Il mercato del lavoro e l’impatto dell’Intelligenza Artificiale

2 Misurare l’esposizione osservata

La misura tradizionalmente utilizzata per valutare gli effetti dell’IA è l’osservazione del tasso di disoccupazione, che può però risultare fuorviante, poiché risente di dinamiche estranee all’IA come le politiche fiscali, commerciali e migratorie. Per superare questo limite, Massenkoff and McCrory (2026) introducono un nuovo indicatore, l’observed exposure (esposizione osservata), che misura, tra tutte le attività teoricamente accelerabili da un modello linguistico di grandi dimensioni (LLM), quali vengano poi effettivamente automatizzate nella pratica lavorativa.

2.1 La misura di esposizione osservata

L’indicatore combina dati provenienti da tre fonti diverse:

• il database O*NET, che cataloga le attività associate a circa 800 professioni distinte negli Stati Uniti (https://www.onetcenter.org/database.html);
• i dati di utilizzo di Anthropic, misurati attraverso l’Anthropic Economic Index (https://www.anthropic.com/economic-index);
• le stime di esposizione a livello di task di Eloundou et al. (2024), che valutano se sia teoricamente possibile per un LLM dimezzare il tempo necessario a completare un’attività.

Formalmente, l’esposizione osservata dell’occupazione o è calcolata come la media ponderata dell’esposizione delle attività che la compongono:

dove To rappresenta l’insieme delle attività associate all’occupazione o, wt indica la quota di tempo dedicata all’attività t e r˜t l’esposizione osservata della singola attività. La ponderazione mediante wt impedisce che tutte le attività ricevano la stessa importanza: le task che occupano una quota maggiore della giornata lavorativa contribuiscono maggiormente all’esposizione complessiva dell’occupazione.

Sono considerate coperte le attività che, oltre a essere teoricamente eseguibili o accelerabili mediante un LLM,1 presentano un utilizzo sufficientemente frequente in contesti lavorativi all’interno del traffico di Claude. La misura viene poi corretta in base alla modalità con cui l’attività viene svolta: le implementazioni completamente automatizzate ricevono peso pieno, mentre gli utilizzi di supporto al lavoratore ricevono un peso pari alla metà. Infine, le misure di copertura delle singole attività vengono aggregate a livello occupazionale, ponderandole per la quota di tempo dedicata a ciascuna attività.

2.2 Distanza tra capacità teorica e utilizzo osservato

Figure 1: Capacità teorica ed esposizione osservata per categoria professionale
Nota: La figura mostra la quota di attività lavorative che gli LLM potrebbero teoricamente svolgere, rappresentata dall’area blu, e la misura di copertura occupazionale elaborata dagli autori sulla base dei dati di utilizzo, rappresentata dall’area rossa.
Fonte: Massenkoff and McCrory (2026).

Uno dei punti principali che emergono è l’ampia distanza tra ciò che l’IA potrebbe teoricamente fare e ciò che fa realmente: molte attività tecnicamente esposte non vengono poi coperte, nella pratica, dall’utilizzo di LLM. La categoria "Computer & Math", ad esempio, presenta una copertura teorica del 94% a fronte di una copertura osservata del 33%. L’IA appare quindi ancora lontana dal raggiungere il proprio potenziale teorico.

Le occupazioni maggiormente esposte sono soprattutto quelle basate su attività cognitive e digitali facilmente automatizzabili: i programmatori informatici presentano il livello più elevato di esposizione osservata, pari al 74,5%. All’estremo opposto, circa il 30% dei lavoratori non mostra alcuna esposizione osservata, trattandosi prevalentemente di professioni manuali o che richiedono presenza fisica e interazione diretta, come cuochi, meccanici, bagnini e baristi.

