Un nuovo studio americano – The Wage Effects of Generative AI, di José Azar e Mireia Giné (IESE Business School, Università di Navarra) e Javier Sanz-Espín (Toulouse School of Management) – invita a guardare l’impatto dell’AI sul lavoro oltre il numero dei posti.
Nelle professioni più esposte all’intelligenza artificiale generativa, ossia nei lavori cognitivi ad alta intensità di dati, testi e codici, infatti, l’occupazione per ora tiene, ma i salari iniziali scendono, la mobilità tra aziende si riduce e aumenta il margine delle imprese nel fissare le retribuzioni.
Indice degli argomenti
AI e occupazione: perché i posti non sono il solo indicatore
Le professioni più esposte all’AI generativa, dunque, non mostrano, rispetto a quelle meno esposte, un calo dell’occupazione statisticamente rilevabile.
Per quasi tre anni il dibattito sull’intelligenza artificiale e il lavoro si è concentrato soprattutto su una domanda: quanti posti farà sparire? Le previsioni più allarmistiche hanno parlato di sostituzione di massa, soprattutto nelle professioni della conoscenza e nei lavori d’ingresso. Finora, però, i dati non mostrano questo scenario. Le professioni più esposte all’AI generativa non registrano, rispetto a quelle meno esposte, un calo dell’occupazione statisticamente rilevabile.
Questo non significa che non stia succedendo nulla. Significa piuttosto che potremmo avere cercato l’effetto dell’AI nel posto sbagliato.
Un mercato del lavoro, infatti, non reagisce a uno shock soltanto attraverso i licenziamenti. Può farlo riducendo le assunzioni, comprimendo i salari, rendendo più difficile cambiare azienda e modificando il potere contrattuale tra chi offre e chi compra lavoro. Sono trasformazioni meno visibili di un’ondata di licenziamenti, perché non compaiono immediatamente nelle statistiche sulla disoccupazione. Ma possono cambiare in profondità il funzionamento del mercato del lavoro.
Su questi aggiustamenti meno visibili arriva un nuovo studio ha ora provato a fare luce in modo sistematico. Le imprese non pagavano meno i lavoratori nelle professioni esposte, semplicemente ne assumevano meno. Lo studio The Wage Effects of Generative AI, cambia il quadro e aggiunge due cose che prima non si vedevano. La prima: un aggiustamento sui salari, adesso, c’è. La seconda, più profonda e quasi assente dal dibattito pubblico, sotto ai salari si muove anche il potere di fissarli, e i risultati indicano che si sta spostando verso le imprese, questa è la novità.
AI e salari: cosa rileva il nuovo studio
Lo studio riguarda gli Stati Uniti e si concentra sui servizi ad alta intensità di conoscenza. Usa il rilascio pubblico di ChatGPT, il 30 novembre 2022, come spartiacque temporale e confronta l’evoluzione di occupazioni con diverso grado di esposizione alla GenAI. L’esposizione è misurata con un indice costruito sui compiti che i modelli possono svolgere o accelerare: indica quindi la suscettibilità potenziale di un’occupazione alla tecnologia, non quanto ogni singola impresa la abbia effettivamente adottata. Dove le ricerche precedenti guardavano soprattutto alle buste paga per contare le teste, qui si guardano anche i salari e i movimenti tra imprese, incrociando le statistiche ufficiali del Bureau of Labor Statistics con i dati di Revelio Labs, che ricostruisce annunci di lavoro e percorsi professionali individuali.
Il risultato principale è che nelle professioni più esposte all’AI i salari scendono, senza che l’occupazione mostri un calo rilevabile. Passando da un’occupazione collocata al decimo percentile di esposizione a una al novantesimo, la retribuzione oraria mediana nei dati ufficiali risulta inferiore del 4,9%; nei dati Revelio la differenza sale all’8,71% sui salari indicati negli annunci e al 10,76% su quelli iniziali dei nuovi assunti. È importante leggere bene queste cifre, sono stime relative, misurano cioè la distanza tra lavori molto esposti e lavori poco esposti, non la perdita di stipendio del singolo che comincia a usare ChatGPT. Ma dicono una cosa che prima non si vedeva, l’aggiustamento non passa più soltanto dal numero degli assunti.
Effetto dell’esposizione alla GenAI sui salari iniziali. Dopo il 2022, nelle posizioni maggiormente esposte alla GenAI il differenziale salariale diventa progressivamente più negativo. L’area ombreggiata rappresenta l’intervallo di confidenza al 95%. Fonte: Azar, Giné, Sanz-Espín (2026), dati Revelio.
