La narrativa è potente: l’intelligenza artificiale generativa starebbe iniziando a divorare il lavoro d’ufficio.
Prima i programmatori, poi gli analisti, poi i consulenti, i giornalisti, gli operatori di customer care, i junior delle professioni legali e amministrative. Ogni licenziamento nel tech viene letto come anticipazione di una crisi generale del lavoro cognitivo.
Ma i dati disponibili non dicono questo. O almeno: non ancora.
Sì: c’è poca evidenza che l’AI abbia già avuto un impatto su larga scala nel mercato del lavoro statunitense. Il solo dove i dati (e l’AI generativa) sono abbastanza maturi per trarre una qualche conclusione.
Due chiarimenti sono necessari, in premessa.
Attenzione: non stiamo dicendo che non ci siano licenziamenti o riduzione di lavoro/compensi a causa dell’AI, in senso assoluto. A livello aneddotico e nelle analisi degli annunci di lavoro in effetti un impatto c’è: ai danni di programmatori e addetti al customer service junior e dei creativi, ad esempio. Queste storie sono vere. Il punto è che potrebbero restare limitate e forse destinate a non “fare statistica” mai. Nessuna apocalisse del lavoro, insomma, come quella evocata da Dario Amodei di Anthropic, al momento (ma oggi Sam Altman di OpenAI pure smentisce rischio “apocalisse” e dice che la parte umana del lavoro resterà “insostituibile”).
Altro chiarimento. Non stiamo dicendo che gli Stati e i lavoratori dovrebbero starsene tranquilli. Il tema AI e lavoro è in realtà da affrontare con urgenza: ne va della competitività di persone e sistemi economici. E del benessere collettivo.
Ora vediamo i dati.
Indice degli argomenti
I dati su AI e lavoro
Secondo i dati USA ufficiali sul lavoro (del Governo), la disoccupazione nelle occupazioni potenzialmente più esposte all’AI non appare più alta di quella nelle occupazioni meno esposte. Anzi, alcune analisi mostrano che i lavoratori più esposti all’AI continuano, in media, ad avere salari più alti, maggiore istruzione e tassi di disoccupazione più bassi rispetto ai lavoratori meno esposti.
Questo non significa che l’AI non stia cambiando il lavoro. Significa che il cambiamento non assomiglia, per ora, alla sostituzione improvvisa e generalizzata immaginata da molte previsioni. Assomiglia piuttosto a una trasformazione selettiva: più lenta nei dati macro, più visibile nei punti di ingresso del mercato del lavoro, nelle funzioni ripetitive e nei lavori dove l’esperienza tacita conta meno della conoscenza codificata.
Il primo dato: nei lavori più esposti non si vede ancora un’ondata di disoccupazione
Una delle fonti centrali è l’analisi dell’Economic Innovation Group, “AI and Jobs: The Final Word (Until the Next One)”. EIG confronta gruppi di occupazioni in base all’esposizione all’AI e verifica se, dopo l’arrivo di ChatGPT, si siano prodotti segnali coerenti con una distruzione occupazionale.
La risposta è negativa. Tra il 2022 e l’inizio del 2025, il tasso di disoccupazione è aumentato sia nei lavori più esposti sia in quelli meno esposti. Ma l’aumento è stato maggiore nei lavori meno esposti: +0,94 punti percentuali contro +0,30 punti percentuali per il quintile più esposto. È un dato importante perché va contro l’intuizione più diffusa: se l’AI stesse già eliminando massa critica di lavori cognitivi, ci si aspetterebbe una pressione molto più evidente proprio sulle occupazioni più esposte.
EIG guarda anche a un secondo possibile effetto: l’uscita dal mercato del lavoro. Anche qui non trova segnali forti. I lavoratori più esposti all’AI non stanno abbandonando il lavoro in misura anomala. Il Yale Budget Lab non trova inoltre segnali che grandi numeri di lavoratori stiano cambiando occupazione spostandosi verso lavori meno esposti.
