Brookings Metro ha pubblicato un rapporto che cambia la prospettiva abituale sull’impatto dell’IA sul lavoro il 21 gennaio 2026. Invece di chiedersi quanti posti siano a rischio, i ricercatori Sam Manning del Centre for the Governance of AI e Tomás Aguirre hanno posto una domanda diversa: tra i lavoratori più esposti all’IA, chi è in grado di adattarsi se perde il posto e chi no? Il risultato, contenuto in un working paper per il National Bureau of Economic Research (NBER numero 34705), è un indice di capacità adattiva che copre 356 occupazioni e il 95,9% della forza lavoro statunitense. Il dato più rilevante è contro-intuitivo: la maggior parte dei lavoratori ad alta esposizione all’IA possiede anche una buona capacità di adattamento. Ma 6,1 milioni di persone combinano alta esposizione e bassa capacità adattiva — e questo è il dato che dovrebbe guidare le politiche.
Perché misurare la capacità adattiva e non solo l’esposizione
Fino a questo rapporto, la maggior parte degli studi sull’impatto dell’IA sul lavoro si concentrava sull’esposizione: quali professioni svolgono compiti che un modello linguistico può replicare? L’approccio classico, sviluppato da Eloundou e colleghi, mappa i compiti di ciascuna occupazione sulle capacità dei modelli linguistici e produce un punteggio di esposizione. Il problema di questo approccio è che tratta tutti i lavoratori esposti come ugualmente vulnerabili. Un programmatore senior con dieci anni di esperienza, 200.000 dollari di risparmi e competenze trasferibili in cinque settori diversi viene classificato come “altamente esposto” allo stesso modo di un impiegato amministrativo con pochi risparmi, competenze non trasferibili e un mercato del lavoro locale asfittico.
Manning e Aguirre hanno deciso di integrare l’esposizione con una misura diversa: la capacità del lavoratore di rialzarsi dopo un’eventuale perdita del posto. Il loro approccio combina due filoni di letteratura economica finora rimasti separati. Da un lato, gli studi sull’esposizione all’IA. Dall’altro, le ricerche sugli effetti del licenziamento — in particolare il lavoro di Henry Farber (2017) e di altri economisti che hanno studiato quanto velocemente i lavoratori trovano un nuovo impiego, a quale livello salariale, e quali fattori influenzano l’esito della transizione.
Le quattro variabili dell’indice di capacità adattiva
L’indice composito si basa su quattro componenti misurate a livello occupazionale, combinando sei diverse fonti di dati. La prima variabile è la ricchezza liquida netta: i lavoratori con risparmi e risorse finanziarie possono permettersi un periodo di transizione tra un lavoro e l’altro — cercare con calma, riqualificarsi, spostarsi — senza precipitare in una crisi economica che li costringe ad accettare il primo lavoro disponibile a qualunque condizione. I dati vengono dal Survey of Income and Program Participation (SIPP).
La seconda variabile è la trasferibilità delle competenze, ponderata per la crescita occupazionale dei settori di destinazione. Non basta avere abilità applicabili in teoria a più lavori: serve che quei lavori siano in espansione. Un impiegato di protocollo potrebbe in teoria spostarsi verso un ruolo di data entry — ma se anche quel ruolo è in contrazione per effetto dell’automazione, la trasferibilità è illusoria. I ricercatori usano i dati O*NET sulle competenze e le attività lavorative, incrociati con i dati Lightcast sulla crescita occupazionale per area geografica.
La terza variabile è la densità geografica del mercato del lavoro. Un lavoratore licenziato a Milano ha più opzioni di ricollocamento di uno licenziato a Matera — non perché sia più bravo, ma perché il mercato locale offre più alternative. I ricercatori misurano la densità occupazionale per area metropolitana usando i dati dell’Occupational Employment and Wage Statistics (OEWS).