Vale la pena affiancare a questo dato il segnale sulle quantità, che nel frattempo non solo non si è spento ma si è rafforzato, ed è oggi tra i più aggiornati disponibili. A seguirlo è il Canaries Dashboard dello Stanford Digital Economy Lab, costruito insieme ad ADP Research a partire dai dati amministrativi delle buste paga: tra 3,5 e 5 milioni di lavoratori al mese nell’analisi aggiornata, distribuiti su oltre 730 professioni, con aggiornamento mensile. Non un sondaggio né una fotografia scattata con mesi di ritardo, ma una lettura quasi in tempo reale di come si muove l’occupazione. La versione rivista del lavoro di Erik Brynjolfsson, Bharat Chandar e Ruyu Chen, pubblicata ad agosto 2026 con dati fino a giugno, è la rilevazione più recente disponibile sul tema.
Il quadro che restituisce è netto: nessuna distruzione diffusa di posti, ma un divario che continua ad allargarsi proprio dove ci si aspetterebbe. Nella versione aggiornata, l’occupazione dei 22-25enni nelle professioni più esposte risulta circa il 19% più bassa rispetto a quella dei coetanei nei mestieri meno esposti; calcolato con lo stesso criterio descrittivo, il divario era circa il 15% nei dati di luglio 2025. Il segnale non si è quindi riassorbito. Regge inoltre escludendo il settore tech e controllando per il rialzo dei tassi e per il lavoro da remoto. Gli stessi autori, però, precisano che si tratta di un’evidenza descrittiva e non di una prova causale definitiva dell’effetto dell’AI. Resta, per sua natura, un segnale sulle quantità: quante persone vengono assunte. Ciò che il nuovo studio di Azar e colleghi aggiunge è la dimensione che a questo termometro sfugge: non quante se ne assumono, ma a quanto, e con quanto potere di contrattazione ai due lati del tavolo.
AI e lavoro d’ingresso: la scala spezzata
Per capire perché il peso di questi aggiustamenti ricada dove ricade, conviene adottare un modo di leggerli che tenga insieme i pezzi e che abbiamo chiamato scala spezzata. L’idea è che l’effetto più profondo dell’AI sul lavoro della conoscenza non sia necessariamente la distruzione dei posti d’ingresso, ma la rottura del percorso che da quei posti portava alla competenza esperta.
Il meccanismo ha tre componenti che si alimentano a vicenda. La prima: i ruoli d’ingresso si assottigliano, perché l’AI potenzia il professionista già formato e, nel farlo, rende superfluo il lavoro preparatorio, la prima bozza, la raccolta di informazioni, l’analisi di partenza, il codice più standardizzato, che era, allo stesso tempo, apprendistato. La seconda: si interrompe la trasmissione delle competenze, perché è attraversando proprio quei compiti che si accumulava la conoscenza tacita, il giudizio, le scorciatoie, l’esperienza, che nessun corso riesce a mettere per iscritto. La terza: tutto questo è in larga parte invisibile alle statistiche, perché un posto che non viene creato non compare in nessuna metrica sulla disoccupazione. In sintesi: non spariscono i lavori, spariscono i gradini.
Il gradino d’ingresso sotto pressione
C’è un dettaglio del paper di Azar e colleghi che merita di essere isolato, perché dice con precisione dove il peso ricade. Il calo salariale non è distribuito in modo uniforme lungo la gerarchia: è massimo alla base. Le posizioni junior registrano entro il 2026 riduzioni intorno al 7,5%, quelle intermedie circa il 3,2%, mentre per quelle senior l’effetto stimato, circa l’1,8%, non è statisticamente significativo.
Effetto dell’esposizione alla GenAI sui salari per livello di seniority. Il grafico mostra l’andamento del salario iniziale reale delle nuove posizioni, distinguendo tra ruoli junior, intermedi e senior e prendendo il 2022 come anno di riferimento. Dopo il rilascio di ChatGPT, il differenziale salariale associato a una maggiore esposizione alla GenAI diventa progressivamente più negativo soprattutto nelle posizioni junior; è più contenuto nei ruoli intermedi e non risulta statisticamente significativo per i senior nel 2026. Le stime controllano per caratteristiche dell’impresa, del mercato del lavoro locale e per la predisposizione delle occupazioni al lavoro da remoto. Le aree ombreggiate indicano gli intervalli di confidenza al 95%.
Fonte: Azar, Giné, Sanz-Espín, The Wage Effects of Generative AI, 2026, dati Revelio.
Va tenuto fermo un punto che è facile fraintendere: junior non vuol dire giovane. Gli autori trovano i cali maggiori nelle posizioni a bassa anzianità di ruolo anche confrontando lavoratori della stessa età, over-40 compresi. A pesare non è l’anagrafe, ma il posto occupato nell’organizzazione; e il ruolo d’ingresso, in quasi tutte le professioni della conoscenza, è fatto delle stesse attività su cui i modelli sono diventati rapidamente competenti. Il primo gradino della scala è quello colpito, non solo perché è meno capiente, ma anche perché vale di meno per chi ci sta sopra, a qualsiasi età.
