Come l'automazione guidata dall'IA influenzerà effettivamente i posti di lavoro?

Come influenzerà l'automazione guidata dall'IA i posti di lavoro?

Autori Alex Imas e Soumitra Shukla tramite Ghosts of Electricity,

Uno dei risultati più citati nella politica dell'IA proviene da un articolo del 2023 di Eloundou, Manning, Mishkin e Rock intitolato “GPTs are GPTs”. Il titolo è un bel doppio senso: l'articolo studia come le tecnologie di uso generale (GPT) basate su modelli linguistici di grandi dimensioni (anch'essi GPT) potrebbero rimodellare il mercato del lavoro. Il risultato principale è che circa l'80% dei lavoratori statunitensi potrebbe avere almeno il 10% dei propri compiti influenzato dagli LLM, e circa il 19% potrebbe vedere la metà o più dei propri compiti impattati. In generale, queste misure di esposizione cercano di catturare quanto un'occupazione sia "esposta" all'IA in funzione della capacità dell'IA di aumentare i compiti coinvolti nel lavoro: l'esposizione diretta è definita come "se l'accesso a un LLM o a un sistema basato su LLM ridurrebbe il tempo necessario a un essere umano per eseguire un determinato DWA o completare un compito di almeno il 50%". Gli autori sono estremamente chiari su questo punto nell'articolo: l'esposizione corrisponde alla capacità dell'IA di essere coinvolta nel lavoro, non all'estensione con cui il lavoro può essere automatizzato. Ma la parola "esposizione" si è rivelata fonte di tutte le ansie proprio riguardo a questo: il licenziamento. E forse per questo motivo, queste misure di esposizione all'IA sono diventate regolarmente virali sui social media negli ultimi due mesi.

Un esempio recente è di Andrej Karpathy, uno dei co-fondatori di OpenAI e un leader nel modo di pensare all'IA in generale (ad esempio, ha coniato entrambi i termini "jagged intelligence" e "vibe coding"). La sua dashboard, che ha descritto come un progetto del fine settimana "vibe-coded", era una classifica di quanto le principali occupazioni fossero esposte all'automazione guidata dall'IA. È diventata rapidamente virale su X, alimentando tutte le narrazioni già esistenti sulla rapida perdita di posti di lavoro dovuta all'IA.

Dopo aver visto la dashboard sensazionalizzata e diffondersi a macchia d'olio, Karpathy ha chiarito che il suo punteggio di "esposizione" si basava su una rapida misurazione, generata da LLM, di quanto fosse digitale un lavoro, e non era mai intesa come una previsione seria su quali occupazioni si sarebbero ridotte o scomparse. Sebbene il suo sito web del progetto facesse la stessa precisazione, è stato in gran parte ignorato su X. Per storpiate la frase ben nota: "Un progetto del fine settimana vibe-coded viaggerà due volte intorno al mondo prima che la precisazione abbia il tempo di mettersi i pantaloni."
Ciò che questo recente episodio illustra, tuttavia, è che tali misure di esposizione hanno catturato l'attenzione del pubblico ma vengono regolarmente fraintese (con alcuni che propongono una moratoria sul termine "esposizione" del tutto). Quando le persone sentono che un lavoro è "esposto all'80%" all'IA, immaginano che l'80% di quel lavoro scompaia. L'effettiva economia dell'esposizione all'IA e della perdita di posti di lavoro è piuttosto lontana da quella caratterizzazione.

Cos'è un "lavoro"?

Un lavoro è un insieme di compiti; una persona viene solitamente pagata in base a quanto bene completa tutti i compiti associati al lavoro. Quindi, supponiamo che tu sia un project manager. Il tuo lavoro comporta una serie di compiti come generare idee, delineare tali idee in modo conciso e ottenere feedback dai membri del team, mettere insieme presentazioni e una serie di lavori ripetitivi (ad esempio, approvare fogli presenze, gestire la logistica). Man mano che i modelli di IA diventano migliori, ti rendi conto che puoi automatizzare molte di queste cose: l'IA può fare molto del lavoro ripetitivo per te e può persino aiutarti a preparare presentazioni. Secondo la misura di esposizione, il tuo lavoro è ora "esposto" all'IA. Cosa succede al tuo lavoro e cosa succede al tuo stipendio? Beh, se automatizzare alcuni dei compiti ti libera tempo per generare idee migliori, la tua produttività complessiva aumenta: diventi ancora più prezioso per l'azienda. Gli esseri umani sono ancora impiegati e, se mai, gli stipendi aumentano.

