Il dibattito globale sull’intelligenza artificiale e il lavoro si è incagliato su una domanda apparentemente ragionevole: quanti posti di lavoro distruggerà l’AI? I catastrofisti rispondono milioni. Gli ottimisti rispondono nessuno, ne creerà di più. Entrambi portano argomenti, dati, modelli. Nessuno dei due guarda nel punto giusto.
Indice degli argomenti
AI e lavoro, la domanda sbagliata sui posti che spariranno
Negli ultimi mesi si è accumulata una massa critica di evidenze, da fonti indipendenti, con metodologie diverse, su scale geografiche differenti, che converge su un punto solo in apparenza meno drammatico della disoccupazione di massa, ma in realtà più insidioso: l’AI non sta eliminando i posti di lavoro. Sta eliminando i gradini che permettono di accedervi.
Questa distinzione non è una sfumatura. Cambia la diagnosi, cambia la terapia, cambia l’urgenza. Un’economia che perde posti ha bisogno di ammortizzatori. Un’economia che perde gradini ha bisogno di qualcosa di più profondo, una ricostruzione delle scale professionali, prima che la struttura stessa della mobilità sociale si dissolva, in silenzio, senza nemmeno apparire nelle statistiche.
Perché la Rivoluzione Industriale non basta a spiegare l’AI
Per capire perché la domanda sui posti distrutti è fuorviante, conviene partire dal caso storico più citato come precedente catastrofico: la Rivoluzione Industriale britannica e la cosiddetta pausa di Engels, il periodo tra il 1790 e il 1840 in cui i salari reali ristagnarono mentre l’economia cresceva.
La ricerca recente, ben sintetizzata nel cover package che The Economist ha dedicato al tema, smonta questa analogia in modo sistematico. L’occupazione britannica non crollò, triplicò, passando da 4,5 a 12 milioni tra il 1760 e il 1860. La disoccupazione rimase generalmente modesta. La composizione settoriale si mosse con lentezza. La stagnazione salariale non fu causata dallo sfruttamento padronale, come supponeva Engels, ma dalla combinazione di una diffusione tecnologica ancora troppo lenta per generare produttività diffusa e di un’impennata del costo della vita dovuta a guerre e dazi sui cereali. Come scrive lo storico Nicholas Crafts, la Rivoluzione Industriale non è un modello per un cambiamento tecnologico che faccia crollare la quota del lavoro nel reddito nazionale.
La pausa di Engels e il problema della qualità del lavoro
Nemmeno nel caso peggiore della storia economica moderna il problema fu la distruzione dei posti di lavoro. Il problema fu la qualità della vita di chi quei posti li aveva, salari che non crescevano, prezzi che salivano, mobilità sociale bloccata, mentre i numeri aggregati raccontavano una storia di crescita. Suona familiare.
C’è un parallelo contemporaneo che rende la lezione ancora più pertinente. Oggi i data center stanno facendo ai costi energetici ciò che le guerre napoleoniche facevano ai prezzi del grano. Goldman Sachs prevede che passeranno dal 4,1% all’8,5% della domanda di picco energetico americano entro il 2027. Anche se i salari nominali tengono, il potere d’acquisto si erode per via di un’inflazione strutturale generata dalla tecnologia stessa. La pausa di Engels, in altre parole, non è un’analogia remota, è un meccanismo che si sta riattivando con un innesco diverso.
Dal China shock all’AI: quando pochi posti cambiano la politica
Se il problema non è la quantità di posti ma la qualità delle traiettorie, allora la reazione politica diventa imprevedibile rispetto alle metriche convenzionali. Il precedente più istruttivo non è la Rivoluzione Industriale ma il China shock degli anni Duemila.
Tra il 1999 e il 2011, circa due milioni di americani persero il lavoro a causa dell’ingresso della Cina nel sistema commerciale globale. Nelle statistiche aggregate, un rumore di fondo, non peggio di un mese tipico di licenziamenti nel mercato del lavoro americano. Eppure, bastò a portare Donald Trump al potere e ai dazi più alti dagli anni Trenta. L’impatto politico fu radicalmente sproporzionato rispetto a quello statistico, perché i posti perduti erano concentrati in comunità specifiche e le persone colpite non si ricollocarono come la teoria economica avrebbe previsto.
