Vanessa Rusci Intelligenza artificiale, Comunicazione e Marketing per Aziende, Scuole, Enti e tutti

AI Act europeo: che cos’è davvero, cosa cambia già adesso e perché conta molto più di quanto sembri

2026-06-16T10:04:35.409-07:00

Primo post di una serie sull’AI Act: la cornice generale

L’AI Act europeo viene spesso presentato in due modi opposti e ugualmente sbagliati. Per alcuni è una gabbia burocratica destinata a soffocare innovazione e competitività. Per altri è una specie di scudo perfetto che proteggerà automaticamente cittadini, lavoratori, studenti, artisti e consumatori da ogni abuso dell’intelligenza artificiale. Le fonti ufficiali europee raccontano una storia più seria e più complessa. L’AI Act non vieta “l’AI” in generale, non è un rifiuto della tecnologia e non è neppure una bacchetta magica. È una grande legge europea che prova a mettere ordine in un campo già molto potente, molto opaco e molto diseguale, usando una logica basata sul rischio. Il suo scopo dichiarato è migliorare il funzionamento del mercato interno e, insieme, garantire che i sistemi di AI immessi sul mercato o usati nell’Unione siano sicuri e rispettino diritti fondamentali, democrazia, Stato di diritto e ambiente.

Il punto di partenza è importante: l’Unione europea non sta dicendo che tutta l’AI è pericolosa allo stesso modo. Sta dicendo che alcune applicazioni sono quasi innocue, altre richiedono trasparenza, altre ancora sono ad alto rischio e devono rispettare obblighi severi, mentre un nucleo ristretto di pratiche viene considerato inaccettabile. Questa architettura a livelli è la vera chiave della legge. È anche il motivo per cui l’AI Act verrà discusso per anni: perché non parla solo di software, ma di potere, classificazione, sorveglianza, mercato e responsabilità.

La logica della legge: non tutto l’AI è uguale

L’AI Act adotta una struttura “risk-based”, cioè orientata al rischio. Significa che il trattamento giuridico cambia a seconda dell’impatto potenziale del sistema. Alcuni sistemi sono soggetti a obblighi minimi o nulli, altri devono rispettare regole di trasparenza, altri ancora rientrano nella categoria dei sistemi ad alto rischio, con requisiti severi su dati, documentazione tecnica, supervisione umana, robustezza, gestione del rischio e monitoraggio. Una piccola parte di pratiche, invece, viene vietata perché considerata incompatibile con i valori fondamentali europei. È una distinzione decisiva, perché impedisce sia il panico generalizzato sia la deregulation totale.

Questa impostazione ha un pregio e un limite. Il pregio è la precisione: la legge non tratta un filtro fotografico e un sistema di scoring biometrico come se fossero la stessa cosa. Il limite è che il mondo reale è più ambiguo delle categorie legali. Molti sistemi stanno nel mezzo, si ibridano, cambiano funzione, vengono incorporati in piattaforme più grandi o vengono usati in contesti diversi da quelli dichiarati. Per questo l’AI Act non va letto come un oggetto statico, ma come una cornice che richiederà interpretazioni, linee guida, contenziosi e verifiche continue. La stessa Commissione europea ha pubblicato FAQ, linee guida e codici di pratica proprio perché il testo normativo da solo non basta a chiarire tutti i casi concreti.

Cosa vieta l’AI Act e perché è importante

Una delle parti più discusse della legge riguarda le pratiche proibite. Dal 2 febbraio 2025 sono diventate applicabili le prime regole dell’AI Act, che comprendono la definizione di sistema di AI, l’obbligo di AI literacy e un numero limitato di pratiche vietate che pongono rischi inaccettabili. La Commissione ha pubblicato linee guida specifiche sulle pratiche proibite il 4 febbraio 2025 proprio per aiutare imprese, amministrazioni e cittadini a capire dove passa la linea rossa.

Qui bisogna essere molto precisi. L’AI Act non vieta genericamente ogni forma di biometria o di profilazione. Vieta invece alcune pratiche ritenute particolarmente lesive dei diritti fondamentali. La Commissione spiega che queste linee guida riguardano pratiche considerate inaccettabili per i loro rischi verso valori europei e diritti fondamentali. In questa area rientrano, tra le altre, forme di manipolazione dannosa, sfruttamento di vulnerabilità in modi specifici, alcune pratiche di social scoring e alcuni usi di identificazione biometrica remota in tempo reale da parte delle forze dell’ordine, salvo eccezioni molto limitate previste dalla legge. È qui che si vede con maggiore chiarezza il cuore politico dell’AI Act: non tutto ciò che è tecnicamente possibile viene considerato legittimo in una democrazia costituzionale.

Questo passaggio conta moltissimo perché rompe un mito tossico del dibattito tecnologico contemporaneo: l’idea che l’innovazione valga di per sé e che la società debba adattarsi a tutto ciò che il mercato riesce a immettere in circolazione. L’AI Act, almeno in questo nucleo, fa l’opposto. Dice che esistono limiti politici e morali prima ancora che commerciali. È un segnale forte, anche se naturalmente il vero banco di prova sarà l’applicazione concreta e non l’enunciazione dei principi.

La timeline vera: che cosa vale già e che cosa scatterà dopo

Uno degli errori più comuni è parlare dell’AI Act come se fosse tutto già pienamente in vigore o, al contrario, come se fosse ancora lontanissimo e quindi irrilevante. La realtà è più sfumata. La Commissione europea ricorda che l’AI Act è entrato in vigore il 1 agosto 2024 e sarà pienamente applicabile due anni dopo, cioè il 2 agosto 2026, con alcune eccezioni e anticipazioni. Dal 2 febbraio 2025 sono già applicabili le regole sulla definizione di sistema di AI, sull’AI literacy e sulle pratiche proibite. Le regole sui modelli di general-purpose AI, o GPAI, si applicano dal 2 agosto 2025. Le altre disposizioni principali diventano applicabili dal 2 agosto 2026.

Questa timeline è fondamentale perché spiega perché oggi si moltiplicano linee guida, FAQ, codici di condotta e strumenti interpretativi. Non siamo nella fase in cui “si vedrà poi”. Siamo già nella fase in cui una parte della legge produce effetti concreti e un’altra parte spinge imprese, pubbliche amministrazioni e provider di modelli a ripensare documentazione, governance, conformità e responsabilità. Parlare dell’AI Act nel 2026 non è quindi una discussione astratta sul futuro. È una discussione sul presente.

AI literacy: la parte meno spettacolare e forse più radicale

Tra le norme già applicabili dal febbraio 2025 ce n’è una che passa spesso in secondo piano e che invece è politicamente potentissima: l’obbligo di AI literacy. La Commissione spiega che l’articolo 4 richiede a provider e deployer di sistemi AI di garantire un livello sufficiente di alfabetizzazione AI del proprio personale e delle altre persone che usano tali sistemi per loro conto, tenendo conto della conoscenza tecnica, dell’esperienza, dell’istruzione, della formazione e del contesto d’uso.

Questa parte della legge è interessante perché sposta il discorso. Non basta più dire “abbiamo installato un sistema AI”. Bisogna anche poter dimostrare che chi lo usa sa, almeno in misura adeguata, che cos’è, come funziona, dove può sbagliare, quali effetti può produrre e su chi ricadono quei rischi. In termini concreti, vuol dire che l’AI non può più essere venduta come scatola magica da affidare a personale non formato. Questo vale soprattutto in contesti sensibili come lavoro, scuola, sanità, selezione del personale, amministrazione pubblica e servizi ai cittadini.

A mio avviso questa è una delle parti più intelligenti dell’AI Act. Non perché risolva tutto, ma perché riconosce una verità semplice: la pericolosità o l’utilità di un sistema dipendono anche da chi lo usa e da quanto lo capisce. L’alfabetizzazione non è un dettaglio pedagogico: è una condizione democratica minima. Senza literacy, la governance dell’AI resta un affare per specialisti, vendor e grandi imprese, mentre la società viene trattata come pubblico passivo. La Commissione, nelle sue Q&A, è molto esplicita su questo punto.

General-purpose AI: perché i grandi modelli sono entrati nel mirino

Un altro asse centrale dell’AI Act riguarda i modelli di general-purpose AI, i cosiddetti GPAI. Qui il legislatore europeo ha cercato di rispondere a un problema ormai evidente: i grandi modelli generalisti non sono semplici prodotti di nicchia, ma infrastrutture capaci di essere incorporate in moltissimi altri sistemi e settori. Per questo, accanto alla disciplina dei sistemi AI ad alto rischio, l’Unione ha costruito un capitolo specifico per i provider dei modelli GPAI. La Commissione spiega che le regole GPAI si applicano dal 2 agosto 2025 e che il Code of Practice serve come strumento volontario per aiutare l’industria a conformarsi agli obblighi del regolamento su trasparenza, copyright e, per i modelli con rischio sistemico, sicurezza e gestione dei rischi.

Questo è un passaggio molto importante perché segna una novità: non si regolano solo le applicazioni finali, ma anche i livelli più alti dell’infrastruttura modellistica. In altre parole, l’Europa ha capito che aspettare di vedere il danno solo a valle non basta più, perché i modelli generalisti diventano rapidamente mattoni di interi ecosistemi. La volontà di intervenire a questo livello mostra anche quanto il dibattito si sia spostato dalla sola “AI applicata” alla governance delle piattaforme modellistiche.

Va però detto con chiarezza che il Code of Practice è presentato dalla Commissione come uno strumento volontario, non come la legge stessa. Serve a facilitare la conformità, non sostituisce il regolamento. Questo dettaglio è fondamentale perché evita due errori opposti: pensare che il codice volontario sia irrilevante, oppure immaginare che basti firmarlo per cancellare i problemi strutturali del mercato dei modelli.

Trasparenza, deepfake e contenuti generati

Un altro capitolo che merita attenzione riguarda la trasparenza sui contenuti generati dall’AI. La Commissione ha pubblicato FAQ e pagine dedicate alle obbligazioni di trasparenza dell’articolo 50, spiegando che esse servono a ridurre rischi di inganno, impersonificazione e disinformazione e a far sì che le persone sappiano quando interagiscono con un sistema AI o sono esposte a contenuti generati artificialmente. Le regole specifiche dell’articolo 50 relative a questi obblighi si applicano dal 2 agosto 2026. Nel giugno 2026 la Commissione ha pubblicato anche un Code of Practice dedicato alla marcatura e all’etichettatura dei contenuti generati.

Questa parte della legge è cruciale per il presente mediatico. Non risolve il problema culturale dei contenuti falsi, manipolati o sintetici, ma prova almeno a costruire una base giuridica minima per rendere tracciabile e riconoscibile parte della produzione artificiale. È una risposta ancora parziale, ma non banale, a un ecosistema in cui la confusione tra vero, plausibile, imitato e generato rischia di diventare strutturale.

L’AI Act protegge davvero oppure no?

Questa è probabilmente la domanda più importante. La risposta onesta è: protegge in parte, se viene applicato bene, ma non basta da solo. L’AI Act ha il merito di introdurre limiti, obblighi e categorie che prima non esistevano in modo così sistematico a livello europeo. Stabilisce un linguaggio comune, impone conformità, obbliga a distinguere tra usi accettabili e inaccettabili, chiede literacy, interviene sui modelli generalisti e costruisce strumenti per trasparenza e controllo. Tutto questo è reale.

Ma sarebbe ingenuo pensare che una legge, da sola, risolva la sproporzione di potere tra cittadini e grandi provider, tra scuole o amministrazioni e vendor, tra lavoratori e sistemi opachi di valutazione automatizzata. L’efficacia dell’AI Act dipenderà da enforcement, interpretazioni, risorse delle autorità, qualità delle linee guida, capacità delle istituzioni di resistere alle pressioni industriali e livello di literacy diffuso nella società. La Commissione stessa, con il proliferare di FAQ, guidelines e codici, mostra implicitamente che il testo normativo ha bisogno di essere accompagnato, tradotto e continuamente chiarito.

La mia tesi

La mia tesi è questa: l’AI Act europeo conta molto perché prova a rimettere la politica dentro un campo che il mercato tecnologico aveva occupato con velocità impressionante. Non è una legge perfetta, non chiude tutte le falle, non elimina l’asimmetria tra chi costruisce i sistemi e chi li subisce. Però compie un gesto fondamentale: afferma che l’intelligenza artificiale non è soltanto un settore economico o una questione tecnica, ma una materia di diritti, potere e responsabilità pubblica. Ed è proprio per questo che va letta bene, criticata seriamente e seguita ambito per ambito.

La chiusura più utile, allora, non è dire “ci penserà Bruxelles” e neppure “tanto non servirà a nulla”. È un’altra: finalmente esiste una cornice europea che consente di fare domande più precise. Chi decide che un sistema è accettabile? Chi risponde quando crea danno? Chi deve essere formato? Chi deve essere trasparente? Chi può essere escluso, sorvegliato o classificato da una macchina, e con quali limiti? L’AI Act non chiude il dibattito. Lo apre nel modo giusto.

Glossario dei concetti più difficili

AI Act
La legge europea che stabilisce regole armonizzate sull’intelligenza artificiale.

Approccio basato sul rischio
Modo di regolare l’AI in base alla gravità del rischio che un sistema può creare.

Pratiche proibite
Usi dell’AI considerati inaccettabili perché troppo pericolosi per diritti e valori fondamentali.

High-risk AI systems
Sistemi di AI ad alto rischio, soggetti a requisiti più severi.

General-purpose AI, GPAI
Modelli generalisti che possono essere usati in molti contesti diversi, come i grandi modelli linguistici.

Rischio sistemico
Rischio che non colpisce solo un caso isolato ma può avere effetti ampi e diffusi.

AI literacy
Capacità di capire che cos’è l’AI, come funziona, dove può sbagliare e quali effetti può produrre.

Deployers
Soggetti che usano un sistema AI nel proprio contesto operativo, per esempio un’impresa o un’amministrazione.

Providers
Soggetti che sviluppano o immettono sul mercato un sistema o modello AI.

Trasparenza dei contenuti AI
Obbligo di informare le persone quando interagiscono con AI o vedono contenuti generati artificialmente in certi casi.

Code of Practice
Strumento volontario che aiuta imprese e operatori a conformarsi alla legge.

Enforcement
Applicazione concreta della legge da parte delle autorità competenti.

In parole semplici

L’AI Act non vieta tutta l’intelligenza artificiale.
Mette regole diverse a seconda di quanto un sistema può essere pericoloso.
Alcuni usi molto rischiosi sono vietati.
I grandi modelli generalisti devono rispettare obblighi specifici.
Le aziende e gli enti che usano AI devono anche formare le persone che la usano.
Dal febbraio 2025 alcune regole sono già attive.
Dal 2026 molte altre parti della legge diventeranno pienamente applicabili.
La legge da sola non basta, ma obbliga finalmente a parlare di diritti, responsabilità e limiti.

Note semplici sulle istituzioni e sui documenti citati

Commissione europea, Shaping Europe’s Digital Future
È il portale ufficiale della strategia digitale UE. Qui si trovano spiegazioni pratiche, FAQ, linee guida e aggiornamenti sull’AI Act.

EUR-Lex
È il portale ufficiale del diritto dell’Unione europea. Qui si trova il testo autentico del Regolamento (UE) 2024/1689, cioè l’AI Act vero e proprio.

European AI Office
È la struttura europea che segue l’implementazione e il coordinamento di alcune parti del nuovo quadro AI, soprattutto sul lato GPAI e trasparenza.

Fonti consultate per questo articolo, dalla più recente alla più vecchia

2026 | European Commission, Navigating the AI Act

https://digital-strategy.ec.europa.eu/en/faqs/navigating-ai-act

2026 | European Commission, Code of Practice on Transparency of AI-Generated Content

https://digital-strategy.ec.europa.eu/en/policies/code-practice-ai-generated-content

2026 | European AI Office

https://digital-strategy.ec.europa.eu/en/policies/ai-office

2025 | European Commission, AI talent, skills and literacy

https://digital-strategy.ec.europa.eu/en/policies/ai-talent-skills-and-literacy

2025 | European Commission, AI Literacy - Questions & Answers

https://digital-strategy.ec.europa.eu/en/faqs/ai-literacy-questions-answers

2025 | European Commission, First rules of the Artificial Intelligence Act are now applicable

https://digital-strategy.ec.europa.eu/en/news/first-rules-artificial-intelligence-act-are-now-applicable

2025 | European Commission, Commission publishes the Guidelines on prohibited AI practices

https://digital-strategy.ec.europa.eu/en/library/commission-publishes-guidelines-prohibited-artificial-intelligence-ai-practices-defined-ai-act

2025 | European Commission, Commission publishes the Guidelines on AI system definition

https://digital-strategy.ec.europa.eu/en/library/commission-publishes-guidelines-ai-system-definition-facilitate-first-ai-acts-rules-application

2025 | European Commission, The General-Purpose AI Code of Practice

https://digital-strategy.ec.europa.eu/en/policies/contents-code-gpai

2025 | European Commission, Drawing-up a General-Purpose AI Code of Practice

https://digital-strategy.ec.europa.eu/en/policies/ai-code-practice

2025 | European Commission, Guidelines on transparent AI systems

https://digital-strategy.ec.europa.eu/en/faqs/guidelines-and-code-practice-transparent-ai-systems

2025 | European Commission, Guidelines on the scope of obligations for providers of general-purpose AI models

https://digital-strategy.ec.europa.eu/en/library/guidelines-scope-obligations-providers-general-purpose-ai-models-under-ai-act

2025 | EUR-Lex, Rules for trustworthy artificial intelligence in the EU

https://eur-lex.europa.eu/legal-content/CA/LSU/?uri=oj%3AL_202401689

2024 | European Commission, AI Act regulatory framework

https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai

2024 | EUR-Lex, Regulation (EU) 2024/1689

https://eur-lex.europa.eu/eli/reg/2024/1689/oj/eng

2024 | EUR-Lex PDF, Regulation (EU) 2024/1689

https://eur-lex.europa.eu/legal-content/EN/TXT/PDF/?uri=OJ%3AL_202401689

Parte 2. Insegnare al tempo delle AI: AI e neurodivergenze

2026-05-22T06:14:03.451-07:00

Grafica realizzata con un prompt, dopo anni di addestramento e partendo dal disegno di DAS 2026

Opportunità reali, rischi concreti e una domanda decisiva: chi progetta per chi?

Quando si parla di intelligenza artificiale e neurodivergenze, il dibattito oscilla spesso tra due estremi. Da una parte c’è la retorica salvifica, quella per cui l’AI sarebbe quasi una soluzione automatica per ADHD, autismo, dislessia, disprassia e altri profili di apprendimento non standard. Dall’altra c’è il sospetto opposto: l’AI come nuova macchina di standardizzazione, controllo e dipendenza. Le fonti più serie invitano a uscire da entrambe le caricature. L’OECD scrive che l’AI può sostenere studenti con bisogni educativi speciali e learner neurodivergenti, ma richiama anche rischi e limiti: strumenti ancora poco validati, problemi di privacy, bias, costi, difficoltà di implementazione e insufficiente formazione del personale educativo.

Il primo punto da chiarire è che, per molti studenti neurodivergenti, il problema non è “imparare meglio”, ma imparare in ambienti costruiti attorno a ritmi, linguaggi e richieste pensati per altri. In questo senso l’AI può avere un’utilità concreta quando permette di personalizzare accessi, tempi, formati e modalità di supporto. L’OECD segnala che alcuni strumenti possono sostenere comprensione del testo, pianificazione, scrittura, accessibilità dei materiali e adattamento dell’istruzione.

La letteratura più recente conferma che un potenziale esiste, ma invita alla prudenza. Una scoping review del 2025 su studenti neurodivergenti nella scuola K-12 ha esaminato il panorama emergente delle applicazioni GenAI per studenti con ADHD, autismo, dislessia, giftedness e profili twice-exceptional, rilevando opportunità nella personalizzazione e nell’accessibilità, ma anche una base di evidenze ancora iniziale e non omogenea.

In altre parole, le promesse sono interessanti, ma non autorizzano ancora generalizzazioni trionfali.

Questo significa che il terreno più serio non è quello degli slogan, ma dei casi concreti. Per uno studente con dislessia, un sistema generativo può aiutare a riformulare un testo, spiegare termini complessi o alleggerire la densità linguistica. Per uno studente con ADHD, può sostenere segmentazione del compito, organizzazione e feedback più immediato. Per alcuni studenti autistici, può facilitare comunicazione, anticipazione e adattamento dei materiali. Ma qui entra una distinzione decisiva: un supporto non coincide automaticamente con emancipazione.

Se lo strumento aiuta a capire e a diventare più autonomi, può essere una risorsa.

Se invece prende il posto del processo cognitivo o rende la persona dipendente da una mediazione continua, il rischio è di spostare il problema senza risolverlo. Questa distinzione è coerente con l’impostazione OECD, che parla insieme di potenziale, rischi e limitazioni.

Un secondo nodo riguarda chi definisce il bisogno.

Molte tecnologie si dichiarano inclusive, ma sono progettate da persone che spesso conoscono poco la vita quotidiana delle persone neurodivergenti. Per questo la questione non è soltanto “quale strumento usare”, ma “chi ha partecipato a pensarlo, con quali ipotesi sul funzionamento umano e con quale idea di normalità”. La review K-12 del 2025 insiste sul fatto che il campo è eterogeneo e che servono approcci flessibili, non una soluzione unica “per i neurodivergenti”.

La scrittura è uno degli ambiti in cui questa ambivalenza è più evidente. Uno studio del 2025 su studenti con disabilità nell’istruzione superiore, basato su 124 risposte valide, mostra che studenti con ADHD, dislessia, disprassia e autismo usano chatbot, applicazioni di rewriting e altri strumenti GenAI per compiti di scrittura accademica. Lo studio riporta benefici percepiti nel superare barriere della scrittura, ma anche timori concreti su inaccuratezza delle risposte, violazioni dell’integrità accademica e divario digitale legato ai costi degli abbonamenti. Quindi chi deve vigilare? L'insegnante non può essere sostituito.

Questo punto è molto importante anche per la scuola. L’AI può offrire una compensazione legittima, ma se le istituzioni non costruiscono regole intelligenti e non distinguono tra aiuto all’accesso e sostituzione del lavoro cognitivo, si rischia di confondere inclusione e delega. Una scuola seria dovrebbe chiedersi non solo se lo strumento “funziona”, ma che cosa sostiene davvero: la comprensione della persona o la produzione di un output formalmente corretto. Lo studio sull’istruzione superiore mostra proprio che l’uso è già reale e complesso, non riducibile né a cheating né a liberazione automatica.

A questo punto il tema non è più soltanto tecnico, ma pedagogico ed etico. L’OECD scrive che gli strumenti AI per studenti con SEN e learner neurodivergenti possono promuovere partecipazione e accessibilità, ma solo se integrati in contesti educativi ben progettati e accompagnati da docenti preparati. Nel report 2026 sulla formazione professionale neurodivergente, l’OECD sottolinea anche che insegnanti e datori di lavoro possono essere sopraffatti dal numero di strumenti disponibili, che i docenti spesso non hanno supporto sufficiente, che i costi possono creare disuguaglianza e che servono policy guidelines esplicite su accessibilità, diritti, privacy e formazione.

Il ruolo degli insegnanti, quindi, non diminuisce affatto. Diventa più delicato. L’insegnante non deve solo conoscere uno strumento, ma saper leggere quando un supporto sta realmente facilitando l’apprendimento e quando sta invece coprendo una difficoltà senza trasformarla. Deve distinguere tra accomodamento utile e delega eccessiva. Deve anche ricordare che la neurodivergenza non è una categoria unica: ciò che aiuta uno studente può disorganizzare, affaticare o irritare un altro. Anche per questo la letteratura insiste più sulla flessibilità che sulle ricette universali.

Esiste poi un rischio meno discusso ma molto serio: che l’AI venga usata per sorvegliare più che per includere. Se i sistemi raccolgono continuamente dati su attenzione, tempi, errori, comportamento o pattern di apprendimento, la linea tra supporto e monitoraggio può diventare sottile. L’OECD richiama esplicitamente questioni di dati, privacy e possibili bias nei sistemi rivolti a studenti con bisogni speciali. Per studenti neurodivergenti questo è ancora più sensibile, perché dati sul funzionamento cognitivo o sul comportamento scolastico possono essere letti in modo stigmatizzante o cristallizzare etichette già rigide.

La mia tesi è questa: l’AI può diventare una risorsa importante per le neurodivergenze solo se smette di presentarsi come scorciatoia universale e accetta di essere uno strumento situato, limitato, negoziato e accompagnato. Può aiutare a rimuovere ostacoli inutili. Può offrire accessi alternativi al sapere. Può alleggerire compiti che per alcuni studenti sono sproporzionatamente gravosi. E indubbiamente può aiutare e sostenere gli insegnanti. Ma non deve essere usata per normalizzare forzatamente, per medicalizzare la differenza o per sostituire la relazione educativa con una protesi algoritmica. La scuola dovrebbe usare l’AI per ampliare le possibilità di apprendere, non per restringere i modi legittimi di essere intelligenti. Conclusione: potenziale alto, ma solo dentro una cornice di diritti, progettazione seria e buona pedagogia.

Quindi, non dovrebbe essere “l’AI salverà i neurodivergenti”, che suona paternalistica e falsa. Dovrebbe essere: forse l’AI può aiutare la scuola a diventare meno rigida, meno standardizzata e meno punitiva, ma solo se la scuola non abdica alla propria responsabilità umana. La domanda più importante non è quanto sia intelligente il sistema. La domanda è se rende più libera la persona.

Vanessa

Nel prossimo post parleremo degli strumienti utili alle divergenze per le scuole.

Glossario dei concetti più difficili

Neurodivergenze
Modi di funzionare, apprendere, percepire o regolare l’esperienza che non coincidono con lo standard dominante.

SEN, Special Education Needs
Bisogni educativi che richiedono supporti, adattamenti o strumenti specifici per permettere un apprendimento equo.

Accessibilità
La possibilità concreta di usare materiali, ambienti e strumenti senza essere esclusi da barriere inutili.

Accomodamento
Adattamento ragionevole che permette a una persona di partecipare meglio senza essere penalizzata da un ambiente rigido.

Compensazione
Supporto che aiuta a superare una difficoltà specifica senza eliminare il bisogno di comprendere o imparare.