Gli autori confrontano poi la misura con le previsioni occupazionali del Bureau of Labor Statistics per il periodo 2024–2034, rilevando che all’aumentare dell’esposizione osservata diminuisce la crescita occupazionale prevista: a un incremento di 10 punti percentuali della prima corrisponde una riduzione di 0,6 punti percentuali della seconda. I lavoratori più esposti si distinguono inoltre per composizione: rispetto al gruppo non esposto sono più frequentemente donne (16 punti percentuali in più), bianchi (11 punti in più) e quasi il doppio più probabilmente di origine asiatica, oltre a essere mediamente più istruiti e retribuiti.

Un problema centrale nell’interpretazione della misura riguarda la definizione del gruppo trattato: non è ovvio che effetti occupazionali debbano comparire già con una copertura minima (ad esempio il 10%). Se un modello O-ring descrive bene il lavoro, gli effetti potrebbero emergere solo quando tutte le mansioni presentano un certo grado di penetrazione dell’IA (Gans and Goldfarb 2025). Hampole et al. (2025) sostengono invece che l’esposizione media riduca la domanda di lavoro, ma che la concentrazione su poche mansioni possa attenuare tale effetto, mentre Autor and Thompson (2025) evidenziano il ruolo del livello di competenza richiesto dalle mansioni residue. Data questa ambiguità, si assume che gli effetti colpiscano prima i lavoratori con la maggiore esposizione media, confrontando il quartile superiore e quello inferiore di copertura time-weighted invece di fissare una soglia assoluta, e verificando poi la robustezza dei risultati al variare della soglia scelta.

2.3 Prime evidenze sugli effetti occupazionali

Per valutare i primi effetti dell’IA sul mercato del lavoro, Massenkoff and McCrory (2026) confrontano i lavoratori delle professioni con la maggiore esposizione osservata con quelli occupati in professioni prive di esposizione. L’analisi, basata sui dati della Current Population Survey e su una strategia difference-in-differences, non rileva finora un aumento statisticamente significativo della disoccupazione tra i lavoratori più esposti, il che suggerisce che l’impatto iniziale dell’IA non passi principalmente per licenziamenti immediati.

Un possibile segnale emerge tuttavia per i giovani tra 22 e 25 anni: dopo la diffusione di ChatGPT (ottobre 2022), la probabilità di iniziare un nuovo lavoro nelle professioni più esposte è diminuita di circa il 14% rispetto al 2022. Il risultato è solo debolmente significativo e non si osserva oltre i 25 anni, ma suggerisce che il primo margine di aggiustamento sia una riduzione delle assunzioni nelle posizioni iniziali, più che un aumento generalizzato della disoccupazione.

Il possibile processo di aggiustamento può articolarsi in tre fasi: un rallentamento delle assunzioni nelle professioni esposte, particolarmente visibile sulle posizioni junior; una conseguente riduzione dell’occupazione giovanile, con un effetto di lungo periodo, poiché i lavoratori esclusi non acquisiscono l’esperienza e il capitale umano tipici delle prime fasi della carriera; e infine una riallocazione verso professioni meno esposte, gli studi o l’uscita temporanea dalla forza lavoro, che in una fase successiva potrebbe accompagnarsi a stagnazione salariale e a una progressione professionale più difficile.

Questa sequenza va interpretata con cautela: il paper identifica soltanto un’evidenza preliminare sul rallentamento delle assunzioni giovanili, senza dimostrare le fasi successive, e la minore entrata nelle professioni esposte potrebbe dipendere anche dal ciclo economico, da cambiamenti settoriali o da errori di misurazione. Il contributo principale resta quindi la costruzione di una misura dinamica di esposizione, utile per verificare nel tempo se l’adozione effettiva dell’IA produrrà effetti più ampi su occupazione, salari e carriere.

3 Dall’esposizione alla sostituzione: l’IA agentica

Dal lavoro di Gupta and Kumar (2026) introduciamo il concetto di IA agentica. A differenza di quella generativa, l’IA agentica non esegue una singola task ma persegue un obiettivo generale, ne controlla il risultato e produce un output indipendente dall’intervento umano. Può così automatizzare interi flussi di lavoro, mettendo in discussione il framework teorico di Acemoglu and Restrepo (2018), che analizzava principalmente la riallocazione delle attività tra lavoro e capitale a seguito dell’automazione di una singola task. Nel loro modello, l’insieme delle attività N è ripartito tra NL, le attività svolte dal lavoratore, e NK, quelle svolte dal capitale; l’automazione trasferisce attività dal lavoro al capitale, riducendo la domanda di lavoro (displacement effect).

