di Stefano Benozzo e Alessandro Bortolotti
“Tredicesima…Se il tuo cuore non conosce questa gioia, allora taci, perché gli Dei ti hanno condannato alla partita IVA”
Così Checco Zalone nel film Quo Vado? (2016) difende a spada tratta la sua posizione nell’ufficio provinciale caccia e pesca, trasformando un contratto in un mito. Il posto fisso, nel nostro immaginario, non è solo un lavoro. È protezione. È ordine. È legittimazione sociale. È la versione amministrativa della pace interiore.
Eppure, oggi questa equivalenza regge sempre meno. Sempre più persone attraversano lavori intermittenti, collaborazioni temporanee, incarichi autonomi, piattaforme digitali, percorsi professionali non lineari. Alcuni ci finiscono. Altri lo scelgono. E qui sta il punto: il problema non è solo se il lavoro sia stabile o instabile. Il punto è capire che cosa succede alle nostre decisioni quando il lavoro viene percepito come incerto, opaco e poco governabile.
Per anni abbiamo discusso il lavoro quasi soltanto in termini giuridici o economici: contratto, salario, tutele, produttività. Tutto corretto. Ma non basta. C’è anche un livello cognitivo e psicologico che spesso resta fuori campo: quando una persona non sa quanto guadagnerà, con quali criteri verrà valutata, se potrà contare su una continuità minima o se un algoritmo cambierà le regole da un giorno all’altro, non cambia solo la sua condizione materiale. Cambia il suo modo di valutare, pianificare e scegliere.
Da questo punto di vista, la Gig Economy non è un’anomalia marginale. È il laboratorio più visibile di un problema più ampio. Dalle consegne a domicilio al freelancing digitale, dai microtask online alle piattaforme di lavoro cognitivo, milioni di persone lavorano già dentro sistemi che promettono flessibilità ma spesso distribuiscono incertezza.
E quando l’incertezza diventa struttura, anche il decision making smette di essere neutro. Parallelamente le piattaforme digitali che orchestrano questo nuovo mercato del lavoro incorporano in misura crescente sistemi di intelligenza artificiale (IA) e algoritmi decisionali, i quali operano in modo pervasivo e spesso opaco: assegnano compiti, modulano l’accesso alle opportunità, stabiliscono compensi e valutano in tempo reale le performance dei lavoratori. In questo contesto, l’algoritmo non è semplicemente uno strumento tecnico neutrale, bensì un dispositivo di governo del lavoro che struttura rapporti di potere asimmetrici (Kellogg et al., 2020; Wood et al., 2019).
Questa trasformazione solleva interrogativi fondamentali che trascendono il piano economico e sociologico per investire direttamente i processi psicologici e neuro cognitivi degli individui: come la precarietà reddituale modifica i meccanismi di presa di decisione? In che modo la percezione di un controllo algoritmico costante altera il senso di agency e la regolazione emotiva? Quale impatto ha la minaccia di sostituzione da parte dell’IA sull’orientamento temporale delle scelte e sulla propensione al rischio?
La Gig Economy come fenomeno strutturale: dimensioni e attori
Prima di analizzare le implicazioni psicologiche e neurocognitive, è necessario delineare con precisione il fenomeno in esame. La Gig Economy non è un’entità monolitica, bensì un campo articolato che comprende almeno tre grandi categorie di lavoratori digitali (Huws et al., 2017; Petriglieri et al., 2019).
La prima categoria include i lavoratori di prossimità – o location-based workers – che svolgono attività fisicamente situate nello spazio urbano: driver per piattaforme di ride-hailing come Uber o Lyft, fattorini per servizi di food delivery come Deliveroo, Glovo o Just Eat, corrieri per logistica dell’e-commerce. La seconda categoria comprende i lavoratori cognitivi da remoto – cloudworkers – che operano su piattaforme globali di microtasking (Amazon Mechanical Turk, Clickworker, Appen) o di competenza professionale (Upwork, Freelancer, Fiverr). La terza, ancora emergente, è costituita da lavoratori ibridi che operano attraverso sistemi di IA generativa come assistenti di contenuto, annotatori di dati o supervisori di output automatizzati.
Secondo il Global Gig Economy Index elaborato da Mastercard e Kaiser Associates (2019), il mercato globale della Gig Economy valeva circa 204 miliardi di dollari nel 2018 con una crescita annua stimata intorno al 17%. Stime più recenti indicano che tra il 10% e il 15% della forza lavoro nei paesi OCSE abbia svolto almeno una prestazione retribuita su piattaforma digitale nel corso dell’anno (OECD, 2021). Non si tratta dunque di un fenomeno marginale, bensì di una trasformazione strutturale del mercato del lavoro con implicazioni di vasta portata per il benessere individuale e collettivo.
Esempio illustrativo: Nel 2017, una ricerca di Rosenblat e Stark (2016) condotta su un campione di driver Uber ha documentato come l’algoritmo della piattaforma gestisse l’assegnazione delle corse, i prezzi dinamici (surge pricing) e la valutazione dei conducenti in modo scarsamente trasparente. I driver riferivano di non comprendere appieno i criteri di penalizzazione del rating e di sentirsi costantemente osservati da un supervisore invisibile e infallibile. Questa condizione di asimmetria informativa strutturale rappresenta un caso paradigmatico delle dinamiche analizzate in questo articolo.