Ora, i colletti bianchi minacciati dall’AI hanno più peso politico e sociale degli operai della rust belt. Hanno reti professionali, visibilità mediatica, capacità organizzativa. Anche un numero limitato di licenziamenti, o anche solo la percezione diffusa che la scala di mobilità sociale si sia rotta, potrebbe innescare una reazione politica di portata superiore al China shock. L’apocalisse occupazionale non serve. Basta che i gradini scompaiano.
Le tracce invisibili della crisi dei ruoli entry-level
Il problema è che le metriche convenzionali non sono attrezzate per catturare ciò che sta accadendo. Persino a posteriori, con tutti i dati disponibili, gli impatti di grandi disruption economiche sul mercato del lavoro restano poco chiari. Gli studi sui robot industriali arrivano a conclusioni opposte, la portata del China shock continua a essere dibattuta, le proiezioni ufficiali del Bureau of Labor Statistics aggiungono poco valore predittivo rispetto a una semplice estrapolazione lineare.
Se le metriche tradizionali non riescono a misurare con certezza nemmeno shock conclamati del passato, come possono catturare un fenomeno che, per sua natura, non si manifesta nella disoccupazione ma nell’assenza silenziosa di assunzioni che nessuno contabilizza?
Eppure, le tracce ci sono, se si sa dove guardare. Il punto è che nessuno le ha ancora messe insieme. Proviamo a farlo.
Giovani assunti meno nelle professioni più esposte
Prima traccia: lo studio Anthropic. Utilizzando la propria misura di observed exposure, che combina la capacità teorica di un modello linguistico con i dati di utilizzo reale della piattaforma Claude, trova che non c’è aumento sistematico della disoccupazione nelle professioni più esposte. Fin qui, la narrazione rassicurante. Ma nel corpo dello studio emerge un dato diverso suggestive evidence that hiring of younger workers has slowed in exposed occupations. L’assunzione di giovani rallenta proprio dove l’AI penetra di più. Il profilo dei più esposti, più anziani, più istruiti, più pagati, è quello del professionista consolidato. La crepa non si apre sotto i suoi piedi. Si apre sotto i piedi di chi avrebbe dovuto salire dopo di lui.
Posizioni mancanti, non licenziamenti
Seconda traccia: lo studio della Federal Reserve. Crane e Soto, due economisti del Board of Governors, hanno documentato un rallentamento annuo del 3% nell’occupazione dei programmatori rispetto al trend pre-ChatGPT, circa 500.000 posizioni mancanti in tre anni. Non licenziamenti: assenze. Posti che avrebbero dovuto esserci e non ci sono. Si tratta della prima conferma con dati ufficiali del mercato del lavoro statunitense di un effetto misurabile dell’AI generativa su una categoria professionale specifica.
La carriera si accorcia dal basso
Terza traccia: la review ICLE. L’International Center for Law & Economics ha sintetizzato a febbraio 2026 la letteratura empirica emergente con una formula che meriterebbe di diventare il punto di partenza di ogni discussione seria: The emerging pattern is adjustment at the margin, through task reallocation and changes in career ladders, rather than broad displacement. Non spostamento di massa. Riallocazione dei compiti e accorciamento delle scale di carriera.
I dati italiani
Quarta traccia: i dati italiani. Lo studio Work 2040, condotto con il metodo strategic foresight attraverso interviste con oltre trenta esperti, conferma il fenomeno trasversalmente ai settori analizzati. Il caso del settore bancario e assicurativo è emblematico, 35.000 addetti in meno tra il 2018 e il 2024, con assunzione di profili meno qualificati per ruoli che prima richiedevano competenze analitiche. Non automazione, ma de-qualificazione silenziosa.
Non spariscono i lavori. Spariscono i gradini.