Misurata con i principali indicatori del mercato del lavoro, la sostituzione occupazionale sistemica non è ancora visibile.
Il secondo dato: l’adozione aziendale è ancora più lenta della retorica
Un’altra informazione decisiva viene dai dati del Census Bureau statunitense nella Business Trends and Outlook Survey. Solo circa una impresa su cinque dichiara di usare AI in almeno una funzione aziendale.
Questo dato spiega molto. La disponibilità di una tecnologia non coincide con la sua adozione produttiva. E l’adozione produttiva non coincide ancora con la riorganizzazione completa del lavoro. Sono processi lunghissimi: con le precedenti innovazioni (dalla macchina al vapore, all’energia elettrica, ai computer) ci sono voluti decenni. E alla fine il risultato è stato un aumento della produttività e degli stipendi.
Perché l’AI produca effetti occupazionali ampi servono più passaggi: le imprese devono adottarla stabilmente; devono integrarla nei flussi di lavoro; devono fidarsi dell’output; devono modificare processi, ruoli e responsabilità; devono decidere se usare il guadagno di produttività per produrre di più, ridurre costi o assumere meno.
La tecnologia corre più veloce dell’organizzazione. È il motivo per cui la percezione soggettiva del cambiamento può essere molto più rapida della sua traccia nelle statistiche aggregate.
Il vero segnale non sono i licenziamenti: sono le assunzioni che rallentano
Il quadro cambia se invece della disoccupazione guardiamo alle assunzioni. Qui il segnale è più forte.
La St. Louis Fed descrive il mercato del lavoro recente come una situazione “low-fire, low-hire”: poche aziende licenziano in massa, ma molte assumono meno. È una distinzione cruciale. Un’impresa può non annunciare licenziamenti, ma bloccare il turnover. Può non tagliare un team, ma evitare di aggiungere junior. Può usare l’AI per assorbire domanda crescente senza aumentare l’organico. Può chiedere allo stesso gruppo di persone di produrre più output.
In questo scenario l’impatto dell’AI non appare come crisi occupazionale immediata. Appare come minore creazione di opportunità.
È più difficile da misurare, ma può essere socialmente molto rilevante. Perché un mercato che non licenzia ma non assume diventa un mercato chiuso: protegge chi è già dentro e penalizza chi deve entrare.
Giovani e neolaureati: il punto più debole della catena
Il tema più serio riguarda i giovani. La New York Fed registra per i recent college graduates un tasso di disoccupazione attorno al 5,7% nel primo trimestre 2026 e un tasso di sotto-occupazione pari al 41,5%. Il dato non prova da solo un effetto AI, ma segnala una difficoltà reale nella transizione università-lavoro.
Ma quanto pesa l’AI in questa difficoltà?
Le fonti suggeriscono prudenza, ma non negano il segnale. Anthropic, nel suo lavoro sui labor market impacts dell’AI, non trova un aumento significativo della disoccupazione nei lavori più esposti, ma registra una evidenza più debole e interessante: per i lavoratori tra 22 e 25 anni, l’ingresso in occupazioni ad alta esposizione AI sembra essersi ridotto. In particolare, Anthropic richiama studi secondo cui l’occupazione dei 22-25enni nelle professioni esposte sarebbe scesa tra il 6% e il 16%, con un effetto attribuibile soprattutto al rallentamento delle assunzioni più che all’aumento delle separazioni.
Nella stessa analisi, Anthropic osserva che i tassi di nuova occupazione dei giovani nelle professioni più esposte divergono nel 2024 rispetto a quelli nelle occupazioni meno esposte. La stima media post-ChatGPT indica un calo del 14% nel job finding rate dei giovani verso le occupazioni esposte, anche se la significatività statistica è appena sufficiente e gli autori invitano alla cautela.
Questo è il cuore della questione: l’AI potrebbe non stare licenziando i lavoratori esperti, ma potrebbe rendere più difficile il primo ingresso nelle occupazioni cognitive.
