Cosa sta succedendo davvero al lavoro con l'AI
Separare il segnale dal rumore richiede più precisione di quanto il dibattito corrente permetta
Il policy brief dello Stanford Institute for Economic Policy Research pubblicato nel 2025 parte da una premessa scomoda: la maggior parte delle affermazioni sull'impatto dell'AI sull'occupazione - sia catastrofiste che trionfalistiche - non è supportata da dati disaggregati sufficientemente granulari. Non è un problema di scarsità di dati. È un problema di categoria analitica.
Il punto metodologico centrale è questo: quando si chiede 'quanti lavori sta eliminando l'AI', si sta già applicando una cornice sbagliata. Le trasformazioni osservabili non seguono un modello di sostituzione netta - un'AI entra, un lavoratore esce - ma un modello di ricomposizione interna al ruolo, spesso invisibile alle statistiche aggregate sull'occupazione. Un contabile che passa il 40% del tempo su attività che ora un modello gestisce in 4 minuti non perde il lavoro. Perde quella porzione di giornata lavorativa, che viene riempita da qualcos'altro. Da chi, con quali mansioni, con quale retribuzione: questa è la domanda che le survey tradizionali non catturano.
Quello che i dati disponibili mostrano è una biforcazione. Da un lato, settori ad alta esposizione ai modelli linguistici - attività di elaborazione testuale, analisi di dati strutturati, supporto clienti di primo livello - registrano rallentamenti nelle assunzioni netti anche in assenza di licenziamenti massicci. Il segnale non è nei flussi in uscita ma nella riduzione dei flussi in entrata: le posizioni aperte calano, le sostituzioni naturali non avvengono, gli organici si restringono per attrito. Dall'altro lato, segmenti ad alta domanda di coordinamento fisico e giudizio contestuale mostrano pressioni opposte, spesso con carenza di offerta.
Questo crea un problema di aggregazione che distorce il dibattito pubblico. Se si guarda ai tassi di disoccupazione aggregati - che in molte economie OCSE rimangono storicamente bassi - si conclude che l'AI non stia ancora producendo effetti occupazionali significativi. Se si guarda alla composizione delle ore lavorate, alla distribuzione del valore generato per ora, all'evoluzione delle job description nei settori più esposti, l'immagine è diversa. Non di crisi, ma di riorganizzazione silenziosa che avviene sotto la soglia di visibilità dei meccanismi di rilevazione standard.
Il secondo elemento rilevante è temporale. Le stime classiche sull'automazione - da Frey e Osborne (2013) alle successive rivisitazioni - calcolavano rischi su orizzonti decennali assumendo una curva di adozione lenta. I modelli linguistici di ultima generazione hanno compresso quella curva in modo non ancora quantificabile con precisione. La domanda non è se i lavori cambieranno, ma se le istituzioni - sistemi di formazione, contrattazione collettiva, ammortizzatori sociali - hanno la velocità di adattamento necessaria per seguire trasformazioni che avvengono a scala trimestrale, non decennale.
Il policy brief di Stanford arriva a una conclusione operativa: servono strumenti di misurazione nuovi, non interpretazioni nuove degli strumenti vecchi. Questo non è un punto tecnico-statistico. È un punto politico. Finché il dibattito sull'AI e il lavoro si svolge su dati inadeguati alla granularità del fenomeno, le decisioni di policy - su formazione, su tutele, su redistribuzione del valore - vengono prese su basi sistematicamente incomplete.
Il problema aperto non è 'quanti lavori sparirà l'AI'. È: chi ha gli strumenti per vedere quello che sta già cambiando, e chi invece sta navigando con mappe disegnate per un territorio diverso.
