Bocciare serve davvero?

Bocciare uno studente significa, almeno in teoria, concedergli più tempo. Se alla fine dell’anno non ha imparato abbastanza per affrontare quello successivo, promuoverlo rischia di trasformare una difficoltà temporanea in uno svantaggio permanente: nuovi argomenti si aggiungeranno a quelli che non ha ancora capito e la distanza dai compagni potrebbe aumentare. Fargli ripetere l’anno segue quindi una logica piuttosto intuitiva. Prima consolidiamo ciò che manca, poi ripartiamo. Ma funziona?

Rispondere confrontando gli studenti bocciati con quelli promossi servirebbe a poco. Chi viene bocciato ha generalmente risultati scolastici peggiori già in partenza e può differire dagli altri per condizioni familiari, difficoltà comportamentali, motivazione e molte altre caratteristiche che siamo incapaci di osservare completamente. Se dieci anni dopo scopriamo che ha abbandonato più frequentemente la scuola, non sappiamo quanto attribuire alla bocciatura e quanto alle ragioni che avevano reso più probabile bocciarlo. È il classico problema che rende così difficile stabilire relazioni causali nelle scienze sociali.

Un nuovo studio di Jiee Zhong, appena pubblicato sull’American Economic Journal: Applied Economics, trova un modo particolarmente convincente per aggirarlo. Per alcuni anni, in Texas, la promozione degli studenti di terza elementare dipendeva anche dal superamento di una determinata soglia in un test standardizzato di lettura. Consideriamo allora due bambini che ottengono risultati quasi identici: uno appena sopra la soglia e l’altro appena sotto. È difficile sostenere che una differenza così piccola nel punteggio riveli due tipi radicalmente diversi di studenti. Eppure trovarsi da una parte o dall’altra della soglia modificava sensibilmente la probabilità di dover ripetere l’anno.

Questa discontinuità permette a Zhong di avvicinarsi a qualcosa che nella scuola reale sarebbe quasi impossibile organizzare sperimentalmente. Invece di confrontare genericamente promossi e bocciati, confronta studenti molto simili che, a causa di una regola amministrativa, hanno probabilità differenti di ripetere la terza elementare. È una strategia nota agli economisti come regression discontinuity design e, con le dovute condizioni, permette di attribuire causalmente alla bocciatura le differenze che emergono proprio intorno alla soglia.

I primi risultati sembrano dare ragione alla logica della bocciatura. Gli studenti trattenuti migliorano nei test successivi. Non è difficile capire perché: hanno avuto un anno in più per consolidare competenze che non avevano acquisito e affrontano nuovamente contenuti almeno in parte familiari. Se la valutazione della politica terminasse qui, avremmo quindi una conclusione piuttosto rassicurante. Uno studente era rimasto indietro, gli abbiamo dato più tempo e il suo rendimento è migliorato.

Il punto interessante del lavoro di Zhong è che non termina qui. Gli stessi studenti possono essere seguiti per molti anni e, allargando progressivamente l’orizzonte, la storia cambia. Gli studenti che hanno ripetuto l’anno accumulano più assenze e mostrano alcuni peggioramenti negli indicatori comportamentali. Soprattutto, diminuisce la probabilità che conseguano il diploma di scuola superiore. Quando infine i dati scolastici vengono collegati a quelli sul mercato del lavoro, emerge una conseguenza ancora più sorprendente: a 26 anni, gli studenti trattenuti guadagnano circa 3.500 dollari in meno all’anno, una differenza corrispondente a circa il 19 per cento dei guadagni medi del gruppo utilizzato per il confronto.