Autonomia cognitiva
Capacità di pensare, scegliere e capire senza dipendere sempre da una guida esterna.

Bias
Distorsioni dei dati o dei sistemi che portano a risultati ingiusti, parziali o stereotipati.

Privacy dei dati
Protezione delle informazioni personali, soprattutto quando riguardano salute, apprendimento o funzionamento cognitivo.

Medicalizzare la differenza
Trattare ogni differenza come un difetto o un problema clinico da correggere.

Rewriting
Riformulazione di un testo con altre parole, spesso per renderlo più chiaro, più semplice o più corretto formalmente.

Integrità accademica
Rispetto delle regole di correttezza nello studio e nella produzione di elaborati.

Personalizzazione
Adattamento di strumenti, spiegazioni o percorsi ai bisogni della singola persona.

In parole semplici

L’AI può aiutare alcune persone neurodivergenti a studiare meglio.
Può semplificare testi, aiutare a organizzarsi e sostenere la scrittura.
Però non è una magia e non aiuta tutti allo stesso modo.
Se viene usata male, può creare dipendenza o far fare alla macchina troppo lavoro mentale.
Il rischio è che diventi uno strumento per controllare o normalizzare invece che per includere.
Gli insegnanti restano fondamentali, perché devono capire quando l’aiuto è vero e quando è solo apparenza.
La domanda giusta non è se l’AI sia moderna o no.
La domanda giusta è se rende la persona più libera, più capace e meno esclusa.

Note sugli studiosi e sulle istituzioni citate

OECD, OCSE
Organizzazione internazionale che studia economia, educazione, lavoro e politiche pubbliche. Nei report citati analizza come l’AI possa sostenere studenti con bisogni educativi speciali e learner neurodivergenti, ma insiste anche su rischi, costi, formazione dei docenti e diritti.

Xin Zhao, Andrew Cox, Xuanning Chen
Autori dello studio del 2025 sull’uso della GenAI da parte di studenti con disabilità nell’istruzione superiore. Il lavoro mostra sia usi concreti e utili nella scrittura accademica, sia timori su inaccuratezza, costi e integrità accademica.

Michelle Ronksley-Pavia e colleghi
Autori della scoping review del 2025 sulle applicazioni GenAI per studenti neurodivergenti nella scuola K-12. Il loro lavoro descrive un campo promettente ma ancora giovane, con benefici possibili e molte cautele necessarie.

Fonti consultate per questo articolo, dalla più recente alla più vecchia

2026 | OECD, AI to Support Neurodivergent Learners in Vocational Education and Training

https://www.oecd.org/en/publications/ai-to-support-neurodivergent-learners-in-vocational-education-and-training_718d7522-en/full-report.html

2025 | OECD, Leveraging Artificial Intelligence to Support Students with Special Education Needs

https://www.oecd.org/en/publications/leveraging-artificial-intelligence-to-support-students-with-special-education-needs_1e3dffa9-en.html

2025 | Zhao, Cox, Chen, The use of generative AI by students with disabilities in higher education

https://www.sciencedirect.com/science/article/pii/S1096751625000235

2025 | Ronksley-Pavia et al., A scoping literature review of generative artificial intelligence for supporting neurodivergent school students

https://www.sciencedirect.com/science/article/pii/S2666920X25000773

Parte 1. Insegnare al tempo delle AI di Vanessa Rusci & VaRu

2026-05-15T09:00:00.000-07:00

Quando si parla di intelligenza artificiale a scuola, il rischio è oscillare tra due semplificazioni opposte. La prima è quella entusiasta: l’AI risolverà i problemi della scuola, personalizzerà l’apprendimento, alleggerirà il lavoro dei docenti e renderà tutto più efficiente. La seconda è quella apocalittica: l’AI distruggerà lo studio, svuoterà il pensiero, renderà gli insegnanti superflui e trasformerà gli studenti in utenti passivi. Le fonti più serie oggi non confermano né l’una né l’altra visione in forma assoluta. Dicono piuttosto una cosa più impegnativa: l’AI può aiutare l’educazione, ma solo se la scuola resta profondamente umana, pedagogicamente guidata e politicamente governata. Se invece viene introdotta senza criteri, può amplificare superficialità, disuguaglianze e dipendenza cognitiva.

UNESCO insiste da tempo su un principio chiave: l’AI in educazione deve essere human-centred, centrata sull’essere umano, e va inserita dentro una visione che protegga agency, pensiero critico, etica e diritti. Nei suoi documenti più recenti UNESCO non presenta l’AI come una scorciatoia per sostituire la relazione educativa, ma come qualcosa che va governato con competenze specifiche per studenti e insegnanti. Per questo ha pubblicato sia una Guidance for generative AI in education and research, sia due quadri di competenze distinti, uno per i docenti e uno per gli studenti. Nel framework per gli insegnanti individua 15 competenze in cinque dimensioni, tra cui mindset human-centred, etica dell’AI, fondamenti tecnici, pedagogia dell’AI e uso dell’AI per l’apprendimento professionale. Nel framework per gli studenti insiste invece sul fatto che i sistemi educativi devono preparare i ragazzi a usare e comprendere l’AI in modo sicuro, critico e significativo.

Questo punto è cruciale perché cambia la domanda di partenza. Non bisogna chiedersi solo “come usare l’AI a scuola?”, ma “che cosa significa insegnare quando gli studenti hanno già in tasca strumenti che riassumono, scrivono, spiegano, imitano il linguaggio umano e producono risposte in pochi secondi?”. L’OECD, nel suo Digital Education Outlook 2026, formula una risposta molto netta: la GenAI può supportare l’apprendimento solo se è guidata da chiari principi didattici. Se invece viene usata senza supporto pedagogico, il rischio è che migliori la performance apparente senza produrre veri guadagni di apprendimento. In una formula brutale ma utile: lo studente può sembrare più bravo senza aver imparato davvero.

Qui entriamo nel cuore del problema educativo. Insegnare al tempo delle AI non significa semplicemente permettere o vietare uno strumento. Significa ridefinire che cosa conta come apprendimento. Se una macchina può riassumere un testo, generare una scaletta, spiegare una poesia, correggere una bozza o produrre un tema formalmente impeccabile, allora la scuola deve difendere con ancora più forza ciò che l’AI non garantisce automaticamente: comprensione profonda, capacità di giudizio, relazione tra concetti, confronto tra fonti, autonomia di pensiero, responsabilità interpretativa. L’OECD lo dice con chiarezza in un altro documento del 2025: in un mondo di AI potenti, la questione centrale diventa che cosa gli insegnanti debbano insegnare e che cosa gli studenti debbano davvero imparare.

Un primo esempio concreto aiuta a capire la posta in gioco. Un insegnante può usare un sistema generativo per produrre in pochi minuti tre versioni diverse della stessa spiegazione: una più semplice, una più tecnica, una più narrativa. Questo può essere molto utile per differenziare la didattica, preparare materiali o costruire supporti per studenti con bisogni diversi. Ma se quello stesso sistema viene usato dagli studenti per produrre compiti senza attraversare davvero il processo di studio, l’AI smette di essere un supporto e diventa un sostituto della fatica cognitiva. L’OECD sottolinea proprio questo: i sistemi generalisti possono essere usati pedagogicamente, ma i risultati migliori emergono più spesso con strumenti progettati per l’apprendimento, creati con intenzione didattica, co-progettati con docenti e sottoposti a valutazioni rigorose.

Questo significa anche che non tutta l’AI educativa è uguale. Una piattaforma pensata per il tutoring, la revisione guidata o l’apprendimento collaborativo è diversa da un chatbot generalista interrogato in modo casuale. L’OECD insiste su una distinzione che secondo me andrebbe ripetuta ovunque: la GenAI amplifica buona pedagogia e cattiva pedagogia. Se una scuola ha già una visione educativa forte, criteri chiari e insegnanti formati, l’AI può aiutare. Se invece una scuola è già fragile, frettolosa o solo ossessionata dall’efficienza, l’AI rischia di accelerare il peggio.

Il ruolo dei docenti, quindi, non diminuisce. Cambia e, per molti versi, diventa ancora più importante. Lo Stanford HAI ha sottolineato che i ragazzi stanno correndo avanti nella familiarità con la tecnologia mentre le scuole faticano a tenere il passo. Nel 2025 Victor Lee, che guida il programma AI+Education dello Stanford Accelerator for Learning, ha detto esplicitamente che i bambini avanzano rapidamente nella comprensione pratica di questi strumenti mentre le scuole stanno ancora cercando di costruire politiche adeguate. Questo scarto è pericoloso: se la scuola arriva sempre dopo, smette di educare e si limita a inseguire.

Lo Stanford AI Index 2025 aggiunge un dato molto utile: negli Stati Uniti, la percentuale di insegnanti che si sente davvero preparata a insegnare l’AI resta limitata, con differenze tra ordini di scuola. Quindi il problema non è solo se introdurre l’AI nei curricula, ma con quali docenti, con quale formazione e con quali tempi di accompagnamento. Se la politica scarica tutto sulla buona volontà del singolo insegnante, la trasformazione diventa disordinata e ingiusta.

A questo punto bisogna dire una cosa scomoda ma vera: il dibattito pubblico spesso parla degli studenti come se il problema fosse solo la copiatura. Ma il problema è più profondo. L’AI non mette in crisi solo il compito a casa. Mette in crisi l’idea stessa di verifica, di autorità del testo, di mediazione del sapere e persino di tempo dello studio. Se una risposta arriva subito, se un tema si produce in venti secondi, se un riassunto appare già pronto, diventa più difficile far percepire agli studenti il valore della lentezza, dell’errore, della riscrittura e del percorso. Eppure proprio questi elementi sono la sostanza della formazione. Questa è una mia inferenza, ma è fortemente sostenuta dai documenti OECD e UNESCO che insistono sul fatto che l’uso non guidato dell’AI può migliorare output apparenti senza veri learning gains.

Per questo, secondo me, uno dei compiti più urgenti della scuola oggi è insegnare il doppio sguardo. Da un lato far conoscere l’AI, perché non serve a nulla proibire ciò che struttura già il presente. Dall’altro insegnare a prenderne le distanze, a valutarla, a interrogarla, a riconoscerne limiti, allucinazioni, bias, scorciatoie e costi nascosti. UNESCO, nei suoi framework, mette al centro proprio questo: non un addestramento all’uso cieco, ma competenze che combinano fondamenti tecnici, etica, pensiero critico e partecipazione responsabile.

Un secondo esempio concreto riguarda la scrittura. Un insegnante può chiedere a uno studente non semplicemente “scrivi un tema”, ma “mostrami il processo”: la prima idea, le domande iniziali, ciò che hai chiesto eventualmente all’AI, come hai verificato la risposta, dove non eri convinto, che cosa hai riscritto e perché. In questo modo l’oggetto della valutazione si sposta dal prodotto finito al percorso cognitivo. È un cambiamento importante, perché rende l’AI visibile invece di lasciarla agire nell’ombra. L’OECD suggerisce proprio di orientare i sistemi verso usi che arricchiscano l’apprendimento senza sostituire lo sforzo mentale o il giudizio professionale del docente.

C’è poi un tema enorme di equità. Le fonti internazionali ricordano che l’accesso alle opportunità educative legate all’AI non è distribuito in modo uniforme. Lo Stanford AI Index, nel capitolo Education, mostra che negli Stati Uniti persistono divari nell’accesso ai corsi di computer science al liceo e differenze legate a reddito, geografia, dimensione della scuola, genere, razza ed etnia, e disabilità. Quindi introdurre AI a scuola senza affrontare le disuguaglianze di partenza rischia di ampliare la forbice tra chi ha contesto, dispositivi, sostegno familiare e insegnanti preparati e chi no.

Questo vale anche per i diritti dell’infanzia e dell’adolescenza. UNICEF, nella nuova Guidance on AI and children del 2025, sottolinea che i bambini usano sempre più sistemi AI e che questo apre insieme opportunità e rischi. Tra i rischi ci sono privacy, profilazione, contenuti inappropriati, sistemi non trasparenti e, in alcuni casi, perfino chatbot che possono dare risposte pericolose in contesti delicati come il supporto psicologico. Anche se questo aspetto riguarda più direttamente la protezione dei minori che la didattica, ci dice qualcosa di importante: la scuola non può introdurre AI senza una cornice forte di tutela, alfabetizzazione critica e responsabilità adulta.

Un altro punto serio riguarda i genitori. Stanford HAI, nel testo rivolto alle famiglie, dice che i genitori dovrebbero aiutare a orientare le politiche scolastiche emergenti. Questo mi sembra centrale: la scuola non può essere lasciata sola, ma nemmeno i genitori possono ridursi a due posizioni opposte, cioè entusiasmo ingenuo o divieto puro. Servono alleanze nuove tra docenti, famiglie e studenti. Non per difendere una scuola del passato, ma per evitare che il presente venga colonizzato da strumenti potentissimi senza discussione pubblica.

A questo punto, la domanda vera non è “AI sì o no a scuola?”. La domanda vera è: che cosa deve restare irriducibilmente umano nell’atto di insegnare? L’OECD, nel suo documento del 2026, mette al centro proprio il rapporto tra insegnamento human-centred e GenAI. Il World Economic Forum, nei testi più recenti sull’educazione, insiste sul fatto che la tecnologia può liberare tempo per mentorship, relazione e cura, ma che la connessione umana resta decisiva. Questa è forse la distinzione più importante di tutte: se l’AI libera tempo per insegnare meglio, allora può essere utile. Se invece sostituisce la presenza, la relazione, il conflitto cognitivo, il dubbio e la responsabilità educativa, allora la scuola perde la sua funzione più profonda.

La mia tesi

La mia tesi è questa: insegnare al tempo delle AI significa difendere e rinnovare il cuore umano della scuola, non fingere che la tecnologia non esista e non lasciarle il comando. L’AI può aiutare docenti e studenti, ma non deve diventare il nuovo mediatore sovrano del sapere. La scuola ha bisogno di formare persone capaci di usare strumenti potenti senza farsi usare da quegli stessi strumenti. Ha bisogno di docenti più preparati, non più marginali. Ha bisogno di politiche pubbliche più serie, non di slogan sull’innovazione. E ha bisogno di una nuova alfabetizzazione: non solo digitale, ma critica, etica, cognitiva e relazionale.

Non credo che la scuola debba difendersi dall’AI chiudendo la porta. Credo che debba imparare a guardarla in faccia senza inginocchiarsi. Insegnare oggi vuol dire anche questo: mostrare agli studenti che una risposta rapida non è la stessa cosa di una comprensione profonda, che un testo fluente non è la stessa cosa di un pensiero formato, che una macchina utile non coincide con una mente educata. Se riusciremo a fare questo, l’AI non distruggerà la scuola. Costringerà la scuola a ricordarsi che cos’è davvero.

Alla Prossima

Vanessa

Nel prossimo articolo continuerò questa riflessione affrontando il rapporto tra AI, neurodivergenze e apprendimento.

Glossario

AI centrata sull’essere umano
Un modo di progettare e usare l’intelligenza artificiale in cui le decisioni importanti, i diritti e la dignità delle persone restano al centro.

Agency
La capacità di una persona di capire, scegliere e agire in modo consapevole, senza delegare tutto a una macchina.

GenAI, intelligenza artificiale generativa
Sistemi che producono testi, immagini, audio, video o codice a partire da richieste umane.

Pensiero critico
Capacità di valutare informazioni, confrontare fonti, riconoscere errori, dubbi e contraddizioni.

Apprendimento profondo
Quando una persona capisce davvero un concetto, lo collega ad altri, lo sa usare e non lo ripete soltanto.

Performance apparente
Un risultato che sembra buono all’esterno, ma che non corrisponde a una comprensione reale.

Learning gains
Miglioramenti reali nell’apprendimento, non solo nella velocità o nell’aspetto del lavoro consegnato.

Buona pedagogia
Un modo di insegnare che aiuta davvero a capire, crescere, ragionare e diventare più autonomi.

Cattiva pedagogia
Un modo di insegnare troppo superficiale, meccanico o centrato solo sul risultato finale.

Dipendenza cognitiva
Quando una persona si abitua a far fare alla macchina parti del pensiero che dovrebbe allenare da sé.

Allucinazioni dell’AI
Risposte sbagliate o inventate date da un sistema AI come se fossero vere.

Bias
Distorsioni o squilibri presenti nei dati o nei sistemi che portano a risultati ingiusti o poco affidabili.

Alfabetizzazione AI
Capacità di capire che cos’è l’AI, come funziona, dove può aiutare, dove può sbagliare e come usarla in modo responsabile.

Valutazione del processo
Modo di valutare non solo il compito finale, ma anche il percorso con cui ci si è arrivati.

Differenziazione didattica
Preparare spiegazioni e materiali diversi per studenti con bisogni, ritmi e livelli differenti.

In parole semplici

L’AI a scuola non è automaticamente buona e non è automaticamente cattiva.
Può aiutare gli insegnanti a preparare materiali e spiegazioni diverse.
Può aiutare gli studenti solo se non sostituisce del tutto il loro pensiero.
Il rischio è consegnare testi perfetti senza aver capito davvero nulla.
La scuola deve insegnare non solo a usare l’AI, ma anche a dubitare, verificare e scegliere.
Gli insegnanti diventano ancora più importanti, non meno.
Se la scuola usa l’AI senza metodo, aumenta la confusione e la disuguaglianza.
Se la usa bene, può rafforzare studio, autonomia e pensiero critico.
Il punto non è avere risposte più veloci. Il punto è formare menti più libere.

Note semplici sugli studiosi e sulle istituzioni citate

UNESCO
È l’agenzia delle Nazioni Unite per educazione, scienza e cultura. Nei documenti recenti sull’AI a scuola insiste sul fatto che la tecnologia deve restare subordinata alla dignità umana, alla relazione educativa e ai diritti di studenti e docenti.

OECD, OCSE
Organizzazione internazionale che studia educazione, economia e politiche pubbliche. Nei suoi report recenti spiega che la GenAI può aiutare l’apprendimento solo se guidata da principi didattici chiari e da insegnanti preparati.

Victor Lee
Studioso di educazione e tecnologie digitali a Stanford. Ha richiamato l’attenzione sul fatto che i giovani stanno sperimentando l’AI molto rapidamente, mentre le scuole stanno ancora cercando regole e strumenti adeguati.

Stanford HAI
Centro di ricerca di Stanford dedicato all’intelligenza artificiale human-centered. Nel suo AI Index monitora anche il rapporto tra AI, scuola e formazione degli insegnanti.

UNICEF
Agenzia ONU per l’infanzia. Nei suoi testi più recenti ricorda che bambini e adolescenti usano sempre più sistemi AI e che servono tutele forti su privacy, sicurezza, sviluppo e diritti.

2026 | OECD, Digital Education Outlook 2026

https://www.oecd.org/en/publications/oecd-digital-education-outlook-2026_062a7394-en.html

2026 | OECD, How to effectively use generative AI in education

https://www.oecd.org/en/blogs/2026/01/how-to-effectively-use-generative-ai-in-education.html

2026 | OECD, Reimagining teaching in an accelerating world

https://www.oecd.org/en/publications/reimagining-teaching-in-an-accelerating-world_d0edfe8c-en/full-report/component-6.html

2025 | UNESCO, AI competency framework for teachers

https://www.unesco.org/en/articles/ai-competency-framework-teachers

2025 | UNESCO, AI competency framework for students

https://www.unesco.org/en/articles/ai-competency-framework-students

2025 | Stanford HAI, What parents need to know about AI in the classroom

https://hai.stanford.edu/news/what-parents-need-to-know-about-ai-in-the-classroom

2025 | Stanford HAI, AI Index 2025, Education chapter

https://hai.stanford.edu/assets/files/hai_ai-index-report-2025_chapter7_final.pdf

2025 | Stanford HAI, AI Index 2025, Education page

https://hai.stanford.edu/ai-index/2025-ai-index-report/education

2025 | UNICEF Innocenti, Policy guidance on AI for children

https://www.unicef.org/innocenti/reports/policy-guidance-ai-children

2023 | UNESCO, Guidance for generative AI in education and research

https://www.unesco.org/en/articles/guidance-generative-ai-education-and-research

2025 | OECD, What should teachers teach and students learn in a future of powerful AI?

https://www.oecd.org/en/publications/what-should-teachers-teach-and-students-learn-in-a-future-of-powerful-ai_ca56c7d6-en.html

AI e lavoro: scenari reali tra licenziamenti, produttività e società futura di Vanessa Rusci

2026-05-08T09:00:00.000-07:00

AI e lavoro: bolla, transizione o trauma sociale?

Immagine creata con Chat Gpt con due prompt.

Cosa può davvero accadere quando la produttività cresce ma la politica resta indietro

Quando si parla di intelligenza artificiale e lavoro, il dibattito si divide spesso in due tifoserie. Da una parte c’è chi pensa che l’AI sia soprattutto una bolla: tanto rumore, tanto marketing, qualche utilità reale, e poi una stanchezza diffusa verso macchine sempre più invadenti e meno sorprendenti. Dall’altra c’è chi teme una transizione molto più dura: aziende che usano l’AI per tagliare personale, comprimere salari, aumentare il controllo e presentare tutto come inevitabile progresso. La verità, oggi, è che le due ipotesi possono convivere. L’AI può essere in parte sopravvalutata sul piano economico immediato e, nello stesso tempo, essere già abbastanza potente come racconto finanziario e manageriale da giustificare ristrutturazioni aggressive.

Prima ipotesi: la bolla non è una fantasia

Il Fondo Monetario Internazionale osserva che i mercati oggi offrono evidenza limitata del fatto che stiano già prezzando una crescita vicinissima e travolgente trainata dall’AI. In altre parole, il grande racconto della produttività esplosiva non è ancora una certezza empirica. Anche il NBER rileva che, nel breve periodo, c’è poca evidenza di un calo aggregato dell’occupazione dovuto all’AI, mentre il paper della BIS trova che, nel breve termine, l’adozione di AI nelle imprese è associata più a produttività più alta e, in media, anche a occupazione più alta, che non a una distruzione netta del lavoro. Questo non significa che il problema non esista. Significa che la narrazione dell’imminente sostituzione totale del lavoro umano, presa così com’è, oggi è molto più ideologica che dimostrata.

Seconda ipotesi: anche una bolla può fare danni reali

Qui sta il punto decisivo. Anche se l’AI non mantenesse tutte le promesse, molte aziende potrebbero comunque usarla come leva per licenziare, delocalizzare, alzare i margini o rassicurare gli investitori. L’ILO scrive che un lavoro su quattro nel mondo è esposto in qualche misura alla trasformazione da GenAI, ma insiste sul fatto che l’esito più probabile non è la sparizione istantanea di intere professioni, bensì la riorganizzazione di compiti, mansioni e gerarchie. Il World Economic Forum aggiunge che entro il 2030 il 22% dei posti sarà trasformato, con 170 milioni di ruoli creati e 92 milioni spostati o persi, e che il 39% delle competenze core dei lavoratori cambierà. Questa non è un’apocalisse certa. È, semmai, una transizione enorme, e una transizione enorme può essere governata bene oppure in modo predatorio.

Il problema non è solo economico: il lavoro regge anche la vita psichica e sociale

Qui la sociologia e la psicologia ci aiutano molto più dei discorsi motivazionali da LinkedIn. Il classico studio di Marienthal, pubblicato nel 1933 da Marie Jahoda, Paul Lazarsfeld e Hans Zeisel, mostrava che la disoccupazione di lungo periodo non produce soltanto povertà materiale. Produce apatia, disgregazione dei ritmi quotidiani, perdita di iniziativa, sfilacciamento della vita comunitaria. Non è un testo antiquato da museo della sociologia: è ancora una delle descrizioni più precise di cosa accade quando il lavoro viene meno a un’intera comunità. Duncan Gallie, in un celebre studio comparativo europeo, ha poi mostrato che gli effetti dell’assenza di lavoro sul benessere non si spiegano semplicemente con il livello generale di disoccupazione o con l’età dei disoccupati: il lavoro continua a contare come riconoscimento, struttura del tempo e appartenenza.

La ricerca psicologica contemporanea va nella stessa direzione. L’Annual Review of Psychology conclude che la disoccupazione porta a peggioramenti della salute psicologica e fisica e a un aumento del rischio di suicidio. Una systematic review e meta-analisi del 2025 conferma che la disoccupazione aumenta il rischio di depressione, ansia e distress psicologico, mentre il reimpiego tende a ridurli. Un altro studio del 2025 trova che le persone disoccupate riportano una qualità della vita più bassa, più sintomi depressivi e ansiosi, e peggiori condizioni percepite di salute. Quindi esistono studi seri che sostengono questa tesi: licenziare per risparmiare non crea solo un problema nei conti aziendali o pubblici, ma un danno umano profondo.

Sul piano cognitivo, bisogna essere cauti, ma un segnale importante c’è. Uno studio di coorte del 2025 collega la perdita del lavoro a un rischio più alto di demenza a esordio precoce nella mezza età. Non sarebbe serio trasformare questo dato in una formula tipo “il licenziamento rovina il cervello” in modo automatico. Ma sarebbe altrettanto sbagliato ignorare che stress cronico, rottura delle routine, depressione, isolamento e impoverimento possono avere effetti di lungo periodo anche sul funzionamento cognitivo. La disoccupazione, insomma, non è un semplice intervallo tra due contratti. Può diventare un evento biografico e somatico.

Se licenzi tutti, chi compra? Parliamo di macroeconomica

L’idea che un’economia non possa distruggere troppo reddito da lavoro senza intaccare anche la domanda è tutt’altro che ingenua. L’IMF spiega che l’AI può aumentare produttività e crescita, ma sottolinea anche che senza politiche fiscali e sociali adeguate rischia di ampliare disuguaglianza e distruzione distributiva. Se i guadagni di produttività restano concentrati in pochi gruppi proprietari e si trasformano in salari compressi, precarietà e licenziamenti, il problema non è solo morale. È anche economico: consumi più deboli, società più ansiose, meno coesione, più instabilità. Le fonti consultate non indicano un nesso automatico tra AI e guerre civili. Indicano però con chiarezza che una transizione tecnologica gestita in modo predatorio può aumentare stress sociale, sfiducia, fragilità psicologica e conflitto politico.

Allora la vera domanda è un’altra: quale società vogliamo dopo l’aumento di produttività?

