Argomenti trattati
Negli ultimi anni l’Intelligenza artificiale è uscita dal regno delle sole ipotesi e ha iniziato a lasciare tracce misurabili nel mercato del lavoro. Studi recenti basati su fonti ufficiali mostrano che le trasformazioni non sono omogenee: colpiscono in modo particolare chi entra ora nel lavoro qualificato. Lo sviluppo e la diffusione degli LLM (modelli linguistici di grandi dimensioni) hanno accelerato questa transizione, rendendo urgente capire dove e come si sta verificando la riduzione della domanda di lavoro umano.
Il fenomeno non riguarda genericamente tutta l’occupazione tecnica, ma categorie definite e ripetitive: i coder e le professioni ad alta intensità di programmazione. L’interpretazione corretta dei dati richiede attenzione metodologica: distinguere tra shock settoriali e shock occupazionali è essenziale per non sovra- o sottostimare l’effetto reale dell’AI sulle assunzioni e sulle traiettorie professionali dei giovani.
L’evidenza dalla Federal Reserve
Un paper del Board of Governors della Federal Reserve firmato da Leland D. Crane e Paul E. Soto utilizza i dati del Current Population Survey e del Current Employment Statistics per misurare l’impatto dell’AI sui coder. Con un approccio di tipo event study centrato sul lancio di ChatGPT (novembre 2026), gli autori osservano che la crescita dell’occupazione dei coder, che prima procedeva a ritmi molto sostenuti, si è sostanzialmente fermata. Dopo aver controllato per molte variabili settoriali, stimano un effetto specifico per la categoria pari a circa -3% annuo, con robusta significatività statistica.
Definizione operativa dei coder
Crane e Soto non si affidano alla sola classificazione occupazionale tradizionale: usano il database O*NET, che attribuisce un punteggio di importanza della competenza di programmazione su una scala 1-5. Fissando la soglia a 2,76 individuano un insieme di professioni (programmatori, sviluppatori software, amministratori di rete, analisti di database, scienziati informatici) che corrisponde a circa il 3,7% dell’occupazione statunitense. Per correggere le imprecisioni di etichettatura includono anche gli sviluppatori software, che nelle descrizioni ufficiali appaiono meno ‘programmatici’ ma dichiarano—nei sondaggi—la scrittura di codice come attività centrale.
Prospettiva più ampia: i numeri di mercato
L’analisi della Fed offre profondità su una categoria specifica; altre ricerche forniscono la scala complessiva. Un report di Goldman Sachs pubblicato nella prima settimana di aprile 2026 stima che, nell’ultimo anno, la sostituzione operata dall’AI abbia eliminato circa 25.000 posti di lavoro al mese negli Stati Uniti, mentre gli effetti di augmentation ne hanno creati circa 9.000. Il saldo netto è quindi vicino a -16.000 posti al mese, ovvero circa 192.000 all’anno, su tutte le professioni esposte.
Giovani e disuguaglianze generazionali
Un elemento ricorrente è la maggiore vulnerabilità dei lavoratori junior. Le professioni ad alta esposizione alla sostituzione mostrano un aumento relativo della disoccupazione tra under 30 rispetto a lavoratori più esperti, e un deterioramento del gap salariale tra entry-level e senior: ogni deviazione standard in più di esposizione all’automazione amplia il divario retributivo di circa 3,3 punti percentuali. Questo perché i ruoli iniziali sono spesso composti da compiti ripetitivi e facilmente automatizzabili.
Meccanismi spiegativi e questioni aperte
Per capire il perché della selettività dell’impatto serve il concetto di job bundles: i lavori sono fasci di compiti. Uno junior developer svolge spesso un fascio debole di mansioni focalizzate sul coding standard, attività che l’AI può assorbire senza interrompere il flusso operativo. Un senior, al contrario, opera in fasci stretti dove il coding è intrecciato con expertise di dominio, progettazione e decision making; qui l’AI tende ad essere un moltiplicatore di produttività anziché un sostituto. Questa distinzione, approfondita in contributi accademici recenti, spiega perché l’automazione riduce le assunzioni junior mentre potenzia i ruoli esperti.
Limiti dell’evidenza e fattori confondenti
Gli autori evidenziano limiti importanti: non è sempre possibile separare un calo dovuto a guadagni di produttività già concretizzati da un calo dovuto a guadagni attesi; esistono fattori fiscali rilevanti (ad esempio le modifiche al trattamento delle spese di R&D introdotte dal Tax Cuts and Jobs Act del 2017) che possono aver influenzato le assunzioni; infine, parte dei lavoratori ‘mancanti’ potrebbe essersi riallocata in altre occupazioni non paragonabili per qualità e retribuzione. Rimane dunque aperta la domanda su quanto l’effetto sia temporaneo o strutturale.
La convergenza tra studi diversi, dati ufficiali e analisi di mercato indica però una tendenza chiara: non si tratta di un collasso occupazionale catastrofico, ma di una compressione silenziosa delle vie di accesso al lavoro qualificato per una generazione. Per aziende, istituzioni e policy maker la sfida è capire come favorire la riqualificazione, rendere visibili i gap emergenti e ripensare strumenti di formazione e incentivazione che preservino i percorsi di ingresso professionale.