Le previsioni sul lavoro hanno una data di scadenza

Nessuno compra il latte guardando quanto sembra fresco. Si gira la confezione e si legge la data. Le previsioni sul lavoro e sull’intelligenza artificiale si dovrebbero leggere così: che cosa prometteva, per quando, e che cosa è successo il giorno in cui è scaduta. Di solito si fa il contrario. Si ricorda la cifra, si perde la data, e la cifra continua a circolare molto dopo che il mondo ha risposto.

Questo pezzo tiene un registro delle scadenze. È una cornice inventata da noi, per mettere in ordine i documenti: le previsioni, le date e i numeri sono reali e le fonti stanno nelle note a margine. Dove una previsione non ha una data lo scriviamo, perché una previsione senza scadenza non si può smentire, e quindi non dice nulla di controllabile. Non facciamo previsioni nostre: controlliamo quelle degli altri.

Che cosa si controlla

Per ogni riga del registro cerchiamo tre cose. Che cosa si prometteva, in forma abbastanza precisa da poterla confrontare con un numero. Entro quando. E se esiste un dato, oggi, con cui fare il confronto. Le previsioni che superano tutti e tre i controlli sono poche.

Il risultato è meno drammatico di come lo si racconta in genere. Su sette previsioni, una sola è smentita, e soltanto sul mestiere. Tre non si possono verificare: una è scaduta senza che nessuno abbia mai contato ciò che prometteva, una ha una finestra larga e vaga, una non ha nessuna data. Tre non sono ancora scadute.

Le righe già scadute

La prima è anche la più chiara. Geoffrey Hinton, in un intervento tenuto in un ospedale e riferito dal New Yorker nel 2017, disse che i radiologi non si dovevano più formare: nel giro di cinque anni il deep learning sarebbe andato meglio di loro, forse dieci. Il controllo è semplice, perché la professione esiste ancora. Secondo il New York Times del 2025, riportato da una rivista di settore, il reparto di radiologia della Mayo Clinic a Rochester è cresciuto fino a circa 400 radiologi, un +55% dal 2016, mentre in clinica girano più di 250 modelli di AI.

Il verdetto è «smentita sul mestiere» (la finestra di cinque anni è passata, quella di dieci si chiude quest’anno), con una precisazione che lo stesso Hinton ha fatto in seguito, secondo le cronache: parlava dell’analisi delle immagini, non del mestiere intero. Un modello può battere una persona in un compito, e il mestiere restare. Chi aveva parlato di «mestiere» aveva promesso una cosa diversa da quella che aveva dimostrato.

La seconda riga scaduta è quella del World Economic Forum. Il rapporto Future of Jobs del 2018 scriveva che, entro il 2022, 75 milioni di posti potevano essere sostituiti da un nuovo riparto del lavoro fra persone e macchine, mentre 133 milioni di nuovi ruoli potevano nascere. Sono stime di rimescolamento, ricavate dalle risposte di grandi aziende e poi estese all’economia mondiale non agricola. Nessun istituto di statistica conta «i posti sostituiti dal nuovo riparto fra persone e macchine», perciò la scadenza è passata senza che nessuno abbia potuto dire se le due cifre fossero giuste. Il WEF stesso ha risposto a modo suo, ripubblicando il conto con un orizzonte nuovo.

La tabella non dice che il WEF sbagli. Dice che ogni edizione ha una scadenza nuova e un campione nuovo (673 milioni di posti nel 2023, 1,2 miliardi nel 2025), e che il confronto con la scadenza precedente non viene fatto. Un registro serve proprio a questo: a rimettere la vecchia data accanto alla nuova cifra.

Le righe senza una data vera

Carl Benedikt Frey e Michael Osborne, nel 2013, stimarono che il 47% dell’occupazione statunitense fosse in occupazioni ad alto rischio di informatizzazione. È una delle cifre più ripetute di tutta la discussione. Però il rapporto dice con precisione che cosa è quel 47%: occupazioni «potenzialmente automatizzabili nel giro di un numero di anni non specificato, forse un decennio o due». Gli autori scrivono anche di non tentare nessuna stima dei posti che verranno davvero automatizzati. Una finestra c’è, dunque, ma larga e dichiaratamente indicativa, e la cifra misura una probabilità tecnica, non una perdita di posti.

