Quando si parla di intelligenza artificiale a scuola, la conversazione scivola quasi sempre su due binari: gli usi didattici, cioè come integrarla nella progettazione delle lezioni, e i rischi per l'apprendimento, dal plagio alla dipendenza cognitiva. Sono binari legittimi, ma lasciano fuori una dimensione che i nostri studenti — futuri lavoratori, prima ancora che utenti di chatbot — dovranno saper leggere: chi guadagna, chi paga e chi decide, in questa fase di espansione dell'AI. Non è un tema per soli economisti. È materia di educazione civica, ed è utile che i docenti abbiano qualche coordinata prima di affrontarlo in classe.
Cominciamo dal lavoro, perché è lì che la percezione pubblica è più tesa. Da anni si susseguono annunci di sostituzioni imminenti — l'AI che toglierà questa o quella professione — e il sospetto, sempre più diffuso tra i lavoratori, è che questa narrazione funzioni più come pressione psicologica che come previsione accurata, spingendo le persone ad accettare condizioni peggiori pur di non perdere un impiego già percepito come precario. I dati italiani raccontano però una dinamica più complicata di un semplice ricatto. L'occupazione, nel complesso, tiene: Istat registra una crescita dei contratti stabili e Unioncamere stima un fabbisogno occupazionale tra 3,3 e 3,7 milioni di lavoratori nel periodo 2025-2029. Quello che non tiene è il potere d'acquisto: a livello globale i salari reali faticano a recuperare quanto perso con l'inflazione nella maggior parte dei paesi del G20, e in Italia la crescita dei salari contrattuali, pur superiore alla media degli anni precedenti, resta insufficiente rispetto ai tassi di inflazione registrati. Questo scarto tra occupazione e salari non nasce con l'intelligenza artificiale: è una tendenza legata alla debole crescita della produttività e alla frammentazione della contrattazione collettiva, osservata dagli economisti del lavoro da almeno un decennio. Sarebbe impreciso attribuirla interamente all'AI. Ma sarebbe altrettanto impreciso ignorare che la retorica dell'automazione imminente si inserisce in questo scenario come variabile che pesa sulla trattativa: rende più difficile, per un lavoratore o per un sindacato, negoziare da una posizione di forza quando l'orizzonte narrativo dominante è che quel ruolo potrebbe non esistere più tra due anni. È un effetto psicologico e organizzativo, osservabile nelle dinamiche di negoziazione, più che una regia orchestrata a tavolino. La domanda utile da portare in classe, allora, non è se l'AI ruba il lavoro, ma chi trae vantaggio da un clima di incertezza diffusa, indipendentemente da quanto quell'incertezza sia poi confermata dai fatti.
C'è poi un secondo livello del problema, meno discusso ma più facilmente documentabile con i numeri: l'intelligenza artificiale generativa non è un servizio immateriale. Ogni richiesta viene elaborata da data center che consumano elettricità, acqua di raffreddamento e suolo, e questi costi non compaiono mai nel prezzo di un abbonamento mensile. Uno studio dell'Università delle Nazioni Unite stima che nel 2025 i data center globali abbiano consumato circa 448 TWh di elettricità, un volume che li collocherebbe all'undicesimo posto tra i maggiori consumatori nazionali al mondo, mentre le proiezioni dell'Agenzia Internazionale dell'Energia indicano un consumo elettrico dei data center in crescita fino a 945 TWh entro il 2030, più del doppio in sei anni. Il capitolo acqua è ancora più delicato, perché tocca una risorsa già sotto stress in molte aree del pianeta: secondo l'analisi del ricercatore Alex de Vries-Gao, della Vrije Universiteit di Amsterdam, l'impronta idrica complessiva dell'AI nel 2025 potrebbe aver raggiunto tra i 312 e i 764 miliardi di litri, un ordine di grandezza paragonabile all'intero consumo mondiale annuo di acqua imbottigliata — e va detto che l'intensità idrica indiretta, quella legata alla produzione dell'elettricità, è oltre dodici volte superiore a quella del raffreddamento diretto nei server, il che significa che le cifre comunicate dalle aziende sui consumi "per singola domanda" raccontano solo una parte della storia. Questi impianti, per giunta, non nascono nel vuoto: si insediano in territori specifici, entrando in competizione con l'agricoltura e con le comunità locali per l'accesso all'acqua dolce, tanto che quasi il 70% degli statunitensi si oppone alla costruzione di nuovi data center nella propria zona, secondo un sondaggio Gallup, indicando proprio acqua ed energia come preoccupazioni principali. In Italia il tema comincia a porsi concretamente, con nuovi poli di server in costruzione attorno a Milano, senza che esista ancora un obbligo nazionale di rendicontazione dei consumi idrici. Per una lezione di geografia economica, è un caso quasi perfetto: dove vengono costruiti fisicamente questi impianti, chi decide dove costruirli, e chi si accolla il costo ambientale locale di un servizio poi utilizzato ovunque nel mondo.