La rottura del modello “earn while you learn”
Per capire perché i giovani siano più esposti bisogna distinguere tra conoscenza codificata e conoscenza tacita.
Molte attività junior si basano su conoscenza codificata: scrivere una prima bozza, fare una ricerca, sintetizzare documenti, produrre codice standard, preparare un report, classificare ticket, costruire una presentazione, eseguire un’analisi preliminare. Sono attività che un modello generativo può imitare o accelerare con relativa efficacia.
I lavoratori esperti, invece, possiedono più conoscenza tacita: contesto, giudizio, responsabilità, esperienza di casi limite, capacità di capire cosa conta davvero, relazione con clienti e colleghi, lettura del rischio. La Dallas Fed richiama proprio il valore della conoscenza tacita e il modo in cui si forma lentamente attraverso attività che oggi diventano in parte automatizzabili.
Il paradosso è che le attività più automatizzabili sono proprio quelle che storicamente servivano ai junior per imparare. Erano compiti a valore limitato, ma ad alto valore formativo.
Se l’AI li comprime, il rischio non è solo perdere alcuni posti entry-level. È rompere il meccanismo con cui si costruiscono i professionisti senior del futuro.
E’ il problema della “scala rotta” che abbiamo trattato di recente.
Italia: nessun impatto negativo, nemmeno sui junior
Nel caso italiano, i dati dell’Osservatorio HR Innovation del Politecnico di Milano usciti a maggio mostrano che l’impatto negativo non c’è nemmeno sulle figure junior.
La diffusione è ormai ampia — il 44% dei lavoratori la usa, dodici punti in più rispetto all’anno precedente — ma resta soprattutto operativa: serve a risparmiare tempo (30-40 minuti al giorno), velocizzare compiti ripetitivi, produrre contenuti o recuperare informazioni.
Secondo Mariano Corso, i benefici di produttività sono ancora modesti e l’AI viene spesso usata come accessorio, non come leva di ridisegno dell’impresa. Il rischio principale, quindi, non è la perdita immediata di posti, ma il ritardo delle aziende nel governare la transizione: solo il 9% gestisce in modo strutturato il tempo risparmiato grazie all’AI e solo il 15% dichiara di avere competenze adeguate per far evolvere ruoli e professionalità.
Il punto più interessante, rispetto al confronto con gli Stati Uniti, riguarda appunto i profili junior.
La domanda di figure junior cresce nel 12% delle aziende italiane e cala solo nel 5%. Dunque, almeno allo stato attuale, il mercato italiano non mostra una riduzione dei ruoli junior legata all’AI.
Questo non significa che l’impatto sia nullo. Quasi metà delle imprese, il 49%, prevede di dover riallocare o riqualificare almeno il 5% della forza lavoro nel breve-medio periodo. Il cambiamento riguarda quindi soprattutto competenze, processi e organizzazione, più che livelli occupazionali.
Ne viene che molte imprese dovranno ripensare mansioni, formazione, percorsi di crescita e ruolo dei manager, ma non sembrano ancora pronte a farlo.
Coding: i posti non spariscono, ma la crescita rallenta
Il software è il laboratorio più avanzato di questa trasformazione. Secondo un paper di economisti della Federal Reserve Board la crescita annuale dell’occupazione nei lavori di coding è rallentata di circa il 3% dopo l’introduzione di ChatGPT.
Il dettaglio decisivo è che l’occupazione nei coding jobs continua comunque a crescere. Non siamo davanti alla scomparsa dei programmatori. Siamo davanti a una trasformazione della domanda.
Il codice ripetitivo e standardizzato perde valore relativo. Crescono invece architettura, integrazione, sicurezza, verifica, product thinking, capacità di lavorare su sistemi complessi e di controllare l’output generato dai modelli.
Questo ridisegna la carriera dello sviluppatore. Il junior che sa solo produrre codice standard è più fragile. Il profilo che combina competenza tecnica, dominio applicativo e capacità di orchestrare strumenti AI resta richiesto.
