Digitalizzazione e trattamento di enormi quantità documenti cartacei che vengono scansionati, anonimizzati e classificati da parte degli “operai del clic” allo scopo di alimentare e calibrare l’intelligenza artificiale dei mediatori informazionali globali. Questi lavoratori sono reclutati da piattaforme terze con contratti di appalto e subappalto.

Seguono questo modello – che permette alle aziende del capitalismo di piattaforma di avere disponibile la forza-lavoro a basso costo di cui hanno bisogno anche in tempi della xenofobia e della migrazione negata – anche i protagonisti del film “The cleaners“, “spazzini digitali”, che hanno il compito è di eliminare contenuti ritenuti inappropriati in una fabbrica della moderazione e appartengono alla categoria dei moderatori di contenuti.

Paola Tubaro dimostra che ampie quote di:

(…) questi lavoratori sono altamente istruiti, impegnano abilità significative (a volte avanzate) nella loro attività e imparano seriamente insieme alle macchine. Tuttavia, il ciclo è quello in cui i lavoratori umani sono svantaggiati poiché sperimentano un sistematico misconoscimento del valore delle loro competenze e dei loro contributi alla tecnologia, all’economia e, in definitiva, alla società. Questa situazione ostacola i negoziati con le aziende, sottrae potere ai lavoratori e sfida il tradizionale ruolo di bilanciamento dell’istituto salariale. (…) il micro-lavoro è stato documentato per la prima volta negli Stati Uniti alla fine degli anni 2000, [e ora] è sempre più parte di catene di delocalizzazione che procurano lavoratori da luoghi come l’India (…), Indonesia (…), Brasile (…), Argentina (…) e Africa subsahariana (…) Gli studi di settore suggeriscono un aumento della domanda di operatori di dati umani, che va di pari passo con i miglioramenti nell’apprendimento delle macchine (…). Questi lavoratori controllano anche la qualità dei risultati della macchina e apportano correzioni quando necessario. Esempi interessanti sono gli assistenti vocali come Siri o Alexa, prodotti di intelligenza artificiale già ampiamente commercializzati. Anche dopo che l’assistente è stato formato, c’è una costante necessità di assicurarsi che riconosca correttamente le espressioni degli utenti, in modo che qualsiasi cambiamento di lingua (come i nomi di nuove celebrità) possa essere preso in considerazione. Questo può significare ri-allenamento. (…) ImageNet descriveva i micro-compiti di annotazione come qualcosa che chiunque poteva fare, per cui migliaia di lavoratori diversi sarebbero stati semplicemente equivalenti l’uno all’altro (…) Questo punto di vista si riflette nella progettazione di piattaforme di micro-tasking, in cui i lavoratori sono generalmente anonimi perché ai fini dell’esecuzione di compiti di base, sono visti come sostanzialmente sostituibili l’uno con l’altro. Di conseguenza, i micro- compiti sono comunemente descritti come elementari, brevi e ripetitivi. (…)[Nella] annotazione di immagini di traffico per lo sviluppo di auto a guida autonoma, i compiti potrebbero [però] essere diventati più complessi e impegnativi (…) [Inoltre] i lavoratori nel circuito dell’apprendimento automatico intraprendono diverse attività di apprendimento sul posto di lavoro di propria volontà, appaiono auto-efficaci, riflessivi e intrinsecamente motivati. Tuttavia, gli stessi studi indicano che questi lavoratori investono meno nell’apprendimento e sono meno in grado di imparare dalla collaborazione con i colleghi e dalle interazioni con i clienti, rispetto ad altri lavoratori della piattaforma, in particolare liberi professionisti altamente qualificati come designer, contabili o scrittori, che utilizzano il digitale tecnologie per ampliare la propria base clienti. (…) i micro-compiti sono per lo più un’attività accessoria per i lavoratori negli Stati Uniti e in Europa e più spesso la principale fonte di reddito nei paesi emergenti e a basso reddito meno conosciuti (…) nei paesi in cui l’accesso all’istruzione superiore è relativamente limitato (a, ad esempio, meno del 20% della popolazione in Messico, o meno del 12% in Venezuela), è in gran parte all’interno della piccola sottopopolazione che ha avuto questa opportunità, che i lavoratori sono assunti per il esigenze del settore dell’intelligenza artificiale, Un significativo capitale umano, proveniente dai paesi in cui è particolarmente scarso, contribuisce all’apprendimento di macchine che sono per lo più concepite e controllate da paesi a reddito più elevato. (…) i compiti di base consentono processi di sviluppo delle competenze di cui i lavoratori sono consapevoli (…) C’è un certo riconoscimento per questi miglioramenti nella misura in cui la maggior parte delle piattaforme pubblica