Resta il nodo più scivoloso, quello della governance dei modelli più avanzati. Le principali aziende del settore giustificano spesso la scelta di non rendere pubblici i pesi dei sistemi più capaci richiamando rischi concreti: uso improprio in ambito di cybersicurezza, generazione di contenuti pericolosi, capacità sfruttabili in contesti offensivi. Non è un argomento da liquidare come pretesto: alcuni report di settore osservano che l'evoluzione dei modelli sta effettivamente comprimendo i tempi del rischio informatico, riducendo la finestra tra la scoperta di una vulnerabilità e il suo sfruttamento da settimane o mesi a poche ore, una dinamica che riguarda tanto chi attacca quanto chi difende. Negli Stati Uniti la legge californiana SB53 ha introdotto obblighi di trasparenza sui rischi catastrofici e tutele per i dipendenti che segnalano problemi di sicurezza interni alle aziende di frontiera — un segnale che il tema non è puro marketing regolatorio. Detto questo, sarebbe ingenuo non notare che la stessa scelta, mantenere chiuso l'accesso ai modelli più capaci, coincide perfettamente con l'interesse commerciale di chi li produce: meno concorrenti possono replicare quella tecnologia, più a lungo dura il vantaggio di mercato di chi la controlla. Le due motivazioni non si escludono a vicenda, e proprio la loro sovrapposizione rende il tema utile da discutere in classe, perché costringe a chiedersi come distinguere, nella pratica, una precauzione genuina da una barriera all'ingresso travestita da precauzione.
Su un punto specifico, però, vale la pena essere più cauti del solito, perché i fatti recenti raccontano una storia diversa da quella che spesso si teme: l'ipotesi che le autorità possano arrivare a vietare i modelli open source o l'esecuzione locale dell'AI. Al momento la traiettoria osservabile va nella direzione opposta. I modelli a pesi aperti, in particolare quelli cinesi come DeepSeek, Qwen di Alibaba o GLM, si sono affermati come strumenti geopolitici a tutti gli effetti, e le restrizioni statunitensi all'esportazione dei modelli proprietari hanno finora rafforzato, più che indebolito, questo ecosistema concorrente: quando un sistema proprietario diventa meno disponibile, il mercato cerca alternative e se queste alternative sono open source e installabili localmente finiscono per acquisire un vantaggio competitivo che va oltre il semplice confronto tecnico. Questo non significa che il rischio normativo sia inesistente — la regolazione dell'AI si muove rapidamente e in direzioni non sempre coerenti tra Unione Europea, Stati Uniti e Cina — ma trasformare un'ipotesi in una certezza, dando per scontato che il divieto sia la prossima mossa inevitabile, va oltre quanto i fatti attuali permettano di sostenere.
Non si tratta di trasformare l'ora di educazione civica in un corso di politica industriale. Si tratta piuttosto di offrire agli studenti, e prima ancora a noi stessi come docenti, lo stesso metodo critico che applichiamo a qualunque altra fonte quando si parla di intelligenza artificiale: separare il dato verificabile dall'interpretazione, riconoscere quando un'affermazione allarmante è sostenuta da evidenze e quando invece amplifica un'ansia diffusa senza un fondamento specifico, e chiedersi sempre chi trae beneficio da una determinata narrazione, senza per questo scivolare nel sospetto sistematico verso ogni notizia che riguarda il settore. Il potere negoziale dei lavoratori, i costi ambientali scaricati sul territorio, la governance dei modelli più avanzati sono terreni che non offrono risposte comode o definitive, e proprio per questo vale la pena portarli in classe, perché costringono a ragionare sui dati disponibili, a tollerare l'incertezza, e a distinguere tra ciò che sappiamo, ciò che è plausibile e ciò che resta, per ora, solo un timore.
Fonti:
studio UNU-INWEH sull'impronta ambientale dell'AI (2026);
analisi di Alex de Vries-Gao, Vrije Universiteit Amsterdam;
proiezioni IEA "Energy and AI" (2025);
dati Istat sulle retribuzioni contrattuali;
report Unioncamere-Excelsior sui fabbisogni occupazionali 2025-2029;
sondaggio Gallup sui data center;
legge californiana SB53 (Transparency in Frontier Artificial Intelligence Act).
