La Gen Z non rifiuta l’AI: teme per lavoro, scuola e futuro

Quando i dati sulla disillusione della Gen Z verso l’intelligenza artificiale circolano nel dibattito pubblico, e circolano sempre più frequentemente da aprile 2026, dopo la pubblicazione del rapporto Gallup “The AI Paradox”, accade qualcosa di prevedibile: chi è favorevole all’IA li relativizza geograficamente. “Sono dati americani“, si dice. “In Asia i giovani sono entusiasti. In Europa il quadro è diverso. Non possiamo generalizzare.” L’obiezione è corretta. Ed è proprio per questo che merita di essere presa sul serio, non come argomento per archiviare il problema, ma come chiave per capirlo meglio.

La frattura è reale e documentata. All’affermazione “i prodotti e servizi basati sull’IA mi rendono entusiasta“, solo il 38% degli americani risponde affermativamente, contro l’84% in Cina e percentuali superiori al 75% in Indonesia, Malaysia e Tailandia.^[1] Secondo lo Stanford AI Index 2026, solo il 33% degli americani si aspetta che l’IA migliori il proprio lavoro, contro una media globale del 40%, e in Malaysia, Tailandia, Indonesia e Singapore oltre l’80% degli intervistati ritiene che l’IA cambierà profondamente la propria vita nei prossimi tre-cinque anni^[2]. Nel caso italiano, il tasso di adozione dell’IA generativa si attesta al 19,9%, ben al di sotto della media europea del 32,7%.^[3]

La variabile non è la tecnologia: è il sistema che la circonda. Il livello di fiducia nel proprio governo per regolare l’IA responsabilmente non è distribuito uniformemente: con il 31% degli americani favorevoli, il dato più basso tra i 31 paesi campionati, a 23 punti sotto la media globale del 54%, gli Stati Uniti si collocano all’opposto di Singapore (81%) e Indonesia (76%)^[4]. Dove le istituzioni sono percepite come credibili e attive, l’ottimismo verso la tecnologia si sostiene. Dove la governance è assente o catturata da interessi privati, prevale l’ansia.

Il nodo centrale non è il sentiment. Il sentiment è il sintomo. Il nesso è strutturale, e si articola su tre piani che si intersecano e si rinforzano a vicenda. Il primo è occupazionale: l’IA sta erodendo sistematicamente i posti di lavoro entry-level; le assunzioni nelle grandi aziende. In Italia, tra i lavoratori di 22-25 anni, il tasso di ingresso in nuove occupazioni ad alta esposizione all’IA cala del 14% nell’era post-ChatGPT^[5]. Il secondo è cognitivo: l’uso pervasivo e non governato dell’IA generativa nei contesti formativi produce il cognitive offloading, che rischia di atrofizzare le capacità analitiche, creative e critiche che il mercato del lavoro del futuro richiederà. Il terzo è istituzionale: in Italia^[6], il 75% dei professionisti non ha mai ricevuto formazione strutturata sull’uso dell’IA, nonostante il 93% abbia familiarità con almeno uno strumento; il 58,6% delle aziende che hanno valutato investimenti in IA senza realizzarli indica come ostacolo principale la mancanza di competenze^[7].

L’analisi che segue svilupperà il discorso su due livelli: prima le dinamiche concrete del mercato del lavoro, il quadro normativo europeo e il contesto italiano; poi il sentiment globale della Gen Z e le ragioni strutturali che lo spiegano, insieme ad alcune fratture trasversali che attraversano entrambi i livelli: il bias algoritmico e il gender gap, la disinformazione, la salute mentale e la condizione dei lavoratori creativi.

Gen Z e IA: il lavoro entry-level che si restringe

Secondo i dati Greenhouse, il volume di candidature per posizione è aumentato del 102% dalla release di ChatGPT (Q3 2022 vs Q4 2024), e i recruiter gestiscono oggi il 411% di candidature annue in più rispetto al 2022. Al tempo stesso, i team di recruiting hanno subito tagli superiori al 55%, generando quello che gli analisti definiscono un doom loop, un circolo vizioso di degrado reciproco: i candidati si sentono ignorati da sistemi sopraffatti, i recruiter faticano a individuare i profili qualificati in un mare di candidature automatizzate^[8].

Il 38% dei candidati pratica il mass applying. Una ricerca della Stanford University su piattaforme di selezione “gamification” ha rilevato che un candidato deve presentare domanda ad almeno 25 posizioni diverse per avere quasi la certezza di procedere alla fase successiva^[9]. Il risultato è una corsa agli armamenti simmetrica: i candidati usano l’IA per candidarsi in massa, le aziende usano l’IA per filtrare in massa, e l’incontro tra domanda e offerta di lavoro diventa sempre meno umano e sempre meno efficiente per entrambe le parti.

Nel Regno Unito, i ruoli tech per neolaureati sono calati del 46% nel 2024^[10]. Uno studio che ha seguito 62 milioni di lavoratori in 285.000 aziende americane ha rilevato che le posizioni junior stanno “restringendosi nelle aziende che integrano l’IA” dal 2023^[11]. La dimensione più insidiosa non è però la scomparsa dei posti, ma la trasformazione della struttura delle carriere: ai neolaureati viene chiesto di supervisionare e correggere gli output dell’IA prima ancora di aver imparato i task sottostanti. Il rischio è l’emergere di un experience gap strutturale, come dire una generazione che fatica a costruire il contesto e le competenze professionali che storicamente si sviluppavano attraverso il lavoro junior. Un ulteriore effetto perverso documentato dal World Economic Forum è che il lavoro presunto svolto dall’IA nei ruoli early-career viene semplicemente trasferito verso l’alto, lasciando il middle management in condizioni di sovraccarico crescente.^[12]

AI Act e recruiting algoritmico: norme presenti, controlli assenti

L’Europa ha scelto di affrontare il problema per via normativa, e lo ha fatto con una precisione che spesso manca nel dibattito pubblico. L’AI Act, il Regolamento (UE) 2024/1689, non si limita a enunciare principi generali sull’uso responsabile dell’intelligenza artificiale: identifica categorie specifiche di applicazione e assegna loro livelli di rischio con conseguenze giuridiche concrete. Tra queste categorie figura esplicitamente il recruiting: chi utilizza sistemi di IA per selezionare candidati, filtrare curriculum o condurre interviste video con analisi algoritmica del comportamento rientra nei sistemi ad alto rischio ai sensi dell’Allegato III^[13]. Non è una classificazione simbolica. Significa obblighi stringenti di documentazione tecnica, supervisione umana su ogni decisione rilevante, diritto del candidato a ricevere una spiegazione dell’esito, e sanzioni fino al 3% del fatturato mondiale annuo per chi non li rispetta.

Sul fronte delle scadenze, la situazione è più articolata di quanto la comunicazione istituzionale lasci intendere. L’accordo Digital Omnibus del 7 maggio 2026 ha spostato al 2 dicembre 2027 gli obblighi più onerosi per i sistemi classificati nell’Allegato III: una proroga che molte aziende hanno letto come un segnale di allentamento, e che invece non tocca una parte rilevante del quadro. Gli obblighi di trasparenza previsti dall’art. 50 dell’AI Act sono già in vigore dal 2 agosto 2026 e si applicano a tutti i sistemi di IA, non solo a quelli ad alto rischio^[14].

