Perché le previsioni sugli impatti dell’AI sul mondo del lavoro offrono risultati spesso discordanti e a volte nemmeno verificabili? Lo spiega uno studio del Digital Ethics Center dell’Università di Yale, co-firmato tra gli altri dal filosofo Luciano Floridi, che propone un vocabolario minimo per affrontare il tema con senso critico.
In sintesi. Un recente studio del Digital Ethics Center dell’Università di Yale, co-firmato tra gli altri dal filosofo Luciano Floridi, si concentra sulle molteplici previsioni sugli impatti dell’AI sul mondo del lavoro, interrogandosi sul perché offrano risultati spesso discordanti e a volte nemmeno verificabili. Gli autori propongono un vocabolario minimo per affrontare il tema con senso critico.
Nel novembre 2016 Geoffrey Hinton, uno dei padri delle reti neurali, pronunciò una frase destinata a fare il giro del mondo: bisognava smettere subito di formare radiologi. Entro cinque anni, spiegò, gli algoritmi di deep learning avrebbero letto le immagini diagnostiche meglio di qualsiasi medico.
I cinque anni sono passati ma i radiologi non sono spariti e anzi, secondo le proiezioni pubblicate sul Journal of the American College of Radiology, negli Stati Uniti cresceranno tra il 26% e il 40% circa entro il 2055. Nel maggio 2025 lo stesso Hinton, premiato l’anno prima con il Nobel per la Fisica, ha ammesso con il New York Times di aver sbagliato i tempi, pur confermando la direzione della sua previsione.
Il caso Hinton non è un’eccezione. È l’esempio più emblematico – e se vogliamo autorevole – di un intero “genere” accademico e giornalistico: le previsioni sull’impatto dell’intelligenza artificiale sul lavoro, che da oltre un decennio producono numeri capaci di fare notizia e quasi mai sottoposti a verifica.
A mettere ordine in questa produzione è Not Even Wrong, uno studio pubblicato in versione preprint sulla piattaforma SSRN (Social Science Research Network) da Luciano Floridi, Claudio Novelli e Jessica Morley del Digital Ethics Center dell’Università di Yale. Floridi, riconosciuto recentemente dalla classifica Stanford-Elsevier come filosofo più citato al mondo, insegna anche all’Università di Bologna e figura tra i contributor di Weconomy, progetto di ricerca della design company logotel.
Gli autori hanno esaminato ventisei tra le previsioni più citate, uscite tra il 2012 e il maggio 2026. Nel novero figurano report di società di consulenza e banche, documenti di organizzazioni internazionali, ricerche accademiche e dei principali laboratori che sviluppano sistemi di AI.
Il responso degli autori dello studio è netto. Poche previsioni superano una verifica rigorosa e molte, per usare la battuta attribuita al fisico Wolfgang Pauli da cui il paper prende il titolo, “non sono nemmeno sbagliate”: sono cioè formulate in modo così vago, o così prive di metodo, dati e margini di incertezza, da sottrarsi a qualsiasi verifica.
Tra gli esempi citati nello studio figurano anche report autorevoli come il Future of Jobs Report del World Economic Forum, che esce periodicamente e trova ampia eco nel dibattito sull’intelligenza artificiale. Il report del Wef ha previsto un saldo di più 12 milioni di posti nell’edizione 2020, di meno 14 milioni nel 2023 e di più 78 milioni nel 2025, senza mai spiegare i cambi di segno.
Secondo gli autori, parte della confusione sul tema nasce dal fatto che sotto l’etichetta “impatto dell’AI sul lavoro” convivono sei grandezze molto diverse tra loro: esposizione, potenziale di automazione, automazione economicamente conveniente, sostituzione dei lavoratori, variazione netta dell’occupazione e incremento di produttività.
Lo studio ne dà una definizione e le propone come vocabolario minimo che chiunque intervenga nel dibattito sull’intelligenza artificiale dovrebbe conoscere, un primo strumento critico per leggere qualsiasi report sull’AI e il lavoro. Esaminiamo nel dettaglio le sei grandezze.
È la quota di compiti che l’AI potrebbe toccare, anche solo in parte, a prescindere dalla convenienza economica e dall’adozione reale. È il dato più ampio e più citato: secondo una ricerca di OpenAI, l’80% dei lavoratori statunitensi ha almeno il 10% dei compiti esposto ai modelli linguistici; per il Fondo monetario internazionale è esposto all’AI quasi il 40% dell’occupazione mondiale. Esposizione, però, non significa perdita del posto di lavoro.
È la quota di compiti che l’AI potrebbe svolgere per intero con le capacità attuali. Nel 2025 la società di consulenza McKinsey ha stimato che il 57% delle ore lavorate negli Stati Uniti sia già automatizzabile, precisando che non si tratta di una previsione di posti persi.
È la parte di quei compiti che oggi converrebbe davvero automatizzare, considerati i costi. Qui il quadro si restringe molto: secondo uno studio del MIT sulla visione artificiale, l’automazione sarebbe conveniente solo per il 23% delle retribuzioni esposte.
Questa grandezza misura i posti di lavoro effettivamente eliminati perché l’AI ha sostituito le persone. Un famoso studio di Stanford guidato da Erik Brynjolfsson, Canaries in the Coal Mine, ha rilevato un calo relativo del 16% dell’occupazione tra i 22-25enni nelle professioni più esposte negli Stati Uniti. Un’altra ricerca di Anthropic (marzo 2026) ha rilevato un calo del 14% nel tasso di ingresso nel lavoro dei 22-25enni, sempre nelle professioni più esposte.
