europeo, con l’obiettivo dichiarato di ridurre la dipendenza dagli oligopoli statunitensi e cinesi che oggi dominano il settore. L’obiettivo è legittimo e la dipendenza tecnologica dall’estero è un rischio reale per qualunque sistema economico nazionale, il ritardo europeo nell’autonomia tecnologica sull’IA è un dato ampiamente riconosciuto anche da chi non condivide una lettura critica del fenomeno.

Ma la sovranità digitale, da sola, sposta il problema geograficamente senza necessariamente risolverlo strutturalmente. Se l’infrastruttura cognitiva costruita con capitale pubblico europeo o italiano viene poi gestita secondo gli stessi criteri di proprietà privata e concentrata che caratterizzano gli oligopoli globali, l’algocrazia si riproduce su scala nazionale invece che essere superata, cambia la bandiera del capitale conoscitivo, non la sua logica di funzionamento. Vale anche l’osservazione inversa, e altrettanto rilevante, la sovranità effettiva di un’infrastruttura pubblica non è garantita dalla sola proprietà formale pubblica, se il controllo tecnico, i fornitori delle componenti critiche, la governance operativa restano di fatto esterni o delegati, la sovranità dichiarata rischia di restare nominale.

La conclusione che si può trarre per il futuro delle politiche industriali sull’IA è che la sovranità digitale è una condizione necessaria ma non sufficiente. Deve essere accompagnata da una riflessione esplicita sul modello di governance del capitale conoscitivo così costruito, se resta un asset gestito secondo logiche proprietarie standard, riproduce l’algocrazia internamente, se viene invece impostato come infrastruttura a governance distribuita, aperta a un controllo pubblico effettivo e non solo formale, può costituire un precedente utile anche oltre i confini nazionali in cui nasce. La proprietà statale come fattore di socializzazione e non di una mera “statalizzazione” funzionante come una “azienda”. Il superamento della illusione novecentesca che fosse sufficiente la proprietà pubblica a garantire una distribuzione sociale della ricchezza. Proprio la scommessa della proposta della Noonomia⁶.

Dal dato comportamentale al capitale simbolico

Il concetto di lavoro implicito⁷ descrive la produzione di valore attraverso le attività quotidiane che ogni persona compie tramite strumenti digitali, ricerche, interazioni, spostamenti tracciati, senza che questa produzione sia retribuita, contrattualizzata o riconosciuta come lavoro. In pratica, il processo di matematizzazione della realtà fisica⁸ che il digitale opera generando, progressivamente, la produzione di “gemelli digitali” della realtà (dalla fabbrica alle città, arrivando agli “avatar” individuali) producendo una sorta di realtà ibrida tra il mondo “atomico” e quello dei “bit”. È una dinamica ormai familiare nel rapporto fra utenti e piattaforme di consumo, ma la sua logica si sta estendendo a un territorio nuovo, quello della certificazione e della tracciabilità digitale applicata a beni e produzioni ad alto contenuto artigianale o di qualità. È l’esito verso il quale il sistema converge a quello che rappresenta il suo punto di stabilità. Per questo semplici “aggiustamenti” o “modifiche” risultano inefficaci a modificare gli esiti sistemici. Come ci suggerisce la struttura delle reti di Hopfield⁹ la modifica sistemica necessita il cambiamento degli “attrattori” e, in altre parole, occorre “generare” diversi punti di stabilità verso cui far convergere il sistema. Quelle che, in passato, venivano chiamate le “Riforme di Struttura”.

Quando un sistema di tracciabilità digitale di filiera viene proposto come strumento che certifica l’origine e la qualità di un prodotto, restituendo al consumatore finale prova di ciò che sta acquistando, si sta descrivendo un’operazione economicamente ambivalente. Da un lato è una tutela reale contro la contraffazione e un possibile strumento di valorizzazione per chi produce con metodi artigianali difficilmente replicabili. Dall’altro, ogni sistema di questo tipo introduce necessariamente una piattaforma intermedia che raccoglie, struttura e detiene i dati di provenienza, di processo, di narrazione del prodotto, dati che prima restavano informali, incorporati nella relazione diretta fra produttore e cliente o nella reputazione locale, e che una volta digitalizzati diventano essi stessi un asset di capitale conoscitivo, non necessariamente nelle mani di chi quel valore artigianale lo produce materialmente.

In altre parole, ciò che nel dibattito sull’IA e sul Made in Italy viene spesso presentato come la parte del valore che resta irriducibilmente umana, il gesto, il saper fare, l’autenticità del luogo e della storia, non è affatto immune al meccanismo estrattivo del plusvalore algoritmico, ne diventa semplicemente una frontiera più recente e più pregiata. E con un destino ineludibile: la sua sussunzione algoritmica. Il rischio economico concreto per il futuro delle filiere artigianali italiane, cioè, non è che l’IA sostituisca il gesto del maestro, quello resta, al momento, difficilmente replicabile, è che il racconto di quel gesto, la sua prova di autenticità digitalizzata, diventi un’infrastruttura di dati gestita da soggetti terzi rispetto a chi quel gesto lo compie, riproducendo su un nuovo terreno lo stesso disaccoppiamento fra generazione e appropriazione del valore già descritto per il lavoro implicito digitale generico. La sussunzione algoritmica diviene, in realtà, il più grande processo di appropriazione coatta, di espropriazione, il vero processo di “accumulazione primaria digitale” che sta consentendo la Transizione dal Capitalismo al Digitalismo.