Obblighi di trasparenza e responsabilità delle imprese

Qualsiasi azienda che utilizzi un chatbot di pre-screening, un sistema di matching algoritmico o uno strumento automatizzato di valutazione delle candidature ha oggi obblighi informativi attivi nei confronti dei candidati, indipendentemente dalla data di piena applicazione delle norme sull’alto rischio. La linea tra “in vigore” e “ancora in proroga” è più sottile di quanto le imprese tendano a riconoscere.

Per chi si occupa di compliance, il quadro che circonda l’AI Act non è un layer aggiuntivo ma un sistema di obblighi sovrapposti che si attivano simultaneamente. Il GDPR, con il suo art. 22, pone già limiti stringenti alle decisioni automatizzate che producono effetti giuridici sulle persone, e una selezione del personale condotta da un algoritmo rientra esattamente in quella fattispecie. A livello nazionale, gli Stati membri hanno stratificato ulteriori obblighi: in Italia, il Decreto Trasparenza (D.Lgs. 104/2022) impone al datore di lavoro di informare il lavoratore sull’uso di sistemi automatizzati che incidono sul rapporto di lavoro, mentre la Legge 132/2025, primo quadro normativo organico italiano sull’IA, introduce all’art. 11 obblighi di informazione preventiva e principi di trasparenza specifici per i sistemi di IA impiegati nei rapporti di lavoro^[15]. Dinamiche analoghe si riscontrano in Francia, Germania e Spagna, dove la legislazione nazionale ha anticipato o integrato le previsioni europee con discipline proprie. Il punto critico, comune a tutti i contesti, è che nessuno di questi regimi viene reso compliant per default dal fornitore del software: l’obbligo di adeguamento ricade interamente sul datore di lavoro.

Professioni intellettuali e uso dell’IA in Italia

Tornando al contesto italiano, sul fronte delle professioni intellettuali, la L. 132/2025 introduce un ulteriore elemento di discontinuità. L’art. 13 stabilisce che l’IA può essere utilizzata esclusivamente come supporto strumentale, con obbligo di mantenere la prevalenza del lavoro intellettuale umano e di comunicare al cliente, in modo chiaro e trasparente, quali sistemi di IA sono stati impiegati nella prestazione^[16]. È questa una norma che non riguarda solo l’Italia: anticipa infatti un orientamento regolatorio che si sta affermando in tutta Europa, dove la questione della responsabilità professionale nell’era dell’IA generativa è aperta in ogni ordine e collegio, da Parigi a Berlino. Per avvocati, consulenti, DPO e formatori, questa disposizione ridefinisce il perimetro fiduciario del rapporto con il cliente, trasformando l’uso dell’IA da scelta operativa a elemento costitutivo della prestazione.

Le Linee guida della Commissione europea chiariscono che sono classificati come ad alto rischio tutti i sistemi che influenzano apprezzabilmente il processo di selezione, anche senza determinarne direttamente l’esito: sistemi di job matching e ranking, strumenti di scoring, ricerca automatizzata di candidati su social network, targeted job advertising. Una definizione funzionalmente ampia, che nella pratica applicativa europea rimane però ancora largamente disattesa.^[17] Il problema non è tanto tecnico, quanto più di priorità, e accomuna la maggior parte degli Stati membri. Le autorità nazionali competenti, in Italia individuate congiuntamente nell’ACN e nell’AGCM, in Germania nel BfDI e nel BMAS, in Francia nella CNIL, non hanno ancora prodotto linee guida operative specifiche per il settore HR, né avviato campagne di verifica sistematica sui sistemi di selezione in uso nelle aziende. Il quadro è disomogeneo anche tra i paesi più avanzati sul fronte della regolazione digitale: la Spagna ha istituito l’AESIA, l’Agencia Española de Supervisión de la Inteligencia Artificial, dotandola di risorse e mandato specifico, ma anche lì il settore del recruiting algoritmico non è ancora stato oggetto di ispezioni strutturate. Le associazioni datoriali, quasi ovunque, trattano la compliance all’AI Act come un adempimento futuro piuttosto che come un obbligo già parzialmente attivo.

Il risultato è un mercato in cui la maggior parte degli strumenti di recruiting algoritmico opera senza che nessuno abbia verificato se rispettano i requisiti previsti, senza che i candidati siano informati del loro utilizzo, e senza che esista un meccanismo concreto attraverso cui chi viene escluso da un algoritmo possa chiedere spiegazioni o contestare la decisione. Non è una specificità di alcuni stati membri: è la condizione europea, con rare eccezioni.

Questa distanza tra norma e applicazione non è neppure un dettaglio amministrativo. È il punto in cui il diritto smette di proteggere e diventa decorazione. Per i giovani che si candidano ogni giorno a posizioni filtrate da sistemi che non conoscono, con criteri che non possono esaminare, attraverso processi che nessuno ha verificato siano equi, il fatto che esista una norma che in teoria li tutela ma che in pratica non viene fatta rispettare non è una consolazione. È un’ulteriore conferma che le istituzioni spesso producono regole ma non le abitano.

Gen Z e IA davanti al costo cognitivo della delega

Al di là del mercato del lavoro, il dibattito più urgente riguarda ciò che accade alla mente dei giovani quando l’IA diventa lo strumento di default per pensare, scrivere, ragionare. Il concetto chiave è il cognitive offloading: la delega sistematica di processi mentali a sistemi esterni. Il fenomeno non è nuovo, i motori di ricerca hanno già modificato il modo in cui gli esseri umani memorizzano le informazioni, ma l’IA generativa porta questo processo a un livello qualitativamente diverso: non si tratta più di delegare il recupero di informazioni, ma il ragionamento stesso. Uno studio pubblicato su Societies nel 2025 ha rilevato una relazione negativa significativa tra l’uso frequente dell’IA e le capacità di pensiero critico, con il cognitive offloading come fattore mediatore^[18].

La questione non è tanto pedagogica: è molto economica e politica. Le competenze cognitive che si formano attraverso il lavoro lento e faticoso del ragionamento autonomo, la capacità di strutturare un argomento, di valutare la qualità di una fonte, di riconoscere le proprie lacune e colmarle, sono esattamente quelle che il mercato del lavoro del futuro dice di voler premiare. La retorica dominante sull’IA come strumento di amplificazione del potenziale umano presuppone che quel potenziale esista già, che sia stato sviluppato, allenato, consolidato. Per una generazione che entra nel sistema formativo con l’IA come protesi cognitiva di default, questa presupposizione non regge.

Il paradosso è inoltre strutturale. I sistemi educativi sono stati progettati attorno all’assunto che certi processi cognitivi debbano essere esercitati per essere acquisiti: si impara a scrivere scrivendo, si impara a ragionare ragionando, si impara a valutare valutando. L’IA generativa non aggira questo principio in modo esplicito e riconoscibile, come potrebbe fare un manuale di soluzioni. Lo aggira in modo fluido, invisibile, apparentemente collaborativo: offre un testo quando si dovrebbe costruirne uno, suggerisce una struttura quando si dovrebbe cercarla, fornisce una risposta quando si dovrebbe imparare a formulare la domanda. Il risultato non è uno studente che copia: è uno studente che non sa di non aver capito, perché l’output appare corretto anche se il processo era assente.

