FONTE : https://volerelaluna.it/controcanto/2026/05/29/lintelligenza-artificiale-morira-di-fame/

L’intelligenza artificiale morirà di fame

29-05-2026 - di: Mauro Munzi

Autore: Mauro Munzi

Quando nel 1865 William Stanley Jevons pubblica The Coal Question (“La questione del

carbone”) l’argomento è apparentemente paradossale; sotto la lente della riflessione

appare invece come puramente logico. Più diventa efficiente l’uso del carbone (motori

a vapore migliori, processi industriali ottimizzati), più aumenta quantitativamente il

suo consumo. La ragione è semplice: l’aumento di efficienza riduce il costo unitario per

unità di resa, il costo unitario abbassato apre nuove applicazioni economiche, le nuove

applicazioni assorbono e poi superano in numerosità il risparmio generato dalla quantità di

prodotto risparmiato. Quel che si lucra in efficienza, si scialacqua in espansione. Jevons

era preoccupato dell’esaurimento delle miniere inglesi e la sua diagnosi è stata letta, per

un secolo, come misura di ecologia tecnocratica ottocentesca: è diventata invece la più

precisa descrizione disponibile della dinamica capitalistica nel suo rapporto con

qualunque risorsa; efficienza e accumulazione si tengono, e ogni miglioramento tecnico

è già implicitamente l’ascesa a un livello superiore del problema che si voleva risolvere.

Vediamo ora il paradosso applicato alla macchina cognitiva contemporanea. La materia

prima dell’intelligenza artificiale generativa non è il carbone, è il dato. E il dato, nella

sua forma primaria, è lavoro vivo del genere umano oggettivato in testo, immagine, suono,

comportamento. I modelli di linguaggio diventano sempre più efficienti nel processarlo

(una general purpose technology, nella divulgazione di Brynjolfsson e McAfee):

addestramento più rapido, parametri più densi, capacità di sintesi più sofisticate. Ma

l’efficienza algoritmica, esattamente come quella industriale ottocentesca, non

riduce la domanda di materia prima; la espande. Più i modelli sono efficienti, più si

trovano applicazioni che li impiegano (assistenti vocali sui comodini, moderazione

contenuti, generazione di codice, sostituzione del lavoro impiegatizio, sorveglianza nelle

strade), più aumenta la domanda di dati per addestrarli, riaddestrarli, validarli,

ottimizzarli. Il paradosso di Jevons si trasferisce al campo dell’apprendimento

automatico de plano: maggiore efficienza nell’estrazione del dato umano significa

maggiore consumo totale di dato umano.

A questo paradosso “esterno” si aggiunge una contraddizione interna che il dato

condivide con il carbone solo in parte. Il carbone, una volta bruciato, è bruciato; il dato,

una volta estratto, come d’altronde il software, può essere riusato, merce cognitiva

avvolta nel feticismo; nonostante ciò, il dato umano originario resta una risorsa finita.

La quantità di testo scritto, di immagini prodotte e di voci registrate dal genere umano è

storicamente determinata: quel volume può apparire enorme, ma non è inesauribile, e la

velocità con cui i modelli lo ingoiano supera ormai la velocità con cui il genere umano lo

produce. Quando il giacimento originario si esaurisce o si riduce sotto la soglia di

addestramento richiesta dalla complessità dei modelli, la macchina cognitiva passa al dato

sintetico, cioè al dato generato da altre macchine cognitive. È a questo punto che si

manifesta il fenomeno che la letteratura tecnica chiama model collapse (“collasso del

https://volerelaluna.it/controcanto/2026/05/29/lintelligenza-artificiale-morira-di-fame/

modello”): la qualità del modello degrada progressivamente perché si nutre dei

propri scarti, che riproducono e amplificano le sue distorsioni in un movimento

autoreferenziale.

Kate Crawford ha formulato la diagnosi giusta: “autofagia”. Il termine non è metaforico,

è clinico (riprende il vocabolario della biologia cellulare per indicare la condizione in cui la

cellula digerisce i propri componenti per mancanza di nutrienti esterni). Trasferito al

campo: la macchina cognitiva del capitalismo computazionale, spinta dalla legge

dell’accumulazione a divorare ogni residua riserva di dato umano e poi a digerire i propri

prodotti sintetici, finisce per consumare le proprie condizioni materiali di esistenza. Il

general intellect umano oggettivato, che è la materia prima storica della macchina, viene

esaurito dal capitale e sostituito con un prodotto sintetico del capitale stesso: e il

movimento è strutturalmente irreversibile.

