Quanto cambierà davvero l’economia con l’intelligenza artificiale? Al momento, la risposta dipende soprattutto da chi si decide di ascoltare. Alcune previsioni descrivono un aumento della produttività relativamente contenuto, altre immaginano tassi di crescita che non si vedono da generazioni, accompagnati da una profonda trasformazione del mercato del lavoro. Il problema è che queste stime spesso partono da ipotesi molto diverse, il che le rende difficili da confrontare.
Un nuovo paper dell’Anthropic Institute prova a fare un’operazione interessante: mettere questi scenari nello stesso modello e capire quali variabili determinano la distanza tra un futuro in cui l’IA produce effetti economici modesti e uno in cui la crescita, i salari, l’occupazione e la distribuzione della ricchezza cambiano radicalmente. Economic Scenarios for Transformative AI, firmato da Anton Korinek, Charles Jones e altri tre economisti, definisce tre possibili traiettorie per l’economia americana da qui al 2030 e consente soprattutto di osservare quali ipotesi devono verificarsi per passare da una traiettoria all’altra.
Indice degli argomenti
Tre scenari per il 2030
Il modello combina alcune variabili relativamente intuitive: quanti compiti sarà in grado di svolgere l’IA, quanto verrà effettivamente utilizzata, quale guadagno di produttività produrrà, in che misura finirà per affiancare o sostituire il lavoro umano e quanto rapidamente lavoratori ed economia riusciranno ad adattarsi. Modificando queste ipotesi, gli autori costruiscono tre scenari molto diversi tra loro.
Nel primo, definito modest change, l’IA si comporta come una tecnologia importante ma tutto sommato normale. Nel 2030 il PIL americano risulta dell’1,6% superiore a quanto sarebbe stato senza questa trasformazione; la crescita annuale passa dal 2% al 2,4% e la disoccupazione si muove appena, dal 3,8% al 3,9%. È un effetto significativo, ma resta entro le dimensioni che un’economia avanzata può assorbire senza modificare radicalmente il proprio funzionamento.
Nel secondo scenario, substantial change, il PIL è dell’8,3% più alto e la crescita annua arriva al 5,4%. Sotto il dato aggregato, però, comincia ad aprirsi una divaricazione: i salari delle occupazioni manuali e di servizio crescono del 5,9%, mentre quelli delle professioni cognitive scendono leggermente. L’economia nel suo complesso diventa più produttiva, ma i benefici iniziano a distribuirsi in modo molto diverso a seconda del tipo di lavoro.
Il terzo scenario, “extreme change”, è quello che rende il paper particolarmente interessante. Nel 2030, il PIL è superiore del 32,4% rispetto allo scenario senza IA e la crescita annua raggiunge il 15,4%, un ritmo che porterebbe il reddito pro capite a raddoppiare nell’arco di pochi anni. Allo stesso tempo, il salario dei lavoratori cognitivi scende dell’11,5% e il loro tasso di disoccupazione arriva al 17,9%, mentre quello complessivo raggiunge l’11,9%. È un risultato controintuitivo: l’economia diventa enormemente più ricca, ma una parte consistente di chi lavora può ritrovarsi in condizioni peggiori.
Crescita e distribuzione della ricchezza non sono la stessa cosa
Il meccanismo diventa più evidente osservando come la distribuzione del reddito tra lavoro e capitale cambia. Semplificando, possiamo immaginare un’economia che oggi produce 100, di cui circa 60 vanno al lavoro e 40 al capitale. Nello scenario estremo la stessa economia arriva a produrre circa 132, ma la quota del lavoro scende dal 60% al 45%. Il conto è semplice: il 45% di 132 è 59,4. L’economia è diventata quasi un terzo più grande, ma la quantità complessiva di reddito destinata ai lavoratori è rimasta sostanzialmente ferma.
Il capitale segue il percorso opposto, passando da 40 a 72,6, con una crescita superiore all’80%. Non è difficile capire perché una dinamica del genere avrebbe implicazioni che vanno ben oltre la tecnologia.
Anche parlare genericamente di lavoratori rischia però di nascondere ciò che accadrebbe al di là della media. Nello scenario estremo, le occupazioni cognitive subirebbero contemporaneamente una riduzione dei salari e dei posti di lavoro, mentre molte professioni manuali e di servizio diventerebbero relativamente più preziose perché più difficili da automatizzare. I salari di questo secondo gruppo aumentano del 33,6%. Elettricisti, infermieri, lavoratori delle costruzioni e professionisti che operano fisicamente nel mondo potrebbero quindi trovarsi in una posizione migliore rispetto a molte figure che oggi associamo al lavoro qualificato. È una simulazione e non una previsione, naturalmente, ma l’inversione merita attenzione perché per decenni abbiamo dato per scontato che la digitalizzazione avrebbe continuato a valorizzare soprattutto il lavoro cognitivo.