indicatori come il numero di attività eseguite con successo, a volte suddivisi per tipo di attività. Spesso offrono anche compiti di qualificazione non remunerati con cui i lavoratori si impegnano a dimostrare le proprie capacità in alcune aree (spesso competenze linguistiche) e i cui risultati rimangono allegati ai loro profili. L’esecuzione di tali compiti di qualificazione aumenta l’orario di lavoro non retribuito (e quindi riduce le retribuzioni orarie), ma può aprire la strada a opportunità future poiché i clienti possono utilizzare questi indicatori per proporre compiti in modo selettivo ai lavoratori che soddisfano determinati criteri (…) non esiste un riconoscimento portatile delle qualifiche e dell’esperienza e su ciascuna piattaforma i lavoratori devono ricostruire le proprie credenziali. Senza informazioni sull’istruzione formale e con i sistemi di qualificazione delle piattaforme che operano in silos, le informazioni sulle competenze sono frammentate e l’errato riconoscimento è sistemico (…) L’attività della piattaforma spesso spinge i lavoratori ad affinare le proprie
conoscenze tecniche, in particolare per comprendere l’algoritmo della piattaforma, per capire, ad esempio, in quali orari è più probabile che le attività vengano pubblicate, quali paesi ottengono la maggior parte delle attività, quanti concorrenti devono affrontare in un dato momento, quanto velocemente dovrebbero lavorare per svolgere il massimo delle attività senza essere erroneamente identificati come bot e quindi banditi. Imparano a distinguere le piattaforme in base alle discrepanze nelle lorocinterfacce utente e ai metodi attraverso i quali allocano o convalidano le attività. Oltrecalle competenze che sono strumentali per eseguire efficacemente il micro-lavoro,calcuni acquisiscono anche una comprensione più ampia dell’apprendimento
automatico, dell’intelligenza artificiale e delle loro applicazioni chiave come motori di
ricerca, riconoscimento vocale e visione artificiale. (…) qui l’errore di riconoscimento è più pronunciato, poiché non esiste un meccanismo formale per riconoscere la comprensione sempre più avanzata da parte dei lavoratori dell’apprendimento automatico e, più in generale, delle tecnologie digitali, attraverso la pratica del micro-lavoro. I lavoratori più esperti rischiano addirittura sanzioni se cercano di trarre il massimo vantaggio dalla loro conoscenza degli algoritmi delle piattaforme. In effetti, le loro competenze possono minacciare uno status che dà più potere alle piattaforme e ai clienti, rispetto ai lavoratori. [Oltre alle tradizionali diseguaglianze derivanti dalle differenze di genere la durata temporale di una prestazione complessa] comporta un rischio finanziario in quanto i guasti alla connessione o all’energia elettrica possono comportare la perdita dell’intero lavoro svolto e, quindi, del diritto a pretendere il pagamento. Incarichi più brevi e più semplici che possono essere sottoposti immediatamente riducono notevolmente le potenziali perdite e sono quindi preferiti dai lavoratori con disposizioni infrastrutturali precarie [come spesso accade in centro e Sud America – la ricerca riguarda questo zone e la Spagna (NdR)]. Gli ambienti altamente competitivi delle piattaforme di micro-lavoro, in cui i compiti sono tipicamente assegnati a grandi masse anonime in base all’ordine di arrivo, esacerbano
questo problema rispetto alle piattaforme di freelance online in cui esiste una corrispondenza uno a uno tra lavoratore e cliente. (…) Più compiti sono aperti a più lavoratori in tutti i paesi, più l’offerta di lavoro aumenta rispetto alla domanda (…). La massiccia presenza di lavoratori qualificati provenienti dai paesi a basso reddito – in America Latina, principalmente dal Venezuela – gonfia l’offerta e abbassa il prezzo della manodopera dati. Dal lato della domanda, vengono compiuti pochi sforzi
per aumentare le retribuzioni al di sopra del livello di mercato (…)C’è una mancanza di riconoscimento, ancora una volta, quando i clienti negano la complessità di un’attività, in particolare sottovalutando il tempo necessario per completarla, come un modo per mantenere basse le remunerazioni, creando un divario tra le retribuzioni ufficialmente annunciate e quelle effettivamente praticate. Nel complesso, l’organizzazione del lavoro su piattaforme tiene molti microlavoratori fuori da compiti più complessi e/o sottostima la complessità dei compiti che svolgono,
indebolendo così il loro status e riducendo le opportunità di negoziazione. (Paola Tubaro “Learners in the loop: hidden human skills in machine intelligence“, SOCIOLOGIA DEL LAVORO 163-2022; traduzione in proprio)

Interessante animazione del Washington Post sul self-driving.