Il paradosso di Jevons riformulato per il dato, mostra che la frattura metabolica del

capitalismo computazionale non è solo esterna (estrazione di litio, consumo idrico,

emissioni di CO?), è anche interna alla logica stessa dell’accumulazione

algoritmica. La macchina cognitiva non sta solo divorando il pianeta nelle sue condizioni

fisiche di esistenza; sta divorando il sapere accumulato della specie nelle sue condizioni

cognitive di esistenza; quando, fra qualche anno, i modelli generativi inizieranno a

collassare nei loro ricicli interni di dati sintetici, ci si chiederà come una tecnologia

“così promettente” abbia manifestato così repentinamente il proprio limite. La risposta era

già scritta in The Coal Question: il paradosso era prevedibile dal 1865, e applicato all’IA

già percepibile dal 2024 quando hanno cominciato a circolare i primi paper sul model

collapse.

Marx, nel Frammento sulle macchine, individua nel capitalismo una contraddizione

crescente tra la misura del valore fondata sul tempo di lavoro e la ricchezza prodotta dallo

sviluppo dello general intellect, cioè del sapere sociale incorporato nelle macchine; da qui

emerge una tensione storica che può aprire la possibilità del superamento dello stato di

cose presente; egli aveva visto la contraddizione fra il tempo di lavoro come misura del

valore e la ricchezza prodotta dallo “stato generale della scienza”. Quel che non poteva

vedere è la forma autofaga con cui questa contraddizione, nel capitalismo

computazionale, si manifesta, e cioè come consumo accelerato del general intellect stesso

da parte del capitale fisso che lo cristallizza in intelligenza artificiale. Il paradosso di

Jevons applicato all’autofagia dei dati è la traduzione contemporanea della legge

tendenziale della caduta del saggio del profitto: il capitale, per sostenere il proprio

incremento di plusvalore algoritmico, deve consumare le condizioni cognitive di possibilità

della produzione di valore stessa. Il capitalismo digitale è un sistema che, lasciato a

sé, divora il proprio fondamento materiale e simbolico insieme. Non c’è via d’uscita

dall’autofagia senza socializzazione del general intellect; ridurla a proposta “etica” è solo

cosmesi di sostenibilità digitale

===========================

COPILOT

Ecco una sintesi per punti, chiara e breve, del post:

Sintesi per punti

Jevons e il carbone (1865)
- Aumentare l’efficienza nell’uso di una risorsa non ne riduce il consumo: lo aumenta.
- Più il carbone diventava “efficiente”, più cresceva la domanda complessiva.
Applicazione all’IA generativa
- La materia prima dell’IA non è il carbone, ma il dato umano (testi, immagini, audio, comportamenti).
- Migliorare l’efficienza dei modelli non riduce la richiesta di dati: la espande.
- Più l’IA diventa utile, più cresce il numero di applicazioni e quindi la fame di dati.
Limite strutturale: i dati umani sono finiti
- La produzione storica di contenuti umani è enorme ma non infinita.
- I modelli consumano dati più velocemente di quanto l’umanità ne produca.
Passaggio al dato sintetico
- Quando i dati umani scarseggiano, i modelli vengono addestrati su dati generati da altre IA.
- Questo porta al model collapse: degradazione progressiva della qualità perché il modello si nutre dei propri errori.
Autofagia dell’IA (Kate Crawford)
- L’IA entra in una dinamica “autofaga”: consuma i propri stessi prodotti per mancanza di nutrienti esterni.
- Il capitalismo computazionale divora la risorsa che lo sostiene: il sapere umano.
Contraddizione interna del capitalismo digitale
- Non solo impatto ambientale (litio, acqua, CO₂), ma anche impoverimento cognitivo: l’IA consuma il “general intellect” umano.
- Quando i modelli collasseranno, sembrerà improvviso, ma il limite era già inscritto nella logica dell’accumulazione.
Rilettura marxiana
- Marx aveva visto la tensione tra valore basato sul lavoro e ricchezza prodotta dal sapere sociale.
- Oggi questa contraddizione assume forma autofaga: il capitale consuma il sapere che lo genera.
Conclusione politica
- Il capitalismo digitale, lasciato a sé, divora le sue stesse basi materiali e simboliche.
- L’unica via d’uscita è la socializzazione del general intellect; le proposte “etiche” sono solo cosmetica.