Se l’AI funziona davvero, anche solo in parte, non basta chiedersi quanti lavori toglierà. Bisogna chiedersi come distribuiremo il tempo, il reddito, la sicurezza e il valore creato. Qui i modelli economici dal Novecento a oggi diventano preziosi, perché mostrano che la storia non ci costringe a scegliere solo tra laissez-faire e catastrofe.

John Maynard Keynes, nel 1930, in Economic Possibilities for our Grandchildren, immaginava che il progresso tecnico e l’aumento di produttività avrebbero potuto portarci a molto meno lavoro necessario, perfino a una settimana di quindici ore. Non era una fantasia naïf: era l’idea che il guadagno tecnico potesse essere convertito in più tempo libero e in una vita meno schiacciata dalla pura sussistenza. La domanda che il nostro tempo ha lasciato in sospeso è semplice: se la produttività sale, perché continuiamo a tradurre quel guadagno quasi solo in profitti e intensificazione, invece che in tempo, sicurezza e qualità della vita?

James Meade, già nel 1938, proponeva un social dividend, cioè una forma di dividendo sociale che oggi assomiglia all’idea di basic income. La sua riflessione successiva insisteva anche su una società con proprietà e redditi molto più diffusi, non concentrati in poche mani. Questo punto è essenziale, perché sposta il discorso da “l’AI sostituisce o non sostituisce il lavoro?” a “chi possiede i frutti della produttività aggiuntiva?”. Se il capitale tecnologico diventa sempre più potente ma i suoi vantaggi restano privati, la frattura sociale si allarga. Se invece una parte del surplus viene socializzata, il progresso cambia segno.

Oggi questa famiglia di idee prende forme diverse. La Banca Mondiale, in Exploring Universal Basic Income, tratta il reddito di base come una proposta da valutare seriamente in termini di povertà, disuguaglianza, incentivi e costi fiscali. UCL, con il modello dei Universal Basic Services, propone di garantire in modo universale alcuni servizi essenziali, come abitare, mobilità, cura, accesso digitale e formazione, invece di affidare tutta la sicurezza sociale al solo reddito monetario. La differenza è importante: il reddito di base protegge la persona con denaro; i servizi di base universali la proteggono anche abbassando il costo concreto della vita. Entrambi i modelli, però, convergono su un punto: se il lavoro cambia e diventa più discontinuo, la dignità non può dipendere solo dal mercato del lavoro tradizionale.

Un’altra ipotesi molto concreta è la job guarantee, la garanzia pubblica di lavoro. Qui l’esperimento contemporaneo più interessante è proprio quello di Marienthal, in Austria. Lo studio di Maximilian Kasy e Lukas Lehner mostra che il programma di lavoro garantito ha migliorato reddito, sicurezza economica e benessere soggettivo, restituendo anche alcuni dei benefici “latenti” del lavoro, cioè struttura del tempo, riconoscimento sociale e riduzione della tensione finanziaria. Non tutto va risolto con sussidi o con il mercato. In alcuni casi una società può decidere che il lavoro socialmente utile è un diritto da garantire.

A livello più generale, anche la tradizione del socialismo di mercato merita un cenno, perché pone una domanda ancora attualissima: possiamo mantenere mercati e innovazione, ma senza lasciare che proprietà, potere e rendite si concentrino in una piccola élite che vive sempre meno del proprio lavoro e sempre più del lavoro altrui? La Stanford Encyclopedia of Philosophy riassume proprio questo punto: il socialismo di mercato prova a evitare una società divisa tra chi può vivere senza lavorare e chi è costretto a lavorare per altri, mantenendo però meccanismi di mercato per coordinare la produzione. Non è una ricetta pronta, ma è una bussola utile per pensare un dopo-capitalismo meno autoritario e meno estrattivo.

L’AI può aiutare una società a migliorare, ma solo se la politica cambia il telaio

L’AI non deve per forza essere solo una macchina per risparmiare lavoro vivo. Può essere usata per personalizzare la formazione, migliorare servizi pubblici, rafforzare politiche attive del lavoro, rendere più accessibili tutele sociali e accompagnare le persone nelle transizioni occupazionali. L’IMF, nel suo documento del 2024, dice esplicitamente che le politiche fiscali e di welfare possono usare l’AI stessa per migliorare la qualità e l’efficienza della protezione sociale, mentre chiedono al tempo stesso di ampliare formazione, assicurazione contro la disoccupazione, sostegno ai lavoratori atipici e strumenti redistributivi. Qui emerge anche una possibile chiusura positiva: non usare l’AI per smontare la società, ma per amministrarla meglio e renderla più giusta.

La mia tesi

La mia tesi è questa: il vero spartiacque non sarà tra chi usa l’AI e chi la rifiuta. Sarà tra chi la usa per aumentare capacità, dignità, sicurezza e intelligenza del lavoro, e chi la usa per estrarre di più pagando meno esseri umani. Oggi le fonti serie non dimostrano né il paradiso automatico né il collasso immediato. Dimostrano però qualcosa di molto importante: il lavoro non è solo una variabile di costo, e la tecnologia non è mai neutra quando entra in un sistema che distribuisce male potere, tempo e ricchezza.

Per questo, davanti all’AI, la risposta più intelligente non è il luddismo e non è neppure la resa. È pretendere che ogni aumento di produttività venga tradotto almeno in parte in formazione, tempo, reddito, servizi, protezione e partecipazione. Se un’azienda vuole introdurre AI, dovrebbe essere spinta o obbligata a formare prima di licenziare, a condividere una parte dei guadagni, a evitare sprechi umani e a dimostrare che l’innovazione migliora davvero il lavoro, non solo il bilancio trimestrale. Qui non si tratta di fermare il futuro. Si tratta di impedire che il futuro venga appaltato ai più cinici.

Un paradosso recente: licenziare per l’AI può costare più del previsto

C’è poi un elemento nuovo che rende il quadro ancora più interessante. L’AI viene spesso raccontata come una scorciatoia per ridurre i costi del lavoro, ma le notizie più recenti mostrano un paradosso: sostituire persone con sistemi AI può costare molto più del previsto. Non solo per le liquidazioni, le ristrutturazioni e la perdita di competenze interne, ma anche perché l’AI stessa richiede infrastrutture, calcolo, server, energia, software, consulenze, integrazione e manutenzione continua.

Il caso Cloudflare è molto chiaro: l’azienda ha annunciato il taglio di oltre 1.100 posti, circa il 20% della forza lavoro, per riorganizzarsi attorno a un modello operativo “agentic AI-first”, ma prevede anche costi tra 140 e 150 milioni di dollari legati proprio alla riduzione del personale. Non è quindi un risparmio immediato e pulito: è una trasformazione costosa, dolorosa e finanziariamente impegnativa.

Anche Meta mostra la stessa tensione. Reuters ha riportato che l’azienda stava valutando tagli molto ampi mentre affrontava investimenti giganteschi in infrastrutture AI, inclusi piani da centinaia di miliardi di dollari per data center entro il 2028. In altre parole, una parte dei licenziamenti non nasce solo perché “l’AI fa risparmiare”, ma anche perché l’AI costa moltissimo e le aziende cercano di compensare questi investimenti tagliando altrove.

Questo cambia la narrazione. Se il costo del calcolo, dei modelli e dell’infrastruttura supera o assorbe una parte enorme dei risparmi sul personale, allora licenziare non è necessariamente una scelta razionale di efficienza. Può diventare una scommessa finanziaria: si sacrifica lavoro umano oggi nella speranza che l’infrastruttura AI produca margini domani. Ma nel frattempo si perdono esperienza, memoria organizzativa, fiducia interna e capacità di relazione.

La domanda, allora, diventa ancora più politica: se l’AI costa così tanto, perché il costo deve essere pagato soprattutto dai lavoratori? Se una tecnologia richiede investimenti enormi, energia, dati, calcolo e riorganizzazione sociale, non può essere presentata come una semplice questione di “ottimizzazione”. È una scelta di distribuzione: qualcuno paga, qualcuno incassa, qualcuno viene espulso e qualcuno possiede l’infinfrastruttura.

Il problema quindi non è solo se l’AI distruggerà o creerà lavoro. Il problema è chi decide come vengono distribuiti i costi della transizione. Perché una transizione che licenzia persone per finanziare macchine costosissime non è automaticamente progresso. È progresso solo se aumenta davvero capacità, dignità, sicurezza e qualità della vita. Altrimenti è soltanto una vecchia operazione di potere vestita con una macchina nuova.

Alla prossima!

Parleremo di Scuola, educazione e AI

Vanessa

Glossario dei concetti più difficili

Esposizione occupazionale all’AI
Quanto un lavoro può essere toccato dall’intelligenza artificiale, in parte o molto, nelle sue mansioni quotidiane.

Distruzione netta di lavoro
Quando i posti persi sono più di quelli nuovi creati.

Riorganizzazione delle mansioni
Quando il lavoro non sparisce del tutto, ma cambia: alcune attività vengono automatizzate, altre restano umane, altre nascono da zero.

Produttività
La quantità di valore o lavoro utile che si riesce a produrre in un certo tempo.

Guadagni di produttività
Il vantaggio ottenuto quando si produce di più, o più in fretta, con lo stesso sforzo o con meno persone.

Transizione predatoria
Una trasformazione tecnologica gestita in modo aggressivo e ingiusto, in cui pochi guadagnano e molti pagano il costo umano.

Domanda aggregata
La quantità complessiva di beni e servizi che famiglie, imprese e Stato comprano in un’economia.

Dividendo sociale
Una quota della ricchezza prodotta dall’economia che viene redistribuita alla collettività, non lasciata solo ai proprietari del capitale.

Reddito di base
Un trasferimento economico garantito a tutti o a molti cittadini, pensato per dare sicurezza minima indipendentemente dal lavoro.

Servizi di base universali
Servizi essenziali garantiti a tutti, come trasporti, casa, connessione, cura o istruzione, per rendere la vita più sicura anche senza alti redditi.

Job guarantee, garanzia di lavoro
Idea secondo cui lo Stato o la collettività dovrebbero garantire un lavoro dignitoso a chi vuole lavorare e non lo trova nel mercato.

Benefici latenti del lavoro
I benefici non solo economici del lavoro: ritmo del tempo, identità, riconoscimento, relazioni, senso di utilità.

Polarizzazione del lavoro
Situazione in cui crescono i lavori molto qualificati e quelli molto precari, mentre si restringe lo spazio dei lavori intermedi.

Protezione sociale
L’insieme di strumenti pubblici che proteggono le persone quando perdono reddito, lavoro o sicurezza.

Socializzazione dei guadagni di produttività
Idea secondo cui i benefici del progresso tecnico dovrebbero essere condivisi tramite salari, servizi, tempo libero o redistribuzione, non concentrati in pochi soggetti.

In parole semplici

L’AI non significa per forza che spariranno tutti i lavori.
Però può essere usata dalle aziende per tagliare persone anche prima di portare veri benefici.
Perdere il lavoro non fa male solo al portafoglio: può fare male anche alla mente, alla salute e alla vita sociale.
Se troppe persone perdono reddito e sicurezza, anche l’economia si indebolisce perché la gente compra meno.
Il punto non è solo quanti lavori spariscono, ma come viene distribuito il vantaggio della tecnologia.
Una società più intelligente potrebbe usare l’AI per ridurre l’orario, aumentare la formazione, migliorare i servizi e proteggere chi è in transizione.
Se invece l’AI serve solo a licenziare e concentrare ricchezza, il danno umano e sociale può essere enorme.
Il futuro non è deciso dalle macchine. È deciso dalle regole, dalle imprese e dalla politica.

Note sugli studiosi e sugli economisti citati

Marie Jahoda
Psicologa e studiosa sociale austriaca. È una delle autrici del celebre studio su Marienthal, una comunità colpita dalla disoccupazione di massa. Il suo lavoro mostra che il lavoro non dà solo soldi, ma anche tempo strutturato, identità e legami sociali.

Paul Lazarsfeld
Sociologo nato a Vienna, poi attivo negli Stati Uniti. È stato uno dei pionieri della ricerca sociale empirica, cioè della sociologia fatta con dati, indagini e metodi rigorosi. È coautore dello studio di Marienthal.

Hans Zeisel
Terzo autore del lavoro su Marienthal. In quella ricerca aiutò a mostrare con dati concreti che la disoccupazione prolungata non distrugge solo il reddito, ma anche la vita quotidiana e la capacità di progettare il futuro.

Duncan Gallie
Sociologo di Oxford. Ha studiato la qualità del lavoro e le conseguenze sociali della disoccupazione. Nei suoi lavori comparativi mostra che l’assenza di lavoro pesa molto sul benessere e non si spiega solo con l’età o con il tasso generale di disoccupazione.

Carol Wanberg
Psicologa del lavoro. Nella sua review sull’esperienza individuale della disoccupazione riassume molti studi che collegano il non lavoro a peggioramenti della salute mentale e fisica, oltre che a maggior rischio di suicidio.

John Maynard Keynes
Economista britannico. Nel saggio del 1930 Economic Possibilities for our Grandchildren immaginava che il progresso tecnico potesse ridurre molto il lavoro necessario e liberare tempo per vivere meglio.

James Meade
Economista britannico, premio Nobel nel 1977. Già nel 1938 proponeva un “social dividend”, cioè un dividendo sociale che oggi ricorda l’idea di reddito di base. Era interessato a una società in cui i benefici dell’economia fossero distribuiti più largamente.

Maximilian Kasy e Lukas Lehner
Economisti contemporanei. Hanno studiato un esperimento austriaco di garanzia del lavoro ispirato simbolicamente a Marienthal. Il loro lavoro mostra effetti positivi su reddito, sicurezza economica e benessere soggettivo.

Banca Mondiale e UCL Institute for Global Prosperity
Non sono persone ma istituzioni importanti nel mio articolo. La Banca Mondiale discute in modo serio pro e contro del reddito di base. UCL ha sviluppato la proposta dei servizi di base universali, cioè proteggere le persone non solo con soldi ma anche con servizi essenziali garantiti.

Fonti consultate per questo articolo:

2026 | Kasy, Maximilian; Lehner, Lukas, Employing the unemployed of Marienthal: evaluation of a guaranteed job program

https://maxkasy.github.io/home/files/papers/Jobguarantee_marienthal.pdf

2026 | IMF, Global Economic and Financial Implications of Artificial Intelligence

https://www.imf.org/-/media/files/publications/imf-notes/2026/english/insea2026002.pdf

2026 | BIS, AI adoption, productivity and employment: evidence from European firms

https://www.bis.org/publ/work1325.pdf

2025 | ILO, Generative AI and jobs: A 2025 update

https://www.ilo.org/publications/generative-ai-and-jobs-2025-update

2025 | ILO Working Paper 140, Generative AI and jobs: A refined global index of occupational exposure

https://www.ilo.org/sites/default/files/2025-05/WP140_web.pdf

2025 | World Economic Forum, Future of Jobs Report 2025

https://reports.weforum.org/docs/WEF_Future_of_Jobs_Report_2025.pdf

2025 | Sterud et al., Mental health effects of unemployment and re-employment

https://pmc.ncbi.nlm.nih.gov/articles/PMC12505101/

2025 | Park et al., Job Loss and Early-onset Dementia Risk in Middle-aged Adults

https://pubmed.ncbi.nlm.nih.gov/41477054/

2025 | Liegert et al., Health-related quality of life of unemployed individuals

https://pmc.ncbi.nlm.nih.gov/articles/PMC12689676/

2024 | IMF, Broadening the Gains from Generative AI: The Role of Fiscal Policies

https://www.imf.org/-/media/files/publications/sdn/2024/english/sdnea2024002.pdf

2024 | IMF, Gen-AI: Artificial Intelligence and the Future of Work

https://www.imf.org/-/media/files/publications/sdn/2024/english/sdnea2024001.pdf

2019 | World Bank, Exploring Universal Basic Income

https://openknowledge.worldbank.org/server/api/core/bitstreams/bbb71d18-ef5f-5536-9af5-67d3e3795a61/content

2019 | UCL Institute for Global Prosperity, Universal Basic Services: Theory and Practice

https://discovery.ucl.ac.uk/10080177/1/ubs_report_online.pdf

2017 | UCL Institute for Global Prosperity, Social prosperity for the future: A proposal for Universal Basic Services

https://www.ucl.ac.uk/bartlett/sites/bartlett/files/universal_basic_services_-_the_institute_for_global_prosperity_.pdf

2012 | Annual Review of Psychology, Carol Wanberg, The Individual Experience of Unemployment

https://www.annualreviews.org/doi/pdf/10.1146/annurev-psych-120710-100500

1998 | Gallie, Duncan; Russell, Helen, Unemployment and life satisfaction: A cross-cultural comparison

https://www.cambridge.org/core/services/aop-cambridge-core/content/view/48F2FB7F8E9CA651811F6A9E7F34DC44/S0003975600007633a.pdf/unemployment_and_life_satisfaction_a_crosscultural_comparison.pdf

1938 | Cambridge excerpt on James Meade and the social dividend

https://assets.cambridge.org/97810096/52483/excerpt/9781009652483_excerpt.pdf

1933 | Jahoda, Lazarsfeld, Zeisel, Marienthal: an unemployed community

https://dasrotewien-waschsalon.at/fileadmin/DOCS/2017/marienthal_englisch_FINAL.pdf

1930 | John Maynard Keynes, Economic Possibilities for our Grandchildren

https://resolve.cambridge.org/core/services/aop-cambridge-core/content/view/230A7959F87C44AC6E83E406DF126B97/9781139524162c25_p321-332_CBO.pdf/economic-possibilities-for-our-grandchildren-1930.pdf

Stanford Encyclopedia of Philosophy, Socialism

https://plato.stanford.edu/entries/socialism/

University of Oxford, Duncan Gallie profile

https://www.nuffield.ox.ac.uk/people/profiles/duncan-gallie/

University of Vienna, Marie Jahoda profile

https://geschichte.univie.ac.at/en/persons/marie-jahoda

American Sociological Association, Paul Lazarsfeld

https://www.asanet.org/paul-lazarsfeld/

Nobel Prize, James E. Meade biographical

https://www.nobelprize.org/prizes/economic-sciences/1977/meade/biographical/

AI, energia e acqua: il costo nascosto della corsa americana che il mondo sta già pagando

2026-05-02T09:30:00.000-07:00

Dietro la promessa di velocità, produttività e innovazione, l’espansione dell’intelligenza artificiale sta aprendo un problema materiale molto concreto: più server, più raffreddamento, più elettricità, più acqua, più pressione su reti e territori. Le fonti serie oggi non descrivono l’AI soltanto come una rivoluzione del software, ma come una nuova infrastruttura fisica che consuma risorse, occupa suolo, ridisegna priorità pubbliche e può aggravare disuguaglianze già esistenti. L’IEA, l’UNEP, l’UNCTAD, il NERC, l’ILO e una crescente letteratura universitaria convergono su un punto: la questione ambientale dell’AI non è marginale, e non riguarda solo il carbonio. Riguarda elettricità, acqua, affidabilità delle reti, governance, giustizia territoriale e accesso equo alle risorse.

Immagine generata con un solo prompt su Chat GPT

Perché il problema va preso sul serio adesso

Nel 2024 i data center hanno consumato circa 415 terawattora di elettricità a livello globale, cioè circa l’1,5% dell’elettricità mondiale. Le proiezioni ufficiali citate dall’IEA indicano che la domanda dei data center potrebbe più che raddoppiare entro il 2030, arrivando intorno a 945 TWh. Nel 2025, secondo l’aggiornamento IEA pubblicato nell’aprile 2026, il consumo elettrico dei data center è già cresciuto del 17% in un solo anno. Il punto chiave è che l’AI non è l’unico motore di questa crescita, ma è il segmento che accelera più rapidamente e che sta spingendo investimenti, colli di bottiglia e nuova domanda di potenza.

Negli Stati Uniti l’impatto è ancora più visibile. Il briefing dello European Parliamentary Research Service, che riprende il rapporto IEA del 2025, afferma che i data center valgono già circa il 4% della domanda elettrica totale americana, e che in almeno cinque stati superano il 10% dei consumi locali. Sempre quel briefing osserva che i data center AI tendono a concentrarsi geograficamente, creando pressione sulle reti locali, sul costo dell’energia e sugli obiettivi climatici. Questa è una distinzione importante: il problema non è solo quanto consuma “internet” nel mondo, ma dove si accumulano i carichi e chi paga il prezzo locale di quella concentrazione.

Gli Stati Uniti non stanno “andando al blackout globale”, ma il rischio locale è reale

Qui conviene essere molto precisi. Le fonti ufficiali serie non stanno annunciando un blackout mondiale inevitabile causato dall’AI. Sarebbe una formula troppo semplice e poco accurata. Quello che invece stanno dicendo è che la crescita dei data center, soprattutto quelli legati ad AI e crypto, può arrivare più in fretta delle infrastrutture di generazione e trasmissione necessarie a sostenerli. Il NERC, l’autorità che monitora l’affidabilità della rete elettrica nordamericana, scrive che i data center possono essere sviluppati più rapidamente della rete necessaria a servirli, con il risultato di una minore stabilità del sistema; aggiunge che la sensibilità di tensione e i cambiamenti rapidi, spesso imprevedibili, dei loro carichi creano nuove difficoltà operative. In un altro documento il NERC avverte che la forte crescita dei carichi dei data center accentuerà la necessità di aggiornamenti di rete e nuove risorse.

Anche Reuters, nell’agosto 2025, ha riportato che Google ha firmato accordi con due utility statunitensi per ridurre temporaneamente i consumi dei suoi data center AI nei momenti di picco, proprio perché le richieste di elettricità dei grandi operatori tech stavano superando in alcune aree la disponibilità totale di potenza. Reuters scrive che questa stretta ha alimentato timori per bollette più alte e possibili blackout. Quindi il quadro serio è questo: non catastrofe immediata e universale, ma rischio concreto di strozzature, rincari, ritardi nelle connessioni e vulnerabilità locali o regionali se gli investimenti di rete non tengono il passo.

Il nodo che quasi tutti vedono meno: l’acqua

L’energia è entrata nel dibattito pubblico. L’acqua molto meno, eppure è una parte decisiva della storia. L’UNEP ricorda che i data center non solo pesano sempre di più sui sistemi elettrici, ma possono incidere sulle risorse idriche a seconda del design, della tecnologia di raffreddamento e della localizzazione. In particolare, l’uso di raffreddamento basato sull’acqua può diventare critico in aree calde o già soggette a stress idrico. L’UNEP aggiunge che la sostenibilità dei data center non è un tema accessorio ma una condizione per avere infrastrutture digitali resilienti e competitive.

Su questo punto la letteratura universitaria è ormai molto netta. Il paper di Shaolei Ren e colleghi, dell’Università della California Riverside, mostra che l’impronta idrica dell’AI è stata a lungo sottovalutata. Gli autori stimano che la domanda globale di AI potrebbe arrivare nel 2027 a prelevare tra 4,2 e 6,6 miliardi di metri cubi d’acqua, e ricordano che il consumo diretto annuale d’acqua dei data center negli Stati Uniti nel 2028 potrebbe arrivare intorno a 150-280 miliardi di litri. Il paper insiste su un punto fondamentale: il problema non è solo l’acqua usata direttamente per il raffreddamento, ma anche quella consumata indirettamente per generare l’elettricità che alimenta i sistemi. In altre parole, un’AI “meno carbon intensive” non è automaticamente meno idrovora.

Un secondo elemento importante viene da uno studio del 2026 su PLOS Water, che sposta l’attenzione dal solo calcolo aggregato alle comunità. Gli autori sostengono che i rischi di insicurezza idrica legati ai data center sono stati sottovalutati e che bisogna considerare ciò che accade davvero alle famiglie e ai territori in cui queste infrastrutture vengono costruite. Questo è un passaggio decisivo, perché ci ricorda che il problema non è solo “quanta acqua consuma l’AI in astratto”, ma dove quella domanda cade, in quali bacini, a scapito di chi e con quali alternative.

America: l’AI come infrastruttura, non come nuvola innocente

Negli Stati Uniti il tema non è più invisibile. Reuters ha riportato nell’aprile 2026 che gli investitori stanno facendo pressione su Amazon, Microsoft e Google perché rendano molto più trasparenti consumi idrici ed energetici dei loro data center. Reuters scrive anche che nel 2025 i data center nordamericani hanno usato quasi 1.000 miliardi di litri d’acqua, circa l’equivalente del fabbisogno annuo di New York City, e che i conflitti locali su acqua, energia, inquinamento e uso del suolo stanno già producendo opposizioni comunitarie. La stessa inchiesta riporta che l’uso totale d’acqua dei siti di Meta è cresciuto del 51% tra il 2020 e il 2024. Questi dati non provano che “tutta l’acqua va all’AI”, ma mostrano una dinamica ormai impossibile da liquidare come dettaglio tecnico.

Questa fase americana, quindi, va letta non come una semplice modernizzazione, ma come uno spostamento di priorità materiali. Le utility, i regolatori, gli investitori e le comunità locali stanno entrando in un braccio di ferro su chi ottiene accesso rapido a energia e acqua. E quando una nuova infrastruttura cresce così in fretta, i soggetti più deboli rischiano di arrivare ultimi. Questa è un’inferenza, ma è un’inferenza molto ragionevole alla luce dei documenti NERC sulla stabilità della rete, dei report IEA sui colli di bottiglia e delle proteste riportate da Reuters attorno a costi, acqua e territorio.

Europa: più regole, ma anche più pressione su reti e costi

L’Europa non è fuori da questa tensione. Lo European Parliamentary Research Service segnala che nell’UE i data center valgono circa il 3% della domanda elettrica totale, con forti differenze interne e quote superiori al 20% in Irlanda. Lo stesso briefing avverte che la concentrazione geografica dei data center AI crea pressioni sulle reti locali, sul consumo di suolo e sugli obiettivi climatici, con trade-off anche sull’accessibilità economica dell’energia. In altri termini: l’Europa ha una tradizione regolatoria più forte degli Stati Uniti, ma questo non la mette automaticamente al riparo dall’effetto materiale della corsa all’AI.

