Uno studio di Harvard e MIT su oltre 4.000 lavoratori statunitensi misura quanta conoscenza utile al lavoro resta fuori dai sistemi aziendali e costruisce un modello per capire che cosa accade quando quella conoscenza viene usata per addestrare l’AI. Il punto non è soltanto quali attività possano essere automatizzate, ma chi controlla l’esperienza accumulata dalle persone e come cambia il loro potere contrattuale.
Per capire come l’intelligenza artificiale può cambiare il lavoro non basta chiedersi quali attività un modello sia tecnicamente in grado di svolgere. Prima viene un’altra domanda: di quali informazioni ha bisogno l’AI per svolgere davvero quel lavoro dentro una specifica organizzazione?
Una parte della risposta è nei manuali, nelle procedure, nei database, nei software e nei documenti aziendali. Ma una parte importante resta nelle persone: nella conoscenza dei clienti e dei colleghi, nella capacità di gestire le eccezioni, nei criteri usati per decidere quando una regola non basta, nell’esperienza accumulata facendo quel mestiere.
È questo il punto di partenza di Labor as Capital: AI and the Ownership of Expertise https://www.hbs.edu/faculty/Pages/item.aspx?num=68816, di Zoë Cullen (Harvard), Danielle Li (MIT) e Shengwu Li (Harvard). La versione del paper esaminata qui è datata 23 luglio 2026, la prima versione risale al 12 agosto 2025. Si tratta di un working paper, quindi di una ricerca ancora suscettibile di revisioni.
La tesi centrale è semplice da formulare. Tradizionalmente, una parte dell’expertise rimane incorporata nel lavoratore: l’impresa ne beneficia finché quella persona lavora per l’organizzazione, ma non possiede integralmente ciò che sa. Oggi, invece, molte attività lasciano tracce digitali, documenti, codice, conversazioni, registrazioni, log, output, che possono essere utilizzate per addestrare sistemi AI. In questo passaggio, scrivono gli autori, la conoscenza può trasformarsi da lavoro che l’impresa affitta a capitale che l’impresa può riutilizzare.
Indice degli argomenti
AI e conoscenza del lavoro: cosa misura lo studio
Per leggere correttamente lo studio occorre distinguere con precisione la parte empirica dalla parte teorica. La ricerca empirica misura ciò che i lavoratori dichiarano di sapere, ciò che ritengono già catturato dall’impresa e quanto controllo pensano di avere sulla condivisione della propria conoscenza. Non osserva direttamente migliaia di lavoratori che nascondono informazioni per paura dell’AI.
Su queste evidenze gli autori costruiscono poi un modello economico. È il modello, non il sondaggio, a mostrare che, in certe condizioni, un lavoratore può avere un incentivo razionale a condividere meno conoscenza se ritiene che quella conoscenza verrà usata per costruire un sistema capace di indebolire la sua posizione futura. Questa distinzione è essenziale: i numeri descrivono percezioni e differenze tra professioni. Le conseguenze su salari, incentivi e contrattazione sono risultati del modello.
Knowledge gap: la conoscenza del lavoro fuori dai sistemi
Gli autori intervistano 4.043 lavoratori full-time negli Stati Uniti, reclutati attraverso Prolific. Prolific è una piattaforma online usata soprattutto da università e centri di ricerca per reclutare partecipanti a studi, sondaggi ed esperimenti. Il campione è stratificato tra settori e successivamente ponderato per avvicinarsi alla distribuzione della forza lavoro statunitense per caratteristiche demografiche e grandi gruppi professionali.
Ai partecipanti viene chiesto di considerare in senso ampio ciò che il datore di lavoro possiede già sul loro lavoro: non solo documentazione ufficiale, manuali e materiali di formazione, ma anche comunicazioni, performance, output, registrazioni e altre forme di monitoraggio. Poi viene chiesto quale quota della loro conoscenza professionale resta, comunque, fuori da tutto questo.
La risposta media è circa il 40%. In altri termini, secondo gli intervistati, una parte consistente di ciò che serve per svolgere bene il loro lavoro non è ancora formalizzata né catturata dai sistemi dell’impresa. Le aree citate più spesso riguardano situazioni insolite, persone e processi interni, capacità di giudizio e competenze maturate con l’esperienza.
Figura 1 — Il knowledge gap dichiarato dai lavoratori varia tra professioni. Il grafico distingue la quota di conoscenza non documentata e il divario di performance di un possibile sostituto. Fonte: Cullen, Li, Li, Labor as Capital: AI and the Ownership of Expertise, draft 23 luglio 2026, Fig. 1.
