di Fabrizio Pinna. Presi insieme, i testi che qui consideriamo non compongono un paradigma unitario. Disegnano piuttosto un campo in costruzione, attraversato da differenze teoriche e metodologiche che non vanno nascoste. Alcuni adottano un registro programmatico, altri una rassegna critica; alcuni guardano all’IA come infrastruttura, altri come tecnologia generale, strumento di ricerca o fattore di trasformazione settoriale. Proprio la varietà consente di vedere quale potrebbe essere il contributo specifico della sociologia: ricomporre ciò che il discorso tecnico ed economico tende a separare, collegando il funzionamento dei sistemi alle istituzioni, le prestazioni alla distribuzione del potere, gli effetti medi alle esperienze differenziate e le promesse immateriali alle condizioni materiali.
Sommario
Prospettive
L’intelligenza artificiale è entrata nel discorso pubblico come una tecnologia che sembra spiegarsi da sola. Le imprese ne descrivono le prestazioni, gli economisti ne stimano gli effetti sulla produttività, i giuristi ne disciplinano i rischi, gli ingegneri ne misurano l’accuratezza. In questo affollamento di competenze, la sociologia può apparire come una disciplina che arriva dopo: osserva le conseguenze sociali di sistemi progettati altrove, quando essi hanno già trasformato il lavoro, la conoscenza o la vita quotidiana. Seppure non omogenei per genere e stile argomentativo, i cinque testi qui discussi rovesciano questa immagine1. L’IA non diventa sociale soltanto nel momento in cui viene applicata. È sociale fin dall’origine: nei problemi che si decide di automatizzare, nei dati che si raccolgono, nelle categorie incorporate nei modelli, nel lavoro che li sostiene, nelle infrastrutture materiali che li fanno funzionare e nelle narrazioni che ne legittimano l’espansione.
Questa tesi comune assume forme differenti. Jenny L. Davis e Mona Sloane proclamano l’inizio dell’«era sociologica» dell’IA e rivendicano per la disciplina una posizione centrale. Canhui Liu prova a delimitare un campo emergente, organizzandolo intorno a due tensioni: tra sociologia dell’IA e IA per la sociologia, e tra analisi esterna degli effetti e studio interno dei sistemi. Massimiliano Ruzzeddu torna ai classici per interrogare gli effetti dell’IA sulle disuguaglianze e sulle opportunità, con particolare attenzione ai servizi, al lavoro e all’educazione. Emanuela Carbonara ed Enrico Santarelli sottopongono le profezie sull’occupazione al vaglio di una letteratura empirica ancora giovane e contraddittoria. Deborah Lupton, infine, mostra quanto il dibattito rimanga antropocentrico e conduce la sociologia dentro la materialità ecologica dell’IA generativa: energia, acqua, minerali, territorio, animali, rifiuti e disuguaglianze planetarie.
Presi insieme, i testi non compongono un paradigma unitario. Disegnano piuttosto un campo in costruzione, attraversato da differenze teoriche e metodologiche che non vanno nascoste. Alcuni adottano un registro programmatico, altri una rassegna critica; alcuni guardano all’IA come infrastruttura, altri come tecnologia generale, strumento di ricerca o fattore di trasformazione settoriale. Proprio la varietà consente di vedere quale potrebbe essere il contributo specifico della sociologia: ricomporre ciò che il discorso tecnico ed economico tende a separare, collegando il funzionamento dei sistemi alle istituzioni, le prestazioni alla distribuzione del potere, gli effetti medi alle esperienze differenziate e le promesse immateriali alle condizioni materiali.
1. Dal tema di ricerca al problema sociologico
Chiedere che cosa vi sia di sociologico nell’IA significa evitare due errori opposti. Il primo è il determinismo tecnologico: immaginare l’innovazione come una forza esterna che irrompe nella società e produce conseguenze necessarie. Il secondo è la riduzione discorsiva: trattare l’IA soltanto come etichetta, narrazione o costruzione sociale, trascurando che i sistemi possiedono capacità operative reali e sono integrati in processi decisionali ad alta intensità. I cinque contributi cercano, con risultati diversi, una posizione intermedia. L’IA è costruita socialmente, ma una volta incorporata nelle organizzazioni contribuisce a costruire il sociale.
La svolta recente non coincide soltanto con ChatGPT e affini. È il passaggio dell’IA da insieme discontinuo di tecniche a infrastruttura generalizzata. I sistemi di raccomandazione ordinano l’attenzione; quelli predittivi orientano concessione del credito, selezione del personale e controllo; i modelli generativi intervengono nella scrittura, nella programmazione, nella produzione di immagini e nella ricerca. L’infrastruttura, per definizione, tende a scomparire sullo sfondo. La si nota quando si rompe o quando colpisce qualcuno in modo ingiusto. Per Davis e Sloane il compito della sociologia è renderla visibile prima del guasto: ricostruire chi la produce, quali scelte stabilizza, quali relazioni rende possibili e quali gruppi espone al danno.
La questione coinvolge la tradizionale capacità sociologica di collegare livelli diversi. Al livello micro, le persone attribuiscono intenzioni ai chatbot, negoziano decisioni con sistemi automatici e modificano il proprio comportamento sotto sorveglianza algoritmica. Al livello organizzativo, le imprese ridisegnano mansioni e gerarchie, mentre scuole, ospedali e amministrazioni trasferiscono porzioni di giudizio a piattaforme commerciali. Al livello macro, poche aziende concentrano dati, capitale computazionale ed energia; gli Stati competono per infrastrutture e sovranità tecnologica; lavoro ed estrazione di risorse si distribuiscono lungo catene globali diseguali. Una sociologia dell’IA deve tenere insieme questi piani, perché la conversazione apparentemente privata con un assistente digitale dipende da enormi sistemi industriali e produce, aggregata a milioni di altre interazioni, nuovi modelli di conoscenza e dipendenza.
