- Il divario tra teoria e realtà
- Coding: il caso emblematico
- Chi rischia di più? Non chi ci si aspetterebbe
- Il segnale d'allarme per i giovani
- Cosa significa davvero esposizione osservata
- Il quadro italiano tra opportunità e ritardi
- Domande frequenti
C'è un numero che circola da mesi nei report sull'intelligenza artificiale e lavoro: il 75% delle attività di programmazione sarebbe teoricamente automatizzabile. Un dato che, preso così, basterebbe a far tremare un'intera generazione di sviluppatori. Ma la realtà — come spesso accade quando si parla di tecnologia — è più complicata. E più interessante.
Una ricerca pubblicata da Anthropic, l'azienda che sviluppa il modello Claude, introduce un concetto che potrebbe cambiare il modo in cui discutiamo di mestieri a rischio IA: la cosiddetta esposizione osservata, ovvero la misura di quanto l'intelligenza artificiale stia effettivamente penetrando nei processi lavorativi, non quanto potrebbe farlo in astratto.
Il divario tra teoria e realtà
La distinzione non è accademica. Fino ad oggi, gran parte degli studi sull'impatto dell'IA sulle professioni si è concentrata sul potenziale teorico: quante mansioni, all'interno di un dato profilo, potrebbero essere svolte da un sistema di intelligenza artificiale generativa? La risposta, per molte professioni intellettuali, è "parecchie". Ma potere non significa fare.
Stando a quanto emerge dalla ricerca di Anthropic, l'adozione effettiva resta significativamente inferiore alle previsioni più allarmistiche. Vincoli organizzativi, resistenze culturali, limiti normativi, costi di implementazione e — non ultimo — la necessità di supervisione umana frenano la diffusione reale degli strumenti basati su IA.
Questo non vuol dire che la trasformazione non sia in atto. Vuol dire che sta avvenendo in modo selettivo, disomogeneo, spesso silenzioso.
Coding: il caso emblematico
Il settore della programmazione informatica è forse il banco di prova più significativo. L'IA ha un potenziale teorico stimato al 75% nel coding — una percentuale che, sulla carta, suggerirebbe una rivoluzione già compiuta. Eppure, nel concreto, i sistemi di intelligenza artificiale coprono appena un terzo dei compiti effettivi nel settore informatico.
Perché? Scrivere codice è solo una parte del lavoro di uno sviluppatore. Comprendere i requisiti di un progetto, dialogare con il cliente, fare scelte architetturali, gestire il debito tecnico, risolvere bug in contesti complessi: sono attività dove il giudizio umano resta — almeno per ora — difficilmente sostituibile. L'IA accelera, assiste, suggerisce. Ma non guida.
È un pattern che si ripete in molti ambiti. Come abbiamo approfondito parlando di come le competenze digitali valgono più della laurea, il mercato del lavoro premia sempre più le capacità di integrazione tra strumenti tecnologici e pensiero critico, non la semplice padronanza tecnica.
Chi rischia di più? Non chi ci si aspetterebbe
Uno degli aspetti più controintuitivi che emergono dai dati riguarda il profilo dei lavoratori più esposti all'automazione da intelligenza artificiale. Contrariamente a quanto si potrebbe pensare — e contrariamente a quanto avvenuto nelle precedenti ondate di automazione industriale — non sono gli operai o i lavoratori meno qualificati a trovarsi in prima linea.
I profili più esposti sono quelli con livelli di istruzione più elevati e salari più alti: analisti, consulenti, programmatori, professionisti del marketing, copywriter, traduttori, ricercatori. Figure il cui lavoro si basa in larga misura sulla manipolazione di informazioni, testi, dati — esattamente ciò che i Large Language Model sanno fare.
È un capovolgimento dello schema classico. Le rivoluzioni tecnologiche precedenti colpivano dal basso; questa colpisce dal centro e dall'alto della piramide professionale. Un dato che impone riflessioni serie sulle politiche formative e occupazionali, anche nel contesto italiano.