Se vuoi, posso anche prepararti una versione ancora più breve, oppure una mappa concettuale.

================================

CLAUDE

Scheda

Autore: Mauro Munzi
Titolo: L'intelligenza artificiale morirà di fame
Fonte: Volere la luna, sezione "Controcanto" — 29 maggio 2026
URL: https://volerelaluna.it/controcanto/2026/05/29/lintelligenza-artificiale-morira-di-fame/

1. Occhiello/KW

Paradosso di Jevons, capitalismo computazionale, autofagia dei dati (Kate Crawford), model collapse, general intellect, frammento sulle macchine, caduta tendenziale del saggio di profitto, socializzazione del general intellect

2. Abstract

Munzi applica il paradosso di Jevons — formulato nel 1865 a proposito del carbone: l'aumento di efficienza non riduce ma espande il consumo della risorsa — all'intelligenza artificiale generativa, la cui materia prima è il dato umano oggettivato (testo, immagine, suono, comportamento). Più i modelli diventano efficienti nel processare dati, più si moltiplicano le applicazioni che li impiegano, più cresce la domanda aggregata di dati per addestrarli. A differenza del carbone, però, il dato umano originario è una risorsa finita che si esaurisce più velocemente di quanto la specie umana lo produca; quando il giacimento si esaurisce, i modelli passano al dato sintetico (generato da altre macchine), innescando il fenomeno del model collapse — degradazione progressiva per autoreferenzialità. Munzi riprende la diagnosi di Kate Crawford ("autofagia", in senso clinico-biologico) e la salda al Frammento sulle macchine di Marx: la contraddizione fra tempo di lavoro come misura del valore e ricchezza prodotta dal general intellect si manifesta oggi come consumo accelerato, da parte del capitale, delle proprie condizioni cognitive di esistenza. Conclusione: non c'è uscita dall'autofagia senza socializzazione del general intellect; ogni soluzione "etica" o di sostenibilità digitale che non tocchi i rapporti di proprietà è mera cosmesi.

3. Analisi sintetica per punti

Il paradosso di Jevons (1865): efficienza tecnica e accumulazione si tengono — ogni risparmio unitario genera nuove applicazioni che assorbono e superano il risparmio stesso; non riduzione ma espansione del consumo aggregato.
Trasposizione all'IA generativa: la materia prima non è il carbone ma il dato, definito esplicitamente come "lavoro vivo del genere umano oggettivato". L'efficienza algoritmica (richiamo a Brynjolfsson-McAfee, "general purpose technology") non riduce la domanda di dati, la espande attraverso la proliferazione di applicazioni (assistenti vocali, moderazione contenuti, generazione di codice, sostituzione del lavoro impiegatizio, sorveglianza).
La differenza col carbone — finitezza del dato umano: il dato può essere riusato (a differenza del carbone "bruciato una volta per tutte"), ma il dato umano originario resta storicamente determinato e finito; la velocità di estrazione supera quella di produzione umana.
Model collapse: quando il giacimento originario si esaurisce, i modelli si addestrano su dato sintetico (prodotto da altre macchine), con degradazione progressiva della qualità per amplificazione autoreferenziale delle distorsioni.
"Autofagia" (Kate Crawford): termine ripreso dalla biologia cellulare in senso clinico, non metaforico — la macchina cognitiva, spinta dalla legge dell'accumulazione, finisce per consumare le proprie condizioni materiali di esistenza, in un processo definito "strutturalmente irreversibile".
Doppia frattura metabolica: non solo esterna (litio, consumo idrico, CO2 — il versante ecologico già noto della critica al digitale), ma interna alla logica stessa dell'accumulazione algoritmica — il capitale divora anche il sapere accumulato della specie nelle sue condizioni cognitive.
Innesto su Marx (Frammento sulle macchine): la contraddizione fra tempo di lavoro come misura del valore e ricchezza prodotta dal general intellect (sapere sociale incorporato nelle macchine) viene letta da Munzi come prefigurazione — ma Marx non poteva prevedere la forma autofaga specifica con cui tale contraddizione si manifesta nel capitalismo computazionale.
Lettura come trasposizione della caduta tendenziale del saggio di profitto: il capitale, per sostenere il plusvalore algoritmico, deve consumare le condizioni cognitive stesse della produzione di valore — un'autodivorazione del proprio fondamento materiale e simbolico.
Conclusione politica: nessuna via d'uscita dall'autofagia senza socializzazione del general intellect; le proposte "etiche" di sostenibilità digitale, se non toccano la proprietà e il controllo sociale del sapere accumulato, sono pura cosmesi.

