“Governing AI: A Primer” Onur Bakiner (Cambridge University Press, 2026)

Pubblicato nel 2026 da Cambridge University Press, Governing AI: A Primer di Onur Bakiner affronta una delle questioni più delicate del presente tecnologico: come governare l’intelligenza artificiale senza ridurre il problema a una semplice alternativa tra entusiasmo e paura. Il libro nasce dentro un contesto in cui l’AI viene spesso presentata come una forza quasi inevitabile, capace di trasformare la medicina, l’economia, la produzione culturale, l’informazione e la vita quotidiana, ma anche come una fonte di rischi profondi per i diritti, la sicurezza, il lavoro, l’ambiente e la democrazia. Bakiner invita a sottrarsi a entrambe le semplificazioni. Da un lato, rifiuta l’idea che l’AI sia soltanto progresso tecnico da accogliere senza riserve; dall’altro, non assume una posizione tecnofobica, perché riconosce che molte applicazioni possono produrre benefici reali se collocate entro forme adeguate di controllo, responsabilità e partecipazione. Il punto centrale è che l’intelligenza artificiale non è mai solo una tecnologia: è un insieme di decisioni, interessi, modelli economici, pratiche sociali e istituzioni che stabiliscono chi trae vantaggio dall’innovazione e chi ne sopporta i costi. Per questo il libro merita attenzione non solo come introduzione ai problemi dell’AI, ma come riflessione sul rapporto tra tecnologia e società. La domanda che attraversa l’opera non è semplicemente come rendere gli algoritmi più precisi o più sicuri, ma chi debba decidere il modo in cui questi strumenti vengono progettati, usati, regolati e inseriti nella vita collettiva. Il tema della governance diventa così il punto di accesso a una questione più ampia: la possibilità di sottrarre il futuro tecnologico a un governo ristretto di imprese, esperti e autorità pubbliche, restituendo ai cittadini una capacità informata di intervento.

Per costruire il proprio ragionamento, Bakiner parte da una chiarificazione necessaria: l’intelligenza artificiale non va trattata come un’entità misteriosa, né come una forma di intelligenza paragonabile in modo semplice a quella umana. Il libro ricostruisce il significato del termine a partire dalla sua origine storica, legata alla proposta di John McCarthy e al progetto di Dartmouth degli anni Cinquanta, e mostra come quella formula, nata quasi come etichetta provvisoria, abbia finito per caricarsi di aspettative filosofiche, commerciali e politiche molto più ampie. In termini operativi, l’AI viene descritta come un sistema basato su macchine capace di ricevere input, elaborarli e produrre output sotto forma di previsioni, raccomandazioni, contenuti o decisioni che possono incidere su ambienti fisici o virtuali. Questa definizione consente di separare l’intelligenza artificiale dalle immagini più confuse che spesso la accompagnano: un chatbot non è un robot, un algoritmo non coincide automaticamente con l’AI, e un sistema automatizzato non possiede necessariamente comprensione, coscienza o intenzionalità. Il libro insiste su termini come dati, algoritmi, machine learning, reti neurali, deep learning, large language models e AI generativa, spiegandoli come componenti di un insieme tecnico fondato su statistica, calcolo, algebra lineare e teoria delle reti. Il dato può essere una risposta a un questionario, il colore di un pixel, il battito cardiaco registrato in un certo momento o il movimento di un dito su uno schermo. L’algoritmo, nel contesto dell’AI, è invece un modello matematico che consente a un sistema di individuare schemi, classificare elementi, stimare probabilità o generare risultati a partire da grandi quantità di dati. La forza dell’AI contemporanea nasce dalla disponibilità di enormi basi di dati e dalla crescita della capacità di calcolo, non da un salto magico verso una mente artificiale.