La quarta variabile è l’età. I lavoratori più giovani, in media, si adattano più rapidamente ai cambiamenti tecnologici, sono più mobili geograficamente e hanno più tempo per recuperare eventuali perdite salariali nel corso della carriera. L’età viene inclusa come fattore correttivo, non come determinante unico — un lavoratore anziano con forti risparmi e competenze trasferibili può avere una capacità adattiva superiore a un giovane senza risorse.
Il risultato principale: la correlazione positiva
Il dato che emerge dall’analisi è che esposizione all’IA e capacità adattiva sono positivamente correlate, con un coefficiente di correlazione ponderato per l’occupazione di 0,502. In termini concreti: dei 37,1 milioni di lavoratori statunitensi nel quartile più alto di esposizione all’IA, 26,5 milioni — oltre il 70% — si trovano in occupazioni con capacità adattiva superiore alla mediana. Sono professionisti come web developer, analisti finanziari, marketing manager, architetti di reti, ricercatori, analisti di sicurezza informatica — persone con formazione avanzata, risparmi consistenti, competenze riutilizzabili in settori diversi, localizzate in aree con mercati del lavoro densi e dinamici.
La ragione è intuitiva ma spesso trascurata nel dibattito pubblico: le professioni più esposte all’IA tendono a essere quelle cognitive ad alto reddito, che richiedono formazione avanzata e producono competenze riutilizzabili. Chi guadagna bene risparmia di più. Chi ha competenze specialistiche ma trasversali può applicarle in settori diversi. Chi lavora in città grandi ha più opportunità di ricollocamento rapido. L’esposizione all’IA non è, per la maggioranza, sinonimo di vulnerabilità.
Le sacche di vulnerabilità: i 6,1 milioni
Il quadro però non è uniformemente positivo, e i ricercatori lo sottolineano con enfasi. Lo studio identifica 6,1 milioni di lavoratori — il 4,2% del campione — che combinano alta esposizione all’IA con bassa capacità adattiva. Questi lavoratori sono concentrati in ruoli impiegatizi e amministrativi a medio-basso reddito: segretarie e assistenti amministrative (escluse quelle legali, mediche e dirigenziali), addetti alla contabilità e al libro paga, impiegati di protocollo giudiziario e municipale, periti estimatori, esattori tributari, intervistatori per determinare l’idoneità a servizi pubblici, venditori porta a porta.
Il profilo è coerente: compiti ripetitivi e codificabili che un modello linguistico può svolgere, risparmi limitati che non consentono una transizione prolungata, competenze poco trasferibili ad altri settori in crescita, e spesso una localizzazione in aree con mercati del lavoro meno densi — città universitarie, capitali di stato, centri amministrativi — dove le alternative occupazionali sono limitate. Le aree ad alta densità tecnologica come San Jose e Seattle mostrano concentrazioni inferiori alla media di questi profili vulnerabili, perché la forza lavoro locale è sbilanciata verso ruoli ad alta adattabilità nel settore dell’innovazione.
Un dato demografico rilevante: la maggior parte delle posizioni vulnerabili è occupata da donne. I ruoli di segretaria, assistente amministrativa e impiegata d’ufficio hanno una composizione di genere fortemente squilibrata, il che significa che l’impatto dell’automazione AI sui ruoli a bassa capacità adattiva ha anche una dimensione di genere che le politiche pubbliche non possono ignorare. In Italia, dove il gap occupazionale di genere è già tra i più ampi in Europa, un’ondata di automazione concentrata su ruoli prevalentemente femminili aggraverebbe un divario strutturale preesistente.
Il rapporto identifica anche una dimensione generazionale nella vulnerabilità. I lavoratori più anziani nei ruoli amministrativi combinano spesso alta esposizione con bassa trasferibilità delle competenze e minore disponibilità alla mobilità geografica. Per questo segmento della forza lavoro, le politiche di riqualificazione devono essere progettate con attenzione alle specificità dell’apprendimento adulto e alla possibilità realistica di acquisire competenze nuove a un’età in cui i cambiamenti di carriera sono più costosi e meno frequenti.