Dalla scuola al lavoro: output senza comprensione

La ricerca educativa sta cominciando a documentare questo fenomeno con strumenti più precisi. Uno studio pubblicato nel 2026 su studenti universitari americani che utilizzavano strumenti di IA generativa per la redazione di elaborati accademici ha rilevato che, a parità di qualità del testo prodotto, i partecipanti che avevano delegato significativamente all’IA mostravano punteggi significativamente più bassi nei test di comprensione del contenuto condotti a distanza di due settimane. Avevano scritto un testo sull’argomento senza averlo realmente appreso. È la versione cognitiva del fenomeno che Shen e Tamkin avevano documentato con i developer: l’output senza la comprensione, replicato in un contesto formativo^[19].

L’International AI Safety Report 2026 cita ulteriore evidenza: tre mesi dopo l’introduzione del supporto AI, la capacità dei medici di rilevare tumori senza assistenza algoritmica era calata del 6%. Una ricerca di Shen e Tamkin ha documentato lo stesso fenomeno con i software developer: chi delegava completamente all’IA produceva codice funzionante ma falliva i test concettuali successivi. Avevano l’output senza la comprensione^[20].

La risposta istituzionale, in Europa come in Italia, è ancora largamente orientata alla gestione del sintomo piuttosto che alla comprensione del meccanismo. Il dibattito pubblico sull’IA nella scuola si concentra quasi esclusivamente sul problema della disonestà accademica, sul come rilevare i testi generati dall’IA e sanzionarne l’uso non dichiarato. È una preoccupazione legittima, ma secondaria rispetto alla domanda più profonda: non come impedire che gli studenti usino l’IA, ma come garantire che il suo uso non sostituisca i processi cognitivi che l’istruzione dovrebbe sviluppare. Sono domande diverse, e richiedono risposte diverse. La prima è una questione di controllo. La seconda è una questione di pedagogia, e implica ripensare non solo le regole d’uso degli strumenti, ma la struttura stessa delle attività di apprendimento, la natura delle valutazioni, il rapporto tra processo e prodotto nell’educazione.

Nessun paese europeo ha ancora affrontato questa seconda domanda in modo sistematico. La Finlandia si avvicina di più, con la sua tradizione di alfabetizzazione critica ai media estesa ora all’IA, ma anche lì il focus prevalente è sulla comprensione del funzionamento dei sistemi piuttosto che sulla protezione deliberata dei processi cognitivi che l’IA rischia di sostituire. È una distinzione sottile ma decisiva: insegnare come funziona un algoritmo non protegge automaticamente la capacità di ragionare senza di esso.

Formazione critica all’IA: il confronto europeo

Il divario tra i vari paesi europei è significativo: non si tratta di quante ore di formazione sono state previste, quanti fondi sono stati stanziati, bensì riguarda la capacità di un sistema educativo di dotare i giovani degli strumenti per usare criticamente le tecnologie che già permeano la loro vita.

La Finlandia rappresenta il caso più avanzato: l’alfabetizzazione mediatica è intessuta nel curriculum nazionale già a partire dai tre anni, e il National Agency for Education ha esteso questa impostazione all’IA attraverso programmi come “Elements of AI“, che coprono l’intero arco formativo dall’infanzia alla formazione professionale^[21]. Non si tratta di corsi opzionali: è un’architettura pedagogica strutturale, costruita sull’assunto che la capacità di leggere criticamente i sistemi algoritmici sia una competenza civica fondamentale quanto la lettura e il calcolo. Il Parlamento Europeo ha peraltro ribadito lo stesso principio nel suo briefing del febbraio 2026: creatività e pensiero autonomo si sviluppano in ambienti che proteggono l’autonomia degli studenti, e l’integrazione dell’IA nell’educazione deve rimanere saldamente human-centred^[22]. La Danimarca ha integrato l’alfabetizzazione all’IA nei curricula della scuola dell’obbligo come parte di un piano nazionale di competenze digitali coordinato dal Ministero dell’Istruzione, con obiettivi di apprendimento graduati per fascia di età e formazione obbligatoria per i docenti. L’Estonia, che da anni è considerata un modello di governance digitale, ha esteso il proprio programma ProgeTiiger, già attivo nell’insegnamento del pensiero computazionale dalla scuola primaria, includendo moduli specifici sull’IA generativa e sui suoi limiti epistemici. I Paesi Bassi hanno avviato nel 2025 una sperimentazione nazionale in 200 scuole secondarie con un curriculum strutturato sull’uso critico dell’IA, finanziato congiuntamente dal Ministero dell’Istruzione e dal fondo europeo per la transizione digitale.

Ciò che accomuna questi casi non è la quantità di risorse investite, ma l’approccio sistemico: la decisione politica che l’alfabetizzazione critica all’IA è una responsabilità pubblica, non una variabile lasciata alla discrezione delle singole istituzioni scolastiche o alla sensibilità dei singoli docenti.

L’Italia senza un quadro nazionale cogente

In Italia questa decisione non è ancora stata presa. Le linee guida ministeriali del 2024 restano orientative; la formazione dei docenti sull’IA è affidata a iniziative volontarie e progetti pilota non coordinati a livello nazionale; e il dibattito pubblico sull’IA nella scuola continua a oscillare tra l’entusiasmo per le potenzialità dello strumento e l’allarme per i rischi di disonestà accademica, senza trovare il registro intermedio in cui si colloca la domanda più importante: come si insegna a una generazione a usare uno strumento potente senza perdere la capacità di farne a meno quando necessario.

Questa lacuna ha un costo che non si misura nell’immediato, ma che si accumula silenziosamente tra gli studenti che entrano ogni anno nel mercato del lavoro con competenze digitali che sono in realtà dipendenze digitali: la capacità di usare uno strumento senza capirlo, di produrre un output senza padroneggiare il processo, di navigare un sistema senza sapere come è fatto e perché funziona in quel modo. Non è il profilo del lavoratore che il mercato del futuro dice di cercare. È il profilo del lavoratore più facilmente sostituibile da quel mercato. Le linee guida sull’uso dell’IA in ambito accademico sono state elaborate autonomamente dai singoli atenei, tra i primi, tra il 2023 e il 2024, il Politecnico di Milano, la Bocconi, Bologna e la Sapienza, senza che la CRUI (Conferenza dei Rettori delle Università Italiane) abbia adottato un quadro nazionale cogente. L’ANVUR (Agenzia Nazionale di Valutazione del Sistema Universitario e della Ricerca) ha aggiornato nel 2024 le proprie linee guida sull’integrità della ricerca introducendo riferimenti espliciti all’IA generativa, ma in termini di principi generali, non di obblighi operativi vincolanti^[23].

Italia, giovani e IA: NEET, imprese e fuga di competenze

Questa lacuna formativa si innesta su una fragilità strutturale che precede l’IA e che la transizione tecnologica rischia di trasformare in una frattura permanente. Leggere tutti questi numeri insieme, senza isolarli nei rispettivi silos statistici, produce invero un quadro che la comunicazione istituzionale fatica ad ammettere nella sua interezza. In Italia le grandi imprese che adottano l’IA al 53% sono concentrate prevalentemente nel Nord del paese e operano in settori ad alta intensità di conoscenza, dove la tecnologia amplifica competenze già esistenti. Le piccole imprese che adottano al 14,2% sono distribuite su tutto il territorio nazionale, con una concentrazione nel Mezzogiorno, e operano spesso in settori dove l’IA non amplifica competenze ma le sostituisce direttamente: commercio al dettaglio, servizi amministrativi, lavorazione di base. È esattamente in questi settori e in questi territori che la concentrazione di giovani NEET è più alta, e dove le opportunità di primo ingresso nel mercato del lavoro sono tradizionalmente più numerose, o almeno lo erano. La spaccatura dimensionale nell’adozione dell’IA non è quindi solo una questione di competitività industriale: è una variabile della geografia delle opportunità giovanili, e la sua traiettoria attuale va nella direzione sbagliata.

