La Federal Reserve Bank di Dallas ha pubblicato un’analisi firmata dal ricercatore Tyler Atkinson che offre una chiave di lettura dell’impatto dell’IA sul lavoro diversa dalle classifiche di esposizione e dai conteggi dei posti persi il 24 febbraio 2026. Il paper riprende e aggiorna una distinzione classica in economia del lavoro — quella tra conoscenza codificata e conoscenza tacita — e la applica al fenomeno dell’automazione da modelli linguistici. La conclusione è contro-intuitiva per chi segue il dibattito sull’IA e lavoro: l’intelligenza artificiale non minaccia i lavoratori esperti. Li rende più produttivi. Il prezzo lo pagano i giovani e i lavoratori con competenze standardizzate, non quelli con anni di pratica alle spalle.
Conoscenza codificata: il terreno dove l’IA compete
La conoscenza codificata è tutto ciò che può essere scritto, trascritto in regole, trasformato in procedure operative, registrato in un manuale. È il sapere che sta nei libri di testo, nei template, nelle checklist, nei protocolli aziendali. Compilare una dichiarazione dei redditi seguendo la normativa vigente è conoscenza codificata. Redigere un contratto di locazione standard partendo da un modello è conoscenza codificata. Scrivere un programma Python seguendo una specifica tecnica dettagliata è conoscenza codificata. Tradurre un manuale tecnico dall’inglese all’italiano rispettando la terminologia di settore è conoscenza codificata.
I modelli linguistici di grandi dimensioni sono macchine per la conoscenza codificata. Sono stati addestrati su miliardi di pagine di testo che contengono — in forma esplicita o implicita — le regole, le procedure, i template e i pattern della conoscenza umana codificata. Quando un modello linguistico genera un contratto, scrive un codice, traduce un testo o produce un report, sta replicando pattern di conoscenza codificata appresi durante l’addestramento. Lo fa in modo rapido, economico e generalmente competente — con il limite noto delle allucinazioni, che sono un sottoprodotto del processo statistico di generazione.
Il lavoro dei neolaureati e dei professionisti junior è dominato dalla conoscenza codificata. Le posizioni entry-level esistono, in larga parte, per eseguire compiti standardizzati sotto la supervisione di lavoratori più esperti: raccogliere dati, compilare report, seguire procedure, implementare specifiche, applicare regole. Questi sono i compiti che i modelli linguistici assorbono con maggiore efficacia — e questo spiega il dato di Stanford sul calo del 16% nell’occupazione dei neolaureati nei settori ad alta esposizione all’IA.
Conoscenza tacita: il terreno dove l’IA non arriva
La conoscenza tacita è il sapere che non può essere facilmente verbalizzato, scritto in un manuale o ridotto a un algoritmo. È il prodotto dell’esperienza diretta, dell’esposizione ripetuta a situazioni complesse e ambigue, della costruzione progressiva di un giudizio professionale che opera in modo intuitivo. Il filosofo Michael Polanyi, che ha introdotto il concetto negli anni ’60, lo riassumeva così: sappiamo più di quanto possiamo dire.
Esempi concreti aiutano a comprendere la differenza. Un commercialista con vent’anni di esperienza che guarda un bilancio e “sente” che qualcosa non torna, prima ancora di identificare l’anomalia specifica, sta usando conoscenza tacita. Un avvocato esperto che legge il tono di una controparte in una negoziazione e decide di cambiare strategia in tempo reale sta usando conoscenza tacita. Un project manager che percepisce che un progetto sta per deragliare da segnali deboli — un cambio nel tono delle email, un ritardo su una milestone apparentemente secondaria, una resistenza non espressa da un membro del team — sta usando conoscenza tacita. Un medico di famiglia che osserva un paziente e nota qualcosa di anomalo che non compare in nessun referto sta usando conoscenza tacita.
