Lavoro

Lavori di transizione per addestrare robot umanoidi e Agenti IA

I lavori di transizione trasferiscono capacità umane a robot umanoidi e Agenti IA attraverso dati, dimostrazioni e correzioni. Il tema apre nuove questioni su addestramento, capitale catturato, diritti sui dati e distribuzione del valore.

25 Agosto 2026

A Karur, nel sud dell’India, c’è chi guarda video fotogramma per fotogramma e chi si filma mentre rifà il letto, taglia verdure o sposta oggetti: le loro azioni diventano dati per addestrare robot umanoidi e altri sistemi di IA. Ne ha parlato il New York Times il 20 agosto 2026 (la versione italiana è apparsa su la Repubblica).

Cosa c’è di interessante?

Prima dell’avvento dell’IA, il mondo della produzione era già popolato da robot industriali tradizionali e anche allora le persone «insegnavano» alle macchine. Nel teach-and-playback, per esempio, l’operatore guidava il braccio del robot durante attività come saldatura o verniciatura, definiva punti e sequenza e il sistema registrava i movimenti per poi ripeterli autonomamente. Finito l’addestramento, la procedura era incorporata nella macchina. Nel paradigma tradizionale, quindi, si trasferiva una procedura: «fai questo movimento, in questa sequenza».

Nell’era dell’IA cambia il modo in cui avviene il trasferimento.

Con il machine learning, e in particolare con l’imitation learning, la prestazione umana diventa un insieme di dati da cui il sistema apprende come comportarsi anche in situazioni diverse da quelle osservate durante l’addestramento. Se prima si trasferiva soprattutto una sequenza, con l’IA si può trasferire una capacità generalizzabile e riutilizzabile.

Nel caso di un robot umanoide dotato di IA, la persona svolge direttamente un’attività oppure guida il robot mentre la esegue; movimenti, immagini, azioni e risultati vengono registrati e trasformati in dati di addestramento. In alcuni studi, per esempio, persone reali hanno guidato robot umanoidi attraverso sistemi di teleoperazione in realtà virtuale: le dimostrazioni raccolte sono state poi utilizzate per insegnare al robot a muoversi nell’ambiente e usare oggetti in autonomia. Prima la persona mostra o guida; poi il robot impara a fare senza quella guida.

Lo stesso principio vale per gli Agenti IA. Si pensi a un Agente nell’area commerciale-amministrativa che gestisce gli ordini dei clienti. Una persona gli mostra come leggere la richiesta, recuperare informazioni dal CRM, verificare prezzi e condizioni commerciali, controllare disponibilità e tempi di consegna e gestire le eccezioni. Operazioni, correzioni e decisioni diventano esempi attraverso cui l’Agente apprende progressivamente il flusso di lavoro. AppAgent, un Agente IA sperimentale capace di usare applicazioni su smartphone, mostra un meccanismo analogo: osserva una persona mentre utilizza le app e successivamente prova a svolgere autonomamente compiti simili.

I lavori che addestrano robot umanoidi e altri sistemi di IA possono assumere due forme.

A volte, come nelle esperienze citate in apertura, si tratta di job a sé stanti. Si pensi ai data annotator, che arricchiscono testi, immagini, audio o video con etichette e informazioni che permettono ai sistemi di IA di utilizzarli come esempi da cui apprendere.

Altre volte queste attività sono invece una componente di job qualificati: mentre svolge il proprio lavoro, la persona corregge il sistema, valida i risultati, segnala gli errori o indica come gestire le eccezioni; se queste interazioni vengono usate per migliorarlo, una parte della prestazione contribuisce anche al suo addestramento.

Si possono definire lavori di transizione le attività che realizzano questo passaggio. Il loro output non è soltanto il risultato immediato del lavoro svolto, ma diventa anche input per l’apprendimento di un sistema dotato di IA, realizzando così un trasferimento di capacità. Attraverso dimostrazioni, annotazioni, correzioni e validazioni, una capacità inizialmente umana viene progressivamente trasferita al sistema: prima persona e macchina concorrono a svolgere l’attività; poi il robot umanoide o l’Agente IA può arrivare a svolgerla autonomamente. Quando l’addestramento ha successo, le attività necessarie per trasferire quella specifica capacità si riducono o si esauriscono e il lavoro umano è spinto a spostarsi verso ciò che la macchina ancora non sa fare.

Nel dibattito sull’impatto dell’IA sul lavoro si usano tre categorie: lavori che spariscono, lavori che si trasformano e nuovi lavori che nascono. La letteratura economica distingue tra attività che l’automazione trasferisce dalle persone alle macchine (displacement effect) e nuove attività che l’innovazione crea o restituisce al lavoro umano (reinstatement effect).

Con l’ingresso dei lavori di transizione si apre però una questione ulteriore: che cosa succede al valore della conoscenza che passa dalla persona alla macchina?

In alcuni casi il trasferimento è l’oggetto stesso della prestazione richiesta. Il data annotator sa che il proprio lavoro serve ad addestrare un sistema e viene remunerato proprio per produrre quei dati. In altri casi, invece, l’addestramento avviene mentre la persona svolge il proprio normale lavoro: corregge un Agente IA, gestisce un’eccezione, prende una decisione oppure compie un gesto che viene registrato e successivamente utilizzato per insegnare a un robot dotato di IA come svolgere quella stessa attività.

È qui che emerge un crinale importante.

La persona sa che il proprio lavoro sta contribuendo ad addestrare la macchina? È chiaro quali dati, decisioni o conoscenze vengono trasferiti? Può incidere sulle condizioni del trasferimento e sugli utilizzi successivi? Il valore economico del contributo viene riconosciuto a chi lo ha generato?

Quando il trasferimento è esplicito, delimitato e governato, l’addestramento della macchina è una componente riconoscibile della prestazione lavorativa. Quando invece il normale lavoro della persona diventa, senza una reale possibilità di controllo, materia prima per costruire una nuova capacità della macchina, si entra in un territorio diverso. Ifeoma Ajunwa utilizza il concetto di captured capital per descrivere situazioni nelle quali dati, comportamenti e conoscenze prodotti sul lavoro vengono acquisiti in una relazione fortemente asimmetrica e trasformati in un nuovo fattore produttivo, anche per automatizzare attività svolte dalle stesse persone che li hanno generati.

Essere informati, però, non significa avere voce in capitolo. Sapere che i propri dati vengono utilizzati non significa necessariamente poter incidere su come saranno usati. È qui che entrano in gioco i data rights, diritti che diventano concreti quando le persone non sono soltanto informate, ma possono anche avere voce sulle modalità con cui dati e tecnologie vengono utilizzati nel lavoro.

In altri termini, non tutti i lavori di transizione generano capitale catturato. Il lavoro di transizione descrive il passaggio di una capacità dalla persona alla macchina; il capitale catturato emerge quando quel passaggio avviene attraverso un’appropriazione del sapere e dei dati le cui condizioni la persona non riesce realmente a conoscere, governare o negoziare.

È su questo confine che si apre la questione successiva: a chi deve andare il valore che continua a essere prodotto dopo che quella capacità è stata incorporata nel robot o nell’Agente IA?