Il divario di performance di un possibile sostituto
Per rendere il concetto meno astratto, gli autori pongono anche una seconda domanda. Immaginiamo una persona con istruzione, abilità ed esperienza simili a quelle del lavoratore intervistato, ma proveniente da un’altra impresa. Se questa persona potesse imparare il nuovo lavoro soltanto attraverso i documenti e i dati dell’azienda, quanto bene riuscirebbe a svolgerlo?
Secondo le risposte, il sostituto arriverebbe in media a meno della metà della performance del lavoratore che già occupa quel ruolo. Anche questo è un dato auto-dichiarato, non una prova sperimentale della produttività effettiva di un sostituto. Ma rende visibile il fenomeno che il paper vuole isolare: il lavoro reale contiene una componente di conoscenza che non coincide con la sua descrizione formale.
Knowledge gap e adozione dell’AI: perché non coincidono
Qui arriva una delle distinzioni più utili del lavoro. Molte ricerche sull’AI classificano le professioni in base alla loro esposizione: prendono le attività che compongono un mestiere e stimano quali potrebbero, almeno in teoria, essere automatizzate o accelerate da un modello. Questo dice qualcosa sulle capacità tecniche dell’AI, ma non dice se l’impresa possiede già le informazioni necessarie per applicarle davvero.
Il knowledge gap misura invece un’altra cosa: quanto della conoscenza necessaria a svolgere quel lavoro resta nelle persone e non è ancora disponibile all’organizzazione in forma utilizzabile. Due professioni possono quindi avere un’esposizione teorica simile all’AI e, nello stesso tempo, essere molto diverse per facilità di adozione concreta.
Dal potenziale tecnico all’uso effettivo
Gli autori provano poi a capire se questo divario di conoscenza possa contribuire a spiegare perché, in alcune professioni, l’AI venga utilizzata meno di quanto le sue capacità tecniche farebbero immaginare. Per farlo utilizzano un indicatore elaborato in un altro studio, il Missing AI Index, che confronta quanto l’AI potrebbe teoricamente essere usata nelle attività di una professione con quanto viene effettivamente utilizzata, sulla base delle conversazioni di lavoro osservate su Claude. Il risultato è che, nelle professioni in cui una quota maggiore della conoscenza resta nelle persone e non nei sistemi aziendali, tende a essere maggiore anche la distanza tra le possibilità teoriche dell’AI e il suo utilizzo reale. In altre parole, non basta che l’AI sappia tecnicamente svolgere un compito: l’impresa deve anche riuscire a fornirle la conoscenza e il contesto necessari per farlo davvero. La relazione è piuttosto marcata — l’associazione stimata è 0,58 in termini standardizzati — ma gli stessi autori precisano che si tratta di una correlazione tra un numero limitato di gruppi professionali e non della prova che sia il knowledge gap a causare la minore adozione dell’AI.
Figura 2 — Nelle professioni con un knowledge gap più elevato tende a essere maggiore anche la distanza tra uso teoricamente possibile e uso effettivamente osservato dell’AI. Fonte: Cullen, Li, Li, Labor as Capital: AI and the Ownership of Expertise, Fig. 4. Correlazione descrittiva, non prova causale.
Il passaggio è importante perché aiuta a spiegare un equivoco frequente: dire che un modello è tecnicamente capace di svolgere un’attività non significa che un’organizzazione sia già in grado di affidargliela. Tra capability e deployment c’è il problema del contesto. E una parte di quel contesto è conoscenza che appartiene ancora alle persone.
Il valore del knowledge gap per addestrare l’AI
Se il knowledge gap fosse davvero uno dei colli di bottiglia dell’adozione, dovremmo vedere le imprese cercare proprio quella conoscenza. Gli autori provano a verificarlo osservando Mercor, una piattaforma che nel paper viene utilizzata come esempio di mercato nel quale sviluppatori di AI reclutano professionisti per produrre dati di training specialistici.
Tra gennaio e luglio 2026 il paper registra offerte in numerosi ambiti, tra gli altri diritto, medicina, finanza, consulenza, ingegneria, istruzione e professioni tecniche, e trova che i gruppi professionali con un maggiore divario di conoscenza dichiarato tendono ad avere anche più assunzioni di esperti destinate alla codifica di quella competenza. Si tratta di una relazione osservazionale, ma è coerente con l’idea di fondo: dove la conoscenza è meno formalizzata, c’è più valore nel comprarla o nel trasformarla in dati utilizzabili dai sistemi.