D'altra parte, se l'IA automatizza tutti i compiti - supponiamo che il tuo lavoro comporti solo due compiti e che entrambi vengano automatizzati - allora sì, il lavoro umano verrà spostato. È importante notare che minore è il numero di compiti (quella che chiamiamo la dimensionalità di un lavoro), maggiore è l'incentivo dell'azienda ad automatizzarlo in primo luogo. Questa è la parte che gran parte dell'analisi sull'automazione perde: adottare l'IA in un'organizzazione esistente è costoso, quindi l'azienda sarà più propensa a investire se può automatizzare il lavoro, non solo il compito. L'"esposizione" e il rischio di automazione non sono solo una funzione delle capacità del modello, dipendono anche dagli incentivi aziendali. E questo non è ipotetico: ora abbiamo molte prove che tali incentivi contano molto per ciò che viene automatizzato e quando (ad esempio, le aziende sono molto più propense ad automatizzare quando il costo del lavoro umano aumenta).

Infine, anche se l'IA rende le persone più produttive e genera stipendi più alti, ci possono ancora essere massicci licenziamenti in quel settore se i consumatori non "assorbono" l'aumento della produttività: se i cali di prezzo guidati dalla produttività non aumentano la domanda per il prodotto, allora saranno necessari meno lavoratori in quel settore.

Più in generale, un compito esposto all'IA - anche se tale esposizione corrisponde alla completa automazione di quel compito - può potenzialmente portare a stipendi più alti e a maggiori assunzioni per quell'occupazione. Oppure può portare a licenziamenti e persino alla completa sostituzione. Se l'esposizione porta a risultati migliori o peggiori sul mercato del lavoro per i lavoratori dipende da due variabili chiave: l'elasticità della domanda dei consumatori in quel settore (quanto di più del prodotto acquistano le persone al diminuire dei prezzi) e la dimensionalità del lavoro (quanti compiti sono coinvolti in quel lavoro). Come speriamo di convincervi entro la fine dell'articolo, dovremmo essere molto più preoccupati per lavori come il trasporto merci e la logistica di quanto non siamo attualmente.

L'approccio standard all'automazione

Iniziamo con l'approccio "standard" al pensiero sull'automazione. Innanzitutto, scomponiamo i lavori in compiti utilizzando una tassonomia come O*NET, quindi valutiamo quanti di questi compiti possono essere automatizzati o aumentati dall'IA. L'impatto totale sul lavoro è una media ponderata di quanto ogni compito è stato migliorato, il che significa che è possibile costruire un "indice di esposizione" - tipicamente definito come quale quota dei compiti di un lavoro può fare l'IA? - e questo indice si mappa linearmente su quanto il lavoro è influenzato (vedi, ad esempio, l'ormai classico articolo di Michael Webb). Questo approccio è stato enormemente utile per mappare il panorama della potenziale portata dell'IA. Ma contiene un'assunzione che è quasi certamente sbagliata per la maggior parte dei lavori reali: assume che i compiti siano separabili. Cioè, automatizzare il compito A non ha alcun effetto sulla produttività del compito B, e l'impatto complessivo è solo la somma delle parti.

Considera i lavori che conosci. Ce ne sono molti in cui l'output consiste nel fare molte cose diverse bene, non solo alcune di esse. Non puoi avere un cuoco che segue la maggior parte dei passaggi di una ricetta, un batterista che è per lo più a tempo, un programmatore il cui codice funziona solo parzialmente (o, per quanto riguarda la questione, un professore che fa solo la metà del lavoro di ricerca... anche se alcuni hanno testato questo requisito). Questi sono lavori in cui ogni compito deve essere completato con successo affinché l'output sia accettabile.