AI e potere salariale: il nodo del monopsonio
Fin qui restiamo dentro una cornice familiare: l’automazione riduce la domanda di certe mansioni e il prezzo si adegua. Ma il paper contiene un risultato che va oltre, ed è quello meno presente nel dibattito pubblico. Non riguarda i compiti: riguarda il potere di contrattazione.
Conviene spiegarlo senza darlo per scontato. In un mercato del lavoro concorrenziale, un’impresa che paga poco perde lavoratori, che se ne vanno dove sono pagati meglio. Quanto questo accada si misura con quella che gli economisti chiamano elasticità delle separazioni rispetto al salario. In parole semplici, quanto è probabile che un lavoratore lasci l’azienda al variare della paga. La capacità di fissare salari al di sotto del livello che prevarrebbe con una piena concorrenza tra datori di lavoro, perché le alternative dei lavoratori scarseggiano, è ciò che in economia si chiama monopsonio: l’equivalente del monopolio, ma dal lato di chi compra lavoro anziché di chi vende un prodotto.
Il risultato di Azar, Giné e Sanz-Espín è che nelle occupazioni più esposte all’AI quella sensibilità cala. Tradotto: in quei mestieri le imprese hanno più margine nel fissare la paga senza indurre i lavoratori ad andarsene, perché le alternative esterne diventano più scarse.
Elasticità delle separazioni lungo la distribuzione dell’esposizione alla GenAI. Il grafico confronta, prima e dopo ChatGPT, quanto la probabilità che un lavoratore lasci l’impresa reagisca alle variazioni salariali nei diversi livelli di esposizione alla GenAI. Dopo il 2022, soprattutto nelle occupazioni più esposte, le separazioni diventano meno sensibili al salario: in altre parole, una variazione della paga incide meno sulla probabilità che il lavoratore lasci l’azienda. È un segnale coerente con un indebolimento delle opportunità esterne e con un maggiore margine delle imprese nella fissazione dei salari. Le barre verticali indicano gli intervalli di confidenza al 95%.
Fonte: Azar, Giné, Sanz-Espín, The Wage Effects of Generative AI, 2026, dati Revelio.
Il paper lo documenta in modo diretto: passando dal decimo al novantesimo percentile di esposizione, le transizioni dirette da un lavoro all’altro diminuiscono di 2,8 punti percentuali, pari al 28,8% del loro livello medio precedente a ChatGPT, mentre non aumenta in modo statisticamente significativo il passaggio verso una non-occupazione persistente. Meno vie d’uscita, dunque, non necessariamente più espulsioni dal lavoro. Poiché cambiare azienda è storicamente uno dei principali modi con cui un lavoratore ottiene un aumento, meno porte aperte significano meno leva per chi lavora e più margine per chi assume. Gli autori provano anche a tradurre questa minore sensibilità in una misura del potere di fissazione salariale: applicando un modello standard di monopsonio, nel gruppo a maggiore esposizione il markdown salariale implicito passa dal 9,7% prima di ChatGPT al 17% dopo, un aumento relativo del 75,1%. È una calibrazione teorica, precisano gli stessi autori, non una misura diretta della distanza tra produttività del lavoratore e salario.
Il punto delicato, che il paper tratta con cura, è che tutto questo può avvenire senza che il mercato diventi più concentrato. Non serve che nascano nuovi colossi o si riducano i concorrenti. Se nelle occupazioni più esposte diminuiscono le occasioni di cambiare azienda, si riducono anche le alternative dei lavoratori e aumenta lo spazio entro cui le imprese possono fissare i salari senza provocare uscite. Gli autori precisano che i loro risultati non identificano un unico meccanismo: il fenomeno potrebbe riflettere una minore domanda relativa per alcuni compiti, una maggiore selettività delle imprese o una maggiore difficoltà dei lavoratori a spostarsi verso attività meno esposte. Il dato comune è il deterioramento delle opportunità esterne, e con esso uno spostamento del potere contrattuale verso le imprese.
Gli stessi autori si spingono a formulare un’ipotesi di lungo periodo. Per decenni il progresso tecnologico ha premiato il lavoro qualificato e istruito, alzandone la retribuzione rispetto al lavoro meno qualificato, un fenomeno ben noto agli economisti. La GenAI, rendendo abbondante proprio ciò che il lavoro qualificato d’ingresso sapeva fare, cioè elaborare informazione codificata, potrebbe comprimere quel premio invece di ampliarlo, invertendo una tendenza che durava da una generazione. È un’ipotesi, e come tale va trattata. Ma ha il pregio di spostare la domanda dal quanti posti spariscono al come si redistribuisce il valore che il lavoro continua a produrre.