C’è però una differenza che conta. La UE ha già imposto obblighi di reporting per i data center su consumo energetico, uso dell’acqua ed energia rinnovabile, e sta cercando di costruire una cornice di valutazione della sostenibilità delle infrastrutture digitali. Questo non risolve tutto, ma è già una linea politica diversa rispetto alla corsa puramente estrattiva. Il rischio europeo, semmai, è doppio: da una parte inseguire l’America sul piano della capacità senza affrontare davvero i costi materiali; dall’altra produrre norme senza la trasparenza locale necessaria a far capire alle comunità cosa accade sul loro territorio.

Paesi in via di sviluppo e Sud globale: chi sopporta il peso senza incassare i benefici

Qui il quadro diventa ancora più politico. L’UNCTAD, nel Digital Economy Report 2024, afferma che i Paesi in via di sviluppo sopportano una quota sproporzionata dei costi ecologici della digitalizzazione pur ricavandone meno benefici. Il rapporto insiste sul fatto che le infrastrutture digitali dipendono fortemente da materie prime e che la produzione, l’uso e lo smaltimento dei dispositivi, insieme alla crescita dei bisogni di acqua ed energia, stanno imponendo un costo crescente al pianeta. In altre parole: il digitale non è immateriale, e la sua geografia è profondamente diseguale.

L’UNEP aggiunge che l’espansione dei data center è particolarmente intensa proprio in diversi Paesi in sviluppo e cita hub come Brasile, Malesia e Nigeria. Le linee guida UNEP del 2025 sottolineano che i Paesi che stanno ampliando la propria infrastruttura digitale devono farlo con criteri di efficienza energetica e di uso responsabile delle risorse, perché altrimenti la digitalizzazione rischia di aggravare scarsità d’acqua, emissioni e vulnerabilità economiche. La stessa UNEP dice in modo esplicito che i governi hanno un ruolo critico nel definire procurement, standard e criteri misurabili su energia, acqua e rinnovabili.

I casi del Cile e dell’Uruguay rendono tutto questo concreto. Reuters ha raccontato che Google ha dovuto ripensare da zero il progetto del suo data center a Santiago dopo le preoccupazioni sul possibile impatto sull’acquifero della capitale cilena, colpita da oltre un decennio di siccità, e che la nuova proposta userà il raffreddamento ad aria invece di quello ad acqua. In Uruguay, durante la peggiore siccità degli ultimi 74 anni e in piena emergenza idrica a Montevideo, la prospettiva di un data center Google che avrebbe richiesto milioni di litri d’acqua al giorno ha alimentato proteste e un conflitto molto duro sul senso di dare risorse essenziali a grandi impianti tecnologici mentre parte della popolazione faticava ad accedere all’acqua potabile. Reuters Foundation ha riportato una stima di 7,6 milioni di litri al giorno per il progetto uruguayano, equivalenti al consumo quotidiano di circa 55.000 persone a Montevideo.

Povertà, disuguaglianza e uso delle risorse: il problema non è “tecnico”, è distributivo

Qui, secondo me, si vede il nocciolo vero della questione. L’AI non aggrava la povertà solo perché consuma molto. La aggrava quando la distribuzione dei costi e dei benefici è squilibrata. Se una comunità riceve soprattutto pressione su acqua, elettricità, territorio e infrastrutture, mentre il valore economico, il controllo dei modelli e i profitti restano altrove, allora la transizione digitale diventa una forma di estrazione. Questa conclusione non è un eccesso polemico: è la lettura più coerente con il quadro UNCTAD sulla distribuzione diseguale dei costi ambientali, con le analisi UNEP sui territori vulnerabili e con i casi Reuters su Uruguay e Cile.

Per questo non basta parlare di “innovazione verde” in astratto. Serve chiedersi chi decide dove mettere i data center, chi misura davvero acqua ed elettricità, chi ha accesso ai dati locali, chi partecipa alle decisioni e chi viene protetto quando arrivano i trade-off. Se questa domanda non entra nella politica pubblica, l’AI rischia di riprodurre la vecchia logica del colonialismo delle risorse con una veste più elegante e un lessico più brillante. Questa è una mia tesi, ma è una tesi appoggiata su una documentazione ormai molto difficile da ignorare.

Cosa si può fare davvero, senza moralismi inutili

La parte più interessante, e più utile, è che qualcosa si può fare. Non tutto dipende da costruire più centrali o più data center. Le fonti più serie insistono su efficienza, trasparenza, procurement e alfabetizzazione. L’UNEP ha pubblicato linee guida specifiche per il procurement sostenibile di data center e server, pensate per aiutare governi e amministrazioni a selezionare infrastrutture con standard alti di efficienza energetica, minore uso di acqua e criteri verificabili su rinnovabili, PUE e WUE. L’UNEP sottolinea che l’efficienza può fare una differenza enorme e spesso più rapidamente, e a costi inferiori, rispetto alla sola espansione dell’offerta elettrica.

Anche sul lato dell’uso concreto dei modelli le possibilità di riduzione ci sono. UNESCO e UCL hanno diffuso nel 2026 un report secondo cui piccoli cambiamenti nel modo in cui costruiamo e usiamo i modelli possono ridurre il consumo energetico fino al 90%. Il documento cita tre leve principali: modelli più piccoli e specializzati per compiti specifici, prompt e risposte più brevi, e compressione dei modelli. UNESCO scrive che prompt e risposte più concise possono ridurre l’energia di oltre il 50%, e che i piccoli modelli ben adattati al compito possono tagliare i consumi fino al 90% senza perdita significativa di prestazioni. Un altro studio recente sull’energia di inferenza mostra che la lunghezza della risposta è uno dei fattori dominanti del consumo e che i modelli molto grandi possono consumare fino a due ordini di grandezza in più per token rispetto a modelli più piccoli.

Questa parte è importante anche culturalmente. Un uso consapevole dell’AI non significa demonizzarla. Significa smettere di usarla come martello universale. Significa non invocare un grande modello generalista per ogni compito banale, non generare decine di versioni inutili per pigrizia, non trattare testo, immagini e video come se il costo materiale fosse zero. In pratica: meno verbosità automatica, meno compulsione da rigenerazione, più scelta del modello giusto per il compito giusto, più sobrietà nelle risposte richieste, più attenzione al fatto che ogni iterazione ha un costo fisico. Questa è in parte un’inferenza pratica, ma è direttamente sostenuta dalle indicazioni UNESCO e dalle evidenze sulla dipendenza del consumo da dimensione del modello e lunghezza dell’output.

E il lavoro? Qui la risposta non dovrebbe essere licenziare, ma formare meglio

L’ILO, nel suo aggiornamento del 2025 sugli effetti del GenAI sul lavoro, scrive che un lavoratore su quattro nel mondo è in un’occupazione con qualche grado di esposizione al GenAI, ma aggiunge che la maggior parte dei lavori sarà trasformata piuttosto che resa superflua. Per questo l’ILO insiste sulla necessità di governare la transizione con dialogo sociale, migliorando al tempo stesso condizioni di lavoro e produttività. Se prendiamo sul serio questa impostazione, la risposta più intelligente non è usare l’AI come pretesto per licenziamenti secchi, ma vincolare aziende, incentivi e appalti a programmi reali di formazione, uso efficiente degli strumenti e condivisione dei guadagni di produttività.

Questo vale anche per i giovani e per la scuola. UNESCO sostiene che servono investimenti in ricerca sostenibile e in AI literacy, proprio per permettere agli utenti di capire l’impatto ambientale dell’AI e fare scelte più informate. È un punto decisivo: non basta insegnare a “usare ChatGPT”. Bisogna insegnare quando usarlo, per cosa, con quale misura, con quali costi, e quando invece la scelta più intelligente è leggere, pensare, riassumere da soli o usare strumenti più leggeri. L’alfabetizzazione del futuro, quindi, non è solo digitale. È anche energetica, idrica, ecologica e politica.

La mia tesi

La mia tesi è questa: la crescita dell’AI sta trasformando acqua ed elettricità in un nuovo terreno di conflitto politico. Negli Stati Uniti questo conflitto è già molto visibile nelle reti, nei data center, nelle utility e nelle comunità locali. In Europa sta emergendo come questione di rete, trasparenza e costo dell’energia. Nel Sud globale rischia di assumere la forma più ingiusta: infrastrutture e consumi che drenano risorse locali senza redistribuire davvero benefici, potere e capacità tecnica. Le fonti più serie non dicono che siamo destinati automaticamente al collasso, ma dicono con chiarezza che senza regole, trasparenza, efficienza e cultura critica il costo materiale dell’AI rischia di essere scaricato sui territori più fragili e sulle persone che hanno meno margine per difendersi.

Per proteggerci non basta una tecnologia “più potente”. Serve una tecnologia più sobria. Servono regole che impongano trasparenza su acqua ed energia. Serve procurement pubblico che premi efficienza e non gigantismo. Serve cultura, perché un prompt non è immateriale. Serve formazione, perché la maggior parte del lavoro cambierà e va accompagnata, non sacrificata. E serve una nuova educazione civile dell’AI, capace di insegnare che anche il digitale ha un peso, un calore, una sete, una geografia. Il potere positivo, qui, non sta nel rifiuto della tecnica. Sta nel tornare a governarla.

Alla prossima!

La prossima volta parleremo dell'impatto reale sul lavoro!

Vanessa

Glossario dei concetti più difficili

Terawattora, TWh
Una misura molto grande dell’elettricità. Serve per parlare dei consumi di interi settori o di grandi infrastrutture.

Data center hyperscale
Un enorme centro dati costruito per servire cloud, AI e piattaforme globali. Non è un semplice server aziendale: è una vera infrastruttura industriale.

Stress idrico
Situazione in cui un territorio ha già poca acqua disponibile rispetto ai bisogni di persone, agricoltura, industria ed ecosistemi.

Raffreddamento evaporativo
Sistema che raffredda le macchine usando evaporazione d’acqua. Può essere efficiente sul piano energetico, ma può consumare molta acqua.

Impronta idrica diretta
L’acqua usata direttamente dal data center, per esempio per raffreddare i server.

Impronta idrica indiretta
L’acqua usata fuori dal data center, per esempio per produrre l’elettricità che quel data center consumerà.

PUE, Power Usage Effectiveness
Indicatore che misura quanta energia totale usa un data center rispetto a quella usata davvero dall’informatica. Più il valore è basso, più il centro è efficiente.

WUE, Water Usage Effectiveness
Indicatore che misura quanta acqua usa un data center rispetto al lavoro informatico che svolge.

Carico di rete
La quantità di elettricità che una rete deve fornire in un certo momento.

Picco di domanda
Il momento in cui la richiesta di elettricità sale molto e mette sotto pressione la rete.

Demand response
Meccanismo con cui grandi utenti, come i data center, riducono temporaneamente i consumi quando la rete è troppo sotto stress.

Collo di bottiglia infrastrutturale
Punto in cui la crescita di una tecnologia è più veloce della capacità di reti, centrali, acqua o trasmissione necessarie a sostenerla.

Inferenza
La fase in cui un modello AI già addestrato produce una risposta, un testo, un’immagine o una previsione.

Training, addestramento
La fase in cui il modello viene costruito e allenato sui dati. In genere è molto energivora.

Modelli piccoli e specializzati
Modelli meno giganteschi, progettati per compiti precisi. Possono essere molto più efficienti di un grande modello generalista usato per tutto.

Procurement pubblico
Le regole con cui enti pubblici scelgono cosa comprare e da chi. Qui può servire a imporre standard su energia, acqua e trasparenza.

Trasparenza di sito
Disponibilità di dati precisi su cosa consuma un singolo impianto in un luogo reale, non solo numeri generali dell’azienda.

Esternalizzazione ambientale
Quando il costo ecologico di una tecnologia viene scaricato su altri territori o altre comunità, mentre il valore economico resta altrove.

Giustizia distributiva
Idea secondo cui costi e benefici di una trasformazione tecnologica dovrebbero essere distribuiti in modo equo, non scaricati sempre sui più deboli.

Uso sobrio dell’AI
Uso misurato, consapevole e non compulsivo degli strumenti AI, scegliendo il modello giusto per il compito giusto ed evitando sprechi inutili.

In parole semplici

L’AI non vive nell’aria: ha bisogno di server, elettricità, acqua e raffreddamento.
Più cresce l’uso dell’AI, più cresce la pressione su reti elettriche e risorse idriche.
Negli Stati Uniti il problema è già visibile in bollette, reti locali e conflitti sui territori.
In Europa ci sono più regole, ma anche qui i data center stanno aumentando il peso su energia e infrastrutture.
Nei Paesi più poveri il rischio è peggiore: consumano risorse locali ma spesso guadagnano poco dal valore creato.
Non ci sono fonti serie che annunciano un blackout mondiale inevitabile per colpa dell’AI.
Ci sono però fonti serie che parlano di tensioni locali, costi più alti e reti sotto pressione.
Si può ridurre il danno con regole migliori, trasparenza, modelli più piccoli, prompt più sobri e formazione vera.
Le aziende non dovrebbero usare l’AI come scusa per licenziare, ma per formare meglio e lavorare con meno sprechi.
Il punto non è rifiutare la tecnologia. Il punto è governarla con intelligenza umana.

Fonti

16 aprile 2026 | IEA, Data centre electricity use surged in 2025, even with tightening bottlenecks driving a scramble for solutions
https://www.iea.org/news/data-centre-electricity-use-surged-in-2025-even-with-tightening-bottlenecks-driving-a-scramble-for-solutions

6 aprile 2026 | Reuters, Investors press Amazon, Microsoft and Google on water, power use in US data centers
https://www.reuters.com/sustainability/boards-policy-regulation/investors-press-amazon-microsoft-google-water-power-use-us-data-centers-2026-04-06/

26 gennaio 2026 | UNEP, How to make AI data centres more sustainable
https://www.unep.org/technical-highlight/how-make-ai-data-centres-more-sustainable

13 gennaio 2026 | PLOS Water, Four water insecurity concerns about datacenters driving the AI revolution
https://journals.plos.org/water/article?id=10.1371%2Fjournal.pwat.0000500

4 agosto 2025 | Reuters, Google agrees to curb power use for AI data centers to ease strain on US grid when demand surges
https://www.reuters.com/sustainability/boards-policy-regulation/google-agrees-curb-power-use-ai-data-centers-ease-strain-us-grid-when-demand-2025-08-04/

luglio 2025 | European Parliamentary Research Service, AI and the energy sector
https://www.europarl.europa.eu/RegData/etudes/BRIE/2025/775859/EPRS_BRI%282025%29775859_EN.pdf

8 luglio 2025 | UNESCO, AI Large Language Models: new report shows small changes can reduce energy use by 90%
https://www.unesco.org/en/articles/ai-large-language-models-new-report-shows-small-changes-can-reduce-energy-use-90

giugno 2025 | NERC, 2025 State of Reliability Overview
https://www.nerc.com/globalassets/programs/rapa/pa/nerc_sor_2025_overview.pdf

12 giugno 2025 | UNEP, UNEP releases guidelines to curb the environmental impact of data centres
https://www.unep.org/technical-highlight/unep-releases-guidelines-curb-environmental-impact-data-centres

20 maggio 2025 | ILO, Generative AI and jobs: A 2025 update
https://www.ilo.org/publications/generative-ai-and-jobs-2025-update

26 marzo 2025 | arXiv v5, Making AI Less “Thirsty”: Uncovering and Addressing the Secret Water Footprint of AI Models
https://arxiv.org/pdf/2304.03271

10 aprile 2025 | IEA, Energy and AI
https://www.iea.org/reports/energy-and-ai

17 settembre 2024 | Reuters, Google takes Chile data center plans back to square one on environmental concerns
https://www.reuters.com/technology/google-takes-chile-data-center-plans-back-square-one-environmental-concerns-2024-09-17/

10 luglio 2024 | UNCTAD, Digital Economy Report 2024
https://unctad.org/publication/digital-economy-report-2024

26 settembre 2023 | Context, Thomson Reuters Foundation, In Latin America, data center plans fuel water worries
https://www.context.news/big-tech/in-latin-america-data-center-plans-fuel-water-worries

Big Tech, AI e guerra: cosa sta accadendo negli Stati Uniti tra profilazione, biometria e potere statale di Vanessa Rusci

2026-04-24T09:00:00.000-07:00

Big Tech, AI e guerra negli USA: profilazione, biometria e rischio autoritario

Dietro la faccia comoda dell’intelligenza artificiale si sta consolidando qualcosa di molto più duro: una infrastruttura che unisce dati personali, biometria, contratti pubblici, sicurezza e guerra.

Immagine generata con Chat GPT con un solo prompt
Risparmiare prompt protegge il pianeta

Quando parliamo di intelligenza artificiale, spesso l’immaginario collettivo si ferma ai chatbot, alle immagini generate, agli assistenti digitali, alla produttività, alla comodità. È la faccia leggera del fenomeno, quella che rende tutto più rapido, più brillante, più apparentemente intelligente. Ma sotto questa superficie si sta consolidando qualcosa di molto più serio. Negli Stati Uniti non stiamo vedendo soltanto una crescita dell’AI come strumento. Stiamo vedendo l’emergere di una infrastruttura che lega insieme piattaforme digitali, raccolta dati, profilazione economica, biometria, amministrazione pubblica, sicurezza e uso militare. AI Now lo dice in modo molto netto: l’AI oggi non viene soltanto usata da noi, ma viene usata su di noi.

Questo passaggio è decisivo perché sposta la discussione. Il problema non è solo se l’AI “funziona bene” o se ci aiuta a lavorare meglio. Il problema è chi la controlla, per quali scopi viene integrata nelle istituzioni e nei mercati, quali dati raccoglie, come classifica le persone, e fino a che punto può trasformare le vite umane in profili, punteggi, priorità, bersagli. Quando i sistemi di intelligenza artificiale vengono inseriti dentro dispositivi di polizia, di controllo dei confini, di identificazione biometrica o di guerra, la questione smette di essere una semplice innovazione tecnologica. Diventa una questione di potere.

Perché oggi bisogna guardare agli Stati Uniti

Gli Stati Uniti contano in modo speciale non perché siano automaticamente i più avanzati nell’uso quotidiano dell’AI da parte della popolazione, ma perché restano il cuore dell’ecosistema industriale, finanziario, infrastrutturale e militare dell’intelligenza artificiale. Il Stanford AI Index 2026 osserva infatti una distinzione importante: gli USA guidano investimenti e sviluppo dei modelli, ma non risultano al vertice dell’adozione tra la popolazione, dove compaiono davanti altri Paesi come Singapore ed Emirati Arabi Uniti. Questo significa una cosa fondamentale: più potere sull’AI non significa necessariamente più uso diffuso tra i cittadini, ma può significare molto più controllo sulle architetture che la governano.

Per questo ciò che succede negli Stati Uniti non va letto come una curiosità americana. Va letto come un laboratorio politico, industriale e culturale capace di influenzare il resto del mondo, compresa l’Europa. Le piattaforme che usiamo, i modelli che scarichiamo, gli standard che si diffondono, i dispositivi indossabili che arrivano sul mercato, i criteri di tracciamento e monetizzazione, spesso partono da lì o vengono lì normalizzati.

Primo livello: la profilazione economica e i prezzi su misura

Il primo strato di questa infrastruttura è il più banale in apparenza, e proprio per questo uno dei più pericolosi. Parlo della profilazione economica. La Federal Trade Commission ha spiegato che nei sistemi di surveillance pricing i dati personali possono essere usati per impostare prezzi individualizzati per beni e servizi. Tra i dati citati ci sono posizione precisa, cronologia del browser, dati demografici e perfino segnali molto sottili come i movimenti del mouse o il tempo trascorso su una pagina. Questo significa che il prezzo non è più necessariamente lo stesso per tutti. Può diventare il prezzo che il sistema ritiene più adatto a te, in base a ciò che pensa di sapere su di te.

Questa non è una preoccupazione teorica. Reuters ha riportato il 23 aprile 2026 una causa contro JetBlue in cui si accusa la compagnia di aver usato dati personali e sistemi di tracciamento per aumentare le tariffe. JetBlue respinge l’accusa, ma la notizia è significativa per un motivo semplice: il tema dei prezzi personalizzati basati sui dati è ormai entrato pienamente nel conflitto pubblico, politico e giudiziario. Non riguarda più soltanto studiosi o attivisti dei diritti digitali. Riguarda il modo in cui il mercato guarda le persone. Non più come clienti con uguale dignità commerciale, ma come insiemi di dati da spremere in modo differenziato.

Qui bisogna fermarsi un momento, perché il punto è già enorme. Se un sistema analizza tutto ciò che fai per decidere quanto puoi pagare, allora non ti sta solo servendo un prodotto. Ti sta leggendo come profilo economico. E questa logica della lettura continua, della previsione, della segmentazione, è la stessa che poi può migrare in altri campi. Non è ancora polizia, non è ancora guerra, ma è già una forma di classificazione asimmetrica. Tu non sai come vieni valutata. L’algoritmo sì.

Secondo livello: dai consumi al corpo, il salto della biometria

Il passaggio successivo è ancora più radicale, perché sposta il fulcro dell’identificazione dal comportamento al corpo. Qui entra in gioco la biometria. Reuters ha raccontato che il progetto World, legato a Sam Altman, ha accelerato la raccolta di scansioni dell’iride tramite i suoi dispositivi chiamati orb, presentando il sistema come una soluzione per distinguere gli esseri umani reali dai bot e costruire una identità digitale verificata. Il progetto parla di World ID come di una sorta di passaporto digitale per l’epoca dell’AI. Ma, al di là della retorica, il nodo è politico: il corpo diventa chiave di accesso, prova di umanità, credenziale stabile.

Questa direzione ha già sollevato forti obiezioni. Reuters ha riportato anche che l’autorità spagnola per la protezione dei dati ha ordinato la cancellazione dei dati di scansione dell’iride raccolti da Worldcoin, il precedente nome del progetto, dopo una lunga serie di contestazioni privacy. Altre autorità in diversi Paesi hanno mostrato preoccupazioni analoghe. Questo non significa che ogni progetto biometrico sia identico o automaticamente illegittimo. Significa però che il rischio è ormai riconosciuto da regolatori veri, non solo da voci marginali.

La cosa importante, qui, è capire la mutazione culturale. Per anni abbiamo accettato che le piattaforme conoscessero i nostri gusti. Ora stiamo entrando in una fase in cui vogliono anche certificare la nostra esistenza biologica. È un salto enorme. La password si può cambiare. L’iride no. Un documento si rinnova. Un dato biometrico ti accompagna. E quando questo tipo di identificazione entra in ecosistemi dominati da imprese private, incentivi finanziari e possibili appalti pubblici, il problema non è solo tecnico. È strutturale.

Terzo livello: gli occhiali intelligenti e la sorveglianza indossabile

Se la biometria porta il corpo nel sistema, gli occhiali intelligenti portano il sistema nello sguardo. Reuters ha riportato che Meta ha rallentato l’espansione internazionale dei suoi Ray-Ban Display glasses a causa della forte domanda negli Stati Uniti e dei vincoli di offerta. Sempre Reuters ha riportato che Meta ed EssilorLuxottica valutavano di aumentare enormemente la capacità produttiva dei Ray-Ban smart glasses. A marzo 2026 Reuters ha anche raccontato il lancio di nuovi modelli da vista intelligenti negli Stati Uniti. Questi prodotti non sono più una curiosità marginale: sono una linea strategica.

A prima vista sembrano semplicemente gadget avanzati: fotografano, registrano, trasmettono, integrano funzioni AI, aiutano la navigazione o l’assistenza personale. Ma il problema vero è un altro. Questi dispositivi portano il potenziale di raccolta dati dentro l’esperienza quotidiana, rendendo la sorveglianza più diffusa, più discreta e più socialmente normalizzata. Non c’è bisogno di immaginare scenari estremi. Basta osservare la direzione del prodotto. Quando una tecnologia può vedere, ascoltare, riconoscere, assistere e archiviare, la distanza tra utilità e controllo si accorcia.

Su questo punto è importante essere precise. Non bisogna scrivere che Meta ha già imposto ovunque il riconoscimento facciale sugli occhiali come fatto compiuto. Sarebbe troppo. Ma è corretto dire che esiste un allarme serio e pubblico su quella direzione. L’ACLU e altre 75 organizzazioni hanno chiesto a Meta di fermare e smentire pubblicamente piani per aggiungere il riconoscimento facciale agli occhiali Ray-Ban e Oakley, sostenendo che una simile funzione permetterebbe di identificare persone sconosciute in strada, a proteste, in negozi, in cliniche o altri luoghi sensibili. Questo è un passaggio chiave: non è ancora piena normalità, ma è abbastanza plausibile da far scattare un allarme coordinato di organizzazioni per le libertà civili.

Quarto livello: quando i dati sanitari e amministrativi entrano nella macchina del controllo

Il passaggio davvero inquietante avviene quando la stessa cultura tecnica della profilazione viene trasferita dentro le strutture pubbliche. Reuters ha riportato che nel luglio 2025 il Dipartimento della Salute degli Stati Uniti ha dato a ICE accesso ai dati personali di 79 milioni di iscritti a Medicaid per aiutare a rintracciare immigrati che potrebbero trovarsi illegalmente nel Paese. È difficile sopravvalutare la gravità simbolica e politica di questo fatto. Dati raccolti in un contesto di welfare e salute vengono spostati dentro una logica di enforcement migratorio.

Qui non siamo più nella pubblicità personalizzata. Siamo nel punto in cui l’infrastruttura del dato attraversa i confini tra cura, amministrazione e controllo. Il dato amministrativo smette di essere solo strumento di gestione e diventa leva per la repressione burocratica. Quando questo avviene in un ecosistema già dominato da software di analisi, ricerca, correlazione e ranking, la trasformazione delle persone in casi, punteggi e priorità operative non è più un rischio astratto. È un processo concreto.

Su questa linea si colloca anche il reporting rilanciato da EFF su un possibile strumento Palantir per ICE, descritto come capace di costruire mappe di potenziali bersagli di deportazione, mostrare dossier individuali e assegnare un livello di confidenza sull’indirizzo di una persona. Questa parte va presentata con cura, perché la fonte è una organizzazione di advocacy digitale e non un comunicato governativo. Ma proprio per questo si può usare bene scrivendo: “Secondo EFF…”. Il valore di questa segnalazione, anche al netto delle contestazioni possibili, è che rende leggibile una logica già evidente: la vita umana viene resa interrogabile come database.

