Il vero quarto settore dell’economia: quando a produrre non saranno più gli esseri umani

Per secoli abbiamo diviso l’economia in agricoltura, industria e servizi. Ma l’intelligenza artificiale e la robotica potrebbero cambiare qualcosa di molto più profondo: il rapporto tra lavoro umano e produzione di ricchezza.

Immaginiamo un’economia nella quale il grano viene coltivato da trattori autonomi, il pane viene prodotto da fabbriche robotizzate, le merci vengono consegnate da veicoli senza conducente e una parte crescente dei servizi viene fornita dall’intelligenza artificiale.

In questa economia si continuerebbe a produrre cibo, automobili, abitazioni, informazioni e servizi. Ma per farlo servirebbe sempre meno lavoro umano.

Non è difficile immaginare uno scenario del genere. La fantascienza lo racconta da decenni. La novità è che alcune delle tecnologie necessarie cominciano a esistere davvero.

La domanda interessante, dal punto di vista economico, non è soltanto quanti posti di lavoro potrebbero scomparire. È se stiamo entrando in una fase storica nella quale il lavoro umano potrebbe perdere il suo ruolo centrale nella produzione di beni e servizi.

Per capire la portata di questa trasformazione, dobbiamo partire da una delle classificazioni più conosciute dell’economia: quella dei tre settori.

1. I tre settori dell’economia

Nel 1935 l’economista neozelandese Allan G. B. Fisher propose una distinzione delle attività economiche in tre grandi categorie. Pochi anni dopo, Colin Clark contribuì a sviluppare e diffondere questa classificazione, soprattutto attraverso il suo libro The Conditions of Economic Progress, pubblicato nel 1940.

L’idea era semplice: distinguere le attività economiche in base alla loro natura.

Il settore primario comprende le attività legate all’utilizzo delle risorse naturali, come agricoltura, pesca, silvicoltura ed estrazione mineraria.

Il settore secondario comprende le attività che trasformano materie prime e altri input in prodotti, come l’industria manifatturiera e le costruzioni.

Il settore terziario comprende i servizi: commercio, trasporti, istruzione, sanità, finanza, consulenza e molte altre attività.

Pensiamo a una pagnotta di pane.

L’agricoltore coltiva il grano. Il mulino trasforma il grano in farina. Il panificio produce il pane. Il negozio lo vende al consumatore.

La stessa pagnotta attraversa attività appartenenti a settori diversi. Naturalmente, per misurare il contributo di ciascuno al PIL, dobbiamo considerare il valore aggiunto in ogni fase, evitando di contare più volte il valore degli stessi beni intermedi.

Questa classificazione è stata particolarmente utile per descrivere una delle trasformazioni economiche più importanti della storia: il passaggio dalle società agricole alle società industriali e, successivamente, alle economie dominate dai servizi.

2. La grande trasformazione: dall’agricoltura ai servizi

Per gran parte della storia umana, la maggioranza della popolazione lavorava nella produzione di cibo.

Con la rivoluzione industriale, una quota crescente della forza lavoro si è spostata verso le fabbriche e le costruzioni.

Successivamente, soprattutto nelle economie avanzate, è aumentato il peso dei servizi.

Questo processo viene generalmente chiamato trasformazione strutturale dell’economia.

Il suo aspetto più interessante è che il declino relativo di un settore non implica necessariamente una riduzione della sua produzione.

Oggi, per esempio, gli Stati Uniti producono enormi quantità di beni agricoli impiegando una frazione molto piccola della forza lavoro. Le innovazioni tecnologiche hanno consentito di aumentare la produttività e liberare lavoratori per altre attività.

Un agricoltore dotato di macchinari moderni può produrre molto più di quanto potessero produrre decine di lavoratori nei secoli passati.

Lo stesso fenomeno si è verificato nell’industria.

La produttività manifatturiera è aumentata grazie a macchine, organizzazione del lavoro, robotica e tecnologie digitali. Parallelamente, nelle economie avanzate è cresciuta l’importanza dei servizi, che oggi rappresentano la parte prevalente del valore aggiunto.

Ma attenzione: la quota di occupazione e la quota di valore aggiunto non sono la stessa cosa. Un settore può impiegare relativamente pochi lavoratori e contribuire in misura significativa al PIL, oppure assorbire molta occupazione e generare una quota più contenuta del valore aggiunto.

Questa distinzione diventa particolarmente importante quando parliamo di automazione.

3. Perché si è cominciato a parlare di quarto e quinto settore

Con la crescita dei servizi, diversi studiosi hanno proposto di superare la tradizionale classificazione in tre settori.

Una distinzione abbastanza diffusa identifica un settore quaternario, che comprende le attività basate sulla conoscenza: ricerca scientifica, informatica, elaborazione delle informazioni e innovazione.

Altre classificazioni individuano un settore quinario, che include attività decisionali di alto livello oppure, secondo definizioni differenti, alcuni servizi avanzati alla persona e alla collettività.

Queste categorie possono essere utili per analizzare la crescente complessità delle economie contemporanee.

Tuttavia, non sono universalmente adottate e non sostituiscono le classificazioni statistiche ufficiali, che utilizzano articolazioni molto più dettagliate delle attività economiche.