Non c’è necessariamente una contraddizione tra il miglioramento iniziale nei test e questi risultati successivi. Una bocciatura modifica contemporaneamente molte cose. Offre più tempo per imparare, ma rende anche lo studente più anziano rispetto ai compagni, cambia il gruppo dei pari, posticipa il diploma e altera il momento in cui vengono raggiunte alcune soglie legali importanti. Nel contesto studiato da Zhong, un meccanismo sembra avere particolare rilievo: chi ha ripetuto un anno raggiunge l’età alla quale può legalmente lasciare la scuola avendo completato meno istruzione. Il miglioramento iniziale delle competenze può quindi convivere con una maggiore probabilità di interrompere successivamente gli studi; e quest’ultima, a sua volta, può contribuire a spiegare i minori guadagni osservati nell’età adulta.

Questo non significa che il nuovo studio abbia dimostrato che bocciare sia sempre dannoso. L’effetto viene identificato per studenti texani di terza elementare che si trovavano vicino a una specifica soglia di rendimento, all’interno di un particolare sistema scolastico. Non sappiamo se la stessa cosa accadrebbe a uno studente italiano di sedici anni, né se gli effetti sarebbero identici in un sistema in cui alla ripetizione dell’anno si accompagnassero interventi educativi differenti. Anche la letteratura precedente invita alla cautela: altri studi quasi sperimentali hanno trovato effetti che variano a seconda dell’età degli studenti, delle istituzioni scolastiche e soprattutto dell’orizzonte temporale considerato.

Ed è proprio qui che il paper diventa interessante anche per chi non si occupa di scuola. La domanda apparentemente semplice — “bocciare funziona?” — nasconde una decisione che il ricercatore deve prendere prima ancora di analizzare i dati: che cosa significa “funzionare”? Se scegliamo come risultato il punteggio in un test sostenuto poco dopo la bocciatura, possiamo ottenere una risposta positiva. Se osserviamo il completamento della scuola superiore, la risposta può cambiare. Se aspettiamo ancora e misuriamo il reddito da adulti, può cambiare nuovamente.

Non è un dettaglio metodologico. Lo stesso problema compare continuamente quando cerchiamo di valutare una politica pubblica. Un incentivo economico può aumentare immediatamente il comportamento che vogliamo incoraggiare e perdere efficacia quando l’incentivo scompare. Un programma di formazione può sembrare inutile dopo sei mesi e produrre effetti sull’occupazione diversi dopo cinque anni. Un intervento educativo può aumentare i risultati nei test senza produrre necessariamente gli stessi miglioramenti negli esiti che ci interessano da adulti. Una politica non possiede quindi un unico “effetto”: produce una sequenza di conseguenze, su dimensioni diverse e in momenti diversi.

Il lavoro di Zhong non chiude perciò il dibattito sulla bocciatura. Fa qualcosa di più utile: mostra perché il modo in cui formuliamo la domanda può determinare la risposta che troviamo. Se avessimo osservato soltanto i risultati scolastici immediatamente successivi, avremmo raccontato una storia di successo. Seguendo gli stessi bambini fino all’età adulta, quella storia diventa molto più complessa.

Forse è questa la conclusione più generale. Quando sentiamo dire che uno studio ha dimostrato che una politica “funziona”, la domanda successiva non dovrebbe essere soltanto quanto sia grande l’effetto. Dovremmo chiedere: su che cosa è stato misurato, per chi e dopo quanto tempo?

A volte basta cambiare l’orizzonte per cambiare la risposta.

LE FONTI

Jiee Zhong (2026), “Early Grade Retention Harms Adult Earnings”, American Economic Journal: Applied Economics.
È il lavoro al centro dell’articolo. Utilizza una discontinuità nella regola di promozione degli studenti texani per stimare gli effetti causali della retention e segue gli esiti fino all’età adulta.

Brian Jacob e Lars Lefgren (2009), “The Effect of Grade Retention on High School Completion”, American Economic Journal: Applied Economics.
Un importante studio precedente che utilizza anch’esso soglie nei test per studiare gli effetti della retention, mostrando in particolare come i risultati possano differire a seconda dell’età in cui lo studente viene trattenuto.