4. Elenco concetti-soggetti chiave

Paradosso di Jevons (The Coal Question, 1865)
Dato come lavoro vivo oggettivato
Model collapse / dato sintetico
Autofagia (Kate Crawford)
Frammento sulle macchine (Marx) e general intellect
Legge tendenziale della caduta del saggio di profitto, riformulata in chiave algoritmica
Frattura metabolica (doppia: ecologica ed epistemico-cognitiva)
Socializzazione del general intellect vs "etica" come cosmesi

5. Conclusione critica

Il testo di Munzi si colloca nel filone più rigorosamente marxista della critica al capitalismo digitale — vicino per impianto teorico a Monthly Review (Sweezy/Magdoff, Brett Clark, Te Li sulla termodinamica dell'IA) già trattati nel suo percorso di analisi, e per struttura argomentativa anche alla linea ecoMarxista: l'operazione di saldare il paradosso di Jevons (categoria nata per l'ecologia industriale) all'estrazione di dati è elegante e individua un vero punto cieco del dibattito mainstream sull'IA, che tende a trattare l'efficienza computazionale come pura virtù tecnica senza vederne il rovescio espansivo.

Alcuni nodi critici da segnalare:

Solidità del trasferimento concettuale Jevons→dato: il paradosso di Jevons descrive un meccanismo macroeconomico aggregato (costo unitario↓ → nuove applicazioni → domanda totale↑) verificato empiricamente per risorse fisiche fungibili come il carbone. La sua applicazione al dato presuppone che valgano le stesse condizioni di sostituibilità ed elasticità della domanda — un'estensione plausibile ma che l'articolo non argomenta empiricamente (non cita dati su crescita dei dataset di addestramento, costi marginali di acquisizione dati, ecc.), restando più a livello di analogia strutturale persuasiva che di dimostrazione quantitativa.
Il nesso fra autofagia (Crawford) e "irreversibilità strutturale": Munzi presenta il collasso come "strutturalmente irreversibile", ma questa è una forzatura rispetto alla letteratura tecnica sul model collapse, che generalmente la presenta come un problema mitigabile (tramite curatela dei dataset, watermarking del sintetico, accordi di licenza per dati nuovi, dati multimodali non testuali) più che come un destino ontologico ineludibile del capitalismo computazionale. L'innesto nella cornice della caduta tendenziale del saggio di profitto rischia quindi di trasformare un problema tecnico-contingente (qualità dei dati di addestramento) in una legge di movimento del capitale assimilabile a quelle classiche — operazione teoricamente fertile ma che meriterebbe più cautela nel passaggio dal piano tecnico a quello delle "leggi tendenziali".
La conclusione politica resta assertiva più che argomentata: la formula "nessuna via d'uscita dall'autofagia senza socializzazione del general intellect" è coerente con l'impianto marxiano richiamato, ma l'articolo non specifica cosa significhi concretamente "socializzare" l'estrazione di dati o l'addestramento dei modelli (proprietà pubblica delle infrastrutture computazionali? commons di dati? diritti di proprietà intellettuale collettivi sul dato prodotto dagli utenti?) — un salto diretto dalla diagnosi strutturale alla prescrizione politica, tipico del genere "controcanto" ma che lascia aperta la domanda sul come, esattamente il terreno su cui si gioca la distanza fra critica radicale e proposte regolative (il nodo che Lei ha più volte rilevato nella distinzione fra autori come Balbo, che trattano i problemi come errori tecnici, e la tradizione di critica strutturale qui rappresentata).

Nel complesso, un contributo denso e ben argomentato che arricchisce il filone della critica ecologico-cognitiva al capitalismo digitale con una chiave di lettura (Jevons applicato al dato) originale rispetto alla letteratura già esaminata su digital imperialism e surveillance capitalism.