Precarietà economica e processi cognitivi: il peso dell’incertezza
Quando parliamo di insicurezza lavorativa, pensiamo subito al denaro. Ed è ovvio: se il reddito è instabile, l’orizzonte si accorcia. Nel contesto della Gig Economy, l’incertezza reddituale è una caratteristica strutturale e non episodica. A differenza del lavoratore dipendente tradizionale, per il quale il compenso è noto e stabile, il lavoratore di piattaforma deve calcolare giornalmente o addirittura orariamente le proprie prospettive di guadagno in funzione di variabili che non controlla: la domanda della piattaforma, le variazioni algoritmiche del prezzo, il comportamento degli utenti, la stagionalità, i picchi orari. Questa condizione equivale a un’esposizione protratta al tunneling cognitivo descritto da Mullainathan e Shafir, con implicazioni di rilievo sulla qualità delle decisioni economiche e non solo. Ma ridurre tutto a una questione prettamente economica sarebbe un errore.
La relazione tra scarsità economica e funzionamento cognitivo è stata formalizzata in modo rigoroso dalla cosiddetta Scarcity Theory (Mullainathan & Shafir, 2013). Secondo questo framework teorico, la condizione di scarsità – che si tratti di denaro, tempo o altri risorse – genera una focalizzazione cognitiva involontaria (tunneling) sulle preoccupazioni immediate, riducendo la bandwidth mentale disponibile per ragionamenti complessi, pianificazione a lungo termine e regolazione cognitiva del comportamento.
Una dimostrazione empirica di particolare impatto è stata fornita da Mani e colleghi (2013), che in una serie di studi condotti in India e negli Stati Uniti hanno mostrato come la sola condizione di precarietà finanziaria – indipendente da altri fattori demografici – fosse associata a una riduzione significativa delle performance cognitive in test di intelligenza fluida e capacità di controllo cognitivo. Nello specifico, gli individui in condizioni di pressione finanziaria mostravano prestazioni paragonabili a una riduzione di 13 punti di QI o a una notte di privazione del sonno. Questi effetti erano reversibili, suggerendo una natura situazionale piuttosto che disposizionale del deficit.
La ricerca sulla scarsità, infatti, ci dice da tempo che quando una risorsa fondamentale manca o diventa fragile, la mente tende a concentrarsi sull’immediato. È un adattamento comprensibile: se il problema è urgente, l’attenzione si stringe attorno a ciò che preme di più. Il punto è che questo restringimento ha un costo. Riduce la bandwidth cognitiva disponibile per pianificare, confrontare alternative, sopportare l’attesa, scegliere in modo strategico. In altre parole: l’urgenza mangia visione.
È qui che il dibattito sulla “precarietà” andrebbe forse riformulato meglio. Non tutta la flessibilità è una condanna, e non tutto ciò che è stabile produce davvero sicurezza. Una persona può scegliere con lucidità un percorso autonomo, discontinuo, persino rischioso, senza per questo essere irrazionale o “meno adulta”. Il problema nasce quando il sistema scarica sull’individuo tutta la volatilità del contesto, senza dargli strumenti per governarla. Perché in quel momento non stiamo più parlando di libertà di scelta ma di esposizione.
Perché sotto pressione scegliamo il breve periodo
Uno degli effetti più interessanti dell’insicurezza prolungata riguarda il rapporto con il tempo. Dalla teoria del prospetto di Kahneman e Tversky (1979) sappiamo che gli individui valutano le perdite in modo asimmetrico rispetto ai guadagni equivalenti: le prime hanno un peso psicologico circa due volte superiore alle seconde. In condizioni di precarietà economica cronica, questo meccanismo di avversione alla perdita si amplifica, generando comportamenti difensivi orientati alla minimizzazione del rischio immediato piuttosto che alla massimizzazione dell’utilità attesa nel lungo periodo. Questo è il motivo per cui, in certe condizioni, diventa più difficile investire su formazione, risparmio, riposo, costruzione di competenze o anche solo su una strategia professionale coerente. Il breve periodo smette di essere una scelta e diventa un riflesso.
Strettamente correlato è, infatti, il fenomeno del temporal discounting (Frederick et al., 2002): la tendenza a preferire ricompense immediate a ricompense future di valore oggettivamente superiore. La letteratura comportamentale ha documentato come condizioni di stress e incertezza finanziaria acutizzino questo sconto temporale (steep discounting), spingendo gli individui verso scelte sub-ottimali sul piano della pianificazione a lungo termine: rinunciare a investire nella propria formazione professionale, non accantonare risparmi previdenziali, o evitare di rifiutare commissioni poco remunerative pur di garantirsi un reddito immediato.
Shah e colleghi (2012) hanno ulteriormente dimostrato che la scarsità non solo riduce la capacità di pianificazione, ma induce anche comportamenti di borrowing from the future: attingere a risorse (energetiche, temporali, economiche) che andrebbero preservate, aggravando nel medio termine la condizione di partenza. Nel micro-lavoro digitale questo si può tradurre in un eccesso di ore lavorate in periodi di alta domanda, con conseguente burnout che erode la produttività futura.