Soprattutto, non descrivono necessariamente una nuova modalità di produzione. Spesso rappresentano suddivisioni di attività che, nella classificazione tradizionale, appartengono già ai servizi.

Un ricercatore, un consulente finanziario e un dirigente svolgono attività molto diverse. Ma la loro collocazione in un ipotetico quarto o quinto settore dipende dal criterio che decidiamo di utilizzare.

Ed è proprio qui che emerge una possibilità interessante.

Forse il cambiamento economico più importante dei prossimi decenni non sarà la nascita di un nuovo tipo di servizio.

Potrebbe essere la progressiva separazione tra produzione e lavoro umano.

4. Il quarto settore potrebbe essere quello automatizzato

Proviamo a immaginare una classificazione alternativa.

Anziché distinguere soltanto che cosa viene prodotto, potremmo distinguere anche come viene prodotto e, soprattutto, quanto lavoro umano è necessario.

Da questo punto di vista, possiamo introdurre una nuova categoria: la produzione altamente automatizzata.

Pensiamo a quattro esempi.

Un trattore autonomo coltiva un campo senza un conducente. Una fabbrica robotizzata produce componenti industriali con pochissimi addetti. Un sistema di intelligenza artificiale gestisce migliaia di richieste dei clienti. Un software genera autonomamente contenuti digitali.

In tutti questi casi, una parte del lavoro precedentemente svolto da persone viene trasferita a macchine o sistemi informatici.

L’idea di un quarto settore automatizzato nasce proprio da questa osservazione.

Non si tratterebbe di un settore economico nel senso tradizionale del termine, ma di una categoria trasversale che identifica le attività nelle quali il contributo diretto del lavoro umano diventa molto piccolo rispetto alla produzione realizzata.

Una fabbrica completamente automatizzata continuerebbe infatti ad appartenere al settore manifatturiero. Un servizio clienti gestito dall’intelligenza artificiale continuerebbe a essere classificato tra i servizi.

L’automazione non cambia necessariamente la natura del prodotto. Cambia la tecnologia con cui viene realizzato.

Per questo sarebbe più preciso parlare di una nuova dimensione dell’economia, anziché di un quarto settore che sostituisce i precedenti.

Ma la distinzione resta utile perché consente di porre una domanda fondamentale: quanta parte del valore aggiunto potrebbe essere prodotta, in futuro, con un impiego minimo di lavoro umano?

5. Un’economia può produrre senza lavoro?

Nei modelli economici tradizionali, la produzione viene spesso rappresentata attraverso una funzione che combina capitale, lavoro e tecnologia.

Una formulazione molto conosciuta è la funzione Cobb-Douglas:

Y = A × K^α × L^(1−α)

Dove Y rappresenta la produzione, K il capitale, L il lavoro e A il livello della tecnologia.

In questa specifica formulazione, se il lavoro è pari a zero e il suo esponente è positivo, anche la produzione è pari a zero.

Ma sarebbe sbagliato concludere che tutta la teoria economica presupponga l’impossibilità di produrre senza lavoro umano.

La Cobb-Douglas è una rappresentazione particolare della tecnologia produttiva, non una legge universale della natura.

Possiamo costruire modelli nei quali capitale e lavoro sono sostituibili in misura diversa, oppure nei quali determinati sistemi automatizzati svolgono compiti precedentemente affidati alle persone.

Inoltre, il lavoro necessario per costruire, programmare, alimentare e mantenere le macchine non scompare automaticamente.

Un’economia completamente automatizzata dovrebbe essere in grado di riprodurre e mantenere anche il proprio capitale produttivo, oltre a garantire energia, materie prime e infrastrutture.

È una condizione molto più impegnativa della semplice sostituzione di alcuni lavoratori con robot.

Eppure, non è necessario arrivare a un’economia senza lavoratori per osservare cambiamenti profondi.

È sufficiente che una quota crescente della produzione possa essere realizzata con un numero relativamente piccolo di persone.

6. Il vero cambiamento potrebbe riguardare la distribuzione del reddito

Immaginiamo che nei prossimi decenni l’intelligenza artificiale e la robotica consentano di aumentare enormemente la produzione.

In linea di principio, sarebbe una notizia straordinaria.

Potremmo produrre più beni e servizi utilizzando meno risorse lavorative. Alcuni prodotti potrebbero diventare molto più economici. Le persone potrebbero dedicare meno tempo al lavoro e più tempo ad altre attività.

Ma esiste un problema.

La crescita della produzione non garantisce automaticamente che i benefici siano distribuiti tra tutti.

Supponiamo che una grande impresa possieda sistemi automatizzati capaci di produrre beni e servizi con pochissimi dipendenti.

Se la maggior parte del valore aggiunto remunera il capitale, una quota importante del reddito generato potrebbe andare ai proprietari dell’impresa.

I lavoratori potrebbero beneficiare di prezzi più bassi, di nuove opportunità professionali o di maggiori rendimenti dei propri risparmi. Ma questi benefici non sono automatici e potrebbero essere distribuiti in modo molto diseguale.

La questione centrale diventa quindi il rapporto tra redditi da lavoro e redditi da capitale.

