Uno studio della Stanford University pubblicato nel novembre 2025 ha messo in luce un dato che i report aggregati sul mercato del lavoro tendono a oscurare. L’occupazione dei neolaureati in ruoli ad alta esposizione all’IA è calata del 16% rispetto ai livelli pre-boom dell’IA generativa. Nello stesso periodo, l’occupazione dei lavoratori senior — quelli con più di dieci anni di esperienza nello stesso settore — è rimasta stabile o è cresciuta. L’IA non sta colpendo tutti allo stesso modo. Sta colpendo chi entra nel mercato del lavoro, non chi è già dentro da anni.
I risultati dello studio Stanford: il calo del 16% nelle posizioni junior
La ricerca di Stanford ha analizzato i dati occupazionali disaggregati per fasce d’esperienza nelle professioni classificate come ad alta esposizione all’IA: sviluppo software, analisi dati, assistenza clienti, traduzione, creazione di contenuti, contabilità di routine, ricerca di mercato, supporto legale di primo livello. Il calo del 16% nell’occupazione dei neolaureati in questi settori non è un dato generale sul mercato del lavoro — che resta relativamente stabile — ma è specifico alle posizioni entry-level in aree dove i modelli linguistici possono svolgere compiti che prima venivano affidati ai lavoratori con meno esperienza.
Il meccanismo è chiaro se si guarda a cosa fanno concretamente i neolaureati nei primi anni di carriera. Un junior developer scrive codice di routine, corregge bug semplici, implementa funzionalità da specifiche dettagliate. Un junior analyst raccoglie dati, produce report standardizzati, crea presentazioni seguendo template predefiniti. Un assistente legale junior fa ricerche giurisprudenziali, sintetizza documenti, prepara bozze di atti sulla base di modelli consolidati. Questi sono esattamente i compiti che i modelli linguistici attuali sanno svolgere con un livello di qualità che, se non sostituisce il lavoro umano in toto, lo riduce a una supervisione rapida dell’output generato dalla macchina. Se un senior developer può fare in un’ora con GPT-5 quello che prima richiedeva un junior per una giornata intera, l’incentivo ad assumere il junior cala in modo drastico.
Il contributo della Federal Reserve di Dallas: conoscenza codificata e tacita
Il 24 febbraio 2026, la Federal Reserve Bank di Dallas ha pubblicato un’analisi firmata dal ricercatore Tyler Atkinson che ha approfondito il meccanismo dietro il dato di Stanford, offrendo una cornice teorica per interpretarlo. Atkinson distingue tra due tipi di conoscenza lavorativa, riprendendo una distinzione classica in economia del lavoro: la conoscenza codificata e la conoscenza tacita.
La conoscenza codificata è quella che può essere trascritta in regole esplicite, manuali operativi, procedure standardizzate, checklist, template. È il tipo di sapere che i modelli linguistici assorbono e replicano con maggiore efficacia, perché è per definizione esprimibile in linguaggio e strutturabile in istruzioni. Compilare un bilancio seguendo i principi contabili è conoscenza codificata. Redigere un contratto standard partendo da un modello è conoscenza codificata. Scrivere codice Python seguendo una specifica tecnica dettagliata è conoscenza codificata.
La conoscenza tacita è l’opposto: è il sapere che si accumula attraverso l’esperienza diretta e che non può essere facilmente verbalizzato o ridotto a regole. È l’intuizione del commercialista che “sente” che qualcosa non torna in un bilancio prima ancora di trovare l’errore. È la capacità dell’avvocato esperto di leggere la reazione di un giudice in aula e adattare la strategia in tempo reale. È il giudizio del project manager che sa quando un progetto sta per deragliare da segnali deboli che non compaiono in nessun report. Questo tipo di sapere resta fuori dalla portata dell’IA attuale — non perché i modelli linguistici non siano potenti, ma perché la conoscenza tacita non è contenuta nei dati testuali su cui i modelli vengono addestrati.