Capitale umano in uscita e opportunità che si restringono

A complicare ulteriormente il quadro c’è la natura del capitale umano che lascia il paese. I 630.000 giovani emigrati tra il 2011 e il 2024 non sono un campione casuale della popolazione giovanile italiana: sono in misura sproporzionata laureati, con competenze digitali, con esperienze formative internazionali. Sono, in altre parole, esattamente le persone che un paese in transizione tecnologica avrebbe più bisogno di trattenere. Il CNEL^[24] stima in 159 miliardi di euro il valore del capitale umano perduto, una cifra che incorpora il costo dell’istruzione ricevuta in Italia e il valore atteso della produttività futura che verrà generata altrove. Ma la perdita reale è più difficile da quantificare: riguarda la massa critica di competenze avanzate che non si accumula, le reti professionali che non si formano, l’ecosistema dell’innovazione che non si consolida perché i suoi potenziali protagonisti hanno trovato condizioni migliori a Berlino, a Londra, ad Amsterdam o a Dublino. Insomma non si tratta di una fuga di cervelli nel senso romantico del termine. È l’esito razionale di chi ha valutato le opportunità disponibili e ha trovato il conto in rosso.

In questo contesto, l’IA non è la causa del problema italiano, ma ne è un acceleratore. Arriva in un sistema già fragile, già diseguale, già incapace di trattenere i talenti che forma, e ne amplifica le disfunzioni: erode i posti di lavoro più accessibili ai giovani meno qualificati, concentra i benefici nei segmenti già più forti del tessuto produttivo, e rende ancora più urgente quella riforma del sistema formativo e delle politiche attive del lavoro che il paese rinvia da decenni.

Nel 2024, il 15,2% dei giovani tra i 15 e i 29 anni era NEET (Not in Education, Employment or Training): non studiava, non lavorava, non si formava, secondo dato peggiore in Europa dopo la Romania (19,4%), e sensibilmente superiore alle medie spagnola (12,0%), francese (12,5%) e tedesca (8,7%). Nel 2023, solo il 23,1% dei giovani tra i 15 e i 24 anni risultava occupato, a fronte di una media UE del 35,3%: dodici punti di distanza che non si colmano con un decreto^[25].

Su questo sfondo si abbatte una doppia pressione che si muove in direzioni opposte e si aggrava a vicenda. Da un lato, l’Osservatorio Proxima stima che entro il prossimo decennio il sistema produttivo italiano perderà circa 4,3 milioni di addetti per la sola uscita delle fasce mature: una sostituzione generazionale che richiederebbe un ingresso giovanile robusto e ben attrezzato. Dall’altro, proprio mentre questo spazio si apre, l’IA lo restringe dal basso: come visto in precedenza, la quota di imprese con almeno dieci addetti che utilizza tecnologie di IA è più che triplicata tra il 2023 e il 2025, passando dal 6% al 16,4%, con una spaccatura dimensionale netta tra grandi e piccole imprese che rispecchia e amplifica le disuguaglianze territoriali già esistenti^[26].

Il risultato è un cortocircuito strutturale, e chi non trova ragioni sufficienti per restare, parte.

Bias algoritmico nel recruiting e diritti ancora deboli

Il nodo più insidioso non è che i sistemi di IA discriminino in modo intenzionale: è che discriminano in modo strutturale e invisibile, riproducendo logiche di selezione che in un colloquio tradizionale sarebbero illegali se espresse esplicitamente, ma che nell’output algoritmico appaiono come il risultato neutro di un processo tecnico. Quando un sistema di ranking assegna un punteggio più basso a un curriculum con un’interruzione lavorativa o a chi ha un nome che i dataset di training associano statisticamente a tassi di turnover più alti, non sta applicando un pregiudizio dichiarato: sta applicando una correlazione appresa dai dati storici. La differenza giuridica è rilevante; la differenza pratica per il candidato escluso, no.

Questo è il nucleo del problema che la ricerca pubblicata su PNAS Nexus^[27] ha reso noto con insolita precisione: il bias intersezionale non è la somma di bias separati, e non può essere corretto semplicemente aggiungendo variabili di controllo per genere o per etnia. Le donne nere non subiscono la discriminazione “da donna” più la discriminazione “da persona di colore”: subiscono una discriminazione specifica che emerge dall’intersezione di queste identità in un sistema addestrato su dati che riflettono decenni di esclusione strutturale. Correggere il bias di genere senza correggere quello razziale, o viceversa, non risolve il problema: lo sposta. E i sistemi di valutazione dell’impatto discriminatorio previsti dall’AI Act, nella loro attuale formulazione, non sono attrezzati a cogliere questa complessità intersezionale in modo sistematico.

Sul piano giuridico, la causa Workday negli Stati Uniti^[28] ha aperto un fronte che in Europa non esiste ancora, ma che potrebbe svilupparsi rapidamente. Se i tribunali americani stabilissero una responsabilità solidale del fornitore dello strumento insieme al datore di lavoro che lo utilizza, l’intera architettura contrattuale con cui le aziende tech hanno fino ad oggi scaricato la responsabilità della compliance sul cliente si troverebbe sotto pressione. In Europa, dove la Direttiva sulla parità di trattamento in materia di occupazione e la Carta dei diritti fondamentali offrono una base giuridica potenzialmente più robusta di quella americana per il contenzioso antidiscriminatorio, la mancanza di casi significativi non riflette l’assenza di discriminazione: riflette l’assenza di strumenti processuali adeguati, di competenze tecniche nei tribunali del lavoro, e di organizzazioni sindacali e di tutela capaci di costruire casi complessi che richiedono la produzione e l’analisi di dataset proprietari.

L’asimmetria probatoria dei candidati

È un vuoto che ha un nome preciso: asimmetria probatoria. Chi subisce una discriminazione algoritmica non sa di averla subita, non ha accesso ai dati che la documenterebbero, e non dispone degli strumenti tecnici per dimostrare che l’esclusione non era casuale ma sistemica. L’AI Act prevede il diritto alla spiegazione, ma una spiegazione dell’output di un sistema di ranking non è necessariamente sufficiente a rivelare il bias strutturale che lo ha prodotto. Colmare questa asimmetria richiederebbe obblighi di audit indipendente, accesso regolamentato ai dati di training per le autorità di controllo, e meccanismi di reporting pubblico sui tassi di selezione disaggregati per caratteristiche protette. Nessuno di questi strumenti è ancora operativo in modo sistematico in nessun paese europeo.

Gender gap e IA: la frattura dentro la Gen Z

La dimensione di genere introduce una frattura che non si aggiunge alle vulnerabilità già descritte: le moltiplica. Il gap di genere nell’adozione dell’IA non è un fenomeno separato dalla crisi dei percorsi entry-level, dal cognitive offloading nei sistemi formativi, o dal bias algoritmico nel recruiting: sono manifestazioni diverse dello stesso meccanismo di fondo, e si rinforzano a vicenda in modo che nessuna politica settoriale è in grado di correggere isolatamente.