Negli Stati Uniti esiste già una tendenza che merita attenzione.

Secondo il Bureau of Labor Statistics, nel secondo trimestre del 2026 la quota della produzione attribuita alla remunerazione del lavoro nel settore privato non agricolo, secondo la definizione statistica utilizzata dal BLS, è scesa al 52,8%, il livello più basso della serie storica iniziata nel 1947.

Questo dato non dimostra che la diminuzione sia causata dall’intelligenza artificiale. La distribuzione funzionale del reddito dipende da molti fattori, tra cui globalizzazione, istituzioni del mercato del lavoro, potere di mercato delle imprese, composizione settoriale e progresso tecnologico.

Tuttavia, il dato ci ricorda che la crescita economica e la distribuzione dei suoi benefici sono due fenomeni distinti.

E che un aumento della produttività non si traduce necessariamente in un aumento proporzionale dei salari.

7. Se la produzione aumenta di dieci volte, chi diventa più ricco?

Facciamo un semplice esperimento mentale.

Immaginiamo che oggi un’economia produca beni e servizi per un valore pari a 100.

Grazie all’automazione, tra qualche decennio potrebbe arrivare a produrre 1.000, misurati negli stessi prezzi.

Supponiamo inoltre che il 90% di questa produzione sia realizzato attraverso processi altamente automatizzati.

Avremmo quindi 900 unità di produzione altamente automatizzata e 100 unità prodotte attraverso attività che richiedono ancora un contributo umano significativo.

La produzione complessiva sarebbe dieci volte quella iniziale, mentre la componente non altamente automatizzata avrebbe le dimensioni dell’intera economia di partenza.

Questo scenario non è una previsione. È un esperimento mentale che aiuta a comprendere la scala del cambiamento possibile.

Ma soprattutto non ci dice come saranno distribuite le 1.000 unità di reddito generate.

Il valore prodotto attraverso sistemi automatizzati non coincide necessariamente con il reddito dei proprietari del capitale. Una parte remunera comunque il lavoro, una parte può essere assorbita da ammortamenti e altri costi, e una parte può essere trasferita ai consumatori attraverso prezzi più bassi.

Per conoscere le conseguenze distributive dobbiamo capire chi possiede il capitale, quanto sono concorrenziali i mercati, come vengono distribuiti i profitti e quale ruolo svolgono le istituzioni pubbliche.

Immaginiamo due economie con lo stesso livello di automazione.

Nella prima, il capitale produttivo appartiene a un numero molto ristretto di persone.

Nella seconda, la proprietà è distribuita attraverso fondi pensione, partecipazioni diffuse, strumenti di risparmio collettivo o forme di proprietà pubblica.

La tecnologia potrebbe essere identica, ma la distribuzione del reddito e della ricchezza molto diversa.

È questo uno dei problemi economici più importanti posti dall’automazione.

8. Dal lavoro alla proprietà: una nuova disuguaglianza?

Nelle economie contemporanee, il lavoro rappresenta per molte famiglie la principale fonte di reddito.

Le persone studiano, acquisiscono competenze, entrano nel mercato del lavoro e ricevono una remunerazione per il loro contributo produttivo.

Il capitale, invece, genera redditi attraverso profitti, dividendi, interessi e rendite.

Se la produzione diventasse progressivamente meno dipendente dal lavoro umano, potrebbe aumentare l’importanza della proprietà del capitale come determinante del reddito individuale.

Non significa che tutti i lavoratori diventeranno inutili o che il lavoro scomparirà.

Alcune attività potrebbero continuare a richiedere capacità umane difficili da sostituire. Altre potrebbero diventare più produttive grazie alla complementarità tra persone e intelligenza artificiale. Potrebbero inoltre emergere nuove professioni e nuovi bisogni.

Ma è possibile che, in un’economia molto automatizzata, il legame tra partecipazione al mercato del lavoro e accesso al reddito diventi meno diretto.

A quel punto, il problema non sarebbe soltanto come preparare i lavoratori alle nuove tecnologie.

Sarebbe anche come garantire che i benefici di un capitale sempre più produttivo raggiungano una parte ampia della popolazione.

La risposta potrebbe coinvolgere strumenti differenti: politiche fiscali, istruzione, concorrenza, diffusione della proprietà finanziaria, partecipazione dei lavoratori agli utili, fondi collettivi e trasferimenti pubblici.

Nessuna di queste soluzioni è automaticamente superiore alle altre. Ciascuna comporta incentivi, costi e conseguenze distributive che devono essere valutati.

9. Abbiamo bisogno di nuovi indicatori economici?

Il PIL misura il valore della produzione finale realizzata in un’economia. Non è progettato per misurare direttamente il benessere individuale o la distribuzione del reddito.

Questo limite è noto da tempo.

Ma in un’economia fortemente automatizzata potrebbe diventare ancora più importante.

Un aumento del PIL potrebbe accompagnarsi a una forte crescita dei redditi da capitale, senza un corrispondente aumento dei redditi da lavoro.

Per comprendere chi beneficia della trasformazione tecnologica, dovremmo quindi affiancare al PIL altri indicatori.

Per esempio, potremmo misurare la quota del reddito delle famiglie che proviene dal lavoro, dal capitale e dai trasferimenti pubblici.