Il lavoro dei junior è dominato da compiti basati su conoscenza codificata: raccogliere dati, compilare report, seguire procedure, eseguire analisi standardizzate, implementare funzionalità secondo specifiche. Il lavoro dei senior, al contrario, si basa in misura crescente sulla conoscenza tacita: negoziare con un cliente difficile, valutare un rischio che non ha precedenti, decidere quale eccezione merita un trattamento diverso dal protocollo, gestire un team in crisi, intuire dove si annida un problema che i dati non mostrano ancora. L’IA automatizza il primo tipo di conoscenza e, facendolo, valorizza il secondo.
Il paradosso dell’ingresso: la scala si accorcia
Il dato sui neolaureati pone un problema strutturale che va oltre il numero di posti persi e che riguarda il modo stesso in cui le professioni si riproducono. Le posizioni entry-level non servono solo a dare un primo stipendio e a inserire i giovani nel mercato del lavoro. Servono a costruire quella conoscenza tacita che rende un professionista difficilmente sostituibile dieci o quindici anni dopo. Il junior developer che corregge bug per due anni impara come funziona una base di codice complessa. Il junior analyst che produce report per un anno impara a leggere i numeri nel contesto del business. L’assistente legale che sintetizza sentenze per mesi impara il linguaggio e la logica del ragionamento giuridico.
Se questi ruoli scompaiono o si riducono drasticamente perché l’IA li assorbe, si interrompe il meccanismo di formazione sul campo — quello che in inglese si chiama on-the-job training — che trasforma i neolaureati in lavoratori esperti. La scala di accesso al mondo professionale non è scomparsa, ma si è accorciata: manca il primo gradino, quello dove si impara facendo. Il risultato è un mercato del lavoro che richiede esperienza ma offre sempre meno modi per acquisirla, un circolo vizioso che le università da sole non possono spezzare perché il tipo di sapere in gioco — la conoscenza tacita — si sviluppa nella pratica, non nelle aule.
Per le università e i centri di formazione, il dato impone una riflessione sui curricula. Se i compiti di base vengono automatizzati, la formazione deve puntare più in alto e più in profondità: meno esecuzione procedurale, più capacità di giudizio, più analisi critica, più gestione dell’ambiguità, più lavoro su casi reali e non solo su esercizi standardizzati. Ma anche il curricolo più avanzato non può sostituire l’esperienza pratica — e se la pratica non c’è perché le posizioni junior non ci sono, il problema resta aperto.
I senior restano stabili: l’IA come amplificatore dell’esperienza
L’altro lato della medaglia è che i lavoratori senior, nelle stesse professioni ad alta esposizione all’IA, non stanno perdendo il posto. In diversi settori, l’occupazione senior è addirittura cresciuta. La spiegazione della Fed di Dallas è coerente con il quadro teorico: l’IA funziona come strumento di amplificazione per chi ha esperienza. Un analista senior che usa GPT-5 per elaborare dati più velocemente non viene sostituito dal modello — diventa più produttivo e può gestire più clienti o progetti con lo stesso tempo. Un avvocato con vent’anni di pratica che usa Claude per ricerche giurisprudenziali non perde il lavoro: guadagna tempo da dedicare alla strategia, alla negoziazione, alla relazione con il cliente — tutte attività basate su conoscenza tacita che il modello non sa replicare.
Atkinson osserva che questo meccanismo produce un premio salariale per i lavoratori che combinano esperienza umana e competenza nell’uso degli strumenti AI. I dati salariali confermano la tendenza: nelle professioni ad alta esposizione, i compensi dei lavoratori senior con competenze AI documentate sono cresciuti più rapidamente di quelli dei colleghi che non usano gli strumenti. L’IA non sta sostituendo l’esperienza. La sta valorizzando, a patto che il professionista esperto sia disposto a integrarla nel proprio lavoro.