Un passaggio centrale dell’opera riguarda la distinzione tra forme diverse di intelligenza artificiale. Bakiner mostra che oggi il discorso pubblico tende a identificare l’AI con il machine learning, cioè con tecniche capaci di apprendere regolarità statistiche da grandi insiemi di dati. All’interno di questo campo, le reti neurali e il deep learning permettono di assegnare pesi diversi agli elementi dell’informazione, correggendo progressivamente gli errori attraverso molte iterazioni. I large language models, a loro volta, sono presentati come un’evoluzione di queste tecniche applicata al linguaggio e ad altri sistemi simbolici: non “capiscono” il significato delle parole come lo capisce una persona, ma generano sequenze statisticamente plausibili sulla base di relazioni ricorrenti tra unità linguistiche. Il meccanismo dell’attenzione e della self-attention consente loro di trattare connessioni non soltanto lineari tra parole, frasi o elementi di un input, offrendo risultati spesso sorprendenti. Proprio qui, però, emerge una delle cautele più importanti del libro. Il fatto che un output sia fluido, coerente o apparentemente umano non significa che il sistema possieda comprensione, giudizio o consapevolezza. Bakiner dedica attenzione anche all’AI simbolica, dominante tra gli anni Cinquanta e Novanta, basata su regole, fatti e rappresentazioni esplicite. Questa forma più antica di AI era meno dipendente dai dati, ma più vincolata alla costruzione manuale di basi di conoscenza. La discussione tra AI simbolica, AI data-driven e modelli ibridi non è soltanto tecnica: riguarda il tipo di affidabilità che ci si può attendere da un sistema, il margine di errore accettabile e la possibilità di spiegare le decisioni prodotte. Per l’autore, comprendere questi elementi è indispensabile per governare l’AI, perché una società che attribuisce alle macchine qualità umane inesistenti finisce per concedere troppo potere a chi le sviluppa e le vende.

Dopo avere chiarito che cosa si intenda per AI, il libro affronta il problema di che cosa significhi volere una “buona” intelligenza artificiale. Bakiner osserva che negli ultimi anni si è moltiplicato il vocabolario positivo associato all’AI: etica, responsabile, sicura, affidabile, trasparente, spiegabile, accurata, giusta, equa, rendicontabile, sostenibile, robusta, accessibile e inclusiva. Questi termini sono spesso usati come se fossero immediatamente chiari, ma il libro mostra che non lo sono. “AI etica” può voler dire molte cose diverse: rispetto di principi professionali, riduzione dei danni, applicazione di teorie morali, attenzione ai diritti umani, cura per le persone vulnerabili o critica dei rapporti sociali dentro cui la tecnologia opera. Lo stesso vale per la responsabilità: non basta dire che un sistema deve essere responsabile se non si stabilisce chi debba esserlo, con quali obblighi e con quali conseguenze in caso di danno. La sicurezza riguarda la prevenzione di effetti dannosi, ma solleva subito la domanda: sicura per chi? Per il cliente che usa il prodotto, per la persona sorvegliata da un sistema di riconoscimento facciale, per il lavoratore valutato da un algoritmo, per il cittadino esposto a contenuti manipolatori? Anche la trasparenza e la spiegabilità sono più complesse di quanto appaiano. Un sistema può essere opaco perché tecnicamente difficile da interpretare, oppure perché l’impresa che lo controlla protegge dati e modelli come segreti industriali. L’accuratezza, poi, è necessaria ma non sufficiente: un sistema può essere molto accurato e tuttavia essere usato per scopi ingiusti. La giustizia e l’equità richiedono di interrogarsi non solo sulle metriche tecniche, ma anche sulle disuguaglianze sociali che i dati riflettono e che gli algoritmi possono amplificare. In questo modo, Bakiner mostra che il linguaggio della “buona AI” non è un semplice elenco di virtù tecniche, ma un campo di conflitto tra valori, interessi e visioni della società.

Il libro passa poi al lato opposto della questione: i rischi e i danni prodotti dall’AI quando viene sviluppata o usata senza adeguate garanzie. Bakiner distingue tra rischi potenziali e danni effettivi, concentrandosi su una serie di problemi ormai documentati: bias e discriminazione, sorveglianza, risultati errati o inaffidabili, disinformazione, manipolazione, danni alla vita e al benessere, violazioni della privacy, peggioramento della qualità di prodotti e servizi, polarizzazione politica, radicalizzazione online, censura algoritmica e sostituzione del lavoro umano. L’autore mostra che questi problemi non colpiscono tutti nello stesso modo. Le persone appartenenti a gruppi già svantaggiati sono spesso più esposte agli effetti negativi dell’automazione. I casi di riconoscimento facciale che hanno portato all’arresto ingiusto di uomini neri negli Stati Uniti diventano esempi cruciali per comprendere il rapporto tra errore tecnico e ingiustizia sociale. Non si tratta solo di un software che sbaglia, ma di un sistema inserito in pratiche di polizia, archivi, presupposti istituzionali e rapporti di potere già segnati da disuguaglianze. Lo stesso ragionamento vale per strumenti di valutazione del rischio criminale, selezione del personale, concessione di alloggi, moderazione dei contenuti, ricerca online e generazione di immagini. L’AI può riprodurre stereotipi razziali, di genere o legati alla disabilità; può rendere più pervasiva la sorveglianza pubblica e privata; può produrre testi falsi, citazioni inesistenti, immagini ingannevoli e contenuti manipolatori; può favorire la diffusione di disinformazione attraverso sistemi di raccomandazione progettati per massimizzare l’attenzione degli utenti. Per Bakiner, il dato più importante è che i danni dell’AI non sono accidenti isolati. Essi emergono dall’interazione tra dati imperfetti, modelli statistici, decisioni umane, incentivi di mercato e assetti sociali già diseguali.