Esempio illustrativo: Studi qualitativi condotti su lavoratori di Amazon Mechanical Turk (Irani, 2015; Difallah et al., 2018) hanno documentato come molti worker accettino HIT (Human Intelligence Tasks) a retribuzione molto bassa pur di mantenere un flusso costante di piccoli guadagni, evitando i periodi di attesa necessari a identificare task meglio remunerati. Questo comportamento è coerente con il profilo di steep temporal discounting indotto dalla condizione di precarietà strutturale.
Stress cronico e incertezza
Sul piano neuroscientIfico, lo stress prolungato derivante dall’incertezza economica coinvolge l’attivazione dell’asse ipotalamo-ipofisi-surrene (HPA), con aumento dei livelli di cortisolo che, se cronico, produce effetti documentati sulla struttura e sul funzionamento della corteccia prefrontale dorsolaterale (DLPFC) (Lupien et al., 2009). La DLPFC è il substrato neurale del controllo esecutivo, della memoria di lavoro e della pianificazione prospettica: esattamente le funzioni cognitive più sollecitate e insieme più compromesse nel contesto lavorativo della Gig Economy.
Arnsten (2009) ha mostrato come l’esposizione a cortisolo elevato in modo cronico riduca la densità delle connessioni dendritiche nella DLPFC e potenzi invece la reattività dell’amigdala, spostando il sistema di elaborazione dell’informazione verso modalità più impulsive, reattive agli stimoli emotivi e meno capacitate di inibire risposte automatiche. Ne deriva quello che Kahneman (2011) descrive come una ‘ipertrofia’ del Sistema 1 (fast thinking, intuitivo, euristico) a scapito del Sistema 2 (slow thinking, deliberato, analitico) nelle situazioni di valutazione decisionale.
Dire che l’incertezza peggiora le scelte non significa però colpevolizzare chi vive lavori fragili. Significa fare l’opposto: spostare l’attenzione dall’individuo al contesto decisionale. In molte situazioni, le persone non stanno sbagliando. Stanno reagendo in modo comprensibile a un ambiente che le costringe a privilegiare ciò che salva oggi, anche se compromette domani. E questo vale ben oltre la Gig Economy. Vale ogni volta che il lavoro è organizzato in modo da produrre urgenza continua, incomprensibilità delle regole, valutazioni non negoziabili, pressione senza orientamento.
Controllo algoritmico e riduzione dell’autonomia percepita
L’algoritmo come supervisore invisibile
Uno degli aspetti più distintivi e psicologicamente rilevanti del lavoro di piattaforma è la presenza di sistemi algoritmici che assumono funzioni tipicamente riservate al management umano: assegnazione dei compiti, monitoraggio continuo delle performance, modulazione dei compensi, distribuzione di premi e penalità, fino all’esclusione unilaterale del lavoratore dalla piattaforma (Kellogg et al., 2020; Möhlmann & Zalmanson, 2017). Questa forma di gestione è stata definita algorithmic management o algorithmic control e si caratterizza per tre proprietà distintive rispetto alla supervisione tradizionale: ubiquità (il controllo è permanente e non episodico), opacità (i criteri di valutazione sono in gran parte oscuri al lavoratore), e asimmetria (il lavoratore non ha strumenti efficaci di contestazione o negoziazione).
Wood e colleghi (2019), in uno studio di ampio respiro condotto su lavoratori di piattaforma in 75 paesi, hanno documentato come l’autonomia percepita vari enormemente all’interno della Gig Economy: tendenzialmente superiore nei lavoratori qualificati (design, sviluppo software, consulenza) e marcatamente ridotta nei lavoratori di prossimità e nei microtasker. In entrambi i casi, tuttavia, l’algoritmo funge da vincolo strutturale che delimita il campo delle scelte possibili, anche quando l’individuo ritiene di operare in autonomia.
Self-Determination Theory e le conseguenze della minaccia all’autonomia
La Self-Determination Theory (SDT) di Deci e Ryan (2000) identifica l’autonomia, la competenza percepita e la relazionalità come i tre bisogni psicologici fondamentali la cui soddisfazione è condizione necessaria per la motivazione intrinseca, il benessere e la performance ottimale. Quando uno o più di questi bisogni sono sistematicamente frustrati, si osservano conseguenze documentate sul piano motivazionale e comportamentale: riduzione dell’engagement, aumento della compliance esteriore senza adesione valoriale, aumento dei comportamenti di evitamento e di assenteismo psicologico (Ryan & Deci, 2000).
Nel contesto della Gig Economy, il controllo algoritmico opera, pertanto, come un potente vettore di frustrazione del bisogno di autonomia. Non si tratta della semplice supervisione di un manager umano – rapporto che ammette possibilità di negoziazione, di comprensione contestuale, di eccezione motivata – bensì di un sistema opaco e sistematico che non riconosce l’intenzionalità soggettiva del lavoratore, non ammette spiegazioni e applica conseguenze in modo automatico. Questa condizione genera quello che in letteratura viene indicato come “percezione di controllo esterno”, associata a minore engagement, minore creativity e peggiori outcome di salute psicologica (Deci & Ryan, 2000).