Il costo materiale rimosso

Un’ultima omissione ricorrente nel discorso sull’IA nell’impresa riguarda la sua base materiale. La retorica dello strumento leggero, del partner digitale privo di peso, distoglie sistematicamente l’attenzione dal fatto che ogni modello di IA di dimensioni rilevanti si regge su un’infrastruttura fisica ad altissima intensità di risorse, capacità di calcolo concentrata in data center che consumano energia e acqua su scala industriale. Una stima recente dell’organizzazione United Nations University quantificava il fabbisogno idrico complessivo dei data center dedicati all’IA in diverse migliaia di miliardi di litri entro la fine del decennio.¹⁰ Al di là della precisione della singola cifra, che meriterebbe verifica su fonti primarie prima di essere assunta come dato definitivo, la direzione del fenomeno non è in discussione, la crescita dell’adozione aziendale dell’IA ha un costo ecologico che cresce insieme a essa, e non si può discutere del futuro dell’impresa e dell’economia legata all’IA come se questo costo non esistesse o fosse un problema esclusivamente tecnico da delegare a chi gestisce l’infrastruttura.

Questo costo materiale ha una ricaduta diretta sulla sostenibilità di lungo periodo del modello di business che sta emergendo intorno all’IA aziendale. Se la produzione di valore algoritmico dipende da un’infrastruttura fisica i cui costi ambientali ed energetici non sono internalizzati nei prezzi con cui i servizi di IA vengono offerti alle imprese, quei prezzi sono probabilmente destinati a salire nel tempo, man mano che la pressione regolatoria e i costi reali dell’energia si fanno sentire, con un effetto che colpirebbe in modo sproporzionato proprio le imprese più piccole, meno capaci di assorbire aumenti di costo su servizi che nel frattempo saranno diventati parte integrante dei loro processi.

L’ipotesi di “deentralizzazione” della capacità di elaborazione derivante dai modelli aperti, che lavorano sulla allocazione nelle imprese di AI interne e che non necessitano di uso di Cloud e, quindi, di data center, rappresenta una alternativa non solo sugli impatti ecologici ma anche sulla “proprietà” dei dati e degli algoritmi necessari alla loro elaborazione. Non cancella il rapporto complessivo sull’uso della energia necessaria ma lo rende meno impattante sul piano del suolo e sulla gestione distribuita della produzione di energie rinnovabili decentrate che possono essere utilizzate per assolvere alle necessità di elaborazione e modifica, in maniera importante anche se non definitiva, il rapporto di potere sui mezzi di produzione necessari alla stessa azienda.

Conclusioni

Le argomentazioni sviluppate in questo saggio convergono su una tesi unica, il futuro dell’IA per le imprese e per l’economia non si decide primariamente sul piano dell’adozione tecnologica, quanti e quali strumenti vengono usati, quanto bene, con quale formazione, ma sul piano della struttura di proprietà del capitale conoscitivo su cui quegli strumenti si fondano. Le narrazioni che descrivono l’IA come partner neutro, fattore di democratizzazione per la piccola impresa, o fenomeno adeguatamente governabile con soli strumenti etici e regolatori, non sono false nei dettagli che affermano, sono incomplete nella domanda che sistematicamente evitano di porre.

Una politica economica realmente orientata a un’adozione dell’IA che avvantaggi le imprese e i loro lavoratori, e non solo chi possiede l’infrastruttura cognitiva su cui l’adozione si regge, non può quindi limitarsi a due mosse che oggi dominano il dibattito pubblico, la disciplina etica del comportamento dei sistemi e il trasferimento geografico della proprietà attraverso investimenti di sovranità digitale nazionale o europea. Deve affrontare direttamente la domanda su come si costruisce un capitale conoscitivo distribuito, o quantomeno sottoposto a una governance effettivamente pubblica e non solo formalmente tale, capace di restituire alle imprese, e non solo a chi le rifornisce di strumenti, una quota della rendita che l’intelligenza artificiale genera. Senza questo intervento sul nodo critico del sistema, il linguaggio del partenariato fra impresa e IA continuerà a descrivere, con parole più rassicuranti, una relazione di dipendenza.

Note

1. Il dato è tratto da una singola rilevazione, in collaborazione con ADP Research, non ancora sottoposta a verifica indipendente su serie storiche più lunghe. Va trattato come indicazione preliminare, non come evidenza consolidata, e richiede conferma su rilevazioni successive prima di essere assunto come base per decisioni di policy.
2. Il dato proviene da un’indagine campionaria di settore, non da una serie storica ufficiale, e va considerato indicativo di una tendenza più che come misura definitiva del fenomeno.
3. Al momento della stesura di questo saggio l’operazione non risultava confermata pubblicamente dalle parti coinvolte, la si cita come indicatore di tendenza di mercato, non come fatto acquisito.
4. Sul tema cfr. Bellucci, S., E-Work. Lavoro, Rete, Innovazione, Roma, Derive e Approdi, 2005.
5. Ibidem.
6. La Noonomia è un concetto elaborato da Sergej Bodrunov. Cfr. La noonomia di Sergey Bodrunov: una risposta globale alle sfide del nostro tempo, in Noonomia Journal, vol. 4 n.3, 2025.
7. Op. cit.
8. Cfr. Bellucci, S., Dalla Biforcazione Catastrofica alla Terraformattazione Capitalistica, in Riflessioni sistemiche, Vol. XIII, 2015.
9. Su questo punto è in via di pubblicazione un mio saggio in uscita nel mese di ottobre 2026 intitolato Digitalismo per il Centro di ricerca EuriConv.
10. La cifra proviene da un singolo studio, va trattata come stima indicativa e non come dato consolidato, in attesa di repliche indipendenti che ne confermino l’ordine di grandezza.