Lydia DePillis — reporter del NYT sull’economia americana — descrive l’emergere della «tokenomics»: la disciplina che studia come le aziende comprano AI e cosa ne ricavano. Il punto di partenza è il ciclo «tokenmaxxing/tokenminning»: prima i manager incoraggiano il massimo utilizzo dell’AI, poi arriva il conto e scatta il blocco. Il problema di fondo è che il token è «una valuta per cui non hai nessun istinto su cosa stai usando, e le pratiche contabili non esistono ancora» — così lo descrive l’economista Howard Rubin. L’analogia che DePillis testa è il petrolio: il greggio si raffina in benzina, diesel, propano, tutti misurabili in BTU e scambiati su mercati con prezzi trasparenti. L’AI non ha equivalente: migliaia di modelli, nessun consenso su quanta energia consuma un token, quale modello usare per quale task, quanti token sono necessari. Il pezzo documenta tre risposte che le aziende stanno costruendo. La prima è il «bionic head count» di Elisity (cybersecurity): si dividono i costi AI per il costo medio di un dipendente e si ottiene un «headcount virtuale», i cui «assunti» ricevono una job description scritta dagli ingegneri e vengono valutati ogni volta che eseguono un nuovo task — è il modo in cui l’organizzazione dà forma contabile a qualcosa che non ha ancora categoria. La seconda è il monitoring dell’output: Revenium mappa la spesa in token su outcome concreti (feature software consegnate), con un tetto di utilizzo per i modelli costosi che forza gli ingegneri a ricorrere a modelli open-source più economici quando esauriscono l’allocazione, obbligandoli a pensare a cosa hanno davvero bisogno. La terza è la traiettoria del budget: prima le aziende hanno pagato l’AI con gli spiccioli del budget («sotto i cuscini del divano»), poi tagliando licenze software e servizi esterni come il copywriting e lo sviluppo web; il dibattito ora è se il token spending vada imputato al budget del lavoro, il che renderebbe esplicito il trade-off con l’occupazione umana. Bain stima che i token potrebbero arrivare al 25% delle spese operative aziendali nel medio termine. Tre elementi strutturali complicano il quadro. Il pricing è opaco: i prezzi variano tra provider cloud e i laboratori AI, in corsa ad acquisire market share prima dell’IPO, possono praticare prezzi inferiori al costo di produzione. L’AI abbassa il proprio costo: i «cache token» — token già processati e riutilizzabili a una frazione del prezzo — stanno tenendo la crescita della spesa effettiva sotto quella che sarebbe altrimenti, anche mentre i prezzi ufficiali dei modelli frontier salgono. Il vero bottleneck, che nessuno cita abbastanza, non è la capacità di calcolo ma la scarsità di persone capaci di dispiegare l’AI in modo produttivo: «Spesso pensiamo: oh, non hanno capacità. Ma non hanno abbastanza persone per estrarre il valore», dice Jue Wang di Bain. Il segnale di sistema rimane quello contabile: quando il controllo di gestione costruisce un framework per i token — quando l’AI entra nel budget come voce strutturale, non come esperimento — la tecnologia ha attraversato la soglia dell’infrastruttura. La tokenomics nasce esattamente in quel momento di passaggio.
Claire Stapleton arriva a Google nel 2007 nel reparto comunicazione e costruisce in pochi anni la «voce di Google»: le email settimanali del TGIF diventano folklore e fan fiction aziendale, «metà liturgia metà parodia». È un caso esemplare del livello «politico» del marketing — la produzione di senso e identità — che trasforma ogni aggiornamento di prodotto in «esperimento epistemologico» e ogni executive in «profeta». Il gap tra retorica e realtà comincia a diventare intollerabile con Google+, progetto difensivo presentato come visione, e con l’uccisione di Google Reader — «l’unica cosa davvero sociale che Google avesse mai costruito». A YouTube scopre l’altra faccia dello stesso meccanismo: l’algoritmo ha già sostituito la curatela editoriale umana, e il suo ruolo di «curation strategy manager» è in gran parte ornamentale. Nel 2018, quando il New York Times rivela che Google aveva coperto Andy Rubin con novanta milioni di dollari di buonuscita nonostante una denuncia credibile di molestie sessuali, Stapleton usa ogni competenza acquisita in un decennio per organizzare il Google Walkout: comunicati, coordinamento con la stampa, coaching dei portavoce. E qui il pezzo raggiunge il suo momento più acuto: «At YouTube, we were always trying to manufacture moments like this — with sprawling brand campaigns, enormous budgets, and a labyrinth of agencies all straining to make something trend, break through, go viral. We almost never pulled it off. And now here it was, unfolding organically.» La risposta aziendale è quella che Stapleton chiama «P.R. jujitsu»: Sundar Pichai assorbe il linguaggio del dissenso per neutralizzarlo («We had Googlers do what Googlers do well»); la manager le svuota il ruolo dall’oggi al domani; l’HR le suggerisce di invitare la manager per un caffè e di sfruttare le risorse aziendali di mindfulness. Il pezzo si chiude sulle pubblicità AI di Google — procioni sugli skateboard, telefoni che diventano coni gelato, musica alla Wes Anderson — la stessa macchina di produzione della simpatia ora al servizio dell’adozione dell’AI. «Before it was rebranded as Gemini, Google’s A.I. chatbot was called Bard.»