Behavioral Adaptation e Decisioni Reattive
In risposta al controllo algoritmico, i lavoratori sviluppano strategie adattive che la letteratura qualitativa ha ampiamente documentato (Rosenblat & Stark, 2016; Lee et al., 2015). Tra le più comuni vi sono: la ricerca ossessiva di segnali interpretativi dell’algoritmo (gaming), l’iper-ottimizzazione delle variabili controllabili (velocità di risposta alle richieste, tasso di accettazione, punteggio delle recensioni), il sacrificio di tempo libero nei periodi di picco algoritmico, la rinuncia a commissioni potenzialmente più favorevoli per non deteriorare il proprio profilo di accettazione.
Queste strategie, pur razionali nell’orizzonte breve del singolo episodio, possono rivelarsi sub-ottimali nel medio-lungo periodo. L’ipervigilanza cognitiva che richiedono – monitoraggio continuo di rating, notifiche, variazioni algoritmiche – consuma risorse di attenzione che potrebbero essere dedicate a lavoro di maggiore qualità o a investimenti nel capitale umano. Baumeister e colleghi (1998) hanno teorizzato il concetto di ego depletion per descrivere come l’esercizio prolungato del controllo cognitivo riduca progressivamente la disponibilità di risorse per successive decisioni, aumentando la probabilità di scelte impulsive nelle ore successive.
Esempio illustrativo: I ricercatori di Fairwork Foundation (2022) hanno documentato pratiche diffuse tra i rider di Deliveroo in cui i lavoratori sviluppano veri e propri “manuali informali” per decifrare il comportamento dell’algoritmo di assegnazione delle consegne. Questi manuali, condivisi in gruppi WhatsApp e forum anonimi, suggeriscono orari e zone geografiche ottimali, modalità di risposta alle richieste e strategie per evitare penalizzazioni del rating. L’esistenza di questo know-how collettivo testimonia sia la pervasività del controllo algoritmico sia l’agency creativa che i lavoratori esercitano nonostante esso.
L’Intelligenza Artificiale come minaccia: la psicologia della sostituibilità
Il dibattito sulla sostituzione tecnologica
L’intelligenza artificiale rende tutto questo ancora più evidente. Il dibattito sull’impatto dell’automazione sull’occupazione ha una lunga storia nella teoria economica, dalle preoccupazioni luddiste dell’Ottocento fino alle discussioni contemporanee sull’IA generativa. In tempi recenti, uno studio particolarmente influente di Frey e Osborne (2017) ha stimato che circa il 47% delle occupazioni negli Stati Uniti fosse ad alto rischio di automatizzazione nel corso dei successivi due decenni, identificando come particolarmente vulnerabili i lavori di routine cognitiva e fisica. Acemoglu e Restrepo (2020), analizzando i dati dei mercati del lavoro statunitensi, hanno invece documentato come ogni robot introdotto in un settore fosse associato a una riduzione di 3-6 posti di lavoro equivalenti nel medesimo settore.
Questi risultati vanno interpretati con cautela: come ha argomentato Autor (2015), le previsioni di sostituzione tecnologica tendono a sovrastimare l’automazione delle occupazioni e a sottostimare la creazione di nuove figure professionali. Tuttavia, l’impatto psicologico della percezione di sostituibilità non dipende dalla sua accuratezza oggettiva: anche una minaccia percepita — indipendentemente da quanto sia concretamente imminente — attiva meccanismi cognitivi e comportamentali di risposta alla minaccia analoghi a quelli descritti per le minacce fisiche acute (Brynjolfsson & McAfee, 2014).
Threat Perception e conseguenze sul Decision-Making
La letteratura sulla psicologia della minaccia converge nell’indicare che, in condizioni di percezione di pericolo – anche simbolico – gli individui tendono ad adottare strategie difensive orientate alla minimizzazione del rischio a breve termine (risk minimization), a privilegiare l’immediato rispetto al futuro (temporal discounting acutizzato), a ridurre gli investimenti in obiettivi a lungo termine percepiti come incerti.
Nel contesto specifico dei lavoratori della Gig Economy esposti alla minaccia di sostituzione da IA, queste dinamiche si possono manifestare come: riduzione degli investimenti in upskilling e formazione professionale (perché “tanto verranno sostituiti”), intensificazione del presentismo lavorativo (lavorare di più e accettare tariffe inferiori per rendersi “insostituibili”), aumento della vigilanza verso i segnali negativi della piattaforma (rating negativi, riduzione delle opportunità), aumento dell’ansia da prestazione associata a fenomeni di overthinking decisionale che paradossalmente peggiorano la performance.
Petriglieri e colleghi (2019), in uno studio qualitativo longitudinale su lavoratori indipendenti, hanno documentato come quelli privi di holding environments – reti di supporto sociale e professionale – fossero particolarmente vulnerabili a stati di ansia cronica e di identità professionale instabile, con conseguenti oscillazioni nella qualità delle scelte lavorative. Il lavoratore isolato della Gig Economy, privo di colleghi, di mentori e di contratti che garantiscano continuità, si trova in una condizione di particolare esposizione a queste dinamiche.