L’analisi delle cause permette a Bakiner di evitare una spiegazione puramente tecnica dei problemi. Certo, molti rischi derivano da dati distorti, incompleti, non rappresentativi o costruiti su tracce sociali già contaminate da pregiudizi. Se un’impresa ha assunto prevalentemente uomini in passato, un algoritmo addestrato su quei dati può imparare a considerare i profili maschili come più adatti. Se un database di immagini rappresenta in modo squilibrato gruppi razziali o di genere, un sistema di classificazione può produrre errori più frequenti proprio sulle persone meno rappresentate. Tuttavia, per l’autore, fermarsi alla formula “garbage in, garbage out” non basta. Anche gli algoritmi hanno limiti strutturali: lavorano su probabilità, producono falsi positivi e falsi negativi, richiedono decisioni umane su quale margine di errore sia accettabile e su chi debba sopportarne le conseguenze. In un test medico, un falso negativo può essere molto più grave di un falso positivo; in un sistema di previsione criminale, invece, l’equilibrio tra non individuare un rischio e accusare ingiustamente una persona diventa una questione morale e politica. A questo si aggiungono le decisioni degli esseri umani che progettano, finanziano, vendono e impiegano questi strumenti. Gli algoritmi non scelgono da soli gli obiettivi da ottimizzare: qualcuno decide se massimizzare il coinvolgimento degli utenti, ridurre i costi, accelerare le procedure, aumentare i profitti o tutelare le persone vulnerabili. Bakiner insiste anche sulla composizione demografica dell’industria tecnologica, storicamente poco diversificata, che può rendere meno visibili certi rischi e meno urgenti certe correzioni. La conclusione provvisoria è che l’AI non è razzista, sessista o abilista nel senso in cui lo può essere una persona; ma può incorporare, normalizzare e amplificare strutture sociali razziste, sessiste o abiliste quando viene costruita dentro società che già producono quelle disuguaglianze.

La prima grande famiglia di risposte esaminata da Bakiner è quella delle soluzioni tecniche. L’autore non le liquida come inutili, ma ne valuta con attenzione la portata reale. In questa categoria rientrano progetti di “AI for social good”, sistemi human-in-the-loop, tecniche di de-biasing, strumenti per riconoscere testi, immagini o voci generati dall’AI, procedure di test, audit e red-teaming. L’idea di fondo è semplice: se una tecnologia produce rischi, un’altra tecnologia, o una versione migliorata della stessa, può contribuire a ridurli. Per esempio, si possono progettare strumenti per individuare distorsioni nei dati, correggere discriminazioni nei modelli, rendere più trasparenti alcuni passaggi decisionali o segnalare contenuti sintetici potenzialmente ingannevoli. Bakiner riconosce che questi interventi possono avere effetti positivi su casi specifici. L’AI può aiutare nella diagnosi medica, nella previsione meteorologica, nella risposta ai terremoti, nella scoperta di farmaci, nel monitoraggio ambientale o nel miglioramento dell’accessibilità per persone con disabilità. Anche i sistemi human-in-the-loop, cioè quelli in cui una persona mantiene un ruolo di supervisione o controllo, possono ridurre i rischi dell’automazione piena, soprattutto quando una decisione incide su diritti, opportunità o sicurezza. Tuttavia, il libro insiste su un limite decisivo: le radici dei danni dell’AI non sono esclusivamente tecniche. Se un algoritmo di selezione del personale discrimina, non basta correggere una variabile; bisogna interrogarsi sulla storia dei dati, sulla cultura dell’impresa, sugli incentivi economici, sulle disuguaglianze sociali e sul potere di chi usa quello strumento. Le soluzioni tecniche possono spostare il problema, ridurlo o renderlo più visibile, ma non trasformano da sole i rapporti sociali dentro cui l’AI opera.

