reportPer quasi vent'anni la laurea in informatica è stata il percorso sicuro per garantirsi lavoro stabile e salari elevati. Tra il 2008 e il 2024 il numero di laureati in computer science è cresciuto di quasi il 500%, trasformando il campo nel terzo percorso universitario più scelto negli Stati Uniti, dietro solo a infermieristica e psicologia. Quel ciclo si sta chiudendo. Il tasso di sottoccupazione per i neolaureati in CS è salito in modo significativo, mentre la domanda si sposta verso profili che i programmi universitari tradizionali non hanno ancora imparato a produrre.
Il primo strato del problema è strutturale: i mercati del lavoro tecnico si stanno biforcando. Da un lato, la parte esecutiva della programmazione - debugging, scrittura di codice boilerplate, integrazione di API - viene assorbita rapidamente dagli strumenti di AI-assisted coding. Dall'altro, i ruoli che restano ad alto valore richiedono qualcosa di diverso dall'esecuzione: richiedono la capacità di ragionare su sistemi complessi, di formalizzare problemi ambigui, di costruire astrazioni robuste. Qui emerge il segnale sul valore della matematica: non perché la matematica sia una skill tecnica spendibile, ma perché forma il tipo di pensiero che l'AI non replica facilmente - e che permette di valutare criticamente ciò che l'AI produce.
Il secondo strato è più sottile e più preoccupante: l'AI-assisted coding potrebbe stare sistematicamente erodendo la formazione dell'expertise nelle generazioni junior. L'argomento, documentato da Lars Faye e ampiamente discusso nelle comunità tecniche, è che l'expertise si costruisce attraverso l'attrito - attraverso errori che costano fatica, debugging che richiede comprensione profonda, soluzioni che si costruiscono pezzo per pezzo. Quando lo strumento produce una risposta plausibile in secondi, il percorso di apprendimento si accorcia artificialmente. Il risultato non è uno sviluppatore più veloce, ma uno sviluppatore che non ha mai sviluppato i modelli mentali per operare senza assistenza. Questo è un problema generazionale silenzioso: visibile solo quando il sistema di supporto viene rimosso o fallisce.
Il terzo strato riguarda le risposte istituzionali. Le aziende stanno investendo somme senza precedenti in programmi di reskilling, ma uno studio MIT Sloan documenta un paradosso strutturale: i programmi vengono costruiti su previsioni di quali skill serviranno, ma quelle previsioni sono sistematicamente in ritardo rispetto all'emergenza reale delle competenze nel mercato. Le skill che contano emergono dalla forza lavoro stessa, non dai forecast. Nel frattempo, il mercato della formazione online per la riqualificazione professionale continua a crescere, ma l'evidenza sulla sua efficacia rimane debole e stratificata: funziona per alcuni profili, in alcune condizioni, con alcuni tipi di supporto.
Chiudere questo quadro con il dato su Mechanical Turk non è un dettaglio marginale. Amazon ha spento dopo 21 anni una delle prime piattaforme di lavoro digitale invisibile - quella che ha permesso a milioni di persone di accedere a micro-redditi dall'esecuzione di task cognitivi elementari. Il suo spegnimento non è solo la fine di un prodotto: è la conferma che lo strato più basso del lavoro cognitivo umano non regge più la competizione con l'automazione. Il problema aperto è dove va la massa di persone che stava in quello strato, e se i percorsi di transizione disponibili oggi sono adeguati alla scala e alla velocità del cambiamento.
Ciò che manca non è formazione generica né esposizione agli strumenti. Ciò che manca è un modello di apprendimento adulto che sia calibrato sulla destabilizzazione: su persone che devono reimparare non skill isolate, ma il rapporto stesso tra la propria competenza e i sistemi che la affiancano o la sostituiscono. Quella calibrazione richiede dati granulari sul punto in cui si trovano le persone, non previsioni aggregate su dove dovrebbero arrivare.