La scala spezzata: come l’AI rompe l’accesso alle professioni
Abbiamo chiamato questo fenomeno la Scala Spezzata. Non è una metafora ma un meccanismo strutturale con tre componenti che si alimentano a vicenda.
Entry-level, apprendistato e competenze tacite
La prima è l’eliminazione dei ruoli entry-level nelle professioni cognitive. L’AI non sostituisce il professionista esperto, lo potenzia. Ma nel farlo, rende superfluo il lavoro preparatorio che un tempo giustificava l’assunzione di un junior: la ricerca di base, la prima stesura, l’analisi preliminare dei dati, il supporto operativo che era anche apprendistato. Il senior diventa più produttivo. Lo junior non viene assunto.
La seconda è l’interruzione della trasmissione intergenerazionale delle competenze. Se non ci sono junior, non c’è chi osserva il senior al lavoro, chi commette errori in un ambiente protetto, chi assorbe il sapere tacito che nessun corso di formazione può codificare. Il paradosso formativo è implacabile, la carenza di junior oggi produce carenza di senior domani. L’expertise si concentra in una generazione e muore con lei.
Perché le statistiche non vedono il gradino mancante
La terza è l’invisibilità statistica. Un posto di lavoro che non viene creato non compare in nessuna statistica sulla disoccupazione. Un giovane che rinuncia a cercare lavoro in un settore perché non ci sono più posizioni entry-level non è un disoccupato, è un’assenza. Il fenomeno è strutturalmente progettato per sfuggire alle metriche con cui misuriamo la salute del mercato del lavoro. Per questo Andrew Ng può dichiarare he la disoccupazione è al 4,3% e il software engineering continua ad assumere senza che questo dica nulla sulla scomparsa dei gradini.
Il rischio non è il churn, ma la sua direzione
Uno dei grafici che l’Economist ha pubblicato a corredo della sua analisi storica illustra involontariamente lo stesso punto.
La variazione nella composizione occupazionale, il churn tra settori e professioni, raggiunse a metà del Novecento livelli doppi rispetto a quelli attuali, nel pieno di quella transizione dall’economia industriale a quella post-industriale che Alvin Toffler avrebbe poi descritto in The Third Wave: milioni di lavoratori che lasciavano la fabbrica per l’ufficio, il lavoro manuale per quello cognitivo, le competenze meccaniche per quelle informative. Harold Wilson lo chiamò il white heat of technology, il PIL pro capite americano cresceva al ritmo più alto mai registrato per un’economia di frontiera. La disruption era enorme, eppure quell’epoca è ricordata come un periodo di salari in crescita, opportunità in espansione e politica non polarizzata. La differenza non è nel volume della rotazione, ma nella sua direzione. Il churn di Toffler era ascendente, chi transitava saliva. Quello che rischiamo oggi è un churn discendente: rotazione verso ruoli meno qualificati, con traiettorie di crescita più corte o inesistenti. Il volume della rotazione potrebbe persino restare invariato. La scala si spezza lo stesso.
Ossia si blocca l’ascensore sociale.
Il panico sull’AI, l’inflazione narrativa e i suoi interessi
Va detto con chiarezza, una parte del panico sull’AI e il lavoro è esagerata.
Andrew Ng, nella sua newsletter The Batch, ha identificato correttamente due meccanismi di amplificazione. Il primo, i laboratori AI hanno un incentivo strutturale a enfatizzare il potere sostitutivo della tecnologia, perché se un agente AI può sostituire un dipendente che guadagna 100.000 dollari, anche un prezzo di 10.000 dollari sembra ragionevole, ancoraggio ai salari anziché ai prezzi SaaS. Il secondo, molte aziende attribuiscono all’AI licenziamenti che sono in realtà correzioni dell’over-hiring pandemico, perché stiamo usando l’AI per essere più efficienti suona meglio di avevamo assunto troppo quando il denaro costava zero.