Una giovane donna^[29] che entra oggi nel mercato del lavoro italiano affronta simultaneamente: un sistema di screening algoritmico che incorpora bias intersezionali storicamente sedimentati; una carenza di percorsi entry-level nei settori tecnologici dove il divario di competenze digitali di genere è già strutturalmente sfavorevole; un sistema formativo che non ha ancora definito come insegnare l’uso critico dell’IA, e che quindi tende a riprodurre le asimmetrie preesistenti nell’accesso agli strumenti; e un mercato del lavoro in cui le occupazioni statisticamente più femminilizzate sono esattamente quelle a più alto rischio di automazione. Non si tratta di svantaggi sommabili: si tratta di un sistema di filtri sovrapposti che agisce in modo cumulativo, e il cui effetto complessivo è significativamente maggiore della somma delle parti.

Questa cumulatività ha una conseguenza che i dati aggregati tendono a nascondere: il peggioramento relativo non è distribuito uniformemente tra le giovani donne, ma si concentra in modo sproporzionato su quelle che partono già da una posizione più svantaggiata, per territorio, per background familiare, per tipo di percorso formativo. Una laureata in informatica del Politecnico di Milano con esperienze internazionali affronta un insieme di rischi molto diverso da quello di una diplomata in ragioneria di una città del Mezzogiorno: eppure entrambe rientrano nella stessa categoria statistica, e le politiche pensate per ridurre il gap di genere nell’IA tendono a raggiungere la prima molto più facilmente della seconda.

È questo il senso in cui il gender gap nell’IA non è soltanto una questione di equità di genere, per quanto lo sia anche quello: è un indicatore del grado di finezza con cui un sistema è capace di vedere le proprie disuguaglianze. Un paese che riesce a misurare il gap di adozione dell’IA tra uomini e donne al livello del dato DESI, ma non è in grado di disaggregarlo per territorio, per livello di istruzione, per settore occupazionale, e di collegarlo ai dati sul recruiting algoritmico e sui percorsi formativi, non ha ancora gli strumenti per capire il problema che dice di voler risolvere. E un problema che non si riesce a vedere nella sua complessità non si riesce nemmeno a correggere nelle sue cause profonde.

Dati europei e ritardo italiano sulle competenze

Questa forbice non si chiude nel tempo: si allarga. Dati McKinsey del marzo 2026 mostrano che in Europa le donne nei ruoli entry-level di product development e software engineering hanno registrato i cali più marcati tra il 2024 e il 2025, rispettivamente del 17% e del 13%, mentre l’unico segmento in espansione, AI e data analytics, ha visto crescere l’occupazione maschile entry-level dell’11% contro il 7% femminile. La sola porta rimasta aperta si sta restringendo proprio per chi ne avrebbe più bisogno^[30].

Per l’Italia il quadro non è confortante: il paese si colloca al 23° posto su 27 nella classifica DESI (Digital Economy and Society Index) della Commissione Europea per competenze digitali di base. Il gap di adozione dell’IA generativa tra uomini e donne raggiunge i 12 punti percentuali, tra i più alti in Europa^[31].

Se dunque questi sono i dati strutturali: un mercato del lavoro che si chiude dal basso, un sistema formativo privo di indirizzo cogente, un quadro normativo che esiste ma non viene applicato, e una frattura di genere che attraversa tutto il sistema, allora la domanda è come tutto ciò venga vissuto soggettivamente da chi ne è protagonista. Per rispondere occorre allargare lo sguardo oltre i confini italiani ed europei.

Gen Z e IA nel sentiment globale: Stati Uniti, Asia ed Europa

La disillusione dei giovani verso l’IA non è la reazione di chi la teme dall’esterno: è il giudizio di chi la usa quotidianamente e, attraverso quell’uso, ha maturato riserve che l’esposizione continuata ha sedimentato anziché dissolto. Negli Stati Uniti, il 51% dei giovani tra i 14 e i 29 anni dichiara di utilizzare l’IA generativa regolarmente. Eppure il sentiment si è deteriorato su tre delle quattro dimensioni emotive misurate: l’entusiasmo è sceso di 14 punti percentuali al 22%, la speranza è calata di nove punti all’18%, la rabbia è salita di nove punti al 31%. L’adozione è stabile; l’entusiasmo in caduta libera^[32]. Persino tra gli utenti giornalieri la positività è diminuita in modo significativo nell’arco di un anno. È la struttura epistemica della disillusione: non l’ignoranza, ma la conoscenza che genera il dubbio. Zach Hrynowski di Gallup^[33] identifica nel timore per le prospettive occupazionali entry-level il principale motore. Il 42% degli studenti universitari americani ha riconsiderato il proprio corso di laurea a causa dell’impatto dell’IA, e circa uno su sei ha già effettivamente cambiato indirizzo.

Perché il pessimismo americano non è universale

La disillusione dei giovani verso l’IA, come emerge dai dati fin qui esaminati si spiega con il contesto in cui quella tecnologia viene incontrata: un mercato del lavoro che si chiude dall’alto e dal basso simultaneamente, un sistema formativo che non fornisce gli strumenti per usarla criticamente, un ecosistema informativo che essa contribuisce a rendere meno affidabile, e un sistema di relazioni sociali in cui la sua pervasività rischia di sostituire il contatto umano anziché supportarlo. Quando si mettono insieme questi piani, il sentiment della Gen Z non appare irrazionale o reazionario: appare come la risposta coerente di chi vive dentro una trasformazione che non ha scelto, non controlla, e che nessuna istituzione sembra intenzionata a governare nell’interesse di chi ne subisce per primo i costi.

È a questo punto che la questione del sentiment smette di essere una questione di percezione e diventa una questione di struttura. Non si tratta di convincere i giovani che l’IA è una buona notizia, né di rassicurarli che il futuro del lavoro sarà migliore del presente. Si tratta di costruire le condizioni in cui quella affermazione possa essere vera, o almeno verificabile, per la maggior parte di loro e non solo per una minoranza fortunata. Le condizioni, vale la pena dirlo esplicitamente, non sono tecnologiche: sono politiche. Riguardano la qualità delle istituzioni, la solidità dei sistemi di protezione sociale, la serietà con cui le norme vengono applicate, la capacità dei sistemi educativi di adattarsi più velocemente di quanto non abbiano fatto finora.

Il confronto che abbiamo tracciato in queste pagine suggerisce che questa non è una sfida impossibile. Paesi con sistemi istituzionali robusti e alta fiducia pubblica mostrano che è possibile accompagnare la transizione verso un’economia ad alta densità di IA senza scaricare interamente i costi sui singoli. La Finlandia forma alla critica algoritmica dalla scuola primaria. La Danimarca gestisce le transizioni occupazionali come rischi collettivi. L’Irlanda ha dimostrato che il sostegno al reddito nei settori creativi funziona e si ripaga. Non sono modelli esportabili chiavi in mano, ma sono prove che la scelta di investire nella protezione delle persone durante le transizioni tecnologiche non è incompatibile con la crescita economica. Anzi, i dati suggeriscono che ne è una condizione.

Quello che manca, in Italia come in gran parte dell’Europa meridionale, non è la conoscenza di cosa andrebbe fatto. È la decisione politica di farlo, e la volontà di trattare la transizione tecnologica non come una questione di competitività industriale da gestire con incentivi fiscali e piani nazionali per l’innovazione, ma come una questione di giustizia distributiva che richiede risorse, regole effettivamente applicate, e una concezione del ruolo pubblico che in questo paese fatica ancora a farsi strada. Sono i giovani che pagheranno il prezzo di questa esitazione. E lo stanno già pagando.

