Chiedere se l’intelligenza artificiale aumenti la produttività o distrugga posti di lavoro è probabilmente il modo sbagliato di impostare il problema. Le evidenze che abbiamo non descrivono un’unica tecnologia con un effetto uniforme, ma una tecnologia i cui risultati cambiano radicalmente a seconda del compito, dell’esperienza del lavoratore, dell’organizzazione in cui viene introdotta e del livello al quale misuriamo le conseguenze. L’intelligenza artificiale può accelerare alcune attività, rallentarne altre, ridurre le differenze di produttività tra colleghi e, nello stesso tempo, rendere più difficile l’ingresso dei giovani nel mercato del lavoro. Il dato economicamente più importante non è quindi il suo effetto medio, ma la sua eterogeneità.
La produzione non è organizzata per professioni, bensì per insiemi di compiti. Un avvocato consulta documenti, interpreta norme, scrive testi, formula strategie e interagisce con il cliente. Un ricercatore raccoglie informazioni, analizza dati, costruisce ipotesi e decide quali domande meritino di essere studiate. Un insegnante trasmette conoscenze, valuta l’apprendimento, motiva gli studenti e adatta le spiegazioni alle loro difficoltà. L’intelligenza artificiale può sostituire alcune di queste attività, aumentare la produttività in altre ed essere quasi irrilevante nelle restanti.
Per questa ragione, l’esposizione di una professione all’IA non misura la probabilità che quella professione scompaia. Indica soltanto che una parte dei suoi compiti potrebbe essere modificata. L’effetto sull’occupazione dipenderà da come le imprese ricomporranno le attività, da quanto diminuirà il costo del servizio e da come reagirà la domanda. L’automazione riduce il lavoro necessario per produrre una quantità data, ma l’aumento di produttività può abbassare i prezzi, espandere il mercato e creare nuovi compiti nei quali il lavoro umano mantiene un vantaggio comparato. Nel modello di Acemoglu e Restrepo, il risultato dipende dall’equilibrio tra displacement effect, productivity effect e reinstatement effect: sostituzione di compiti umani, espansione della produzione e creazione di nuove attività affidate al lavoro.
I primi esperimenti sull’IA generativa hanno documentato guadagni notevoli. In uno studio su attività di scrittura professionale, l’accesso a ChatGPT ha ridotto di circa il 40 per cento il tempo necessario per completare i compiti, migliorando anche la qualità media dei testi. In un esperimento con GitHub Copilot, i programmatori assistiti dall’IA hanno completato un esercizio il 55,8 per cento più rapidamente rispetto al gruppo di controllo. In un’azienda di assistenza clienti, l’introduzione di un sistema generativo ha aumentato del 14 per cento il numero di problemi risolti ogni ora.
Questi risultati dimostrano che i guadagni di produttività sono possibili, non che siano automatici. Gli esperimenti misurano solitamente compiti circoscritti, con un obiettivo chiaro e un risultato facilmente valutabile. Il lavoro reale è invece composto da attività interdipendenti, conoscenze contestuali, standard qualitativi impliciti e responsabilità difficili da codificare. Se un’attività che occupa il 10 per cento della giornata viene svolta nel 50 per cento del tempo, il guadagno potenziale sull’intera giornata non è del 50 per cento, ma del 5 per cento. E anche quel 5 per cento può essere assorbito dalla verifica dei risultati, dal coordinamento con i colleghi o da colli di bottiglia presenti altrove.
La distinzione tra capacità tecnica e convenienza economica è essenziale. Un compito può essere tecnicamente automatizzabile, ma non esserlo economicamente perché l’integrazione è costosa, gli errori sono difficili da individuare o la responsabilità non può essere delegata. Per valutare l’impatto macroeconomico non basta quindi contare i compiti sui quali un modello riesce a produrre una risposta plausibile. Bisogna stimare quanti possano essere svolti in modo affidabile, quale sia il risparmio netto dopo i costi di controllo e quanto pesino nel processo produttivo complessivo.