Nel 2016 tre economisti, Melanie Arntz, Terry Gregory e Ulrich Zierahn, rifecero il conto per 21 paesi OCSE. Il loro argomento: Frey e Osborne trattano ogni occupazione come un blocco, mentre dentro una stessa occupazione molti compiti restano difficili da automatizzare. Passando dalle occupazioni ai compiti, la quota di posti automatizzabili scende, in media, al 9%, con il 6% della Corea e il 12% dell’Austria. La stessa domanda, due unità di misura, un risultato circa cinque volte più piccolo (Stati Uniti da una parte, media di 21 paesi dall’altra, quindi il confronto è indicativo). Nemmeno qui c’è una data da mettere in registro.

Per le due righe il verdetto è «non verificabile», e non per cortesia. Un’esposizione non è una perdita: dice quanto del lavoro una macchina potrebbe fare, e non quanto di quel lavoro le imprese decideranno di darle, a che prezzo, con quali norme, e se nel frattempo nasceranno altri compiti. Un’affermazione che non può fallire non è prudente. È solo immune dal controllo.

Le righe che scadono dopo

Il McKinsey Global Institute, nel dicembre 2017, stimò che entro il 2030 tra 400 e 800 milioni di persone nel mondo potessero essere sostituite dall’automazione e dovessero trovare un altro lavoro, a seconda dello scenario di diffusione. Da 75 a 375 milioni avrebbero dovuto cambiare categoria professionale e imparare mestieri nuovi. Lo stesso rapporto calcolava però una domanda di lavoro aggiuntiva pari al 21-33% della forza lavoro mondiale (da 555 a 890 milioni di posti), sufficiente in linea di principio a compensare. Il titolo è Jobs lost, jobs gained, e gli autori ammettono che sarebbe potuto essere «jobs lost, jobs changed, jobs gained». Va letto con due avvertenze: il rapporto parla di automazione in generale e non di AI generativa (che nel 2017 non c’era), e prevede scenari, non un esito. Scade fra quattro anni.

Anche l’ultima riga ha la finestra aperta. Nel maggio 2025 Dario Amodei, amministratore delegato di Anthropic, dichiarò ad Axios che l’AI poteva cancellare metà dei lavori d’ingresso da impiegato e portare la disoccupazione al 10-20% in un periodo da uno a cinque anni. Lo diciamo con una cautela: abbiamo letto il resoconto di Axios attraverso le sintesi e non il testo integrale. La scadenza più vicina è il 2026, la più lontana il 2030. In questi giorni è presto per un verdetto, ma ha una data, e ci si può tornare.

E c’è la riga più vecchia del registro, di prima dei computer. John Maynard Keynes, nel 1930, si domandò che cosa ci si potesse aspettare «a hundred years hence» e usò il termine technological unemployment, presentandolo come una malattia nuova: la disoccupazione dovuta al risparmio di lavoro che corre più veloce della capacità di trovargli nuovi usi. Pensò a una fase temporanea, e a turni di tre ore o una settimana di quindici come modo di spartire il lavoro rimasto. La scadenza è il 2030. Il consuntivo non c’è ancora, e conviene tornarci nel 2030 con le ore lavorate in mano.

L’Italia: che cosa dice l’Istat

L’Istat pubblica la serie degli occupati dal 2004: la media annua dei 15-89enni, riportata nel grafico sotto insieme alle finestre di tempo delle previsioni. Il tratto più utile da guardare è quello dopo il 2022, anno dell’arrivo di ChatGPT, quando le previsioni sono diventate di moda.

In alto le finestre di tempo delle previsioni del registro, in basso gli occupati italiani. La linea contiene un lungo calo fino al 2013, la caduta del 2020 e nessun calo dopo.

Dal 2022 al 2025 gli occupati italiani sono saliti di circa un milione, da 23,10 a 24,12 milioni (+4,4%). Nel secondo trimestre del 2026 l’Istat registra 24,45 milioni, contro 24,20 di un anno prima (dati non destagionalizzati, confrontati a parità di trimestre). Non possiamo attribuire quella crescita all’AI né toglierle niente, e sarebbe sbagliato usarla come prova che «l’AI non porta via lavoro»: le cause di un andamento nazionale sono molte, dalla demografia ai contratti, e il dato aggregato non sa vedere chi entra nel mercato del lavoro e chi non ci arriva. Dice una cosa sola, e abbastanza chiara: nel conto totale dei posti italiani, una sparizione di massa causata dall’AI non si vede.

