L’attuale discussione sull’intelligenza artificiale generativa sembra svilupparsi lungo tre direttrici che raramente vengono considerate insieme. La prima riguarda l’energia: quanto consumano i modelli linguistici di grandi dimensioni? Qual è il costo materiale dei data center, dell’addestramento e dell’inferenza? Quale pressione esercita la crescita dell’AI sui sistemi energetici e, più in generale, sull’ambiente?
La seconda riguarda l’automazione del lavoro: quali attività possiamo delegare agli LLM? Quanto tempo possiamo risparmiare affidando a una macchina la scrittura di un testo, la sintesi di documenti, la produzione di codice, la traduzione o l’analisi di informazioni? Che impatto ha l’utilizzo di questi strumenti sulla qualità di ciò che produciamo concretamente?
La terza riguarda le capacità umane: cosa accade alle nostre competenze quando una parte crescente delle nostre attività cognitive viene delegata alle macchine? L’intelligenza artificiale aumenta le nostre capacità oppure, progressivamente, le sostituisce?
Energia, automazione e capacità vengono generalmente trattate come tre problemi differenti e concorrenti. Eppure potrebbe essere utile considerarli come momenti di un unico circuito. Per farlo possiamo partire da una distinzione in vero molto antica: quella aristotelica tra dýnamis (δύναμις) ed enérgeia (ἐνέργεια), che Bernard Stiegler riprende e rielabora nel quadro della propria filosofia della tecnica, dell'individuazione e della noesi.
Da questa analisi emerge una domanda semplice soltanto in apparenza: quanta energia materiale (misurata in kWh) siamo disposti a consumare per delegare enérgeia cognitiva, e quale dýnamis viene prodotta — o distrutta — attraverso questa delega?
L’ipotesi di questo saggio è che il costo energetico degli LLM non possa essere valutato indipendentemente dalla trasformazione delle capacità cognitive prodotta dalla delegazione tecnica. Propongo quindi di chiamare “rendimento noetico” la relazione tra l’energia materiale impiegata da tali sistemi e la variazione di δύναμις individuale e collettiva che il loro utilizzo rende possibile.
1. Dýnamis ed enérgeia
Nella filosofia aristotelica, dýnamis indica la potenza, la capacità, ciò che può essere ma non è ancora necessariamente realizzato. Enérgeia indica invece l’essere in atto, l’esercizio effettivo ed osservabile di una capacità. Saper scrivere è un esempio di dýnamis. Scrivere è espressione di enérgeia. O ancora, possedere la capacità di argomentare è dýnamis, mentre costruire effettivamente un’argomentazione è enérgeia.
La distinzione diventa particolarmente interessante quando introduciamo un sistema tecnico tra questi due momenti. Ad esempio, come essere intelligente posso avere la capacità di leggere e sintetizzare dieci documenti e posso esercitarla personalmente. Ma posso anche chiedere a un LLM di compiere quella sintesi al posto mio. Nel secondo caso, la mia capacità di analisi e sintesi non scompare tuttavia immediatamente. Eppure l’attività concreta attraverso cui quella capacità viene esercitata è stata almeno parzialmente delegata. Tra la mia dýnamis (capacità di sintetizzare documenti) e la mia enérgeia (l’effettivo lavoro di sintesi) è comparso un dispositivo tecnico.
È precisamente questo passaggio a rendere il lavoro di Bernard Stiegler particolarmente interessante per comprendere l’impatto socio-tecnico degli LLM.
2. Stiegler: la tecnica costituisce le nostre possibilità
Stiegler non ha conosciuto l’attuale diffusione degli LLM: è morto nel 2020. Non possiamo quindi attribuirgli una teoria dell’intelligenza artificiale generativa contemporanea. Possiamo però utilizzare le sue categorie per interpretarla. Uno degli aspetti fondamentali del suo pensiero consiste nel rifiuto dell’idea secondo cui l’essere umano sarebbe un soggetto già costituito che, in un secondo momento, decide di utilizzare degli strumenti. Per Stiegler la tecnica partecipa alla costituzione dell’umano.
Scrittura, libri, archivi, fotografie, registrazioni, computer e reti non sono semplicemente depositi inanimati nei quali conserviamo qualcosa che esiste già integralmente nella nostra mente. Modificano concretamente ciò che possiamo ricordare, trasmettere, apprendere e pensare.