Questo tipo di sapere non è contenuto nei dati testuali su cui i modelli linguistici vengono addestrati, perché per definizione non è stato codificato in testo. Il modello linguistico può replicare ciò che è stato scritto, ma non ciò che è stato sperimentato e mai verbalizzato. Questo è il motivo per cui l’IA attuale non sostituisce — e probabilmente non sostituirà nel breve periodo — i professionisti con esperienza in ambiti dove il giudizio conta più della procedura.
I dati della Fed di Dallas: augmentation vs automation
L’analisi di Atkinson si basa su dati occupazionali e salariali disaggregati per livello di esperienza all’interno delle stesse professioni. Il risultato conferma quanto suggerito dallo studio Stanford: nelle professioni ad alta esposizione all’IA, l’occupazione dei lavoratori junior cala mentre quella dei senior resta stabile o cresce. Ma il contributo specifico della Fed di Dallas sta nell’analisi dei salari.
I lavoratori senior che combinano esperienza professionale e competenza nell’uso degli strumenti AI mostrano un premio salariale superiore alla media del loro settore. Atkinson interpreta il dato come evidenza di un meccanismo di augmentation: l’IA non sostituisce il lavoratore esperto, lo potenzia. Un analista senior che usa GPT-5 per elaborare dati più velocemente può gestire più clienti, produrre analisi più approfondite, dedicare più tempo alla componente interpretativa e strategica del proprio lavoro — tutto senza che la sua posizione sia a rischio. Al contrario, il suo valore per l’azienda aumenta perché la combinazione di giudizio umano e capacità computazionale dell’IA produce un output che né l’umano da solo né la macchina da sola possono eguagliare.
Il meccanismo di automation, al contrario, colpisce i lavoratori il cui contributo è prevalentemente basato su conoscenza codificata. Quando un modello linguistico può svolgere il 70% dei compiti di un junior analyst a un costo marginale vicino a zero, l’azienda ha un incentivo economico a ridurre il numero di junior e ad affidare il restante 30% — supervisione, verifica, eccezioni — ai senior che usano l’IA come strumento.
Il paradosso dell’esperienza nell’era dell’IA
La distinzione tra conoscenza codificata e tacita produce un paradosso che il dibattito pubblico non coglie. Si parla molto di “competenze AI” come abilità da acquisire per restare rilevanti nel mercato del lavoro. Ma la ricerca della Fed di Dallas suggerisce che le competenze più protette dalla sostituzione non sono quelle legate all’uso dell’IA — prompt engineering, configurazione di agenti, integrazione di API — bensì quelle che l’IA non riesce a replicare: il giudizio maturato dall’esperienza, la capacità di gestire l’ambiguità, la competenza nel prendere decisioni con informazioni incomplete, la capacità di leggere il contesto umano di una situazione.
Questo non significa che le competenze AI non servano — servono, e i dati salariali lo confermano. Significa che le competenze AI, da sole, non bastano. Un giovane professionista che sa usare GPT-5 alla perfezione ma non ha esperienza nella materia su cui lavora rischia di essere un operatore efficiente di una macchina che non sa valutare. La capacità di giudicare la qualità dell’output dell’IA — di riconoscere quando il modello sbaglia, quando omette qualcosa di rilevante, quando produce una risposta plausibile ma fuorviante — richiede la stessa conoscenza tacita che protegge i senior dalla sostituzione.
La tradizione accademica: da Polanyi a David Autor
La distinzione tra conoscenza codificata e tacita ha una lunga storia nella ricerca economica e filosofica. Michael Polanyi la teorizzò negli anni ’60 con la formula “sappiamo più di quanto possiamo dire”. Nonaka e Takeuchi la applicarono al management giapponese negli anni ’90, mostrando come la capacità delle aziende di creare conoscenza dipendesse dalla conversione tra sapere tacito e codificato. David Autor del MIT, nei suoi lavori sulla polarizzazione del mercato del lavoro, ha mostrato che l’automazione colpisce i compiti routinari — quelli codificabili in regole — ma non i compiti non-routinari che richiedono flessibilità, giudizio e interazione umana. L’analisi di Atkinson alla Fed di Dallas aggiorna questa tradizione applicandola specificamente ai modelli linguistici di grandi dimensioni.