Competenze AI e salari: perché riqualificarsi non basta
Resta la reazione più istintiva a tutto questo, se il problema è l’AI, la soluzione è imparare a usarla. I lavoratori si riqualifichino, acquisiscano competenze di intelligenza artificiale e il gradino tornerà a reggere. Il paper offre su questo un dato che sembra contraddittorio e non lo è, e che vale la pena guardare da vicino perché completa il quadro.
Le competenze GenAI e il valore del ruolo
Sul piano individuale, chi dichiara competenze di GenAI nei propri profili professionali mostra un premio condizionale sul salario iniziale di circa l’8-9%. Sul piano aggregato, però, nei segmenti occupazionali in cui quelle competenze sono più diffuse i salari d’ingresso risultano più bassi. I due fatti possono convivere perché misurano cose diverse: il primo è un differenziale tra lavoratori, il secondo riguarda la struttura salariale del segmento in cui lavorano. Una possibile lettura è che la competenza GenAI continui a premiare chi la possiede relativamente agli altri, mentre la sua diffusione accompagna una svalutazione economica di alcune attività. Il paper, però, non dimostra causalmente questo secondo passaggio: le skill sono autodichiarate e possono riflettere selezione, mobilità o cambiamenti nell’assegnazione dei compiti.
Riqualificarsi, insomma, può aiutare il singolo a posizionarsi meglio rispetto agli altri, ma non basta a dimostrare che il valore economico del ruolo sia protetto quando la capacità diventa comune. È la stessa distinzione, tra prodotto e processo, che sta al cuore della scala spezzata: il lavoro d’ingresso svolto con l’AI può produrre un buon risultato finale senza necessariamente costruire, nello stesso modo, la competenza che prima si formava attraversando quei compiti. Possedere lo strumento può pagare il singolo senza risolvere il problema del valore e della funzione formativa del ruolo. «Basta riqualificarsi» non è quindi una risposta inutile; rischia però di scambiare una strategia di posizionamento individuale per una soluzione di sistema.
AI e lavoro: una redistribuzione diseguale
Il quadro che ne esce non contraddice la rassicurazione di partenza, la completa dal lato che restava in ombra. L’occupazione complessiva tiene, ma sotto la superficie i dati mostrano già un’impronta precisa nelle professioni più esposte: salari più deboli, mobilità più rigida, minori opportunità esterne e un maggiore margine di fissazione salariale per le imprese. Il gradino d’ingresso si stringe e insieme si svaluta. Forse questa è la prima trasformazione del lavoro associata alla diffusione dell’intelligenza artificiale che riusciamo a misurare con una certa chiarezza: non un evento clamoroso, ma una redistribuzione silenziosa che tocca il prezzo del lavoro e la sua contrattazione prima ancora del numero dei posti.
Soprattutto una redistribuzione diseguale. La linea di frattura, per ora, non passa tra chi ha un lavoro e chi non ce l’ha. Passa dentro le organizzazioni, tra i ruoli fatti di conoscenza codificata, che il modello rende abbondante e quindi meno preziosa, e quelli protetti dalla conoscenza tacita, tra chi è già in alto sulla scala e chi ci sta salendo e trova il primo piolo più stretto, più economico e con meno appigli per risalire. Il dopo annunciato dall’AI non arriva tutto insieme, e non arriva per tutti allo stesso modo, è già iniziato e si sta distribuendo in modo diseguale.
Come si sia arrivati a spezzare quei gradini, perché l’apprendistato coincida proprio con i compiti in cui l’AI è diventata più brava, e cosa stiano provando le organizzazioni che hanno scelto di ricostruirlo, dai grandi studi di progettazione che fanno lavorare i giovani senza software prima di concederglielo alle università che li rimandano in azienda a metà corso, è il filo che abbiamo seguito in altri interventi su questa testata. Questo studio vi aggiunge il capitolo che finora mancava: quei gradini non si limitano a diradarsi, hanno ora anche un prezzo, un prezzo che per i lavoratori è sempre più caro.
Per le imprese, la questione non è più soltanto quanta produttività l’AI può aggiungere, è se, assottigliando e svalutando il gradino d’ingresso, non stiano intaccando la catena con cui hanno sempre prodotto le competenze che non si comprano sul mercato. Un’economia che perde posti ha bisogno di ammortizzatori. Un’economia che perde gradini e che scopre di pagarli meno mentre chi li offre ne fissa il prezzo con più forza, ha bisogno di qualcosa di più profondo: ricostruire le scale professionali prima che la struttura della mobilità si comprima, in silenzio, un piolo alla volta.
Partecipa alla community