L’impatto dell’intelligenza artificiale sull’occupazione non è più solo oggetto di proiezioni e scenari ipotetici. Ci sono ora dati ufficiali, metodologie rigorose e stime che convergono verso lo stesso punto: qualcosa di strutturale è già in corso, e riguarda soprattutto chi si affaccia per la prima volta al mercato del lavoro qualificato.
Indice degli argomenti
La Fed entra nel dibattito sull’occupazione dei coder
Due economisti del Board of Governors della Federal Reserve, Leland D. Crane e Paul E. Soto, hanno pubblicato uno studio intitolato AI and Coder Employment: Compiling the Evidence. Non è un paper di una startup con un interesse commerciale da difendere, né l’opinione di un commentatore. Si tratta del primo lavoro, a nostra conoscenza, in cui i dati ufficiali del mercato del lavoro statunitense, quelli del Current Population Survey e del Current Employment Statistics, confermano ciò che finora emergeva solo da dataset privati: l’intelligenza artificiale generativa sta già producendo effetti misurabili sull’occupazione di una categoria professionale ben definita.
La categoria sono i coder, le professioni ad alta intensità di programmazione. Crane e Soto partono da un dato dell’Anthropic Economic Index, il progetto di ricerca longitudinale con cui Anthropic documenta l’uso reale del suo modello Claude, di cui vi abbiamo parlato in diverse occasioni: oltre un terzo delle query riguarda compiti di programmazione, nonostante le occupazioni informatiche e matematiche rappresentino solo il 3,4% della forza lavoro americana. Se l’AI generativa deve produrre effetti occupazionali osservabili, ragionano gli autori, è qui che dovremmo vederli per primi.
Come definire i coder: la scelta metodologica
Una delle scelte metodologiche più rilevanti del paper è la definizione dell’oggetto di studio. Crane e Soto non usano la classificazione standard delle occupazioni informatiche, che includerebbe ruoli poco legati alla programmazione come i project manager IT.
Ricorrono invece al database O*NET del Dipartimento del Lavoro, che assegna a ogni professione un punteggio di importanza della competenza di programmazione su una scala 1-5. Fissando la soglia a 2,76, identificano un gruppo di occupazioni: programmatori informatici, sviluppatori software, amministratori di rete, analisti di database, scienziati informatici, che rappresenta circa il 3,7% dell’occupazione totale statunitense.
Due aspetti meritano attenzione. Il primo, la categoria software developers è la più grande del gruppo, con oltre l’1% dell’occupazione nazionale. O*NET non le assegna un punteggio elevato di programmazione perché le descrizioni ufficiali dei compiti enfatizzano la pianificazione e le riunioni con i clienti.
Lo studio mostra, analizzando le descrizioni di mansioni auto-dichiarate dai lavoratori nell’American Communities Survey, che la stragrande maggioranza degli sviluppatori software dichiara di scrivere codice come attività principale. Li includono quindi nel gruppo, con una correzione motivata e documentata. Il secondo aspetto: nel settore Computer systems design and related services oltre il 40% della forza lavoro è composta da coder, da solo quel settore assorbe circa un terzo dell’intera occupazione di programmatori negli Stati Uniti.
Il profilo tipico del coder americano
Il coder tipico negli Stati Uniti non lavora in una big tech della Silicon Valley, né in una startup, né come sviluppatore interno in altri settori: fa sviluppo software a contratto. Questo dettaglio è importante per capire i risultati che seguono.
Il risultato centrale: -3% annuo dopo ChatGPT
L’analisi è strutturata come un event study intorno al novembre 2022, data di lancio di ChatGPT. Prima di quella data, l’occupazione dei coder cresceva a circa il 4,8% annuo, un ritmo molto superiore alla media del mercato del lavoro (circa 1,3%). Dopo novembre 2022, la crescita si è sostanzialmente appiattita.
Nelle industrie ad alta intensità di coder il pattern è ancora più marcato, la crescita pre-ChatGPT era di circa il 6% annuo e si è azzerata o è diventata negativa. Il dato grezzo potrebbe riflettere dinamiche settoriali, il 2022 è stato l’anno del rialzo dei tassi, del rientro post-Covid, del crollo delle crypto, del raffreddamento del mercato pubblicitario digitale. Crane e Soto potevano essersi imbattuti in uno shock industriale, non occupazionale.