Knowledge gap e lavoratori: quanto sapere può essere condiviso
Il paper non tratta il knowledge gap come una caratteristica immutabile del mestiere. Chiede ai lavoratori se, concretamente, possano fare qualcosa per lasciare più o meno conoscenza all’organizzazione. Il 90% indica almeno un’azione che potrebbe ridurre i dati raccolti sul proprio lavoro, il 96% almeno un’azione che potrebbe aumentarli.
Le azioni citate non richiedono necessariamente comportamenti estremi. Per esempio, il 71% ritiene di poter spostare parte delle comunicazioni fuori dai canali registrati e quasi la metà di poter produrre documentazione meno dettagliata. Al contrario, molti dichiarano di poter documentare meglio le attività o rendere più esplicito il ragionamento che guida le decisioni.
Gli autori chiedono poi che cosa accadrebbe, secondo i lavoratori, alla capacità di un possibile sostituto in tre scenari. Nel caso di base, in cui il sostituto può usare soltanto la documentazione già disponibile, il gap di performance è circa 45 punti. Se il lavoratore facesse tutto ciò che ritiene possibile per ridurre la quantità di informazioni lasciate all’impresa, il gap salirebbe a circa 54. Se invece collaborasse attivamente alla produzione di nuova documentazione, scenderebbe a circa 21.
Figura 3 — Secondo gli intervistati, trattenere o aggiungere conoscenza può modificare in modo rilevante la capacità di un sostituto di svolgere il loro lavoro. Fonte: Cullen, Li, Li, Labor as Capital: AI and the Ownership of Expertise, Fig. 7. I valori riflettono le stime dei lavoratori intervistati.
Questo dato non va letto come prova che i lavoratori stiano già sabotando i sistemi di AI o trattenendo sistematicamente informazioni. Dice qualcosa di diverso: molti ritengono di possedere ancora un margine di controllo su quanto del proprio sapere diventi osservabile, documentabile e quindi potenzialmente utilizzabile per addestrare l’AI.
Insegnare all’AI e potere contrattuale dei lavoratori
A questo punto entra in gioco il modello economico. Gli autori immaginano due periodi. Nel primo, il lavoratore svolge il proprio lavoro e, nel farlo, produce anche conoscenza che può essere registrata. Tra il primo e il secondo periodo, quei dati vengono utilizzati per migliorare un sistema AI. Nel secondo periodo, impresa e lavoratore devono nuovamente negoziare.
Quando l’AI cambia la negoziazione
Il nodo è il seguente: più l’AI ha imparato, più forte può diventare l’alternativa dell’impresa nel caso in cui l’accordo con il lavoratore non venga raggiunto. Nel modello, l’AI può replicare una parte della sua expertise oppure permettere a un lavoratore meno qualificato di produrre di più. Di conseguenza, la conoscenza trasferita oggi può ridurre domani il valore della presenza indispensabile di chi l’ha prodotta.
Se il lavoratore anticipa questo effetto, può avere un incentivo a non trasferire tutta la propria conoscenza. Non per una generica ostilità alla tecnologia, ma per proteggere il proprio potere contrattuale futuro. È qui che lo studio sposta il problema della cosiddetta resistenza al cambiamento: in alcune condizioni, condividere meno può diventare una risposta economicamente razionale a un sistema di incentivi mal progettato.
Un possibile fallimento di coordinamento
Nel modello questa strategia ha però un costo per tutti. L’impresa ottiene meno conoscenza, l’AI migliora meno, la produttività cresce meno e il lavoratore sostiene il costo di trattenere informazioni che, in assenza di quel conflitto di interessi, avrebbe potuto condividere. Il paper descrive quindi un possibile fallimento di coordinamento: l’organizzazione ha bisogno della collaborazione delle persone per costruire un’AI migliore, ma può contemporaneamente creare le condizioni che rendono quella collaborazione meno conveniente.
Dati di lavoro e AI: a chi appartiene la conoscenza
Da questa tensione deriva la parte più delicata del paper: la governance dei dati di lavoro. Nel contesto giuridico statunitense assunto dagli autori, l’impresa gode in molti casi di ampi diritti sul prodotto del lavoro e sui dati raccolti attraverso i propri sistemi. Il paper confronta allora tre possibilità: limitare l’uso dei dati di lavoro per l’AI, attribuire diritti individuali al singolo lavoratore oppure negoziare collettivamente l’uso dei dati.
Le preferenze dei lavoratori
In un sottocampione casuale di 200 intervistati, gli autori presentano queste opzioni come scenari ipotetici e chiedono se sarebbero gradite. L’opzione più sostenuta è il controllo individuale: il 62,8% dichiara di apprezzare una soluzione in cui il singolo può decidere se i propri dati siano usati per addestrare l’AI e può negoziarne la vendita. Il 57,7% sostiene restrizioni sull’uso dei dati raccolti passivamente, mentre il 46,7% sostiene la proprietà collettiva.