In altre parole, i compiti non sono separabili; sono complementari, cioè, fare un compito bene o male influisce su quanto bene puoi farne altri nel lavoro per completarlo. Che i compiti all'interno di un lavoro siano complementari piuttosto che sostituti sembra piuttosto plausibile per la maggior parte della produzione reale. E questo ha una vasta gamma di implicazioni importanti su come l'IA influenzerà effettivamente i lavori.

Il modello O-ring dei lavori

L'idea che compiti complementari creino produttività non lineare risale al classico articolo del 1993 di Michael Kremer, "The O-Ring Theory of Economic Development". Il nome deriva dal tragico disastro del Challenger: un singolo O-ring difettoso causò il fallimento catastrofico dell'intero sistema. L'intuizione di Kremer fu che se la produzione richiede molti passaggi, e ogni passaggio deve essere fatto bene affinché il prodotto finale abbia valore, allora la produttività diventa una funzione moltiplicativa piuttosto che lineare dell'abilità. Un lavoratore che commette leggermente meno errori per compito sarà drasticamente più produttivo nel complesso, poiché quei piccoli guadagni di qualità si compongono in ogni passaggio.

Questo modello di lavori basato sui compiti ha acquisito nuova rilevanza con un recente articolo di Joshua Gans e Avi Goldfarb, "O-Ring Automation", che applica il quadro di Kremer direttamente all'automazione guidata dall'IA. Sebbene il loro modello possa apparire semplice a prima vista, le sue implicazioni sono di vasta portata e profonde. Almeno uno di noi (Alex) è ossessionato da questo articolo da mesi (vedi qui, qui e qui).

Gans e Goldfarb costruiscono un modello di un'azienda in cui il lavoro di ogni dipendente è composto da n compiti. L'output del lavoro è moltiplicativo nella qualità di ogni compito - questa è la funzione di produzione O-ring:

Un lavoratore ha un'dotazione di tempo h e la alloca tra gli n compiti. Se il compito s viene eseguito manualmente, il lavoratore vi spende h_s ore e genera qualità:

dove a è la produttività del lavoro, assunta costante tra i compiti (un'assunzione semplificativa). Il vincolo di tempo del lavoratore è:

L'azienda può anche scegliere di automatizzare qualsiasi compito affittando un pezzo di capitale che fornisce una qualità fissa θ al costo r per compito. Questa è la parte fondamentale a cui prestare attenzione: se le aziende investono nell'automatizzare un compito dipende dai compromessi incorporati in questo problema. Una volta automatizzato un compito, il lavoratore non ha più bisogno di dedicare tempo ad esso.

Finora l'impostazione è piuttosto semplice. La parte interessante è ciò che la struttura moltiplicativa della funzione di produzione implica una volta che l'automazione entra in gioco.

Come può l'automazione aumentare gli stipendi?

Supponiamo ora che un'azienda scelga di automatizzare k su n compiti. Cosa succede al lavoratore e come influisce sullo stipendio?

Prima dell'automazione, il lavoratore alloca il tempo uniformemente tra tutti gli n compiti, il che è ottimale data la struttura simmetrica. Ogni compito manuale riceve quindi h/n ore e ha qualità a · h/n. L'output totale è:

Dopo che k compiti sono stati automatizzati con qualità θ, il lavoratore ha ora tutte le h ore da allocare su soli n - k compiti manuali rimanenti. Ogni compito manuale riceve ora h/(n-k) ore, producendo qualità a · h/(n-k). L'output totale diventa:

Quindi l'output aumenta dopo l'automazione parziale se e solo se:

Questa è una condizione importante che afferma che se la qualità dell'automazione θ è almeno pari alla qualità manuale originale pre-automazione del lavoratore su quei compiti, allora l'output aumenta di sicuro. L'output non aumenta automaticamente solo perché alcuni compiti sono automatizzati; aumenta quando la qualità dell'automazione è sufficientemente elevata.