In questa prospettiva anche la parola «intelligenza» diventa un fatto sociale. Non descrive una proprietà univoca, ma organizza aspettative, investimenti e attribuzioni di autorità. Definire una macchina intelligente può indurre utenti e istituzioni a delegarle compiti, mentre la retorica dell’autonomia tende a cancellare il lavoro umano: annotatori, moderatori, manutentori, creatori involontari dei dati di addestramento. Studiare l’IA significa allora analizzare sia ciò che il sistema fa sia ciò che la categoria «IA» permette agli attori di fare.
2. Davis e Sloane e la rivendicazione dell’era sociologica
Il breve saggio di Jenny L. Davis e Mona Sloane apre il primo fascicolo del 2026 della Social Science Computer Review e funge da manifesto per il numero monografico. La tesi è formulata senza timidezza: l’IA è ormai una struttura sociale mascherata da scatola nera tecnica, e la sociologia deve passare dalla periferia al centro degli studi sull’IA. La disciplina non offre un’aggiunta umanistica a un oggetto già definito dall’informatica; possiede gli strumenti per spiegare l’oggetto stesso.
Le autrici partono dal carattere polarizzato delle narrazioni. Da un lato, l’IA viene presentata come porta sicura verso prosperità, efficienza e una nuova rivoluzione industriale; dall’altro, come anticamera della disoccupazione di massa, dell’autoritarismo o persino dell’estinzione umana. Entrambe le immagini sovrastimano l’autonomia della tecnologia e sottostimano la capacità degli attori collettivi di orientarne gli usi. La sociologia introduce una domanda meno spettacolare e più feconda: attraverso quali processi organizzativi, istituzionali e culturali una particolare tecnologia acquisisce determinati effetti?
Il richiamo ai classici non è ornamentale. Durkheim mostrava come un fatto apparentemente individuale quale il suicidio potesse essere spiegato attraverso regolarità sociali; Weber collegava religione ed economia; Du Bois rendeva conoscibile l’esperienza psicologica e politica della subordinazione razziale. La sociologia, ricordano Davis e Sloane, ha sempre lavorato con forze che non sono immediatamente visibili. La «scatola nera» non è quindi un ostacolo estraneo alla disciplina, ma un punto di partenza. L’opacità tecnica va integrata con l’opacità sociale: procedure aziendali, criteri di finanziamento, divisione del lavoro e norme professionali che restano invisibili quanto i pesi di una rete neurale.
Il saggio ricava la propria forza dalla presentazione degli articoli del fascicolo speciale. L’hype viene studiato come lavoro di delimitazione simbolica tra scene tecnologiche che, mentre si accusano reciprocamente di esagerazione, traggono beneficio dalla stessa bolla speculativa. I progetti pubblici cileni mostrano come i finanziamenti non si limitino a sostenere innovazioni, ma producano narrative e priorità. Gli studi sul lavoro di frontiera reinterpretano Goffman per capire le interazioni mediate dalla tecnologia; altri contributi discutono imitazione linguistica, dati assenti, temporalità degli algoritmi pubblicitari, previsione e alienazione estetica.
Questo catalogo dimostra bene la varietà della sociologia dell’IA, ma lascia anche intravedere un limite. Davis e Sloane affermano che, man mano che il contesto sociale viene in primo piano, le questioni tecniche recedono. È una formula efficace sul piano retorico, meno convincente su quello analitico. Il contesto non sostituisce la tecnica: una procedura di classificazione, una funzione obiettivo o la scelta dei dati producono specifici spazi di azione. Se la sociologia vuole diventare «guida» degli studi sull’IA, non può limitarsi a circondare il sistema di contesto. Deve comprendere abbastanza della sua costruzione da mostrare come decisioni tecniche e rapporti sociali si traducano gli uni negli altri.
Il carattere programmatico spiega l’enfasi assertiva. Il testo non offre una teoria generale né una verifica empirica; legittima un’agenda e una comunità scientifica. Il suo valore consiste nel mettere a fuoco l’infrastrutturazione dell’IA e nel rifiutare il ruolo subordinato spesso assegnato alle scienze sociali, chiamate a misurare «l’accettazione» di prodotti già progettati. La sociologia, nella prospettiva delle autrici, deve intervenire prima, durante e dopo la costruzione: identificare il problema, studiare il processo e valutare la distribuzione delle conseguenze.
3. Liu e la mappa di un campo frammentato
Canhui Liu sviluppa il tentativo più sistematico di definire la sociologia dell’IA come campo emergente. Il punto di partenza storico è utile: già nel 1985 Steve Woolgar chiedeva perché non esistesse una sociologia delle macchine; Harry Collins mostrò poi che la prestazione intelligente dipende da conoscenze tacite e contesti sociali difficili da formalizzare. Questi lavori, insieme alla teoria dell’attore-rete e agli studi di Lucy Suchman, non formarono però un sottocampo stabile. L’alternanza di entusiasmo e «inverni» dell’IA disperse l’attenzione fino alla recente espansione dei sistemi generativi.