Potremmo inoltre osservare quanto è concentrata la proprietà degli asset produttivi e quale quota della ricchezza è detenuta direttamente o indirettamente dalle famiglie, anche attraverso fondi pensione e strumenti collettivi.

Infine, sarebbe utile misurare il grado di automazione dei processi produttivi e il contributo delle nuove tecnologie alla produttività.

Non basterebbe sapere quanto produce un’economia. Dovremmo sapere anche chi riceve il reddito, chi possiede gli strumenti di produzione e come cambiano le opportunità economiche delle persone.

10. Il quarto settore non è inevitabile. Ma la domanda che pone è fondamentale

È possibile che tra qualche decennio una quota molto importante della produzione mondiale sia realizzata attraverso sistemi automatizzati.

È altrettanto possibile che la trasformazione proceda più lentamente di quanto oggi immaginiamo.

Le previsioni secondo cui il 75%, il 90% o addirittura il 99% del PIL sarà prodotto senza lavoro umano non hanno, allo stato attuale, una base empirica sufficiente per essere considerate scenari centrali affidabili.

Restano ipotesi speculative.

Ci sono ostacoli tecnologici, energetici, organizzativi, istituzionali ed economici. Inoltre, la diffusione di una tecnologia dipende non soltanto dalla sua disponibilità, ma anche dalla convenienza della sua adozione.

Eppure, l’idea di un quarto settore automatizzato ha un merito: ci costringe a riflettere su una trasformazione che le classificazioni tradizionali non descrivono direttamente.

Per millenni, la produzione economica ha richiesto una partecipazione umana significativa. Le macchine hanno progressivamente aumentato la produttività del lavoro, ma non hanno eliminato la necessità di organizzare, controllare e svolgere attività produttive.

L’intelligenza artificiale e la robotica potrebbero spostare ulteriormente questo confine.

La domanda non è soltanto se le macchine riusciranno a produrre beni e servizi senza di noi.

La domanda è che cosa accadrà alla distribuzione del reddito quando il contributo del lavoro umano diventerà meno importante in una parte crescente dell’economia.

Perché una società capace di produrre molto di più con molto meno lavoro potrebbe diventare una società più ricca, con più tempo libero e maggiori opportunità per tutti.

Oppure una società nella quale una parte crescente della ricchezza è concentrata nelle mani di chi possiede le tecnologie produttive.

La differenza non dipenderà soltanto dalle macchine.

Dipenderà dalle istituzioni, dai mercati e dalle scelte collettive.

Forse, quindi, il vero quarto settore non è una nuova categoria da aggiungere ai manuali di economia. È un modo per porci una domanda molto più importante: in un mondo nel quale le macchine producono una quota crescente della ricchezza, chi ne raccoglierà i benefici?

Fatti non foste a viver come bruti

«Considerate la vostra semenza:
fatti non foste a viver come bruti,
ma per seguir virtute e canoscenza».

Dante Alighieri, Inferno, Canto XXVI

In questi tre versi Dante racchiude una delle idee più profonde sulla natura umana: non siamo fatti soltanto per sopravvivere, soddisfare bisogni o seguire istinti. Siamo fatti anche per conoscere, comprendere, interrogarci e scegliere.

La conoscenza non è soltanto uno strumento per ottenere qualcosa. È parte di ciò che ci rende umani. Ci permette di ampliare i nostri orizzonti, mettere in discussione le nostre convinzioni e immaginare possibilità che prima non riuscivamo a vedere.

Ma Dante aggiunge una parola fondamentale: virtute.

Non basta sapere. Occorre anche saper scegliere come utilizzare ciò che sappiamo. La conoscenza senza responsabilità può diventare pericolosa, proprio come dimostra il destino di Ulisse, che pronuncia queste parole prima di condurre i suoi compagni verso un viaggio senza ritorno.

È una riflessione sorprendentemente attuale, soprattutto per chi si occupa di ricerca e formazione.

Educare non significa soltanto trasmettere informazioni o sviluppare competenze. Significa coltivare curiosità, pensiero critico, autonomia e capacità di giudizio.

Perché il vero valore della conoscenza non risiede soltanto in ciò che ci permette di fare, ma anche nella capacità di comprendere ciò che vale la pena fare.

Forse è proprio questo il messaggio più importante: non accontentarsi di sapere di più, ma aspirare a comprendere meglio e a scegliere con maggiore consapevolezza.

Un esperimento sulla discriminazione

Due candidati hanno le stesse qualifiche e la stessa esperienza. Cambia soltanto il nome sul curriculum. Eppure, uno dei due ha molte più probabilità di essere chiamato per un colloquio. Un celebre esperimento economico mostra quanto possano contare caratteristiche che non hanno nulla a che vedere con la produttività.

Due curriculum identici, due destini diversi

Immaginiamo che un’azienda riceva due curriculum praticamente identici. Stessa istruzione, stessa esperienza professionale, stesse competenze.

L’unica differenza è il nome.

Sul primo curriculum troviamo Emily, sul secondo Lakisha.

Questa differenza dovrebbe influenzare la probabilità di ottenere un colloquio?