Lo stesso Acemoglu conferma questa preoccupazione da un’angolazione diversa. Le aziende AI, OpenAI, Anthropic, Google DeepMind, stanno tutte costruendo team interni di economisti per produrre ricerca sull’impatto occupazionale della propria tecnologia. What I hope we won’t get, ha detto il premio Nobel per l’economia, is that they’re interested in economists just to further their viewpoints or further the hype. Come avevamo scritto anche noi, a proposito dell’ultimo studio di Microsoft, è un conflitto di interesse strutturale che chi legge i dati deve tenere presente.
Ma riconoscere l’inflazione narrativa non autorizza a concludere che il problema non esista. Ng fa esattamente questo errore, passa dalla constatazione corretta che le previsioni catastrofiche sono gonfiate alla conclusione infondata che non ci sia nulla di cui preoccuparsi. Propone una jobapalooza, un’esplosione di nuovi posti, citando la disoccupazione al 4,3% e le assunzioni nel software engineering. Un po’ come dichiarare che un edificio è solido perché il tetto regge, senza controllare se le scale interne esistano ancora.
Quando la produttività dei senior cancella i junior
Il sondaggio Gallup su 23.700 dipendenti americani, offre una chiave di lettura diversa. Il 50% dei lavoratori USA usa l’AI. Il 65% dichiara miglioramenti di produttività. Ma la domanda che nessuno pone è, la produttività di chi? Se l’AI migliora la produttività dei senior e rende superflui i junior, il saldo aggregato è positivo, il PIL sale, la disoccupazione non si muove, mentre la struttura si svuota dal basso. Chi non usa l’AI, nel sondaggio, indica soprattutto il desiderio di continuare a fare il lavoro attuale. Non è luddismo ma una resistenza identitaria che segnala quanto il lavoro sia un’infrastruttura di senso prima ancora che una funzione economica e quanto la sua erosione qualitativa sia più dolorosa della sua scomparsa quantitativa.
Ricostruire i gradini invece di frenare l’AI
Se la diagnosi è la Scala Spezzata, la risposta non può essere rallentare l’AI, sarebbe come rispondere alla pausa di Engels con un divieto delle macchine a vapore. La risposta è riorientare la tecnologia perché ricostruisca i gradini anziché dissolverli.
L’AI pro-worker e i nuovi compiti qualificati
Il framework più solido disponibile per pensare questo riorientamento è quello elaborato da Daron Acemoglu, David Autor e Simon Johnson nel paper Building Pro-Worker Artificial Intelligence. La loro tassonomia a cinque categorie distingue con precisione cosa fa una tecnologia rispetto al lavoro umano. Solo la categoria new task-creating, quella che genera domanda di competenze inedite, scarse, quindi remunerate, è inequivocabilmente favorevole ai lavoratori. Le altre, comprese quelle che aumentano la produttività o livellano le competenze, producono effetti ambigui o negativi sulla quota di reddito che va al lavoro.
Letto alla luce della Scala Spezzata, il framework rivela qualcosa che i suoi stessi autori toccano solo tangenzialmente. Acemoglu, Autor e Johnson riconoscono che tra il 1940 e il 1980 la creazione di nuovi compiti esperti replicava la distribuzione occupazionale esistente, i nuovi lavori nascevano a tutti i livelli della scala professionale. Dopo il 1980, questo meccanismo si è rotto, i nuovi compiti si concentrano nei segmenti già qualificati. L’AI rischia di accelerare questa frattura, generando new work solo per chi è già in cima alla scala, e more work o nessun work, per chi dovrebbe ancora salirci.
Perché il mercato non investe abbastanza nell’AI favorevole ai lavoratori
Il paper identifica tre ragioni strutturali per cui il mercato sotto-investe nell’AI pro-worker, il disallineamento degli incentivi aziendali, l’automazione cattura più valore per il capitale, la path dependence dei grandi sviluppatori, modelli di business costruiti attorno alla sostituzione, non al potenziamento, una distorsione ideologica profonda, la comunità AI è dominata da una visione che pone l’AGI come obiettivo supremo, rendendo qualsiasi AI che collabora con gli umani, per definizione, un obiettivo di secondo livello.