Guido Schwerdt, Martin West e Marcus Winters (2017), “The Effects of Test-Based Retention on Student Outcomes over Time: Regression Discontinuity Evidence from Florida”, Journal of Public Economics.
Studia una politica analoga in Florida e permette di confrontare gli effetti della retention in contesti e orizzonti temporali differenti.

Questo articolo è stato realizzato con l’assistenza dell’intelligenza artificiale nella ricerca della letteratura, nell’analisi delle fonti e nella preparazione del testo. Le fonti e il contenuto finale sono sottoposti alla verifica e all’approvazione della direzione scientifica prima della pubblicazione.

Diseguaglianza

Negli ultimi anni la disuguaglianza è tornata al centro del dibattito pubblico. Si parla della ricchezza dei miliardari, dell’aumento dei prezzi delle case, dei salari che crescono poco, delle eredità e della distanza tra chi si trova nella parte alta e chi nella parte bassa della distribuzione. Ma quando discutiamo di disuguaglianza tendiamo quasi sempre a guardare soltanto al presente. La storia economica permette invece di cambiare prospettiva e di porre una domanda più interessante: quanto è eccezionale la disuguaglianza che osserviamo oggi rispetto a quella delle società del passato? La risposta è meno semplice di quanto sembri, perché prima di confrontare epoche diverse dobbiamo chiarire che cosa stiamo misurando. Reddito e ricchezza, per esempio, vengono continuamente confusi, ma sono grandezze diverse. Il reddito è un flusso: ciò che una persona riceve durante un certo periodo sotto forma di salario, reddito da lavoro autonomo, pensione, interessi, dividendi o affitti. La ricchezza è invece uno stock: il valore di ciò che una persona possiede in un determinato momento, come immobili e attività finanziarie, al netto dei debiti. Un giovane calciatore che guadagna 200.000 euro all’anno ma non possiede ancora praticamente nulla può trovarsi molto in alto nella distribuzione dei redditi e relativamente in basso in quella della ricchezza; un pensionato con un reddito modesto che abbia ereditato un appartamento di grande valore può trovarsi nella situazione opposta. Anche il frequente confronto tra il patrimonio di un miliardario e il PIL di un piccolo paese deve quindi essere interpretato con prudenza: il primo è uno stock, il secondo è un flusso annuale.

Una seconda difficoltà riguarda il modo in cui misuriamo la disuguaglianza. Uno degli strumenti più utilizzati è il coefficiente di Gini, dal nome dello statistico italiano Corrado Gini. Nella sua formulazione standard varia tra zero e uno: zero indica perfetta uguaglianza, mentre valori più elevati indicano una distribuzione sempre più concentrata. Il Gini è estremamente utile, ma misura una cosa molto precisa: la disuguaglianza relativa. Non misura quanto una società sia ricca. Due società possono quindi avere lo stesso Gini e condizioni materiali completamente differenti. Se nella prima il reddito medio è appena superiore a quello necessario per sopravvivere e nella seconda è decine di volte superiore, il grado relativo di disuguaglianza può essere identico, ma la condizione di chi si trova nella parte bassa della distribuzione è radicalmente diversa. È proprio questo problema che rende particolarmente interessante un contributo di Branko Milanovic e, successivamente, di Milanovic, Peter Lindert e Jeffrey Williamson: il concetto di inequality possibility frontier, cioè la frontiera della disuguaglianza possibile. L’idea è semplice. In una società estremamente povera quasi tutto il reddito serve a mantenere in vita la popolazione. Se la maggior parte delle persone deve ricevere almeno un minimo di sussistenza, l’élite non può appropriarsi di una quota arbitrariamente elevata del reddito totale, perché sotto quel minimo le persone semplicemente non sopravviverebbero. Quando invece il reddito medio aumenta, cresce il surplus disponibile sopra la sussistenza e aumenta quindi anche la disuguaglianza teoricamente possibile. Una società più ricca, paradossalmente, può permettersi di essere molto più diseguale di una società poverissima.

