Il rapporto tra intelligenza artificiale e lavoro è diventato uno dei temi più discussi degli ultimi tempi, ma separare i fatti dalle previsioni catastrofiste non è mai stato semplice. Uno studio recente firmato da Anthropic prova a mettere un po’ di ordine, e lo fa con un approccio che vale la pena raccontare: invece di limitarsi a stimare cosa l’IA potrebbe fare in teoria, va a guardare come strumenti come Claude vengono effettivamente usati nei contesti lavorativi reali, incrociando questi dati con le statistiche ufficiali su occupazione e disoccupazione negli Stati Uniti.
La ricerca introduce una metrica chiamata “observed exposure“, che in pratica misura quanto i compiti di una professione risultano coperti dall’intelligenza artificiale non solo sulla carta, ma anche nell’uso quotidiano. Per costruirla, gli autori combinano tre fonti: il database O*NET (che cataloga i compiti di circa 800 professioni americane), i dati di utilizzo di Claude e uno studio precedente che valuta se un modello linguistico possa rendere un compito almeno due volte più veloce.
Ogni compito riceve un punteggio teorico, ma quello che conta davvero è ciò che succede nella pratica: i compiti che vedono un uso automatizzato legato al lavoro pesano di più, quelli dove l’IA affianca la persona valgono la metà. Il risultato? Un divario netto tra potenziale e realtà. In categorie come informatica e mansioni d’ufficio, la teoria indicava che l’IA potrebbe intervenire su oltre il 90% dei compiti. I dati di utilizzo di Claude, però, mostrano una copertura reale molto più bassa: per i lavori in ambito Computer e Math, ad esempio, si arriva intorno al 33%.
Chi è più esposto e chi resta al sicuro
Guardando alle singole professioni, in cima alla classifica di esposizione osservata ci sono i programmatori: circa il 75% dei loro compiti risulta coperto da utilizzi di intelligenza artificiale, coerentemente con il massiccio uso di Claude per scrivere e correggere codice. Subito dopo si trovano i customer service representative, dove molte interazioni con i clienti passano già da flussi automatizzati, e i data entry keyers, con una copertura che arriva al 67%. In fondo alla distribuzione, invece, ci sono mestieri dove l’IA quasi non compare: cuochi, meccanici di moto, bagnini, baristi, lavapiatti, addetti agli spogliatoi. Attività legate al contatto fisico diretto o a responsabilità legali, come rappresentare clienti in tribunale, restano ancora fuori dalla portata pratica dei modelli linguistici.
Incrociando questi dati con quelli della Current Population Survey, emergono differenze demografiche ed economiche piuttosto marcate. I lavoratori nelle professioni ad alta esposizione risultano più spesso donne (circa 16 punti percentuali in più rispetto al gruppo meno esposto), più frequentemente bianchi e con quasi il doppio delle probabilità di essere asiatici. Sul fronte economico, chi lavora nei mestieri più esposti guadagna in media circa il 47% in più e ha livelli di istruzione più alti: le persone con laurea magistrale o dottorato passano da circa il 4,5% nel gruppo non esposto al 17,4% tra i più esposti.
I giovani rallentano l’ingresso nei lavori più esposti
Un dato interessante riguarda i giovani tra 22 e 25 anni. Tra il 2024 e il 2025, il tasso di ingresso nei mestieri meno esposti all’intelligenza artificiale resta stabile intorno al 2% al mese, mentre per quelli più esposti cala di circa 0,5 punti percentuali. Nel periodo successivo al lancio di ChatGPT, l’ingresso nei lavori ad alta esposizione risulta circa il 14% più basso rispetto al 2022. Questo effetto, però, è appena al limite della significatività statistica e non compare per i lavoratori oltre i 25 anni. Gli autori stessi ammettono che le interpretazioni alternative non mancano: i giovani potrebbero restare nel lavoro attuale, spostarsi verso altri mestieri o tornare a studiare.
Il segnale, comunque, è coerente con l’idea che le aziende stiano procedendo con più prudenza nell’assumere giovani in ruoli dove l’IA è già molto presente, senza generare per ora un’ondata visibile di disoccupazione. La differenza tra ciò che i modelli potrebbero fare e ciò che fanno oggi sul lavoro potrebbe diventare, nei prossimi anni, il termometro più utile per capire quando il rischio di sostituzione inizierà a trasformarsi in un problema concreto per lavoratori, economia e legislatori.