Per Liu l’IA contemporanea presenta almeno quattro caratteristiche sociologicamente distintive. La prima è l’agency apparente: i sistemi prendono decisioni e producono conseguenze senza istruzioni umane continue. Non possiedono necessariamente coscienza o intenzione, ma funzionano come agenti delegati entro reti organizzative. Questa formulazione è prudente: non attribuisce personalità alla macchina, ma riconosce che la capacità di agire può essere distribuita. Ne segue un problema di responsabilità. Quanto più l’azione viene presentata come autonoma, tanto più imprese e istituzioni possono scaricare sulla tecnologia decisioni che restano umanamente organizzate.
La seconda caratteristica è l’opacità. I sistemi di apprendimento profondo non sono facilmente leggibili riga per riga; ma l’opacità, insiste Liu, non è solo tecnica. Spiegare significa stabilire chi abbia diritto a conoscere, quale forma di ragione sia sufficiente e quale competenza venga riconosciuta. Anche la cosiddetta IA spiegabile è una pratica sociale, rivolta a destinatari diversi: un ingegnere, un giudice, un medico e una persona esclusa da una prestazione non chiedono la stessa spiegazione. La sociologia può dunque spostare l’attenzione dalla trasparenza astratta all’adeguatezza pubblica delle giustificazioni.
La terza proprietà è la generatività. I modelli non si limitano a classificare: producono testi, immagini e codice che circolano come artefatti culturali. Il punto sociologico non è stabilire se «pensino», ma osservare come cambino autorialità, autenticità e valore. La produzione illimitata di contenuti può democratizzare alcune capacità, ma anche comprimere il lavoro creativo e saturare gli ambienti informativi. Inoltre i contenuti sintetici rientrano nel circuito dei dati, generando ricorsività: l’IA modifica la società e poi apprende dalle tracce della società che ha modificato.
La quarta proprietà è la scalabilità. Una volta sviluppato, un modello può essere distribuito in innumerevoli contesti. Questa capacità concentra potere perché richiede capitale, dati, chip ed energia in quantità accessibili a pochi attori. La scala permette a una medesima architettura di influenzare miliardi di interazioni, ma non elimina le differenze locali: il sistema viene incorporato in norme, lingue e istituzioni diverse. La tensione tra uniformità tecnica e varietà sociale costituisce uno dei terreni più promettenti per la ricerca comparata.
La mappa di Liu è organizzata attorno a due assi. Il primo oppone la «sociologia sull’IA», che studia potere, disuguaglianze e rappresentazioni, all’«IA per la sociologia», che impiega modelli computazionali, dati sintetici o agenti simulati come strumenti di ricerca. La divisione è reale. Chi analizza criticamente i sistemi teme che il loro uso nella ricerca riproduca pregiudizi e opacità; chi li utilizza sottolinea nuove possibilità di classificazione, esplorazione e simulazione. Liu non propone di scegliere. Chiede una riflessività che trasformi l’uso dello strumento in occasione di analisi: quali assunzioni incorpora, quali soggetti rende visibili, quali errori normalizza?
Il secondo asse riguarda internalismo ed esternalismo. Una sociologia esternalista studia gli effetti a valle senza entrare nel funzionamento del modello; quella internalista osserva dati, architetture, obiettivi e pratiche di sviluppo. Liu sostiene che l’opposizione debba essere superata. Molti effetti sociali derivano precisamente da scelte interne, mentre le scelte tecniche sono comprensibili solo dentro organizzazioni e mercati. Collaborare con gli sviluppatori non significa abbandonare la critica; può voler dire portarla nel luogo in cui le possibilità vengono materialmente definite.
L’agenda conclusiva comprende collaborazione progettuale, etnografie dei laboratori, studio delle interazioni uomo-macchina, simulazioni multiagente e rinnovamento dei concetti di agency, struttura, conoscenza e controllo sociale. È una proposta ambiziosa. Talvolta l’articolo attribuisce all’IA una novità ontologica maggiore di quanto riesca a dimostrare: infrastrutture opache, azione delegata e produzione automatizzata hanno precedenti. Tuttavia Liu evita l’idea che bastino le vecchie categorie senza adattamenti. La sua tesi migliore è che la sociologia non deve profetizzare il futuro, ma diagnosticare il presente, collegando il disagio individuale del lavoratore o dello studente alla trasformazione istituzionale che lo rende condiviso.
4. Ruzzeddu e la questione delle disuguaglianze
Massimiliano Ruzzeddu parte da una domanda più tradizionale e forse più concreta: in che modo l’IA modifica uguaglianza e disuguaglianza? L’articolo dedica un ampio spazio alla teoria sociologica classica. Marx interpreta la disuguaglianza come struttura del capitalismo; Durkheim la collega alla divisione del lavoro e alla necessità che differenze funzionali e riconoscimento morale non divergano fino all’anomia; Weber aggiunge status, potere e possibilità di vita. Veblen e Simmel mostrano la riproduzione culturale delle gerarchie; Michels e Skocpol ricordano che i movimenti egualitari possono generare nuove élite; Merton consente di leggere l’accesso diseguale ai mezzi legittimi attraverso la struttura delle opportunità.
Questa ricostruzione prepara due lenti. Quella macrosociologica osserva distribuzione della ricchezza, divisione del lavoro e classi. Quella delle opportunità considera accesso a istruzione, salute, trasporti, servizi e capitale sociale. La distinzione è produttiva: l’IA può migliorare l’efficienza generale di un servizio senza garantire che i benefici siano distribuiti; può aumentare le capacità di alcuni e restringere le alternative di altri. Un algoritmo diagnostico migliore, per esempio, non produce uguaglianza se l’accesso alla cura resta selettivo o se i dati rappresentano male determinati gruppi.