Quinto livello: il riavvicinamento tra Big Tech e potere politico

Un altro elemento che merita attenzione è il rapporto tra Big Tech e potere politico. Reuters ha riportato che grandi aziende americane, comprese società di Silicon Valley, hanno donato al fondo inaugurale di Donald Trump nella prospettiva di costruire un rapporto favorevole con la nuova amministrazione. Questo, da solo, non basta a dimostrare una saldatura autoritaria. Però racconta bene una dinamica storica ben nota: quando si apre una nuova stagione politica fatta di deregolazione, appalti, difesa, infrastrutture e scontro geopolitico, le grandi aziende cercano prossimità.

Dentro questo quadro, Reuters ha riportato anche che Meta ha chiuso negli Stati Uniti il suo programma di fact-checking di terze parti e lo ha sostituito con un sistema tipo Community Notes. Reuters collega questa scelta al desiderio di Mark Zuckerberg di riallacciare i rapporti con l’amministrazione entrante. Anche qui, il punto non è dire che ogni decisione di moderazione è una prova di collusione. Il punto è osservare che la gestione del discorso pubblico, delle regole della visibilità e dei limiti del contenuto sensibile si sta ridefinendo in un contesto di riavvicinamento politico.

Se metti insieme queste mosse, vedi una figura più ampia. Le aziende non cercano solo utenti o investitori. Cercano anche un ambiente politico e normativo più vantaggioso. E questo diventa particolarmente rilevante quando l’AI non è più soltanto un prodotto consumer, ma una tecnologia che può entrare in sicurezza, difesa, intelligence, amministrazione pubblica, frontiere e apparati federali.

Sesto livello: l’AI entra nei circuiti della difesa e delle reti classificate

Ed eccoci al punto dove il quadro si fa più duro. Reuters ha riportato a febbraio 2026 che il Pentagono stava spingendo le principali aziende AI, incluse OpenAI e Anthropic, a rendere disponibili i loro strumenti anche su reti classificate con meno restrizioni standard. Reuters ha spiegato che tali reti possono essere usate anche per mission planning e weapons targeting. Qui non siamo più nel territorio del semplice assistente intelligente. Siamo nel passaggio dell’AI da infrastruttura commerciale a infrastruttura di sicurezza nazionale.

Proprio per questo il contrasto tra le aziende conta. Anthropic, cioè la società di Claude, ha dichiarato di non poter accettare la richiesta del Pentagono di eliminare alcune safeguard, in particolare quelle relative all’uso in targeting autonomo delle armi e nella sorveglianza domestica. OpenAI, invece, ha accettato un accordo per l’uso dei propri strumenti sulla rete non classificata genai.mil, rimuovendo molte restrizioni standard pur mantenendo alcuni guardrail. Reuters ha poi riportato anche un accordo separato per il dispiegamento dei modelli OpenAI su cloud classificati del Department of War.

Questo passaggio è importante perché mostra che la militarizzazione dell’AI non avanza in modo lineare o senza attriti. Esistono resistenze, negoziazioni e conflitti reali sui limiti. Ma proprio questi scontri rendono ancora più visibile la tendenza di fondo: la filiera AI sta entrando in profondità nell’apparato militare e para-militare, e la pressione per ridurre i vincoli etici è ormai esplicita.

È qui che la vecchia idea di neutralità tecnologica mostra le sue crepe. Una tecnologia può anche nascere come strumento generale. Ma quando viene resa compatibile con reti classificate, contractor della difesa e operazioni di sicurezza nazionale, il suo destino non può più essere letto soltanto in chiave neutra o astratta. La tecnologia non è più semplicemente disponibile. È strategicamente arruolata.

Settimo livello: dalla sorveglianza al campo di guerra

Il nodo finale, e più tragico, riguarda il rapporto tra strumenti digitali e guerra. Human Rights Watch ha pubblicato nel settembre 2024 un documento in cui afferma che l’uso da parte dell’esercito israeliano di tecnologie di sorveglianza, AI e altri strumenti digitali per contribuire alla selezione dei bersagli a Gaza può aumentare il rischio di danni ai civili e pone gravi questioni etiche, legali e umanitarie. Questa è una fonte non governativa, ma molto autorevole nel campo dei diritti umani.

Perché questo punto è così importante? Perché mostra la traiettoria completa. Un sistema nasce magari per classificare, predire, ottimizzare, selezionare. Poi quella stessa logica di classificazione può essere trasferita in contesti ad altissimo rischio, dove un errore, una correlazione sbagliata, una stima imperfetta o una fiducia eccessiva nell’output del sistema non significa soltanto un disservizio. Può significare morte, devastazione, impunità resa più efficiente dall’interfaccia.

Non serve dire che ogni AI commerciale conduce automaticamente alla guerra. Sarebbe una semplificazione. Ma è corretto dire che una infrastruttura capace di profilare, selezionare, identificare e assegnare priorità è molto più facilmente trasferibile al dominio militare di quanto spesso si voglia ammettere. È proprio questo che rende cruciale la fase attuale. Non stiamo più discutendo di software simpatici. Stiamo discutendo di architetture del comando.

Gli Stati Uniti usano davvero l’AI più di tutti?

Qui serve una distinzione importante, perché si fa spesso confusione. No, non è corretto dire semplicemente che gli Stati Uniti usano l’AI più di tutti gli altri Paesi. Il Stanford AI Index 2026 segnala che, per adozione tra la popolazione, gli USA sono al 24° posto con il 28,3%, mentre altri Paesi risultano sopra. L’OECD conferma che l’uso della generative AI tra gli individui è cresciuto rapidamente e in modo molto diseguale tra Paesi. La Federal Reserve, dal canto suo, osserva che negli Stati Uniti circa il 18% delle imprese aveva adottato AI a fine 2025. Quindi il quadro corretto è questo: gli USA non sono necessariamente i primi per uso quotidiano tra i cittadini, ma sono ancora al centro dell’ecosistema AI per capitale, grandi modelli, Big Tech, cloud, appalti e rapporti con lo Stato.

Il problema non è solo “quanta AI usa la gente”. Il problema è chi ha il potere di costruirla, distribuirla, legarla a contratti pubblici e spingerla dentro sistemi di sorveglianza e difesa. Un Paese può non essere in cima alla classifica dell’uso popolare e restare comunque il centro di gravità del potere tecnologico. È esattamente questa la situazione americana.

E l’Europa? È davvero più protetta?

L’Europa non è immune, e sarebbe ingenuo dirlo. Però sul piano normativo esiste almeno un argine più forte. La Commissione europea ricorda che l’AI Act è in vigore dal 1 agosto 2024 e che i divieti relativi alle pratiche proibite sono diventati applicabili nel febbraio 2025. La Commissione ha pubblicato linee guida sulle pratiche AI vietate, che riguardano rischi per i diritti fondamentali e pratiche considerate inaccettabili. Questo non elimina il problema della pressione industriale, della velocità dei mercati o della circolazione globale dei prodotti. Però indica che in Europa esiste, almeno sulla carta, una resistenza normativa più forte rispetto al modello americano di deregulation e accelerazione.

Detto questo, sarebbe un errore pensare che basti una legge per salvarci. Le piattaforme viaggiano più in fretta delle istituzioni. Gli standard culturali pure. I dispositivi indossabili si diffondono velocemente. Gli incentivi economici sono enormi. E soprattutto ciò che viene normalizzato negli Stati Uniti tende spesso ad arrivare altrove prima come desiderio di mercato, poi come partnership, poi come abitudine. È per questo che guardare oggi all’America ha senso anche per chi vive in Italia. Non per imitare una paranoia, ma per capire la direzione del vento.

LA MIA TESI

La mia tesi, alla luce di queste fonti, è questa: negli Stati Uniti si sta consolidando una convergenza tra Big Tech, AI companies, biometria, apparato statale e sicurezza nazionale che rende la profilazione più invasiva, la sorveglianza più capillare e l’uso militare dell’AI sempre più normale. Non tutte le aziende fanno la stessa cosa. Non tutte le tecnologie hanno lo stesso grado di rischio. Non tutte le notizie hanno lo stesso peso probatorio. Ma la direzione complessiva è leggibile. E ignorarla sarebbe irresponsabile.

Il punto non è essere “contro la tecnologia”. Il punto è rifiutare che la tecnologia diventi un alibi morale per concentrare potere, opacizzare decisioni e automatizzare forme di controllo che colpiscono i corpi, i prezzi, le libertà, i movimenti e, nei casi più estremi, la vita stessa. Quando il corpo diventa password, il comportamento diventa prezzo, il dato sanitario diventa tracciamento, l’occhiale diventa sensore e il modello diventa strumento operativo per la guerra, non siamo più nell’età dell’innovazione innocente. Siamo dentro una ridefinizione dei rapporti tra potere e realtà.

Negli USA Big Tech, AI e biometria si saldano agli appalti pubblici, creando più profilazione, sorveglianza e uso militare.

A proteggerci non sarà una sola tecnologia “buona”. Ci proteggeranno regole chiare, cultura critica, passaparola tra persone vive e pratiche quotidiane di attenzione. Perché il problema non è solo l’AI. Il problema è il potere che le costruiamo intorno.

Alla prossima.

Parlerò di cosa sta succedendo con il consumo di energia e dell'acqua per l'incremento dell'uso delle AI in America e nel mondo.

Vanessa

Approfondimento:

Le Big Tech negli Stati Uniti stanno usando l’AI solo per prodotti commerciali?

No. Le fonti mostrano che l’AI negli Stati Uniti è collegata non solo a prodotti consumer, ma anche a profilazione dei prezzi, identificazione biometrica, apparati amministrativi, contratti pubblici e reti classificate della difesa.

Che cos’è la surveillance pricing?

È l’uso di dati personali, come posizione, cronologia del browser o comportamento online, per impostare prezzi personalizzati. La FTC ha confermato che questa pratica esiste e la sta studiando.

La scansione dell’iride è già realtà?

Sì, esistono già progetti operativi come World, legato a Sam Altman, che usano la scansione dell’iride per creare identità digitali. Allo stesso tempo diversi regolatori hanno sollevato criticità sulla privacy.

Gli USA usano l’AI più di tutti gli altri Paesi?

Non necessariamente nell’uso quotidiano tra la popolazione. Secondo Stanford, gli USA non sono al primo posto nell’adozione popolare. Restano però uno dei centri principali dell’ecosistema AI per investimenti, modelli e rapporti tra industria e Stato.

L’Europa è al riparo?

No. Però l’AI Act europeo introduce limiti e divieti che, almeno sulla carta, sono più forti di quelli statunitensi su alcune pratiche ad alto rischio.

In parole semplici

Le aziende tecnologiche raccolgono sempre più dati per capire chi sei, cosa vuoi e quanto puoi pagare.
Alcuni sistemi non ti mostrano soltanto pubblicità: possono anche decidere prezzi diversi per persone diverse.
La biometria porta il corpo dentro il sistema: volto, iride e altri dati fisici rischiano di diventare chiavi permanenti.
Gli occhiali intelligenti possono rendere la raccolta dati più continua, più nascosta e più normale.
Dati nati per la salute o per l’amministrazione possono finire in sistemi di controllo, frontiere e polizia.
Le Big Tech cercano il favore del potere politico perché gli appalti pubblici e militari valgono moltissimo.
L’AI non resta più soltanto nei telefoni o negli uffici: entra anche nella difesa e nelle reti classificate.
Il problema non è solo la tecnologia. Il problema è chi la controlla e per fare cosa.

Glossario dei concetti più difficili

Infrastruttura di potere
Un insieme di tecnologie, regole, dati e istituzioni che permette di controllare persone, comportamenti e decisioni.

Profilazione economica
Analisi dei dati di una persona per capire quanto può spendere, cosa desidera e come trattarla commercialmente.

Surveillance pricing
Prezzi diversi per persone diverse, calcolati usando dati personali e comportamento online.

Classificazione asimmetrica
Situazione in cui un sistema sa molte cose su di te e ti valuta, mentre tu non sai come vieni valutata.

Biometria
Uso di caratteristiche fisiche del corpo per riconoscere o verificare una persona.

Identità digitale verificata
Sistema che cerca di dimostrare che una persona esiste davvero ed è chi dice di essere.

Sorveglianza indossabile
Controllo reso possibile da dispositivi che si portano addosso, come occhiali intelligenti, smartwatch o sensori.

Raccolta dati continua
Acquisizione costante di informazioni su ciò che fai, guardi, compri, dici o dove ti trovi.

Normalizzazione
Processo per cui qualcosa che prima sembrava grave o eccezionale comincia a sembrare normale.

Opacità algoritmica
Mancanza di chiarezza su come un algoritmo prende decisioni o classifica le persone.

Punteggio di rischio
Valutazione numerica o categoriale che un sistema assegna a una persona considerandola più o meno problematica, utile o pericolosa.

Database interrogabile

Archivio digitale che permette di cercare rapidamente informazioni su una persona come se fosse una scheda.

Correlazione automatizzata
Collegamento fatto da un sistema tra dati diversi per trovare relazioni, anche senza capire davvero il contesto umano.

Reti classificate
Reti informatiche riservate usate per dati sensibili o segreti in ambito governativo e militare.

Mission planning
Pianificazione di operazioni complesse, spesso in ambito militare o di intelligence.

Weapons targeting
Processo di selezione o supporto alla selezione di obiettivi da colpire con sistemi militari.

Guardrail
Limiti inseriti in un sistema per impedirne o ridurne gli usi più pericolosi.

Contractor della difesa
Impresa privata che lavora con esercito o apparati pubblici su tecnologie, dati, armi o sicurezza.

Apparato para-militare
Strutture o organizzazioni vicine alla logica militare, anche se non sono esercito in senso stretto.

Architettura del comando
Insieme di strumenti, dati e procedure che permettono di prendere decisioni, dare ordini e controllare operazioni.

Automazione decisionale
Quando una parte della decisione viene affidata a un sistema automatico invece che a un essere umano.

Neutralità tecnologica
L’idea che una tecnologia sia neutra e che tutto dipenda solo da come la si usa.

Militarizzazione dell’AI
Processo per cui sistemi di intelligenza artificiale entrano in difesa, sorveglianza, targeting e guerra.

Convergenza tra pubblico e privato

Situazione in cui aziende tecnologiche e istituzioni statali lavorano sempre più intrecciate sugli stessi dati e obiettivi.

Fonti

13 aprile 2026
Stanford HAI, 2026 AI Index Report
https://hai.stanford.edu/ai-index/2026-ai-index-report

13 aprile 2026
Stanford HAI, PDF del 2026 AI Index Report
https://hai.stanford.edu/assets/files/ai_index_report_2026.pdf

13 aprile 2026
ACLU, ACLU and 75 Organizations Sound Alarm on Meta's Plans to Add Facial Recognition Technology to Ray-Ban and Oakley Eyeglasses
https://www.aclu.org/press-releases/aclu-and-75-organizations-sound-alarm-on-metas-plans-to-add-facial-recognition-technology-to-ray-ban-and-oakley-eyeglasses

3 aprile 2026
Federal Reserve, Monitoring AI Adoption in the US Economy
https://www.federalreserve.gov/econres/notes/feds-notes/monitoring-ai-adoption-in-the-u-s-economy-20260403.html

31 marzo 2026
Reuters, Meta unveils two new Ray-Ban prescription smart glasses
https://www.reuters.com/business/media-telecom/meta-unveils-two-new-ray-ban-prescription-smart-glasses-2026-03-31/

28 febbraio 2026
Reuters, OpenAI reaches deal to deploy AI models on U.S. Department of War classified network
https://www.reuters.com/business/openai-reaches-deal-deploy-ai-models-us-department-war-classified-network-2026-02-28/

12 febbraio 2026
Reuters, Pentagon pushing AI companies to expand on classified networks, sources say
https://www.reuters.com/business/pentagon-pushing-ai-companies-expand-classified-networks-sources-say-2026-02-12/

28 gennaio 2026
OECD, AI use by individuals surges across the OECD as adoption by firms continues to expand
https://www.oecd.org/en/about/news/announcements/2026/01/ai-use-by-individuals-surges-across-the-oecd-as-adoption-by-firms-continues-to-expand.html

13 gennaio 2026
Reuters, Meta mulls doubling output of Ray-Ban glasses by year end
https://www.reuters.com/business/meta-mulls-doubling-output-ray-ban-glasses-by-year-end-bloomberg-news-reports-2026-01-13/

6 gennaio 2026
Reuters, Meta delays global rollout of Ray-Ban Display glasses on strong US demand
https://www.reuters.com/business/meta-delays-global-rollout-ray-ban-display-glasses-strong-us-demand-supply-2026-01-06/

17 luglio 2025
Reuters, US health department hands over Medicaid personal data to ICE
https://www.reuters.com/business/healthcare-pharmaceuticals/us-health-department-hands-over-medicaid-personal-data-ice-2025-07-17/

3 giugno 2025
AI Now Institute, Artificial Power: 2025 Landscape Report
https://ainowinstitute.org/publications/research/ai-now-2025-landscape-report

4 febbraio 2025
European Commission, Guidelines on prohibited artificial intelligence practices
https://digital-strategy.ec.europa.eu/en/library/commission-publishes-guidelines-prohibited-artificial-intelligence-ai-practices-defined-ai-act

3 febbraio 2025
European Commission, First rules of the Artificial Intelligence Act are now applicable
https://digital-strategy.ec.europa.eu/en/news/first-rules-artificial-intelligence-act-are-now-applicable

17 gennaio 2025
FTC, Surveillance Pricing Study Indicates Wide Range of Personal Data Used to Set Individualized Consumer Prices
https://www.ftc.gov/news-events/news/press-releases/2025/01/ftc-surveillance-pricing-study-indicates-wide-range-personal-data-used-set-individualized-consumer

7 gennaio 2025
Reuters, Meta ends third-party fact-checking program, adopts X-like Community Notes model
https://www.reuters.com/technology/meta-ends-third-party-fact-checking-program-adopts-x-like-community-notes-model-2025-01-07/

19 dicembre 2024
Reuters, Worldcoin must delete all iris scan data, watchdog says
https://www.reuters.com/markets/currencies/spanish-watchdog-tells-worldcoin-delete-all-iris-scan-data-2024-12-19/

17 dicembre 2024
Reuters, Corporate America pledges donations for Trump's inauguration
https://www.reuters.com/world/us/corporate-america-pledges-donations-trump-inauguration-2024-12-17/

6 dicembre 2024
Reuters, Palantir and Anduril sign partnership for AI training in defense
https://www.reuters.com/technology/artificial-intelligence/palantir-anduril-sign-partnership-ai-training-defense-2024-12-06/

4 dicembre 2024
Reuters, Defense firm Anduril partners with OpenAI to use AI in national security missions
https://www.reuters.com/technology/artificial-intelligence/defense-firm-anduril-partners-with-openai-use-ai-national-security-missions-2024-12-04/

17 ottobre 2024
Reuters, Sam Altman's rebranded Worldcoin ramps up iris-scanning crypto project
https://www.reuters.com/technology/artificial-intelligence/sam-altmans-rebranded-worldcoin-ramps-up-iris-scanning-crypto-project-2024-10-17/

10 settembre 2024
Human Rights Watch, Gaza: Israeli Military's Digital Tools Risk Civilian Harm
https://www.hrw.org/news/2024/09/10/gaza-israeli-militarys-digital-tools-risk-civilian-harm

10 settembre 2024
Human Rights Watch, Questions and Answers: Israeli Military's Use of Digital Tools in Gaza
https://www.hrw.org/news/2024/09/10/questions-and-answers-israeli-militarys-use-of-digital-tools-in-gaza

FTC, Surveillance Pricing
https://www.ftc.gov/news-events/features/surveillance-pricing

European Commission, AI Act regulatory framework
https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai

Copyright, AI generativa e grandi piattaforme

2026-04-10T08:22:00.000-07:00

Copyright, AI generativa e grandi piattaforme

Cosa sta succedendo davvero tra artisti, dataset e modelli

Negli ultimi anni, insieme alla diffusione dell’AI generativa, si è aperto uno dei conflitti più importanti nel mondo della cultura visiva: quello tra diritto d’autore e addestramento dei modelli. Non è una questione nuova, ma oggi ha raggiunto una scala diversa. Perché riguarda milioni di immagini, migliaia di artisti e alcune delle più grandi aziende tecnologiche.

Come vengono addestrati i modelli

Per capire il problema, bisogna partire dal funzionamento. I modelli di AI generativa vengono addestrati su enormi dataset di immagini e testi. Questi dataset sono spesso costruiti attraverso:

web scraping
raccolta automatica di contenuti online
archivi pubblici e semi-pubblici

Durante l’addestramento, il modello non memorizza immagini singole in modo diretto, ma apprende relazioni statistiche tra elementi visivi e linguistici. Ed è qui che nasce il conflitto. Perché molte delle immagini utilizzate nei dataset sono protette da copyright.

Il nodo centrale: apprendimento o uso non autorizzato?

Le aziende sostengono che l’addestramento rientri in una forma di apprendimento, simile a quello umano. Gli artisti e i fotografi, invece, sostengono che si tratti di un uso non autorizzato delle loro opere. La domanda è semplice, ma la risposta è complessa: imparare da un’immagine equivale a utilizzarla?

Immagine generata con Chat GPT con una sola generazione da Vanessa Rusci

Le cause legali più importanti

Negli ultimi anni sono state avviate diverse cause contro le principali piattaforme di AI generativa. Tra le più rilevanti:

causa contro Stability AI, Midjourney e DeviantArt da parte di artisti visivi
azioni legali di Getty Images contro Stability AI per uso non autorizzato di immagini
cause nel settore musicale e testuale contro modelli linguistici

Alcuni casi sono ancora in corso, altri hanno avuto sviluppi parziali. Ad oggi, non esiste una risposta definitiva valida ovunque.

Chi ha vinto?

La risposta onesta è: nessuno, in modo definitivo. Alcuni punti però stanno emergendo:

i tribunali stanno iniziando a distinguere tra training e output
viene valutato se il modello riproduce opere riconoscibili
cresce l’attenzione sulla trasparenza dei dataset

In alcuni casi, le aziende hanno dovuto modificare pratiche o affrontare richieste di risarcimento, ma non esiste ancora una sentenza globale che chiuda la questione.

Termini chiave oggi

Ci sono alcuni concetti fondamentali:

Training data
I dati usati per addestrare il modello.

Web scraping
Raccolta automatica di contenuti dal web.

Opt-out
Possibilità per gli autori di chiedere la rimozione delle proprie opere dai dataset.

Dataset governance
Gestione e controllo dei dati utilizzati.

Watermarking
Tecniche per identificare contenuti generati o protetti.

Data provenance
Tracciabilità dell’origine dei dati.

Il problema del tracking

Uno dei temi più complessi oggi è il tracking delle immagini. Una volta che un’immagine entra in un dataset, diventa molto difficile:

sapere se è stata utilizzata
capire come ha influenzato il modello
dimostrare un legame diretto tra input e output

Questo rende il controllo estremamente complesso. Perché l’AI non “copia” in modo diretto, ma rielabora distribuzioni di dati.

Cosa è cambiato oggi

Le piattaforme stanno introducendo alcune soluzioni:

sistemi di opt-out per artisti
filtri per evitare la generazione di stili specifici
maggiore trasparenza (ancora limitata)
accordi con archivi ufficiali

Ma queste soluzioni non risolvono completamente il problema. Perché il nodo resta strutturale: i modelli sono già stati addestrati.

Il punto culturale

Questa non è solo una questione legale. È una questione culturale. Per la prima volta, la produzione visiva automatizzata si basa su un archivio globale di immagini create da esseri umani. E questo cambia il rapporto tra:

autore
opera
trasformazione
utilizzo

Conclusione

L’AI generativa non nasce dal vuoto. Nasce da immagini, testi, archivi. E oggi il punto non è solo cosa può generare, ma da dove arriva ciò che genera. Perché tra apprendimento e appropriazione esiste una zona grigia. Ed è proprio lì che si gioca una delle questioni più importanti del nostro tempo.

Continua a seguirmi per diventare consapevole dei vantaggi e rischi dell'AI.

Alla prossima

Vanessa Rusci

Le “allucinazioni” dell’AI

2026-04-03T09:30:00.000-07:00

Le “allucinazioni” dell’AI

cosa sono davvero, perché esistono e perché non sono così facili da controllare

Immagine creata con CHAT GPT da Vanessa Rusci
con un solo prompt e una sola generazione

Negli ultimi anni si è diffuso un termine curioso per descrivere alcuni comportamenti dell’intelligenza artificiale: allucinazioni. La parola è forte, quasi teatrale, e non è casuale. Serve a indicare un fenomeno preciso: il momento in cui un sistema di AI genera qualcosa che sembra plausibile, ma che in realtà è falso, incoerente o completamente inventato.

Ma per capire davvero cosa significa, bisogna partire da un punto semplice.

L’AI non sa. Prevede.

Un modello di intelligenza artificiale non “conosce” il mondo nel senso umano del termine. Non verifica, non osserva, non ha esperienza diretta. Funziona invece attraverso la probabilità.

Ogni volta che genera un testo o un’immagine, il sistema non fa altro che chiedersi:

👉 qual è il prossimo elemento più probabile?

Nel testo, è la parola successiva.
Nelle immagini, è il pixel successivo.

Se tutto funziona bene, questa previsione costruisce qualcosa di coerente.
Ma quando la probabilità si sgancia dalla realtà, nasce l’allucinazione.

Perché si chiamano “allucinazioni”

Il termine non è scientifico in senso stretto, ma è stato adottato perché descrive bene l’effetto: qualcosa che appare credibile, ma non corrisponde al reale.

È importante chiarire che non è un errore “casuale”.
È una conseguenza diretta del funzionamento del modello.

L’AI non distingue tra vero e falso.
Distingue solo tra più o meno probabile.

Le allucinazioni esistono ancora?

Sì, esistono ancora.

Negli ultimi anni sono state ridotte grazie a:

modelli più grandi
migliori dataset
sistemi di controllo (come il reinforcement learning)

Ma non sono scomparse.

E probabilmente non scompariranno del tutto, perché fanno parte del modo in cui questi sistemi generano contenuti.

Cosa succede alla probabilità quando l’AI “allucina”

Qui entra il punto più interessante.

Quando l’AI genera, costruisce una distribuzione di probabilità:
ci sono molte possibili soluzioni, alcune più probabili, altre meno.

In condizioni normali, sceglie quelle più solide.
Ma ci sono casi in cui:

i dati sono insufficienti
il contesto è ambiguo
la richiesta è troppo specifica o fuori distribuzione

In queste situazioni, la probabilità si “appiattisce” o si sposta su soluzioni deboli.