Stiegler parla, in questo senso, di ritenzioni terziarie: forme di memoria esteriorizzate su supporti tecnici. Il libro conserva qualcosa che nessuna memoria individuale deve necessariamente trattenere. La biblioteca rende disponibile a un individuo una memoria immensamente superiore alla propria. Internet modifica nuovamente la scala, la velocità e le modalità attraverso cui questa memoria diventa accessibile. Potrebbe sembrare logico e spontaneo pensare che anche l’IA generativa, in particolare gli LLM, stiano semplicemente facendo scalare qualche facoltà umana. Ma in realtà, essi introducono una discontinuità significativa, in quanto la memoria - esteriorizzata in “tracce digitali” - non viene più soltanto conservata e resa consultabile. Diventa in qualche misura operativa.
Ben prima dell’avvento delle moderne tecnologie di generazione artificiale del linguaggio Stiegler aveva intuito e descritto minuziosamente la conseguenza dell’esistenza di tali tracce in ciò che chiamava “governamentalità algoritmica e il capitalismo 24/7”, vale a dire la continua analisi operativa dei dati finalizzata al controllo da parte del sistema avente autorità. Ma l’avvento e l’affermazione degli LLM hanno offerto a questa preconizzazione un esempio lampante: un sistema di IA generativa può sintetizzare, classificare, tradurre, riscrivere, programmare, mettere in relazione informazioni e produrre nuove configurazioni linguistiche a partire da tali tracce, che influenzano direttamente non solo l’agire concreto (enérgeia) ma anche la potenzialità stessa dell’agire (dýnamis).
In poche parole, non esteriorizziamo più soltanto la memoria. Cominciamo a esteriorizzare le operazioni cognitive effettuate sulla memoria.
3. La delega dell’enérgeia
Arrivati a questo punto possiamo formulare una prima ipotesi descrittiva: fondamentalmente, quando utilizziamo un LLM, non deleghiamo necessariamente una capacità, ma possiamo anche solo delegare l’esercizio di quella capacità. Nei termini descritti, deleghiamo una parte dell’enérgeia che attualizza una determinata parte della nostra dýnamis. Posso saper scrivere e chiedere alla macchina di scrivere, saper tradurre e chiedere alla macchina di tradurre, saper programmare e lasciare che produca il codice.
Questo non significa automaticamente perdere la capacità corrispondente. Ma introduce una domanda fondamentale: che cosa accade a una dýnamis che non viene più esercitata?
Il problema può essere letto attraverso un altro concetto centrale nella filosofia di Stiegler: la proletarizzazione. La proletarizzazione non indica in Stiegler primariamente una condizione economica. È soprattutto una perdita di sapere. Come descritto brillantemente nell’opera stiegleriana “La società Automatica: 1. Il destino del lavoro” la società ha proseguito, negli ultimi due secoli, a mettere in atto una serie di “perdite strategiche” delle proprie facoltà. Stiegler distingue in particolare la perdita del saper fare (savoir-faire), quando competenze e gesti vengono incorporati nelle macchine e nei processi industriali; la perdita del saper vivere (savoir-vivre), quando comportamenti, desideri e forme della vita quotidiana vengono prescritti e standardizzati dai dispositivi del consumo; e la perdita del saper pensare (savoir penser), quando anche le operazioni cognitive, interpretative e decisionali vengono delegate ai sistemi tecnici. La proletarizzazione è quindi un processo di disindividuazione: non perdiamo soltanto ciò che sappiamo, ma anche la possibilità di esercitare quei saperi e, attraverso il loro esercizio, di trasformarli e trasformare noi stessi. In termini di dýnamis ed energéia, potremmo dire che quando l’energéia di un sapere viene sistematicamente trasferita al dispositivo tecnico, è la stessa dýnamis dell’individuo — la sua capacità di fare, vivere e pensare — a rischiare progressivamente di impoverirsi.
Con gli LLM si profila così la possibilità di una proletarizzazione cognitiva. Non semplicemente perché “la macchina fa il lavoro al posto nostro”, ma perché l’esercizio ripetuto di certe facoltà viene progressivamente trasferito all’infrastruttura tecnica.
La questione diventa allora: se deleghiamo sistematicamente l’enérgeia, cosa accade alla dýnamis?
4. Il doppio taglio del pharmakon
Sarebbe tuttavia poco stiegleriano concludere che la delega tecnica sia necessariamente negativa. Per Stiegler, infatti, la tecnica è un pharmakon: contemporaneamente rimedio e veleno. La stessa tecnologia che può diminuire una capacità può anche crearne di nuove.
A questo proposito, consideriamo due modalità di utilizzo di un LLM. Nel primo caso chiediamo:
“Scrivimi un’analisi di questo testo che posso consegnare.”
