Il 29 gennaio 2026 Harvard Business Review ha pubblicato un’analisi firmata da Thomas H. Davenport e Laks Srinivasan che ha messo un nome a un fenomeno visibile da mesi nei comunicati stampa delle grandi aziende tecnologiche. Il titolo era diretto: le imprese licenziano per il potenziale dell’IA, non per le sue prestazioni effettive. Il pezzo, diventato tra i più letti dell’anno nella rivista, sosteneva che le riduzioni di personale attribuite all’intelligenza artificiale non sono causate da un’automazione già funzionante, ma dalla promessa — ancora non mantenuta nella maggior parte dei casi — che l’IA potrà un giorno svolgere il lavoro eliminato.
Il contesto dei tagli: numeri e nomi
Il quadro dei licenziamenti nel settore tecnologico a inizio 2026 è pesante. Secondo i dati di Layoffs.fyi, nei primi mesi dell’anno i tagli hanno superato le 37.000 unità, distribuiti su circa sessanta aziende. Il ritmo è marginalmente superiore a quello del primo trimestre 2025, che era già stato un anno duro. I nomi sono quelli che fanno titolo: Workday, Amazon, Salesforce. Jack Dorsey ha annunciato la riduzione di quasi metà della forza lavoro di Block — oltre 4.000 persone — dichiarando in una lettera agli azionisti che l’IA cambia il modo stesso di gestire un’azienda. Ford, Amazon, Salesforce, JP Morgan Chase — i rispettivi CEO hanno annunciato pubblicamente, in occasioni diverse, che molti ruoli d’ufficio sarebbero presto scomparsi per effetto dell’automazione intelligente.
Marc Benioff di Salesforce, intervistato a poche settimane di distanza dall’ultimo round di tagli nella propria azienda — circa mille posizioni — ha minimizzato il fenomeno. Ha dichiarato di non vedere le massicce riduzioni di colletti bianchi di cui si parla, definendo le stime allarmistiche come esagerate. Il tempismo della dichiarazione, un mese dopo i tagli interni, ha attirato critiche da commentatori e analisti del settore.
La tesi di Harvard Business Review: tagli preventivi, non reattivi
Il punto sollevato da Davenport e Srinivasan è preciso e documentato. Le aziende osservano i progressi dell’IA generativa — i benchmark in miglioramento, le demo dei laboratori, i casi pilota interni — e decidono di ridurre il personale in anticipo rispetto a un’automazione che ancora non c’è nella pratica operativa. È un taglio preventivo: si elimina la forza lavoro sulla base di ciò che l’IA potrebbe fare in futuro, non di ciò che sta facendo oggi. I due autori lo chiamano un approccio basato sulla speculazione tecnologica, non sulla misurazione dei risultati.
La disoccupazione complessiva negli Stati Uniti resta a livelli relativamente contenuti — 4,3% a gennaio 2026 — e solo una frazione minima dei tagli può essere attribuita direttamente a guadagni di produttività ottenuti grazie a strumenti di IA già operativi. Il grosso delle riduzioni risponde a logiche di ristrutturazione aziendale, contenimento dei costi in fase di incertezza economica o riposizionamento strategico. L’IA, in molti comunicati aziendali, funziona da etichetta giustificativa più che da causa operativa effettiva.
Secondo i dati citati nell’articolo, il 60% delle organizzazioni intervistate ha già ridotto l’organico in previsione dell’impatto futuro dell’IA. In molti casi, le stesse aziende che tagliano stanno simultaneamente investendo cifre importanti in strumenti di IA — ma questi strumenti non sono ancora in grado di compensare il lavoro eliminato. Il risultato è un gap operativo concreto e documentato: meno persone, stessa mole di lavoro o addirittura maggiore per via dei nuovi processi di integrazione, strumenti nuovi che non funzionano ancora a regime e che richiedono supervisione costante. I dipendenti rimasti si trovano a gestire sia i compiti abituali sia la transizione verso strumenti che ancora non padroneggiano, in un contesto di incertezza e sovraccarico che i CEO non citano mai nei comunicati.