Figura 4 — Le preferenze dichiarate nel sottocampione di 200 lavoratori: la proprietà individuale dei dati è l’opzione con il sostegno più elevato. Fonte: Cullen, Li, Li, Labor as Capital: AI and the Ownership of Expertise, Fig. 10. Sottocampione N=200.
Dati di lavoro, AI e limiti del controllo individuale
La conclusione teorica più controintuitiva riguarda proprio l’opzione preferita dai lavoratori. Se ciascuno può negoziare individualmente la vendita dei propri dati, scompare l’incentivo a nascondere conoscenza: il lavoratore può essere pagato per trasferirla. Ma il problema non è risolto completamente.
L’esternalità di competizione
La ragione è che la conoscenza di una persona può aumentare la capacità dell’AI di sostituire o indebolire contrattualmente anche altre persone. Se io vendo i miei dati e contribuisco a migliorare il sistema, non modifico soltanto la mia relazione con l’impresa: posso migliorare anche l’alternativa dell’impresa rispetto ai miei colleghi. Gli autori chiamano questo effetto una esternalità di competizione.
Nel modello, quando le conoscenze dei lavoratori sono facilmente sostituibili tra loro, questa esternalità può essere abbastanza forte da far sì che i lavoratori non catturino i guadagni di produttività generati dall’AI. In alcune configurazioni teoriche possono persino stare peggio rispetto a uno scenario senza AI, pur disponendo formalmente del diritto individuale sui propri dati.
La proprietà collettiva ottiene risultati migliori nel modello perché impedisce che la vendita della conoscenza di un singolo rafforzi unilateralmente il potere dell’impresa contro gli altri. Ma è importante non trasformare questo risultato in una prescrizione automatica per il mondo reale: gli stessi autori riconoscono problemi di implementazione, possibili conflitti sulla distribuzione del valore e difficoltà giuridiche nel separare nettamente la conoscenza del lavoratore dai dati prodotti usando strumenti e proprietà intellettuale dell’impresa.
Knowledge gap e AI: che cosa aggiunge lo studio
L’idea che l’AI utilizzi dati e conoscenza prodotti dagli esseri umani non è nuova. Neppure il problema della proprietà dei dati di lavoro nasce con questo paper. Il contributo interessante sta nel mettere insieme tre elementi che spesso vengono analizzati separatamente.
Primo: prova a misurare il knowledge gap, cioè la distanza tra ciò che serve per fare bene un lavoro e ciò che l’organizzazione ha già catturato. Secondo: collega questa distanza alla differenza tra capacità teoriche dell’AI e adozione effettiva. Terzo: mostra, attraverso un modello, come la trasformazione della conoscenza individuale in un asset riutilizzabile dall’impresa possa modificare gli incentivi a condividerla e, di conseguenza, il potere contrattuale.
Questo sposta il dibattito. La domanda non è più soltanto quali lavori può fare l’AI?. Diventa anche come acquisisce la conoscenza necessaria per farli? e, subito dopo, chi controlla il valore creato quando quella conoscenza viene separata dalla persona che l’ha maturata?
AI e lavoro: quando l’expertise diventa capitale
Finché una competenza rimane tacita e incorporata nella persona, l’impresa deve continuare ad accedere a quella persona per utilizzarla. Quando la stessa competenza può essere osservata, codificata e trasferita a un sistema, cambia la natura economica del rapporto. L’expertise non scompare necessariamente, ma può diventare più replicabile e meno legata al singolo lavoratore.
È questo il significato più importante del titolo Labor as Capital. Non significa che tutta la conoscenza dei lavoratori diventerà automaticamente proprietà delle imprese, né che l’AI riuscirà a catturare integralmente il sapere tacito. Il paper mostra piuttosto una direzione possibile: una tecnologia capace di trasformare le tracce del lavoro in capacità riutilizzabili modifica il confine tra capitale umano e capitale organizzativo.
Per questo, discutere di AI e lavoro soltanto in termini di sostituzione occupazionale rischia di arrivare tardi. Prima ancora che un posto venga eliminato, può cambiare il modo in cui la conoscenza viene prodotta, trasferita, posseduta e valorizzata.
La domanda finale, allora, non è soltanto che cosa l’AI potrà fare al posto nostro è anche a chi apparterrà ciò che l’AI avrà imparato da noi?
Partecipa alla community