Nel secondo:
“Questa è la mia interpretazione. Individua tre punti deboli, costruisci due obiezioni e fammi domande che mi costringano a precisare il mio ragionamento.”
Nel primo caso il sistema tende a sostituire l’enérgeia che avremmo dovuto esercitare.
Nel secondo utilizziamo l’enérgeia del sistema per stimolare la nostra e, di conseguenza, per stimolare la nostra dýnamis.
La tecnologia è la stessa, ma ciò che cambia è il circuito di individuazione nel quale viene inserita. Possiamo rappresentare schematicamente il primo circuito:
dýnamis umana → delega dell’enérgeia → progressivo disuso → possibile riduzione della dýnamis
Il secondo segue invece una dinamica differente:
dýnamis umana → interazione con l’enérgeia tecnica → nuova enérgeia umana → aumento della dýnamis
L’LLM può dunque essere contemporaneamente una macchina di automazione e una macchina di capacitazione. La distinzione decisiva non è semplicemente tra utilizzare e non utilizzare l’AI quanto piuttosto tra delegazione che sostituisce capacità e delegazione che genera nuove capacità.
Una domanda altrettanto interessante è la seguente: la macchina possiede una dýnamis? Quando scateniamo l’energéia artificiale attraverso l’uso di un sistema LLM stiamo interagendo – in qualche modo – con una forma (nascosta o esplicita) di dýnamis artificale? Il dibattito odierno su questo tema è estremamente acceso tra chi tende a considerare i sistemi di IA come esempi di “Realizzabilità artificiale dell’Intelligenza” - RAI - e tra chi li vede invece come esempi di “Realizzazione multipla dell’agire” – RMA - (cfr. L. Floridi, “La Differenza Fondamentale”). Sotto la lente aristotelico-stiegleriana, i due atteggiamenti filosofici sembrano risolvere rispettivamente verso un’accentuazione della dýnamis e dell’enérgeia artificiali.
Di particolare rilevanza per il presente discorso è anche il programma di ricerca che ha portato alla definizione del concetto di epistemia, vale a dire l’illusione di sapere instillata nell’utilizzatore dalla plausibilità delle espressioni linguistiche generate dall’IA (cfr. E. Loru et al. “The simulation of judgment in LLMs”). Tale illusione agisce come una cortocircuitazione della dýnamis umana in quanto sminuisce fino ad annullare la necessità di verifica degli artefatti generati dall’IA da parte di essa.
Lungi dal voler presentare attraverso questo scritto una visione ultimativa su questi argomenti complessi, possiamo tuttavia congetturare che l’estrema adattabilità e capacità di generalizzazione dei sistemi artificiali moderni siano il risultato della concretizzazione tecnica di una forma di dýnamis artificiale, largamente indipendente dal corrispettivo umano, e risultato di processi tecnici alieni rispetto all’intelligenza biologica. Questa posizione ci fa propendere verso l’opzione “RMA” presentata da Floridi, nella quale confluiamo per analogia di ragionamento.
5. Enérgeia ed energia
A questo punto compare una dimensione ulteriore. L’enérgeia tecnica non è totalmente immateriale. Ogni operazione effettuata da un LLM richiede un’infrastruttura fisica: semiconduttori, server, reti, sistemi di raffreddamento, edifici, acqua, elettricità e catene produttive e di approvvigionamento globali. In una parola: energia.
Occorre però introdurre una cautela concettuale in quanto l’enérgeia aristotelico-stiegleriana non coincide con l’energia fisica misurata in joule o kilowattora. Confondere direttamente le due nozioni sarebbe un errore. D’altra parte, proprio la loro differenza rende interessante metterle in relazione e per fare questo possiamo distinguere almeno tre dimensioni.
Chiamiamo Eₘ l’energia materiale necessaria al funzionamento dell’infrastruttura computazionale. Potremmo pensare a questa quantità come una combinazione tra l’energia spesa a generare un’unità di informazione (ad esempio, un token), la porzione di energia necessaria al sostentamento di base dell’infrastruttura (ad esempio per la manutenzione evolutiva dei datacenter) e la porzione di energia necessaria allo sviluppo di nuove tecnologie e schemi di addestramento.
Chiamiamo Eᵈ l’enérgeia cognitiva delegata: l’insieme delle operazioni che avremmo potuto esercitare personalmente per portare a termine un compito ma che trasferiamo al sistema tecnico. Potremmo interpretare questa quantità come il numero di operazioni cognitive (ad esempio accesso alla memoria e uso dell’attenzione, uso della logica) “risparmiate”.