Le pressioni del mercato finanziario
Il fenomeno ha una componente finanziaria che l’articolo di HBR affronta senza giri di parole. I mercati premiano le aziende che dichiarano di adottare l’IA in modo aggressivo. Un annuncio di tagli “per efficientamento grazie all’IA” può far salire il titolo in Borsa nel breve periodo. L’incentivo a etichettare le ristrutturazioni come “AI-driven” è concreto e misurabile, anche quando il nesso tra il taglio e l’intelligenza artificiale è tenue, indiretto o del tutto assente.
Questa dinamica crea un circolo vizioso. Un CEO annuncia tagli citando l’IA, il mercato reagisce positivamente, altri CEO imitano la strategia comunicativa, il racconto collettivo si auto-alimenta e l’IA diventa la spiegazione predefinita per qualunque riduzione del personale nel settore knowledge work. La realtà operativa — quanto l’IA sta effettivamente sostituendo il lavoro umano nei processi quotidiani — resta sullo sfondo, oscurata dalla narrazione finanziaria. Il caso di Block è emblematico: Jack Dorsey ha usato un linguaggio quasi filosofico per giustificare i tagli, parlando di un cambio nel significato stesso di cosa vuol dire gestire un’azienda. Ma i numeri operativi di Block raccontano una storia più prosaica di riorganizzazione dopo anni di crescita disordinata.
Un dato di Gartner, pubblicato a febbraio 2026 in un report sulle tendenze del lavoro, aggiunge contesto. Solo un investimento AI su cinquanta genera valore trasformativo misurabile. Solo uno su cinque produce un ritorno sull’investimento quantificabile. Il tasso di fallimento dei progetti AI in azienda resta alto: complessità di integrazione, dati insufficienti o di bassa qualità, aspettative irrealistiche dei committenti, resistenza organizzativa dei dipendenti, mancanza di competenze interne per gestire gli strumenti. Tagliare persone sulla base di una tecnologia che nella maggior parte dei casi non ha ancora prodotto risultati tangibili è una scommessa — non una strategia dimostrata.
Le conseguenze operative dei tagli anticipatori
Davenport e Srinivasan identificano tre costi nascosti dei licenziamenti anticipatori che raramente compaiono nelle analisi finanziarie. Il primo è la perdita di conoscenza tacita: i lavoratori licenziati portano via competenze che non sono codificate in nessun manuale, database o procedura scritta. Sono il know-how accumulato in anni di pratica, la capacità di gestire eccezioni, la rete di relazioni interne che fa funzionare i processi. L’IA attuale non è in grado di replicare questo tipo di sapere, e quando il lavoratore se ne va, quel sapere esce dall’organizzazione in modo irreversibile.
Il secondo costo è il sovraccarico dei lavoratori rimasti. Chi resta in azienda dopo un round di tagli si trova a gestire il lavoro dei colleghi licenziati, spesso senza strumenti adeguati a compensare l’aumento di carico. Lo stress cresce, la qualità del lavoro cala, il turnover volontario aumenta — e le nuove assunzioni per sostituire chi se ne va spontaneamente costano di più e richiedono tempo per raggiungere la produttività del predecessore. Uno studio della University of California Berkeley, pubblicato nelle stesse settimane, ha aggiunto un elemento ulteriore: i lavoratori che usano strumenti AI non recuperano il tempo risparmiato per attività di maggior valore. Nella maggior parte dei casi, il tempo liberato dall’IA viene riempito con altro lavoro operativo — lavoro che prima giustificava personale aggiuntivo. Il risultato è più lavoro per meno persone, non lavoro migliore.
Il terzo costo è reputazionale. Le aziende che tagliano in modo aggressivo citando l’IA rischiano di perdere attrattività verso i talenti migliori — proprio quelli di cui avranno bisogno quando l’IA sarà effettivamente integrata nei processi e serviranno persone capaci di gestirla. I lavoratori qualificati nel settore tecnologico, in un mercato dove la domanda di competenze AI supera l’offerta, possono permettersi di scegliere — e tendono a evitare le aziende con una reputazione di tagli indiscriminati.