Esempio illustrativo: Nel 2023, a seguito della rapida diffusione di strumenti di IA generativa come ChatGPT e Midjourney, molti lavoratori di Upwork e Fiverr attivi nei settori della scrittura creativa, della traduzione e del design grafico hanno riportato riduzioni significative delle proprie tariffe e del volume di commesse. Survey condotte da piattaforme di freelance hanno documentato che oltre il 60% dei lavoratori cognitivi interrogati esprimeva preoccupazione per la propria sostituibilità nel breve periodo. Questo dato fornisce un contesto concreto alle dinamiche psicologiche teorizzate in questo articolo.
L’Intelligenza Artificiale come strumento: potenzialità e condizioni di supporto
Cognitive Offloading e supporto decisionale
Il frame esclusivamente minaccioso con cui l’IA è spesso rappresentata nel dibattito sul lavoro rischia di oscurare le sue potenzialità come strumento di supporto cognitivo e decisionale. Il concetto di cognitive offloading (Clark & Chalmers, 1998; Risko & Gilbert, 2016) indica la strategia attraverso cui gli individui delegano a strumenti esterni parte del carico di elaborazione cognitiva, liberando risorse per compiti di ordine superiore. In questo senso, sistemi di IA ben progettati possono rappresentare protesi cognitive che potenziano le capacità decisionali piuttosto che limitarle.
Applicato al contesto della Gig Economy, l’IA potrebbe supportare il lavoratore nella pianificazione ottimale del proprio tempo lavorativo, nell’identificazione delle opportunità più remunerative in relazione ai propri obiettivi, nella valutazione dei rischi associati a diversi tipi di commissioni, nel monitoraggio della propria condizione di benessere e del rischio di burnout. L’effetto netto, in questo scenario, sarebbe una riduzione del carico cognitivo associato alla gestione della propria attività indipendente e un ampliamento – non una riduzione – dell’autonomia effettiva del lavoratore.
Il principio della trasparenza algoritmica come fattore mediatore
La distinzione tra un’IA che limita l’autonomia e un’IA che la potenzia dipende in misura cruciale da fattori di design e di comunicazione. Ricerche nell’ambito della Human-Computer Interaction (Wang et al., 2019) hanno mostrato che la explainability dei sistemi algoritmici – la capacità di comunicare ai lavoratori i criteri di valutazione e le logiche di funzionamento in modo comprensibile – è associata a maggiore fiducia, maggiore senso di controllo percepito e migliori outcome di performance. Al contrario, la Black Box Algorithm – algoritmo il cui funzionamento è opaco e non interpretabile – genera esattamente le condizioni di incertezza e ipervigilanza cognitiva descritte nelle sezioni precedenti.
Il recente Regolamento europeo sull’Intelligenza Artificiale (EU AI Act, 2024), recentemente entrato in vigore, introduce obblighi di trasparenza per i sistemi di IA ad alto impatto che includono esplicitamente i sistemi di gestione algortimica del lavoro. Questa evoluzione normativa rappresenta un segnale importante di consapevolezza politica delle implicazioni psicologiche e sociali del controllo algoritmico, anche se la sua piena implementazione e il suo impatto reale restano da verificare empiricamente.
Esempio illustrativo: Nel 2020, a seguito di una campagna sindacale dei driver Uber nel Regno Unito, la Corte Suprema britannica ha stabilito che i driver avessero diritto allo status di “worker” (categoria intermedia tra dipendente e autonomo), con conseguenti diritti a salario minimo e ferie retribuite. La motivazione della sentenza faceva esplicito riferimento al controllo esercitato dall’algoritmo come elemento determinante del rapporto lavorativo. Il caso illustra come la distinzione tra IA come strumento e IA come dispositivo di controllo abbia implicazioni legali e normative concrete, oltre che psicologiche.
Un modello teorico integrato
Ma perché quindi è importante riflettere sulla Gig Economy? Perché riguarda la nostra società e rende esplicite dinamiche che si stanno sviluppando anche in altri contesti. Dashboard, KPI, rating impliciti, performance pressure, automazione delle priorità, valutazioni continue, disponibilità permanente: molte organizzazioni tradizionali stanno assorbendo la stessa logica. Non sempre con la stessa intensità. Ma nella stessa direzione.
La Gig Economy va letta come una lente estrema su un problema più generale: che cosa succede quando il lavoro chiede adattabilità continua ma offre poca intelligibilità, poca protezione e poco controllo reale? La risposta, almeno in parte, la conosciamo già: aumenta il carico mentale, si restringe l’orizzonte temporale, si moltiplicano le strategie difensive e peggiora la qualità delle decisioni. Non per fragilità individuale, ma per design del contesto.
Pertanto, sulla base degli elementi discussi nelle sezioni precedenti, proponiamo un modello teorico integrato che rappresenti il sistema delle relazioni tra i principali costrutti analizzati. Il modello si articola lungo tre assi dinamici tra loro interconnessi, il cui punto di convergenza è la qualità del decision-making del lavoratore digitale.