Un sistema di IA agentica è definito da quattro caratteristiche principali: riceve un obiettivo e non soltanto una task, seleziona e utilizza autonomamente gli strumenti necessari, mantiene informazioni e stato tra i diversi passaggi e produce un risultato completo senza intervento umano nelle fasi intermedie. Questa capacità elimina il ruolo di coordinamento precedentemente svolto dall’uomo, generando nuovi rischi per l’occupazione.

3.1 L’Agentic Task Exposure

La variabile centrale del modello di Gupta and Kumar (2026) è l’Agentic Task Exposure (ATE), ossia il grado con cui un’occupazione è esposta alla sostituzione end-to-end. L’indice è applicato a 236 occupazioni e 4.577 task, distribuite in sei gruppi professionali (finanziario, legale, sanitario, di supporto sanitario, vendite e amministrativo) e in cinque grandi aree tecnologiche (Seattle, San Francisco Bay Area, Austin, New York e Boston), nel periodo 2025–2030:

Lo score è costruito algoritmicamente mediante parametri calibrati e non costituisce il coefficiente di una regressione. Le sue componenti sono il peso della task nella professione, wo,t ∈ [0, 1]; la capacità tecnica dell’IA di svolgere la task, CAP(t) ∈ [0, 1]; la copertura del workflow, COV (t, o) ∈ [0, 1], che misura se la task può essere completata dall’IA all’interno dell’intero flusso di lavoro della professione senza intervento umano; e la velocità di adozione, V (r, τ ), che misura la probabilità che una tecnologia agentica sia adottata nella regione r entro il periodo τ .

Una professione è classificata ad alto rischio se AT Eo(r, τ ) ≥ 0.65, a rischio moderato se 0.35 ≤ AT Eo(r, τ ) < 0.65 e a basso rischio se AT Eo(r, τ ) < 0.35. L’indice esprime una misura di esposizione condizionata all’adozione, non una stima causale della perdita di posti di lavoro.

3.2 Diffusione regionale e adozione

Le regioni sono raggruppate in tre tier in base alla concentrazione di imprese che adottano l’IA, poiché una maggiore concentrazione genera un’adozione più rapida: il Tier 1 corrisponde alla San Francisco Bay Area, il Tier 2 a Seattle, Austin e Boston, il Tier 3 a New York.

Un limite dei modelli basati sulla sola geografia è che il lavoro remoto scollega la localizzazione del lavoratore dal tier del datore di lavoro: chi risiede in Tier 2 ma è assunto da un’azienda del Tier 1 subisce la velocità di adozione del datore di lavoro, non quella della propria area. Per correggere questo, gli autori introducono un indice di fattibilità del lavoro remoto Ro ∈ [0, 1], pari al tasso di telelavoro dell’occupazione, che pondera la velocità di adozione locale con quella media dei datori di lavoro sulla distribuzione settoriale nei tier (fonte BLS QCEW).2 Poiché solo il 12-16% dell’occupazione ricade nel Tier 1 contro il 50-62% nel Tier 3, l’effetto netto è una convergenza regionale: il lavoro remoto comprime il divario di ATE tra le metropoli più e meno rapide nell’adozione, contraddicendo l’ipotesi di erosione unidirezionale del vantaggio geografico proposta dalla letteratura precedente.

