AI e lavoro: cosa dicono i dati (non i tweet)

Tra il 1995 e il 2010 il numero di sportelli bancomat negli Stati Uniti è più o meno quadruplicato. Secondo ogni previsione ragionevole, i cassieri di banca sarebbero dovuti sparire: una macchina faceva esattamente il loro lavoro, ventiquattro ore su ventiquattro, senza stipendio. Invece, come ha documentato l’economista James Bessen, nello stesso periodo il numero di cassieri è leggermente aumentato. Il bancomat aveva reso più economico aprire filiali, le banche ne aprirono di più, e i cassieri smisero di contare banconote per occuparsi di relazione con i clienti e vendita di servizi.

Questa storia non dimostra che l’AI non toccherà il lavoro. Dimostra che il modo intuitivo di ragionarci — «la macchina fa X, chi faceva X sparisce» — è quasi sempre sbagliato. Vediamo cosa dicono invece i dati.

Un lavoro non è una mansione

Il primo errore dei tweet apocalittici è trattare i mestieri come blocchi unici. L’economista David Autor ha insegnato a un’intera disciplina a fare il contrario: un lavoro è un fascio di mansioni. Un commercialista compila dichiarazioni, ma anche interpreta norme ambigue, rassicura clienti nel panico, negozia con l’Agenzia delle Entrate. Un’occupazione è come un mazzo di carte: l’automazione raramente brucia il mazzo intero, più spesso sfila alcune carte e ne infila di nuove.

La conseguenza pratica: la domanda giusta non è «quali lavori spariranno?», ma «quali mansioni, dentro quali lavori, cambiano natura?». Ed è esattamente ciò che misurano gli studi seri.

L’automazione raramente cancella i mestieri interi: li smonta pezzo per pezzo e li rimonta diversi.

Cosa misurano davvero gli studi sull'»esposizione»

Lo studio più citato è «GPTs are GPTs» (Eloundou e colleghi, 2023, ricercatori di OpenAI e University of Pennsylvania). Il metodo: scomporre le occupazioni statunitensi nelle loro mansioni e chiedersi, per ciascuna, se un modello linguistico può ridurne significativamente il tempo di esecuzione. Il risultato: per circa l’80% dei lavoratori almeno il 10% delle mansioni risulta esposto; per circa il 19% dei lavoratori lo è almeno la metà delle mansioni. Nello stesso anno un report di Goldman Sachs stimava intorno a 300 milioni i posti di lavoro «esposti» all’automazione generativa a livello globale.

Attenzione alla parola: esposto non significa sostituito. Significa che la tecnologia potrebbe svolgere o accelerare quella mansione, in condizioni ideali. Tra l’esposizione teorica e la sostituzione reale ci sono di mezzo i costi di adozione, la qualità effettiva dello strumento, la responsabilità legale, la riorganizzazione dei processi, i contratti, i sindacati. È la differenza tra «questa strada potrebbe allagarsi» e «questa strada è allagata»: informazione utile, ma non è la stessa cosa.

Chi è più esposto: la piramide rovesciata

Le ondate precedenti di automazione hanno colpito soprattutto il lavoro manuale ripetitivo. Questa volta la mappa è rovesciata: i modelli linguistici lavorano su testo, quindi l’esposizione si concentra sul lavoro impiegatizio e cognitivo. Lo studio dell’Organizzazione Internazionale del Lavoro (ILO, 2023) indica il lavoro d’ufficio e amministrativo come la categoria di gran lunga più esposta — con una conseguenza distributiva precisa: poiché le mansioni impiegatizie sono svolte più spesso da donne, l’esposizione non è neutra rispetto al genere.

Rappresentazione qualitativa dell’esposizione per settore: alta dove il lavoro è fatto di testo e procedure, bassa dove servono mani, presenza fisica e relazione. Le barre indicano ordini di grandezza relativi, non percentuali misurate.

Un dettaglio controintuitivo che emerge da questi studi: l’esposizione cresce, fino a un certo punto, con il livello di istruzione e con il salario. Il traduttore e l’analista sono più esposti dell’idraulico. È l’opposto della robotizzazione industriale, e spiega perché questa ondata di ansia tecnologica arriva da categorie professionali che le ondate precedenti avevano osservato da lontano.

Dall’esposizione teorica agli effetti misurati

Gli studi di esposizione guardano al potenziale. Gli studi sul campo, ancora pochi, guardano a cosa succede davvero. Il più solido è quello di Brynjolfsson, Li e Raymond (2023) su migliaia di operatori di customer support: l’introduzione di un assistente AI ha aumentato la produttività media di circa il 14%, ma con una distribuzione rivelatrice — i guadagni maggiori sono andati agli operatori meno esperti, mentre per i più bravi l’effetto era minimo. Lo strumento, in pratica, distribuiva a tutti una parte dell’esperienza dei migliori.

Se questo pattern si confermasse su altri mestieri, l’effetto dell’AI sarebbe meno «licenziamenti di massa» e più «compressione delle differenze di competenza»: si riduce il vantaggio dell’esperienza nelle mansioni codificabili, e si sposta il valore verso ciò che il modello non fa — giudizio, responsabilità, relazione. Ma è presto per generalizzare: un call center non è un ospedale né uno studio legale, e gli effetti di lungo periodo sull’occupazione aggregata semplicemente non sono ancora nei dati.

Le tre lezioni della storia

Prima lezione: l’ansia da automazione è ciclica. Telai meccanici, catene di montaggio, computer, ogni volta la previsione della disoccupazione di massa, ogni volta smentita in aggregato. Seconda lezione: «in aggregato» è una parola crudele. Che l’occupazione totale tenga non consola il cassiere cinquantenne la cui mansione specifica è sparita; le transizioni hanno vincitori e vinti concreti, e i tempi della riqualificazione sono più lenti dei tempi della tecnologia. Terza lezione: le previsioni puntuali sbagliano quasi sempre, in entrambe le direzioni. Chi oggi vi dice con sicurezza quanti posti di lavoro l’AI creerà o distruggerà entro il 2030 sta facendo narrativa, non analisi.

Cosa farne, concretamente

Se lavorate con testo, procedure e schermi, una parte delle vostre mansioni è esposta: non è un’opinione, è ciò che dicono in modo convergente studi con metodi diversi. La risposta razionale non è né il panico né lo scetticismo di principio, ma un inventario onesto: quali carte del vostro mazzo sono codificabili, e quali no? Le seconde — giudizio in condizioni ambigue, responsabilità delle decisioni, fiducia costruita nel tempo — sono quelle su cui investire.

E quando incrociate il prossimo titolo su «l’AI cancellerà X milioni di posti», fate il test di questo articolo: l’autore distingue tra mansioni e lavori? Tra esposizione e sostituzione? Cita dati misurati o solo potenziale teorico? Se la risposta è no tre volte, state leggendo un tweet lungo.