E il modello, pur di completare, sceglie comunque qualcosa.

👉 Non sa dire “non lo so” in modo naturale.
👉 È progettato per continuare.

E quindi inventa.

Le allucinazioni sono creatività?

Qui la questione si fa affascinante.

A volte le allucinazioni producono risultati sorprendenti, immagini inaspettate, connessioni nuove. Possono sembrare “geniali”.

Ma tecnicamente non sono creatività intenzionale.

Sono deviazioni probabilistiche.

Il sistema non sta cercando qualcosa di nuovo.
Sta semplicemente perdendo il contatto con la distribuzione più stabile.

Eppure, proprio in questo slittamento, può emergere qualcosa che noi interpretiamo come creativo.

Perché è difficile controllare la generazione

Molti utenti si chiedono: perché non possiamo controllare perfettamente l’AI?

La risposta è semplice e complessa insieme.

Perché questi sistemi non seguono regole fisse.
Generano.

E generare significa lavorare con margini di incertezza.

Anche quando inseriamo parametri più rigidi:

prompt dettagliati
seed
controlli di stile

non stiamo imponendo una soluzione.
Stiamo solo restringendo il campo delle probabilità.

E dentro quel campo, il sistema continua a scegliere.

Le piattaforme limitano davvero gli errori?

Le piattaforme cercano di ridurre le allucinazioni perché:

migliorano l’esperienza utente
aumentano la fiducia
rendono i risultati più utili

Non esiste un interesse reale nel “far sbagliare” l’AI per consumare crediti.

Gli errori non sono una strategia.
Sono un limite tecnico.

Anzi, più un sistema è affidabile, più viene utilizzato.

Il punto vero: cosa ci dice questo limite

Le allucinazioni ci mostrano qualcosa di importante.

L’AI non è uno strumento che restituisce la verità.
È uno strumento che genera possibilità.

E tra queste possibilità, alcune sono solide, altre fragili, altre completamente inventate.

Sta a noi riconoscerle.

Allucinazioni e raccomandazione: lo stesso meccanismo su due livelli

Immagine creata con CHAT GPT da Vanessa Rusci
con un solo prompt e una sola generazione

Se osserviamo meglio, il fenomeno delle allucinazioni non è isolato.
Ha una relazione profonda con gli algoritmi di raccomandazione.

Perché, anche se operano su piani diversi, condividono una logica di fondo.

Entrambi lavorano sulla probabilità.

Dentro l’AI generativa, la probabilità serve a costruire l’immagine o il testo:
il sistema sceglie, passo dopo passo, ciò che è più plausibile.

Negli algoritmi di raccomandazione, la probabilità serve a selezionare ciò che vediamo:
il sistema sceglie ciò che è più probabile che ci interessi.

In un caso si genera.
Nell’altro si filtra.

Ma il principio è lo stesso.

Quando la probabilità perde aderenza

A questo punto succede qualcosa di interessante.

Quando l’AI “allucina”, la probabilità si sgancia dalla realtà e continua a generare coerenza interna.

Quando un algoritmo di raccomandazione “deriva”, succede qualcosa di simile:
continua a mostrarci contenuti coerenti con il nostro comportamento, anche se quella coerenza restringe il nostro mondo.

In entrambi i casi, il sistema non si accorge dell’errore.

Perché non ha un rapporto diretto con la realtà.
Ha un rapporto con i dati.

Due effetti diversi, una stessa logica

Le allucinazioni producono contenuti che sembrano veri ma non lo sono.

La raccomandazione produce ambienti che sembrano completi ma non lo sono.

Nel primo caso, l’errore è visibile.
Nel secondo, è invisibile.

E proprio per questo, spesso più potente.

Il punto decisivo

Se mettiamo insieme i due livelli, vediamo emergere una dinamica più ampia.

L’AI genera ciò che è più probabile.
Gli algoritmi rendono visibile ciò che funziona di più.
Noi ci abituiamo a ciò che vediamo.
E iniziamo a riconoscerlo come “normale”.

A quel punto, anche quando l’AI sbaglia, l’errore può sembrare plausibile.

Non perché sia corretto.
Ma perché è coerente con ciò che siamo già abituati a vedere.

Perché questo è importante

Questo collegamento cambia completamente il modo di leggere le allucinazioni.

Non sono solo errori tecnici.

Sono anche il risultato di un ecosistema in cui:

la probabilità guida la generazione
la probabilità guida la visibilità
la ripetizione costruisce familiarità

E la familiarità, lentamente, costruisce verità percepita.

Conclusione

Quando lavoriamo con l’intelligenza artificiale, non stiamo dialogando con un sistema che conosce, ma con un sistema che prevede.

E questo cambia tutto.

Perché il punto non è eliminare l’errore, ma capire da dove nasce.

Nasce da un sistema che costruisce sulla probabilità.

Ma non si ferma lì.

Perché ciò che l’AI genera entra in un ambiente che funziona con la stessa logica:
gli algoritmi di raccomandazione selezionano, ordinano, amplificano.

Così la probabilità non guida solo la creazione.
Guida anche la visibilità.

E in questo doppio passaggio, ciò che è plausibile può diventare credibile.

Solo così possiamo usare l’AI in modo consapevole, senza confondere la probabilità con la verità,
e senza dimenticare che oggi non vediamo tutto ciò che è possibile,
ma ciò che è più probabile… e più visibile.

AI generativa e algoritmi di raccomandazione di Vanessa Rusci

2026-03-27T11:57:00.000-07:00

AI generativa e algoritmi di raccomandazione

una breve storia, limiti e implicazioni per arte e immagini

Negli ultimi anni l’intelligenza artificiale è entrata nel linguaggio quotidiano, ma quello che vediamo oggi è il risultato di passaggi precisi. Capire come funzionano l’AI generativa e gli algoritmi di raccomandazione è fondamentale per comprendere come vengono create e diffuse le immagini contemporanee.

Storia dell’AI generativa: cosa è cambiato dal 2022

Prima del 2022 l’intelligenza artificiale esisteva già ed era utilizzata in ambito tecnico, scientifico e artistico sperimentale. Si lavorava con computer vision, modelli image-to-image e reti neurali avanzate, ma servivano competenze specifiche e non era uno strumento accessibile a tutti.

Il passaggio avviene nel 2022, con l’arrivo di piattaforme come DALL·E 2, Midjourney e Stable Diffusion, che permettono per la prima volta di generare immagini a partire da testo senza programmare. Nel 2023 questo processo diventa di massa e l’AI generativa entra nei social, nei flussi visivi e nel lavoro creativo.

Come funziona l’AI generativa

Le piattaforme di generazione immagini funzionano attraverso modelli addestrati su enormi dataset visivi. Questi modelli apprendono relazioni tra parole e immagini e costruiscono nuove immagini pixel per pixel.

È importante chiarire un punto: l’AI non sceglie come un essere umano, ma genera ogni elemento sulla base della probabilità. In altre parole, ogni immagine è costruita attraverso una sequenza di previsioni su ciò che è più coerente rispetto ai dati su cui il modello è stato addestrato.

Algoritmi di raccomandazione: il livello invisibile

Le immagini generate dall’AI non esistono isolate, ma vivono dentro piattaforme digitali che funzionano attraverso algoritmi di raccomandazione. Questi algoritmi selezionano cosa vediamo, ordinano i contenuti e amplificano ciò che genera maggiore attenzione.

Qui è importante distinguere due livelli.

Da una parte esiste una raccomandazione esterna, quella dei social, che costruisce il campo visivo rendendo alcune immagini più frequenti e familiari di altre.

Dall’altra, all’interno dei modelli generativi, esiste una forma diversa di selezione: durante la generazione l’AI valuta continuamente più possibilità e sceglie quella più probabile. In questo senso, pur non essendo un sistema di raccomandazione classico, il processo funziona come una forma di raccomandazione interna, perché il modello seleziona passo dopo passo la soluzione più plausibile.

Il ciclo tra AI, algoritmi e utenti

Il punto centrale non è solo tecnico, ma culturale. L’AI non copia automaticamente le immagini che circolano online, perché i modelli non si aggiornano in tempo reale. Tuttavia, si crea un ciclo mediato dagli utenti.

L’AI genera immagini, gli algoritmi di raccomandazione rendono visibili alcune di queste immagini, le persone iniziano a riconoscere e interiorizzare quei pattern visivi e, di conseguenza, li richiedono nuovamente. A quel punto l’AI produce immagini coerenti con questa domanda.

Si crea così una convergenza visiva, non automatica ma culturale, in cui modelli, piattaforme e utenti contribuiscono insieme alla ripetizione di certe estetiche.

Immagine generata con CHAT GPT da Vanessa Rusci

I limiti dell’AI generativa

Molte immagini generate dall’AI presentano caratteristiche ricorrenti: composizioni leggibili, forte impatto visivo, stile riconoscibile e una tendenza alla spettacolarizzazione. Questo non è un errore, ma il risultato di dataset, probabilità e sistemi di visibilità.

Un altro limite fondamentale riguarda i dati. L’AI non osserva il mondo in tempo reale, ma lavora su un dataset, cioè su un insieme finito di immagini selezionate. Non aggiorna continuamente la propria esperienza come fanno gli esseri umani.

Questo significa che parte già da una visione parziale e che la probabilità restringe ulteriormente il campo delle possibilità. Alcune immagini emergono facilmente e si rafforzano, mentre altre restano marginali o difficili da generare.

Differenza tra intelligenza artificiale e percezione umana

Gli esseri umani incontrano ogni giorno immagini nuove, cambiano riferimenti e si espongono a eccezioni. L’AI, invece, rielabora ciò che ha già visto.

Per questo motivo la generazione visiva dell’AI è potente ma non neutra: è sempre vincolata ai dati e alle probabilità.

Conclusione: cosa significa davvero usare l’AI

L’AI generativa non crea nel vuoto, ma lavora su ciò che ha visto e produce ciò che è più probabile, mentre gli algoritmi di raccomandazione rendono visibile ciò che funziona meglio.

Questo significa che non vediamo tutto ciò che è possibile, ma ciò che è più probabile e più visibile.

Prima di unire arte e intelligenza artificiale, è importante comprendere questi meccanismi: come vengono generate le immagini, da dove arrivano e cosa resta invisibile.

Solo a partire da questa consapevolezza diventa possibile usare l’AI non come scorciatoia, ma come strumento.

La prossima volta parliamo di allucinazioni e poi dei creativi e delle lotte sui copyright.

Vanessa

Algoritmi di raccomandazione: cosa sono davvero

2026-03-20T10:00:00.000-07:00

Algoritmi di raccomandazione: cosa sono davvero

Algoritmi di raccomandazione: cosa sono davvero

Quando si parla di intelligenza artificiale, l’attenzione si concentra quasi sempre su ciò che si vede: immagini generate, testi scritti, video creati. È comprensibile. È la parte spettacolare. Ma c’è un livello più silenzioso, meno visibile, e proprio per questo più determinante: gli algoritmi di raccomandazione. Non producono contenuti. Non si mostrano. Eppure operano prima di tutto il resto. Decidono cosa entra nel nostro campo visivo, cosa scorre davanti ai nostri occhi, cosa ha la possibilità di esistere per noi. Sono una tecnologia discreta, ma strutturale. Una infrastruttura invisibile della percezione contemporanea.

Cosa sono

Un algoritmo di raccomandazione è un sistema che seleziona e ordina contenuti in base a criteri specifici. Non aggiunge nulla al mondo. Ma decide quale parte del mondo ci viene restituita. Questa selezione non è neutra. Ogni contenuto che vediamo è il risultato di una scelta: una gerarchia costruita, un ordine imposto, un filtro applicato. Nel momento in cui scorriamo un feed, non stiamo esplorando liberamente. Stiamo attraversando un ambiente già organizzato. E più questo processo diventa fluido, naturale, immediato, più smettiamo di percepirlo come una mediazione.

Quando NON è AI

Nelle sue forme più semplici, un algoritmo di raccomandazione funziona attraverso regole esplicite. Sono istruzioni scritte da esseri umani: “se accade A, mostra B” “se un contenuto è simile a quello già visto, riproponilo”. In questo caso il sistema non apprende. Non modifica il proprio comportamento. Non interpreta. Applica. Questi sistemi hanno il vantaggio della trasparenza: sono leggibili, prevedibili, controllabili. Ma proprio per questo sono limitati. Funzionano bene solo in contesti semplici, dove le variabili sono poche e stabili. Nel mondo reale, complesso e in continua trasformazione, questa rigidità diventa rapidamente un limite.

Quando diventa AI

Il passaggio avviene quando il sistema smette di seguire solo regole fisse e inizia a imparare dai dati. Ogni interazione diventa informazione: cosa guardiamo, quanto tempo restiamo, dove ci fermiamo, cosa ignoriamo, cosa riprendiamo. Da queste tracce il sistema costruisce modelli. Non comprende il significato dei contenuti, ma riconosce correlazioni tra comportamenti. E su queste correlazioni fa previsioni. Non chiede più “cosa è simile”, ma “cosa è più probabile che tu voglia vedere adesso”. Il criterio diventa il coinvolgimento. E il sistema evolve continuamente.

Quando è ibrido

La maggior parte dei sistemi che utilizziamo ogni giorno è ibrida. Una parte è basata su regole: vincoli, priorità, scelte progettuali. Un’altra parte è guidata dall’apprendimento: modelli che si aggiornano costantemente. Questa combinazione li rende estremamente efficaci. Ma anche difficili da leggere. Non esiste più una logica unica. Esiste un intreccio tra intenzione umana e adattamento automatico. Ed è proprio lì che la responsabilità diventa meno visibile.

Dove li troviamo ogni giorno

Sono ovunque. Nei social media, nei motori di ricerca, nelle piattaforme di streaming, negli e-commerce, nelle news online. Ogni volta che qualcosa “ci appare”, c’è un sistema che ha deciso che doveva apparire. Non è casuale. È selezione.

Il punto che spesso sfugge

Gli algoritmi di raccomandazione non producono contenuti. Producono contesto. Non definiscono cosa esiste, ma cosa emerge. E questo ha un effetto profondo. Perché ciò che non vediamo non entra nella nostra esperienza. Non viene negato. Viene escluso.

E quindi

Non stiamo parlando solo di tecnologia. Stiamo parlando di come si costruisce la realtà percepita. Il gusto, le scelte, le priorità sono continuamente orientati. E questo processo è continuo, adattivo, silenzioso.

Una frase per orientarsi

Non vediamo il mondo. Vediamo una selezione del mondo.

Una nota personale

Su questi temi sto lavorando da tempo. Li ho attraversati nella mia ricerca e li ho approfonditi anche nel libro “Quando l’algoritmo non sceglie”. Non solo dal punto di vista tecnologico, ma nelle loro implicazioni concrete: nel lavoro, nei processi decisionali, nella costruzione del valore, nei sistemi culturali e professionali. Perché il punto non è solo cosa fanno queste tecnologie. Ma come stanno cambiando il modo in cui viviamo, scegliamo e lavoriamo.

Nota – Quando gli algoritmi di raccomandazione diventano AI (e cosa è già successo)

L’integrazione tra algoritmi di raccomandazione e intelligenza artificiale non è recente, ma è diventata pervasiva nell’ultimo decennio. I primi sistemi, negli anni ’90 e primi 2000, erano basati su logiche semplici: “chi ha visto questo, ha visto anche quello”. Con il machine learning, soprattutto dopo il 2010, questi sistemi hanno iniziato a evolvere. Piattaforme come Netflix, YouTube, Facebook e Amazon hanno progressivamente integrato modelli capaci di: • apprendere dai comportamenti degli utenti • adattarsi in tempo reale • ottimizzare il coinvolgimento. Oggi, la maggior parte dei sistemi di raccomandazione è guidata da AI.

Nel mondo delle notizie

Le conseguenze sono già evidenti. Gli algoritmi non selezionano le informazioni in base alla loro importanza, ma in base alla probabilità che vengano cliccate, condivise o commentate. Questo ha prodotto effetti documentati: • maggiore visibilità di contenuti polarizzanti • diffusione accelerata di disinformazione • creazione di bolle informative (filter bubbles) • rafforzamento delle convinzioni preesistenti. Un caso emblematico è quello di Facebook (oggi Meta), dove documenti interni hanno mostrato come l’algoritmo tenda a premiare contenuti che generano reazioni forti, anche quando sono divisivi o fuorvianti.

Story case

• YouTube: per anni il sistema di raccomandazione ha spinto contenuti sempre più estremi per mantenere alta l’attenzione, portando gli utenti verso video radicalizzati o complottisti.
• Facebook Papers (2021): documenti interni hanno rivelato che l’algoritmo favoriva contenuti polarizzanti perché più performanti in termini di engagement.
• TikTok: il feed “For You” è uno dei sistemi più avanzati, altamente personalizzato, estremamente efficace ma anche molto opaco. È in grado di costruire un profilo comportamentale e percettivo in tempi rapidissimi.

Diritti e implicazioni sociali

Il punto non è solo tecnologico. Gli algoritmi di raccomandazione influenzano: • accesso all’informazione • formazione dell’opinione pubblica • visibilità di temi sociali • opportunità economiche e professionali. Questo apre questioni fondamentali: • trasparenza → spesso non sappiamo perché vediamo qualcosa • responsabilità → chi decide davvero cosa viene mostrato • bias → i dati riflettono disuguaglianze già esistenti • autonomia → quanto le nostre scelte sono ancora libere. In Europa, normative come il Digital Services Act iniziano a intervenire su questi aspetti, chiedendo maggiore trasparenza e responsabilità alle piattaforme.

Una chiave di lettura

Gli algoritmi di raccomandazione non sono neutri. Sono progettati per ottimizzare un obiettivo. E oggi, nella maggior parte dei casi, quell’obiettivo è il tempo di permanenza. Questo significa che ciò che vediamo non è ciò che è più vero, ma ciò che è più efficace.

Non è futuro

Non siamo davanti a una tecnologia futura. È già operativa. Già influente. Già strutturale. E proprio perché funziona bene, tende a diventare invisibile.

Dal 2022: cosa è cambiato davvero

Il 2022 non è l’inizio degli algoritmi di raccomandazione. È il momento in cui diventano più potenti e pervasivi.

Più dati. Ogni azione online è tracciata con maggiore precisione: • tempo di visione • pause • scroll • micro-interazioni. Non sanno solo cosa fai. Sanno come lo fai.
Modelli più avanzati (deep learning + LLM). • comprendono meglio testi, immagini, video • collegano contenuti diversi • prevedono comportamenti con maggiore precisione. Non suggeriscono solo contenuti simili. Suggeriscono contenuti che ti trattengono.
Ottimizzazione dell’engagement. Gli algoritmi non cercano qualità. Cercano tempo. Sono progettati per: • trattenerti • farti reagire • farti tornare.
Personalizzazione radicale. Due persone oggi vedono due mondi diversi: feed diversi, notizie diverse, contenuti diversi. Non esiste più una realtà condivisa. Esistono esperienze personalizzate.
Integrazione con AI generativa. Gli algoritmi non solo selezionano contenuti. Iniziano anche a generarli o modificarli: • riassunti automatici • titoli ottimizzati • contenuti adattati. Selezione + produzione = sistema chiuso.

La conseguenza

Prima decidevano cosa mostrarti. Oggi iniziano a decidere anche come costruirlo.

Glossario – Algoritmi di raccomandazione e AI

Algoritmo

Sequenza di istruzioni che indica a un sistema come prendere decisioni o risolvere un problema.

Algoritmo di raccomandazione

Sistema che seleziona e ordina contenuti da mostrare a un utente, in base a regole o modelli predittivi.

Intelligenza artificiale (AI)

Insieme di tecnologie che permettono a una macchina di svolgere compiti complessi, come riconoscere pattern, prevedere comportamenti o generare contenuti.

Machine Learning

Tecnica di AI in cui i sistemi imparano dai dati, riconoscendo schemi e facendo previsioni senza istruzioni esplicite per ogni caso.

Deep Learning

Evoluzione del machine learning basata su reti neurali profonde, capace di elaborare dati complessi come immagini, voce e linguaggio.

Rete neurale

Modello matematico composto da nodi collegati tra loro, ispirato al cervello umano, utilizzato per riconoscere pattern nei dati.

Dati

Informazioni utilizzate dai sistemi AI per apprendere e fare previsioni. Non sono mai completamente neutri.

Modello

Struttura matematica che un sistema AI costruisce durante l’addestramento per fare previsioni o prendere decisioni.

Addestramento (training)

Processo attraverso cui un sistema AI impara dai dati.

Predizione

Risultato generato da un modello AI basato su probabilità, non su comprensione.

Correlazione

Relazione statistica tra dati. Le AI lavorano su correlazioni, non su significati.

AI generativa

AI in grado di creare contenuti (testi, immagini, video, suoni) a partire dai dati su cui è stata addestrata.

LLM (Large Language Model)

Modello di AI progettato per lavorare con il linguaggio, capace di generare testi prevedendo la parola più probabile in un contesto.

Engagement

Livello di coinvolgimento dell’utente (tempo, clic, interazioni), spesso usato come obiettivo dagli algoritmi.

Personalizzazione

Adattamento dei contenuti mostrati a un utente in base ai suoi comportamenti e dati.

Filter bubble (bolla informativa)

Situazione in cui un utente vede solo contenuti coerenti con le proprie preferenze, riducendo l’esposizione a visioni diverse.

Bias

Distorsione nei dati o nei modelli che può influenzare i risultati in modo non neutrale.

Sistema ibrido

Sistema che combina regole scritte dagli umani e modelli di apprendimento automatico.

Opacità

Difficoltà nel comprendere come un sistema AI prende decisioni, soprattutto nei modelli più complessi.

Ottimizzazione

Processo con cui un algoritmo cerca di massimizzare un obiettivo (oggi spesso: il tempo di permanenza).

Algoritmi e Intelligenza Artificiale – Pillole per iniziare a capire

2026-03-18T08:46:00.000-07:00

Immagine generata con Chat GPT

Cos’è davvero una AI? E quante AI esistono?

Esiste un s0lo tipo, per ora, di Intelligenza ARTIFICIALE ma...

Prima di parlare di intelligenza artificiale, serve fare un passo indietro. Perché la parola “intelligenza” ci inganna. Una AI non è una mente. Non è cosciente. Non ha intenzioni.

È, prima di tutto, un sistema di calcolo. Alla base c’è sempre un algoritmo:

una sequenza di istruzioni che dice a una macchina cosa fare.

In forma molto semplice:“se succede A, fai B”.

Ma le AI contemporanee non funzionano più solo così.

Non seguiamo più regole scritte una per una. Costruiamo sistemi che imparano dai dati. E qui avviene il passaggio cruciale.

Dati + algoritmo + obiettivo

Una AI nasce sempre da tre elementi:

• dati → ciò da cui impara

• algoritmo → il modo in cui elabora

• obiettivo → ciò che deve ottimizzare

Non c’è magia. C’è addestramento.

Chi scrive davvero una AI?

Non è mai una sola persona.

Ci sono:

• sviluppatori che progettano i modelli

• aziende che decidono gli obiettivi

• enormi quantità di dati, spesso raccolti online

• e infrastrutture tecnologiche che rendono tutto possibile

In altre parole:
una AI è sempre il risultato di scelte umane stratificate.
Scelte tecniche. Scelte economiche. Scelte culturali.

E allora perché sembra intelligente?

Perché è molto brava a riconoscere schemi. Trova correlazioni invisibili per noi.

Prevede cosa è più probabile che accada. Genera risposte coerenti.

Ma questo non significa che “capisca”. Significa che simula molto bene il risultato del comprendere.

Algoritmi e Intelligenza Artificiale – Pillole per iniziare a capire

Negli ultimi anni si parla ovunque di intelligenza artificiale. Spesso con entusiasmo. Spesso con paura. Quasi sempre con confusione. La parola “intelligenza” attiva immediatamente un immaginario umano: pensiero, coscienza, intenzione. Ma ciò di cui stiamo parlando è altro.

È una tecnologia che simula alcuni risultati dell’intelligenza, senza condividerne la natura.

Studio le AI da tempo e continuo a esserne affascinata. Non tanto per ciò che fanno, ma per ciò che producono nel nostro modo di vedere il mondo. Ma c’è un punto che mi interessa più di tutti: per avere un’opinione, bisogna capire almeno le basi. Non per diventare tecnici.

Ma per non diventare completamente passivi. Non tutto.

Ma abbastanza per non delegare anche il pensiero.

Queste sono alcune “pillole” per orientarsi.

2. Per funzionamento: come lavorano

Machine Learning

Le AI imparano dai dati.

Non perché comprendono, ma perché riconoscono schemi.

Se vedono milioni di esempi, imparano a prevedere cosa è più probabile.

Funzionano per correlazione, non per comprensione.

Questo significa che la qualità del risultato dipende profondamente dalla qualità e dalla natura dei dati.

E i dati non sono mai neutri.

Deep Learning

È un’evoluzione del machine learning.

Reti neurali più profonde, più complesse, capaci di lavorare su informazioni non strutturate: immagini, voce, linguaggio.

È ciò che rende possibili le AI che oggi ci sembrano “intelligenti”.

Ma più il sistema diventa potente, più diventa opaco.

E quindi meno comprensibile.

Sistemi simbolici

Qui torniamo all’origine.

Sistemi basati su regole esplicite scritte dagli umani:

“se succede A, allora fai B”.

Non imparano, non si adattano.

Seguono istruzioni.

Funzionano perfettamente in ambienti chiusi, prevedibili.

Ma il mondo reale non è così.

E infatti, quando il contesto cambia, questi sistemi si rompono.

È il limite di ogni sistema troppo rigido:

funziona finché il mondo obbedisce.

3. Per come le viviamo oggi

Questa distinzione è forse la più utile, perché riguarda la nostra esperienza quotidiana.

AI generative

Creano contenuti.

Immagini, testi, video, suoni.

Sono le più visibili perché producono qualcosa che possiamo vedere e condividere.

Non inventano nel senso umano del termine.

Rielaborano ciò che hanno appreso, combinando pattern.

Ma il risultato è spesso percepito come nuovo.

Ed è qui che nasce una delle grandi ambiguità contemporanee:

confondiamo la novità percepita con la creazione.

AI agenti (Agent AI)

Qui avviene un passaggio fondamentale.