Le stime italiane parlano d’altro, cioè di esposizione. La Banca d’Italia, in uno studio dell’ottobre 2024 (Dalla Zuanna, Dottori, Gentili, Lattanzio), applica all’Italia il metodo basato sui compiti e stima che circa 15 milioni su 22 di occupati lavorino in occupazioni di esposizione media o alta all’AI, con poco meno di 9 milioni nel gruppo più esposto. Esposto non vuol dire sostituibile: fra chi ha una qualche esposizione i lavoratori «complementari» all’AI (circa 9 milioni) superano i «sostituibili» (circa 6), anche se nel gruppo più esposto i sostituibili sono la maggioranza (4,75 milioni contro 4). Le occupazioni più esposte sono nei servizi e nei due quintili più alti di reddito; finanza e comunicazione hanno una quota alta di lavoratori sostituibili. I lavoratori in occupazioni sostituibili sono, nei dati, più protetti dal rischio di perdere il posto, perché meno spesso autonomi o a termine. Lo studio avverte infine che cambiare occupazione, da quelle più esposte e sostituibili, appare difficile e costoso in termini di salario.

Che cosa misurano gli studi più recenti

Dopo il 2022 sono arrivati i primi studi che non prevedono ma misurano, con dati amministrativi di milioni di lavoratori. Sono diversi dalle previsioni, e conviene non confondere i due generi.

Anders Humlum ed Emilie Vestergaard hanno collegato indagini sull’uso dei chatbot ai registri del lavoro danesi. Il loro risultato, nell’ultima versione (marzo 2026): effetti nulli, stimati con precisione, su guadagni e ore registrate, con intervalli che escludono variazioni medie superiori al 2% a due anni dal lancio di ChatGPT. Quello che si muove è la struttura del lavoro: le imprese riorganizzano i compiti, nascono compiti nuovi (generare contenuti, controllare l’AI, integrarla) e chi usa i chatbot passa a occupazioni meglio pagate, ma troppo poche persone perché cambi la media. Il titolo della versione attuale, Still Waters, Rapid Currents, riassume: la superficie è ferma, sotto si muove l’acqua.

Erik Brynjolfsson, Bharat Chandar e Ruyu Chen guardano invece i dati dei cedolini di ADP negli Stati Uniti, fino a giugno 2026. Nell’edizione di agosto 2026 trovano due cose insieme. La prima è che non ci sono prove di uno spiazzamento diffuso nell’economia. La seconda è che gli occupati di 22-25 anni nelle occupazioni più esposte all’AI sono ora il 19% sotto il livello che avrebbero avuto se avessero tenuto il passo dei coetanei meno esposti: in valori assoluti, circa -11% fra novembre 2022 e giugno 2026 nei due quintili più esposti, contro circa +10% nei tre meno esposti. Il fenomeno si vede nelle assunzioni ridotte più che nei licenziamenti. Per i lavoratori con esperienza non trovano un divario paragonabile.

I due studi non si contraddicono. Riguardano due paesi diversi: uno guarda i guadagni e le ore di chi lavora, l’altro chi viene assunto. Messi insieme dicono qualcosa di più preciso dell’allarme e della rassicurazione: finora il lavoro nel complesso non è crollato, e l’effetto, dove c’è, sembra pesare sull’ingresso dei giovani. È un’ipotesi da seguire, non una scadenza: nessuno dei due studi dice dove saremo nel 2030.

Come si legge la prossima previsione

Dal registro ricaviamo tre domande, da fare prima di credere a qualunque numero sul lavoro. Quanto vale la cifra: posti persi, compiti automatizzabili o persone da ricollocare? Qual è la data, e in quale documento sta? E fra qualche anno chi andrà a controllare, con quale dato? Una previsione che non sa rispondere alla terza è un’opinione, anche quando porta un numero con la virgola.

Il registro, per ora, è questo: una riga smentita sul mestiere, tre che non si possono verificare, tre non ancora scadute. Nel 2030 ne scadranno tre insieme, e questo articolo avrà un motivo per essere riaperto. La cosa più utile che si possa chiedere a una previsione è una data.