Ma ecco l'intuizione chiave: poiché l'automazione libera anche il lavoratore per concentrare più tempo sui compiti rimanenti, l'output può aumentare anche se i compiti automatizzati vengono eseguiti a una qualità leggermente inferiore rispetto a quella che il lavoratore raggiungeva originariamente prima dell'automazione. L'automazione consente al lavoratore di concentrarsi su meno compiti, aumentando la qualità di ciascuno. Questo è l'"effetto focus". A causa della forma funzionale della funzione di produzione, una maggiore qualità sui compiti manuali rimanenti non si aggiunge solo all'output, ma si moltiplica attraverso la funzione di produzione. Il lavoratore diventa più produttivo proprio perché sta facendo meno cose.

Quando la qualità dell'automazione è sufficientemente elevata rispetto a ciò che il lavoratore produceva manualmente su quei compiti, il prodotto marginale del lavoratore aumenta e così (tipicamente) anche il suo stipendio. L'automazione parziale, nel mondo O-ring, è spesso un complemento al lavoro umano piuttosto che un sostituto, il che aumenta lo stipendio del lavoratore.

Ma questa non è necessariamente una buona notizia per il lavoro

Una maggiore produttività del lavoratore è positiva per gli stipendi, ma porta a più o meno posti di lavoro? Dipende dalla domanda dei consumatori. Ogni lavoratore produce una calcolatrice al giorno e l'azienda ha 10 lavoratori. Tutte le calcolatrici vengono vendute al prezzo corrente. Ora immagina che ogni lavoratore diventi molto più produttivo in modo che ogni lavoratore possa produrre 10 calcolatrici. Il prezzo di ogni calcolatrice scende (i costi scendono), ma i consumatori richiedono ancora circa lo stesso numero di calcolatrici. Questo è il caso della domanda anelastica, che non risponde molto ai prezzi. Ora l'azienda licenzierà 9 dei lavoratori. Ma cosa succede se i consumatori acquistano molte più calcolatrici a prezzi inferiori, cioè la domanda è molto elastica? Allora l'azienda finirà per assumere più lavoratori per soddisfare la nuova domanda, nonostante il fatto che siano più produttivi.

Più in generale, se la domanda è elastica (elasticità > 1), allora una diminuzione del prezzo porta a un aumento più che proporzionale della quantità domandata. L'output si espande molto. L'azienda ha bisogno di più lavoratori per produrre questo output più elevato, anche se ogni lavoratore è ora più produttivo. Effetto netto: più assunzioni.

Se la domanda è anelastica (elasticità

Questo è strettamente correlato a un'idea popolare comunemente nota come paradosso di Jevons: quando una risorsa diventa più efficiente da usare, il consumo totale di quella risorsa spesso aumenta anziché diminuire. Quando la macchina a vapore rese il carbone più efficiente, il consumo di carbone salì alle stelle perché così tante nuove applicazioni divennero economicamente valide. La stessa logica si applica al lavoro: se l'IA rende un lavoratore drasticamente più produttivo, e la domanda per quel prodotto è elastica, si potrebbe finire con più lavoratori in quell'occupazione, non meno.

Perché la dimensionalità del lavoro è importante: il caso degli incentivi aziendali

La relazione tra compiti ed elasticità della domanda dei consumatori è una dimensione importante per prevedere la sostituzione guidata dall'IA, ma una variabile spesso trascurata è il numero di compiti nel lavoro stesso, cioè la sua dimensionalità. La dimensionalità di un lavoro è importante per due ragioni.