Werner Vogels, CTO di Amazon, racconta il caso Quick Desktop — un prototipo costruito in una notte da Thomas Delteil con un coding agent, che nel giro di settimane è diventato un prodotto usato da centinaia di migliaia di persone — per aggiornare il metodo Amazon «working backwards»: non più press release poi prototipo, ma prototipo poi press release. L’argomento è chiaro: quando costruire un prototipo costa una sera anziché mesi, l’ordine logico cambia. «You will learn more in one evening of building than in two weeks of writing about what you think will happen.» Il documento che scrivi dopo aver costruito è strutturalmente migliore di quello che avresti scritto prima, perché non descrive un’idea ma qualcosa che esiste ed è stato testato. La «two-pizza culture» — team piccoli, ownership totale, decisioni reversibili senza chiedere permesso — non è una nostalgia: è il sistema immunitario contro l’entropia organizzativa che cresce con la scala. Il pezzo dialoga con Ottaviani già in archivio (vibe coding come acceleratore del processo creativo) aggiungendo la dimensione manageriale: cosa cambia nell’organizzazione del lavoro quando il tempo tra idea e prototipo collassa.
David Brooks parte dalla domanda sbagliata — l’AI ci toglierà il lavoro? — per arrivare a quella giusta: che relazione hai con lo sforzo mentale? La ricerca che cita rovescia l’assunto: chi adotta l’AI lavora di più, non di meno (ore su email e chat raddoppiate, lavoro focalizzato giù del 9% — c’è già un nome per questo stato mentale: «AI brain fry»). Il principio guida che propone: «When intelligence is plentiful, volition is valuable.» La discriminante non è quanto sei intelligente ma il tuo need for cognition — l’attitudine psicologica ad affrontare la difficoltà cognitiva come intrinsecamente piacevole. Da qui la tassonomia in tre gruppi: i Productive Passengers (bassa NFC) che guadagnano produttività a breve ma perdono capacità — connettività cerebrale giù del 55%, onde gamma giù del 40%, e dopo dieci minuti di assistenza AI le performance calano anche senza AI; i Reluctant Optimizers (media NFC) che conoscono il rischio, resistono per un po’, poi cedono all’optimization mentality e al «cognitive surrender» — accettano gli errori del bot l’80% delle volte; i Mental Marathoners (alta NFC) che usano l’AI per aumentare la propria agency e trovano tecniche per farlo meglio. Il dato più utile per noi: cognitive surrender è la forma comportamentale del deficit di capitale semantico — chi non ha già costruito una propria worldview non sa riconoscere quando il bot sbaglia. La conclusione finale richiama in parte quella di «La differenza fra Claude e le mie gatte» (che Brooks, ahimè, sicuramente non ha letto): l’AI rivela per sottrazione cosa significa essere umani. Non è l’intelligenza, che le macchine avranno in abbondanza, ma la capacità di desiderare: avere un sé con un passato e un futuro, pulsioni e aspirazioni, una storia particolare di ferite e gioie.