La seconda famiglia di strumenti riguarda l’autoregolazione delle imprese. Bakiner ricostruisce la diffusione, a partire dalla metà degli anni Dieci, di principi etici, codici di condotta, comitati, consigli consultivi e team interni dedicati all’AI responsabile. L’autore analizza casi come l’AI Ethics Board di Axon, l’Oversight Board di Meta, le strutture di Google e DeepMind, i gruppi interni di Microsoft, la Partnership on AI e il Trust and Safety Council di Twitter. Il quadro che emerge è ambivalente. In alcuni casi questi organismi hanno prodotto effetti reali: hanno sollevato obiezioni, chiesto modifiche, orientato decisioni, imposto maggiore attenzione a rischi reputazionali o sociali. Meta, per esempio, ha accettato molte decisioni del suo Oversight Board sulla moderazione dei contenuti; Microsoft ha reso pubblici alcuni casi in cui i suoi principi di AI responsabile hanno inciso su prodotti e servizi; Axon, per un certo periodo, ha seguito le raccomandazioni del proprio comitato etico. Ma il limite strutturale dell’autoregolazione è evidente: nessuno di questi organismi possiede un potere pieno e vincolante sulla logica economica dell’impresa. Quando il parere etico entra in conflitto con una decisione centrale per il modello di business, il consiglio può essere ignorato, ridimensionato o sciolto. Il caso di Axon, che ha perso la fiducia di diversi membri del proprio board quando ha proseguito su progetti contestati, mostra bene questa fragilità. Lo stesso vale per Google, dove le strutture etiche sono state segnate da opacità, tensioni interne e conflitti con ricercatrici critiche. Per Bakiner, l’autoregolazione non va esclusa, perché può essere una componente utile della governance; ma non può essere il pilastro principale. Se resta volontaria, dipendente dal finanziamento dell’impresa e priva di autonomia effettiva, rischia di trasformarsi in ethics-washing, cioè in una forma di legittimazione pubblica senza reale capacità di correggere i comportamenti più problematici.

La terza dimensione della governance è quella giuridica. Bakiner dedica ampio spazio alle leggi e alle politiche pubbliche perché, tra i tre strumenti esaminati, la regolazione legale è quello che possiede il maggiore potenziale vincolante. Il libro mostra però che il quadro normativo globale è ancora incompleto. Molti paesi hanno strategie per promuovere l’AI, ma pochi hanno adottato leggi capaci di disciplinarne i rischi. L’Unione europea, con l’AI Act, rappresenta il caso più sviluppato: il modello è basato sul rischio, distingue tra usi vietati, ad alto rischio, a rischio limitato e a rischio minimo, e impone obblighi più severi per i sistemi che incidono su diritti, sicurezza, accesso ai servizi o decisioni pubbliche e private di particolare rilievo. Anche la Corea del Sud ha adottato una legge nazionale, mentre in altri contesti prevalgono proposte, disegni di legge o interventi settoriali. Negli Stati Uniti, l’assenza di una disciplina federale organica ha favorito iniziative statali e locali, oltre all’uso di norme già esistenti in materia di privacy, consumatori, antitrust, sicurezza dei minori e moderazione dei contenuti. Bakiner mostra che le leggi possono intervenire attraverso multe, valutazioni d’impatto, obblighi di trasparenza, monitoraggio post-distribuzione, documentazione tecnica, autorità di controllo e coinvolgimento degli stakeholder. Tuttavia, anche la legge non è una soluzione automatica. Può arrivare tardi, essere scritta con definizioni vaghe, subire la pressione delle imprese, escludere settori cruciali come l’AI militare o ignorare problemi sistemici come lavoro, ambiente e concentrazione di mercato. Il diritto è indispensabile perché introduce obblighi e sanzioni, ma la sua efficacia dipende dalla qualità delle norme, dalla capacità delle autorità di applicarle e dalla forza politica di chi chiede che i diritti non restino subordinati all’innovazione.