In un mercato del lavoro nel quale le imprese selezionano i candidati esclusivamente sulla base delle loro competenze e della produttività attesa, il nome non dovrebbe avere alcuna importanza, a meno che non venga utilizzato come segnale di altre caratteristiche.

Ma cosa succede nella realtà?

Nel 2004, Marianne Bertrand e Sendhil Mullainathan pubblicano sull’American Economic Review uno studio destinato a diventare un riferimento fondamentale nell’economia della discriminazione: Are Emily and Greg More Employable Than Lakisha and Jamal? A Field Experiment on Labor Market Discrimination.

L’obiettivo è semplice: misurare quanto il nome di un candidato influenzi le sue possibilità di essere contattato da un datore di lavoro.

Un esperimento nel mercato del lavoro

Gli autori rispondono a migliaia di annunci di lavoro pubblicati a Boston e Chicago, inviando circa 5.000 curriculum fittizi.

I curriculum vengono costruiti in modo da presentare caratteristiche professionali realistiche, ma i nomi sono assegnati casualmente.

Alcuni nomi sono percepiti come tipicamente associati a persone bianche, come Emily e Greg. Altri sono percepiti come tipicamente afroamericani, come Lakisha e Jamal.

La randomizzazione è fondamentale.

Poiché le caratteristiche dei curriculum sono comparabili, eventuali differenze nelle risposte dei datori di lavoro possono essere attribuite causalmente al nome assegnato.

Gli autori modificano inoltre la qualità dei curriculum, introducendo differenze nelle esperienze lavorative e nelle competenze, per verificare se i benefici di una candidatura migliore siano gli stessi per tutti.

Il risultato: il 50% di possibilità in più

I risultati sono impressionanti.

I curriculum con nomi percepiti come bianchi ricevono una risposta positiva nel 9,65% dei casi, contro il 6,45% di quelli con nomi percepiti come afroamericani.

Significa che, a parità di caratteristiche professionali, i primi ricevono circa il 50% di richiami in più.

In termini concreti, un candidato con un nome percepito come bianco deve inviare mediamente circa 10 curriculum per ottenere una risposta positiva. Un candidato con un nome percepito come afroamericano deve inviarne circa 15.

Ma c’è un secondo risultato, forse ancora più interessante.

Migliorare la qualità del curriculum aumenta significativamente le probabilità di ricevere una risposta per i candidati con nomi percepiti come bianchi, mentre produce benefici molto più limitati per gli altri.

Questo suggerisce che la discriminazione non si manifesta soltanto attraverso una minore probabilità iniziale di essere contattati, ma anche attraverso una diversa valorizzazione delle qualifiche.

Perché questo paper è così importante?

La discriminazione nel mercato del lavoro era naturalmente un tema centrale nella ricerca economica ben prima del 2004.

Gary Becker aveva sviluppato una teoria della taste-based discrimination, nella quale alcuni datori di lavoro sono disposti a sostenere un costo pur di evitare determinate categorie di lavoratori.

Kenneth Arrow ed Edmund Phelps avevano invece contribuito alla teoria della statistical discrimination, secondo cui i datori di lavoro possono utilizzare caratteristiche osservabili dei candidati come segnali imperfetti della loro produttività.

Il problema era identificare empiricamente la discriminazione.

Se osserviamo che un gruppo ha salari più bassi o minori probabilità di occupazione, non possiamo concludere automaticamente che la differenza dipenda dalla discriminazione. Potrebbero esistere differenze nelle caratteristiche individuali, nell’esperienza o nelle opportunità precedenti.

Bertrand e Mullainathan affrontano questo problema attraverso un esperimento sul campo.

Non confrontano persone diverse che cercano lavoro. Confrontano candidature costruite dai ricercatori, nelle quali il nome viene assegnato casualmente.

Il contributo fondamentale è quindi metodologico: mostrare come sia possibile identificare una componente del trattamento discriminatorio direttamente nelle decisioni dei datori di lavoro.

Il paper ha contribuito alla diffusione dei correspondence experiments, oggi utilizzati per studiare la discriminazione legata all’origine etnica, al genere, all’età e ad altre caratteristiche individuali.

Cosa possiamo concludere, e cosa no?

È importante interpretare correttamente i risultati.

L’esperimento dimostra che i nomi utilizzati influenzano causalmente la probabilità di ricevere una risposta positiva.

Non dimostra però quale meccanismo psicologico o economico determini questa differenza.

I datori di lavoro potrebbero avere preferenze discriminatorie oppure utilizzare il nome come segnale di caratteristiche non osservate, incluse quelle associate al contesto sociale del candidato.

Inoltre, lo studio riguarda la prima fase della selezione, non le decisioni finali di assunzione o i salari.

Questi limiti non riducono l’importanza del risultato, ma aiutano a comprenderne esattamente il significato.

E in Italia?

Il risultato solleva domande rilevanti anche per il mercato del lavoro italiano.

Quanto possono influenzare le opportunità occupazionali il nome, il cognome o l’origine percepita di un candidato?

E quanto possono contare caratteristiche che non hanno alcuna relazione diretta con le competenze professionali?

