L’intelligenza artificiale non è più soltanto una tecnologia emergente: è ormai una infrastruttura strategica, destinata a ridefinire profondamente i meccanismi della produzione, i sistemi di conoscenza, l’organizzazione sociale e la distribuzione del potere politico ed economico. Sta diventando il nuovo asse portante della trasformazione globale. Sam Altman, nel suo saggio The Gentle Singularity, immagina un futuro in cui l’AI sarà una risorsa ubiqua, accessibile a costi marginali, e integrata ovunque nella vita quotidiana, con effetti analoghi a quelli prodotti storicamente da elettricità e internet. Una prospettiva che non è più fantascienza: negli Emirati Arabi Uniti, ChatGPT Plus è stato reso disponibile gratuitamente per tutti i residenti, anticipando scenari di accesso universale, ma gestito attraverso accordi centralizzati e logiche di controllo.
È in questo contesto che voglio proporre un cambio radicale di prospettiva: trattare l’intelligenza artificiale non come una proprietà privata, da monetizzare, ma come un bene collettivo, da regolare secondo criteri di equità, trasparenza e giustizia distributiva. Il problema cruciale non è solo cosa possiamo fare con l’AI, ma chi decide, chi controlla, chi beneficia. E oggi stiamo delegando queste scelte fondamentali a un numero ristretto di aziende private, guidate da logiche di profitto e da poteri opachi, sottratti al controllo democratico.
Serve quindi una cornice teorica alternativa, solida, capace di ispirare nuovi modelli di governance. Le teorie economiche sulla gestione dei beni pubblici rappresentano una base preziosa: propongono soluzioni ibride che superano la contrapposizione tra Stato e mercato, e mettono al centro commons, governance partecipata e strutture multilivello. Da Ostrom a Lindahl, da Olson a North, queste teorie offrono strumenti concreti per ripensare l’AI come infrastruttura condivisa, orientata al bene comune.
Cominciamo da una constatazione: l’intelligenza artificiale ha caratteristiche che la rendono assimilabile a un bene pubblico. È (potenzialmente) non rivale: lo stesso modello può essere usato da più soggetti senza esaurirsi. E può essere non escludibile, se i dati e gli algoritmi sono accessibili e riutilizzabili. Come la conoscenza scientifica o l’aria pulita, l’AI genera benefici diffusi solo se non viene recintata dentro logiche di proprietà esclusiva.
Questa intuizione si ritrova nella visione classica del bene pubblico puro. Erik Lindahl suggeriva che questi beni possano essere finanziati in modo proporzionale al beneficio percepito da ciascun attore. Applicare questo principio all’AI significa costruire un sistema in cui le grandi imprese — che ottengono profitti significativi dall’uso di modelli proprietari — contribuiscano alla sostenibilità dell’ecosistema AI, permettendo l’accesso anche a chi ha minori capacità economiche: scuole, enti locali, cittadini.
Tuttavia, l’accesso equo non basta. Bisogna affrontare il tema della concentrazione del valore. Le piattaforme AI detengono vantaggi strutturali: accesso privilegiato ai dati, potere computazionale illimitato, capacità di influenzare mercati e norme. Senza meccanismi redistributivi, il rischio è che queste rendite si consolidino, aggravando disuguaglianze preesistenti. È qui che entrano in gioco strumenti come la Windfall Tax sulle rendite straordinarie, o l’introduzione di clausole di profitto condiviso, che obblighino i player dominanti a investire parte dei ricavi in progetti educativi, sanitari, ambientali, o di innovazione sociale.
Ma come rendere operativi questi meccanismi? Occorrono istituzioni solide e credibili. La Nuova Economia Istituzionale ci ricorda che l’efficacia della gestione collettiva dipende dalla qualità delle regole, dalla capacità di enforcement e dalla fiducia nelle strutture decisionali. Per l’AI, questo significa creare standard aperti, audit indipendenti, interoperabilità tra sistemi, protezione dei dati sensibili, trasparenza algoritmica. Serve una infrastruttura istituzionale distribuita, in grado di operare su scala globale ma con sensibilità locali.