Disinformazione e IA: quando crolla la fiducia nell’evidenza

Esiste una terza dimensione del disagio giovanile verso l’IA: l’erosione della fiducia nell’ecosistema informativo. Fino a pochi anni fa, un’immagine o un video compromettente costituiva una prova difficile da contestare. L’IA generativa ha invertito questa asimmetria: oggi chiunque può produrre contenuti visivi indistinguibili dal reale, e questa possibilità, anche quando non viene esercitata, contamina retroattivamente ogni prova visiva esistente. La negabilità plausibile non richiede che la manipolazione sia avvenuta: richiede solo che sia possibile. È una forma di inquinamento epistemico che non produce falsità specifiche, ma erode la categoria stessa della verità verificabile.

Una dinamica che si può osservare, pur senza che esista ancora una letteratura specifica e documentata in modo sistematico, riguarda i discorsi parlamentari scritti con l’ausilio dell’IA, e agisce su un piano diverso ma complementare. Quando un sistema generativo produce linguaggio politico, tende a convergere verso formule medie, retoricamente riconoscibili ma semanticamente vuote: costruzioni come “è mio dovere richiamare l’attenzione dell’assemblea” che suonano autorevoli senza dire nulla di preciso. Il problema non è solo estetico: è che il linguaggio politico perde la sua funzione di impegno. Una dichiarazione scritta da un algoritmo non vincola chi la pronuncia nello stesso modo in cui lo vincola una dichiarazione elaborata personalmente, perché il processo di formulazione, con le sue scelte, le sue rinunce, le sue responsabilità, è stato esternalizzato.

Per la Gen Z, che ha costruito la propria relazione con l’informazione attraverso piattaforme già accusate di distorcere la realtà, questo non è un problema astratto: è la conferma di un’intuizione già maturata. L’ecosistema informativo non è affidabile, e l’IA non lo sta rendendo più affidabile, lo sta rendendo più opaco, più costoso da navigare, e più esposto a chi ha interesse a sfruttarne l’opacità.

Salute mentale e IA: il costo invisibile per i giovani

Accanto alle dinamiche occupazionali e cognitive già esaminate esiste un ulteriore piano di tensione in parte legato al cognitive offloading ma con alcune specificità: l’impatto dell’uso intensivo dell’IA sulla salute mentale dei giovani adulti. Uno studio pubblicato su JAMA Network Open^[34]il 21 gennaio 2026, condotto da ricercatori del Massachusetts General Hospital, Harvard e Northeastern University su un campione di 20.847 adulti americani, ha rilevato che chi usa l’IA almeno quotidianamente presenta probabilità di depressione moderata superiori del 30% rispetto a chi non la usa, con associazioni significative anche con ansia e irritabilità. Va segnalato che si tratta di uno studio osservazionale basato su sondaggio online non probabilistico: dimostra un’associazione, non un nesso causale. Gli autori stessi, tra cui Roy Perlis, lead author, mettono in guardia dall’interpretazione meccanicistica: “Non è che tutta l’IA sia dannosa. La mia preoccupazione riguarda specificamente i chatbot general-purpose, che non sono stati progettati per sostituire il supporto sociale o psicologico, e quando li usiamo in questo modo c’è un rischio.” Il che è precisamente il punto: non l’IA in quanto tale, ma l’uso dell’IA in funzioni per cui non è stata progettata, in assenza di qualunque forma di supervisione o indirizzo.

La salute mentale della generazione che erediterà un’economia ridisegnata dall’IA non è una questione di benessere individuale: è una variabile della capacità collettiva di attraversare la transizione.

Creativi e IA: lavoro, copyright e compensi sotto pressione

Il dibattito sull’impatto dell’IA sui giovani si concentra quasi invariabilmente sui settori tecnologici. Esiste però una categoria, quella deii creativi, nella musica, nell’illustrazione, nella scrittura, nel cinema, che vive una forma specifica di disruption: non solo la perdita di commesse, ma la sistematica appropriazione del proprio lavoro passato come materiale di training per i sistemi che li sostituiscono.

Il progetto CREAATIF (Crafting Responsive Assessments of AI & Tech-Impacted Futures), condotto da Queen Mary University of London in collaborazione con l’Alan Turing Institute, l’Institute for the Future of Work e quattro grandi sindacati artistici britannici, Equity, BECTU, Musicians’ Union e Society of Authors, ha intervistato 335 lavoratori creativi freelance nel 2024. I risultati sono netti: il 68% ritiene che la propria sicurezza lavorativa sia diminuita per effetto dell’IA generativa, il 73% che essa stia alterando la qualità del lavoro nei settori creativi, il 61% che il valore attribuito al proprio lavoro dagli altri si sia ridotto, il 55% dichiara un calo di compenso economico^[35].⁴³ Il punto critico sottolineato dai ricercatori è che molti creativi finanziano la propria pratica artistica attraverso lavori “non creativi” retribuiti: se questi vengono automatizzati, l’intero ecosistema rischia il collasso per erosione sistemica delle fondamenta economiche che lo rendono possibile.

Nel marzo 2026, quasi 10.000 autori, tra cui il premio Nobel Kazuo Ishiguro, Richard Osman, Alan Moore, Marian Keyes e Philippa Gregory, hanno distribuito alla London Book Fair un libro completamente vuoto intitolato Don’t Steal This Book^[36]: 88 pagine con i nomi dei firmatari seguite da pagine bianche, protesta organizzata dal compositore Ed Newton-Rex contro l’uso non autorizzato di opere protette per il training dei modelli. Il tempismo era deliberato: il governo britannico era tenuto a consegnare entro il 18 marzo 2026 una valutazione di impatto economico sulle proposte di modifica della legge sul copyright in favore delle aziende di IA. L’88% dei rispondenti alla consultazione pubblica si era espresso a favore di un sistema basato su licenze obbligatorie; il governo ha ritirato il proprio modello preferito, impegnandosi a valutare meccanismi di licenza.

Copyright e opt-out nel quadro europeo

Il nodo giuridico sottostante è lo stesso in tutta Europa, anche se le soluzioni legislative divergono. Il training dei modelli di IA generativa richiede quantità enormi di testo, immagini, audio e video: la maggior parte di questo materiale è protetto da copyright, e la maggior parte delle aziende che hanno addestrato i modelli più diffusi ha operato in un’area grigia, sostenendo che l’estrazione di dati per finalità di ricerca e sviluppo rientri nelle eccezioni al diritto d’autore previste dalla Direttiva UE 2019/790. L’art. 70-quater della legge italiana, che recepisce quella direttiva, consente il text e data mining a chiunque abbia accesso legittimo alle opere, salvo opt-out esplicito del titolare: un meccanismo che scarica sul creatore l’onere di proteggersi, anziché richiedere all’utilizzatore di ottenere un’autorizzazione preventiva^[37].

È qui che la disciplina italiana, come quella dei principali ordinamenti europei, mostra la sua fragilità più profonda. Un fotografo freelance, un compositore indipendente, uno scrittore che pubblica con un piccolo editore non ha gli strumenti tecnici per implementare un opt-out riconoscibile dai crawler delle aziende di IA, non ha la capacità legale per verificare se il proprio lavoro è stato utilizzato per il training di un modello, e non ha le risorse per avviare un contenzioso nel caso in cui lo fosse. Il sistema di protezione esiste sulla carta, ma presuppone un titolare dei diritti con risorse, competenze tecniche e accesso alla giustizia che la stragrande maggioranza dei creativi freelance non ha. Il risultato è che la norma protegge efficacemente le grandi case editrici, le major discografiche e i grandi studi cinematografici, che hanno uffici legali e sistemi di DRM, e lascia sostanzialmente scoperto il lavoro creativo indipendente, che è paradossalmente la categoria più esposta alla disruption documentata dalla ricerca CREAATIF.