Non possiamo trasferire automaticamente all’Italia le stime ottenute negli Stati Uniti. Ma il metodo sperimentale offre uno strumento particolarmente utile per studiare queste domande anche nel nostro contesto.

La questione riguarda non soltanto l’equità, ma anche l’efficienza economica.

Se le imprese selezionano i candidati sulla base di segnali che non riflettono correttamente la loro produttività, rischiano di escludere lavoratori qualificati e di allocare in modo inefficiente il capitale umano.

La lezione economica

Siamo abituati a pensare che studiare, acquisire competenze e accumulare esperienza aumenti le nostre opportunità nel mercato del lavoro.

Ed è certamente vero.

Ma lo studio di Bertrand e Mullainathan mostra che il rendimento di queste caratteristiche può dipendere anche da come veniamo percepiti dagli altri.

Due persone con le stesse competenze possono avere opportunità differenti prima ancora di incontrare un datore di lavoro.

È questa la lezione più importante del paper.

Per comprendere il funzionamento del mercato del lavoro non basta studiare le caratteristiche dei lavoratori. Dobbiamo analizzare anche i processi attraverso i quali le imprese valutano quelle caratteristiche e prendono le proprie decisioni.

Perché un mercato del lavoro efficiente dovrebbe premiare le competenze, non il nome con cui ci presentiamo.


Riferimenti bibliografici

Bertrand, M., & Mullainathan, S. (2004). “Are Emily and Greg More Employable Than Lakisha and Jamal? A Field Experiment on Labor Market Discrimination.” American Economic Review, 94(4), 991–1013.

Versione liberamente accessibile:

Classi più piccole, studenti migliori? Cosa ci dice la ricerca economica

Ridurre il numero di studenti per classe migliora davvero l’apprendimento? Un celebre studio economico utilizza una regola scolastica di origine medievale per rispondere a una domanda ancora oggi centrale nel dibattito sull’istruzione.

Classi piccole o classi grandi?

Immaginiamo due scuole. Nella prima ci sono 20 studenti per classe, nella seconda 30. Gli studenti della prima scuola ottengono risultati migliori nei test di matematica e lettura.

Possiamo concludere che le classi più piccole favoriscano l’apprendimento?

Non necessariamente.

Le scuole con classi meno numerose potrebbero avere maggiori risorse, insegnanti più preparati oppure studenti provenienti da famiglie con condizioni socioeconomiche più favorevoli. Al contrario, alcune scuole potrebbero organizzare classi piccole proprio per aiutare studenti con maggiori difficoltà.

Una semplice correlazione tra dimensione delle classi e risultati scolastici non permette quindi di stabilire un rapporto causale.

È questo il problema affrontato da Joshua Angrist e Victor Lavy in uno studio pubblicato nel 1999 sul Quarterly Journal of Economics: Using Maimonides’ Rule to Estimate the Effect of Class Size on Scholastic Achievement.

Una regola medievale come esperimento naturale

L’intuizione degli autori è particolarmente elegante. Nel sistema scolastico israeliano esisteva una regola, ispirata agli insegnamenti del filosofo medievale Maimonide, secondo cui una classe non dovrebbe superare i 40 studenti. La conseguenza è interessante. Se una scuola ha 40 studenti iscritti a un determinato anno, può organizzare una sola classe. Se gli iscritti diventano 41, deve normalmente dividerli in due classi, con circa 20 studenti ciascuna.

Una differenza di appena uno studente può quindi produrre una riduzione drastica della dimensione media delle classi.

Ma è ragionevole pensare che una scuola con 40 iscritti e una con 41 siano molto simili sotto numerosi altri aspetti.

Gli autori sfruttano proprio questa discontinuità per identificare l’effetto causale della dimensione delle classi sui risultati scolastici.

Tecnicamente, utilizzano una strategia a variabili strumentali basata sulle variazioni della dimensione prevista delle classi generate dalle soglie amministrative. È una delle applicazioni più note della logica del regression discontinuity design.

Cosa scoprono?

I risultati indicano che ridurre la dimensione delle classi può migliorare significativamente l’apprendimento.

Gli effetti sono particolarmente evidenti nei test di matematica e lettura degli studenti di quinta elementare. Emergono anche benefici nella lettura in quarta, mentre i risultati per la terza elementare sono meno conclusivi.

Un altro aspetto interessante è che i benefici sembrano essere maggiori per gli studenti provenienti da contesti socioeconomici svantaggiati.

Questo suggerisce che la dimensione delle classi possa avere conseguenze non soltanto sull’apprendimento medio, ma anche sulle disuguaglianze educative.

Naturalmente, lo studio non dimostra che classi più piccole producano sempre risultati migliori, indipendentemente dal contesto. Gli effetti identificati riguardano le variazioni generate dalla specifica regola israeliana.

Perché questo paper è così importante?

Il contributo di Angrist e Lavy va oltre il dibattito sulla dimensione delle classi.

Il paper è diventato un classico dell’economia applicata perché mostra come una semplice regola amministrativa possa permettere di rispondere a una domanda causale difficile.

La ricerca economica è piena di correlazioni: le persone più istruite guadagnano di più, le scuole con maggiori risorse ottengono risultati migliori, i territori più ricchi hanno servizi pubblici migliori.