Le capacità dei modelli presentano inoltre una frontiera irregolare. In un esperimento con consulenti di Boston Consulting Group, l’intelligenza artificiale ha migliorato velocità e qualità quando i compiti rientravano nelle sue capacità. Su un problema collocato appena oltre quella frontiera, invece, gli utilizzatori dell’IA hanno ottenuto risultati peggiori. Compiti apparentemente simili possono quindi produrre effetti opposti. Il rischio non deriva soltanto dall’errore del modello, ma dalla capacità del modello di presentare una risposta sbagliata in forma credibile, inducendo il lavoratore ad accettarla.
Un esperimento del 2025 con programmatori esperti rende il quadro ancora più complesso. Sedici sviluppatori hanno svolto 246 attività su repository open source ai quali contribuivano abitualmente. Quando potevano utilizzare strumenti di IA, hanno impiegato in media il 19 per cento di tempo in più. Prima dell’esperimento prevedevano di risparmiare il 24 per cento del tempo; dopo averlo concluso, continuavano a ritenere di essere stati più veloci. La maggiore fluidità soggettiva del lavoro non coincideva con la produttività misurata.
Il risultato non dimostra che l’IA rallenti generalmente i programmatori. Riguarda professionisti esperti, progetti maturi e strumenti disponibili nei primi mesi del 2025. Evidenze successive suggeriscono che gli strumenti potrebbero essere migliorati, ma le nuove stime sono ancora troppo imprecise per misurare la dimensione dell’accelerazione. L’esperimento mostra però che produttività percepita e produttività effettiva possono divergere. Ridurre lo sforzo cognitivo può far sembrare un’attività più rapida anche quando il tempo complessivo aumenta.
La stessa cautela è necessaria quando si passa dalla produttività individuale a quella dell’organizzazione. In un esperimento condotto su 7.137 lavoratori di 66 imprese, l’accesso a un assistente generativo integrato negli strumenti di lavoro ha ridotto il tempo dedicato alla posta elettronica di circa due ore alla settimana tra coloro che lo utilizzavano effettivamente. È diminuito anche il lavoro svolto fuori dall’orario ordinario. Non sono però emersi cambiamenti significativi nella quantità o nella composizione complessiva delle attività.
Un risultato analogo emerge dai dati danesi. Nonostante l’adozione diffusa degli assistenti generativi e la comparsa di nuovi compiti legati all’IA, nei primi due anni non sono stati osservati effetti superiori al 2 per cento su salari o ore lavorate. Il risparmio di tempo su una singola attività, quindi, non si trasforma necessariamente in maggiore produzione, salari più elevati o riduzione dell’orario. Può essere assorbito da altre attività, da standard qualitativi più esigenti o semplicemente da una maggiore intensità del lavoro.
È una nuova versione del paradosso della produttività. Le tecnologie di portata generale possono diffondersi rapidamente senza produrre subito un’accelerazione visibile della produttività aggregata. I benefici emergono dopo investimenti in capitale intangibile: dati, competenze, procedure, sistemi di controllo e nuove strutture organizzative. L’intelligenza artificiale può essere installata in pochi minuti, ma ridisegnare un’organizzazione richiede molto più tempo. Inserire un modello linguistico in una procedura inefficiente rischia semplicemente di automatizzare l’inefficienza.
Anche gli effetti sulle competenze sono ambivalenti. Nel servizio clienti, il guadagno di produttività prodotto dall’IA raggiungeva circa il 35 per cento tra i lavoratori meno esperti, mentre era molto più contenuto tra quelli con maggiore esperienza. Il sistema sembrava trasferire ai primi una parte delle conoscenze tacite e delle pratiche sviluppate dai colleghi migliori. Altre evidenze recenti indicano che gli incrementi possono essere maggiori anche per le persone con livelli di istruzione più bassi.
Nel breve periodo, l’IA può quindi comprimere le differenze di produttività e rendere accessibili attività precedentemente riservate a chi possedeva più esperienza. Nel lungo periodo, però, emerge un problema diverso. Se la tecnologia assorbe i compiti attraverso i quali i giovani imparavano il mestiere, le imprese potrebbero ridurre le posizioni di ingresso. La stessa tecnologia che permette a un principiante di comportarsi più rapidamente come un esperto può indebolire il processo attraverso il quale si diventa realmente esperti.