La stessa dinamica aiuta a spiegare il cambiamento nelle scelte universitarie: alcune fonti segnalano un raffreddamento dei computer science majors, ma un’analisi più ravvicinata dei dati su undergraduate computing enrollment mostra un quadro meno lineare. Cresce inoltre l’interesse per campi adiacenti come data science, cybersecurity e corsi specifici di artificial intelligence.
Papa Leone XIV e l’AI: il lavoro non è una variabile di efficienza
Il tema AI-lavoro trova una cornice esplicita anche nell’enciclica Magnifica humanitas di Leone XIV, che dedica una sezione alla “dignità del lavoro nel tempo della transizione digitale”.
Il Papa colloca l’intelligenza artificiale dentro la tradizione della dottrina sociale inaugurata dalla Rerum novarum: il lavoro non è un semplice strumento economico, ma una dimensione attraverso cui la persona sviluppa sé stessa, contribuisce al bene comune, costruisce relazioni e sostiene la propria famiglia.
Da qui nasce il criterio politico ed economico centrale: l’AI è desiderabile quando solleva l’uomo da compiti faticosi, ripetitivi o pericolosi e quando sostiene l’attività umana; diventa invece problematica quando costringe i lavoratori ad adattarsi ai ritmi delle macchine, produce dequalificazione, sorveglianza automatizzata, insicurezza e disuguaglianze.
In questa prospettiva, la protezione delle opportunità di lavoro e il ruolo insostituibile della persona devono restare la regola generale: la ricerca di maggiori profitti non può giustificare scelte che sacrificano sistematicamente l’occupazione, perché la persona è un fine e non un mezzo.
È un passaggio che si collega direttamente ai dati sul rallentamento delle assunzioni junior e sulla pressione sui lavori cognitivi più standardizzabili: il problema non è soltanto quanti posti saranno sostituiti, ma se la transizione digitale saprà preservare dignità, apprendimento, partecipazione sociale e accesso al lavoro per le nuove generazioni.
Le professioni più esposte: programmatori, customer service, analisti finanziari
Anthropic propone una misura utile perché non guarda solo alla “capacità teorica” degli LLM, ma all’uso osservato nei flussi reali della piattaforma Claude. La distinzione è importante: un compito può essere teoricamente eseguibile da un modello, ma non essere ancora adottato in contesti professionali per ragioni legali, tecniche, organizzative o di verifica umana.
Nel suo indicatore di observed exposure, Anthropic considera più esposta una professione quando i task sono teoricamente eseguibili da modelli linguistici, quei task compaiono in usi professionali reali, il modello viene usato in modalità almeno parzialmente automatizzata e i task impattati rappresentano una quota rilevante del lavoro complessivo.
Tra i profili più esposti compaiono computer programmers, customer service representatives e financial analysts. Non è un caso: sono lavori con una forte componente testuale, procedurale, documentale o analitica.
Ma anche qui il risultato empirico è prudente: Anthropic non trova un impatto misurabile sui tassi di disoccupazione dei lavoratori più esposti, mentre trova segnali più deboli ma rilevanti sul rallentamento delle assunzioni dei giovani.
Perché i salari nei lavori esposti possono anche salire
Un dato controintuitivo riguarda i salari. Alcune analisi, tra cui quelle richiamate dalla Dallas Fed, indicano che i salari nei settori più esposti all’AI sono cresciuti relativamente più velocemente dopo l’introduzione di ChatGPT.
Questo dato non smentisce l’impatto dell’AI. Lo qualifica.
Se le imprese continuano a pagare bene i lavoratori esposti, significa che non stanno semplicemente sostituendo il lavoro umano con software. Stanno ancora cercando competenze, esperienza e capacità di controllo che i modelli non forniscono da soli.
L’AI, almeno per ora, può aumentare il valore di chi sa usarla dentro un dominio professionale. Ma può ridurre il valore delle mansioni più standardizzate all’interno dello stesso dominio.