Ma una correlazione non ci dice necessariamente cosa accadrebbe se modificassimo una di queste caratteristiche attraverso una politica pubblica.

Per rispondere dobbiamo identificare situazioni nelle quali individui o istituzioni comparabili vengono esposti a condizioni differenti per ragioni plausibilmente indipendenti dalle loro caratteristiche.

È esattamente ciò che fanno Angrist e Lavy. Il loro lavoro ha contribuito alla diffusione dei disegni quasi sperimentali nella valutazione delle politiche pubbliche, mostrando il potenziale delle regole istituzionali come fonte di identificazione causale.

Cosa significa per la scuola italiana?

Anche in Italia si discute frequentemente della dimensione delle classi, soprattutto in relazione alle cosiddette classi pollaio, alla qualità dell’insegnamento e alla distribuzione delle risorse scolastiche.

Lo studio di Angrist e Lavy offre un contributo importante a questo dibattito, ma non una risposta definitiva.

Ridurre il numero di studenti per classe comporta dei costi: servono più insegnanti, più spazi e maggiori risorse.

La domanda rilevante per una politica pubblica non è quindi soltanto se le classi più piccole migliorino l’apprendimento, ma quanto lo migliorino, per quali studenti e a quale costo.

Inoltre, l’efficacia della riduzione delle classi potrebbe dipendere dall’età degli studenti, dalle caratteristiche degli insegnanti e dalle condizioni iniziali delle scuole.

Una riduzione generalizzata potrebbe avere effetti molto diversi da un intervento mirato alle situazioni nelle quali i benefici attesi sono maggiori.

La lezione economica

Questo studio ci lascia due insegnamenti.

Il primo riguarda l’istruzione: le risorse scolastiche possono fare la differenza, ma per capire quali investimenti siano realmente efficaci servono evidenze causali credibili.

Il secondo riguarda il metodo scientifico.

A volte, per rispondere a una grande domanda economica, non servono nuove teorie particolarmente complicate. Serve trovare il confronto giusto.

La differenza tra 40 e 41 studenti può sembrare irrilevante. Ma quando una regola trasforma quella differenza in due organizzazioni scolastiche molto diverse, diventa un’opportunità straordinaria per capire cosa funziona davvero.

Ed è proprio questo uno dei contributi più importanti dell’economia empirica contemporanea: utilizzare le caratteristiche delle istituzioni per comprendere gli effetti delle nostre scelte di politica pubblica.


Riferimento bibliografico

Angrist, J. D., & Lavy, V. (1999). “Using Maimonides’ Rule to Estimate the Effect of Class Size on Scholastic Achievement.” Quarterly Journal of Economics, 114(2), 533–575.

Versione liberamente accessibile:

Non conta solo quello che otteniamo, ma quello che ci aspettavamo

Perché lo stesso risultato può renderci felici oppure deluderci? Uno dei contributi più importanti dell’economia comportamentale mostra come le nostre aspettative influenzino il valore che attribuiamo alle cose.

Quando le aspettative cambiano tutto

Immaginiamo due persone che ricevono un bonus di 1.000 euro.

La prima non si aspettava nulla ed è piacevolmente sorpresa. La seconda era convinta che avrebbe ricevuto 2.000 euro e rimane delusa.

Il risultato economico è identico: entrambe ricevono 1.000 euro. Eppure, la loro soddisfazione può essere molto diversa. Perché?

La risposta sembra intuitiva: non valutiamo ciò che otteniamo soltanto in termini assoluti, ma anche rispetto a ciò che ci aspettavamo.

Questa semplice osservazione ha conseguenze profonde per la teoria economica.

Nel 2006, Botond Kőszegi e Matthew Rabin pubblicano sul Quarterly Journal of Economics un articolo destinato a diventare uno dei riferimenti fondamentali dell’economia comportamentale: A Model of Reference-Dependent Preferences.

Il loro contributo è mostrare come le aspettative possano entrare direttamente nella funzione di utilità e influenzare le decisioni economiche.

Perché perdere pesa più che guadagnare

La teoria economica tradizionale assume generalmente che le persone valutino le alternative sulla base dell’utilità associata ai risultati finali.

Ma decenni di ricerca in psicologia ed economia hanno mostrato che le nostre valutazioni dipendono anche da un punto di riferimento.

Un contributo fondamentale è la prospect theory di Daniel Kahneman e Amos Tversky (1979).

Secondo questa teoria, le persone distinguono tra guadagni e perdite rispetto a un riferimento e tendono a essere più sensibili alle perdite che ai guadagni equivalenti.

Perdere 100 euro, in altre parole, può farci stare peggio di quanto guadagnarne 100 ci faccia stare bene. Questo fenomeno è noto come loss aversion.

Ma rimane una domanda fondamentale: che cosa determina il punto di riferimento?

Spesso si assume che sia la nostra situazione attuale, lo status quo. Kőszegi e Rabin propongono invece una risposta diversa: il punto di riferimento può essere rappresentato da ciò che ci aspettiamo di ottenere.

L’intuizione di Kőszegi e Rabin

Gli autori sviluppano un modello nel quale l’utilità individuale dipende da due componenti.