Le prime evidenze sul mercato del lavoro sono coerenti con questa possibilità, anche se non consentono ancora conclusioni causali. I dati statunitensi disponibili fino a giugno 2026 non mostrano una sostituzione generalizzata del lavoro. L’occupazione dei lavoratori tra 22 e 25 anni nelle professioni maggiormente esposte all’IA si trova però circa il 19 per cento al di sotto del livello che avrebbe raggiunto seguendo l’andamento delle professioni meno esposte. Per i lavoratori più esperti non emerge una differenza analoga. La divergenza sembra dipendere soprattutto da una riduzione delle assunzioni, non da un aumento dei licenziamenti.
Il confronto può risentire del ciclo economico, dei tassi di interesse, della diversa composizione settoriale e di tendenze iniziate prima della diffusione dell’IA generativa. Non dimostra quindi che la tecnologia abbia causato il calo relativo dell’occupazione giovanile. Segnala tuttavia dove potrebbero apparire per primi i suoi effetti: non necessariamente nei licenziamenti di massa, ma nel mancato ingresso di nuovi lavoratori nelle professioni più esposte.
Questa distinzione modifica il modo in cui dovremmo pensare alla disuguaglianza. L’IA può ridurre le differenze di performance tra persone che occupano già lo stesso ruolo, ma aumentare la distanza tra chi riesce a entrare in una professione e chi ne rimane escluso. Può essere egualitaria condizionatamente all’occupazione e, contemporaneamente, rendere più selettivo l’accesso all’occupazione stessa.
Un’altra tensione riguarda la creatività. Gli esperimenti mostrano che i suggerimenti generati dall’IA possono migliorare la qualità media delle idee, soprattutto tra le persone che partono da livelli più bassi. Quando molti individui utilizzano modelli simili, tuttavia, i risultati tendono ad assomigliarsi. È possibile avere un aumento della creatività misurata a livello individuale e, nello stesso tempo, una riduzione della varietà collettiva. La media migliora, ma la distribuzione si restringe.
Ciò che conta, quindi, non è soltanto se l’IA venga adottata, ma come venga utilizzata. Un sistema che propone una risposta completa e invita implicitamente ad accettarla tende a sostituire il giudizio umano. Un sistema che presenta alternative, segnala l’incertezza e rende più semplice la verifica può rafforzarlo. La complementarità tra persone e macchine non è una proprietà intrinseca della tecnologia: dipende dalla progettazione degli strumenti, dagli incentivi e dall’organizzazione del lavoro.
Neppure l’esposizione teorica coincide con l’adozione effettiva. Alla fine del 2024 quasi il 40 per cento degli adulti statunitensi tra 18 e 64 anni aveva utilizzato strumenti generativi, ma soltanto il 23 per cento degli occupati li aveva usati per lavoro nella settimana precedente e circa il 9 per cento li utilizzava quotidianamente. Dati più recenti mostrano che gli indici di esposizione spiegano soltanto una parte delle differenze nell’adozione tra professioni e compiti. Esposizione, adozione, intensità d’uso e automazione sono quattro grandezze distinte, anche se vengono spesso trattate come equivalenti.
Dal punto di vista macroeconomico, l’errore più comune consiste nel trasformare una vasta esposizione potenziale in un grande aumento certo del prodotto. L’effetto sul PIL dipende dalla quota di attività effettivamente adottabili, dal risparmio netto prodotto in ciascuna attività e dalla velocità con cui le organizzazioni riescono a ristrutturarsi. Le stime più prudenti suggeriscono che l’impatto nel prossimo decennio potrebbe essere significativo, ma molto più contenuto di quanto lascino intendere le dimostrazioni tecnologiche.
Queste valutazioni potrebbero però trascurare il canale più importante e più difficile da misurare: l’effetto dell’IA sulla produzione di conoscenza. Se la tecnologia aumenta la produttività di scienziati, ricercatori e ingegneri, non accelera soltanto la produzione corrente, ma sposta la frontiera delle possibilità future. In questo caso, i benefici maggiori non deriverebbero dalla scrittura più rapida di testi o codice, bensì dalla scoperta di nuovi farmaci, materiali e processi produttivi. È anche il canale sul quale abbiamo meno evidenze affidabili.