Ruzzeddu riconosce una difficoltà epistemica che gli altri testi tendono a trattare meno direttamente. La velocità dell’innovazione supera i tempi della ricerca sociologica; le informazioni arrivano spesso attraverso comunicazione aziendale e media, rendendo difficile distinguere applicazioni stabili da promesse. Di conseguenza la sociologia dipende da dati economici, tecnici e giuridici prodotti con domande diverse dalle proprie. L’interdisciplinarità è necessaria, ma crea un problema di autonomia: se il sociologo eredita definizioni e indicatori, rischia di importare la visione dell’oggetto costruita da altri.
L’analisi dei servizi attraversa energia, trasporti, cura e sanità. L’IA può prevedere domanda energetica, ottimizzare reti, sostenere mobilità integrata, facilitare diagnosi e monitoraggio. Il guadagno potenziale è evidente: riduzione dei costi, personalizzazione, migliore coordinamento. Tuttavia l’articolo tende qui a presentare l’innovazione in modo funzionalista, come ulteriore passo dalla solidarietà meccanica a quella organica. La maggiore specializzazione aumenterebbe la complessità e ridurrebbe lo sforzo necessario per accedere ai servizi. È una prospettiva plausibile, ma richiederebbe un’analisi più severa della privatizzazione infrastrutturale, della sorveglianza e della possibilità che l’efficienza si traduca in dipendenza da fornitori monopolistici.
Il capitolo sul lavoro anticipa vari risultati della letteratura successivamente sistematizzata da Carbonara e Santarelli. L’IA colpisce attività cognitive e informative, esponendo impieghi impiegatizi e professionali che le precedenti ondate di automazione sembravano risparmiare. Ruzzeddu distingue tra automazione e potenziamento: in molti casi non scompare l’occupazione, ma cambia la combinazione di competenze. I lavori più standardizzabili nell’elaborazione di informazioni sono esposti; le mansioni strategiche e quelle manuali meno codificabili lo sono di meno. Potrebbe quindi ridursi il segmento intermedio, con mobilità verso posizioni qualificate per alcuni e declassamento per altri.
L’educazione diventa la cerniera dell’argomento. È settore trasformato dall’IA, spazio di autoformazione e luogo nel quale si deve apprendere che cosa sia l’IA. Ruzzeddu insiste correttamente sull’alfabetizzazione e sull’apprendimento permanente. Ma la soluzione formativa non è socialmente neutra. Se l’accesso a percorsi di qualità è diseguale, l’invito a «riqualificarsi» sposta sui singoli il costo della trasformazione e premia chi possiede già tempo, denaro e capitale culturale. L’articolo lo riconosce nella conclusione: senza accesso equo all’istruzione superiore e alla formazione, l’IA può approfondire divari economici, sociali e culturali.
Il merito di Ruzzeddu sta nell’inserire l’IA dentro la storia della disuguaglianza, rifiutando di trattarla come episodio isolato. Il limite è la natura molto ampia della ricognizione. Servizi, lavoro ed educazione sono descritti soprattutto tramite letteratura secondaria e rapporti istituzionali; mancano casi capaci di mostrare i meccanismi concreti con cui un guadagno di efficienza diventa inclusione oppure esclusione. La conclusione secondo cui l’IA «in sé» non riduce la disuguaglianza è comunque essenziale: la direzione dipende dalle istituzioni che distribuiscono capacità, costi e potere contrattuale.
5. Carbonara e Santarelli oltre le profezie sul lavoro
La rassegna di Emanuela Carbonara ed Enrico Santarelli è il contributo più strettamente empirico. La scelta iniziale è decisiva: distinguere l’IA generativa dai robot industriali, dall’automazione di processo e dai sistemi specialistici. I modelli generativi producono contenuti e possono essere applicati trasversalmente; potrebbero funzionare come tecnologie di uso generale o come «invenzioni nel metodo di inventare», influenzando non soltanto singole mansioni ma innovazione, organizzazione e creazione di nuove attività.
Gli autori mostrano perché molte previsioni sull’occupazione non misurino effetti, ma esposizione. Gli indici basati su repertori di mansioni stimano quali attività sarebbero tecnicamente automatizzabili; non osservano se le imprese adottino davvero la tecnologia, come la integrino e quali complementarità organizzative emergano. Confondere possibilità e sostituzione effettiva gonfia le stime e nasconde il fatto che una mansione è un insieme di compiti, relazioni e responsabilità difficilmente eliminabile in blocco.
La letteratura esaminata utilizza strategie diverse: indici di esposizione, brevetti, annunci di lavoro, sondaggi aziendali, dati di piattaforme e quasi esperimenti costruiti intorno al rilascio di ChatGPT. I risultati variano di conseguenza. Nei mercati digitali freelance, dove i compiti sono standardizzati, il matching è rapido e il cliente può sperimentare a basso costo, scrittori, traduttori ed editor registrano riduzioni della domanda e dei compensi. Un esperimento su una piattaforma globale rileva un calo della probabilità di assunzione per lavori esposti, concentrato nei progetti di competenza bassa o media. Qui l’IA funziona come sostituto immediato.
Nelle imprese strutturate il quadro cambia. L’adozione iniziale non produce necessariamente riduzioni occupazionali; spesso modifica i compiti e può generare aspettative di crescita. Le organizzazioni possiedono relazioni con clienti, conoscenze tacite, procedure e investimenti complementari che rendono più costosa la sostituzione. Per alcune professionalità legate allo sviluppo e all’integrazione dell’IA emergono premi salariali, ma la loro durata è incerta: una competenza oggi rara può standardizzarsi rapidamente.
