Anthropic ha presentato l’edizione 2026 del suo rapporto periodico introducendo anche un un AI Exposure Index, cioè un indice che misura il rischio di automazione AI per i lavori white-collar, con i programmatori al top (75% dei task automatizzabili) e segnali precoci di rallentamento nelle assunzioni per giovani under 25 nei ruoli più esposti, nonostante nessuna impennata di disoccupazione.
L’idea che l’intelligenza artificiale stia per cambiare il lavoro è nell’aria da qualche anno, temuta e spesso esorcizzata, ma fino a ora era rimasta principalmente nell’ordine delle profezie. Con questa nuova pubblicazione, qualcosa si sposta dal registro della previsione a quello della misurazione. Il documento di Anthropic non è un pamphlet allarmista né una brochure promozionale: è un tentativo metodico di costruire un metro di giudizio condiviso, pubblico e aggiornabile nel tempo, per capire cosa sta succedendo davvero nel mercato occupazionale.
Un indice per misurare l’esposizione all’automazione
Il cuore dello strumento è la mappatura delle mansioni professionali presenti nel database del Dipartimento del Lavoro degli Stati Uniti rispetto alle capacità attuali dei modelli linguistici di grandi dimensioni (LLM). Per ciascuna professione, il sistema calcola quante delle attività che la compongono siano oggi tecnicamente accessibili a un sistema come Claude, ponderando sia la copertura che la complessità dei singoli compiti. Il risultato è un punteggio di esposizione che va da zero, per le professioni intrinsecamente fisiche o relazionali come i cuochi, i bagnini e i lavapiatti, fino alle professioni impiegatizie ad alta densità informativa.
In cima alla classifica si trovano i programmatori informatici, con circa il 75% delle mansioni quotidiane già classificabili come automatizzabili dai sistemi AI attuali. Seguono gli addetti al customer service, gli operatori di data entry e gli specialisti di documentazione sanitaria, tutti con punteggi che superano il 60-70% di esposizione. Non si tratta, precisa il report, di una previsione di sostituzione imminente: l’esposizione tecnica è una condizione necessaria ma non sufficiente per l’automazione effettiva, che dipende da fattori economici, organizzativi e regolatori che l’indice non misura.
Il criterio del 30% funge da soglia: circa tre lavori su dieci non raggiungono nemmeno questo livello minimo di esposizione, il che li rende, almeno per ora, strutturalmente resistenti all’automazione basata su LLM. Non è una questione di complessità intellettuale in senso astratto, ma di incorporazione fisica, relazionale o contestuale che i sistemi linguistici faticano ancora a replicare in modo affidabile.
Il mercato del lavoro tiene, ma tra i giovani qualcosa si muove
Sul versante macroeconomico, gli economisti di Anthropic sono stati cauti nell’interpretazione dei dati. La disoccupazione nelle professioni ad alta esposizione non mostra alcuna impennata significativa rispetto al periodo pre-ChatGPT: la variazione media, scrivono i ricercatori, “è minima e non significativa”, con qualsiasi eventuale aumento della disoccupazione nei gruppi più esposti che risulta “indistinguibile da zero”. Non c’è, insomma, la prova che l’AI abbia già prodotto perdite di posti di lavoro su scala misurabile.
Eppure il report identifica un primo segnale che merita attenzione: i tassi di assunzione per i lavoratori tra i 22 e i 25 anni si sono contratti nelle professioni classificate come altamente esposte. È un dato che suggerisce come le posizioni entry-level potrebbero essere le prime a subire la pressione dell’adozione dei sistemi AI, e che questo effetto precederebbe temporalmente i movimenti più ampi nei tassi di disoccupazione. Le aziende sembrano più propense, almeno per ora, a non sostituire i lavoratori esperti in uscita con nuove assunzioni junior piuttosto che a licenziare i professionisti senior già in organico.