Rimane infine il problema distributivo. Una tecnologia può aumentare il surplus complessivo senza migliorare nella stessa misura il benessere dei lavoratori. Se i modelli, i dati e la capacità di calcolo sono controllati da pochi soggetti, una parte rilevante dei guadagni di produttività può trasformarsi in rendite. La concentrazione può emergere lungo tutta la filiera: semiconduttori, infrastrutture cloud, modelli di base e piattaforme di distribuzione. In mercati poco concorrenziali, l’aumento della produttività non si trasferisce automaticamente in prezzi più bassi o salari più elevati.
Il problema economico dell’intelligenza artificiale non consiste dunque nello stabilire se essa sostituirà oppure completerà il lavoro. In alcuni compiti farà la prima cosa, in altri la seconda. La questione è capire come questi effetti vengono ricomposti nelle professioni, nelle imprese e nell’intera economia, e chi possiede il potere di appropriarsi dei benefici.
Le evidenze disponibili non giustificano né l’idea di una rivoluzione già pienamente visibile nei dati aggregati né la conclusione opposta secondo cui nulla starebbe cambiando. Le trasformazioni più importanti potrebbero manifestarsi inizialmente nei margini meno evidenti: nelle assunzioni che non avvengono, nelle competenze che non vengono più apprese, nel tempo risparmiato che non diventa tempo libero e nelle decisioni che vengono progressivamente delegate.
L’intelligenza artificiale amplia l’insieme delle possibilità produttive, ma non stabilisce quale organizzazione del lavoro prevarrà. Questo dipenderà dalle scelte delle imprese, dalla struttura dei mercati, dalle istituzioni formative e dalle politiche pubbliche. La tecnologia determina ciò che può essere fatto. L’economia politica determina chi lo farà, a quali condizioni e chi ne riceverà i benefici.
Riferimenti bibliografici
Acemoglu, D. (2024), “The Simple Macroeconomics of AI”, NBER Working Paper n. 32487.
Acemoglu, D. e Restrepo, P. (2018), “The Race between Man and Machine: Implications of Technology for Growth, Factor Shares, and Employment”, American Economic Review, 108(6), 1488–1542.
Becker, J., Rush, N., Barnes, B. e Rein, D. (2025), “Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity”, Model Evaluation & Threat Research.
Bick, A., Blandin, A. e Deming, D. J. (2024), “The Rapid Adoption of Generative AI”, NBER Working Paper n. 32966, revisione 2025.
Bick, A., Blandin, A., Deming, D. J. e Schumacher, T. R. (2026), “What Work Does Generative AI Do?”, NBER Working Paper n. 35677.
Brynjolfsson, E., Chandar, B. e Chen, R. (2026), “Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence”, Stanford Digital Economy Lab.
Brynjolfsson, E., Li, D. e Raymond, L. R. (2025), “Generative AI at Work”, The Quarterly Journal of Economics, 140(2), 889–942.
Brynjolfsson, E., Rock, D. e Syverson, C. (2019), “Artificial Intelligence and the Modern Productivity Paradox: A Clash of Expectations and Statistics”, in A. Agrawal, J. Gans e A. Goldfarb (a cura di), The Economics of Artificial Intelligence: An Agenda, University of Chicago Press, 23–57.
Dell’Acqua, F. et al. (2026), “Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality”, Organization Science, 37(2), 403–423.
Dillon, E. W., Jaffe, S., Immorlica, N. e Stanton, C. T. (2025), “Shifting Work Patterns with Generative AI”, NBER Working Paper n. 33795.
Doshi, A. R. e Hauser, O. P. (2024), “Generative AI Enhances Individual Creativity but Reduces the Collective Diversity of Novel Content”, Science Advances, 10, eadn5290.
Humlum, A. e Vestergaard, E. (2025), “Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI”, NBER Working Paper n. 33777, revisione 2026.
Noy, S. e Zhang, W. (2023), “Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence”, Science, 381(6654), 187–192.
Peng, S., Kalliamvakou, E., Cihon, P. e Demirer, M. (2023), “The Impact of AI on Developer Productivity: Evidence from GitHub Copilot”, arXiv:2302.06590.