La decomposizione within/between: lo shock è specifico ai coder
Qui interviene il contributo metodologico più originale del paper. Gli autori costruiscono una serie controfattuale dell’occupazione dei coder basata su una decomposizione within/between-industry. L’intuizione è la seguente, se il rallentamento fosse dovuto a shock settoriali, meno domanda per i servizi tech, stretta creditizia, fine del boom post-Covid, i coder avrebbero dovuto mantenere la loro quota all’interno di ciascun settore, anche se quei settori si fossero contratti nel complesso. La serie controfattuale calcola cosa sarebbe successo all’occupazione dei coder se ogni settore avesse mantenuto costante la propria quota di programmatori, crescendo e contraendosi omogeneamente.
Il confronto è netto. Dopo novembre 2022, l’occupazione osservata dei coder si allontana progressivamente dal controfattuale, soprattutto nei settori ad alta intensità di programmazione. Questi settori non hanno solo ridotto l’occupazione, hanno specificamente ridotto la componente coder. Controllando per tutti i fattori settoriali, lo shock occupazionale specifico vale circa -3% annuo, con significatività statistica robusta in tutte le specifiche testate.
Cumulando l’effetto su tre anni, con una base di circa 5,7 milioni di coder, gli autori stimano che circa 500.000 posti di lavoro in più sarebbero esistiti in assenza dell’adozione su larga scala degli LLM. Non si tratta di 500.000 disoccupati, la maggior parte di questi lavoratori si è probabilmente ricollocata in altre professioni.
L’occupazione dei coder non è crollata in termini assoluti, i programmatori sono più numerosi oggi di quanto fossero nel 2022, ma la crescita ha subito un rallentamento drastico rispetto al trend pre-ChatGPT, soprattutto è rimasta molto al di sotto di quanto i settori in cui lavorano avrebbero giustificato. Il punto non è che ci siano meno programmatori di prima, ma che ce ne sono circa mezzo milione in meno rispetto a quanti ce ne sarebbero stati se le imprese avessero continuato ad assorbirli allo stesso ritmo. Il rallentamento non è ciclico, si tratta di uno shock specifico alla professione.
La validazione storica: ATM, operatrici telefoniche e ingegneri petroliferi
Crane e Soto validano la loro metodologia su casi storici dove il tipo di shock, settoriale o occupazionale, è noto. Gli sportellisti bancari dopo l’introduzione degli ATM mostrano un forte shock occupazionale negativo (la quota di teller nel settore bancario crolla) mentre il settore cresce grazie al calo dei costi che favorisce l’apertura di nuove filiali. Le operatrici telefoniche e gli addetti al data entry mostrano pattern analoghi di sostituzione tecnologica correttamente catturata dalla decomposizione.
Al contrario, gli ingegneri petroliferi seguono fedelmente la serie controfattuale, perché il loro andamento è guidato da shock settoriali (prezzo del petrolio, sviluppo dello shale gas) e non da sostituzione occupazionale. La decomposizione, in altre parole, funziona: quando c’è una sostituzione tecnologica la rileva, quando lo shock è settoriale non produce falsi positivi.
Le cautele degli autori: limiti e fattori confondenti
Crane e Soto sono espliciti sui limiti della loro analisi e vale la pena riportarli. Non controllano gli effetti dell’AI sulla domanda aggregata di lavoro o sui prezzi. Il mix di compiti all’interno delle occupazioni potrebbe star cambiando in modi che sovrastimano l’effetto sui coder come gruppo di competenze. Un fattore confondente è il Tax Cuts and Jobs Act del 2017, che dal 2022 ha cambiato il trattamento fiscale delle spese di R&D, includendo gli stipendi degli sviluppatori software, richiedendo l’ammortamento su più anni anziché la deduzione immediata. Questo potrebbe aver frenato le assunzioni di coder per ragioni fiscali, non tecnologiche.
Gli autori notano però che i risultati reggono anche nel campione nei settori non coder-intensive, dove questo effetto fiscale sarebbe meno rilevante. Infine, questo è un punto cruciale: i risultati non distinguono tra calo della domanda dovuto a guadagni di produttività già realizzati e calo dovuto a guadagni anticipati. In un modello con costi di assunzione e licenziamento, un’impresa che prevede la sostituzione AI a breve termine potrebbe congelare le assunzioni prima ancora di vedere risultati concreti. Il rallentamento occupazionale non implica necessariamente produttività già aumentata, anche se suggerisce fortemente che lo sia quantomeno nelle aspettative.
Goldman Sachs allarga il campo: -16.000 posti al mese
Lo studio della Fed riguarda una categoria specifica, i programmatori. Ma quanto è largo il fenomeno? Una risposta arriva da Goldman Sachs, che nella prima settimana di aprile 2026 ha pubblicato un’analisi firmata dall’economista Elsie Peng che rappresenta uno dei tentativi più granulari di separare quantitativamente, sull’intero mercato del lavoro americano, i due effetti concorrenti dell’AI: sostituzione e augmentation. Il framework di Goldman combina gli score standard di esposizione all’AI con un indice di complementarità sviluppato dagli economisti del Fondo Monetario Internazionale.