Le tre meta-analisi discusse ridimensionano sia l’entusiasmo sia l’allarme. Gli studi sui robot indicano effetti negativi modesti soprattutto per lavoratori poco o mediamente qualificati, mediati dalle protezioni istituzionali. La sintesi degli esperimenti sull’IA generativa stima un guadagno medio di produttività intorno al 17 per cento, che scende al 7-10 per cento correggendo la distorsione a favore dei risultati positivi; i vantaggi maggiori riguardano compiti strutturati e ripetitivi, mentre giudizio, originalità e contesto mostrano guadagni minori. La meta-analisi più ampia su IA, occupazione e salari non trova invece un effetto medio statisticamente significativo né un robusto bias di pubblicazione.
Il «risultato nullo» non significa che nulla stia accadendo. Può riflettere diffusione limitata, ritardi organizzativi, misure inadeguate e aggregazione di effetti opposti. Uno shock forte su traduttori freelance può scomparire nella media nazionale; un aumento della produttività può tradursi in maggiori salari, profitti o riduzione del personale a seconda dei rapporti di forza. La prudenza degli autori è quindi giustificata: l’evidenza non sostiene ancora l’idea di una disgregazione sistemica del mercato del lavoro, ma documenta trasformazioni locali e segnala i contesti più vulnerabili.
La parte sulle politiche mantiene questo equilibrio. Una tassa sull’automazione può far internalizzare i costi sociali ma anche scoraggiare innovazioni utili. Programmi di riqualificazione, monitoraggio, sostegno alle transizioni e dialogo settoriale sono preferibili a divieti generalizzati o inerzia regolativa. Importante è la richiesta di migliori infrastrutture di dati: senza misure dirette dell’adozione e della riorganizzazione interna alle imprese, la politica reagisce a narrazioni invece che a trasformazioni osservate.
Il limite della rassegna coincide con la sua forza. La comparazione privilegia gli effetti misurabili e deve ridurre differenze qualitative a categorie comuni. Il lavoro appare soprattutto come occupazione, salario e produttività; meno visibili restano autonomia, intensificazione, controllo, qualità delle relazioni e senso professionale. Inoltre l’assenza di effetti medi può diventare politicamente rassicurante se non viene accompagnata da un’analisi distributiva. Gli autori evitano in gran parte questa trappola, insistendo su settori, competenze e istituzioni, ma il dialogo con la sociologia del lavoro potrebbe essere ancora più stretto.
6. Lupton e il costo ecologico dell’intelligenza
Deborah Lupton sposta radicalmente il centro. La nascente sociologia dell’IA, osserva, rimane quasi sempre umanocentrica: discute occupazione, discriminazione, istituzioni e identità, ma tratta l’ambiente come sfondo. L’IA generativa è invece un sistema più-che-umano che coinvolge acqua, aria, suolo, minerali, energia, animali, piante e comunità. I danni agli ecosistemi non sono una conseguenza collaterale; appartengono alla sua organizzazione materiale.
La rassegna comincia dai dati disponibili, sottolineandone l’incertezza dovuta alla scarsa trasparenza delle grandi aziende e alla dispersione internazionale dei centri dati. Lupton riporta stime secondo cui nel 2025 i data center delle grandi imprese tecnologiche consumavano il 4,4 per cento dell’elettricità statunitense e ricorda l’aumento delle emissioni dichiarato da Microsoft durante l’espansione legata all’IA. L’acqua utilizzata per raffreddare i server produce pressioni locali spesso invisibili nelle metriche globali; l’addestramento di GPT-3 in centri statunitensi è stato associato all’evaporazione diretta di centinaia di migliaia di litri di acqua dolce. A ciò si aggiungono estrazione mineraria, produzione di chip, cemento, trasporto e rifiuti elettronici.
Il valore dell’articolo non dipende però dall’accumulo di cifre, rapidamente mutevoli. Sta nel quadro teorico. Le prospettive più-che-umane contestano la separazione tra società e natura: gli esseri umani non abitano un ambiente esterno, ma reti di interdipendenza multispecie. Le stesse logiche coloniali e capitalistiche che espongono popolazioni indigene e lavoratori del Sud globale rendono estraibili territori, acqua e viventi. L’«impero dell’IA» collega lavoro digitale sottopagato, sovranità dei dati, consumo di risorse e concentrazione dei benefici.
Gli studi critici sui data center rendono visibile la geografia del cloud. La metafora della nuvola suggerisce leggerezza e assenza di luogo; in realtà esistono edifici, linee elettriche, sistemi di raffreddamento e accordi fiscali. Le «geometrie del potere» mostrano che mobilità e immobilità sono distribuite: dati e profitti circolano, mentre consumo idrico, inquinamento e infrastrutture restano localizzati. Una comunità può sostenere i costi senza esercitare controllo sul servizio globale che li produce.
Lupton discute anche l’ambivalenza delle tecnologie digitali applicate alla natura. Sensori, giochi, realtà virtuale e immagini generative possono accrescere conoscenza e coinvolgimento ambientale. Ma la dataficazione di animali e habitat può trasformarli in risorse, esporli a cacciatori o rafforzare l’idea che il mondo non umano esista per l’uso umano. Persino l’«IA per il bene» trascura spesso la distruzione di habitat e il benessere animale. La domanda non è soltanto se la tecnologia protegga la natura, ma quale relazione tra umano e non umano venga costruita.
