Quando un’azienda di intelligenza artificiale pubblica uno studio sul destino del lavoro, conviene sempre leggere tra le righe. Non per cinismo, ma per igiene intellettuale. Le società che costruiscono le tecnologie che promettono di rivoluzionare l’economia hanno spesso un incentivo narrativo molto chiaro: raccontare un futuro gigantesco, possibilmente inevitabile. In questo senso la recente ricerca pubblicata da Anthropic, la società che sviluppa il modello Claude, è un documento curioso, quasi schizofrenico. Da un lato rassicurante, dall’altro sottilmente inquietante.

Il messaggio di fondo è semplice e brutale. L’intelligenza artificiale potrebbe teoricamente automatizzare una parte enorme del lavoro cognitivo moderno, ma nel mondo reale lo sta facendo molto meno. Il divario tra queste due dimensioni è ciò che i ricercatori chiamano “capability gap”, ovvero il divario tra ciò che l’AI potrebbe fare e ciò che effettivamente fa nei luoghi di lavoro. In altre parole, la tecnologia è già più capace di quanto l’economia stia sfruttando. Questo non significa che la rivoluzione sia imminente. Significa qualcosa di più interessante: la rivoluzione potrebbe essere semplicemente in ritardo.

La ricerca introduce un indicatore che ha un nome quasi burocratico, ma che potrebbe diventare uno dei concetti chiave della prossima decade economica: “observed exposure”. Il metodo è elegante. Gli economisti di Anthropic hanno confrontato le capacità teoriche dei modelli linguistici con l’uso reale osservato nelle interazioni con Claude all’interno di attività professionali. Il risultato è un termometro empirico dell’automazione possibile. Non un esercizio accademico su ciò che potrebbe accadere, ma una fotografia di ciò che sta lentamente iniziando a succedere.

I numeri sono affascinanti. Nei lavori legati a informatica e matematica, l’intelligenza artificiale potrebbe teoricamente eseguire circa il 94 per cento delle attività. Nel mondo reale oggi ne copre circa il 33 per cento. Il divario tra questi due numeri è l’intero spazio della trasformazione economica che ci attende. Se si chiudesse anche solo in parte, interi segmenti della knowledge economy cambierebbero forma.

La parte più ironica della storia è che la narrativa tradizionale sull’automazione potrebbe essere completamente sbagliata. Per decenni abbiamo immaginato robot che sostituiscono operai nelle fabbriche o cassieri nei supermercati. In realtà l’intelligenza artificiale generativa sembra puntare altrove. Gli impieghi più esposti non sono quelli manuali, ma quelli cognitivi. Programmatori, analisti finanziari, consulenti, operatori di customer service, data entry specialist. In breve, gran parte della classe professionale che popola gli open space delle aziende moderne.

Si tratta di un ribaltamento culturale notevole. Il lavoro manuale richiede presenza fisica, contesto, coordinazione motoria e interazione con il mondo reale. Il lavoro dei colletti bianchi, invece, consiste sempre più spesso nella manipolazione di informazioni, testi, numeri e documenti. E questo è esattamente il territorio naturale dei modelli linguistici di grandi dimensioni, gli stessi che alimentano sistemi come ChatGPT o Claude.

Un dettaglio dello studio merita particolare attenzione. I lavoratori più esposti all’automazione non sono quelli meno qualificati. Al contrario, tendono a essere più istruiti, meglio pagati e spesso con titoli di studio avanzati. Il gruppo con maggiore esposizione guadagna in media circa il 47 per cento in più rispetto a quello con minore esposizione. Inoltre è significativamente più probabile che possieda un master o un dottorato.

Questa informazione manda in frantumi uno dei miti più diffusi dell’economia industriale. L’idea che l’automazione colpisca prima il lavoro poco qualificato. Nel caso dell’intelligenza artificiale generativa sembra accadere l’opposto. I lavori cognitivi standardizzati, quelli basati su analisi documentale, scrittura tecnica, revisione contratti o programmazione ripetitiva, sono sorprendentemente vulnerabili.

Qualcuno potrebbe obiettare che tutto questo non si vede ancora nel mercato del lavoro. Ed è vero. La ricerca stessa lo ammette. Non esiste al momento un aumento sistematico della disoccupazione nei settori più esposti all’AI. L’occupazione non è collassata e non si osservano licenziamenti di massa.

Il cambiamento è più sottile. Le aziende stanno semplicemente assumendo meno persone.

Dopo l’esplosione dell’AI generativa nel 2022, i tassi di assunzione nei lavori più esposti sono diminuiti di circa il 14 per cento rispetto ai livelli precedenti. Non si tratta di una catastrofe occupazionale, ma di un segnale anticipatore. Il mercato del lavoro raramente collassa in modo improvviso. Di solito si contrae lentamente.