Nel capitolo finale Bakiner allarga il quadro e sostiene che la governance dell’AI non può essere ridotta alla combinazione di tecnica, impresa e diritto. Questi tre strumenti sono necessari, ma insufficienti se non affrontano il problema più profondo: la perdita di potere dei cittadini rispetto alle tecnologie che modellano le loro vite. L’autore interpreta l’AI come una causa e insieme una conseguenza di disempowerment e alienazione. Le persone usano strumenti digitali ogni giorno, ma raramente partecipano alle decisioni che ne determinano struttura, obiettivi, limiti e conseguenze. Possono essere valutate da un algoritmo, sorvegliate da una piattaforma, escluse da un’opportunità, indirizzate verso certi contenuti o trasformate in dati di addestramento senza comprendere davvero il processo e senza avere voce nella sua definizione. Bakiner collega questa condizione a tradizioni teoriche come la teoria critica, gli studi sociali sulla scienza e la tecnologia e la teoria democratica. Riprendendo autori come Herbert Marcuse, Andrew Feenberg, Langdon Winner e Hannah Arendt, mostra che la tecnologia non è mai neutrale in senso forte: non determina da sola la società, ma incorpora finalità, rapporti di potere e modi di organizzare il lavoro, la conoscenza e la decisione. Il problema non è che le macchine si ribellino agli uomini, secondo la fantasia distopica più comune; il problema è che alcuni esseri umani, attraverso le macchine, aumentano il proprio potere su altri esseri umani. La concentrazione dell’AI in poche grandi imprese, il divario tra paesi e istituzioni capaci di svilupparla e paesi costretti a subirla, la distanza tra esperti e cittadini, la gerarchia del luogo di lavoro e la dipendenza della ricerca pubblica dalle infrastrutture private sono tutti fattori che rendono l’AI un fenomeno politico prima ancora che tecnico.

La proposta positiva dell’opera è una visione democratico-radicale della governance dell’AI. Con questa espressione Bakiner non intende una formula astratta, ma un orientamento pratico: ampliare la partecipazione informata dei cittadini, dei lavoratori, delle comunità vulnerabili, delle organizzazioni civiche, dei ricercatori indipendenti, dei giornalisti e dei movimenti sociali nelle decisioni che riguardano la tecnologia. L’AI, infatti, distribuisce benefici e rischi: decide chi guadagna efficienza e chi perde autonomia, chi riceve servizi migliori e chi viene escluso, chi vede aumentare la propria produttività e chi subisce precarizzazione, chi viene protetto e chi viene sorvegliato. Per questo le scelte sull’AI non possono restare confinate nelle stanze dei dirigenti aziendali o nei laboratori degli esperti. Bakiner non nega la complessità tecnica: governare l’AI richiede competenze reali, conoscenza dei modelli, dei dati, delle infrastrutture e dei rischi. Ma rifiuta l’idea che questa complessità giustifichi l’esclusione democratica. Una cittadinanza informata non deve scrivere direttamente ogni riga di codice, ma deve poter discutere gli obiettivi, i limiti, gli usi ammessi, i diritti coinvolti, le forme di riparazione e le responsabilità. Nel prologo, questa prospettiva si traduce in cinque strategie: organizzarsi, apprendere, partecipare, prendersi cura e resistere. Organizzarsi significa creare reti civiche capaci di intervenire su problemi tecnologici e diritti tradizionali; apprendere significa sviluppare competenze trasversali sull’AI; partecipare significa spingere imprese e istituzioni ad aprire i processi decisionali; prendersi cura significa guardare la tecnologia dalla prospettiva dei più vulnerabili; resistere significa mantenere la possibilità del conflitto quando produttori e utilizzatori della tecnologia generano danni. La democrazia radicale, in questa visione, è il contrario della passività tecnologica.