C’è poi una domanda che il paper lascia volutamente aperta: chi possiede il capitale che beneficia di questo spostamento? Nel modello, il capitale è una categoria aggregata e i rendimenti sono genericamente attribuiti ai suoi proprietari. Nella realtà, però, il capitale necessario per produrre intelligenza artificiale ha caratteristiche molto concrete: capacità computazionale, chip, data center, energia, infrastrutture e grandi quantità di risorse finanziarie necessarie per costruirli. Se una parte crescente della produzione economica dovesse dipendere da questi asset, la questione distributiva riguarderebbe inevitabilmente anche la loro proprietà e il grado di concentrazione.
Gli autori provano persino a fare i conti con una possibile compensazione. Nel loro scenario più estremo, un trasferimento pari a circa il 9% del PIL sarebbe sufficiente a riportare i lavoratori cognitivi al reddito che avrebbero avuto senza la trasformazione indotta dall’IA, lasciando comunque gli altri gruppi più ricchi. Dal punto di vista matematico il problema sembrerebbe quindi risolvibile; dal punto di vista politico e istituzionale, molto meno. Gli stessi autori osservano che trasferimenti di questa portata in risposta a un cambiamento tecnologico non hanno precedenti e ricordano che, nelle grandi trasformazioni economiche del passato, la compensazione di chi perde non è avvenuta automaticamente.
Il punto critico è l’adozione
Il paper discute un tema critico che vedo ogni giorno nelle aziende con cui lavoro: la distanza tra ciò che la tecnologia è in grado di fare e ciò che le organizzazioni riescono effettivamente a farle fare.
Gli autori stimano che a metà del 2026 l’IA venga utilizzata in circa il 10% delle istanze dei compiti che è già in grado di svolgere. Nello scenario più contenuto questa quota arriva al 20% entro il 2030, in quello intermedio al 40% e in quello estremo al 60%.
Se dovessi dare un numero alla quota di potenziale che oggi vedo realmente sfruttata nelle organizzazioni con cui lavoro, direi, provocatoriamente, l’1%. Nella maggior parte dei casi, l’IA viene ancora inserita in processi sostanzialmente invariati: si usa ChatGPT per scrivere una mail più velocemente, riassumere un documento, preparare una presentazione o produrre una prima bozza. Sono utili e spesso generano benefici immediati, ma difficilmente cambiano il modo in cui il lavoro è organizzato.
La prima difficoltà è che la capacità di adottare una tecnologia è distribuita in modo estremamente disomogeneo. Organizzazioni dello stesso settore, con dimensioni comparabili e con accesso sostanzialmente agli stessi strumenti, ottengono risultati completamente diversi. La differenza riguarda raramente il modello linguistico che hanno scelto; molto più spesso riguarda il modo in cui prendono decisioni, sperimentano e modificano i propri processi. Ci sono aziende in cui qualcuno costruisce rapidamente un prototipo, coinvolge un piccolo gruppo, misura il risultato e modifica il modo di lavorare; ce ne sono altre in cui la stessa idea attraversa settimane di riunioni, autorizzazioni, passaggi tra le funzioni e discussioni sulla responsabilità. La tecnologia è identica, il risultato no.
La seconda difficoltà riguarda le competenze. Quando parliamo di adozione dell’IA, pensiamo soprattutto alla necessità di imparare a usare al meglio ChatGPT, Claude o Gemini. Servono certamente capacità tecniche di prompting, di integrazione e di automazione, ma non credo che questo sia il vero collo di bottiglia. La competenza più rara è saper ridisegnare un processo: prendere un flusso di lavoro esistente e chiedersi perché sia fatto in quel modo, distinguere i vincoli reali da quelli ereditati, eliminare passaggi diventati inutili, spostare le responsabilità e cambiare le metriche e gli incentivi. Sono capacità difficili da sviluppare e, soprattutto, erano rare molto prima dell’arrivo dell’intelligenza artificiale.
A questo si aggiunge un elemento ancora meno tecnologico. Ogni processo coinvolge persone, responsabilità, competenze e, spesso, piccoli o grandi equilibri di potere. Una trasformazione resa possibile dall’IA può rendere inutile una parte del lavoro di qualcuno, cambiare il perimetro di una funzione o spostare una decisione da un ruolo a un altro. È comprensibile che non tutti reagiscano allo stesso modo e che spesso bastino poche persone in posizioni chiave per rallentare notevolmente una trasformazione. Non necessariamente perché siano contrarie all’innovazione: possono esserci ragioni perfettamente razionali legate al rischio operativo, alla compliance, alla sicurezza, alla qualità del risultato o alla responsabilità personale.
