Nelle aziende dell’intelligenza artificiale si gareggia a chi consuma più token, e chi vince racconta di aver lavorato tanto. Il conteggio misura la macchina, e la persona sparisce dal conto.

Una classifica a Meta

Ad aprile è emerso che dentro Meta un dipendente aveva creato una classifica interna, chiamata «Claudeonomics». Ordinava circa 85.000 colleghi in base ai token consumati con gli strumenti di intelligenza artificiale. Secondo le ricostruzioni giornalistiche, in trenta giorni la classifica ha registrato oltre 60.000 miliardi di token e il primo ne aveva consumati più di 280 miliardi. In palio c’erano badge e titoli come «Token Legend». Nel gergo di settore la pratica ha un nome, tokenmaxxing.

Un token è un pezzetto di testo che il modello legge o scrive. I fornitori lo contano perché su quello calcolano il prezzo. Somiglia al tassametro di un taxi: dice quanta strada ha fatto l’auto e quanto costa la corsa. Non dice se l’autista ha scelto il percorso giusto.

Eppure «ho consumato un miliardo di token» è diventato un modo di dire che si è lavorato molto. La frase racconta quanto ha elaborato il sistema. Di ciò che ha fatto la persona non resta traccia.

Perché il numero di token non dice niente

Immaginiamo due colleghi. Un’esperta scrive un’istruzione precisa e in due minuti ottiene il testo giusto, con pochi token. Un neoassunto riprova quindici volte e ne consuma dieci volte di più. Il giorno dopo l’esperta lancia dieci programmi in parallelo e lo supera di mille volte. Il numero sale e scende senza rapporto con la bravura. Un principiante può consumare molto o poco, un professionista pure. Ciò che conta ( sapere che cosa si vuole, riconoscere l’errore, decidere se il risultato regge) non passa dal contatore.

A Meta è andata così. Stando alle ricostruzioni, i dipendenti facevano crescere il punteggio allungando i comandi e avviando più programmi insieme. Un ingegnere di una grande azienda del software ha raccontato al sito The Pragmatic Engineer di gonfiare il proprio consumo per non sembrare uno che usa poco l’IA. L’antropologa Marilyn Strathern ha riassunto la regola in una frase: quando una misura diventa un obiettivo, smette di essere una buona misura. Il conteggio premia lo spreco e il lavoro che pesa di più, controllare il risultato, consuma pochissimi token.

Chi lavora scompare

C’è un dettaglio che dà da pensare. La frase non la pronuncia un capo per giudicare i suoi dipendenti. La pronuncia il lavoratore, per raccontare la propria fatica, dentro aziende che premiano quel linguaggio. La spinta arriva da fuori e a un certo punto diventa abitudine. Si finisce per descrivere il proprio impegno con il metro dello strumento.

La Dottrina Sociale della Chiesa ha una chiave per leggere la faccenda. Nella Laborem exercens Giovanni Paolo II distingue ciò che il lavoro produce fuori, i beni e i servizi, da ciò che produce dentro chi lavora, la persona che cresce e si realizza. Il lavoro, dice, rende l’uomo «più uomo». Il Compendio della Dottrina Sociale aggiunge un avvertimento: quando si perde di vista questa priorità, le tecniche diventano più importanti dell’uomo e da alleate si trasformano in nemiche della sua dignità. Il token è una misura che parla soltanto dello strumento.

Il rischio di perdere il colpo d’occhio

Lo studioso del lavoro Harry Braverman lo aveva visto già nel 1974 nelle fabbriche. Quando qualcuno progetta e altri eseguono a pezzi, chi esegue perde la visione d’insieme e con questa la capacità di giudicare il proprio contributo. Oggi la macchina sostituisce una parte del lavoro di scrittura e di analisi e il rischio riguarda il lavoro che resta: si continua a operare in condizioni in cui giudicare da soli è più difficile.

Richard Sennett spiega perché. Un falegname sa se un tavolo è ben fatto perché ne ha fatti molti. Il giudizio di qualità nasce dalla pratica, dagli errori, dalle correzioni. Chi smette di scrivere, analizzare e progettare rischia di non saper più riconoscere un testo buono da uno mediocre, anche se continua a consegnare risultati accettabili.

Le prove sono ancora parziali. Un’indagine di Microsoft Research e della Carnegie Mellon University su 319 lavoratori della conoscenza ha trovato che chi si fida di più dell’IA esercita meno pensiero critico, e chi si fida di più di sé nel proprio compito ne esercita di più. I dati sono dichiarati dagli stessi lavoratori e mostrano un legame, non un declino nel tempo. La perdita della capacità di giudizio, che chiamo atrofia valutativa, resta quindi un’ipotesi da verificare.

Che cosa fare

Tommaso d’Aquino chiama prudenza la capacità di giudicare il caso concreto grazie all’esperienza accumulata. È ciò che serve qui. Un professionista prudente distingue un risultato buono da uno mediocre perché ha fatto abbastanza lavoro in prima persona da riconoscerlo. Nella Dottrina Sociale c’è anche il principio di sussidiarietà: chi sta più vicino al problema decide, e le strutture più grandi aiutano senza sostituirsi. Applicato all’IA, vuol dire che lo strumento supporta il lavoratore e non giudica al suo posto. Nel mio lavoro sull’Agency Partecipata lo dico così: l’essere umano incarnato viene prima degli strumenti che usa.

Ne seguono tre indicazioni concrete. Le aziende dovrebbero valutare anche la qualità del giudizio esercitato sui risultati dell’IA e non soltanto la quantità di lavoro prodotta: il caso Meta mostra dove porta la sola quantità. I lavoratori dovrebbero continuare a fare in proprio le parti del mestiere che formano il giudizio, anche quando l’IA le renderebbe superflue. Scuole e università dovrebbero insegnare a valutare i risultati, oltre che a usare gli strumenti.

Una domanda per chi organizza il lavoro

Un’organizzazione che vuole sapere se lavora bene ha una domanda da porsi: chi, in questo processo, esercita un giudizio proprio? Il conteggio dei token non risponde.