In primo luogo, a condizione che un compito venga automatizzato, è più probabile che un lavoro a bassa dimensionalità venga completamente sostituito. Se un lavoro ha 20 compiti e uno viene automatizzato, un lavoratore umano è ancora necessario per svolgere gli altri 19 compiti. Ma se un lavoro ha un compito e un compito viene automatizzato, quel lavoro è finito. In secondo luogo - e questa dimensione è forse la più trascurata - le organizzazioni hanno un incentivo più forte ad automatizzare i compiti quanto meno compiti non automatizzati rimangono nel lavoro. Immagina che automatizzare un compito richieda un investimento di 10 milioni di dollari (acquisto del software, onboarding, collegamento al resto del sistema, ecc.). In un caso, questo compito è l'unico compito non automatizzato rimasto in un lavoro; nell'altro caso, se questo compito viene automatizzato, rimangono altri 19 compiti non automatizzati. L'azienda ha un incentivo molto maggiore ad automatizzare il compito nel primo caso rispetto al secondo perché può quindi sostituire il lavoratore e raccogliere i risparmi sui costi coinvolti.1

Per questo motivo, le aziende hanno un incentivo più forte a investire in tecnologia per automatizzare lavori a bassa dimensionalità. In un lavoro a bassa dimensionalità, automatizzare tutti o la maggior parte dei compiti principali può eliminare la posizione e il conto salariale del tutto. Ciò rende il ritorno all'automazione molto più elevato. In altre parole, non tutti i compiti "non esposti" hanno lo stesso peso: in alcuni lavori i compiti rimanenti mantengono ancora il lavoratore esistente presso l'azienda; in altri no.

Ciò fornisce una chiara previsione: anche se un lavoro non è attualmente "esposto" all'IA, nel senso che l'IA non viene utilizzata per i compiti coinvolti, se è a bassa dimensionalità e la tecnologia si sta avvicinando all'automazione dei compiti, dovrebbe essere considerato a rischio. Le aziende lavoreranno di più e investiranno di più per automatizzare il/i compito/i coinvolto/i rispetto al caso in cui i lavori abbiano molti compiti non automatizzati.

Trasporto merci e magazzinaggio, i canarini trascurati nella miniera di carbone

Ecco perché pensiamo che le persone dovrebbero essere più preoccupate per lavori come il trasporto merci e la logistica.

Circa 3 milioni di americani guidano camion per vivere. Molti sono sulla cinquantina, guidano da decenni e vivono in comunità in cui il trasporto merci è una spina dorsale economica. Il trasporto merci è uno dei migliori lavori che si possano ottenere senza una laurea. Il lavoro effettivo di un camionista a lungo raggio è dominato da poche funzioni principali: spostare il camion in sicurezza dal punto A al punto B. La logistica, il carico/scarico, ecc. sono tutti svolti da altri. Se la guida autonoma diventa affidabile sulle rotte a lungo raggio, il lavoro di un camionista non viene solo aumentato; è fondamentalmente minacciato e potrebbe persino essere completamente sostituito. E quella possibilità non è più teorica. Aziende come Aurora Innovation e Kodiak Robotics stanno già conducendo piloti di camion autonomi su larga scala e distribuzioni commerciali su rotte vincolate. La logistica racconta una storia simile. La logistica impiega milioni di lavoratori statunitensi, e molti lavori di magazzino - prelievo, imballaggio, smistamento, movimento pallet - sono relativamente ristretti e sempre più automatizzabili. All'estero, le aziende gestiscono già "magazzini oscuri" altamente automatizzati che funzionano 24 ore su 24 con manodopera umana minima. Questi magazzini non assomigliano affatto a ciò che vediamo oggi: sono progettati da zero per essere gestiti da macchine.

Ora confronta questo con un lavoratore della conoscenza, diciamo, un consulente di gestione. Il lavoro combina ricerca, analisi dei dati, comunicazione con i clienti, progettazione di presentazioni, ragionamento strategico, coordinamento del team e gestione delle relazioni. Si tratta di almeno sette o otto compiti complementari distinti. Claude o Codex potrebbero automatizzare il primo passaggio nell'analisi dei dati e nella creazione di presentazioni, ma il consulente è ancora necessario per tutto il resto. In termini O-ring, automatizzare alcuni compiti può rendere quelli rimanenti più preziosi consentendo al lavoratore di dedicare più tempo ad essi: il consulente può dedicare più tempo a parlare con il cliente e a metterlo a proprio agio con l'implementazione, ottenendo il consenso delle varie unità, ecc. Di conseguenza, gli stipendi possono aumentare e anche l'occupazione può aumentare se un output migliore e prezzi più bassi espandono la domanda dei clienti.