Chiamiamo infine Dₕ la dýnamis umana: l’insieme delle capacità che un individuo o una collettività possono sviluppare e potenzialmente esercitare per la risoluzione di una classe di problemi. In questo caso l’interpretazione esemplificativa è più complessa, ma per la finalità di questo ragionamento potremmo identificare questa quantità come la capacità del soggetto di appropriarsi delle ritenzioni disponibili e di attualizzarle autonomamente in pratiche, giudizi e nuovi saperi.
La questione dell’intelligenza artificiale può allora essere riformulata attraverso la seguente domanda: quale relazione esiste tra Eₘ, Eᵈ e Dₕ?
6. Lo scambio tra enérgeia umana ed energia materiale
Ritorniamo al nostro esempio iniziale e supponiamo di dover leggere e sintetizzare dieci documenti. Se svolgiamo personalmente il lavoro, esercitiamo una quantità considerevole di attività cognitiva. Se chiediamo a un LLM di farlo, una parte di questa attività viene trasferita al sistema tecnico.
Accade allora qualcosa di interessante. Per la soluzione del compito si ha una diminuzione di consumo di enérgeia cognitiva e un aumento di energia materiale come effetto del trasferimento di parte dell’attività dal sistema biologico-cognitivo al sistema tecnico-computazionale:
enérgeia cognitiva ↓ → energia materiale ↑
Anche ammettendo che la qualità del risultato sia la medesima ottenibile dall’applicazione dell’enérgeia cognitiva risparmiata (cfr. A. Messina, “Stopwatch Blindness: the hidden quality gap in AI-productivity hype”), la mera osservazione di questo scambio non è ancora sufficiente per stabilire se l’operazione sia desiderabile. Dobbiamo ancora osservare cosa accade alla dýnamis.
In prima istanza, supponiamo che il tempo liberato dalla sintesi automatica venga utilizzato per confrontare criticamente le fonti, formulare nuove ipotesi, discutere le contraddizioni e prendere decisioni migliori. Avremmo allora:
enérgeia cognitiva ↓ → energia materiale ↑ → enérgeia cognitiva ↑ → dýnamis umana ↑
Abbiamo consumato energia fisica per delegare un’attività, ma quella delega ha liberato le condizioni per sviluppare capacità cognitive (dýnamis) ulteriori attraverso l’utilizzo dell’enérgeia cognitiva risparmiata.
Consideriamo quindi il caso opposto. Non leggiamo più i documenti. Non costruiamo più sintesi. Non esercitiamo più la capacità di distinguere ciò che è centrale da ciò che è marginale. Progressivamente diventiamo dipendenti dalla sintesi automatica. Avremmo:
enérgeia cognitiva ↓ → energia materiale ↑ → enérgeia cognitiva ↓ → dýnamis umana ↓
Ed emerge così un paradosso: portando all’estremo questo schema potremmo finire per consumare quantità crescenti di energia materiale per produrre una diminuzione delle nostre capacità. Oppure, in una formula ancora più provocatoria finiremmo per consumare sempre più energia per produrre sempre più impotenza.
7. Il rendimento noetico dell’IA
La prospettiva illustrata permette di introdurre un criterio differente per valutare l’efficienza dei sistemi di intelligenza artificiale. Normalmente l’efficienza viene considerata in termini computazionali ed economici, portando con sé domande quali: quanti token possiamo produrre per unità di energia? Quanto costa un’inferenza? Quanto lavoro umano possiamo sostituire? Quanto tempo possiamo risparmiare?
Sono tutte domande importanti, ma incomplete sotto la lente che ha informato fin qui la nostra disamina, in conseguenza della quale dovremmo aggiungerne un’altra: quanta nuova dýnamis viene prodotta per unità di energia materiale consumata con l’utilizzo dei sistemi di IA generativa?
Potremmo chiamare questa relazione, almeno provvisoriamente, rendimento noetico dell’IA. In concreto, invece di considerare soltanto quanti token al kilowattora si riescono a produrre, dovremmo essere capaci di pensare a qualcosa che misuri la quantità di dýnamis prodotta (o consumata) attraverso il consumo della medesima energia materiale. Va immediatamente detto che non si tratta necessariamente di una grandezza immediatamente quantificabile. È innanzitutto un criterio filosofico e politico in quanto ci obbliga a domandarci non soltanto quanto efficientemente una macchina produca output, ma quali capacità individuali e collettive emergano (o svaniscano) da quella produzione.