Da questa intuizione deriva un concetto ancora più interessante, l’inequality extraction ratio: il rapporto tra la disuguaglianza effettivamente osservata e quella massima teoricamente possibile dato il livello di reddito della società. La domanda non è più soltanto “quanto era diseguale questa società?”, ma “quanta parte del surplus disponibile veniva effettivamente appropriata dalle élite?”. Applicando questo approccio a società come Roma antica, Bisanzio, l’Inghilterra medievale e moderna e diverse economie coloniali, gli autori mostrano che alcune società del passato si trovavano relativamente vicine alla loro frontiera di massima disuguaglianza possibile. Questo non significa che il loro coefficiente di Gini fosse sempre più alto di quello delle società contemporanee. È un punto importante, perché dire semplicemente che “nel passato c’era più disuguaglianza” sarebbe troppo grossolano. Il risultato più interessante è un altro: in una società molto povera anche una disuguaglianza apparentemente moderata poteva significare che una quota enorme del piccolo surplus disponibile sopra la sussistenza era concentrata nelle mani di una minoranza. In altre parole, lo stesso valore del Gini può avere implicazioni sociali molto diverse a seconda di quanto è ricca la società a cui viene applicato.

Questo porta a una distinzione essenziale tra disuguaglianza e povertà. Una società può diventare più diseguale mentre i redditi di quasi tutti aumentano, oppure può diventare più eguale perché i redditi più elevati diminuiscono senza che quelli dei poveri migliorino. Un indice distributivo, da solo, non permette di distinguere questi casi. Conta come viene divisa la torta, ma conta anche quanto è grande la torta. Per gran parte della storia umana il problema fondamentale non era soltanto che le risorse fossero distribuite in modo diseguale: era che le risorse disponibili erano molto scarse. Nelle economie preindustriali una parte enorme della popolazione viveva relativamente vicina alla sussistenza, e una cattiva annata agricola, una variazione del prezzo dei cereali o una malattia potevano avere conseguenze devastanti. La crescita economica moderna non ha eliminato la disuguaglianza, ma ha aumentato enormemente il livello medio delle risorse disponibili. Per questo confrontare esclusivamente la forma della distribuzione senza considerare il livello assoluto dei redditi rischia di farci perdere una parte essenziale della storia.

C’è inoltre un’altra differenza tra passato e presente. Nelle società preindustriali la disuguaglianza economica era spesso accompagnata da disuguaglianze giuridiche e sociali istituzionalizzate: schiavitù, servitù, privilegi ereditari, società divise in ordini e sistemi di caste. In questi contesti la posizione economica di una persona dipendeva molto più rigidamente dalla nascita e dallo status giuridico. Il coefficiente di Gini non misura nulla di tutto questo: non misura la libertà personale, i diritti politici, la mobilità sociale o l’uguaglianza davanti alla legge. Anche da questo punto di vista, quindi, due società con lo stesso Gini possono essere profondamente diverse.

La rivoluzione industriale modifica ancora il quadro. Tra Ottocento e Novecento alcune economie, inizialmente soprattutto nell’Europa nord-occidentale e successivamente in Nord America e in altre regioni, iniziano a crescere molto più rapidamente di altre. È la cosiddetta Great Divergence. Una parte crescente della disuguaglianza mondiale non dipende più soltanto dalle differenze tra ricchi e poveri all’interno dello stesso paese, ma dalle enormi differenze di reddito medio tra paesi. Questo porta a distinguere due componenti della disuguaglianza globale: quella within-country, cioè all’interno dei singoli paesi, e quella between-country, cioè tra paesi diversi. Durante una parte importante del Novecento il luogo in cui una persona viveva era fortemente associato alla sua posizione nella distribuzione mondiale dei redditi. Non significa che il reddito individuale fosse determinato dalla nazionalità, ma che vivere in un’economia ad alta produttività rappresentava un enorme vantaggio rispetto al vivere in una società molto povera. Da qui nasce anche una domanda normativa interessante: perché dovremmo preoccuparci molto della distanza economica tra due persone nate entro gli stessi confini nazionali e molto meno della distanza, magari assai maggiore, tra due persone separate da una frontiera? L’economia non può rispondere da sola, ma può almeno rendere visibile il problema.