Dall’analisi emergono tre risultati. Il rischio è diffuso ma non catastrofico: ampia concentrazione nella fascia a rischio moderato, ma nessuna professione raggiunge la soglia dello 0,65. Le professioni più esposte sono quelle finanziarie e legali (tabella 1). Soprattutto, il divario regionale è marcato: San Francisco supera la soglia moderata già nel 2027 per il 70,8% delle 236 professioni analizzate (fino al 100% di quelle legali), arrivando al 93,2% nel 2030; le regioni Tier 2 restano sotto soglia nel 2027 ma recuperano entro il 2030, mentre New York si ferma all’8-14% anche a fine periodo. A parità di esposizione occupazionale, le diverse velocità di adozione generano quindi uno sfasamento temporale di circa 2-3 anni tra le aree più e meno avanzate.

Table 1: Le 20 professioni principali in base al punteggio ATE previsto (area della Baia di San Francisco), 2027

3.3 Validazione empirica e reinstatement effect

Nella validazione empirica, Gupta and Kumar (2026) distinguono due orizzonti temporali. A livello di singola occupazione (dati BLS 2023-2024), la correlazione tra ATE e variazione occupazionale è sostanzialmente nulla (ρ = −0.04), coerente con una fase "pre-inflessione" in cui la pressione da spiazzamento non era ancora osservabile. A livello settoriale (dati BLS 2024-2025) emerge invece una divergenza più marcata: i settori ad alto ATE (finanza, legale, supporto amministrativo) si sono contratti, mentre quello sanitario, a basso ATE, è cresciuto, con uno scarto ampio nella San Francisco Bay Area. Il rafforzamento del segnale tra i due periodi è coerente con l’accelerazione post-inflessione prevista dal modello, ma resta una correlazione: un ATE elevato non implica necessariamente una perdita occupazionale causata dall’IA. Gli autori chiudono con una previsione falsificabile pre-registrata sui dati OEWS di maggio 2026.

Un aspetto rilevante è il reinstatement effect: l’IA agentica non produce soltanto sostituzione, ma crea nuovi problemi organizzativi che richiedono lavoro umano e danno origine a nuove professioni. Gli autori individuano 17 nuovi ruoli in quattro categorie: operazioni e supervisione dell’IA (controllo dei sistemi e gestione degli incidenti, come AI Operations Specialist o AI Quality Reviewer); progettazione della collaborazione uomo-IA (ridefinizione dei workflow e formazione, come AI Workflow Designer); direzione settoriale dell’IA, in cui l’esperto diventa revisore del sistema (analista finanziario assistito dall’IA, supervisore clinico); e governance ed etica (attribuzione di responsabilità e valutazione delle decisioni algoritmiche, come AI Compliance Officer o Ethics Reviewer). Il risultato principale è che il lavoratore chiamato a sostituire l’esperto di settore non deve necessariamente essere un programmatore: è lo stesso esperto a diventare supervisore dell’IA agentica.

4 Il confronto USA-UE

Bagnoli et al. (2026) confrontano gli aggiustamenti occupazionali successivi all’introduzione dell’IA tra Stati Uniti e Unione europea attraverso un disegno like-for-like, che impiega gli stessi dati, la stessa classificazione occupazionale, la stessa misura di esposizione e la stessa copertura temporale nelle due regioni. L’interesse è rivolto alla riallocazione dell’occupazione e a come questa differisca all’interno delle diverse professioni.

Il risultato principale è che l’aggiustamento del mercato del lavoro non si manifesta tanto attraverso cambiamenti occupazionali uniformi, quanto attraverso spostamenti nella composizione interna del lavoro. L’entità dei cali è simile nelle due regioni, ma la loro distribuzione differisce: in Europa si concentra maggiormente sulle fasce di ingresso, mentre negli Stati Uniti è più variabile e segue soprattutto i gruppi ad alta esposizione definiti in precedenza.