Nel suo insieme, Governing AI: A Primer costruisce una tesi equilibrata ma esigente: l’AI può essere governata, ma non può essere governata bene se la società si limita a correggere singoli errori tecnici o ad affidarsi alla buona volontà delle imprese. L’opera ricompone un quadro in cui definizioni, etica, rischi, soluzioni tecniche, autoregolazione, legge e partecipazione democratica sono parti di un unico problema. La prima implicazione è conoscitiva: per discutere seriamente di AI occorre demistificarla, separare capacità reali e retorica promozionale, distinguere automazione, apprendimento statistico, generazione di contenuti e intelligenza umana. La seconda implicazione è etica: parlare di AI responsabile o giusta ha senso solo se si chiarisce chi risponde, davanti a chi, per quali danni e con quali strumenti di controllo. La terza implicazione è politica: ogni decisione sull’AI riguarda la distribuzione di potere, risorse, informazioni e opportunità. La quarta è istituzionale: tecnica, mercato e diritto devono essere combinati, ma nessuno di questi livelli può bastare da solo. Le soluzioni tecniche possono correggere difetti circoscritti; l’autoregolazione può produrre miglioramenti parziali; la legge può imporre limiti e obblighi; ma solo una partecipazione più ampia può orientare l’AI verso il bene comune. Il futuro dell’AI, per Bakiner, non è già scritto. Può aggravare disuguaglianze, concentrazione economica, sorveglianza e precarietà; oppure può essere ripensato come tecnologia al servizio di fini pubblici, a condizione che le persone non restino utenti, consumatori o soggetti passivi di decisioni altrui. La questione decisiva, allora, non è se l’AI sia buona o cattiva in sé, ma quale società la produce, con quali finalità, sotto quali controlli e con quale grado di partecipazione democratica.

Sintesi finale

La tesi centrale di Governing AI: A Primer è che l’intelligenza artificiale può essere utile alla società solo se viene governata come fenomeno sociale, politico e istituzionale, e non come semplice innovazione tecnica affidata agli esperti o al mercato. Bakiner fonda il suo ragionamento sulla necessità di demistificare l’AI, mostrando che essa non è una mente artificiale dotata di comprensione, intenzionalità o giudizio morale, ma un insieme di sistemi statistici, algoritmici e computazionali costruiti su dati, modelli, infrastrutture e scelte umane. Da questa premessa deriva la critica alla retorica promozionale che attribuisce alle macchine qualità propriamente umane e oscura il ruolo di imprese, governi, progettisti e utilizzatori nelle decisioni che determinano obiettivi, limiti e conseguenze dei sistemi artificiali. Il libro chiarisce che espressioni come AI etica, responsabile, sicura, affidabile, trasparente, equa o sostenibile non possono restare formule generiche, perché rinviano a valori spesso sovrapposti e talvolta in tensione tra loro, come accuratezza, privacy, spiegabilità, sicurezza e giustizia. L’analisi mostra che i danni dell’AI sono già visibili in molti ambiti: discriminazione, sorveglianza, disinformazione, errori decisionali, violazioni della privacy, peggioramento dei servizi, precarizzazione del lavoro, concentrazione del mercato e impatti ambientali. Questi effetti non sono distribuiti in modo casuale, ma tendono a colpire soprattutto gruppi già vulnerabili o storicamente esclusi, perché l’AI non crea dal nulla razzismo, sessismo, disuguaglianza e sfruttamento, ma può riprodurli, amplificarli e normalizzarli. Le cause dei problemi non risiedono solo nei dati distorti o negli algoritmi imperfetti, ma anche negli incentivi economici, nelle gerarchie organizzative, nella composizione dell’industria tecnologica e nella debolezza dei controlli democratici. Le soluzioni tecniche, come test, audit, de-biasing, controlli umani e strumenti di rilevazione dei contenuti generati dall’AI, sono necessarie ma insufficienti, perché correggono rischi specifici senza trasformare i rapporti di potere che li producono. Anche l’autoregolazione aziendale può generare risultati parziali, ma resta fragile quando entra in conflitto con il modello di business delle imprese. La regolazione giuridica è più vincolante e indispensabile, come mostra il caso dell’AI Act europeo, ma può essere incompleta, tardiva o influenzata dagli stessi attori che dovrebbe regolare. Per questo Bakiner sostiene che la governance dell’AI debba combinare strumenti tecnici, responsabilità aziendale, norme pubbliche e partecipazione democratica. L’implicazione teorica più rilevante è che l’AI va compresa come questione di potere, distribuzione dei rischi e organizzazione collettiva delle decisioni. L’implicazione pratica è che cittadini, lavoratori, comunità vulnerabili, ricercatori, giornalisti e movimenti sociali devono poter intervenire informati nei processi che orientano la tecnologia. Il futuro dell’AI, quindi, non è predeterminato: se lasciata ai soli interessi di mercato può aggravare disuguaglianze, sorveglianza, precarietà e manipolazione; se governata democraticamente può invece contribuire a una relazione più giusta tra tecnologia e società.

Scheda metadati

Autore: Onur Bakiner
Titolo in originale: Governing AI: A Primer
Casa editrice: Cambridge University Press
Anno di pubblicazione: 2026
Categoria: Società, politica e comunicazione