Negli ultimi decenni il quadro globale è cambiato ancora. La rapida crescita di grandi economie asiatiche, soprattutto della Cina, ha ridotto una parte delle enormi differenze internazionali create durante la Great Divergence. Le ricostruzioni più recenti mostrano che, a partire circa dagli anni Ottanta, la componente della disuguaglianza mondiale dovuta alle differenze tra paesi è diminuita sensibilmente. Nello stesso periodo, però, in molti paesi è aumentata la disuguaglianza interna. Le due cose possono avvenire contemporaneamente: la distanza tra ricchi e poveri all’interno di un paese può aumentare mentre la distanza media tra gli abitanti di paesi diversi diminuisce. Per questo affermazioni come “la globalizzazione ha aumentato la disuguaglianza” o “la globalizzazione l’ha ridotta” sono troppo vaghe. Dipende da quale disuguaglianza stiamo osservando. Inoltre sarebbe eccessivo attribuire causalmente tutta la convergenza internazionale alla sola globalizzazione: la crescita di Cina, India e altre economie asiatiche è stata il risultato di apertura commerciale, industrializzazione, accumulazione di capitale, urbanizzazione, istruzione, riforme interne e trasformazioni istituzionali.

Lo stesso vale per la povertà. Negli ultimi decenni la povertà estrema mondiale è diminuita in misura straordinaria. Con l’attuale soglia internazionale della World Bank, fissata a 3 dollari al giorno in dollari internazionali 2021, tra il 1990 e il 2022 circa un miliardo e mezzo di persone sono uscite dalla povertà estrema. Questo non significa che il problema sia risolto: centinaia di milioni di persone rimangono sotto quella soglia e negli anni più recenti il progresso si è fortemente rallentato. Ma dal punto di vista storico il cambiamento resta enorme. E qui appare chiaramente la differenza tra povertà e disuguaglianza. È perfettamente possibile che la concentrazione dei redditi aumenti in un paese e che contemporaneamente milioni di persone escano dalla povertà. Se osserviamo soltanto una delle due dimensioni, perdiamo una parte della storia.

Quando passiamo dal reddito alla ricchezza, il quadro cambia ulteriormente. La ricchezza è generalmente molto più concentrata del reddito perché si accumula nel tempo, può essere ereditata, genera rendimenti e dipende fortemente dall’età, dal debito e dal valore degli immobili e delle attività finanziarie. Una giovane professionista può avere un reddito elevato ma poca ricchezza netta perché ha un grande mutuo; una persona anziana può avere una pensione modesta ma possedere una casa di grande valore senza debiti. Per questo le classifiche della ricchezza mondiale possono produrre risultati molto diversi da quelle basate sul reddito. E proprio l’housing, cioè la ricchezza immobiliare, introduce una questione particolarmente importante nel dibattito contemporaneo. Se una casa che valeva 300.000 euro arriva a valerne 600.000, il patrimonio del proprietario aumenta di 300.000 euro, ma l’economia non dispone di una casa in più. È aumentato il prezzo di un’attività esistente. Gli studi di Katharina Knoll, Moritz Schularick e Thomas Steger mostrano che nei paesi avanzati il forte aumento dei prezzi reali delle abitazioni nel secondo dopoguerra è stato determinato in larga misura dall’aumento del valore della terra, più che dall’aumento dei costi di costruzione. Questo è rilevante perché una parte dell’aumento della ricchezza privata può riflettere la rivalutazione di asset esistenti piuttosto che la creazione di nuovo capitale produttivo.