I limiti dell’analisi e l’applicabilità al contesto europeo
I ricercatori sono chiari su ciò che l’indice non misura. La capacità adattiva riguarda la probabilità di trovare un nuovo impiego e il livello salariale dopo il ricollocamento — fattori economici misurabili. Non cattura i costi psicologici della perdita del lavoro: l’ansia, la perdita di identità professionale, l’insicurezza cronica, la rottura delle reti sociali costruite sul posto di lavoro. Non misura nemmeno i costi per i lavoratori che restano al proprio posto ma vedono i compiti cambiare radicalmente, dovendo acquisire competenze nuove senza supporto formativo adeguato.
L’analisi si basa interamente su dati statunitensi, e l’applicabilità al contesto italiano o europeo non è automatica. Le variabili chiave dell’indice — risparmi personali, trasferibilità delle competenze, densità del mercato del lavoro locale, età — hanno distribuzioni molto diverse in Italia rispetto agli Stati Uniti. Il welfare più robusto e le tutele contrattuali più forti — dalla cassa integrazione al preavviso obbligatorio — ammortizzano l’impatto economico del licenziamento, fornendo una rete di sicurezza che negli Stati Uniti manca o è molto più debole. D’altra parte, la minore mobilità geografica dei lavoratori italiani, la segmentazione del mercato del lavoro tra Nord e Sud, la rigidità di alcuni mercati professionali e il peso dell’economia informale possono rallentare il ricollocamento anche quando le competenze sono tecnicamente trasferibili.
Indicazioni per le politiche e per le imprese italiane
Il rapporto Brookings non fornisce previsioni su quanti posti verranno eliminati dall’IA. Il suo valore sta altrove: nella distinzione operativa tra esposizione e vulnerabilità. Due lavoratori possono essere ugualmente esposti all’IA — i loro compiti possono essere ugualmente automatizzabili — ma uno dei due ha le risorse per adattarsi e l’altro no. Le politiche pubbliche e le strategie aziendali che trattano tutti i lavoratori esposti allo stesso modo — dalla formazione generica all’allarmismo indifferenziato — mancano il bersaglio.
Per i decisori politici, il rapporto suggerisce di concentrare le risorse — programmi di riqualificazione, supporto finanziario durante la transizione, servizi per l’impiego mirati — sui gruppi a bassa capacità adattiva piuttosto che distribuirle a pioggia su tutta la forza lavoro esposta. Per le imprese, il messaggio è analogo: prima di tagliare, vale la pena chiedersi non solo quali compiti l’IA può automatizzare, ma quali lavoratori possono essere ricollocati internamente e quali necessitano di investimenti formativi specifici per affrontare la transizione.
La ricerca di Manning e Aguirre, come ha osservato Mark Muro di Brookings Metro in un’intervista alla stampa americana, è “direzionale, non predittiva”. Non dice cosa accadrà, ma indica dove guardare. Per chi si occupa di IA e lavoro in Italia — professionisti, consulenti, associazioni di categoria, responsabili delle risorse umane — l’indicazione è concreta: smettere di parlare di esposizione all’IA come se fosse un destino uniforme e iniziare a distinguere chi ha bisogno di aiuto da chi è già attrezzato.
Per le imprese italiane, il rapporto offre anche uno strumento operativo. Prima di prendere decisioni su automazione e riduzione del personale, conviene mappare non solo i compiti automatizzabili ma anche il profilo di capacità adattiva dei lavoratori coinvolti. Un’azienda che automatizza la contabilità di routine in un ufficio di provincia, dove i lavoratori hanno risparmi limitati, competenze poco trasferibili e poche alternative occupazionali nel raggio di un’ora, crea un problema sociale diverso da un’azienda che automatizza compiti di data analysis a Milano, dove i lavoratori hanno profili professionali richiesti da decine di altre aziende. La stessa tecnologia, applicata in contesti diversi, produce effetti molto diversi — e le decisioni responsabili devono tenerne conto. La differenza tra una politica efficace e una generica sta tutta in questa distinzione.