Chi rischia di pagare il prezzo più alto sono i giovani. L’ingresso nel mercato del lavoro è sempre stato un momento fragile. Se le aziende scoprono che parte del lavoro junior può essere svolta da un modello linguistico che costa pochi dollari per milione di token, la tentazione di ridurre le posizioni entry level diventa molto concreta. Alcuni dati indicano già una diminuzione delle opportunità per i lavoratori tra i 22 e i 25 anni nei settori più esposti all’automazione.

Dal punto di vista storico la situazione ha precedenti interessanti. Quando i computer entrarono negli uffici negli anni Ottanta, non eliminarono immediatamente i lavori amministrativi. Li trasformarono lentamente. Il numero di segretarie, archivisti e operatori di data entry iniziò a ridursi nel giro di una decade. La produttività aumentò, ma l’occupazione cambiò forma.

La differenza oggi è la velocità tecnologica. I modelli linguistici migliorano con una rapidità quasi imbarazzante. Ogni nuova generazione sembra più capace della precedente nel ragionamento, nella scrittura e nella programmazione. Il paradosso è che l’economia reale procede molto più lentamente della tecnologia. Le organizzazioni sono strutture conservative. Le procedure legali, le responsabilità professionali e la necessità di supervisione umana rallentano l’adozione.

Molti compiti che l’AI potrebbe tecnicamente svolgere restano infatti inutilizzati per motivi molto banali. Normative, compliance, timori legali o semplicemente l’inerzia delle aziende. Un modello linguistico potrebbe gestire routine amministrative come autorizzazioni mediche o revisioni documentali, ma spesso queste attività restano manuali perché nessuna organizzazione vuole essere la prima a delegarle completamente a un algoritmo.

Questo è il vero motivo per cui il “capability gap” esiste. Non è solo un problema tecnologico. È un problema istituzionale.

La storia economica è piena di tecnologie che sono rimaste inutilizzate per anni prima di diffondersi davvero. L’elettricità, per esempio, impiegò quasi quarant’anni per trasformare la produttività industriale perché le fabbriche dovettero essere riprogettate completamente. L’intelligenza artificiale potrebbe seguire un percorso simile.

Alcuni ricercatori di Anthropic utilizzano una metafora piuttosto inquietante per descrivere lo scenario peggiore. Se l’adozione dell’AI dovesse accelerare rapidamente, il mercato del lavoro dei colletti bianchi potrebbe vivere uno shock simile alla Grande Recessione del 2008. Non una metafora generica, ma un confronto numerico preciso. Durante la crisi finanziaria il tasso di disoccupazione negli Stati Uniti raddoppiò dal 5 al 10 per cento. Uno shock analogo nei lavori più esposti all’intelligenza artificiale sarebbe perfettamente visibile nei dati.

Per ora questo scenario non si è verificato. L’economia ha ancora margine di adattamento. Il divario tra capacità tecnologica e adozione reale agisce come una sorta di cuscinetto temporale. Un intervallo durante il quale aziende, governi e lavoratori possono ridefinire le competenze richieste.

Tuttavia sarebbe ingenuo ignorare la direzione del cambiamento. La knowledge economy del XXI secolo si basa su attività cognitive standardizzate. Analizzare dati, scrivere report, redigere contratti, produrre codice software. Tutte attività sorprendentemente compatibili con l’architettura dei modelli linguistici.

Una frase che circola spesso tra gli economisti della tecnologia sintetizza il problema con brutalità quasi darwiniana. L’intelligenza artificiale non sostituisce i lavori manuali perché non ha un corpo. Sostituisce i lavori intellettuali perché vive nel linguaggio.

La vera domanda quindi non è se l’automazione arriverà, ma quando il divario tra potenziale e utilizzo reale inizierà a chiudersi. Quando accadrà, l’impatto potrebbe sembrare improvviso, anche se in realtà sarà stato preparato da anni di lenta diffusione tecnologica.

Chi oggi osserva l’intelligenza artificiale con un misto di curiosità e scetticismo potrebbe ricordare un’altra frase famosa, attribuita all’economista Paul Krugman negli anni Novanta. “La produttività dell’era dei computer si vede ovunque tranne che nelle statistiche”. Dieci anni dopo quelle statistiche esplosero.

L’intelligenza artificiale potrebbe seguire lo stesso copione. Una lunga fase di sottoutilizzo seguita da un’accelerazione improvvisa.

La vera ironia della storia è che l’automazione potrebbe colpire proprio i professionisti che hanno costruito l’economia digitale moderna. Programmatori, analisti, consulenti. L’élite cognitiva dell’economia della conoscenza.

Nella Silicon Valley questo paradosso è quasi una battuta ricorrente. Per decenni gli ingegneri hanno sviluppato strumenti per automatizzare il lavoro degli altri. Ora gli algoritmi iniziano a imparare anche il loro.

Il capitalismo tecnologico ha sempre avuto un talento particolare per questo tipo di ironia storica.

Link alla ricerca originale:
https://www.anthropic.com/research/labor-market-impacts