Si può vedere la stessa logica in molte professioni ad alto rischio come la medicina e l'accademia. Ci sono ora oltre 870 strumenti di IA per la radiologia approvati dalla FDA, e il 66% dei medici utilizza almeno uno strumento di IA, principalmente per la dettatura di note e il supporto diagnostico. Ma questi strumenti stanno aumentando i radiologi e i medici, non sostituendoli. L'IA gestisce tipicamente l'aspetto del riconoscimento di pattern di routine del lavoro, liberando i medici per concentrarsi su casi complessi, comunicazione con i pazienti e giudizio clinico. Allo stesso modo, gli accademici hanno dibattuto se i progressi nell'IA rendano gli assistenti di ricerca più o meno preziosi. Poiché l'IA automatizza i compiti analitici di routine, sia i professori che gli assistenti di ricerca possono concentrarsi maggiormente su idee e giudizio, espandendo così l'output e la domanda di manodopera qualificata per la ricerca. Questo è ancora una volta l'effetto focus O-ring in pratica.

Lo stesso nel nostro laboratorio. Ogni membro aggiuntivo può fare molto di più, la sfida è mettere tutti al passo, avere discussioni aperte sui modi migliori per utilizzare questi strumenti rispetto a non farlo e costruire una cultura in cui le persone si sentano più valorizzate, non meno. https://t.co/0nEwUadRPF
— Abhishek Nagaraj 🗺️ (@abhishekn) 18 marzo 2026
Cosa catturano gli indici di esposizione?

Riportiamo questo al quadro dell'esposizione. Nell'approccio standard, un consulente di gestione è altamente "esposto" all'IA, mentre un camionista non lo è. Ma ciò significa che il consulente è a rischio di sostituzione maggiore rispetto al camionista? Non necessariamente. L'elevata esposizione del consulente può in realtà essere una buona notizia perché significa che l'IA aumenterà molti dei suoi compiti complementari, innescando l'effetto focus e potenzialmente aumentando gli stipendi. D'altra parte, la moderata esposizione del camionista su un singolo compito critico è molto più pericolosa perché le aziende di trasporto merci hanno un incentivo molto maggiore ad automatizzare il compito di guida, e una volta che ciò è fatto, anche il lavoro è finito. Questi incentivi si stanno già manifestando nella pratica:

NOTIZIA: Jeff Bezos è in trattative per raccogliere 100 miliardi di dollari per un nuovo fondo che acquisterebbe aziende manifatturiere e cercherebbe di utilizzare la tecnologia IA per accelerare il loro percorso verso l'automazione.
È collegato alla startup IA Project Prometheus di Jeff, che mira a costruire prodotti IA per l'ingegneria… pic.twitter.com/6zlXRQHhOY
— Sawyer Merritt (@SawyerMerritt) 19 marzo 2026
L'oggetto rilevante, quindi, non è l'esposizione media dei compiti, ma la struttura dei colli di bottiglia e come l'automazione rimodella il tempo del lavoratore attorno ad essi. Due lavori con punteggi di esposizione identici possono avere rischi di sostituzione completamente opposti a seconda che i loro compiti siano complementari, che la domanda per il loro output sia elastica o anelastica, e gli incentivi dell'azienda a investire nell'automazione. I lavoratori a maggior rischio non sono necessariamente quelli con la maggiore esposizione media, ma quelli i cui lavori sono costruiti attorno a un piccolo numero di compiti principali che l'IA può automatizzare.

1 Nel caso in cui i lavori non siano completamente automatizzati, i risparmi sui costi derivanti dall'automazione del compito marginale dipenderanno dalle complementarità tra gli altri compiti nel lavoro. La relazione esatta è sviluppata nell'articolo sul modello O-ring dell'automazione.

Alex Imas è professore alla UChicago Booth. Ricerca su Economia e IA Applicata. Substack qui.

Tyler Durden
Sab, 04/04/2026 - 09:20