4.1 Misure di esposizione

Il punto di partenza è la rubrica costruita da Eloundou et al. (2024), che etichetta le task O*NET in base al fatto che un modello linguistico di grandi dimensioni sia in grado di ridurne sostanzialmente il tempo di esecuzione. Ad ogni task viene assegnata una categoria di esposizione: E0 indica nessuna esposizione, E1 esposizione diretta (l’uso autonomo di un LLM riduce il tempo della task di almeno il 50%), E2 esposizione tramite integrazione con software complementare (che, combinato all’LLM, produce la stessa riduzione). Da questa classificazione derivano tre misure a livello di task, che delimitano un intervallo di esposizione:

∝ rappresenta quindi un limite inferiore (sola esposizione diretta), β una misura intermedia (peso parziale sull’integrazione software) e γ un limite superiore (peso pieno su entrambe le categorie E1 ed E2).

Nel metodo originale, le misure a livello di occupazione si ottengono aggregando le task con una media non ponderata:

dove T(o) è l’insieme delle task che compongono l’occupazione o. Questa aggregazione presuppone implicitamente che tutte le task di una professione abbiano la stessa importanza, un’assunzione restrittiva data l’eterogeneità con cui il tempo lavorativo viene effettivamente allocato tra le diverse attività.

Una prima estensione corregge questo limite ponderando ogni task in base alla quota di giornata lavorativa che occupa, seguendo la procedura di Bouquet and Sheffi (2025). Sia πt,o ∈ [0, 1] la quota di lavoro totale nell’occupazione o allocata alla task t, con P t∈T(o) πt,o = 1. Le misure ponderate per quota diventano:

Una task marginale non dovrebbe infatti pesare quanto un’attività che occupa gran parte della giornata lavorativa. Il confronto tra le misure non ponderate e quelle ponderate mostra correlazioni elevate (0,930 per α, 0,971 per β, 0,980 per γ): la ponderazione modifica quali task guidano l’esposizione all’interno di una singola occupazione, ma non ne stravolge, in aggregato, la graduatoria complessiva.

Le misure basate sulla rubrica, tuttavia, per quanto raffinate dalla ponderazione temporale, restano una fotografia statica della fattibilità tecnica: le etichette sono discrete, assegnate da esperti, e possono non cogliere l’evoluzione graduale delle capacità dei modelli. Per superare questo limite, gli autori affiancano loro una seconda estensione, di natura dinamica, basata sul sentiment della copertura mediatica su compiti e professioni (Bagnoli et al. 2026). L’idea è trattare il sentiment delle notizie su sostituzioni o integrazioni abilitate dall’IA come un proxy della pressione automatizzante in evoluzione, che consente sia l’analisi delle tendenze storiche sia un monitoraggio quasi in tempo reale. Anche questa misura riprende la logica di ponderazione per quota di tempo: detta xt,o l’esposizione al sentiment a livello di task, l’esposizione occupazionale è

Questa misura, denominata share-weighted sentiment exposure, è costruita per 796 professioni e presenta una correlazione di rango di 0,576 con la misura β di Eloundou et al. (2024): le due individuano pattern simili, ma quella basata sul sentiment aggiunge la variazione legata alla diffusione e all’evoluzione temporale della tecnologia.

Il periodo di riferimento copre da gennaio 2021 a ottobre 2025, con il periodo pre-ottobre 2022 trattato come fase pre-IA generativa. L’analisi si concentra sulle grandi imprese (oltre 500 posizioni, almeno 300 negli USA o nell’UE): da circa 47,6 milioni di posizioni negli USA e 21,4 milioni nell’UE si scende, dopo i filtri, a 21,3 e 9,5 milioni. I lavoratori sono divisi in sei fasce di seniority, da Early Career 1 a Senior, per verificare se la stessa esposizione tecnica produca effetti diversi secondo la posizione in carriera.

4.2 Strategia empirica e risultati

Per identificare l’effetto dell’esposizione all’IA sull’occupazione, gli autori adottano due specificazioni complementari. La prima ordina le professioni in cinque quintili di esposizione (da Q1 a Q5) e stima, per ogni impresa, mese e quintile, un event study PPML:

Gli effetti fissi impresa×quintile (αf,q) controllano le differenze permanenti nella composizione professionale, mentre quelli impresa×mese (βf,t) assorbono ogni shock che colpisce l’intera impresa in un dato mese. L’identificazione confronta quindi, nella stessa impresa e nello stesso mese, l’evoluzione occupazionale tra quintili con diversa esposizione: i coefficienti γq′,τ colgono dinamiche differenziali associate all’esposizione dopo la diffusione dell’IA generativa, non un effetto causale.