1) Asse della precarietà economica
L’asse della precarietà descrive la sequenza causale: instabilità del reddito → attivazione dell’asse HPA e stato di stress cronico → riduzione della bandwidth cognitiva disponibile → tunneling sull’immediato → steep temporal discounting e avversione alla perdita amplificata → preferenza per guadagni certi e immediati a scapito di strategie a lungo termine. Questo asse è mediato dall’intensità e dalla durata dell’esposizione alla precarietà, nonché dalla disponibilità di risorse di buffering (reti di supporto sociale, risorse economiche di riserva, accesso a welfare).
2) Asse del controllo algoritmico
L’asse del controllo algoritmico descrive la sequenza: bassa autonomia percepita e opacità dell’algoritmo → frustrazione del bisogno di autodeterminazione → riduzione della motivazione intrinseca e dell’engagement → sviluppo di strategie adattive difensive → ego depletion progressiva → decisioni reattive e di bassa qualità. Questo asse è moderato dal grado di trasparenza algoritmica: sistemi che comunicano i propri criteri di valutazione in modo comprensibile attenuano la frustrazione dell’autonomia e riducono il carico di ipervigilanza cognitiva.
3) Asse della relazione con l’intelligenza artificiale
Il terzo asse, più complesso dei precedenti, ammette due traiettorie dipendenti dalle condizioni di design e di contesto. Nella traiettoria della minaccia: percezione di sostituibilità → attivazione di meccanismi di difesa → riduzione degli investimenti nel capitale umano → aumento del presentismo e dell’ansia da prestazione → deterioramento progressivo della qualità decisionale. Nella traiettoria del supporto: IA come strumento di cognitive offloading → riduzione del carico decisionale quotidiano → ampliamento dell’autonomia effettiva → miglioramento della qualità delle decisioni strategiche.
I tre assi non operano in modo indipendente: la precarietà economica amplifica la percezione di minaccia da parte dell’IA; il controllo algoritmico intensifica la condizione di precarietà percepita; l’IA come strumento può attenuare le conseguenze cognitive della precarietà riducendo l’incertezza decisionale. Questo intreccio di retroazioni positive e negative suggerisce che interventi su un singolo asse (ad esempio, politiche di reddito minimo garantito per i gig worker) abbiano effetti che si propagano attraverso l’intero sistema.
Implicazioni per la ricerca e la regolazione del lavoro digitale
Direzioni per la ricerca futura
Il modello teorico proposto apre numerose direzioni per la ricerca empirica futura. Sul piano della psicologia sperimentale, sarà importante sviluppare paradigmi laboratoriali che simulino in modo ecologicamente valido le condizioni della Gig Economy – ad esempio, attraverso task decisionali computerizzati in cui i partecipanti operano sotto condizioni di incertezza reddituale variabile e di valutazione algoritmica simulata – per misurare in modo controllato le conseguenze sul temporal discounting, sull’impulsività e sull’autonomia percepita.
Sul piano delle neuroscienze cognitive, studi di neuroimaging potrebbero identificare i correlati neurali del processo decisionale in condizioni di controllo algoritmico, documentando in modo diretto le modificazioni funzionali della DLPFC e dell’amigdala. Studi longitudinali su coorti di lavoratori gig potrebbero documentare la traiettoria temporale degli effetti cognitivi e identificare fattori di protezione individuali e contestuali.
Sul piano dell’economia comportamentale, analisi dei big data generati dalle piattaforme (con adeguate protezioni della privacy) potrebbero consentire di misurare in modo ecologico i pattern decisionali dei lavoratori in risposta a variazioni algoritmiche, testando le predizioni del modello in condizioni di validità ecologica elevata.
Implicazioni per la regolazione e le politiche del lavoro
Le analisi proposte in questo articolo hanno implicazioni dirette per i decisori politici e i regolatori. In primo luogo, la regolazione del controllo algoritmico nelle piattaforme di lavoro dovrebbe includere obblighi di trasparenza non solo formale (disclosure dei criteri di valutazione) ma anche sostanziale (comprensibilità effettiva per il lavoratore): la mera pubblicazione di termini e condizioni algoritmici in linguaggio tecnico-legale non è sufficiente a ridurre l’asimmetria informativa che genera le conseguenze cognitive documentate.
In secondo luogo, le politiche di welfare per i gig worker – estensione delle protezioni previdenziali, accesso alle indennità di disoccupazione, tutele in caso di infortunio – non vanno concepite esclusivamente come strumenti di redistribuzione economica, ma anche come interventi di protezione cognitiva: riducendo l’intensità della precarietà percepita, contribuiscono a preservare la bandwidth cognitiva necessaria per decisioni di qualità e per investimenti nel proprio capitale umano.
In terzo luogo, l’introduzione di meccanismi di contestazione degli esiti algoritmici – il diritto a una revisione umana delle penalizzazioni, il diritto a conoscere le motivazioni di una esclusione dalla piattaforma – è importante non solo sul piano dei diritti formali, ma come strumento di ripristino del senso di agency e di riduzione dell’ipervigilanza cognitiva. Come indicano Ryan e Deci (2000), la percezione di controllabilità dell’ambiente è una condizione necessaria per la motivazione autonoma e il benessere psicologico.