Peraltro, l'evoluzione non riguarda solo le professioni strettamente tecniche. Anche ruoli tradizionalmente considerati "al riparo" stanno vivendo una ridefinizione profonda delle proprie competenze, come emerge dall'analisi su l'importanza crescente degli assistenti di direzione nel mondo del lavoro moderno, dove la capacità di interagire con strumenti digitali avanzati diventa un requisito sempre più centrale.
Il segnale d'allarme per i giovani
C'è poi un dato che merita attenzione particolare, perché riguarda il futuro prossimo e non solo le proiezioni a lungo termine. La ricerca registra un rallentamento nelle assunzioni per profili junior, nella fascia d'età 22-25 anni.
Il meccanismo è semplice da comprendere: le mansioni tipicamente affidate ai neoassunti — raccolta dati, stesura di report, ricerche preliminari, attività di supporto — sono proprio quelle che l'IA sa svolgere con maggiore efficacia. Se un modello linguistico può produrre una prima bozza di analisi in pochi minuti, l'incentivo ad assumere un junior per lo stesso compito si riduce.
Non si tratta, va detto, di una sostituzione netta. Ma di un restringimento delle porte d'ingresso. Le aziende alzano l'asticella: cercano candidati che sappiano già usare gli strumenti di IA, che portino valore aggiunto rispetto a ciò che la macchina offre. Per chi esce oggi dall'università o da un percorso formativo, la sfida è doppia: distinguersi in un mercato più selettivo e padroneggiare tecnologie che sei mesi prima non esistevano.
È una dinamica che il sistema dell'istruzione italiano — tra riforme incompiute, carenze di orientamento e un rapporto ancora debole con il mondo produttivo — fatica ad assorbire con la rapidità necessaria.
Cosa significa davvero esposizione osservata
Il contributo metodologico della ricerca di Anthropic non va sottovalutato. Il concetto di esposizione osservata (observed exposure) propone di misurare l'impatto dell'IA non su modelli teorici, ma su dati reali di adozione: quante aziende stanno effettivamente implementando sistemi di IA in un dato settore? Quante mansioni vengono concretamente delegate?
Questa prospettiva restituisce un quadro più sobrio. L'intelligenza artificiale trasforma, sì, ma non con la velocità e la pervasività che certi titoli suggeriscono. L'automazione dei posti di lavoro è un processo graduale, mediato da fattori che vanno ben oltre la capacità tecnica dei modelli: infrastrutture digitali, cultura aziendale, regolamentazione, costo dell'energia computazionale.
Ciò non significa abbassare la guardia. Significa affrontare la questione con dati, non con slogan.
Il quadro italiano tra opportunità e ritardi
L'Italia presenta caratteristiche specifiche che rendono il discorso ancora più sfaccettato. Da un lato, il tessuto produttivo — fatto prevalentemente di piccole e medie imprese — mostra tassi di adozione dell'IA inferiori rispetto a Francia, Germania o Paesi Bassi. Dall'altro, i settori in cui l'esposizione teorica è più elevata (servizi professionali, consulenza, ICT, editoria) sono in forte crescita anche nel nostro Paese.
Il Piano Nazionale di Ripresa e Resilienza (PNRR) destina risorse significative alla digitalizzazione, ma la traduzione in competenze diffuse e in opportunità occupazionali concrete resta una partita aperta. Il rischio, già segnalato da osservatori come l'OCSE e l'ISTAT, è che l'IA amplifichi le disuguaglianze esistenti: tra Nord e Sud, tra grandi aziende e microimprese, tra lavoratori con formazione aggiornata e chi resta indietro.
Non è un caso che anche sul fronte della sicurezza e della valutazione dei rischi professionali stiano emergendo nuove sfide legate alla trasformazione digitale, come evidenziato dai dati allarmanti sulla valutazione dei rischi nei luoghi di lavoro.
La domanda, a questo punto, non è più se l'intelligenza artificiale cambierà il lavoro. È quanto velocemente, per chi e — soprattutto — con quali strumenti il Paese intende governare questa transizione anziché subirla.