Non possiamo però affidarci ciecamente allo Stato. La Public Choice Theory di Buchanan e Tullock avverte che anche le istituzioni pubbliche possono essere inefficienti, soggette a cattura da parte di interessi privati, e inerti di fronte al cambiamento. Le big tech sanno come sfruttare queste debolezze: agiscono da lobby, influenzano l’opinione pubblica, definiscono le regole del gioco. È dunque indispensabile prevedere meccanismi di controllo civico, strumenti di trasparenza radicale e un pluralismo decisionale reale, che dia spazio a comunità, ricercatori indipendenti, associazioni e cittadini.
È in questa tensione tra potere centralizzato e gestione partecipativa che la visione di Elinor Ostrom risulta illuminante. Per chi, come me, si riconosce in una cultura anarchica e mutualistica, Ostrom rappresenta un riferimento potente. Ha dimostrato empiricamente che le comunità, se dotate di regole chiare, strumenti di monitoraggio e processi decisionali inclusivi, possono gestire beni comuni senza autorità centrale. L’AI può essere affrontata con la stessa logica: consorzi cooperativi, data trust civici, comitati etici locali. Come suggerisce Édouard Jourdain in L’autogoverno dei beni collettivi (Elèuthera, 2024), l’intelligenza artificiale può essere non solo per la comunità, ma della comunità.
Ma tutto ciò presuppone anche la mobilitazione. La Teoria dell’Azione Collettiva di Mancur Olson evidenzia un problema ricorrente nei beni pubblici: il disimpegno individuale. Se tutti beneficiano, pochi si sentono incentivati a contribuire. Per superare il rischio di free riding, è necessario attivare incentivi selettivi, riconoscimenti simbolici e materiali, meccanismi reputazionali. Nel mondo AI, questo può significare premiare chi condivide dati di qualità, chi contribuisce a migliorare i modelli open source, chi partecipa a processi decisionali pubblici.
Guardando alla scala globale, l’AI non può essere trattata come una tecnologia nazionale. È una infrastruttura planetaria. I modelli sono addestrati su corpus globali, gli impatti ricadono ovunque, e le regole devono riflettere questa complessità. Da qui la necessità di una governance policentrica: un sistema con più centri decisionali autonomi ma interconnessi. Gli Stati possono essere letti come le “comunità” di Ostrom su scala macro, chiamate a coordinarsi per garantire equità, trasparenza, interoperabilità.
In parallelo, si impone la logica della Network Governance: un modello in cui attori pubblici, privati e civici collaborano, costruendo alleanze fluide e progetti comuni. Nell’AI, questo significa co-progettare strumenti normativi, standard tecnici e linee guida etiche. Superare la verticalità del comando e sostituirla con una rete di responsabilità condivise.
Alcuni esempi pratici aiutano a immaginare questo modello: una piattaforma pubblica europea per modelli AI open e trasparenti; un ecosistema locale partecipativo per decidere l’uso dell’AI in ambiti sensibili come salute e istruzione; un fondo internazionale per l’accesso all’AI nei paesi a basso reddito, finanziato con una tassa globale sulle rendite digitali.
La posta in gioco non è solo l’efficienza tecnologica. È la giustizia sistemica, la possibilità di costruire un’intelligenza artificiale che redistribuisca valore, opportunità e potere. Un’AI che non sia un’infrastruttura di dominio, ma uno strumento di emancipazione collettiva. Come ogni infrastruttura pubblica, anche l’AI va progettata, finanziata, regolata e manutenuta. Ma soprattutto va sottratta alla logica estrattiva e riportata dentro un orizzonte democratico, partecipato, multilivello. La sfida è enorme. Ma è anche una grande opportunità per ripensare radicalmente il rapporto tra tecnologia e società. E per immaginare un futuro in cui l’innovazione serva davvero l’interesse comune.