Questa è la polarizzazione più probabile: non tra lavori “salvi” e lavori “morti”, ma tra lavoratori che usano l’AI per aumentare il proprio valore e lavoratori le cui mansioni vengono assorbite da sistemi automatici.
Il limite dei dati: stiamo guardando una trasformazione ancora opaca
Jed Kolko, del Peterson Institute for International Economics, sintetizza bene il problema: la ricerca su AI e lavoro è ancora “nel primo inning”. Non siamo in grado di trarre conclusioni definitive, perché le metriche tradizionali del mercato del lavoro non catturano bene ciò che sta cambiando.
La disoccupazione è un indicatore troppo grossolano. Serve osservare hiring rate, job finding rate dei giovani, composizione dei task, transizioni occupazionali, salari per livello di esperienza, differenze tra uso automatizzante e uso aumentativo, adozione AI per funzione aziendale, produttività reale e impatto sui percorsi formativi interni alle imprese.
Il rischio, altrimenti, è accorgersi tardi della trasformazione. Nel caso del “China shock” ci vollero anni per capire pienamente l’impatto sui territori industriali negli USA. Con l’AI il perimetro potenziale è più ampio, perché riguarda molte occupazioni cognitive e non un singolo comparto manifatturiero.
Per l’Italia il problema è diverso dagli Stati Uniti
Trasferire meccanicamente i dati americani all’Italia sarebbe un errore. Ma sono utili comunque.
L’Italia ha una struttura produttiva dominata da PMI, una produttività stagnante, un mercato del lavoro con forte segmentazione generazionale e una capacità di investimento digitale disomogenea. Questo produce una doppia possibilità.
Da un lato, l’adozione dell’AI potrebbe essere più lenta rispetto agli Stati Uniti, come già segnalano i dati BEI e Istat.
Molte imprese non hanno ancora dati ordinati, competenze interne, processi digitalizzati o governance sufficiente per integrare davvero modelli generativi nei flussi produttivi.
Dall’altro lato, proprio perché l’Italia ha problemi cronici di produttività, l’AI potrebbe diventare una leva importante per recuperare efficienza in amministrazione, servizi professionali, manifattura avanzata, sanità, pubblica amministrazione e customer operations.
La sfida è capire dove l’AI può aumentare capacità produttiva senza distruggere percorsi di apprendimento, qualità del lavoro e responsabilità professionale.
Europa: AI Act, standard e governance non sono un dettaglio
Nel contesto europeo la transizione sarà condizionata anche dal quadro regolatorio. AI Act, GDPR, cybersecurity, responsabilità sui dati, proprietà intellettuale e gestione del rischio rendono meno plausibile un’adozione puramente selvaggia dell’AI nei processi sensibili (nonostante gli alleggerimenti del Digital Omnibus).
Questo può rallentare alcuni usi. Ma può anche evitare errori costosi e creare fiducia.
Per le imprese europee la sfida sarà trasformare compliance e standard in infrastruttura competitiva. Un’azienda che sa usare l’AI in modo verificabile, sicuro, documentato e coerente con le regole potrà automatizzare più processi senza moltiplicare il rischio.
L’alternativa è un uso frammentato: molti strumenti individuali, poca integrazione, poca misurazione, molte decisioni opache.
Cosa dovrebbero fare imprese e policy maker
Se la trasformazione è soprattutto “meno hiring” e non ancora “più licenziamenti”, le politiche devono cambiare bersaglio.
- Primo: misurare meglio. Le istituzioni statistiche devono guardare non solo alla disoccupazione, ma anche alle assunzioni mancate, alla qualità dell’ingresso, ai task automatizzati e ai differenziali per età ed esperienza.
- Secondo: proteggere i percorsi junior. Se l’AI automatizza le attività di apprendistato, le imprese devono progettare nuovi modi per far crescere competenze. Non basta assumere meno junior perché “l’AI fa il lavoro”. Così si risparmia oggi e si crea un buco di competenze domani.
