Un nuovo modello teorico sviluppato da ricercatori italiani svela come l’intelligenza artificiale, nel promuovere lo sviluppo sostenibile, possa al contempo creare e distruggere valore, alimentando una tensione difficile da gestire.
Che l’intelligenza artificiale sia un driver fondamentale per l’innovazione è ormai un dato acquisito. Secondo un recente rapporto McKinsey, il 92 % delle aziende prevedono di aumentare i propri investimenti in AI nei prossimi tre anni. Tuttavia, quando la promessa tecnologica incontra gli obiettivi dello sviluppo sostenibile, emergono contraddizioni profonde. L’IA può infatti contribuire a risolvere problemi sociali, ambientali ed economici – ma può anche generarne di nuovi o aggravare quelli esistenti. È questa la tesi centrale di un paper pubblicato su Technovation, a firma di quattro ricercatori italiani (Mancuso, Messeni Petruzzelli, Panniello e Vaia), che propone un modello teorico basato su letteratura accademica e casi reali, volto a indagare le “tensioni paradossali” tra le due anime dell’innovazione AI applicata alla sostenibilità.
Un impatto ambivalente sugli obiettivi di sviluppo sostenibile
Il punto di partenza è un dato impressionante: secondo lo studio di Vinuesa et al. (2020), l’intelligenza artificiale può contribuire positivamente al raggiungimento del 79% degli Obiettivi di Sviluppo Sostenibile (SDGs) definiti dalle Nazioni Unite. Algoritmi di machine learning, ad esempio, sono già impiegati per ottimizzare i consumi energetici nelle smart grid, migliorare la resa agricola tramite il precision farming, o facilitare diagnosi precoci in ambito sanitario. Tuttavia, la stessa AI può impattare negativamente sul 35% degli SDGs. I motivi? Dall’elevato consumo energetico dei data center alla disoccupazione tecnologica, dalle violazioni della privacy alla riproduzione di bias nei dataset. Una stessa tecnologia può creare e distruggere valore sostenibile, anche in modo simultaneo.
Il modello: come e perché si crea una “tensione paradossale”
Il modello concettuale proposto dagli autori articola la tensione su due livelli: gli “antecedenti” (ossia le condizioni che generano il paradosso) e la “natura” della tensione stessa (le modalità attraverso cui l’IA crea o distrugge valore). Due sono gli elementi che alimentano questa tensione: da una parte, la coesistenza di obiettivi molteplici e spesso conflittuali (ambientali, sociali ed economici); dall’altra, l’interazione tra stakeholder con interessi divergenti, come aziende, istituzioni pubbliche, comunità locali e cittadini.
Un esempio emblematico riguarda il caso di Google con AlphaGo. Nato per migliorare l’efficienza energetica dei data center, AlphaGo ha contribuito a una riduzione del 40% nei consumi di raffreddamento. Tuttavia, l’espansione delle attività IA di Google ha comportato un aumento del 48% nelle emissioni complessive dell’azienda in soli cinque anni. Il conflitto tra l’obiettivo ambientale di raggiungere emissioni nette zero e quello economico di spingere l’adozione dell’intelligenza artificiale genera quindi una tensione concreta e misurabile.
Creazione di valore sostenibile: riduzione e mitigazione delle sfide
Il modello distingue due modalità di creazione del valore sostenibile tramite l’IA:
- Riduzione delle sfide (grand challenge reduction): l’intelligenza artificiale viene utilizzata per identificare e comprendere meglio la radice di un problema, automatizzando l’analisi del contesto. È il caso di Nanox.AI, che utilizza algoritmi per leggere immagini mediche e facilitare la diagnosi precoce di malattie come il cancro ai polmoni e le patologie cardiovascolari. Il risultato è duplice: miglioramento della qualità delle cure e accesso più ampio a strumenti diagnostici nei paesi in via di sviluppo.
- Mitigazione delle sfide (grand challenge mitigation): l’IA viene usata per generare nuove soluzioni, ampliando le capacità delle organizzazioni. È il caso di NotCo, startup cilena del foodtech che ha sviluppato un algoritmo, Giuseppe AI, in grado di combinare molecole vegetali per replicare gusto, texture e profilo nutrizionale di prodotti animali. La tecnologia consente di creare cibi plant-based a basso impatto ambientale, riducendo le emissioni del settore agroalimentare.
Distruzione di valore sostenibile: quando l’AI fallisce o devia
Ma l’altra faccia del modello riguarda la distruzione di valore. Anche qui, due le modalità identificate:
- Fallimento nell’affrontare le sfide: l’IA non riesce a risolvere il problema per il quale è stata progettata oppure introduce effetti collaterali non previsti. Cruise, azienda di veicoli autonomi sostenuta da General Motors, mirava a ridurre incidenti ed emissioni nel trasporto urbano. Tuttavia, problemi tecnici nella gestione del traffico urbano hanno portato a blocchi imprevisti, interferenze con veicoli d’emergenza e incidenti, costringendo l’azienda alla sospensione del servizio.
- Introduzione di nuove sfide prevedibili: l’IA viene sviluppata o addestrata su basi che riproducono problemi sistemici. Un caso eloquente è quello di Gemini, modello generativo sviluppato da Google DeepMind. Il sistema è stato criticato per la generazione di immagini storicamente distorte (ad esempio donne e persone di colore raffigurate come nazisti o vichinghi), segno di un dataset sbilanciato. Il tentativo di promuovere inclusività ha generato effetti opposti, alimentando polemiche e disinformazione.
IA generativa e flessibile: le due forze che alimentano il paradosso
Ciò che rende l’intelligenza artificiale così efficace (e potenzialmente pericolosa) è la sua capacità generativa (produrre risultati imprevisti) e flessibile (adattarsi a diversi contesti). Due caratteristiche che, secondo gli autori dello studio, acuiscono la tensione tra valore creato e valore distrutto. AlphaGo, ad esempio, è un esempio di IA generativa che da una parte ottimizza risorse, dall’altra alimenta la domanda di calcolo. Clearview AI, invece, dimostra la flessibilità dell’intelligenza artificiale: usata dalle forze dell’ordine per scopi legittimi, ha però suscitato proteste legate alla sorveglianza di massa e alla violazione della privacy. Il risultato è una nuova forma di “asimmetria” tra chi beneficia e chi subisce le conseguenze dell’innovazione.
Una riflessione necessaria: l’IA non è sempre la risposta migliore
Una delle intuizioni più originali dello studio riguarda la necessità di valutare, caso per caso, se l’intelligenza artificiale sia davvero la soluzione più adatta. Il caso di AI Pin – un dispositivo indossabile progettato per ridurre la dipendenza dagli schermi – mostra che tecnologie troppo complesse possono avere un impatto limitato, o addirittura negativo, rispetto a soluzioni non digitali come le campagne di educazione all’uso consapevole dei dispositivi. Quando i costi di adozione, gli impatti sull’utente o l’efficacia non sono adeguati, è legittimo chiedersi se non esistano alternative più semplici ed efficaci.
Verso una governance della complessità
L’intelligenza artificiale non è neutra. È un potente acceleratore di trasformazioni, ma va maneggiata con attenzione. Il modello proposto nel paper non solo chiarisce le dinamiche ambivalenti dell’IA applicata alla sostenibilità, ma offre anche uno strumento prezioso per policy maker, innovatori e manager. Perché il vero progresso non è solo tecnologico: è la capacità di affrontare la complessità senza semplificazioni, bilanciando rischi e opportunità. E soprattutto, scegliendo consapevolmente dove, quando e come l’IA va usata e quando, invece, no.