Il meccanismo è coerente con la logica economica dell’automazione incrementale: si automatizzano prima le mansioni più standardizzate, quelle tipicamente affidate ai nuovi arrivati, mentre le competenze di giudizio e di supervisione accumulate dai senior restano per il momento meno attaccabili. Il segnale è precoce e non ancora statisticamente dirompente, ma vale la pena seguirlo con attenzione proprio perché, se confermato, avrebbe implicazioni significative sulla formazione del capitale umano e sull’ingresso nel mercato del lavoro delle nuove generazioni.
Deskilling: il paradosso dei task ad alta istruzione
Uno degli aspetti più articolati del rapporto riguarda la composizione qualitativa delle mansioni che l’AI presidia rispetto a quelle che lascia agli esseri umani. I dati mostrano che Claude tende a essere utilizzato di più, e a offrire guadagni di produttività più consistenti, proprio sui task che richiedono un livello di istruzione più elevato. Il che produce un paradosso: se quelle mansioni si contraggono per i lavoratori umani, l’effetto netto sul mercato potrebbe essere un abbassamento complessivo dei requisiti formativi richiesti, un fenomeno che il report chiama “deskilling”.
I ricercatori di Anthropic avvertono che questa lettura va presa con cautela, perché i task più complessi sui quali Claude viene impiegato sono anche quelli dove il modello fatica di più. Piuttosto che spodestare i professionisti altamente qualificati, il sistema potrebbe invece rafforzare il valore della loro competenza complementare, ovvero la capacità di comprendere il lavoro dell’AI, valutarne la qualità e correggerne gli errori. È un’ipotesi plausibile, ma è ancora troppo presto per sapere quale delle due traiettorie prevarrà nel medio periodo.
Un termometro in tempo reale per decisioni future
Il disegno dichiarato dell’iniziativa è quello di costruire un sistema di monitoraggio che anticipi le crisi invece di arrivare in ritardo rispetto ad esse. Le statistiche occupazionali tradizionali accusano sistematicamente un ritardo di mesi rispetto ai cambiamenti strutturali, e quando i segnali diventano visibili nei dati ufficiali il cambiamento è già avvenuto. L’obiettivo dell’Economic Index di Anthropic è invece quello di porre le fondamenta metodologiche prima che gli impatti sostanziali si manifestino, per permettere valutazioni future più precise e interventi di policy più tempestivi.
Il report è il quarto della serie avviata all’inizio del 2025, e ciascuna edizione amplia sia la base di dati analizzata che la granularità geografica. Questa edizione è la prima a includere analisi a livello globale, con pattern d’uso differenziati tra paesi ad alto e basso reddito pro capite: nei paesi più ricchi Claude viene impiegato prevalentemente in modalità collaborativa all’interno di flussi di lavoro consolidati, mentre nei paesi a reddito più basso l’utilizzo si concentra maggiormente su attività didattiche e applicazioni specifiche. Una distinzione che, secondo gli economisti di Anthropic, suggerisce come l’impatto dell’AI sarà mediato dalle strutture istituzionali esistenti più che dispiegarsi in modo uniforme su scala globale.
La velocità del cambiamento e la questione della misura
Leggendo il rapporto, emerge chiaramente che la sfida principale non è tanto quella di prevedere se l’AI trasformerà il lavoro, quanto quella di costruire strumenti capaci di misurare in modo affidabile e tempestivo la velocità e la direzione di quella trasformazione. L’AI Exposure Index è uno strumento imperfetto, come ammettono esplicitamente i suoi autori, ma rappresenta un tentativo serio di ancorare il dibattito a qualcosa di empiricamente verificabile.
Il fatto che a costruirlo sia proprio Anthropic, l’azienda che sviluppa il modello la cui diffusione è parte del fenomeno misurato, pone naturalmente una questione di indipendenza metodologica (per usare un eufemismo) che è giusto tenere presente. I dati e il codice usato per l’analisi sono pubblicati su Hugging Face per permettere la verifica e la replica da parte di ricercatori indipendenti, il che non risolve il conflitto di interessi strutturale ma almeno lo rende trasparente e controllabile. La posta in gioco è alta: capire con sufficiente anticipo come il mercato del lavoro si stia riadattando è una delle precondizioni per rispondervi con politiche formative, previdenziali e redistributive che non arrivino quando il gioco è già fatto.