Conclusioni
Questo articolo ha proposto un quadro teorico multidisciplinare per comprendere come precarietà economica, controllo algoritmico e intelligenza artificiale si intersechino nel plasmare i processi cognitivi e decisionali dei lavoratori della Gig Economy. Integrando evidenze da neuroscienze cognitive, economia comportamentale e psicologia del lavoro, abbiamo argomentato che la condizione tipica del lavoratore di piattaforma – reddito instabile, supervisione algoritmica opaca, minaccia di sostituzione tecnologica – genera un insieme coerente di effetti sul funzionamento cognitivo: riduzione della bandwidth mentale, acuizzamento del temporal discounting, frustrazione dell’autonomia, sviluppo di strategie adattive sub-ottimali.
Il modello proposto non è deterministico: le stesse condizioni strutturali possono produrre traiettorie molto diverse a seconda del grado di trasparenza algoritmica, della disponibilità di risorse di buffering individuali e collettive, e della qualità del design dei sistemi di IA con cui i lavoratori interagiscono. Questo suggerisce che il futuro del lavoro digitale non sia scritto in anticipo dalle traiettorie tecnologiche, ma dipenda in misura significativa dalle scelte di design, di regolazione e di welfare che le società decidono di compiere.
L’ambizione di fondo di questo contributo teorico è di suggerire che la comprensione del lavoro nella Gig Economy richiede strumenti concettuali che vadano oltre l’economia del lavoro tradizionale e il diritto del lavoro, per incorporare una prospettiva genuinamente psicologica e neuroscientifica. Le scelte che milioni di lavoratori compiono ogni giorno – accettare o rifiutare una commissione, dedicare tempo alla formazione o alla produzione immediata, resistere o cedere alle logiche del gaming algoritmico – non sono semplicemente il prodotto di preferenze razionali stabili, ma l’esito di processi cognitivi situati, modellati dalle condizioni materiali e tecnologiche in cui si svolge il lavoro.
Ed è per questo che forse dovremmo iniziare a pensare alle politiche del lavoro in modo un po’ diverso. Non solo come protezione di una posizione, ma come protezione della continuità decisionale della persona attraverso le transizioni. Significa intervenire su tre dimensioni chiave:
La prima: ridurre l’opacità dei sistemi che governano il lavoro. Se un algoritmo valuta, ordina o penalizza, deve essere comprensibile e contestabile.
La seconda: costruire tutele che seguano la persona e non soltanto il contratto. Perché la vulnerabilità oggi si concentra sempre più nei passaggi, nei vuoti, nelle discontinuità.
La terza: smettere di leggere la produttività come semplice output e iniziare a leggerla anche come effetto di condizioni cognitive. Una persona che lavora in uno stato costante di allerta può apparire reattiva. Non per questo sta decidendo bene.
E in fondo è proprio qui che il discorso torna al punto di partenza. Forse non dovremmo chiederci solo se il lavoro fisso sia ancora desiderabile. Dovremmo chiederci se i nostri modelli di lavoro aiutino davvero le persone a pensare meglio, scegliere meglio, vivere meglio. Comprendere questo è una condizione necessaria per promuovere modelli di lavoro sostenibili, equi e compatibili con le esigenze cognitive e psicologiche dell’essere umano.
✅ Revisione a cura di: Sara Ferracci, Serena Iacobucci
✅ Editing a cura di: Sara Ferracci
Bibliografia
Acemoglu, D., & Restrepo, P. (2020). Robots and employment: Evidence from US labor markets. Journal of Political Economy, 128(6), 2188–2244. https://doi.org/10.1086/705716
Arnsten, A. F. T. (2009). Stress signalling pathways that impair prefrontal cortex structure and function. Nature Reviews Neuroscience, 10(6), 410–422. https://doi.org/10.1038/nrn2648
Autor, D. H. (2015). Why are there still so many jobs? The history and future of workplace automation. Journal of Economic Perspectives, 29(3), 3–30. https://doi.org/10.1257/jep.29.3.3
Baumeister, R. F., Bratslavsky, E., Muraven, M., & Tice, D. M. (1998). Ego depletion: Is the active self a limited resource? Journal of Personality and Social Psychology, 74(5), 1252–1265. https://doi.org/10.1037/0022-3514.74.5.1252
Brynjolfsson, E., & McAfee, A. (2014). The second machine age: Work, progress, and prosperity in a time of brilliant technologies. W. W. Norton & Company.
Clark, A., & Chalmers, D. (1998). The extended mind. Analysis, 58(1), 7–19. https://doi.org/10.1093/analys/58.1.7
Deci, E. L., & Ryan, R. M. (2000). The “what” and “why” of goal pursuits: Human needs and the self-determination of behavior. Psychological Inquiry, 11(4), 227–268. https://doi.org/10.1207/S15327965PLI1104_01
De Stefano, V. (2016). The rise of the “just-in-time workforce”: On-demand work, crowdwork and labour protection in the “gig-economy”. International Labour Organization (Conditions of Work and Employment Series No. 71).
Difallah, D., Filatova, E., & Ipeirotis, P. (2018). Demographics and dynamics of Mechanical Turk workers. Proceedings of the Eleventh ACM International Conference on Web Search and Data Mining (WSDM ’18), 135–143. https://doi.org/10.1145/3159652.3159661
European Parliament and Council of the European Union. (2024). Regulation (EU) 2024/1689 of the European Parliament and of the Council of 13 June 2024 laying down harmonised rules on artificial intelligence. Official Journal of the European Union.