Il contributo specifico di Atkinson sta nel mostrare che i modelli linguistici amplificano la tendenza già identificata da Autor: automatizzano i compiti routinari cognitivi con un’efficacia senza precedenti, ma non toccano i compiti non-routinari che richiedono conoscenza tacita. La differenza rispetto alle ondate tecnologiche precedenti è la velocità e la scala: mentre l’automazione industriale ha impiegato decenni per trasformare il settore manifatturiero, i modelli linguistici stanno comprimendo in pochi anni un’analoga trasformazione nel settore dei servizi e del lavoro d’ufficio.
Un elemento che Atkinson sottolinea è il ruolo della conoscenza tacita nell’innovazione. I progressi più significativi in qualunque campo — dalla scienza alla strategia aziendale, dal diritto alla medicina — nascono dalla capacità di combinare informazioni in modi inediti, di vedere connessioni che altri non vedono, di intuire soluzioni che non possono essere derivate meccanicamente dai dati disponibili. Questa capacità è il prodotto dell’esperienza accumulata e dell’esposizione ripetuta a problemi complessi. Un modello linguistico può generare combinazioni statisticamente probabili di informazioni esistenti, ma non può generare intuizioni — perché l’intuizione è, per definizione, un prodotto della conoscenza tacita che non è contenuta nei dati di addestramento.
Implicazioni per la formazione e le imprese italiane
Per il sistema formativo italiano, la distinzione tra conoscenza codificata e tacita ha implicazioni dirette sulla progettazione dei percorsi di apprendimento. Se la conoscenza codificata è il terreno dell’IA, la formazione dovrebbe puntare su ciò che l’IA non sa fare: ragionamento in condizioni di incertezza, gestione di casi complessi e ambigui, lavoro su problemi mal definiti, interazione umana in contesti professionali. Questo richiede metodi didattici diversi dal nozionismo: più casi studio reali, più tirocini in contesti complessi, più mentoring con professionisti esperti.
In Italia, il sistema universitario è ancora largamente orientato alla trasmissione di conoscenza codificata: lezioni frontali, manuali, esami che verificano la memorizzazione di nozioni. I tirocini formativi, che sono il principale canale di acquisizione di conoscenza tacita durante gli studi, restano spesso brevi, mal strutturati e disconnessi dal percorso accademico. La sfida per le università italiane non è aggiungere un corso di “intelligenza artificiale” al piano di studi — operazione già in corso in molti atenei — ma ripensare il metodo didattico in modo che sviluppi le capacità di giudizio, analisi critica e gestione dell’ambiguità che l’IA non sa replicare. È un cambiamento più profondo e più difficile dell’aggiunta di un insegnamento.
Per le imprese italiane, il messaggio è pragmatico. I lavoratori senior con conoscenza tacita accumulata in anni di pratica sono un asset che l’IA valorizza, non minaccia. Licenziare un professionista esperto per risparmiare sul costo del lavoro e affidarne i compiti a un modello linguistico è una strategia che funziona solo se tutti i compiti sono codificabili — e nella maggior parte delle professioni non lo sono. Il rischio è perdere il sapere tacito che tiene in piedi i processi quando la routine si rompe, e scoprirlo troppo tardi.
La Fed di Dallas ha messo i dati su una distinzione che i filosofi della conoscenza teorizzano da decenni. Per i professionisti italiani, la lezione è concreta: investire nella propria esperienza, non solo negli strumenti. L’IA cambia il modo di lavorare, ma non cambia il fatto che il giudizio si costruisce nel tempo, un caso alla volta, un errore alla volta, un’intuizione alla volta. Questo tipo di sapere resta, per ora, fuori dalla portata di qualunque modello linguistico.