La sezione più originale riguarda le arti. Installazioni, documentari, paesaggi sonori e fotografie rendono percepibili infrastrutture che statistiche sulle emissioni non riescono a comunicare. Opere dedicate ai data center lungo il Columbia River o al mining in Islanda restituiscono peso, suono, odore e durata al calcolo. L’arte non sostituisce la misurazione, ma amplia ciò che può essere conosciuto e sentito. Per la sociologia è un invito metodologico: collaborare con le scienze umane e creative per studiare immaginari, sensibilità e forme di cura, non soltanto opinioni dichiarate.
L’articolo assume una posizione normativa forte. L’espansione dell’IA generativa non deve essere trattata come inevitabile; efficienza energetica e «green AI» possono alimentare l’effetto rimbalzo, riducendo il costo di ogni operazione ma moltiplicando gli usi. Lupton introduce così un tema quasi assente negli altri contributi: la sufficienza. Non soltanto come rendere l’IA meno dannosa, ma quanta IA, per quali fini e a beneficio di chi. La decrescita computazionale non è sviluppata in un programma dettagliato, ma rompe l’orizzonte nel quale ogni aumento di capacità appare desiderabile.
Il limite è il rapporto tra critica e comparazione empirica. La rassegna narrativa seleziona letterature interdisciplinari senza una procedura sistematica e tende a riunire sotto un’unica logica fenomeni differenti. Alcune stime ambientali dipendono fortemente dal mix energetico, dal luogo e dal tipo di modello. Ma Lupton non pretende di offrire una contabilità definitiva. Vuole ridefinire l’oggetto sociologico, e in questo riesce: dopo il suo articolo, una sociologia dell’IA che ignori territorio ed ecologia appare incompleta.
7. Cinque testi e quattro tensioni comuni
Il confronto può essere organizzato attorno a quattro tensioni. La prima oppone eccezionalismo e continuità. L’IA richiede categorie nuove o può essere studiata con gli strumenti già disponibili? Davis e Sloane insistono sulla trasformazione infrastrutturale; Liu parla di agency, opacità, generatività e scala come combinazione distintiva; Ruzzeddu mobilita soprattutto classici e teorie della disuguaglianza; Carbonara e Santarelli collocano l’IA nella storia dell’automazione, pur distinguendo le tecnologie generali; Lupton inserisce l’IA nelle genealogie dell’estrattivismo digitale.
La soluzione più convincente non è scegliere. La novità dell’IA non consiste nell’assenza di precedenti, ma nella ricombinazione accelerata di processi esistenti. La razionalizzazione burocratica, il controllo del lavoro, la concentrazione industriale e l’estrazione ecologica precedono i modelli generativi. Cambiano però portata, velocità e capacità di inserirsi in attività linguistiche e cognitive. La teoria classica serve proprio a distinguere il meccanismo persistente dalla configurazione nuova.
La seconda tensione riguarda tecnica e società. Davis e Sloane rischiano di far recedere troppo la tecnica; Liu chiede di collegare interno ed esterno; Carbonara e Santarelli mostrano che definizioni tecniche diverse producono misure incomparabili; Lupton ricostruisce l’hardware e il territorio sotto l’apparente immaterialità. Da questi testi emerge un principio: non occorre che ogni sociologo diventi ingegnere, ma un’analisi adeguata deve sapere quali proprietà del sistema sono decisive per la domanda posta. Studiare discriminazione richiede comprendere dati e classificazione; studiare il lavoro richiede distinguere automazione, generazione e integrazione; studiare l’ambiente richiede conoscere infrastrutture ed energia.
La terza tensione è tra media ed eterogeneità. Le meta-analisi non trovano una distruzione occupazionale sistemica; Ruzzeddu teme l’aumento delle disuguaglianze; Lupton mostra costi concentrati in territori e popolazioni specifiche. Non c’è contraddizione. Un effetto medio vicino a zero può combinare guadagni e perdite molto forti. La domanda sociologica non è soltanto «quanto cambia l’occupazione?», ma «chi guadagna, chi perde, attraverso quali istituzioni e con quale possibilità di opposizione?». Lo stesso vale per l’ambiente: un miglioramento globale di efficienza può accompagnarsi a crisi idriche locali.
La quarta tensione riguarda previsione e diagnosi. Il discorso sull’IA premia futuri spettacolari; la ricerca dispone soprattutto di dati iniziali. Carbonara e Santarelli invitano alla prudenza, Liu distingue diagnosi e profezia, Davis e Sloane contestano le polarizzazioni, Ruzzeddu riconosce la velocità che ostacola la rilevazione. Lupton, pur utilizzando un linguaggio più urgente, fonda la critica sulle infrastrutture già costruite. Insieme propongono un uso maturo dell’incertezza: non attendere la certezza per agire, ma dichiarare ciò che sappiamo, ciò che non sappiamo e quali rischi scegliamo di accettare.
8. Che cosa manca ancora
Il primo vuoto riguarda le organizzazioni. I testi parlano spesso di «adozione» come se una tecnologia entrasse in un’impresa e producesse effetti. In realtà l’adozione è negoziazione: dirigenti definiscono obiettivi, lavoratori adattano procedure, professionisti difendono giurisdizioni, fornitori impongono standard. Due organizzazioni possono utilizzare lo stesso modello in modi opposti. Servono etnografie, dati longitudinali e comparazioni che seguano la trasformazione delle mansioni, non soltanto il numero degli occupati.