Nel frattempo, i modelli vengono addestrati, le opere vengono utilizzate, e i creativi che hanno costruito quell’archivio di linguaggio, immagini e suoni su cui i sistemi di IA si fondano continuano a non ricevere né riconoscimento né compenso per il contributo che hanno reso possibile.

Gen Z e IA: servono politiche, non narrazioni

I dati convergono verso una diagnosi che non è né catastrofica né rassicurante: la generazione che dovrebbe essere la prima a beneficiare pienamente dell’IA è quella che ne sperimenta per prima i costi, in assenza di sistemi di protezione, formazione e governance adeguati. La sintesi del rapporto Gallup è tra le più precise disponibili: la relazione della Gen Z con l’IA si sta stabilizzando ma non approfondendo. L’adozione è in plateau, l’entusiasmo è in declino, lo scetticismo è in crescita.

L’Europa ha già costruito parte dell’architettura normativa necessaria. L’AI Act classifica il recruiting algoritmico come sistema ad alto rischio, impone obblighi di trasparenza e supervisione umana, riconosce il diritto dei candidati a una spiegazione. Il divieto di emotion recognition nelle scuole e nei luoghi di lavoro è in vigore dal 2 febbraio 2025. L’Italia ha fatto un passo in più con la L. 132/2025 e il D.M. 180/2025 che istituisce l’Osservatorio sull’IA nel lavoro, operativo dal dicembre 2025. Ma tra la norma e la sua applicazione effettiva resta un divario che né le autorità di vigilanza né le associazioni datoriali sembrano intenzionate a colmare con urgenza.

La conclusione che emerge da questa analisi non è quella che il dibattito dominante sull’IA tende a produrre. Non è la storia di una tecnologia che promette molto e delude qualcuno. È la storia di un sistema, economico, formativo, istituzionale, che non è abbastanza solido da accogliere una trasformazione di questa portata senza scaricare i costi su chi ha già meno protezione. I giovani non sono le vittime dell’IA: sono le vittime della velocità con cui l’IA è arrivata in un contesto che non è pronto a distribuirne equamente i benefici.

Questa distinzione non è solo analitica: ha conseguenze dirette su come si risponde al problema. Se il disagio della Gen Z è il risultato di una tecnologia intrinsecamente dannosa, la risposta è regolarne o rallentarne la diffusione. Se invece è il risultato di un sistema istituzionale che non ha saputo accompagnare la transizione, la risposta è rafforzare quel sistema: investire nella formazione critica, applicare le norme esistenti, costruire ammortizzatori sociali, ridistribuire il valore generato dall’automazione. Sono risposte molto diverse, e la confusione tra le due è una delle ragioni per cui il dibattito pubblico sull’IA continua a oscillare tra l’entusiasmo tecnologico e il catastrofismo, senza trovare il registro in cui si collocano le politiche concrete.

Vale la pena ricordare, in sintesi, che questa esitazione non si ferma ai confini europei: il regulatory arbitrage documentato da Investigate Europe^[38] mostra che i sistemi di sorveglianza biometrica, vietati in UE, poiché incompatibili con i diritti fondamentali vengono esportati altrove, a riprova che un divieto difeso solo all’interno dei propri confini resta, di fatto, un divieto a geometria variabile.

Ciò che i giovani chiedono, quando chiedono empatia e comprensione^[39], non è un cambiamento di tono. È un cambiamento di priorità. Vogliono essere visti non come la generazione che erediterà i benefici dell’IA quando il sistema sarà maturo, ma come i soggetti che ne stanno già vivendo le conseguenze, adesso, nel mercato del lavoro che trovano chiuso, nel sistema formativo che non li ha preparati, nell’ecosistema informativo che non sanno più come leggere, nel mercato del lavoro creativo che si sta svuotando sotto i loro piedi. La risposta istituzionale a questa domanda non può essere un piano strategico a dieci anni. Deve essere visibile, concreta e immediata: norme applicate, risorse stanziate, sistemi di protezione funzionanti.

La domanda che rimane aperta, alla fine di questa analisi, non è se l’IA trasformerà l’economia e la società europea. Lo ha già fatto, e continuerà a farlo a una velocità che nessun sistema regolatorio è ancora riuscito a tenere. La domanda è chi pagherà il costo di quella trasformazione, e se i sistemi democratici europei abbiano la volontà politica di fare in modo che non sia, ancora una volta, chi aveva già meno. Non tra tre anni. Non dopo il prossimo rapporto. Adesso.

Note

[1] Ipsos AI Monitor 2025, elaborazione Rest of World, «AI optimism surges in Asia while Western countries grow more skeptical», aprile 2026 – https://restofworld.org/2026/ai-optimism-asia/ ↩

[2] Stanford HAI, «2026 AI Index Report — Chapter 9: Public Opinion», aprile 2026 https://hai.stanford.edu/ai-index/2026-ai-index-report/public-opinion ↩

[3] Commissione Europea, «Digital Economy and Society Index (DESI) 2025 Italy», luglio 2025 https://digital-strategy.ec.europa.eu/en/policies/desi-italy ↩

[4] Stanford HAI, «2026 AI Index Report Chapter 9: Public Opinion», aprile 2026, basato su sondaggio Ipsos su 31 paesi. Media globale di fiducia: 54%; USA 31% (ultimo tra i paesi campionati); Singapore 81%; Indonesia 76%; Malaysia 73% https://hai.stanford.edu/ai-index/2026-ai-index-report/public-opinion ↩

[5] Osservatorio Proxima / Enzima12, Rapporto Formazione e Lavoro 2026, Roma, giugno 2026. Citazione secondaria: Il Sole 24 Ore, «L’intelligenza artificiale arriva, ma trova l’Italia impreparata», giugno 2026. Rome Business School / GAD3, «IA e Lavoro in Italia: Barometro 2026», marzo 2026; ISTAT, Rapporto Annuale 2026, Capitolo 4 https://romebusinessschool.com/it/blog/intelligenza-artificiale-lavoro-italia-report-planeta-gad3/ ↩

[6] Rome Business School / GAD3, «IA e Lavoro in Italia: Barometro 2026», marzo 2026; ISTAT, Rapporto Annuale 2026, Capitolo 4 https://romebusinessschool.com/it/blog/intelligenza-artificiale-lavoro-italia-report-planeta-gad3/ ↩

[7] ibidem ↩

[8] Greenhouse, «2026 Hiring Benchmark Report», maggio 2026. Nota metodologica: il +102% misura la media per singola posizione; il +411% il volume annuo complessivo gestito dai team https://www.greenhouse.com/recruiting-benchmarks ↩

[9] Stanford University / HAI, studio su piattaforme di selezione «gamificate», 2026 https://hai.stanford.edu/ai-index/2026-ai-index-report ↩

[10] Rest of World, «AI is wiping out entry-level tech jobs», dicembre 2025 (vedi nota 1) ↩

[11] Hershbein B. & Kahn L., studio longitudinale su 62 milioni di lavoratori in 285.000 aziende americane, NBER Working Paper, 2025 https://www.nber.org ↩

[12] World Economic Forum, «Future of Jobs Report 2025», gennaio 2025 https://www.weforum.org/reports/the-future-of-jobs-report-2025/ ↩

