L’intelligenza artificiale che si valuta da sola sta deformando le previsioni sul lavoro, secondo uno studio della northwestern university
Il dibattito sulla sostituzione del lavoro umano da parte dell’intelligenza artificiale sta assumendo una forma sempre più autoreferenziale, quasi chiusa in un circuito epistemico che tende a consumare le proprie ipotesi senza validazione esterna. Una ricerca condotta presso la Northwestern University introduce una frattura metodologica significativa in questo ecosistema di previsioni, evidenziando come molte delle stime sull’automazione delle professioni derivino non da osservazioni empiriche indipendenti, ma da valutazioni espresse dagli stessi modelli linguistici chiamati a descrivere il proprio impatto futuro. Il risultato non è soltanto una distorsione statistica, ma un cortocircuito concettuale che mette in discussione la legittimità stessa di una parte consistente della letteratura contemporanea sul futuro del lavoro.
Il cuore dell’analisi riguarda le 705 occupazioni del sistema di classificazione statunitense, sottoposte a interrogazione diretta da parte di diversi modelli di frontiera, con l’obiettivo di stimare la probabilità di sostituzione tecnologica. La variabilità emersa è difficile da ignorare anche per chi ha familiarità con la natura probabilistica dei sistemi di intelligenza artificiale. Per una stessa professione, come quella degli economisti, le stime oscillano in modo estremo tra il 10% e oltre l’80%, a seconda del modello utilizzato e della sua versione evolutiva. Questa dispersione non è un dettaglio tecnico marginale, ma un indicatore strutturale di instabilità interpretativa, che rende problematica qualsiasi inferenza aggregata.
Il punto critico non riguarda la capacità predittiva dei singoli modelli, quanto la loro tendenza a produrre valutazioni che riflettono più la propria architettura interna che una realtà esterna verificabile. Quando un sistema viene interrogato sulla propria capacità di sostituire il lavoro umano, si attiva una dinamica di auto-riflessione statistica che non ha equivalenti nei tradizionali strumenti di analisi economica. Il risultato è una forma di “autovalutazione tecnologica” che rischia di essere scambiata per evidenza scientifica, pur essendo, in sostanza, una proiezione condizionata dal contesto di addestramento e dai parametri del modello stesso.
Questa dinamica introduce una distorsione che si estende ben oltre l’ambito accademico. Molte delle narrative industriali e politiche sull’impatto dell’intelligenza artificiale sul mercato del lavoro si basano infatti su questi numeri come se fossero osservazioni neutrali, quando in realtà sono prodotti sintetici, altamente sensibili alle variazioni di modello, versione e prompt. Il risultato è una sovrastruttura di previsioni che appare quantitativamente robusta, ma che in realtà poggia su fondamenta epistemologiche instabili, dove la ripetibilità dell’esperimento non garantisce affatto la convergenza dei risultati.
Il problema diventa ancora più rilevante se osservato attraverso la lente dell’economia dell’informazione. Le decisioni di investimento, le politiche di formazione e le strategie aziendali vengono sempre più influenzate da metriche derivate da sistemi che non sono progettati per fornire verità statistiche, ma per generare risposte plausibili. In questo scarto tra plausibilità e verificabilità si inserisce una delle tensioni più sottovalutate dell’attuale fase di adozione dell’intelligenza artificiale, dove la velocità della produzione informativa supera sistematicamente la capacità di validazione empirica.
La conseguenza più rilevante di questo scenario non è la previsione di un errore sistematico, ma la normalizzazione dell’incertezza come se fosse precisione. Quando modelli diversi producono risultati divergenti per lo stesso fenomeno, la tentazione del sistema mediatico e politico è quella di selezionare il numero più narrativamente efficace, trasformando una distribuzione di probabilità instabile in una verità semplificata. Questo processo, apparentemente innocuo, altera profondamente la percezione del rischio tecnologico e del suo impatto occupazionale.
In ultima analisi, la questione non riguarda la possibilità che l’intelligenza artificiale trasformi il lavoro umano, elemento che appare ormai difficilmente contestabile, ma la qualità delle lenti attraverso cui questa trasformazione viene misurata. L’uso di modelli linguistici come strumenti di previsione auto-riflessiva introduce un bias sistemico che richiede maggiore cautela interpretativa. La vera sfida non è stabilire se un’occupazione sarà automatizzata, ma comprendere quanto le nostre stesse metriche siano diventate parte del fenomeno che cercano di descrivere, in un circuito chiuso in cui osservatore e oggetto osservato tendono progressivamente a coincidere.