Fairwork Foundation. (2022). Fairwork report 2022: Labour standards in the platform economy. University of Oxford & WZB Berlin Social Science Center.
Frederick, S., Loewenstein, G., & O’Donoghue, T. (2002). Time discounting and time preference: A critical review. Journal of Economic Literature, 40(2), 351–401. https://doi.org/10.1257/002205102320161311
Frey, C. B., & Osborne, M. A. (2017). The future of employment: How susceptible are jobs to computerisation? Technological Forecasting and Social Change, 114, 254–280. https://doi.org/10.1016/j.techfore.2016.08.019
Huws, U., Spencer, N. H., Syrdal, D. S., & Holts, K. (2017). Work in the European gig economy: Research results from the UK, Sweden, Germany, Austria, the Netherlands, Switzerland and Italy. Foundation for European Progressive Studies.
Irani, L. (2015). Difference and dependence among digital workers: The case of Amazon Mechanical Turk. South Atlantic Quarterly, 114(1), 225–234. https://doi.org/10.1215/00382876-2831665
Kahneman, D. (2011). Thinking, fast and slow. Farrar, Straus and Giroux.
Kahneman, D., & Tversky, A. (1979). Prospect theory: An analysis of decision under risk. Econometrica, 47(2), 263–291. https://doi.org/10.2307/1914185
Kalleberg, A. L. (2009). Precarious work, insecure workers: Employment relations in transition. American Sociological Review, 74(1), 1–22. https://doi.org/10.1177/000312240907400101
Kellogg, K. C., Valentine, M. A., & Christin, A. (2020). Algorithms at work: The new contested terrain of control. Academy of Management Annals, 14(1), 366–410. https://doi.org/10.5465/annals.2018.0174
Lee, M. K., Kusbit, D., Metsky, E., & Dabbish, L. (2015). Working with machines: The impact of algorithmic and data-driven management on human workers. Proceedings of the 33rd Annual ACM Conference on Human Factors in Computing Systems (CHI ’15), 1603–1612. https://doi.org/10.1145/2702123.2702548
Lupien, S. J., McEwen, B. S., Gunnar, M. R., & Heim, C. (2009). Effects of stress throughout the lifespan on the brain, behaviour and cognition. Nature Reviews Neuroscience, 10(6), 434–445. https://doi.org/10.1038/nrn2639
Mani, A., Mullainathan, S., Shafir, E., & Zhao, J. (2013). Poverty impedes cognitive function. Science, 341(6149), 976–980. https://doi.org/10.1126/science.1238041
Möhlmann, M., & Zalmanson, L. (2017). Hands on the wheel: Navigating algorithmic management and Uber drivers’ autonomy. Proceedings of the International Conference on Information Systems (ICIS 2017). AIS Electronic Library.
Mullainathan, S., & Shafir, E. (2013). Scarcity: Why having too little means so much. Times Books/Henry Holt.
OECD. (2021). OECD employment outlook 2021: Navigating the COVID-19 crisis and recovery. OECD Publishing. https://doi.org/10.1787/5a700c4b-en
Petriglieri, G., Ashford, S. J., & Wrzesniewski, A. (2019). Agony and ecstasy in the gig economy: Cultivating holding environments for precarious and personalized work identities. Administrative Science Quarterly, 64(1), 124–170. https://doi.org/10.1177/0001839218759646
Risko, E. F., & Gilbert, S. J. (2016). Cognitive offloading. Trends in Cognitive Sciences, 20(9), 676–688. https://doi.org/10.1016/j.tics.2016.07.002
Rosenblat, A. (2018). Uberland: How algorithms are rewriting the rules of work. University of California Press.
Rosenblat, A., & Stark, L. (2016). Algorithmic labor and information asymmetries: A case study of Uber’s drivers. International Journal of Communication, 10, 3758–3784.
Ryan, R. M., & Deci, E. L. (2000). Self-determination theory and the facilitation of intrinsic motivation, social development, and well-being. American Psychologist, 55(1), 68–78. https://doi.org/10.1037/0003-066X.55.1.68
Shah, A. K., Mullainathan, S., & Shafir, E. (2012). Some consequences of having too little. Science, 338(6107), 682–685. https://doi.org/10.1126/science.1222426
Sundararajan, A. (2016). The sharing economy: The end of employment and the rise of crowd-based capitalism. MIT Press.
Wang, D., Yang, Q., Abdul, A., & Lim, B. Y. (2019). Designing theory-driven user-centric explainable AI. Proceedings of the 2019 CHI Conference on Human Factors in Computing Systems (CHI ’19), 1–15. https://doi.org/10.1145/3290605.3300831
Wood, A. J., Graham, M., Lehdonvirta, V., & Hjorth, I. (2019). Good gig, bad gig: Autonomy and algorithmic control in the global gig economy. Work, Employment and Society, 33(1), 56–75. https://doi.org/10.1177/0950017018785616
Vuoi ricevere altri contenuti come questo direttamente nella tua mail?
Iscriviti al form in basso, ti manderemo un articolo al mese – fresco di editing – e non una mail in più.