Nuovi modelli di formazione: l’apprendistato ibrido uomo-IA
Alcuni osservatori, tra cui David Autor del MIT, hanno suggerito che la soluzione non sia contrastare l’automazione dei compiti junior ma ridisegnare i percorsi di ingresso al lavoro. Se l’IA assorbe i compiti ripetitivi e codificati, i ruoli entry-level possono essere ripensati attorno a compiti diversi: supervisione dell’output dell’IA, gestione delle eccezioni, interazione con i clienti, coordinamento tra sistemi automatizzati e processi umani. In pratica, il neolaureato non entrerebbe più come esecutore di compiti standardizzati ma come operatore di sistemi misti uomo-macchina — un ruolo che richiede competenze diverse ma non meno formate.
Questo ridisegno richiede un cambio di mentalità da parte delle aziende. Assumere un junior come supervisore dell’IA implica investire di più nella formazione iniziale, accettare una curva di produttività più lenta nei primi mesi, e progettare ruoli che oggi non esistono nei mansionari. È un investimento che molte aziende, soprattutto in un contesto di pressione sui costi, non sono disposte a fare — il che spiega perché la risposta prevalente sia stata ridurre le assunzioni piuttosto che ripensarle.
Per il sistema educativo italiano, la sfida è duplice. Da un lato, preparare laureati che sappiano lavorare con l’IA fin dal primo giorno: non solo usare i tool, ma capirne i limiti, verificare gli output, intervenire quando la macchina sbaglia. Dall’altro, costruire percorsi di stage e apprendistato che riflettano la realtà del lavoro assistito dall’IA, non quella di un mercato del lavoro che non esiste più. Le convenzioni tra università e imprese, i programmi di alternanza scuola-lavoro, i tirocini post-laurea devono aggiornarsi alla velocità con cui i compiti entry-level stanno cambiando — e oggi questo aggiornamento è in ritardo rispetto alla trasformazione in corso.
Implicazioni per il mercato italiano del lavoro
In Italia, il mercato del lavoro giovanile è già penalizzato da fattori strutturali che non dipendono dall’IA: contratti precari, stage non retribuiti o sottopagati, mismatch cronico tra formazione universitaria e richieste aziendali, emigrazione dei laureati più qualificati, ritardi nella transizione scuola-lavoro. L’automazione dei compiti entry-level aggrava un problema preesistente in un contesto già fragile. Se le aziende italiane iniziano a ridurre le assunzioni junior perché l’IA può svolgere quei compiti — o anche solo perché credono che l’IA potrà farlo presto — il tasso di disoccupazione giovanile italiano, già tra i più alti in Europa, rischia di peggiorare ulteriormente.
D’altra parte, il dato sui senior suggerisce che per i professionisti italiani con anni di pratica alle spalle, l’IA rappresenta un’opportunità di potenziamento, non una minaccia. La condizione è essere disposti a integrare gli strumenti AI nel proprio lavoro quotidiano: chi lo fa si rafforza e guadagna in produttività, chi resiste rischia di restare indietro non perché sostituito direttamente da un modello, ma perché meno produttivo dei colleghi che il modello lo usano attivamente.
Il dato di Stanford e l’analisi della Fed di Dallas raccontano un’IA che non livella il mercato del lavoro: lo polarizza. Protegge chi ha esperienza, penalizza chi sta iniziando. Per le politiche del lavoro, la formazione professionale e le strategie delle imprese italiane, è una distinzione che non può più essere ignorata. Trattare l’impatto dell’IA sull’occupazione come un fenomeno uniforme — tutti a rischio allo stesso modo, tutti bisognosi delle stesse tutele — significa disperdere risorse e non aiutare chi ne ha davvero bisogno. I neolaureati italiani che si affacciano oggi sul mercato del lavoro hanno bisogno di sapere che il primo impiego potrebbe non assomigliare a quello che avrebbero trovato tre anni fa — e di prepararsi di conseguenza.