=================================

NON VALUTATI

Comments on “L’intelligenza artificiale morirà di fame”

vive Bataille ha detto:

30/05/2026 alle 11:14 am

Corretto , ma alla fine si scivola nell’indifferenza o non importanza de: “Non c’è via d’uscita dall’autofagia senza socializzazione del general intellect; ridurla a proposta “etica” è solo cosmesi di sostenibilità digitale”. Qui non sono d’accordo perchè tutti i sistemi d’arma stanno convergendo verso l’uso, l’utilizzo o sono completamente automatizzati e macchinizzati, e cio’ non va affatto bene , visti i risultati a Gaza, Libano e in giro per il mondo. Secondo , l’uso della A.I. nella scuola , per insegnanti o per discenti, sta già provocando impoverimento intellettivo e critico, figuriamoci tra 10 anni , anche se si mangiasse da solo e implodesse avrebbe già garantito deficienza umana per almeno due generazioni, qui nel nostro splendido occidente. Se non ci siamo mai fidati della natura della merce, (almeno io) del suo reale valore, dei suoi fini , di chi la usa per il suo accumulo , nel mercato capitalista , tanto meno dobbiamo restare rapiti da un nuovo insediativo ed espropriativo macchinario da comprare e consumare che ci vede come cavie da ridurre sia nelle capacità lavorative, che ricreative della nostra formazione e riproduzione (merce nel capitale). La sfida sarà restare umani (aggettivo e sostantivo) con il nostro residuo di immanenza non ancora macchinizzabile. E se poi tutto questo macchinario imploderà da solo , sarà solo di sollievo per le future generazioni.

Reply
Luigi ha detto:

04/06/2026 alle 9:50 am

L’articolo è scritto bene e l’analogia con Jevons è stimolante. Ma c’è un elefante nella stanza che non viene mai nominato: la premessa che i dati umani originari siano una risorsa finita e in esaurimento non è un fatto, è un’ipotesi — e non è affatto ovvia.
Due scenari alternativi che l’autore non considera:
1. Se la realtà è inesauribile (e tutto indica che lo sia: nuovi eventi, nuove scoperte, nuove produzioni culturali accadono ogni giorno e continueranno ad accadere), allora il “giacimento originario” si rigenera in modo continuo. Il problema non è la scarsità del dato, ma la velocità di raccolta — un problema ingegneristico, non ontologico.
2. Se invece si accetta la premessa che i modelli “divorino” i dati più velocemente di quanto vengano prodotti, allora si apre una domanda che l’articolo evita: cosa succede quando un modello comprende abbastanza bene un dominio da generare dati sintetici di qualità superiore a quelli umani in quel dominio? In fisica, in matematica, in chimica questo sta già accadendo. Il “collasso” non è l’unico esito possibile: c’è anche la soglia oltre la quale il modello diventa esso stesso generatore di conoscenza nuova, non semplice estrattore di quella esistente.

Reply
Franco Marra ha detto:

10/06/2026 alle 9:21 am

Mi sembra una visione un po’ piatta. Nel ciclo descritto l’uomo non compare. Ora, a me sembra che qualunque opera dell’ingegno debba passare attraverso 3 fasi, l’ideazione, la produzione e la verifica d’uso. La fase di ideazione e di verifica rimangono tipicamente umane (scrivo qualcosa perché qualcuno la legga e ne dia un giudizio di valore), mentre la produzione può essere delegata alla macchina (scrivi quanto ho ideato come lo farebbe Catarella, l’agente di Montalbano). Nella fase di ideazione si immette esentropia, la produzione si occupa della forma, la fruizione / validazione della mancata rispondenza rispetto alla specificazione iniziale e ponendosi il problema genera anch’essa esentropia.
Del resto gli ingegneri del software questo lo hanno sempre saputo. In altre parole in questa visione l’uomo viene sollevato dal lavoro ripetitivo e lo si pone a presidio delle fasi più nobili del processo. Non a caso una volta c’erano gli analisti e i programmatori (e poi la perforatrici, mansione guarda caso tipicamente femminile).
E’ un po’ come se le miniere di carbone di Jevons ad ogni ciclo di estrazione venissero rifornite di carbone nuovo. A proposito, alla fine si sono esaurite o no?

Cerca nel blog

Appunti