Le nove direzioni di policy proposte, dagli investimenti mirati in sanità e istruzione alla riforma fiscale che riequilibri il vantaggio dell’automazione sul lavoro, dalla tutela contro l’expertise theft, alla rappresentanza dei lavoratori nel design dell’AI, non sono utopie. Sono leve che agiscono su incentivi concreti. Ma funzionano solo se il problema è formulato correttamente. Se pensiamo che il rischio sia la disoccupazione di massa, costruiremo ammortizzatori. Se capiamo che il rischio è la Scala Spezzata, costruiremo gradini.
L’Italia davanti alla scala spezzata dell’AI
L’editoriale dell’Economist contiene una frase che in Italia dovrebbe far riflettere più di tutte le altre: “Countries without AI giants will have to rely on taxes rather than seizing shares in foreign companies.” L’Italia non ha OpenAI da nazionalizzare, né un fondo sovrano con cui acquisire partecipazioni nei vincitori dell’AI. Deve costruire la propria risposta su leve diverse.
Fisco, organizzazione e PMI come leve di risposta
La prima leva è fiscale. Il membro medio dell’OCSE raccoglie circa il 50% delle entrate dal lavoro. Se la quota del reddito che va al lavoro scende, non è solo il welfare a crollare, è l’intera architettura fiscale. L’Italia, con il vincolo demografico più stringente d’Europa e una previsione di -6,1 milioni di lavoratori, è il paese dove questo meccanismo morde prima e più forte. Le proposte che circolano, tassazione delle rendite sovra-normali, imposte sui profitti eccedenti, revisione delle imposte di successione, vanno prese sul serio non come redistribuzione ideologica ma come manutenzione dell’infrastruttura fiscale.
La seconda leva è organizzativa. Le azioni no-regret che abbiamo identificato nello studio Work 2040, formazione continua integrata nei processi di lavoro, ridisegno dei ruoli basato sui task anziché sulle mansioni tradizionali, metriche di impatto dell’AI che includano la qualità dei percorsi di carriera e non solo la produttività, sono interventi che rendono l’economia più efficiente indipendentemente dalla velocità con cui l’AI trasformerà il mercato del lavoro. Non richiedono previsioni corrette sull’AGI e funzionano in ogni scenario.
La terza leva, forse la più controintuitiva, è strutturale. La struttura italiana di piccole e medie imprese, spesso considerata un limite alla scala tecnologica, potrebbe rivelarsi un vantaggio nel design di un’AI pro-worker. Nelle PMI la prossimità tra senior e junior è ancora fisica, quotidiana, non mediata da livelli gerarchici. La trasmissione del sapere è in parte artigianale. La relazione tra competenza ed esperienza è visibile e valorizzata. Sono le condizioni in cui un’AI progettata per potenziare anziché sostituire ha le migliori probabilità di attecchire, a condizione che qualcuno la progetti così, anziché importare acriticamente modelli ottimizzati per la sostituzione.
Guardare i gradini prima dell’apocalisse occupazionale
Il dibattito è bloccato tra chi invoca l’urgenza, chi minimizza il problema e chi propone di riorientare la tecnologia. Ciascuna posizione coglie qualcosa, nessuna coglie tutto, perché tutte guardano i posti di lavoro, non i percorsi che li rendono accessibili. I posti, come nella Rivoluzione Industriale, probabilmente non spariranno. Ma una scala senza gradini non porta da nessuna parte. Puoi tassare le rendite, assicurare i salari, creare fondi sovrani, finanziare la formazione continua, nulla di tutto questo funziona se chi entra nel mercato del lavoro non trova più un primo piolo a cui aggrapparsi. Ogni contromisura presuppone una scala funzionante. Senza, redistribuisci reddito a persone che non hanno un percorso, formi lavoratori per ruoli che non prevedono crescita, assicuri salari in professioni che si stanno svuotando dal basso. L’apocalisse occupazionale potrebbe non arrivare mai, ma la scala si sta già spezzando, in silenzio, un gradino alla volta, fuori dal campo visivo di ogni statistica. I governi che aspettano l’apocalisse per agire non la vedranno arrivare. Quelli che guardano i gradini, forse, sono ancora in tempo per ricostruirli.