Un sistema estremamente efficiente nel produrre miliardi di contenuti che nessuno desidera leggere potrebbe avere un rendimento computazionale elevatissimo e un rendimento noetico prossimo allo zero, se non addirittura negativo. Un sistema utilizzato per accelerare ricerca scientifica, apprendimento, accessibilità, esplorazione intellettuale o acquisizione di competenze potrebbe invece produrre nuova dýnamis.
La sostenibilità dell’AI non sarebbe allora soltanto una questione di riduzione dei consumi, ma diventerebbe una questione di qualità delle possibilità prodotte attraverso quei consumi. Questo ci dà direttamente anche un metro di carattere etico per l’utilizzo dell’IA: un utilizzo eticamente preferibile dell’IA è quello che produce un incremento netto di dýnamis individuale o collettiva.
8. La dýnamis non scompare: può trasferirsi
Esiste però una complicazione ulteriore. Quando una capacità individuale diminuisce, la dýnamis complessiva del sistema risultato dell’unione tra umano e sistema tecnico non necessariamente diminuisce, ma può spostarsi e trasformarsi.
Consideriamo un’organizzazione che introduce sistematicamente gli LLM nei propri processi. Inizialmente i dipendenti possiedono determinate competenze (dýnamis): scrittura, analisi, programmazione, assistenza, ricerca, conoscenza delle procedure. Progressivamente una parte delle attività conseguenti a queste capacità (enérgeia) viene incorporata nei sistemi tecnici.
L’organizzazione può diventare complessivamente più produttiva proprio mentre alcuni individui diventano meno capaci di svolgere autonomamente le attività automatizzate (diminuzione della dýnamis umana). La dýnamis non è quindi semplicemente distrutta, essa viene redistribuita.
Ciò che precedentemente era incorporato nelle persone può essere progressivamente incorporato nei dati (in forma di tracce mnestiche, ritenzioni terziarie) e modelli, nei workflow, nei database, nei prompt, negli skill agentici e nelle piattaforme.
La domanda sulla capacità diventa quindi inevitabilmente una domanda sulla potenza: Chi possiede la dýnamis artificiale? Chi può esercitarla? Chi controlla l’infrastruttura nella quale quella capacità è stata trasferita? Chi può continuare ad agire quando l’infrastruttura non è disponibile? Chi possiede il sapere necessario per contestarne gli output?
La proletarizzazione cognitiva non significherebbe quindi semplicemente perdita assoluta di sapere ma anche una concentrazione tecnica del sapere. Un’opposizione efficace a questo scenario consiste non tanto nel rifiuto dell’automazione in sé quanto nell’aumento dell’impegno per la conservazione ed evoluzione della dýnamis umana, anche attraverso un utilizzo dell’IA secondo criteri e modalità che forniscano feedback positivo ad essa (rendimento noetico positivo).
Possiamo ora vedere il circuito nella sua interezza. All’inizio abbiamo risorse materiali ed energia, e queste alimentano un’infrastruttura computazionale verso la quale deleghiamo l’enérgeia in quanto essa rende possibile l’automazione di determinate operazioni cognitive. L’automazione modifica il modo in cui gli individui esercitano, mantengono e fanno evolvere le proprie capacità e questa trasformazione modifica, nel tempo, la distribuzione della dýnamis tra individui, organizzazioni e sistemi tecnici.
A questo punto ecologia, economia politica e filosofia della tecnica smettono di essere problemi separati e il concetto di energia assume un doppio senso: è assieme la condizione materiale che permette alla macchina di operare, ma attraverso quell’operazione contribuisce anche a modificare la distribuzione sociale delle capacità.
9. Oltre la produttività: verso un’ecologia della dýnamis
Quanto proposto in precedenza permette forse di formulare il problema ambientale dell’intelligenza artificiale in termini differenti. La domanda ormai tradizionale è: quanto consumano gli LLM?
Pur essendo una domanda necessaria, abbiamo capito che potrebbe non essere sufficiente. Essa va complementata da almeno altre due domande: quale attività umana sostituisce questo consumo? quali capacità vengono prodotte o distrutte attraverso quella sostituzione?
Potremmo chiamare questa prospettiva tripartita ecologia della dýnamis, un atteggiamento di pensiero che non valuta una tecnologia esclusivamente in base alla quantità di energia che consuma, né esclusivamente in base alla quantità di lavoro che automatizza, ma che valuta il circuito complessivo:
energia → automazione → capacità → individuazione.