La seconda specificazione non aggrega in quintili, ma stima, per ogni impresa, professione, seniority e mese, la variazione della quota occupazionale interna, controllando per l’occupazione totale tramite un offset:

Questa misura, denominata share-weighted sentiment exposure, è costruita per 796 professioni e presenta una correlazione di rango di 0,576 con la misura β di Eloundou et al. (2024): le due individuano pattern simili, ma quella basata sul sentiment aggiunge la variazione legata alla diffusione e all’evoluzione temporale della tecnologia.

Il periodo di riferimento copre da gennaio 2021 a ottobre 2025, con il periodo pre-ottobre 2022 trattato come fase pre-IA generativa. L’analisi si concentra sulle grandi imprese (oltre 500 posizioni, almeno 300 negli USA o nell’UE): da circa 47,6 milioni di posizioni negli USA e 21,4 milioni nell’UE si scende, dopo i filtri, a 21,3 e 9,5 milioni. I lavoratori sono divisi in sei fasce di seniority, da Early Career 1 a Senior, per verificare se la stessa esposizione tecnica produca effetti diversi secondo la posizione in carriera.

4.2 Strategia empirica e risultati

Per identificare l’effetto dell’esposizione all’IA sull’occupazione, gli autori adottano due specificazioni complementari. La prima ordina le professioni in cinque quintili di esposizione (da Q1 a Q5) e stima, per ogni impresa, mese e quintile, un event study PPML:

log E[yf,q,t | X] = αf,q + βf,t + X q′̸=1 X τ̸=−1 γq′,τ · ⊮{q = q′} ⊮{t − t0 = τ} (9)

Gli effetti fissi impresa×quintile (αf,q) controllano le differenze permanenti nella composizione professionale, mentre quelli impresa×mese (βf,t) assorbono ogni shock che colpisce l’intera impresa in un dato mese. L’identificazione confronta quindi, nella stessa impresa e nello stesso mese, l’evoluzione occupazionale tra quintili con diversa esposizione: i coefficienti γq′,τ colgono dinamiche differenziali associate all’esposizione dopo la diffusione dell’IA generativa, non un effetto causale.

La seconda specificazione non aggrega in quintili, ma stima, per ogni impresa, professione, seniority e mese, la variazione della quota occupazionale interna, controllando per l’occupazione totale tramite un offset:

log E[yf,o,t | X] = log Yf,t + αf,o + X k̸=−1 δo,k · ⊮{t ∈ k} (10)

Questa specificazione osserva la riallocazione interna tra professioni a occupazione aziendale data; il vantaggio è che non dipende dalle ipotesi di una specifica misura di esposizione, il limite è che, non assorbendo tutti gli shock impresa-tempo, va letta in modo descrittivo.

Il risultato principale riguarda i lavoratori junior. Introdotti gli effetti fissi impresa, per Early Career 2 l’effetto in Q4 e Q5 è di circa −5% sia nell’UE sia negli USA (statisticamente significativo), mentre per Early Career 1 è più contenuto, intorno al −3%, ma comunque significativo. L’effetto negativo per i giovani è quindi presente in entrambe le aree, crescente con l’esposizione e di dimensione simile tra le due regioni. Per i lavoratori più esperti, invece, la crescita osservata nelle serie grezze si ridimensiona o cambia segno una volta controllati gli shock d’impresa: gli effetti fissi aziendali sono essenziali per non attribuire all’IA dinamiche legate in realtà alla crescita o alla contrazione generale delle imprese.

