La narrazione dominante dipinge l’Intelligenza artificiale generativa come un demolitore di posti di lavoro d’ufficio: prima i programmatori, poi gli analisti, quindi i servizi clienti e i ruoli creativi. Tuttavia, guardando i numeri disponibili, la fotografia è meno drammatica di quanto spesso si legge. È importante separare le storie aneddotiche — licenziamenti reali in singole aziende — dai segnali a livello aggregato. Allo stesso tempo, non bisogna sottovalutare la urgenza politica di governare la transizione per salvaguardare competitività e benessere collettivo.
Le evidenze più solide provengono dagli Stati Uniti, dove sono disponibili serie statistiche e studi già comparabili. Questi dati non escludono impatti localizzati: alcuni ruoli junior e compiti ripetitivi mostrano effetti osservabili. Ma, nel complesso, non c’è ancora traccia di una sostituzione sistemica massiccia. Per leggere correttamente la trasformazione bisogna osservare più indicatori oltre alla sola disoccupazione, come i tassi di assunzione, il job finding rate dei giovani e la composizione dei task.
Cosa dicono le indagini e i principali studi
Analisi come quella dell’Economic Innovation Group segnalano che il tasso di disoccupazione non è aumentato in modo più marcato nelle occupazioni più esposte all’AI rispetto a quelle meno esposte; anzi, l’aumento è stato più pronunciato nei lavori considerati meno esposti. Allo stesso tempo, i dati del Census Bureau indicano che solo circa una impresa su cinque dichiara di usare l’AI in almeno una funzione aziendale. Questo spiega in parte la discrepanza fra la velocità della retorica e quella dell’adozione produttiva: disponibilità tecnologica non equivale a integrazione organizzativa.
Disoccupazione, assunzioni e il fenomeno “low-fire, low-hire”
Uno degli elementi più rilevanti è il rallentamento delle nuove assunzioni. La St. Louis Fed descrive il mercato come un contesto «low-fire, low-hire»: poche ondate di licenziamenti di massa, ma molte imprese che assumono meno. Questo si traduce in minori opportunità di ingresso e in una maggiore chiusura del mercato del lavoro per chi cerca il primo impiego. Studi come quelli di Anthropic e del Yale Budget Lab registrano segnali di calo nell’ingresso dei 22-25enni nelle occupazioni esposte all’AI, suggerendo che il fenomeno dipende più dal blocco delle assunzioni che dalle separazioni effettive.
Chi sono i più vulnerabili e perché
Il nodo centrale riguarda i giovani e i ruoli di ingresso. Molte attività tipiche del lavoro junior si basano su conoscenza codificata: compilare report, scrivere bozze, svolgere analisi ripetitive o produrre codice standard. Sono proprio queste mansioni che un modello generativo può replicare o accelerare con efficacia. Al contrario, la conoscenza tacita — giudizio, esperienza su casi limite, rapporto con il cliente — si costruisce nel tempo e rimane difficile da sostituire. Se i compiti formativi vengono compressi dall’automazione, il rischio è rompere la scala verticale di apprendimento che forma i professionisti senior.
Il caso del software e la polarizzazione delle competenze
Il settore del coding è un laboratorio di questa dinamica: ricerche della Federal Reserve Board mostrano un rallentamento della crescita occupazionale nel coding dopo l’introduzione di ChatGPT, ma non una scomparsa dei programmatori. Il lavoro ripetitivo perde valore, mentre aumentano domanda e salari per profili che uniscono dominio applicativo, integrazione, sicurezza e capacità di orchestrare strumenti basati su AI. In questo senso la polarizzazione riguarda competenze e mansioni, non l’estinzione totale di intere professioni.
Scenario italiano ed europeo
In Italia l’impatto appare, finora, meno negativo sui profili junior: l’Osservatorio HR Innovation del Politecnico di Milano segnala che il 44% dei lavoratori usa l’AI e che la domanda di figure junior cresce nel 12% delle aziende, calando solo nel 5%. Tuttavia, molte imprese considerano l’AI come un accessorio operativo e non come leva di ridisegno organizzativo: solo il 9% gestisce strutturalmente il tempo risparmiato e il 15% dichiara competenze adeguate per ripensare ruoli. A livello europeo, il quadro regolatorio — AI Act, GDPR e requisiti di governance — influenzerà tempi e modalità di adozione, privilegiando approcci verificabili e sicuri.
Che cosa dovrebbero fare imprese e policy maker
Le politiche devono concentrarsi su misure mirate: migliorare la misurazione (includendo assunzioni, job finding rate e composizione dei task), proteggere i percorsi di apprendimento per i giovani, distinguere tra automazione e augmentation, e sostenere le PMI con infrastrutture dati e formazione. Serve anche un investimento pubblico in dati e ricerca per capire la transizione. Se la porta d’ingresso al lavoro si restringe silenziosamente, il costo sociale non sarà misurato solo in posti persi oggi, ma in opportunità formative mancate e in una minore capacità di crescita a lungo termine.