- Terzo: distinguere automazione e augmentation. Non tutti gli usi dell’AI hanno lo stesso effetto. Un conto è sostituire un task con output automatico, un altro è aumentare la capacità del lavoratore umano. Le strategie aziendali dovrebbero misurare questa differenza.
- Quarto: sostenere le PMI. Senza infrastrutture dati, formazione e consulenza organizzativa, molte imprese rischiano di restare fuori dai guadagni di produttività o di adottare strumenti AI in modo superficiale.
Quinto: investire in dati pubblici. Come osserva il noto economista Erik Brynjolfsson, stiamo spendendo centinaia di miliardi per diffondere l’AI ma pochissimo per capire la transizione che produce. È una sproporzione pericolosa.
I dati oggi disponibili non confermano l’idea che l’AI abbia già provocato una crisi occupazionale generalizzata nei lavori white collar. Ma confermano che qualcosa si sta muovendo nei punti più vulnerabili del mercato: giovani, ruoli entry-level, coding, customer service, funzioni ripetitive e conoscenza codificata.
L’adozione dell’AI nelle aziende è importante, soprattutto in un mercato italiano che tende a resistere alle innovazioni; ma conta molto anche come la si adotta.
Il rischio principale non è un futuro improvvisamente senza lavoro. È un futuro in cui l’ingresso nel lavoro diventa più difficile, l’apprendimento professionale si indebolisce, i senior diventano molto più produttivi e una parte dei junior non trova più il gradino iniziale da cui partire.
Come dice Georgios Petropoulos, professore all’USC Marshall School of Business:
“Se l’intelligenza artificiale dovesse silenziosamente chiudere la porta ai tipici lavori iniziali, le persone ne pagherebbero il prezzo con un’indipendenza ritardata, la creazione di una famiglia rimandata e la sensazione che i loro primi seri sforzi professionali siano stati respinti”.
“È importante anche perché i lavori di livello base fanno parte del sistema di formazione dell’economia. Gli analisti junior imparano quali dati sono affidabili. I giovani sviluppatori di software imparano come falliscono i sistemi di produzione. I nuovi addetti al marketing imparano come si comportano i clienti al di fuori del linguaggio ordinato dei dashboard”.
“Il personale legale e finanziario all’inizio della carriera impara come interagiscono effettivamente regole, giudizio, scadenze e relazioni umane”.
“Se l’IA assorbe una parte maggiore delle attività di redazione, selezione, codifica, sintesi e preparazione amministrativa che un tempo contribuivano a formare i lavoratori entry-level, le aziende potrebbero diventare più efficienti nel breve periodo, mentre la società diventerebbe meno capace nel lungo periodo”.
Alla fine, tutto questo un sistema economico lo paga in termini comunque di competitività internazionale. Con un danno ulteriore poi di nuovo sulle fasce più vulnerabili della popolazione e un possibile peggioramento del benessere medio (come già si registra in Italia con la stagnazione dei salari reali).
Fonti principali
Stanford Digital Economy Lab, lavori su giovani lavoratori, task automatizzabili e AI exposure
MIT Technology Review, David Rotman, 26 maggio 2026, articolo di partenza sullo stato dei dati AI-lavoro
Economic Innovation Group, “AI and Jobs: The Final Word (Until the Next One)”
Yale Budget Lab, “Tracking the Impact of AI on the Labor Market”
US Census Bureau, Business Trends and Outlook Survey
New York Fed, “The Labor Market for Recent College Graduates”
St. Louis Fed, “The Effects of a Low-Fire, Low-Hire Economy on Workers”
Peterson Institute for International Economics, Jed Kolko, “Research on AI and the labor market is still in the first inning”
Anthropic, “Labor market impacts of AI: A new measure and early evidence”
Federal Reserve Board paper sui lavori di coding dopo ChatGPT
Dallas Fed, analisi su salari e AI exposure