È qui che il dibattito incontra Thomas Piketty. Uno dei risultati più famosi di Capital in the Twenty-First Century è sintetizzato nella formula r > g, dove r indica il rendimento del capitale e g il tasso di crescita dell’economia. L’intuizione è che, quando i patrimoni generano rendimenti superiori alla crescita del reddito complessivo, possono emergere forze che favoriscono la persistenza e la concentrazione della ricchezza. Ma questa relazione non implica automaticamente che la disuguaglianza debba aumentare senza limiti. I proprietari del capitale consumano, pagano imposte, lasciano eredità che possono essere divise tra più persone, affrontano rendimenti differenti e possono vedere i propri patrimoni perdere valore. Il comportamento del risparmio, la tassazione, le istituzioni, la tecnologia e la struttura dei mercati contano. Lo stesso Piketty ha successivamente chiarito che r > g va interpretato come una forza di amplificazione, non come una legge deterministica. Le critiche successive hanno insistito proprio su questi punti. Acemoglu e Robinson hanno sottolineato il ruolo delle istituzioni e della tecnologia; Krusell e Smith hanno discusso le ipotesi sul risparmio; Matthew Rognlie e altri hanno mostrato quanto una parte importante dell’aumento del capitale e della quota dei redditi da capitale nelle economie avanzate sia legata all’housing. La conclusione interessante non è quindi che Piketty abbia semplicemente “scoperto il boom immobiliare”, ma che per capire l’aumento della ricchezza dobbiamo distinguere tra accumulazione di nuovo capitale e rivalutazione di attività esistenti.

A questo punto diventa chiaro perché la domanda “la disuguaglianza è buona o cattiva?” sia troppo semplice. Due società possono avere lo stesso coefficiente di Gini ma arrivarci attraverso meccanismi completamente diversi. In una, le differenze possono derivare soprattutto da innovazione, istruzione e rischio imprenditoriale; nell’altra, da rendite monopolistiche, privilegi politici, discriminazione o corruzione. Il numero finale può essere identico, ma l’economia sottostante è completamente diversa. Lo stesso vale per la distinzione tra disuguaglianza dei risultati e disuguaglianza delle opportunità. L’economia positiva può misurare queste differenze, studiarne le cause e analizzarne le conseguenze, ma non può stabilire da sola quale distribuzione sia socialmente desiderabile: per farlo bisogna introdurre inevitabilmente criteri normativi.

Per questo, invece di chiedere soltanto quanto una società sia diseguale, sarebbe meglio porre almeno tre domande. La prima è quanto hanno le persone, cioè quale sia il livello assoluto del benessere materiale e quante persone vivano in condizioni di grave povertà. La seconda è quanto siano distanti tra loro, cioè come siano distribuiti reddito e ricchezza. La terza, forse la più importante, è perché siano distanti: per istruzione, innovazione, eredità, rendite, discriminazioni, prezzi immobiliari, differenze di produttività o privilegi istituzionali? Queste tre domande non sono equivalenti e possono produrre risposte molto diverse. Una società può diventare più ricca e più diseguale, può diventare più eguale e più povera, può ridurre drasticamente la povertà mentre aumenta la quota di reddito del top 1 per cento, oppure può sperimentare una diminuzione delle differenze tra paesi insieme a un aumento delle differenze interne.

La storia economica ci insegna quindi soprattutto a diffidare delle spiegazioni basate su un solo numero. La stessa misura di disuguaglianza può avere conseguenze molto diverse in una società vicina alla sussistenza e in una società ricca; crescita e distribuzione sono fenomeni distinti; la disuguaglianza nazionale non coincide con quella globale; reddito e patrimonio raccontano storie differenti; e, soprattutto, il modo in cui una certa distribuzione viene prodotta conta almeno quanto la distribuzione stessa. Per gran parte della storia umana una quota molto ampia della popolazione viveva vicino alla sussistenza. La crescita economica moderna ha trasformato radicalmente questa condizione, prima in una parte relativamente piccola del mondo e poi, negli ultimi decenni, anche in grandi regioni dell’Asia. Questo non significa che i problemi distributivi siano scomparsi. Significa che possiamo vivere contemporaneamente in un mondo enormemente più ricco, con molta meno povertà estrema, e continuare ad avere livelli elevati o crescenti di concentrazione del reddito e soprattutto della ricchezza. Non c’è alcuna contraddizione.