Sommandoli, questi tre fattori spiegano il mio scetticismo sulla velocità di adozione. Il vincolo non riguarda soltanto quanto rapidamente miglioreranno i modelli, ma anche quanto velocemente riusciremo a modificare le organizzazioni che dovrebbero utilizzarli.
Curiosamente, anche il paper contiene un dato che va almeno in parte in questa direzione. Gli autori hanno intervistato 10.980 adulti americani e hanno utilizzato le loro risposte per stimare i parametri del modello. L’intervistato mediano si aspetta, entro il 2030, un’IA con capacità elevate, ma pensa che verrà utilizzata soltanto per il 40% di ciò che sarà tecnicamente in grado di fare. Non è necessariamente una previsione corretta, ma descrive bene la possibilità che una tecnologia avanzi più rapidamente della sua diffusione effettiva nell’economia.
Adozione individuale e trasformazione dei processi
A questa tesi si può però opporre un dato evidente: l’intelligenza artificiale generativa si è diffusa tra le persone a una velocità straordinaria, superiore a quella osservata nelle prime fasi di tecnologie come il personal computer o Internet. In molte aziende, inoltre, l’adozione è iniziata dal basso, prima che arrivassero policy, formazione o iniziative ufficiali. Come si concilia una curva di diffusione così rapida con l’ipotesi che le organizzazioni possano impiegare anni per assorbire davvero la tecnologia?
Credo che la risposta risieda nella differenza tra l’adozione individuale e quella di processo. Per una persona, iniziare a usare ChatGPT costa quasi nulla: posso provarlo oggi e smettere domani, non devo modificare il lavoro di altre persone e, se c’è un beneficio, lo vedo immediatamente. Ridisegnare un processo aziendale è quasi l’opposto, perché richiede il coordinamento tra più soggetti e spesso coinvolge sistemi informativi, dati, procedure, responsabilità e regole. Il costo del cambiamento e il beneficio possono inoltre ricadere su persone diverse, introducendo una frizione che nell’adozione individuale semplicemente non esiste.
Sono quindi due curve diverse. La prima può essere velocissima e, infatti, lo è stata; la seconda può procedere molto più lentamente. Se vogliamo capire l’impatto economico reale dell’intelligenza artificiale, dobbiamo osservare questa seconda curva.
Cosa guardare nei prossimi anni
Il pregio che riconosco al lavoro di Korinek e degli altri autori è soprattutto questo: trasforma un dibattito spesso astratto in una serie di variabili che possiamo iniziare a osservare. Quanto velocemente aumenteranno le capacità dei modelli? Quanto rapidamente entreranno nei processi? L’IA verrà utilizzata prevalentemente per sostituire le attività o per ampliare il lavoro delle persone? Emergeranno abbastanza nuovi compiti e nuove professioni? Quanto velocemente riusciranno a ricollocarsi le persone coinvolte? Non sappiamo ancora quale combinazione prevarrà, ma nei prossimi anni avremo dati sufficienti per distinguere le traiettorie.
Personalmente ne seguirei soprattutto uno: la distanza tra la diffusione dell’IA e la crescita della produttività. Se l’utilizzo continuerà ad aumentare rapidamente mentre la produttività aggregata crescerà lentamente, sarà un indizio a favore dell’idea che il vero collo di bottiglia sia di natura organizzativa. Se invece le due curve inizieranno a muoversi insieme, significherà che le aziende stanno imparando a trasformarsi molto più rapidamente di quanto oggi mi sembri possibile.
Per chi lavora all’interno delle organizzazioni, però, c’è una domanda ancora più concreta: su quale di queste variabili possiamo realmente intervenire? Non decidiamo quanto saranno capaci GPT, Claude o Gemini tra due anni, né controlliamo il costo dei chip o la quantità di capacità computazionale disponibile nel mondo. Possiamo però decidere quanto seriamente sperimentare, quali processi mettere in discussione, dove costruire prototipi e come misurare i risultati. Possiamo soprattutto evitare l’errore di pensare che adottare l’intelligenza artificiale significhi semplicemente mettere un nuovo strumento nelle mani delle persone.
Nota di trasparenza: questo articolo è stato sviluppato in collaborazione con l’intelligenza artificiale per supportare l’analisi delle fonti, l’organizzazione degli argomenti e la revisione del testo. Le valutazioni, le esperienze riportate e le scelte argomentative restano dell’autore.
Partecipa alla community