Le professioni vengono classificate su due assi: alta sostituzione quando l’AI può gestire la maggior parte dei compiti centrali (addetti alle assicurazioni, data entry, supporto legale, billing), alto potenziamento quando l’AI gestisce alcuni compiti ma il giudizio umano, la presenza fisica o la competenza specializzata restano essenziali (avvocati, medici, construction manager).
I numeri: nel corso dell’ultimo anno, la sostituzione AI ha eliminato circa 25.000 posti di lavoro al mese negli Stati Uniti, mentre l’augmentation ne ha creati circa 9.000. Il saldo netto è di circa -16.000 posti al mese, ovvero circa 192.000 all’anno sull’intero spettro delle professioni esposte. Importante non confondere questo dato con le stime di Crane e Soto: Goldman guarda all’intero mercato del lavoro, non solo ai coder. Sono due misure a scale diverse che si completano a vicenda, la prima dà la profondità (uno shock ben identificato su una categoria specifica), la seconda l’ampiezza (l’effetto si estende ben oltre la programmazione).
Il grafico è eloquente. Il pannello sinistro mostra l’andamento dell’occupazione per tipo di settore dal lancio di ChatGPT: i settori ad alto potenziale di augmentation (in blu scuro) crescono, quelle ad alta sostituzione (in rosso) perdono terreno. Il pannello destro replica il pattern per i tassi di disoccupazione occupazionali: le professioni ad alta sostituzione vedono salire la disoccupazione, quelle ad alta augmentation no.
I dati generazionali: i giovani pagano il prezzo più alto
Goldman conferma inoltre il dato generazionale. Nelle professioni ad alta sostituzione AI, il divario di disoccupazione tra lavoratori sotto i 30 anni e lavoratori tra i 31 e i 50 si è allargato nettamente rispetto alle medie pre-pandemia. Anche il divario salariale si è deteriorato, ogni deviazione standard aggiuntiva di esposizione alla sostituzione AI allarga il gap retributivo tra entry-level e lavoratori esperti di circa 3,3 punti percentuali. I più giovani sono concentrati proprio nelle mansioni ripetitive, amministrative come data entry, customer service, supporto legale, che l’AI automatizza per prime.
Il framework dei “bundles”: perché i junior pagano il prezzo
I dati della Fed e di Goldman Sachs ci dicono cosa sta accadendo. Un filone teorico recente, portato all’attenzione dal Financial Times nella newsletter The AI Shift firmata da John Burn-Murdoch e Madhumita Murgia, ci dice perché. Il concetto chiave è quello di job bundles, i lavori come intrecci di compiti. Un paper di Luis Garicano della London School of Economics e coautori distingue tra fasci deboli e fasci stretti. Un contractor software o un junior developer ha un fascio debole, il suo lavoro quotidiano consiste principalmente nello scrivere codice a specifica richiesta, un’attività che può essere affidata ad altri o all’AI senza interruzione del flusso di lavoro né perdita di qualità del prodotto finale.
L’AI stacca una porzione grande del lavoro e lascia un ruolo con un perimetro drasticamente ridotto. Un senior developer, un programmatore che lavora fuori dal settore tech in ruoli dove la competenza di programmazione si intreccia con expertise di dominio, ha invece un fascio stretto: estrarre la parte di coding dal resto del lavoro è molto più difficile, perché i compiti sono interconnessi e si alimentano reciprocamente. Qui l’AI non compete, assiste. Diventa un acceleratore, non un sostituto. Due ulteriori contributi teorici, approfondiscono questa asimmetria. Lukas Freund e Lukas Mann, separatamente Joshua Gans e Avi Goldfarb, spostano l’attenzione sulla qualità dei compiti residui dopo l’automazione.
Quando l’AI si occupa del coding, al senior developer resta più tempo per tutto il resto del lavoro ad alto valore: tradurre esigenze di business in specifiche di prodotto, prendere decisioni basate su anni di esperienza accumulata, gestire le eccezioni. L’AI automatizza la parte relativamente meno preziosa del suo lavoro e funziona come moltiplicatore su tutto il resto. Togliendo il coding a uno junior developer o a un contractor, non resta quasi nulla. La stessa identica capacità tecnologica, dunque, comprime un lavoro mentre ne espande un altro, erodendo o cancellando la versione junior di una professione proprio mentre potenzia la versione senior.