Non chiediamo più all’AI di produrre qualcosa.

Le chiediamo di fare qualcosa.

Cercare, organizzare, prenotare, scrivere, decidere.

Esempi come OpenClaw, Manus o Codex mostrano chiaramente questo salto:

l’AI non è più solo uno strumento creativo, ma operativo.

La differenza è sottile ma radicale:

dalla produzione all’azione.

AI autonome evolute o Autonomous AI / Autonomous Systems o Agentic AI o AI multi-agente (Multi-Agent Systems) o Autonomous Agents

Siamo sulla frontiera attuale.

Questi sistemi non eseguono semplicemente task.

Costruiscono processi.

Pianificano, suddividono obiettivi, eseguono, verificano, correggono.

Auto-GPT, BabyAGI, AgentGPT, Devin, CrewAI mostrano una direzione precisa:

non più un’intelligenza che risponde, ma un sistema che organizza il lavoro.

E quando più agenti collaborano, il sistema inizia a comportarsi come una struttura.

Non è ancora autonomia piena.

Ma è qualcosa che le assomiglia sempre di più.

Non esiste una AI.

Esistono diversi livelli di delega che stiamo accettando.

E forse il punto è questo

La domanda non è essere favorevoli o contrari.

La domanda è:

quanto spazio stiamo lasciando a questi sistemi?

Nelle scelte.

Nella creatività.

Nella costruzione del gusto.

Nella percezione del reale.

Perché più diventano efficienti, più diventano invisibili.

E quando qualcosa diventa invisibile, smettiamo di metterlo in discussione.

L’intelligenza artificiale non è solo una tecnologia.

È una nuova infrastruttura del mondo.

E noi non la stiamo solo usando.

Ci stiamo già vivendo dentro.

Glossario

Reti neurali

Sono modelli matematici ispirati al cervello umano, composti da “nodi” (neuroni artificiali) collegati tra loro.
Elaborano informazioni passando i dati attraverso diversi livelli, imparando a riconoscere schemi sempre più complessi.

Rehairmony Metodo di Giovanna Sciarrapa

2025-05-07T07:30:00.000-07:00

Marketing e intelligenza artificiale

2022-08-10T11:03:00.005-07:00

Assistenti virtuali che utilizzano algoritmi artificiali.

No, non è più fantascienza.

Sto collaborando con Quest it Italia e stiamo creando il mio assistente virtuale per il sito arte.

Non si limiterà solo a quello.

Intanto però vi darà informazioni sulle mie opere, sulla mia storia, sul mio mondo.

Su piattaforma Algho in collaborazione con https://www.quest-it.com

Workshop fotografia in Toscana. Progetto Sorellanza: mostra e libro

2021-06-06T14:52:00.003-07:00

QUESTA ESTATE SARA' UNA VERA RINASCITA! E HO TANTA VOGLIA DI INCONTRARVI!
Cari amici e care amiche spero che stiate tutti bene e che anche per voi sia un momento felice e di ripartenza.

Personalmente sono entusiasta di constatare che tutto sembra ripartire e che potremo tornare a incontrarci fisicamente.

A tal proposito ho pensato di riaprire la stagione dei workshop e della fotografia con un progetto che avevo nel cassetto da molto tempo.
UN WORKSHOP-ESPERIENZA TUTTO AL FEMMINILE!
Per i miei cari amici esclusi stiamo organizzando molti incontri in Autunno.

Troppo spesso sento le mie amiche donne lamentare la ristrettezza di certi progetti, certi workshop un po troppo tecnici o maschili.
Così, anche grazie ai progetti sviluppati in questi anni, con l'aiuto di un grande professionista e grande uomo, Antonio Manta, ho deciso di creare il workshop, o meglio, l’esperienza che avrei sempre voluto fare: un workshop/progetto tutto al femminile con un percorso ben progettato e finalizzato a realizzare una mostra e un libro.

Un percorso tra arte, antropologia, fotografia, storia ma che contempli percezione, la sensorialità, al sensibilità.

Il tutto una full immersion di tre giorni, completi, dove staremo insieme e ci confronteremo, nella mia amata collina maremmana, nel cuore della Toscana, in un posto magico tra scavi etruschi e una natura forte e selvaggia.

Condividerò con voi tutte le mie esperienze fotografiche ma anche quelle umane e insieme svilupperemo il progetto che diventerà poi una mostra e un libro.

Possono partecipare sia fotografe esperte che fotografe principianti, quello che conta è la voglia di sperimentare ed esprimersi sul tema della Donna e della Sorellanza.

Per avere tutte le info o iscriversi cliccate qui.
https://www.vanessa-rusci-arte.com/sorellanza-project
Vi aspetto e grazie se vorrete condividere tra i vostri contatti femminili così da creare un bel gruppo di lavoro.
Buona settimana

Vanessa

Per sapere di più su di me e sui miei ultimi progetti cliccate qui.
https://www.vanessa-rusci-arte.com/

Reportage Industriale fotografico: immagini patinate o immagini realistiche? Quando il reportage aiuta la trasparenza e la correttezza dell'azienda.

2018-07-07T09:39:00.003-07:00

A breve registrerò delle lezioni di fotografia per il web, sul tema del Reportage nei birrifici artigianali.

Vanto una lunghissima esperienza nei micro birrifici artigianali del Belgio, che ho fotografato dal 2002 al 2011 circa. Amo insegnare, amo fotografare e amo la birra.

La lezione sarà presto online e non mi voglio dilungare sulle tecniche e gli elementi del Reportage industriale, scrivo questo post invece per cogliere l'occasione di riflettere su alcuni stili di reportage industriale.

Quando si va a fotografare un’azienda o una industria di produzione, assemblaggio materie prime, semi-lavorati, o prodotti alimentari, spesso ci si scontra con molti problemi legati all'estetica, infatti, raccontare i processi di lavorazione, la nascita di un semi-lavorato, mette a contatto con realtà che sono molto distanti dal concetto di bellezza che abbiamo in noi, creato spesso dai media e dalla pubblicità. Insomma una fabbrica di tubi, un birrificio artigianale, una casa farmaceutica, una fabbrica di bottiglie, hanno poco dell'immaginario di perfezione, design, ordine e precisione che ci si aspetta dalla fotografia che racconterà l'azienda. Poi c'è il problema della comunicazione e del marketing, che chiedono immagini su idee di campagne e operazioni volte a vendere il prodotto che non partono dal prodotto o dall'azienda ma da strategie che hanno l'obiettivo di stimolare bisogni e necessità che poco hanno a che vedere con il prodotto, l'azienda o il processo di produzione, ma che hanno bisogno comunque di raccontarli.

Per cui sta davvero alla bravura, lo stile e alla creatività del fotografo realizzare delle fotografie che possano trasmettere la giusta combinazione tra esigenza comunicativa e realtà.

Spesso si ricorre, per tutta la parte che riguarda l'industriale, a fotografie costruite in studio, posate totalmente, che sono evidentemente finte e terribilmente patinate, ne sono pieni gli stock di foto online, così si va sul sicuro e si rassicura tutti: committenti e clienti.

C'è un grande però, che mi fa sempre essere convinta che la trasparenza, la chiarezza, la sincerità del vero reportage industriale paghino e pagheranno sempre di più in fatto di reputazione aziendale, ed è il fatto che negli ultimi anni sempre più aziende sono state travolte da scandali legati alla produzione, si pensi agli allevamenti intesivi di grandi marchi per esempio, che hanno pubblicità che mostrano polli o maiali ruspanti, ma che poi avevano fornitori che allevavano gli animali in terribili campi di concentramento. Ho sempre sostenuto che il cliente da oramai 20 anni è molto disilluso, sempre più attento all'etica e all'impatto delle proprie scelte di acquisto, per cui credo che mostrare la verità non può che giovare all'immagine dell'azienda, anche a discapito di perdere un po’ di perfezione..

Raccontare le aziende che lavorano comporta mostrare sporco, spazi con quel meraviglioso disordine del movimento, mostrare usure varie dei macchinari, mostrare le tute sporche di chi lavora per darci tutte le nostre comodità, i nostri prodotti.

Ogni prodotto che viene da noi usato o consumato è frutto di lunghe filiere e di molto lavoro, catene di grandi e piccole aziende che collaborano e creano insieme tutto cio che usiamo.

E credo che meritino rispetto e visibilità, quando lavorano corretamente e in maniera seria.

La grandezza del fotografo sta nel regalare immagini che raccontino in maniera vera tutto questo, senza falsare la realtà.

Questa una tavola di foto assemblate di un piccolo micro birrificio del Belgio Ellezelloisem, a Ellezelles, cittadina ricca di leggende di streghe e che ha dato i natali a Hercules Poirrot, il celebre detective di Agatha Christie, che produce la meravigliosa birra Quintine. Nel dicembre 2006, il birrificio Geants ha acquistato il birrificio Ellezelloise per diventare il birrificio Legende. I due siti di produzione sono mantenuti.

Creatività al servizio degli altri e della nostra felicità

2018-06-25T10:09:00.001-07:00

C'è un coniglio nella zucca !
Ph Vanessa Rusci
Layout Instagram
Photo Tablet Samsung

Il caleidoscopio ci affascina, come guardare le nuvole bianche nel cielo azzurro. Munari indicava ai giovani la tecnica di allenare la loro creatività e farsi sorprendere dal loro cervello e dalla sua capacità di "creare".

Chi continua a creare, inventare, giocare con gli stimoli esterni non si troverá mai a un punto morto, supererá concorrenti, momenti di crisi e tutte le sfide che si troverà davanti.

Nel mio lavoro, troppo spesso si pensa solo al guadagno, o solo al risparmio, solo al tempo, solo a raggiungere obiettivi economici.
E anche per questo tutto va a rotoli soprattutto nelle piccole e medie aziende, dove manca la cultura imprenditoriale, la cultura di chi ha una visione, un sogno e vuole realizzarlo.

Le aziende che prosperano invece investono, investono in corsi di aggiornamento, in sperimentazione, in nuovi settori.

Sì un grande imprenditore lavora prevalentemente per passione non per far soldi.
Un grande imprenditore poi, visto che lavora per passione, di solito, ha anche successo.

Dilaga disfattismo, pessimoùismo, avidità.
Doti non utili nel commercio.

Servono idee, idee nuove, banale si, ma non se si ricomincia a pensare a "usare il cervello", che tra l'altro ama certi giochetti, ne utilizziamo solo una bassissima percentuale, e il resto del cervello si annoia.
Si avete letto bene: si annoia! E allora si applica a altre attività, tipo la lamentela, la critica, la paranoia...

C'è un po di malessere nell'aria?
INVENTIAMO QUALCOSA.

Il cinismo che a volte incontro in certi gruppi che dovrebbero studiare e creare i progetti di comunicazione per le aziende mi inorridisce.
Soldi Soldi Soldi.

Per questo molti giovani si arrendono, mollano, si trasformano. perdono la magia...

Io ho 47 anni, ancora gioco con il mio cervello, ancora lo alleno a vedere, sentire, inventare.
La mia fortuna è che mi relaziono tanto con l'estero per cui certe cose sono quasi automatiche, si dai sono esterofila, e in cerca di menti e di budget che offrano possibilità.
E se il budget non c'é o non è sufficiente?
Si puo collaborare... a patto che non succeda spesso di voler fare le nozze coi fichi secchi, ovvero mi si dice che non c'è budget perchè si vuole spendere poco.

Comunque polemiche e lamentele appunto servono a poco, serve invece stimolarsi, seve darsi risposte.
Serve far circolare l'idea che se si apre una azienda occorre parlare di imprenditorialità.

Servono i sogni.
Serve il duro lavoro.
Serve la convinzione che nulla è facile.
Serve trovare le persone giuste.
Serve affrancarsi dall'idea di fare tanti soldi come unico scopo.

Per questo mi alleno continuamente, mi aggiorno, studio, per offrire il meglio ai clienti che incontro e che la pensano come me.

Oggi ho aperto una zucca e mi è sembrata un utero, una caverna, ho provato con Layout di Instagram, che mi da sempre idee fantastiche, ho assemblato un po di foto ed ecco che mi compare un grotta, un coniglio, chissà se lo si potrà utilizzare per la campagna pubblicitaria di Lucia, il mio negozio Bio di fiducia a km zero, o se servirà per il Giardino di Alice di Gavorano Grosseto?

La conclusione è: diffidate da chi discredita o non considera il processo creativo e... parla solo di obiettivi e profitto, ho scritto "solo"...

Buona serata

Forse rimarrà solo esercizio nel mio "cassetto delle idee" che però al momento giusto darà un input a qualche grande idea.

Allenare il cervello al gioco, alle idee, al bello, alla crazione vi farà lavorare meglio, creerà bene anche per gli altri e si, il mondo sarà un posto migliore!

Questo lo dice Munari! Non solo io!
:-)
Alla prossima!

il futuro è per pochi (o per molti se ci svegliamo): fatti dare il consenso vale più dell'oro e smettila con il fai da te, anche se sei piccolo...

2017-10-18T08:05:00.000-07:00

Argomento: I nostri dati (quelli dei clienti) e come una azienda li può usare per trovare nuovi clienti sul web e non solo.

Gli strumenti che si trovano sul web.

Il marketing in tempo reale, programmi che decidono cosa proporre al cliente in base alle sue interazioni con l'azienda e le sue proposte...

Questo autunno è all'insegna della formazione, l'anno passato ho avuto purtroppo poca testa e poco tempo per fare corsi, succede a chi vive davvero e si sfida!

Questi mesi invece c'è la testa, c'è la voglia, le risorse, il tempo e l'energia adatta.

Sono una vera e propria outsider, con le proprie idee e con le proprie intuizioni, ho la fortuna di fare mille cose diverse per cui sono come un'antenna e capto molti segnali che se non ci sono troppe interferenze arrivano nel mio tavolo da lavoro e diventano idee per i miei progetti.

La mia passione fare davvero qualcosa per le aziende italiane, progetti di comunicazione, piani marketing, soprattutto per quelle medio-piccole, quelle che ne hanno più bisogno. Quelle che sono però il motore di una economia che fa fatica a ripartire.

E marker

Follia? Sì, spesso la pago, ma si sa ognuno ha un'indole e come dice il mio coach Giuseppe Esposito, che mi segue oramai da due anni e mi assiste nel labirinto delle mie mille personalità, se non si rispetta la propria indole non si vince.

Sono quella delle premesse...

Venendo al sodo: cerco di continuo soluzioni per i miei clienti, nelle mie aziende non c'è un equipe, spesso non c'è un ufficio marketing, non si fa progettazione, non si fanno piani di azione. Aiutare davvero le aziende significa dare loro strumenti per far trovare nuovi clienti, o meglio questo è quello che ogni azienda chiede.

Se in gruppo, nei progetti, mi occupo prevalentemente di fotografia aziendale, video, immagine pubblicitaria, quando lavoro come free lance del marketing e della comunicazione, a Siena, a Grosseto e a Firenze, il mio lavoro diventa a 360 gradi nel campo del marketing e della comunicazione.

Il mio target sono, ripeto, le piccole medie aziende, quelle che in Italia abbondano e che, scusate il gioco di parole, spesso sono abbandonate a se stesse.

Perché in Italia abbiamo grandi idee, grandi talenti, ma mancano talmente tante cose che diventa davvero difficile fare business.

Non si ha chiaro come un'azienda debba lavorare, progettare e le istituzioni e le associazioni non fanno abbastanza.

In prima persona mi sono scontrata con la crisi, che fortunatamente sta passando ma che ha fatto grandi danni.

Il tema scottante di questi anni è come investire in pubblicità, soprattutto quella on line, e far si che il budget restituisca subito un feed back positivo o utile, che coinvolga il mio cliente, quello vero, non uno a caso, quello che ha bisogno di cio che io vendo e nel caso non ne avesse proprio bisogno, come posso far si che questo bisogno, che io so che lui può avere, sia stimolato? :-)

Sono anni che ci "tracciano", lo sapete, ci chiedono dati, informazioni, e se anche non lo fanno direttamente, lo fanno con iscrizioni a mail list, lo fanno nei siti di vendita on line, nei social, analizzano tutto di noi: da quanto dormiamo, a quanto mangiamo, a quanto tempo passiamo in auto, quale è il nostro film preferito e ogni quanto ci facciamo la doccia ed è solo l'inizio di una "trasparenza", a mio avviso terrificante.

Ma tant'è per quanto possiamo ripudiare la cosa, funziona così, le aziende ci vogliono vendere le cose che producono, dove è la novità? Gli diamo noi il consenso! No, non sarò polemica, questa volta voglio solo analizzare la cosa.

Ci sono alcuni punti importanti che TUTTI dobbiamo sapere:

i colossi hanno budget da investire e saranno padroni delle vendite; (e dei nostri dati!) perchè se puoi comprare le informazioni del tuo cliente, potrai soddisfarlo e farlo tuo;

importante è avere il suo consenso per poterlo tartassare!

Ed ecco quindi che il consenso diventa più prezioso dell'oro.

I piccoli quindi dovranno adeguarsi, crescere velocemente, studiare e tenere il passo e ATTENZIONE ATTENZIONE: UNIRSI. Unico modo per sopravvivere nei palazzi dorati dei grandi.

Non è la fine del mondo, è solo un cambiamento enorme, sostenuto dalla tecnologia che sta arrivando, poi continueremo a fare prosciutti, auto, ventilatori. E...mi fermo.

Ma quindi come fa un piccolo medio imprenditore a sopravvivere adesso, ad adeguarsi? E' sempre in tempo?

Si, per ora si. Può ragionare come una grande azienda? Questi argomenti che sembrano solo trend possono davvero aiutarlo? La risposta è ancora si!

Deve rivolgersi a aziende di marketing che rientrino nei suoi budget ovviamente, e quindi deve dedicare un budget a questo aspetto, deve chiedere alle associazioni di categoria di essere aggiornato e formato per affrontare questi cambiamenti, deve investire in formazione e non deve assolutamente rimanere indietro. Perchè poi il progresso tecnologico ci aiuta servono nuove figure professionali e questo vorrà dire nuovi posti di lavoro e quindi è un nostro alleato, se l'accogliamo e non mettiamo la testa sotto la sabbia.

Su Facebook, Google, e altri network della rete ci sono già tool per piccoli imprenditori, che danno la possibilità di investire piccole cifre e avere risultati apprezzabili, ma non funziona il fai da te, in poche parole il primo investimento è quello di prendere un esperto, e come si cerca? Sul web, se c'è, se lo intercettate vuol dire che sa cosa sta facendo. Chiedete un incontro, conoscetelo e provate a vedere cosa vi racconta.

Occorre un piano marketing, un piano di comunicazione, scegliere i propri obiettivi e avere le idee chiare, poi il resto lo farà il prodotto, lo farà il valore intriseco nella vostra azienda.

Il webinary di oggi usava termini che pochi imprenditori conoscono, parlava di progetti che poche aziende riescono a concepire.

Io le racconto alle aziende, le plasmo sulle caratteritiche di ogni cliente e faccio si che i miei clienti siano sempre al passo con i tempi.

Faccio una consulenza prima di partire con tutti i miei servizi.

E se siete arrivati fino a qui vi meritate anche la mia visione positiva di un mercato che ancor viaggia con vecchi concetti di marketing: occorre smettere di voler vendere cio che produciamo, occorre diversificarsi, pensare al futuro e vendere cio che davvero sarà richiesto e parlo di sostenibilità, ecologia, spiritualità, natura, curiosità, emozioni... stiamo diventando sempre più consapevoli e sempre più coscienti del fatto che ogni nostra scelta ha un impatto sulla vita di tutti e li c'è il futuro.

Un futuro dove non ci sarà bisogno di vendere... e si venderà molto di più.

E adesso si parte con un altro webinary sul SEO, dagli USA, per sentire cosa accade oltre oceano!

Buona serata!

Web marketing? Come usare il web per la tua azienda

2017-10-16T05:59:00.000-07:00

Questi termini che tutti usano ma che pochi comprendono...

Ad esempio Web Marketing...

Web Marketing: cos’è?

Quando usiamo il termine Web Marketing stiamo parlando dell’insieme di strategie e di attività di marketing orientate a usare il Web come mezzo di promozione, di comunicazione, di sviluppo e di rafforzamento dei rapporti commerciali con i clienti, i partner e gli sponsor e come mezzo per offrire un servizio ai nostri clienti in tempo reale.

Insomma il Web Marketing ha come obiettivo:

il CONTATTO;
la VENDITA;
la DIFFUSIONE;
la RELAZIONE;
l’ASSISTENZA.

Da dove tutto ha inizio? Da una sola doamnda: cosa serve davvero al mercato nel momento in cui mi ci avventuro?

Tutto questo trova concretezza nella redazione di un piano di web marketing, un documento strategico che contiene:

i risultati dell’analisi di mercato effettuata;
i risultati dell’analisi del brand, delle sue caratteristiche, della sua mission e della sua vision;
le conclusioni dell’delle opportunità, delle minacce, dei punti di forza e di quelli di debolezza del brand e del suo progetto;
lo studio del target di riferimento, non nella vecchia maniera però, e di questo parlermo in un prossimo post.
gli obiettivi da raggiungere, che devono sempre essere SMART (ovvero Specific, Specifico; Measurable, Misurabile; Achievable, Raggiungibile; Real, Realistico; Time-constrained, definito nel Tempo);
la definizione della strategia di Web Marketing da seguire;
le tattiche e le azioni concrete da adottare;
gli strumenti di Web Marketing da utilizzare;
il messaggio da comunicare e il modo e il linguaggio con cui comunicarlo;
le regole e le linee guida che devono seguire le persone coinvolte nello sviluppo della strategia di Web Marketing, così da promuovere e comunicare il brand con coerenza e distintività;
il budget a disposizione e come deve essere ripartito;
il timing, con cadenze e scadenze ben definite per ogni azione;
la divisione dei ruoli.

Gli strumenti del Web Marketing

Una strategia di Web Marketing si sviluppa a partire da un perno principale e indispensabile, che funge da collegamento a tutti gli altri strumenti che si deciderà di implementare.

Questo protagonista indiscusso è il sito web, la casa che accoglierà tutti i tuoi stakeholders (clienti, partner, sponsor, organizzazioni, persone interessate), lo strumento che ti consentirà di concretizzare i tuoi sforzi e di convertire, ovvero di raggiungere l’obiettivo di marketing che ti sei preposto.

In linea generale, possiamo ricondurre quest’obiettivo alla vendita, alla lead generation (generazione di contatti utili) e alla brand reputation. Il sito web sarà la tua base, personalizzata, emozionante, avvincente ed è qui che racconterai te stesso. la tua attività e cosa offrirai: la tua offerta o il tuo servizio.

Proprio il tuo sito web è quel che dovrai promuovere su (tutti) i canali del Web Marketing, con gli strumenti che il Web Marketing mette a tua disposizione:

la SEO, acronimo di Search Engine Optimization, ovvero l’insieme di attività che consentono di ottimizzare il tuo sito web per i motori di ricerca e, quindi, di fare in modo che sia trovato dagli utenti che navigano in Rete e interrogano Google;
la SEM, acronimo di Search Engine Marketing, quell’insieme di attività di marketing svolte sul web e aventi l’obiettivo di portare traffico qualificato al tuo sito web, ovvero persone interessate alla tua offerta o servizio;
la SEA, acronimo di Search Engine Advertising, ovvero l’insieme dei servizi di pubblicità online (Google AdWords, PPC, banner, affiliate marketing);
le campagne DEM, acronimo di Direct Email Marketing, ovvero l’invio di messaggi pubblicitari e comunicazioni tramite e-mail a una lista di utenti selezionati e in target;
il Content Marketing, ovvero l’attività di produzione di contenuti originali e personalizzati, pensati per il web, rivolti allo specifico target e capaci di raggiungere un determinato obiettivo di Web Marketing;
il Social Media Marketing, ovvero le attività di comunicazione e promozione svolte sui canali social (Facebook, Twitter, Instagram, Google Plus, Instagram, Snapchat), incluso il servizio di Social Customer Care, sempre più richiesto dai clienti;
le Digital PR, ovvero l’attività che mira a sfruttare le relazioni digitali per promuovere il brand e la sua offerta.

Web Marketing: ma serve?

Investire in attività di Web Marketing è oggi molto importante per un brand che voglia consolidare e/o migliorare la sua reputazione, le sue vendite, la sua attività.

Perché? A cosa serve il Web Marketing?

Il Web Marketing ti aiuta a costruire e a gestire la tua brand reputation

Gli strumenti del Web Marketing sono tool ideali, per la loro capacità di comunicare in modo aperto, diretto, libero e immediato, per costruire e gestire la tua brand reputation, consentendoti di raccontarti e di dimostrarti un brand esperto e competente nel tuo settore, un brand a cui ci si può affidare e di cui ci si può fidare. Presenza, è questa la carta vincente del Web Marketing.

Il Web Marketing ti consente di intercettare i clienti nel momento della decisione dell’acquisto

Le strategie e i tool del Web Marketing ti garantiscono un’altra fondamentale opportunità: ti consentono di raggiungere il tuo potenziale cliente nel momento esatto della decisione dell’acquisto. Come? Te lo spiego subito.

Nel 2011 Jim Lecinski,Vice President, US Sales & Service di Google, ha teorizzato l’esistenza dello ZMOT, Zero Moment Of Truth, il Momento Zero della Verità.

Con l’avvento del Web, il tradizionale processo decisionale e di acquisto ha subito una profonda evoluzione con l’introduzione di una nuova fase, quella della ricerca in Rete di informazioni, di notizie, di pareri e di testimonianze riguardanti il prodotto o il servizio che vogliamo acquistare. E quand’è che ci dedichiamo a questa attenta fase di ricerca?

Prima di entrare in un negozio o, addirittura, mentre siamo al loro interno. E’ in questi momenti, quelli immediatamente precedenti all’acquisto, che vogliamo fugare ogni dubbio riguardo quel prodotto o quel servizio e vogliamo decidere con consapevolezza e responsabilità se acquistare o meno.

Ecco perché inserirti proprio nello ZMTO con contenuti puntuali, ricchi e affidabili, con promozioni ad hoc, con messaggi specifici e potendo contare su una solida brand reputation, è per te fondamentale. E’ dall’insieme di informazioni che riuscirai a fornire e di sensazioni che farai scaturire che dipenderà la decisione d’acquisto da parte del tuo potenziale cliente.