Il secondo vuoto è politico. Le raccomandazioni richiamano governance, formazione, monitoraggio e partecipazione, ma raramente specificano chi abbia il potere di imporli alle imprese che controllano modelli e infrastrutture. La trasparenza non nasce dalla buona volontà; dipende da obblighi, capacità ispettive, rappresentanza dei lavoratori e accesso indipendente ai dati. Una sociologia dell’IA deve studiare non solo le politiche pubbliche dichiarate, ma la capacità amministrativa di applicarle e i conflitti che ne definiscono il contenuto.
Il terzo vuoto riguarda il tempo. Gli effetti immediati possono differire da quelli di lungo periodo. Un assistente aumenta la produttività del principiante, ma potrebbe ridurre le occasioni attraverso cui si acquisisce esperienza; una professione conserva l’occupazione mentre perde autonomia; un data center porta entrate oggi e vincoli idrici domani. La sociologia dovrebbe seguire carriere, competenze, territori e istituzioni abbastanza a lungo da distinguere adattamento transitorio e cambiamento strutturale.
Il quarto vuoto è geografico e linguistico. Tutti gli autori riconoscono, in misura diversa, il predominio del Nord globale. I modelli vengono addestrati su lingue e culture disegualmente rappresentate; il lavoro di annotazione e l’estrazione mineraria sono spesso lontani dai luoghi in cui si concentrano profitti e ricerca; le capacità regolative variano. La sociologia comparata può mostrare che non esiste una sola «società dell’IA», ma configurazioni dipendenti da welfare, mercato del lavoro, infrastrutture energetiche e storia coloniale.
Infine manca una piena sociologia della conoscenza prodotta con l’IA. Liu pone il problema, Davis e Sloane valorizzano la riflessività, ma le implicazioni sono ancora aperte. Se modelli proprietari partecipano alla codifica delle interviste, alla costruzione di dati sintetici o alla scrittura scientifica, che cosa accade alla verificabilità? Quali gruppi vengono simulati male? Chi risponde dell’errore? L’uso dell’IA nella sociologia non è solo questione etica; può modificare gli oggetti, i ritmi e i criteri di validità della disciplina.
9. Una valutazione complessiva
I cinque studi mostrano un campo più maturo di quanto suggerisca la retorica dell’emergenza, ma ancora privo di un centro condiviso. Davis e Sloane offrono il manifesto più energico; Liu la mappa teorica più ampia; Ruzzeddu il collegamento più esplicito con disuguaglianza e welfare; Carbonara e Santarelli la verifica empirica più disciplinata; Lupton l’allargamento concettuale più originale. Nessun testo è autosufficiente. Letti insieme si correggono.
Davis e Sloane ricordano che l’IA è infrastruttura sociale, ma Liu impedisce che questa formula resti generica chiedendo di entrare nelle architetture. Ruzzeddu riporta l’attenzione sulle opportunità, mentre Carbonara e Santarelli mostrano quanto sia rischioso dedurre gli effetti dalle sole possibilità tecniche. Lupton rivela che «lavoro» e «società» non esauriscono i costi: l’infrastruttura dipende da mondi viventi e materiali che le statistiche occupazionali non registrano.
La convergenza più importante riguarda il rifiuto dell’inevitabilità. L’IA non porta con sé un futuro già scritto. I suoi effetti dipendono da modelli di impresa, sistemi educativi, relazioni industriali, protezioni sociali, regole ambientali e possibilità di intervento collettivo. Anche la forma tecnica è negoziabile: obiettivi, dati e livelli di automazione sono scelte. Parlare di «impatto» rischia di suggerire che la società sia una superficie passiva colpita dalla tecnologia; questi studi, nei loro momenti migliori, mostrano invece processi di coproduzione.
Un secondo risultato comune è la necessità di sostituire la domanda assoluta «l’IA è buona o cattiva?» con interrogativi situati. Quale sistema, applicato a quale compito, dentro quale organizzazione, con quali dati, costi ecologici e alternative? Chi può contestare la decisione? Chi conserva le competenze per correggerla? La sociologia offre valore quando rende queste specificazioni inevitabili e impedisce che medie aggregate o dimostrazioni tecniche cancellino la distribuzione delle conseguenze.
Un terzo risultato riguarda il metodo. Non basta criticare dall’esterno, ma neppure adottare gli strumenti perché efficienti. Il programma più promettente combina conoscenza tecnica selettiva, indagine qualitativa, dati quantitativi, analisi storica e partecipazione dei soggetti coinvolti. Le arti e le scienze umane, come mostra Lupton, possono inoltre rendere sensibili dimensioni che la misurazione non cattura. L’interdisciplinarità non deve però dissolvere la sociologia: il suo tratto distintivo resta il collegamento tra esperienza individuale, organizzazione e struttura.
10. Conclusione
Questi studi arrivano in un momento nel quale l’IA viene spesso presentata come un esame per la società: sapremo adattarci abbastanza in fretta? La sociologia consente di invertire la domanda. È l’IA, o più precisamente l’insieme di imprese, istituzioni e politiche che la costruiscono, a dover essere sottoposta a esame. Quali problemi risolve davvero? Quali dipendenze crea? Quali forme di lavoro, conoscenza e vita considera sacrificabili? Quale consumo di risorse viene reso invisibile dalla comodità dell’interfaccia?