La coerenza con il quadro precedente: una convergenza di evidenze
Questi risultati non emergono dal nulla. Si inseriscono in una sequenza di evidenze che avevamo documentato su queste pagine negli ultimi mesi. Il paper di Massenkoff e McCrory per Anthropic, Labor Market Impacts of AI: A New Measure and Early Evidence, aveva introdotto la metrica dell’Observed Exposure e trovato un calo del 14% nel tasso di ingresso in nuova occupazione per i 22-25enni nelle professioni ad alta esposizione AI.
Lo studio di Brynjolfsson, Chandar e Chen di Stanford aveva documentato un calo occupazionale del 6-16% nella stessa fascia d’età nei settori più esposti. Il paper di Hosseini e Lichtinger di Harvard, Generative AI as Seniority-Biased Technological Change, aveva mostrato una riduzione del 7,7% delle assunzioni junior nelle imprese che integrano effettivamente l’AI. Crane e Soto aggiungono ora la conferma dai dati ufficiali e un livello di rigore metodologico, la decomposizione within/between con validazione storica, eleva il dibattito dalla correlazione suggestiva all’identificazione causale.
Goldman Sachs porta la scala, l’effetto non è confinato ai coder, i numeri assoluti cominciano a essere significativi. Il framework teorico dei bundles fornisce infine il meccanismo esplicativo. La convergenza tra studi con metodologie diverse, dataset diversi e misure di esposizione diverse sullo stesso fenomeno, il rallentamento strutturale delle assunzioni junior nelle professioni esposte all’AI, è ormai difficile da attribuire al caso o a un singolo fattore confondente.
La scala spezzata: i numeri di un effetto invisibile
Avevamo descritto questo meccanismo come la rottura del primo gradino della scala professionale. I compiti che i giovani svolgono nelle prime fasi della carriera, coding di base, data entry, customer support, analisi preliminare, sono esattamente quelli che l’AI sta coprendo più rapidamente. Il risultato non è la disoccupazione dei senior, ma la mancata assunzione degli junior. Un effetto che nei dati aggregati di disoccupazione non si vede, perché chi non viene assunto può uscire dalla forza lavoro, cambiare settore o accettare posizioni meno qualificate senza comparire nelle statistiche come disoccupato. Il framework dei bundles aggiunge una dimensione causale a questa osservazione.
Non è solo che gli junior fanno i compiti più automatizzabili. Quei compiti, per gli junior, sono il lavoro. Non ne rimane uno strato sottostante di valore dopo che l’AI li ha assorbiti. Per i senior, invece, quei compiti erano il costo di fare altro, liberarsene è un guadagno netto. Acemoglu, Autor e Johnson, nel paper Building Pro-Worker Artificial Intelligence che avevamo analizzato, avevano identificato il meccanismo strutturale dietro questa asimmetria: le grandi aziende AI stanno costruendo strumenti per automatizzare il lavoro cognitivo qualificato, quello che costa di più, quello che crea la maggiore dipendenza dal lavoratore, molto più di quanto stiano costruendo strumenti per amplificarlo.
Non è un accidente tecnologico ma il risultato di incentivi fiscali favorevoli al capitale, di una path dependence dei grandi sviluppatori verso l’automazione enterprise, di una visione dell’AI orientata all’AGI in cui l’amplificazione delle capacità umane è un obiettivo secondario.
Cosa resta aperto: domande senza risposta
Il paper della Fed lascia aperte domande importanti. Non sappiamo se il rallentamento occupazionale rifletta produttività già realizzata o solo anticipata. Non sappiamo quanto dei 500.000 posti mancanti si sia tradotto in riallocazione verso occupazioni altrettanto qualificate e quanto in sottoccupazione.
Non sappiamo se l’effetto si intensificherà man mano che gli agenti AI, come Claude Code, Codex e Cowork, estenderanno l’orizzonte dei compiti completabili in autonomia dai minuti alle ore. Soprattutto non sappiamo se nel lungo periodo la domanda di servizi di coding sia elastica o anelastica al prezzo. Se l’AI rende i programmatori tre volte più produttivi e il coding diventa molto più economico, la domanda potrebbe esplodere e generare più posti, non meno.
Ma se chi non usava servizi di programmazione continua a non usarli anche a prezzi più bassi, il risultato sarà una contrazione permanente. Quello che sappiamo, con una convergenza di evidenze ormai difficile da ignorare, è che la transizione è già in corso. Non nella forma dell’apocalisse occupazionale evocata da alcune narrative della Silicon Valley, ma in quella, più insidiosa e meno visibile, di una compressione silenziosa dei percorsi di ingresso nel mercato del lavoro qualificato.
Una compressione che le statistiche aggregate non catturano, che le politiche attive del lavoro non stanno affrontando e che ridisegna le traiettorie professionali di un’intera generazione prima ancora che il dibattito pubblico riesca a metterla a fuoco.
