Il 5 marzo 2026 Anthropic ha pubblicato il documento “Labor market impacts of AI: A new measure and early evidence”. Gli autori sono Maxim Massenkoff e Peter McCrory.
Obiettivo del report di Anthropic
Lo scopo del report è stabilire un approccio metodologico per misurare come l’intelligenza artificiale sta alterando l’occupazione. I ricercatori hanno costruito un nuovo framework per analizzare il mercato del lavoro e lo hanno testato sui dati attuali. L’intento è preparare il terreno ora, prima che si manifestino effetti macroscopici. Vogliono strumenti capaci di identificare una potenziale interruzione economica in modo affidabile, evitando le analisi approssimative fatte a posteriori. Si basano sui numeri dell’implementazione reale.
Errori comuni sull’impatto dell’IA sul lavoro
Il panico sull’intelligenza artificiale che distrugge il mercato del lavoro si fonda su un errore logico. Confonde la capacità teorica con l’adozione sul campo.
Ho visto abbastanza progetti di trasformazione aziendale e reingegnerizzazione dei processi per sapere come funziona la realtà operativa. Avere una tecnologia capace di fare qualcosa è il 10% del lavoro. Il restante 90% è convincere un’organizzazione a usarla, integrarla nei sistemi esistenti e superare i vincoli strutturali. Le architetture aziendali sono complesse. Le procedure sono lente.
Questo nuovo report mette i numeri su questo concetto. I ricercatori hanno smesso di fare speculazioni. Hanno misurato cosa i modelli stanno facendo effettivamente nel mondo reale.
Reazioni e interpretazioni del pubblico sull’IA
Da mesi il dibattito pubblico sull’intelligenza artificiale oscilla tra due estremi: da una parte l’annuncio della fine del lavoro impiegatizio, dall’altra la rassicurazione secondo cui non sta succedendo nulla. Il report di Anthropic prova a uscire da questa alternanza un po’ isterica e propone una lettura più utile: guardare meno a ciò che l’IA potrebbe fare in teoria e più a ciò che viene davvero usato nei contesti professionali. È una distinzione meno spettacolare e instagrammabile, ma molto più seria.
Il punto centrale del report è proprio questo. Non basta dire che un modello linguistico è capace di svolgere un compito. Bisogna capire se quel compito viene effettivamente automatizzato nel lavoro reale, con quale frequenza e in quali forme. Gli autori chiamano questa misura “observed exposure”: esposizione osservata. In pratica, combinano tre elementi: i compiti descritti da O*NET per circa 800 occupazioni statunitensi, la fattibilità teorica dei compiti per un LLM, e i dati di utilizzo reale di Claude in contesti lavorativi. Le attività automatizzate pesano più di quelle semplicemente assistite, e l’uso professionale pesa più di quello generico. È una scelta sensata, perché separa il possibile dal concreto. Come già detto, sul mercato del lavoro contano gli usi diffusi, non le demo.
Qui arriva il primo dato che merita attenzione. L’IA è ancora lontana dalla sua capacità teorica. Nel grafico di pagina 6, il divario tra la copertura teorica e quella osservata è netto in quasi tutte le categorie professionali. Nelle occupazioni “Computer & Math”, per esempio, la possibilità teorica di intervento è molto alta, ma la copertura osservata si ferma a circa un terzo dei compiti. Anche dove i modelli sono forti, l’adozione reale resta parziale. Questo ridimensiona molte previsioni automatiche sul collasso imminente dell’occupazione: non basta che una tecnologia esista perché venga assorbita senza attriti da organizzazioni, norme, software, responsabilità legali e processi interni.
Il secondo punto è meno consolante. Le occupazioni più esposte non sono marginali né poco qualificate. A pagina 7 il report elenca tra le più esposte programmatori, addetti al customer service, data entry keyers, specialisti in cartelle cliniche, analisti di mercato, venditori all’ingrosso, analisti finanziari, tester software, analisti di sicurezza informatica e specialisti del supporto utenti. Non stiamo parlando del vecchio cliché secondo cui l’automazione colpirebbe solo mansioni ripetitive e a basso salario. A pagina 9 gli autori mostrano che i lavoratori più esposti tendono a essere più istruiti, meglio pagati, più anziani e più spesso donne rispetto al gruppo senza esposizione. I salari orari medi del gruppo più esposto risultano superiori del 47% rispetto a quelli del gruppo non esposto. Questo sposta il baricentro della discussione: la pressione dell’IA generativa si concentra già su una parte del lavoro d’ufficio e cognitivo.
Vale la pena fermarsi qui. Per anni abbiamo raccontato la trasformazione digitale come un processo che avrebbe premiato chi studiava di più, scriveva meglio, analizzava dati, produceva report, codice, documentazione, presentazioni. L’IA generativa entra precisamente dentro questo spazio. Non sostituisce l’intero mestiere, ma intacca quote crescenti di attività che fino a ieri erano considerate il nucleo del lavoro qualificato. Per questo la domanda giusta non è “quali professioni spariranno”, ma “quali segmenti del lavoro qualificato perderanno valore, ore o potere contrattuale”.
Osservazioni chiave sui dati di disoccupazione
Il report, però, frena le letture affrettate. Finora non emerge un aumento sistematico della disoccupazione tra i lavoratori più esposti. A pagina 11, la serie storica sull’unemployment rate mostra che dopo il lancio di ChatGPT le tendenze tra il gruppo più esposto e quello senza esposizione restano simili; la stima media del cambiamento è piccola e statisticamente indistinguibile da zero. È un risultato importante, perché mette un argine sia al catastrofismo sia alla propaganda. Non ci sono, almeno per ora, prove convincenti di una perdita occupazionale ampia e diretta tra i lavoratori più esposti.