[13] Regolamento (UE) 2024/1689 (AI Act), Allegato III, punto 4, lettera a) https://eur-lex.europa.eu/legal-content/IT/TXT/?uri=CELEX:32024R1689 ↩

[14] Accordo Digital Omnibus, 7 maggio 2026: proroga al 2 dicembre 2027 degli obblighi più pesanti dell’AI Act per i sistemi dell’Allegato III. Gli obblighi di trasparenza ex art. 50 restano in vigore dal 2 agosto 2026 per tutti i sistemi AI https://eur-lex.europa.eu ↩

[15] Legge 23 settembre 2025, n. 132, art. 11. G.U. n. 223 del 25 settembre 2025; in vigore dal 10 ottobre 2025 https://www.normattiva.it/uri-res/N2Ls?urn:nir:stato:legge:2025-09-23;132 ↩

[16] L. 132/2025, art. 13 ↩

[17] https://digital-strategy.ec.europa.eu/it/policies/guidelines-ai-high-risk-systems ↩

[18] Gerlich M., «AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking», Societies 2025, 15(1), 6 https://doi.org/10.3390/soc15010006 ↩

[19] Bengio Y. et al. (coordinatori), «International AI Safety Report 2026»; Shen J.H. & Tamkin A., «How AI Assistance Affects Skill Formation», arXiv 2026 https://arxiv.org/pdf/2602.21012 ↩

[20] Bengio Y. et al. (coordinatori), «International AI Safety Report 2026»; Shen J.H. & Tamkin A., «How AI Assistance Affects Skill Formation», arXiv 2026 https://arxiv.org/pdf/2602.21012 ↩

[21] Euronews, «Finland equips students with skills to spot AI deepfakes and disinformation», gennaio 2026 https://www.euronews.com/next/2026/01/05/finland-ai-literacy-schools ↩

[22] Parlamento Europeo, Briefing «Artificial Intelligence in Classrooms: Pedagogical Dimensions and Policy Implications», BRIE/2026/784574, febbraio 2026 https://www.europarl.europa.eu/RegData/etudes/BRIE/2026/784574 ↩

[23] ANVUR, aggiornamento linee guida integrità della ricerca con riferimenti all’IA generativa, 2024 www.anvur.it; Giordano F. & Lovergine S., «Integrità della ricerca e intelligenza artificiale generativa: un’analisi delle linee guida delle università europee», INAPP, 2025 ↩

[24] CNEL, stima del valore del capitale umano perduto per emigrazione giovanile 2011-2024: 159 miliardi di euro; ISTAT, «Iscrizioni e cancellazioni all’anagrafe per trasferimento di residenza Anno 2024» https://www.cnel.it ↩

[25] ISTAT, «Livelli di istruzione e ritorni occupazionali Anno 2024»; Eurostat, «Young people neither in employment nor in education and training (NEET) 2024» https://www.istat.it/it/archivio/ritorni-occupazionali ↩

[26] Osservatorio Proxima / Enzima12, Rapporto Formazione e Lavoro 2026 (vedi nota 6); ISTAT, Rapporto Annuale 2026, Capitolo 4 https://www.istat.it/it/archivio/rapporto-annuale ↩

[27] An J., Huang D., Lin C. & Tai M., «Measuring gender and racial biases in large language models», PNAS Nexus, 4(3), febbraio 2025 https://doi.org/10.1093/pnasnexus/pgaf089 ↩

[28] Sanford Heisler Sharp McKnight, «AI Bias in Hiring», dicembre 2025. Sul caso Mobley v. Workday, n. 3:23-cv-00770 https://sanfordheisler.com/blog/ai-bias-in-hiring-algorithmic-recruiting-and-your-rights/ ↩

[29] ILO, «Gen AI, occupational segregation and gender equality in the world of work», Research Brief, 5 marzo 2026. Secondo lo studio pubblicato nel marzo 2026, le occupazioni a predominanza femminile hanno quasi il doppio di probabilità di essere esposte alla disruption dell’IA generativa rispetto a quelle maschili: il 29% dei ruoli a prevalenza femminile affronta rischi significativi, contro il 16% di quelli maschili. Il meccanismo è strutturale: le donne sono sovrarappresentate nei ruoli amministrativi e di back-office , segreteria, contabilità, gestione documentale; esattamente i task che l’IA generativa eccelle nell’automatizzare, e sottorappresentate nei settori tecnologici che dall’IA traggono invece vantaggio. https://www.ilo.org/resource/news/new-ilo-data-confirm-women-face-higher-workplace-risks-generative-ai-men ↩

[30] McKinsey Technology, «Women in Tech 2026», marzo 2026 https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/women-in-tech ↩

[31] Commissione Europea, DESI 2025 – Italy (vedi nota 3); Deloitte, «Digital Consumer Trends 2024», analisi su 14 paesi europei https://www.deloitte.com/global/en/services/consulting/research/digital-consumer-trends.html ↩

[32] Gallup / Walton Family Foundation / GSV Ventures, «The AI Paradox», aprile 2026 https://news.gallup.com/poll/708224/gen-adoption-steady-skepticism-climbs.aspx ↩

[33] Gallup, «The AI Paradox» (vedi nota 32) ↩

[34] Perlis R.H., Gunning F.M., Uslu A.A. et al., «Generative AI Use and Depressive Symptoms Among US Adults», JAMA Network Open, 9(1):e2554820, 21 gennaio 2026 DOI: 10.1001/jamanetworkopen.2025.54820 https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2844128 ↩

[35] Queen Mary University of London / Alan Turing Institute / Institute for the Future of Work, «CREAATIF: Creative Industries and GenAI», gennaio-giugno 2025 https://www.qmul.ac.uk/media/news/2025/humanities-and-social-sciences/hss/action-needed-to-protect-our-creative-future-in-the-age-of-generative-ai.html ↩

[36] Euronews, «’Don’t Steal This Book’: Authors protest AI at London Book Fair», 10 marzo 2026 https://www.euronews.com/culture/2026/03/10/dont-steal-this-book-authors-protest-ai-at-london-book-fair-with-empty-book ↩

[37] L. 22 aprile 1941, n. 633 (L.d.A.), artt. 70-ter, 70-quater e 70-septies, come modificati dalla L. 132/2025; art. 171, lett. a-ter) LDA https://www.normattiva.it/uri-res/N2Ls?urn:nir:stato:legge:1941-04-22;633 ↩

[38] OCSE, «Denmark: Active Labour Market Policies and Flexicurity», 2024 — https://www.oecd.org; Investigate Europe / Pulitzer Center, «Blocked in Europe, Deployed Abroad», marzo 2026 https://www.investigate-europe.eu/posts/facial-recognition-software-ai-europe-brazil-school-children ↩

[39] La Dr. Julie Lee, ricercatrice specializzata nella Gen Z, già psicologa a Harvard e associate dean a Brown University, oggi faculty al Center for Cross-Cultural Student Emotional Wellness del Massachusetts General Hospital, ha sintetizzato il disagio soggettivo in un’intervista a CBS Boston del maggio 2026: dalla Gen Z sente che i giovani non si aspettano che gli educatori o i genitori cambino le cose, ma chiedono empatia e comprensione per il fatto che le loro vite vengano influenzate in modo significativo. CBS Boston, «Why are more young people angry about AI? Researcher says there’s been a “meaningful shift” with Gen Z», maggio 2026 https://www.cbsnews.com/boston/news/artificial-intelligence-gen-z-anger-reaction/ ↩