L’analisi a livello di singola professione rivela un’eterogeneità che quella per quintili, cogliendo un effetto medio, nasconde. Ponderando per il numero di lavoratori, la correlazione tra esposizione e variazione occupazionale è di circa −0,22 e −0,18 nei primi due livelli di seniority nell’UE, contro −0,09 e −0,08 negli USA; ai livelli più alti diverge: nell’UE diventa positiva (contrazione dei junior esposti ed espansione relativa dei senior, segno di un aggiustamento concentrato sull’ingresso), mentre negli USA, nelle imprese più grandi, resta negativa anche per alcuni ruoli senior, coinvolgendo grandi gruppi professionali esposti e non solo i nuovi entranti.

Nel complesso, i lavoratori junior fungono da primo segnale visibile dell’aggiustamento (“canaries in the coal mine”): alla diffusione iniziale dell’IA segue una minore domanda relativa nelle professioni esposte e una riallocazione della composizione occupazionale, non una distruzione uniforme. Le stime, ripetute per genere, etnia e professioni tecnologiche, restano qualitativamente simili, il che indica che i risultati non dipendono dalla composizione demografica o dalla concentrazione in professioni tecnologiche.

5 Limiti

L’esposizione all’IA non coincide con la sua adozione e non è di per sé una misura causale degli effetti occupazionali: la sua traduzione in variazioni dell’occupazione dipende dai costi di integrazione, dall’organizzazione delle imprese, dalla regolamentazione e dagli investimenti complementari.

Identificazione causale. La diffusione dell’IA generativa è avvenuta insieme ad altri shock (normalizzazione post-pandemica, tassi di interesse, riorganizzazioni aziendali), e i disegni impiegati identificano differenze relative, non effetti causali. Bagnoli et al. (2026) assorbe gli shock mensili d’impresa ma legge i propri coefficienti come dinamiche differenziali successive al 2022; Massenkoff and McCrory (2026) confronta lavoratori più e meno esposti, per cui un aumento della disoccupazione comune a entrambi i gruppi non verrebbe rilevato, e gli effetti potrebbero passare per canali diversi, come minori assunzioni o uscita dalla forza lavoro.

Breve periodo di osservazione. Le evidenze riguardano una fase iniziale: l’assenza di effetti significativi non esclude conseguenze più rilevanti nel medio periodo, poiché l’adozione richiede modifiche organizzative e formazione, e le capacità tecniche possono precedere di anni le variazioni osservabili. Questo vale soprattutto per l’IA agentica, le cui stime (Gupta and Kumar 2026) si riferiscono all’orizzonte 2025–2030 e rappresentano scenari di rischio, non effetti già realizzati.

Rappresentatività dei dati. I microdati di Revelio Labs derivano da curriculum e profili online e possono sovrarappresentare lavoratori qualificati, professioni digitali e grandi imprese, trascurando piccole imprese e lavoro autonomo, un limite rilevante per Paesi come l’Italia. La CPS resta un’indagine campionaria soggetta a errori nella misurazione delle transizioni, e la misura di Massenkoff and McCrory (2026), derivando dal solo traffico di Claude, osserva la presenza dell’utilizzo ma non il margine intensivo, cioè quale quota della produzione sia effettivamente sostituita.

Costruzione delle misure di esposizione. Le misure dipendono dalle ipotesi di aggregazione, e la correlazione imperfetta tra misure diverse mostra che la graduatoria delle professioni dipende in parte dalle scelte metodologiche. L’ATE, in particolare, è costruito algoritmicamente e non è una stima econometrica: il metodo basato su parole chiave può non riconoscere interazione umana, responsabilità normativa o presenza fisica implicite, per cui gli autori lo interpretano come un limite superiore del rischio; anche la velocità di adozione dipende da una curva calibrata, i cui parametri fanno variare molto il numero di professioni oltre soglia. Nel complesso, i risultati vanno interpretati come segnali iniziali di riallocazione, non come una misura definitiva dei posti di lavoro creati o distrutti dall’IA.