Ma sarebbe un errore leggere questo dato come una piena assoluzione. I mercati del lavoro cambiano spesso in modo graduale. Prima rallentano gli ingressi, poi si assottigliano le opportunità, poi diventano più fragili le carriere iniziali. Ed è proprio qui che il report trova il segnale più interessante. A pagina 13, osservando i giovani tra 22 e 25 anni, gli autori registrano un calo del tasso di ingresso nei lavori ad alta esposizione: nel periodo post-ChatGPT, il job finding rate per i giovani verso queste occupazioni risulta inferiore del 14% rispetto al 2022, con una significatività statistica appena sufficiente. Non è ancora una prova definitiva, ma è un indizio che va preso sul serio. L’IA potrebbe non star espellendo in massa chi è già dentro. Potrebbe invece stare restringendo la porta a chi prova a entrare.
Questo dettaglio cambia molto anche sul piano politico e culturale. Se l’impatto dell’IA passa prima dai nuovi ingressi che dai licenziamenti, allora le statistiche tradizionali rischiano di arrivare tardi. La disoccupazione aggregata può restare relativamente stabile mentre i percorsi di accesso ai mestieri più esposti diventano più stretti, più lenti, più selettivi. Un neolaureato che non trova il primo impiego nel marketing, nell’analisi, nel supporto clienti o nello sviluppo software non compare automaticamente come “vittima dell’IA”. Può restare più a lungo in formazione, accettare un lavoro diverso, rinviare l’ingresso, uscire temporaneamente dal mercato. È un effetto meno visibile, ma non per questo meno reale.
Proiezioni future del mercato del lavoro
C’è poi un altro passaggio del report che merita di essere discusso senza semplificazioni. A pagina 8-9 gli autori mostrano che le occupazioni con maggiore esposizione osservata tendono anche ad avere prospettive di crescita più deboli nelle proiezioni del Bureau of Labor Statistics fino al 2034. La relazione è modesta, non abbastanza forte da autorizzare conclusioni secche, ma va nella direzione attesa: più esposizione, minore crescita prevista. Non è ancora la prova di una sostituzione in atto. È il segnale che il terreno si sta inclinando.
La parte più utile del report, a mio avviso, sta proprio nella sua prudenza. Non pretende di aver dimostrato la grande sostituzione del lavoro “bianco“, né vende la favola opposta secondo cui l’IA sarebbe solo un assistente innocuo. Dice qualcosa di più scomodo: gli effetti forti non si vedono ancora nella disoccupazione, ma la struttura del mercato può già stare cambiando nei punti in cui si formano le carriere e si redistribuisce il valore del lavoro. È un messaggio meno adatto ai titoli, ma più vicino a come di solito avvengono le trasformazioni economiche.
La discussione pubblica farebbe bene a spostarsi da una domanda infantile, “l’IA ci ruberà il lavoro?”, a una più concreta: quali categorie inizieranno a trovare meno occasioni per imparare, entrare, contrattare, crescere? La storia economica ci insegna che le tecnologie non colpiscono tutti nello stesso momento né con la stessa intensità. All’inizio lasciano intatti molti occupati, ma riscrivono le condizioni d’accesso, i margini salariali, la distribuzione delle attività più pagate e di quelle più facilmente comprimibili.
Per questo il dato sui giovani è il vero campanello. Non perché annunci un crollo imminente, ma perché segnala dove guardare adesso. Se l’IA riduce gli spazi d’ingresso nei lavori cognitivi standardizzati, il rischio non è solo occupazionale. Riguarda la formazione, la mobilità sociale, il rapporto tra titolo di studio e sbocchi reali, la qualità dei primi anni di carriera. Una generazione potrebbe trovarsi con più strumenti digitali e meno porte aperte.
È da qui che dovrebbe partire una politica del lavoro all’altezza della situazione. Non con profezie apocalittiche e neppure con slogan sull’innovazione inevitabile. Servono osservazione continua, dati migliori, attenzione ai percorsi di ingresso e alle professioni intermedie. Questo report non dice che l’emergenza è già esplosa. Dice una cosa diversa: che i primi segnali non stanno dove molti si aspettavano.
Riferimenti bibliografici
Massenkoff, M., & McCrory, P. (2026, March 5). Labor market impacts of AI: A new measure and early evidence. Anthropic.
Acemoglu, D., Autor, D., Hazell, J., & Restrepo, P. (2022). Artificial intelligence and jobs: Evidence from online vacancies. Journal of Labor Economics, 40(S1), S293-S340.
Brynjolfsson, E., Chandar, B., & Chen, R. (2025). Canaries in the coal mine? Six facts about the recent employment effects of artificial intelligence. Digital Economy.
Eloundou, T., Manning, S., Mishkin, P., & Rock, D. (2023). GPTs are GPTs: An early look at the labor market impact potential of large language models. arXiv preprint arXiv:2303.10130.
Hui, X., Reshef, O., & Zhou, L. (2024). The short-term effects of generative artificial intelligence on employment: Evidence from an online labor market. Organization Science, 35(6), 1977-1989.
Ps. anche quest’anno, auguri David Gilmour.