Questi due studi, giudicati come esempi positivi da Floridi, Novelli e Morley per come sono stati condotti, offrono segnali circoscritti – che gli stessi autori trattano con cautela – ma che puntano nella stessa direzione: nelle professioni più esposte, le assunzioni dei più giovani sembrano rallentare. Ne abbiamo parlato, con le dovute attenzioni, anche in questo articolo sul magazine logotel.
È il saldo tra posti creati e posti eliminati, al netto di fattori estranei all’AI come i cambiamenti demografici o il ciclo economico. È la grandezza a cui si riferiscono le stime del World Economic Forum.
È il guadagno di produzione per ora lavorata attribuibile all’AI. Pur su misure non del tutto omogenee, le stime distano un ordine di grandezza: Daron Acemoglu, Nobel per l’economia 2024, calcola circa 0,07 punti annui di produttività totale dei fattori, mentre l’Anthropic Economic Index stima tra 1 e 1,2 punti annui.
Le prime tre grandezze sono contenute l’una nell’altra, come cerchi concentrici; le altre dipendono da scelte di adozione e dalla nascita di nuove mansioni. Ne discende la regola su cui poggia lo studio, chiamata “regola di commensurabilità”: un dato si conferma o si smentisce solo con dati della stessa natura.
La maggior parte delle contraddizioni del dibattito, scrivono gli autori, non sono vere contraddizioni, ma violazioni di questa regola commesse nel passaggio dal report al titolo di giornale. Ad esempio, quando Goldman Sachs stimò nel 2023 i famosi 300 milioni di posti esposti e due anni dopo registrò effetti ancora trascurabili, non si contraddiceva: parlava di due grandezze diverse. A trasformare l’esposizione in posti persi erano stati i titoli dei giornali.
Uno dei principali meriti di questo studio, oltre al vocabolario minimo sulle grandezze esaminate, è di proporre quattro criteri minimi di trasparenza che le previsioni sugli impatti dell’AI sul lavoro dovrebbero rispettare: metodologia pubblicata, dati accessibili, incertezza dichiarata e confronto con le proprie stime precedenti.
Ne derivano delle domande che chiunque maneggi queste previsioni dovrebbe porsi: il metodo è pubblicato? I dati sono accessibili o almeno documentati? Il risultato dichiara un margine di incertezza? Chi pubblica si confronta con le proprie stime precedenti?
Le ricerche accademiche e i lavori di istituzioni come l’Organizzazione internazionale del lavoro rispettano spesso questi criteri; i report di consulenza e banche, che dominano il dibattito pubblico, molto più di rado.
C’è poi un’ulteriore domanda da porsi: chi è stato interpellato? Molte previsioni nascono infatti da sondaggi tra i responsabili HR delle grandi aziende o da dichiarazioni dei CEO delle società di intelligenza artificiale, cioè da persone con un interesse diretto nella narrazione. Gli autori la chiamano con un’immagine efficace “fallacia dei credenti”: chiedere ai fedeli se credono nei miracoli dice molto sui fedeli e nulla sui miracoli.
Una massima di origine danese, spesso attribuita al fisico premio Nobel Niels Bohr, recita: “è difficile fare previsioni, soprattutto sul futuro”. Ma il messaggio dello studio non è che le previsioni siano tutte sbagliate, né che sia sbagliato farle. Troppe, però, sono costruite in modo da non poter mai essere verificate. E intanto orientano budget di formazione, piani di assunzione e politiche pubbliche.
I dati più solidi raccontano, per ora, un quadro meno drammatico di alcuni tra i titoli più celebri circolati sui media, come quelli sulla cosiddetta Jobpocalypse, l’apocalisse del lavoro annunciata a più riprese.
Il monitoraggio dello Yale Budget Lab, aggiornato ad aprile 2026, non rileva uno sconvolgimento visibile del mercato del lavoro statunitense dal lancio di ChatGPT, nel novembre 2022. Qualcosa si muove, soprattutto, come abbiamo visto, sull’ingresso dei più giovani nelle professioni esposte, ma va osservato con gli strumenti giusti.
Per chi accompagna organizzazioni e persone dentro la trasformazione epocale legata all’AI, la lezione è pratica. Ogni nuova previsione merita le stesse domande: che cosa misura davvero, con quale metodo, su quali dati, entro quando. Lo statistico George Box sosteneva che tutti i modelli sono sbagliati, ma alcuni sono utili. Il pensiero critico serve a riconoscere quali.
L’esposizione misura la quota di compiti che l’AI potrebbe toccare, anche solo in parte. La perdita del posto, o sostituzione dei lavoratori, misura i posti effettivamente eliminati. Un lavoro molto esposto può restare stabile o persino crescere.
Esposizione, potenziale di automazione, automazione economicamente conveniente, sostituzione dei lavoratori, variazione netta dell’occupazione e incremento di produttività. Le propone lo studio Not Even Wrong di Floridi, Novelli e Morley (Yale).
L’espressione, attribuita al fisico Wolfgang Pauli, indica un’affermazione formulata in modo da non poter essere verificata né smentita: senza metodo, dati, orizzonte o margine di incertezza.
Conviene verificare se il metodo è pubblicato, se i dati sono accessibili, se è dichiarato un margine di incertezza e se chi la pubblica si confronta con le proprie stime precedenti.
AI e impatto sul mercato del lavoro: i segnali dicono che il momento di agire è adesso
Empatia artificiale e IA come partner di comunicazione: la coabitazione uomo-macchina secondo Alberto Maestri
Con l’AI cambia il modo di valutare le persone sul lavoro?
AI in azienda: fiducia e senso del lavoro sono i driver per l’integrazione