Da questo punto di vista, due utilizzi dello stesso modello, con consumi energetici simili, possono avere valori radicalmente differenti a seconda del contesto socio-tecnico nel quale avviene tale utilizzo, vale a dire per automatizzare quali compiti e a fronte di quale politica di rinforzo e mantenimento delle competenze degli utilizzatori.
Utilizzare energia computazionale per generare automaticamente milioni di email commerciali indesiderate può produrre una quantità enorme di output e pochissima nuova capacità sociale. Utilizzare quella stessa infrastruttura per permettere a un ricercatore di esplorare ipotesi che non avrebbe potuto verificare, a uno studente di confrontarsi con obiezioni sempre nuove o a una persona di acquisire una competenza precedentemente inaccessibile può produrre nuova dýnamis.
Il problema della sostenibilità assume così una dimensione noetica, che ci impone di non domandarci soltanto quanta energia richiede la produzione di un token, ma anche quale processo noetico rende possibile la generazione del medesimo token, quale processo noetico ne viene impattato e con quale segno.
Questo ragionamento conduce infine a mettere in discussione uno dei criteri dominanti con cui stiamo valutando l’intelligenza artificiale: la produttività, ovverosia la quantità di prodotto generato nell’unità di tempo. Un’organizzazione può produrre più documenti, più codice, più presentazioni, più analisi e più comunicazioni con meno ore di lavoro umano. Dal punto di vista economico, questo appare immediatamente come un guadagno. Ma mentre la produttività misura essenzialmente la quantità e qualità di output ottenuti rispetto agli input spesi, non misura necessariamente la trasformazione delle capacità di chi partecipa al processo. Un’impresa potrebbe diventare enormemente più produttiva e contemporaneamente più fragile perché il sapere dei suoi membri viene progressivamente incorporato in sistemi che nessuno comprende integralmente.
10. Conclusioni
In questo saggio ho descritto come gli LLM possano essere analizzati come dispositivi di conversione tra energia materiale ed ἐνέργεια cognitiva; tale conversione produce effetti sulla δύναμις degli individui e delle collettività. La valutazione dell’efficienza dell’AI dovrebbe pertanto includere, oltre al rendimento computazionale ed economico, un rendimento noetico capace di interrogare non soltanto quanta capacità viene prodotta per unità di energia consumata, ma come tale capacità viene distribuita tra individui, organizzazioni e sistemi tecnici.
Da quanto detto emerge quindi che assieme a stabilire quanto lavoro possiamo automatizzare con l’IA dobbiamo anche chiederci quale tipo di essere umano e quale tipo di organizzazioni emergano dall’automazione.
Da questo punto di vista, gli LLM non fanno altro che rendere visibile una relazione che la modernità industriale conosce già da molto tempo: quella tra energia, automazione e capacità. In questo, essi non sono altro che un’ulteriore istanza del medesimo, antico, processo di industrializzazione.
L’osservazione che l’automazione non riguarda più soltanto il gesto fisico ma investe direttamente operazioni che consideravamo caratteristiche dell’attività cognitiva (scrivere, sintetizzare, tradurre, classificare, programmare, argomentare) è in linea con quanto preconizzato da Stiegler nella sua descrizione diacronica della progressiva cessione dei saperi, e per questo la distinzione tra dýnamis ed enérgeia acquista una nuova attualità.
Più che un approccio rivoluzionario, l’argomentazione qui prodotta ha il senso di risvegliare in noi l’impulso di domandarci, ogni qual volta deleghiamo un’attività a una macchina una serie di domande: quale enérgeia stiamo delegando? quanta energia materiale è necessaria per delegarla? quale dýnamis viene liberata attraverso questa delega? quale dýnamis rischia invece di atrofizzarsi? dove si trasferisce la capacità che non esercitiamo più?
Sono domande che collegano direttamente sostenibilità, educazione, lavoro e politica della tecnologia senza un’adeguata e strutturale soluzione delle quali potremmo costruire sistemi sempre più efficienti nel generare output e contemporaneamente società sempre meno capaci di comprenderli, contestarli e produrli autonomamente. Oppure, come alternativa ottimistica, possiamo utilizzare l’enérgeia delle macchine per moltiplicare la dýnamis degli individui e delle collettività.
È questa ambivalenza a rendere l’intelligenza artificiale un pharmakon in senso stiegleriano, e che ci dovrebbe far domandare non soltanto quanta energia stiamo consumando per produrre un token, ma che cosa stiamo diventando mentre lo produciamo.