La risposta non può essere una condanna generale. Carbonara e Santarelli documentano guadagni di produttività e assenza, finora, di una disgregazione occupazionale sistemica. Ruzzeddu mostra opportunità nei servizi e nell’educazione. Liu individua possibilità di collaborazione progettuale e rinnovamento teorico. Ma nessun beneficio tecnico garantisce da solo un esito socialmente desiderabile. Senza istituzioni redistributive, potere contrattuale, controllo democratico e limiti ecologici, l’efficienza può accentuare disuguaglianze già esistenti.
La nozione di «era sociologica» è dunque convincente se non viene intesa come rivendicazione corporativa. Non significa che la sociologia debba sostituire ingegneria, economia o diritto. Significa che l’IA ha raggiunto una fase nella quale le sue prestazioni dipendono dall’organizzazione sociale e i suoi effetti contribuiscono a riorganizzarla. L’unità pertinente non è più il modello isolato, ma il sistema sociotecnico ed ecologico nel quale esso opera.
Il compito della sociologia è rendere quel sistema discutibile. Ciò richiede categorie capaci di seguire l’azione distribuita senza trasformare le macchine in persone; dati abbastanza precisi da distinguere esposizione e sostituzione; osservazione delle organizzazioni e delle professioni; analisi delle catene materiali e globali; attenzione a chi non compare nei dataset. Richiede soprattutto di collegare le promesse generali alle conseguenze situate.
I cinque contributi non chiudono il campo e non potrebbero farlo. Offrono però una lezione comune: la società non deve limitarsi a reagire all’IA, perché è già presente dentro la sua progettazione. Rendere visibile questa presenza è il primo passo per trasformare una tecnologia raccontata come inevitabile in un oggetto di scelta collettiva2.
11. Testi discussi
Liu, Canhui. 2026. The Sociology of AI as an Emerging Field Mapping Tensions and Boundaries. Sociology Compass 20 e70201. https://doi.org/10.1111/soc4.70201.
Lupton, Deborah. 2026. Generative AIs Impacts on the Environment What Can Critical Humanities Scholarship Offer Sociological Inquiry. Sociology Compass 20 e70195. https://doi.org/10.1111/soc4.70195.
Davis, Jenny L. e Mona Sloane. 2026. AIs Sociological Era. Social Science Computer Review 44 1 3 9. https://doi.org/10.1177/08944393251394690.
Ruzzeddu, Massimiliano. 2025. Understanding Artificial Intelligence the Role of Sociology. Rivista Trimestrale di Scienza dell’Amministrazione 2 2025. https://doi.org/10.32049/RTSA.2025.2.09.
Carbonara, Emanuela ed Enrico Santarelli. 2025. The Labor Market Impact of Generative AI A Critical Survey of the Empirical Literature. Rivista Trimestrale di Scienza dell’Amministrazione 4 2025. https://doi.org/10.32049/RTSA.2025.4.04.
Note
- Sono usciti fra il 2025 e il 2026, e si possono consultare anche ad accesso aperto. Jenny L. Davis e Mona Sloane, AI’s Sociological Era, apre come editoriale il fascicolo monografico di Social Science Computer Review intitolato «Che cosa c’è di sociologico nell’IA?» (44, 2026, 1, pp. 3-9); Davis insegna sociologia alla Vanderbilt University, Sloane data science e media studies all’Università della Virginia. Deborah Lupton, del Vitalities Lab dell’Università del Nuovo Galles del Sud, firma in Sociology Compass una rassegna sugli effetti ambientali dell’IA generativa (20, 2026, 5, e70195). Nella stessa rivista Canhui Liu, fra lo UCL Centre for Artificial Intelligence e il dipartimento di sociologia di Cambridge, tenta di mappare la sociologia dell’IA come campo emergente (20, 2026, 5, e70201). Massimiliano Ruzzeddu, dell’Università Niccolò Cusano di Roma, si chiede sulla Rivista Trimestrale di Scienza dell’Amministrazione come l’IA incida sulla disuguaglianza (2025, 2). Sulla stessa rivista Emanuela Carbonara, del dipartimento di sociologia e diritto dell’economia di Bologna, ed Enrico Santarelli, del dipartimento di scienze economiche, passano in rassegna gli studi empirici sul mercato del lavoro (2025, 4). ↩︎
- Gli studi accademici stanno crescendo in maniera esponenziale, in proporzione all’estendersi del policentrismo globale delle ricerche. Il dibattito teorico resta vivacemente aperto, ed è facile perdersi tra i rimandi bibliografici, anche perché molto resta ancora indefinito; in uno studio recente che analizza “91 studi primari da un corpus di 276 articoli correlati all’IA pubblicati tra il 2017 e il 2025” emerge “una prevalenza della ricerca teorica (58 studi) rispetto alle indagini empiriche (35)”. Sono alcuni dei dati che fornice una delle due recenti rassegne che qui indico come utile strumento per orientarsi, che provengono dall’Yazd University (Iran) e dall’University of Chinese Academy of Sciences di Beijing (Cina): Malja, Seyedeh Negin, & Afrasiabi, Hossein (2026). Artificial intelligence and society: mapping the research through a systematic review. AI & Soc, 41, 2877–2913. https://doi.org/10.1007/s00146-025-02555-9 ; Xu, Ruoxi, Sun, Yingfei, Ren, Mengjie, Guo, Shiguang, Pan, Ruotong, Lin, Hongyu, Sun, Le, & Han, Xianpei (2024). AI for social science and social science of AI: A survey. Information Processing & Management, 61(3), 103665. https://doi.org/10.1016/j.ipm.2024.103665 . ↩︎