Per questo, quando sentiamo dire che “la disuguaglianza è aumentata” o che “la disuguaglianza è diminuita”, la prima domanda dovrebbe essere: quale disuguaglianza? Di reddito o di patrimonio? All’interno di un paese o nel mondo? Misurata relativamente o in termini assoluti? In una società con quale livello medio di reddito? E soprattutto prodotta da quali meccanismi? Soltanto dopo aver risposto a queste domande possiamo capire davvero che cosa i numeri stanno raccontando.

La mia ricerca

Nel modello economico standard, le scelte individuali derivano dall’interazione tra preferenze, credenze, informazioni e vincoli. In forma sintetica, un individuo sceglie l’azione che massimizza l’utilità attesa date le proprie preferenze, le credenze sugli stati del mondo e l’insieme delle alternative disponibili. Le preferenze rappresentano quindi una componente fondamentale del processo decisionale, ma non sono direttamente osservabili: vengono inferite a partire dalle scelte. Per questo motivo, una variazione nel comportamento non può essere automaticamente interpretata come una variazione delle preferenze, poiché può riflettere anche cambiamenti nelle informazioni, nelle credenze, nei vincoli o nel contesto decisionale.

Una parte importante dell’economia comportamentale consiste precisamente nell’“aprire” questa black box. Da un lato, si studia come le preferenze si formino e perché differiscano tra individui e società. In questa prospettiva, le preferenze possono essere rappresentate come un insieme multidimensionale di caratteristiche che includono, tra le altre, preferenze rispetto al rischio, al tempo e agli altri (sociali). L’eterogeneità lungo queste dimensioni contribuisce a spiegare differenze sistematiche nelle scelte e, attraverso l’accumulazione delle decisioni nel tempo, negli outcome economici e sociali, quali istruzione, partecipazione al mercato del lavoro, comportamento finanziario, salute e disuguaglianza.

Dall’altro lato, è necessario aprire anche la scatola nera che collega preferenze e comportamento osservato. A parità di preferenze, individui diversi possono effettuare scelte differenti perché differiscono nelle credenze, nell’informazione disponibile, nei vincoli, nell’attenzione, nell’autocontrollo o nello stato emotivo. Le emozioni possono intervenire in più punti del processo: possono modificare direttamente la valutazione degli esiti, influenzare le credenze soggettive, alterare attenzione e salienza oppure incidere sul processo decisionale senza modificare necessariamente le preferenze sottostanti. Ne consegue che un emotion-induced change in choice non implica necessariamente un preference change.

Questa distinzione è particolarmente rilevante in una prospettiva dinamica. Le intenzioni formulate in un certo momento possono divergere dalle azioni effettivamente realizzate successivamente, generando un intention-action gap. Tale divergenza può dipendere da present bias, problemi di autocontrollo, inattentiveness, forgetting, fatigue, mutamenti nei vincoli o negli stati emotivi. Tuttavia, non ogni differenza tra intenzione e comportamento costituisce un bias: se cambiano le informazioni o le condizioni economiche, una revisione della scelta può essere perfettamente razionale. Il problema normativo emerge quando la divergenza riflette meccanismi che l’individuo stesso, ex ante, preferirebbe evitare.

In questo quadro, le politiche pubbliche possono agire in punti differenti del processo decisionale. Gli incentivi modificano i payoff, i vincoli modificano l’insieme delle alternative disponibili, l’informazione modifica le credenze, mentre gli interventi di choice architecture possono incidere su attenzione, salienza e implementazione delle intenzioni. Il nudging può quindi essere interpretato come un intervento che modifica il mapping tra preferenze e scelte senza richiedere necessariamente un cambiamento nelle preferenze stesse. Questa distinzione tra formazione delle preferenze e traduzione delle preferenze in comportamento costituisce una chiave teorica utile per organizzare sia lo studio dell’eterogeneità individuale sia quello del ruolo delle emozioni nelle decisioni economiche.