Simone Pieranni mappa, dalla stampa cinese, due narrazioni opposte sull’AI e il lavoro che i media occidentali tendono a sovrapporre. La versione istituzionale racconta una transizione ordinata: 2,99 milioni di nuovi posti urbani nel primo trimestre 2026, nuove figure professionali (addestratori di sistemi AI, “narrative designer”), startup da una persona rese possibili dagli agenti intelligenti. L’altra versione racconta la “linea della mannaia” che scende: prima colpiva i ruoli intermedi, poi i junior, ora gli esterni in outsourcing — e i 12,7 milioni di neolaureati che si affacciano quest’anno sul mercato sono i più sfortunati di sempre, perché arrivano esattamente quando le aziende eliminano le posizioni base per sostituirle con agenti AI. Il punto che interessa al sito non è tecnico ma sociale: in Cina parlare di lavoro significa parlare di patto sociale. La Corte di Hangzhou ha già emesso una sentenza contro i licenziamenti motivati dalla sostituzione con AI. Il pezzo aggiunge alla serie sulla Cina già in archivio una dimensione interna che il pezzo di Chan non toccava: non la corsa geopolitica all’AGI, ma la gestione della pressione sociale dell’automazione su scala di massa.
Ilaria Maria Dondi parte da una domanda che si è posta sul serio dopo aver scritto un pezzo di cui era soddisfatta aiutandosi anche con l’AI: «Sto barando?». La risposta arriva leggendo un post di Amberhawk su «The Ubuntu Journey»: i CEO pubblicano libri scritti da ghostwriter, i politici pronunciano discorsi di speechwriter, i direttori editoriali trasformano articoli fino a renderli irriconoscibili — eppure nessuno li accusa di impostura. I ricchi e i potenti hanno sempre avuto accesso a un supporto invisibile; l’indignazione morale scatta solo quando uno strumento apparentemente più economico e accessibile replica quel supporto per chi un editor non se lo è mai potuto permettere. La tesi è netta: il problema non è mai il supporto in sé, ma chi ha sempre avuto il diritto di usarlo in silenzio. I privilegi non si confessano: si usano. L’AI non è neutra — sfruttamento del lavoro, copyright, impatto ambientale sono problemi reali — ma la «denigrazione automatica» del lavoro svolto anche con l’AI, che giudica per la mera presenza dello strumento senza guardare la qualità del pensiero, è un pregiudizio che pesa di più su chi ha già meno margine di errore, donne e persone razzializzate in testa. La competenza, conclude Dondi, non nasce da un prompt: nasce dall’essere in grado di difendere ciò che si firma.
Il “1843” racconta il paradosso al cuore dell’industria dell’anime giapponese: il mercato è quasi triplicato nell’ultimo decennio, fino a 19 miliardi di dollari, eppure gli animatori scarseggiano cronicamente — erano circa 4.500 nel 2010, oggi sono solo 5-6.000, mentre i titoli prodotti all’anno sono passati da poco più di 100 a oltre 300. La radice del problema è storica: dopo il fallimento nel 1973 di Mushi Production (lo studio di “Astro Boy”), l’industria sostituì gli organici fissi con manodopera a contratto, frammentando il lavoro in compiti minuscoli e smantellando il sistema di apprendistato che formava i nuovi animatori. Oggi solo uno su cinque riceve una formazione sul campo, contro sette su dieci nella generazione precedente; gli stipendi dei giovani animatori restano sotto la media nazionale per neolaureati; un quarto di chi entra nel settore lo abbandona entro quattro anni. Il pezzo segue chi sta provando a invertire la rotta — piccoli studi come Durian e Flat Studio che riportano l’attenzione sulla cura artigianale, accademie come Sasayuri che reintroducono il mentoring perduto, programmi di apprendistato interni come quello di Bandai Namco — e chiude su un produttore che ha realizzato il primo “anime AI” giapponese, scatenando un dibattito sui confini tra strumento e sostituzione della creatività umana. È un caso da manuale anche per chi si occupa di editoria e publishing: una filiera può crescere a doppia cifra e restare comunque incapace di remunerare e formare chi produce materialmente il valore.
Wired racconta come i grandi laboratori AI (DeepMind, Anthropic) abbiano assunto vere e proprie squadre di filosofi per lavorare su dilemmi etici e domande sulla natura della mente — ma l’articolo stesso si chiede se non sia in parte ‘ethics-washing’, un’estensione della funzione marketing che certifica un impegno per la sicurezza più a parole che nei fatti. Nota mia: sono vent’anni che sentiamo dire che la prossima rivoluzione tecnologica aprirà finalmente sbocchi ai filosofi. L’interfaccia linguistica dell’AI rende l’argomento più concreto del solito, ma prima di intestare alla disciplina una nuova età dell’oro occupazionale, ci andrei comunque cauto.