di 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 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 CO₂), 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 intellectstesso 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.
Articolo pubblicato il 29.05.2026 su Volere La Luna.