Il fenomeno in Italia: meno licenziamenti, meno assunzioni
In Italia, dove il mercato del lavoro è meno flessibile e il costo del licenziamento più alto rispetto agli Stati Uniti, il fenomeno dei tagli anticipatori assume forme diverse ma non meno insidiose. Le grandi aziende italiane che adottano l’IA tendono a rallentare le assunzioni piuttosto che a licenziare — un effetto meno visibile nelle statistiche ma altrettanto reale nei suoi effetti sul mercato del lavoro. Le posizioni che si liberano per pensionamento o dimissioni volontarie non vengono sostituite, i contratti a termine non vengono rinnovati, i processi di selezione vengono congelati. Il risultato netto è lo stesso: meno occupazione, ma senza i titoli di giornale sui licenziamenti di massa.
Le PMI italiane, che rappresentano oltre il 90% del tessuto produttivo, per ora restano in gran parte ai margini della trasformazione AI: non tagliano perché non hanno ancora adottato gli strumenti in modo significativo. Il rischio per l’Italia è duplice. Da un lato, le multinazionali con operazioni nel paese possono applicare decisioni di riduzione del personale prese a livello globale, esportando la logica anticipatoria americana anche dove non è giustificata dalla situazione locale. Dall’altro, quando le PMI italiane inizieranno ad adottare l’IA su larga scala — un processo che il PNRR e vari incentivi stanno provando ad accelerare — potrebbero ripetere gli stessi errori: tagliare prima di capire cosa funziona, cosa no, e cosa serve per far funzionare ciò che ancora non funziona.
L’alternativa ai tagli: l’approccio basato sulla riqualificazione
L’articolo di HBR non si limita alla diagnosi: propone un’alternativa. Invece di licenziare in anticipo sperando che l’IA colmi il vuoto, le aziende possono investire nella riqualificazione del personale esistente per lavorare con gli strumenti AI — non per essere sostituiti da essi. L’approccio richiede investimenti in formazione, tempo per la transizione e una tolleranza per la curva di apprendimento, ma produce risultati più solidi nel medio periodo: i lavoratori riqualificati combinano la conoscenza dell’organizzazione, dei processi e dei clienti con le nuove competenze tecniche, una combinazione che un modello linguistico da solo non può offrire.
Il WEF ha stimato che entro il 2030 il 40% dei lavoratori nei paesi avanzati avrà bisogno di una qualche forma di riqualificazione legata all’IA. Il costo di questa riqualificazione è significativo, ma è inferiore al costo cumulativo dei tagli anticipatori: perdita di conoscenza, sovraccarico dei rimasti, turnover, riassunzioni a costi più alti, danni alla reputazione. Per le imprese che possono permettersi un orizzonte temporale di due o tre anni — e la maggior parte delle aziende strutturate può farlo — la riqualificazione è una strategia più razionale del taglio preventivo.
In Italia, dove il rapporto tra impresa e lavoratore è tradizionalmente più stabile che nei paesi anglosassoni e dove i vincoli al licenziamento sono più stringenti, l’approccio basato sulla riqualificazione ha anche un vantaggio normativo: è più facile formare che licenziare. Le aziende italiane che scelgono di investire nella formazione AI del personale esistente si allineano sia alla logica economica descritta da HBR sia agli obblighi dell’AI Act sull’alfabetizzazione in materia di IA, operativi dal febbraio 2026.
L’articolo di Harvard Business Review non dice che l’IA non avrà impatti sul lavoro. Dice che li avrà — ma non ancora, non così, e non per le ragioni dichiarate nei comunicati stampa delle aziende. La distinzione tra potenziale futuro e prestazioni attuali è la chiave per leggere i prossimi due anni senza farsi trascinare dalla retorica dei tagli.