Con il Web Marketing puoi intercettare solo i clienti realmente interessati

L’Inbound Marketing è la metodologia di Web Marketing che ti consente di raggiungere le persone giuste nel momento opportuno e nel posto più adeguato.

Intercettare gli utenti quando loro hanno bisogno di te, senza che sia tu a disturbarli e a indisporli, ecco il principio di base dell’Inbound Marketing, la sua principale qualità. In questo modo, potrai raggiungere solo le persone che saranno realmente interessate alla tua offerta e tu otterrai tre vantaggi molto importanti:

non sprecherai risorse in termini di tempo, di denaro e di professionalità con persone che non sono interessate ad acquistare da te;
concentrerai i tuoi sforzi su chi davvero potrà riservarti sorprese(e acquisti!);
ti assicurerai un atteggiamento positivo da parte dei tuoi potenziali clienti e una proficua propensione all’acquisto.

Il Web Marketing è la strategia della grande visibilità a costi equi

Vuol dire gratis? No. Se vuoi ottenere visibilità ed esser conosciuto, devi investire. Nessuno ti regala nulla, questo mi pare ovvio. Quel che è altrettanto certo, però, è che il Web ti offre la possibilità di rivolgerti a un pubblico potenzialmente infinito di persone e che ti consente di farlo con costi contenuti rispetto a quanto dovresti investire per raggiungere la medesime audience con i media tradizionali.

Con il Web Marketing puoi fidelizzare i tuoi clienti e risparmiare

Tempo fa leggevo un report pubblicato nel 2015 dalla rivista Harvard Business Review, in cui si evidenziava come:

le imprese, ogni anno, perdono dal 15% al 35% di clienti;
Il solo 5% di crescita di clientela fidelizzata comporta una crescita dei profitti dal 60% al 100%;
la possibilità di vendere a un nuovo cliente si attesta attorno al 15%, quella di vendere a un cliente fidelizzati raddoppia al 35%;
l’80% del fatturato di un brand è prodotto dai clienti fidelizzati.

Mi pare ben chiaro, quindi, come un cliente fidelizzato sia una risorsa preziosissima per un brand perché consente di risparmiare sforzi, tempo e denaro e di aumentare il fatturato e garantisce promozione gratuita e disinteressata presso la sua community di riferimento.

L'odiata comunicazione e perchè serve alle aziende

2017-04-03T08:32:00.001-07:00

comunicare

co·mu·ni·cà·re/

transitivo

1.
Dire, rendere noto, far sapere (anche + a ): ho comunicato al capo le mie dimissioni; + a e di e inf. o + che e ind.: mi hanno comunicato di essere pronti per la riunione; ci hanno comunicato che la partenza è rimandata; anche tr. pronom. (con valore recipr.).

"si comunicarono le proprie impressioni"
2.

Rendere partecipi altri di un sentimento, di una passione, ecc. (anche + a ).

"c. speranza"

intransitivo

1.
Entrare in comunicazione, in relazione, spec. verbale o scritta (anche + con, tra ): il prigioniero non può c. con nessuno; è vietato ai concorrenti di c. tra loro durante l'esame; c. a gesti, per telefono.
2.

Di luoghi o ambienti, essere collegati da un passaggio (anche + con, tra ): la camera comunica col bagno; le due stanze non comunicano (tra loro).

intransitivo pronominale

1.

Propagarsi, trasmettersi (+ a, tra ).

"l'entusiasmo si comunicò a tutti i presenti"

Macchie di Rorschach

Scrivo velocemente, dopo una conversazione piacevole sulla comunicazione, con persone che pensano a come fare bene il loro lavoro, non solo a guadagnare soldi. Incontrare chi la pensa come noi non è facile, chi sposa certi pricipi e li applica nel concreto.

La comunicazione è un termine tornato prepotentemente in uso che non viene compreso, con una nuova accezione sottolineata dal cambiamento dei sistemi di marketing, dalla nascita dei nuovi media.
Comunicazione è il modo in cui l'azienda parla ai suoi clienti.

Spesso invece si crede che sia solo la sostituzione di un termine, Marketing sostituito da Comuncazione.

Non si pensa mai che comunicare, come si legge sopra, significa rendere partecipi, mettere in contatto, diffondere. Oggi poi grazie ai Social la comunicazione non è solo unidirezionale ma bidirezionale.

Io faccio poi una comunicazione particolare, comunico la storia, i prodotti, la vita dell'azienda che si avvale dei miei servizi, non presento pacchetti standard, non ho listino prezzi.

Quello che serve a me per "fare comunicazione" lo trovo conoscendo l'azienda.

E' all'ordine del giorno trovare aziende che hanno fatto cospiqui investimenti per non aver poi nessun servizio concreto, che non hanno un piano di comunicazione, che non programmano i loro investimenti o le loro azioni in campo marketing e comunicazione.

Il termine comunicazione, per citare un commento su Bruno Munari, implica anche l'aspetto biologico dell'azienda, implica qualcosa che va oltre le strategie di marketing, si tratta per me di trovare il vero linguaggio dell'azienda, quello che la mostrerà per quello che è davvero.

Ripeto anche in questo post che la Comunicazione non può essere concepita al di fuori dell'attività aziendale, non può essere studiata su criteri standard.

La comunicazione è la voce dell'azienda e come succede per le nostre voci, ogni azienda deve avere un timbro differente.
Tutte le polemiche riguardo questo termine vengono dalle agenzie old style che non hanno saputo comprendere il grande cambiamento che c'era in corso, che non sanno evolvere e adeguarsi ai nuovi concetti di marketing e ai nuovi media.
Altre polemiche vengono poi giustamente da quel mare di improvvisati che cercano metodi veloci per guadagnare, questi ultimi però sono presenti in tutte le categorie: dai cuochi ai nuovi guaritori spirituali.

Buona settimana
State sereni

Underground fotografia

2017-03-15T10:51:00.000-07:00

Linguaggio
Fotografia
Linguaggio fotografico

da Treccani:
underground ‹ḁ′ndëġraund› agg. ingl. (propr. «sotterraneo»). –
1. Che si oppone intenzionalmente alla cultura tradizionale e ufficiale, utilizzando forme espressive e sistemi di diffusione e di produzione alternativi rispetto a quelli usuali...
Si dice di attività teatrale, letteraria, artistica nata al di fuori degli ambienti tradizionali, in contrasto con la produzione e la distribuzione industriale e commerciale: cinema, musica underground; cultura underground.

"Nata al di fuori degli ambienti tradizionali"

Questa è la definizione della mia fotografia.

Questo penso di un linguaggio VERO fotografico.

Che piaccia o no non è importante.
Che comunichi forse si.
Soprattutto se serve per fare comunicazione.

L'underground non si impara nelle scuole.
Il pregiudizio visivo è quello che penalizza la sperimentazione e l'evoluzione del linguaggio fotografico.

Chi non ha fatto percorsi ufficiali è automaticamente Underground, anche se questo magari non gli piace.

A me non piaceva, almeno all'inizio. Ho sempre odiato le classificazioni.

Mi mancava quello che poi ho scoperto crescendo... le relazioni.
La rete umana.
I greggi e la gente.

Quello che comunica davvero è underground.
Che non significa strano.
Significa personale, ideato, cresciuto, sviluppato, compiuto in un percorso personale. Un percorso che tenta, perchè non è automatico ne facile, di scrollarsi di dosso le visioni di altri.
Vedo tante immagini, troppe, che non sono immagini, sono appunti visivi, sono tentativi di comunicazione, sono aborti della mente, aborti dello sguardo, aborti del sentire.
Si, senza pietà, sono "non foto".

Chi è cresciuto lontano dai percorsi canonici spesso fa buona fotografia,
le scuole creano cloni con certezze assolute asfissianti, noiose, sicuramente confortanti, sicuramente tranquillizzanti.
E per questo la comunicazione non arriva in quella rete, per questo occorrono massicce operazioni di plagio.

E invece sarebbe semplice.
Rompere regole di percezione,
Disattendere aspettative.
Mistificare.
Banalizzare.
Sporcare...

Tutti termini che mi piacciono e che amo sostituire a "Fotografare".

Mi ripeto non significa "farlo strano"
Significa farlo come lo sentiamo. Ascoltare profondamentenoi stessi e l'ambiente e poi sintetizzare, ognuno filtro di se stesso, ognuno originale e unico.
Dimenticare il giudizio, dimenticare il bisogno di accettazione e lasciarsi andare all'espressione.

Già... registrare un idea che si "vede".

Prendo delle donne normali, le faccio truccare e pettinare nella totale libertà degli operatori, cerco sempre il massimo agio per tutti.
C'è un tema.
Che non è poi così importante, è un input, è un suggerimento.

Poi guardo, poi fotografo, poi post produco.

Emerge in ogni foto il mio background... inevitabilmente.

#campaign #photo #fashion

My Client

G Style's Siena

Hairstylist

Project

Walking on the time & space

Campaign 2017

Hairstylist Giovanna Sciarappa

Makeup Artist Valentina Giannettoni

PHotographer Vanessa Rusci

La campagna esce oggi durerà per un anno, girerà in tutta la Toscana, sui Social Network e nelle riviste di settore.

per i miei progetti

www.vanessarusci.com

Present imperfect - Time of the Moon

Fiducia: il bene più raro.

2017-01-16T13:22:00.002-08:00

fidùcia s. f. [dal lat. fiducia, der. di fidĕre «fidare, confidare»] (pl., raro, -cie). – 1. Atteggiamento, verso altri o verso sé stessi, che risulta da una valutazione POSITIVA di fatti, circostanze, relazioni, per cui si CONFIDA nelle altrui o proprie possibilità, e che generalmente produce un sentimento di SICUREZZA e TRANQUILLITA'

f. in Dio, negli uomini, nella fraternità umana, nella scienza, nel progresso sociale; f. nella vittoria; f. di riuscire; f. nella propria stella, nelle proprie forze; f. nell’esito di un’impresa; guardare con f. all’avvenire; ferma f.; f. illimitata, assoluta, incondizionata; avere, nutrire f.; perdere la f.; dare un attestato, una prova di f.; ispirare f.; guadagnare, meritare, godere, avere la f. di qualcuno; riporre bene, o male, la propria f.; abusare della f. altrui. Di uso com. le espressioni: persone di f., di mia, di tua, di sua f., persone fidate a cui si ricorre in cose delicate e d’importanza; medico, avvocato di f., quello che è liberamente e abitualmente scelto dal cliente; posto, impiego, incarico di f., di responsabilità, delicato, che si affida solo a persone sicure, fidate.

VocabolarioTRECCANI

Fiducia - Esercizio alla ricerca della perfezione
Ph Vanessa Rusci

Fidacia

ispirarla

darla

meritarla

Non ci fidiamo, siamo in protezione, diffidiamo naturalmente, per assurdo soprattutto delle cose ben fatte, delle persone oneste, dei progetti troppo seri: dove starà la fregatura?

Perchè quasi sempre c'è la fregatura!

Se è troppo bello il packaging il prodotto non sarà buono, se le condizioni sono troppo vantaggiose la vacanza sarà sicuramente in un luogo desolato, se sorride troppo vuol dire che sta nascondendo i problemi del progetto, se...se...se...

In fondo abbiamo partecipato tutti a quei corsi nei quali ti insegnano a stringere forte la mano per non apparire insicuri, a emulare la postura dell'altro per comunicare meglio e poi "fotterlo" e vendere.

Tutti siamo caduti nell'offerta del gestore telefonico che poi così tanto offerta non era.

Tutti abbiamo comprato un prodotto per la sua bella scatola e poi dentro non c'era che un piccolo contenitore tra troppo cartone...

Diffidiamo! Giustamente!!!

Eppure la fiducia ci farebbe sentire tranquilli e sicuri.

Ci farebbe credere nelle capacità dell'altro e nelle nostre.

La fiducia potrebbe essere la chiave di svolta di questa epoca nera: ricominciare a dare fiducia.

Fidarsi di chi propone, di chi è sorridente, di chi spera, di chi sogna, di cambiare le cose, di costruire realtà prospere ed eque.

Dare fiducia comporta una presa di responsabilità:

devo monitorare che la mia fiducia sia ben riposta.

Comporta allo stesso tempo una attribuzione di responsabilità: se mi dai fiducia io mi sento obbligato a fare del mio meglio.

Dare fiducia in fondo è una libertà, non darla è un limite della propria paura.

Paura di cosa?

Paura di essere stupidi da non sapersi difendere? Da un truffatore, da un malintenzionato, da un furbo.

E serve?

No, non serve,quanto meno non serve la paura paralizzante, quella che fa sprecare troppo tempo e energia.

All'estero sono molto più pratici di noi:

io ti "provo" se sgarripiù volte, ripeto più volte, sei fuori, però ti do una possibilità e te la do al 100% credendo in ciò che mi proponi.

La nostra diffidenza invece blocca entusiami, blocca progetti,blocca carriere.

Sto sperimentando la fase del RI Fidarmi!

Ho aperto la porta del castello dove mi ero chiusa insieme a troppe aziende italiane e faccio passi nel giardino della fiducia.

Incontro, cerco, ascolto, mi confronto, propongo, mi fido in primis delle mie idee poi della gente che incontro.

Mi fido dei miei collaboratori, dei miei colleghi, dei miei fornitori, dei miei competitor, sempre con la dovuta accortezza, senza troppa ingenuità, ma mi fido.

Con la certezza che posso attraverso la chiarezza gestire e interrompere qualsiasi rapporto nel quale la fiducia venga a mancare.

Cerco poi di meritare la fiducia, cercando di essere sempre chiara, sincera anche quando sbaglio, quando le cose non sono proprio come le avevamo immaginate, cerco di essere attiva, di produrre risultati.

E se qualcuno si fida di me, io lo ripago mille volte di piu del suo investimento: non c'è benzina più forte per me della fiducia che mi si concede.

E credo funzioni così per tutti.

Spero che questa sia l'epoca in cui si torni a fidarsi, a far le cose per bene, a meritarsi la ficucia.

Prezzi onesti, lavori professionali, prodotti "sinceri", aziende che rispettano il lavoro degli altri, che producono cose che fanno bene alla comunità.

Fidarsi innesca un meccanismo virtuoso che autoelimina i malintenzionati.

Fidarsi significa accettare i fallimenti, le cadute, gli scivoloni dell'altro e di noi stessi, perchè quello è donare nuovamente fiducia.

Perchè comunque non esiste la perfezione, esite il tendere ad essa.

Non esistono cuori senza macchie, menti solo geniali, e forse è stata proprio questa mancanza di obiettività a farci smettere di fidarci, abbiamo creduto alla perfezione.

Il Tao recita:

In ogni mondo di male esiste un punto di bene

in ogni mondo di bene esiste un punto di male.

Io ho deciso che mi fido.

Di trovare un equilibrio, cocreatore, di mettere la mia parte di fiducia.

Ho deciso che agisco, faccio, investo.

Comunicare FIDUCIA, con i fatti, le azioni, le cose giuste.

Non servono belle fotografie professionali con dolcetti di cera, i colori giusti, e l'inquadratura giusta del momento.

Serve sovvertire il paradigma e invece di mistificare raccontare ciò che davvero funziona, ciò che davvero è il plus di ogni azienda che lavora seriamente e con passione.

E visto che queste poche regole valgono poi in tutti i settori della vita: NON RIMANE CHE PROVARE A FIDARSI!

Buona notte o Buona giornata!

La mia fotografia food per le aziende: racconto il cibo attraverso i 5 sensi e l'arte

2017-01-02T11:07:00.001-08:00

Quando racconto un prodotto lo studio a fondo prima di fotografarlo:
che profumo ha? Che sensazioni stimola al tatto, al gusto, alla vista, all'udito?
Le nostre percezioni, sono così automatiche che non le viviamo più.

Non ne abbiamo consapevolezza.
Ho studiato molti anni la percezione, a seguito dell'incontro con Fabrizio Ferri e la sua scuola che ho frequentato a Milano, una scuola che insegnava attraverso il metodo dei 5 sensi, ovvero, stimolare la consapevolezza sensoriale. Fu per me logico successivamente ricercare nel campo della percezione e associarlo alla fotografia.
Se banalmente la gran parte di noi possiede i 5 sensi, e altrettanto banalmente nessuno ne ha quasi più la consapevolezza, (inutile ripetere che non usiamo quasi più l'olfatto, il tatto, siamo spesso inconsapevoli dei sapori del cibo, del suo rumore, ascoltiamo solo i rumori più forti), non è sicuramente banale, il tentativo di riappropriarsi delle percezioni e utilizzarle per la creatività, per la fotografia.

- La mia mano tocca delicatamente la sua morbidezza e la bocca si apre in attesa... -
Panettone Artigianale Opera Waiting Poggibonsi
Fotografia Vanessa Rusci tutti i diritti riservati
VR Comunicazione Siena Food & Art

Le immagini oramai ci sommergono, la quantità prodotta giornalmente ha superato l'immaginazione: lo stile, la potenza, il linguaggio sembrano essere oramai spariti, se non per rari e intermittenti casi sparsi in giro eccessivamente silenziosi.
Quindi che senso ha raccontare un prodotto?
Che necessità c'è di chiamare un fotografo quando l'immagine è così facile da realizzare, così inutile in un oceano di immagini "usa e getta"?
un pomodoro è un pomodoro
un prosciutto un prosciutto
un biscotto un biscotto.

Ero stufa però di questo modo di ragionare e fotografare, annoiata soprattutto, e poi anche i risultati delle fotografie per le varie campagne non davano risultati confortanti: la gente è anestetizzata, le belle immagini non pagano più, i prodotti non escono come protagonisti, ma sono solo uno still del nostro film quotidiano, still inutile, vuoto, dimenticabile.
Come potevo fare ancora fotografia che fosse utile e non un semplice processo di riproduzione?
Come potevo raccontare i prodotti che incontravo, i luoghi che visitavo e soprattutto come potevo sottolineare l'unicità del prodotto?
Non un pomodoro ma quel pomodoro, cresciuto in quella terra, con quel profumo, con quelle caratteristiche.
Così ho deciso di sperimentare le mie percezioni e usarle per realizzare le mie foto.
Fare ritratti dei prodotti, assaggiarli, viverli, sperimentarli.
Stimolare la fantasia quindi assaggiando un formaggio stagionato, toccando la pelle di una pesca matura, odorando il profumo umido di ragù che sale da un piatto fumante, raccontare la texture di un panettone ben lievitato.
Come qualunque arte la fotografia ha bisogno di tempo, studio e attenzione, questo metodo mi permette di andare oltre allo stereotipo comune e produrre immagini che sono fuori dagli schemi, che diventano quindi interessanti, coinvolgenti. Produrre fotografie che raccontano una storia, che hanno un titolo, che tornano a essere fotografie, non stock di fotografie, non semplici scatti, ma nature morte d'autore o meglio in inglese: Still Life d'autore, ancora vivo, ironico destino di uno scatto.
Il mio metodo è un modo per andare oltre il mio stile, oltre l'idea stereotipata che ho di un prodotto, e creare invece uno stile unico e specifico per ogni servizio fotografico.
Le percezioni sensoriali aprono un magazzino culturale che è differente per ognuno di noi, creano immagini nuove e fortemente comunicative.
La mente si assuefà allo stereotipo e quando si dice che si si devono realizzare immagini sul trend del momento si è già vecchi, si è già indietro, saremo quindi meno visti, meno vissuti, meno efficaci, oggi occorre incuriosire, stupire, stimolare, meravigliare.
Amo anche giocare con la sinestesia cercando di riassumere in uno scatto le mie personali percezioni più dirette: un profumo intenso e dolce diventa uno sfuocato fortemente contrastato, una morbidezza del palato diventa una inquadratura perfettamente equilibrata.

Le mie fotografie di food non sono immagini comuni, ho una attrezzatura particolare che mi permette di giocare su tanti fattori, invento di volta in volta filtri e elaborazioni.
L'errore che spesso si commette è quello di cercare una sterile perfezione, fermandosi alla forma, perdendo così la potenza comunicativa della fotografia autoriale, dimenticando la potenza dell'immagine.
Tornare a comunicare passa da qui, senza arroganza ma con la voglia di tornare a ragionare di fotografia con la necessaria serietà e il dovuto rispetto.
Il resto è manierismo e superficialità.
E infatti c'è poca meraviglia in giro e spesso i creativi non hanno più tanto da dire.

- Kandinskij - Ready made di una percezione del profumo di cipolla -
per Ristorante Il Leccio Montalcino
Fotografia Vanessa Rusci tutti i diritti riservati
VR Comunicazione Siena Food & Art
Visita il mio sito e scopri tutti i miei lavori:
www.vanessarusci.com
contattami
vrcomunicazione@vanessarusci.com

Tartufo e arte... Come comunico con i miei Vjset

2016-11-11T04:04:00.004-08:00

Domani VJ set a San Giovanni d'Asso Siena.

Proiezioni e musica che accompagneranno una degustazione di tartufo e bollicine.

La mia ricerca è stata affascinante e interessante: come si racconta per immagini? Come si crea una narrazione artistica con un Vjset?

Intanto vi racconto il percorso a domani le immagini...

Amo utilizzare tanti media artistici per la cultura, per la promozione dei territori, dei loro prodotti, per far godere il pubblico di piccole chicche artistiche come la musica della bravissima chitarrista classica Daria Fetodova e alcuni video di bravissimi artisti quasi sconosciuti in Italia che mixeró con il mio materiale.

#amolamiaarte

Il Tartufo questo magico elemento che adoro e chi mi ha sempre affascinato.

Ho studiato le sue leggende, le sue storie, il territorio di San Giovanni che lo accoglie e lo sintetizzato in immagini che si muovono si trasformano nel mio racconto a tempo di musica.

Amo questi incontri dove il pubblico sta accanto a te, vive esperienze e con il quale puoi scambiare emozioni.

Oggi è domani vi scrivo ricerche e emozioni...

Venite con me:

"Il fascino del tartufo è nel suo mistero. È figlio della terra e del buio. Lontano da tutto ciò che vive e si ciba di sole. Non ha rami, né foglie, né tronco. Cresce nell’oscurità del terreno, aggrappato alla vita grazie alle radici degli alberi. Aspetta l’acqua. Poi cede alle piante elementi minerali per avere in cambio glucidi. Per ubbidire alla prima regola del mondo dei viventi, quella di conservare e propagare la specie, ha solo un’arma: il suo profumo. Un richiamo che seduce. Irresistibile. Qualcosa di ancestrale che si propaga nel terreno, affiora in superficie e imprigiona l’olfatto. ..."

Luca Parmitano: torneremo sulla luna! E il marketing al tempo della realtà aumentata

2016-09-19T02:36:00.001-07:00

Ieri ho assistito, tra le tante cose, all'intervento di Luca Parmitano, l'astronauta italiano, al Wired Festival di Firenze.
Oltre a rimanere impressionata dalla sua altissima taratura intellettiva, morale e umana, mi ha colpito il suo racconto sull'esperienza fisica che vive nel suo lavoro.
Ha raccontato le sue attività nello spazio e negli abissi marini sottolineando come tutte queste lo riportino sempre più a un contatto con la vita reale, al bisogno di porre attenzione alla vita vera, alle sue manifestazioni: ascoltare il vento, toccare la terra, odorare gli spazi, gustare l'acqua.

Affermazioni che sembrano contraddittorie vista la tecnologia avanzatissima che usa nel suo lavoro.
Un ragionamento che sposo da sempre nelle mie ricerche sensoriali e che convalidano la mia ipotesi della necessità di un marketing esperienziale ancestrale, che vada a soddisfare la reale esigenza di vita del consumatore.
A proposito di questo termine mi piacerebbe da ora in poi poterlo sostituire globalmente con il termine "fruitore" o "essere umano".

L'esperienza tecnologica oggi continua a far vivere in mondi mentali, virtuali o di realtà aumentata, perfezionando sempre più l'illusione della verità e aumentando di conseguenza la necessità di vita vera.

Prevedo quindi che nei prossimi anni ci sarà un impennata di tutte quelle attività che potranno essere fatte sfruttando i sensi, semplici, di tutto ciò che regali esperienze e percezioni sensoriali vere.

Un altro tema che ha toccato Luca è quello del tempo.
Il tempo di ognuno di noi è limitato e invece noi sembriamo non comprenderlo.
La sua visione futuristica libera dalla paura e dall'ego che vede e richiede la presenza di giovani da sostenere e incentivare, che continuino a ricercare di migliorare il mondo e che arrivino a scattarsi un Selfie con alle spalle Marte (proprio come lui ha scattato il primo Selfie della storia con dietro la luna) mi ha fortemente colpito è commosso.

È necessario che anche le aziende e il marketing analizzi e ragioni su questi punti.
Guardate al futuro!

E concludendo: la rivelazione di un progetto che vuole creare sulla luna un villaggio stabile di ricerca ha dato energia alla mia fantastica aprendo scenari e fornendo input fantascientifici che sono sicura serviranno e influenzeranno le mie prossime campagne.
Village Moon: torniamo a sognare il futuro!!!

Eccellenze in digitale: Made in Italy sempre avanti con Google che ci insegna a usare i suoi strumenti

2015-12-15T08:35:00.001-08:00

Cari amici

avete visto la fantastica novità di Google plus riguardo alla preparazione di chi ha un profilo Google e lo vuole utilizzare per farsi tanta e corretta pubblicità?

Direi che per le aziende che hanno uno staff interno è qualcosa di strepitoso!

Ovviamente sto seguendo il corso on line per capire e valutarne anche la validità, ma già di primo acchito ritengo che questo strumento sia favoloso!

Non a caso si chiama:

Eccellenze in digitale

per accederci si deve creare un account Eccellenze Made in Italy che terrà conto dei nostri progressi e ci terrà aggiornati su tutte le novità che Google tirerà fuori dal suo cappello magico!

Ecco il il link per trovare Eccellenze in Digitale

https://eccellenzeindigitale.withgoogle.com/

Buon lavoro amici

e se volete invece un'esperto per la vostra attività

visitate il mio sito cliccando su questo link:

VR Comunicazione e fotografia professionale per aziende

Lavoro in tutta Italia per una comunicazione all'avanguardia e in queste città ho già tanti clienti: Siena, Grosseto, Firenze, Milano e dove vuoi tu! Oggi il lavoro telematico lo permette!

Buona serata
Amici