6 Implicazioni di policy

Le evidenze non mostrano, nella fase attuale, un aumento generalizzato della disoccupazione attribuibile all’IA, ma variazioni circoscritte nella composizione dell’occupazione, concentrate nelle professioni più esposte e nei livelli iniziali della carriera. La risposta di policy non dovrebbe quindi basarsi sul solo tasso di disoccupazione aggregato, ma considerare anche assunzioni, transizioni e composizione per seniority.

Monitoraggio a più livelli. Poiché gli indicatori di esposizione non bastano a prevedere gli effetti occupazionali, serve un monitoraggio permanente che distingua la capacità teorica dell’IA, l’utilizzo professionale osservato e le variazioni di occupazione e retribuzioni, così da segnalare le trasformazioni prima che diventino disoccupazione persistente.

Tutela dell’ingresso dei giovani. La contrazione dei livelli early career indica che il primo margine di aggiustamento può essere la riduzione delle opportunità di ingresso, non i licenziamenti immediati. Poiché le posizioni junior sono il canale attraverso cui si acquisiscono esperienza e capitale umano, una riduzione prolungata delle assunzioni rischia di produrre in futuro una carenza di lavoratori con esperienza intermedia; le politiche dovrebbero quindi sostenere apprendistati, tirocini e percorsi di ingresso che combinino utilizzo dell’IA e supervisione umana.

Riqualificazione settoriale. La risposta formativa non deve trasformare i lavoratori in programmatori: i nuovi ruoli identificati da Gupta and Kumar (2026) richiedono soprattutto conoscenza del settore, capacità di valutare gli output e gestione delle eccezioni. Il percorso più realistico è dall’esperto di settore al supervisore dell’IA nello stesso settore, come un analista finanziario che verifica le raccomandazioni di un agente.

Differenziazione territoriale e governance. La velocità di diffusione non è uniforme: secondo Gupta and Kumar (2026) il ritardo tra le aree più e meno avanzate può raggiungere due o tre anni, anche se il lavoro da remoto tende a comprimerlo. Le politiche di transizione andrebbero quindi calibrate sul livello locale di adozione, e nel contesto europeo differenziate per struttura produttiva. Infine, poiché i sistemi agentici possono completare interi workflow, cresce la necessità di attribuire chiaramente le responsabilità nei settori finanziario, sanitario e legale: requisiti più stringenti di tracciabilità e supervisione per le decisioni ad alto impatto sono al tempo stesso una tutela e un canale di reinstatement.

7 Conclusioni

Tornando all’interrogativo iniziale, previsioni sull’IA si possono fare, ma vanno intese per ciò che sono: ipotesi su dove la pressione tecnologica si concentrerà, non stime puntuali di quanti posti di lavoro andranno persi. È anche per questo che i precedenti storici, con le loro proiezioni spesso eccessive, invitano alla cautela. I segnali oggi rilevanti sono circoscritti a specifiche combinazioni di professione, seniority e territorio, e restano invisibili nelle statistiche aggregate: coglierli richiede un monitoraggio continuo e disaggregato, capace di distinguere la capacità teorica dall’utilizzo effettivo e dalle variazioni realizzate. In assenza di prove di uno shock immediato, la priorità non è una risposta emergenziale, ma il rafforzamento della capacità delle istituzioni di osservare la trasformazione mentre avviene e di preparare in anticipo gli strumenti di transizione, prima che la riallocazione si consolidi in svantaggi duraturi, in particolare per chi si affaccia oggi sul mercato del lavoro.

1- La misura di esposizione β proposta da Eloundou et al. (2024) assegna valore β = 1 alle attività per le quali un LLM, utilizzato autonomamente, può ridurre di almeno il 50% il tempo necessario al loro completamento; β = 0.5 alle attività per le quali tale riduzione richiede l’integrazione del modello con software o strumenti complementari; e β = 0 alle attività non esposte.

2- Formalmente, Veff (o, r, τ ) = (1 − Ro) · V (r, τ ) + Ro · P j πj · V (tierj , τ ), dove πj è la quota di occupazione settoriale nel tier j.