La prima è l’utilità tradizionale associata al consumo di un bene o al reddito ricevuto.

La seconda è l’utilità derivante dal confronto tra il risultato effettivo e quello atteso.

Se otteniamo più di quanto prevedevamo, sperimentiamo un guadagno rispetto al nostro riferimento. Se otteniamo meno, sperimentiamo una perdita. E poiché le perdite pesano più dei guadagni, le aspettative possono modificare significativamente il modo in cui valutiamo le alternative.

La parte più originale del modello è che le aspettative non sono semplicemente date dall’esterno.Dipendono dalle decisioni che prevediamo di prendere.

Gli autori introducono così il concetto di personal equilibrium: un equilibrio nel quale le aspettative dell’individuo sono coerenti con il comportamento che sceglie di adottare, tenendo conto proprio di quelle aspettative.

Le aspettative influenzano le decisioni, ma le decisioni previste contribuiscono a formare le aspettative.

Perché siamo disposti a pagare di più per qualcosa che ci aspettiamo di avere?

Consideriamo una persona che sta pensando di acquistare un biglietto per un concerto. Se è convinta che andrà al concerto, l’idea di non riuscire ad acquistare il biglietto può essere percepita come una perdita.Se invece considera il concerto soltanto una possibilità remota, rinunciarvi potrebbe non provocare lo stesso dispiacere.

Il valore del biglietto non dipende quindi soltanto dal piacere di assistere al concerto, ma anche dalle aspettative precedenti.

Questo meccanismo può influenzare la disponibilità a pagare e le decisioni di acquisto. Un aspetto particolarmente interessante è che due persone con le stesse preferenze di consumo possono compiere scelte differenti semplicemente perché hanno aspettative diverse.

E anche la stessa persona può modificare le proprie decisioni quando cambiano le sue aspettative, pur rimanendo invariate le caratteristiche oggettive delle alternative.

Le aspettative influenzano anche quanto lavoriamo

Il modello offre implicazioni interessanti anche per l’offerta di lavoro.

Immaginiamo un tassista che, in una determinata giornata, guadagni molto più di quanto aveva previsto.

Se il suo reddito supera le aspettative, potrebbe decidere di interrompere anticipatamente il lavoro.

Ma se prevedeva già una giornata particolarmente redditizia, il suo comportamento potrebbe essere differente.

Il punto non è soltanto quanto guadagna, ma quanto il guadagno effettivo si discosta da quello atteso.

Questa intuizione permette di interpretare alcuni comportamenti difficili da spiegare utilizzando esclusivamente i modelli tradizionali di offerta di lavoro.

Naturalmente, si tratta di predizioni teoriche: la loro rilevanza empirica dipende dal contesto e dalla capacità di misurare correttamente le aspettative individuali.

Perché questo paper è importante

Il contributo di Kőszegi e Rabin non consiste nell’aver scoperto che le aspettative influenzano le nostre emozioni. Questa idea era già ben nota.

L’innovazione è aver costruito un modello economico rigoroso nel quale il punto di riferimento è determinato endogenamente dalle aspettative razionali.

Il lavoro ha contribuito a sviluppare un’intera letteratura sulle expectations-based reference-dependent preferences, con applicazioni alle decisioni di consumo, alle scelte lavorative, al rischio e alle assicurazioni.

Ha inoltre aperto nuove domande empiriche.

Le persone utilizzano davvero le aspettative come punto di riferimento? Quanto contano rispetto allo status quo, alle esperienze passate o agli obiettivi personali? E come possiamo distinguere sperimentalmente queste spiegazioni?

Non esiste una risposta unica valida per ogni situazione. Ma il modello di Kőszegi e Rabin ha fornito strumenti teorici fondamentali per affrontare queste domande.

La lezione economica

Siamo abituati a pensare che migliorare le condizioni materiali delle persone significhi necessariamente aumentare il loro benessere. Ma il rapporto tra risultati economici e soddisfazione individuale è più complesso.

Un aumento di reddito può essere vissuto come un successo oppure come una delusione. Un’opportunità può apparire particolarmente preziosa quando ci aspettiamo di ottenerla. E una perdita può essere percepita anche quando, rispetto alla situazione iniziale, non abbiamo materialmente perso nulla.

Le aspettative non influenzano soltanto il modo in cui interpretiamo ciò che accade. Possono modificare le decisioni che prendiamo.

In economia, quindi, non conta soltanto ciò che abbiamo o ciò che otteniamo. Conta anche ciò che pensavamo sarebbe successo.

Ed è proprio questa l’intuizione fondamentale di Kőszegi e Rabin: per comprendere le scelte delle persone, dobbiamo considerare non soltanto le loro opportunità, ma anche le aspettative con cui le affrontano.


Riferimenti bibliografici

Kőszegi, B., & Rabin, M. (2006). “A Model of Reference-Dependent Preferences.” Quarterly Journal of Economics, 121(4), 1133–1165.

Kahneman, D., & Tversky, A. (1979). “Prospect Theory: An Analysis of Decision under Risk.” Econometrica, 47(2), 263–291.

Kőszegi, B., & Rabin, M. (2007). “Reference-Dependent Risk Attitudes.” American Economic Review, 97(4), 1047–1073.