La Regina Rossa

In “Attraverso lo specchio”, Lewis Carroll racconta una scena tanto assurda quanto illuminante. Alice corre insieme alla Regina Rossa. Corre sempre più velocemente, si affanna, cerca di tenere il passo. Eppure, quando finalmente si ferma, scopre con stupore di essere rimasta esattamente nello stesso punto.

La Regina le spiega che, in quel mondo, bisogna correre più che si può semplicemente per restare dove si è. Se si vuole andare da qualche parte, bisogna correre almeno il doppio.

È una metafora sorprendentemente efficace per descrivere il rapporto tra istruzione, lavoro e mobilità sociale.

Per molti di coloro che oggi hanno sessant’anni, la terza media poteva essere sufficiente per entrare nel mercato del lavoro, trovare un impiego stabile, comprare una casa e costruire una famiglia. Naturalmente non era così per tutti e il passato era tutt’altro che privo di difficoltà. Ma, per una parte importante di quella generazione, un livello di istruzione relativamente basso era compatibile con una traiettoria di vita economicamente stabile.

Oggi un giovane può studiare cinque anni in più, conseguire un diploma, iscriversi all’università, ottenere una laurea magistrale, imparare una o due lingue straniere, fare tirocini e magari trascorrere un periodo all’estero. E, alla fine di questa lunga corsa, può scoprire di non aver raggiunto una posizione migliore di quella che i suoi genitori avevano ottenuto con molti meno anni di formazione.

È la corsa della Regina Rossa.

Il punto non è che studiare non serva. Al contrario: per il singolo individuo l’istruzione continua a essere una delle risorse più importanti per aumentare le proprie opportunità. Il problema nasce quando confondiamo ciò che può essere vantaggioso per il singolo con ciò che è sufficiente per migliorare le condizioni di un’intera generazione.

Se il numero di persone con un titolo di studio elevato cresce più rapidamente del numero di lavori qualificati disponibili, le credenziali richieste per accedere alle stesse posizioni tendono ad aumentare. Dove ieri bastava un diploma, oggi può essere richiesta una laurea. Dove bastava una laurea, può comparire la richiesta di un master, di esperienza internazionale o di anni di tirocinio.

Non necessariamente perché il lavoro sia diventato altrettanto più complesso, ma perché, quando aumenta il numero dei candidati qualificati, i titoli di studio possono diventare anche uno strumento di selezione.

Il risultato è paradossale: una generazione può essere molto più istruita della precedente senza essere, per questo, altrettanto più sicura economicamente.

Ed è qui che il confronto tra generazioni rischia di diventare ingannevole. Dire a un giovane “devi studiare di più”, “devi specializzarti”, “devi fare esperienza”, “devi essere disposto a spostarti” può essere un consiglio sensato dal punto di vista individuale. Ma non è una risposta sufficiente a un problema collettivo.

Perché non possiamo risolvere soltanto aumentando la velocità dei corridori un problema che dipende anche dal numero e dalla qualità dei traguardi disponibili.

Se vogliamo che una maggiore istruzione produca anche maggiore mobilità sociale, occorre che alla crescita delle competenze corrisponda una crescita delle opportunità: lavori qualificati, produttività, salari, possibilità di carriera e condizioni che consentano ai giovani di trasformare il capitale umano accumulato in autonomia economica.

Altrimenti continueremo a chiedere a ogni nuova generazione di correre un po’ più velocemente della precedente.

E quando, esausta, ci dirà di essere ancora nello stesso punto, rischieremo persino di risponderle che non ha corso abbastanza.

L’intelligenza artificiale e eterogeneità

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.