si intitola “Building Pro-Worker Artificial Intelligence” la nuova ricerca realizzata da tre tra i maggiori economisti mondiali: si tratta di Daron Acemoglu e Simon Johnson, Premi Nobel per l’Economia 2024, e l’altrettanto celebre David Autor, autore di studi sul rapporto tra tecnologia e lavoro che hanno fatto la storia.
La ricerca, pubblicata dall’NBER (National Bureau of Economic Research) e realizzata per l’Hamilton Project della Brookings Institution propone una nuova visione del modo in cui dovrebbe essere sviluppata e distribuita l’intelligenza artificiale. La tesi centrale è che l’AI ha il potenziale per rendere le competenze umane più preziose, ma il mercato, lasciato a sé stesso, tende sistematicamente a sviluppare tecnologie che le deprezzano.
Il contesto di partenza è preoccupante: il 52% dei lavoratori americani intervistati nel 2024 si dice preoccupato di come l’intelligenza artificiale influenzerà il proprio lavoro. Ancora più significativo è perà un altro dato: il 42% di chi usa già l’AI quotidianamente sul lavoro teme che l’AI ridurrà le proprie opportunità di lavoro future. Una percentuale, questa del 42%, molto più alta del 30% registrato tra chi non la utilizza. Non siamo quindi più difronte a un generico “timore dell’ignoto”, che spesso caratterizza l’avvento delle nuove tecnologie, ma a una valutazione razionale di quanto si vede accadere tutti i giorni sul lavoro.
Indice degli argomenti
Cinque tipi di tecnologia, un solo tipo davvero “pro-worker”
Il paper propone una tassonomia precisa delle tecnologie in cinque categorie, con implicazioni molto diverse per i lavoratori.
Le tecnologie che aumentano la produttività del lavoro (labor-augmenting) e quelle che migliorano le macchine (capital-augmenting) hanno effetti ambigui: rendono i lavoratori più produttivi, ma non necessariamente meglio pagati, perché l’aumento di output tende a ridurre i prezzi.
Le tecnologie di automazione sostituiscono direttamente il lavoro umano, deprezzando le competenze esistenti e riducendo la quota di valore aggiunto che va ai lavoratori.
Le tecnologie di livellamento delle competenze (expertise-leveling) consentono a lavoratori meno specializzati di svolgere compiti prima riservati ad altri, con effetti contrastanti: opportunità per i nuovi entranti, ma concorrenza più intensa per chi già opera a quel livello.
Solo la quinta categoria – le tecnologie che creano nuovi compiti (new task-creating) – è inequivocabilmente pro-worker: genera domanda di nuove forme di competenza, espande la quota di attività economica svolta dai lavoratori rispetto alle macchine e aumenta la quota del lavoro nel valore aggiunto.
Secondo gli autori più di sei lavoratori su dieci nel 2018 erano impiegati in specializzazioni occupazionali che non esistevano nel 1940: è la misura di quanto la creazione di nuovi compiti abbia storicamente compensato l’effetto dell’automazione.
La tesi di Acemoglu, Autor e Johnson punta tutto sull’AI pro-worker: un’innovazione che rende il giudizio umano più prezioso, non superfluo. Non parliamo di un sistema che “semplifica tutto per tutti” rendendo inutile lo studio – una deriva che, avvertono gli esperti, trasformerebbe il lavoro in una merce indifferenziata (commodification) priva di potere contrattuale. L’obiettivo è invece la collaborazione uomo-macchina: uno strumento che permetta al lavoratore di affrontare sfide più sofisticate, creare nuovi ruoli e diventare esperto in tempi record, mantenendo l’uomo al centro del processo produttivo.
Cinque casi d’uso reali (e uno che non lo è)
Per rendere concreta la distinzione il paper analizza esempi già operativi o in fase di sperimentazione avanzata.
Il primo riguarda la manutenzione aeronautica. Gli autori immaginano tre strumenti ipotetici per i tecnici di manutenzione degli aeromobili (AMT).
Il primo, l'”Aviation Maintenance Automator”, guida anche un tecnico non certificato nell’esecuzione delle operazioni, con l’obiettivo dichiarato di rendere il lavoro così semplice che “qualsiasi ragazzo con un cacciavite” possa farlo: è pura automazione, che deprezza le competenze esistenti e ridurrà inevitabilmente le retribuzioni.
Il secondo, l'”AMT Assistant”, è molto più vicino all’IA pro-worker: il tecnico carica dati diagnostici, fotografie e note di campo, e il sistema analizza le informazioni, suggerisce test e procedure, gestisce la conformità normativa e prevede i tempi di ripristino dell’aeromobile. Si basa su un pre-addestramento che include conoscenze tecniche e migliaia di casi reali affrontati da tecnici esperti. I test sul campo mostrano diagnosi migliori e riparazioni più efficaci, con un’accelerazione dell’acquisizione di competenze per i tecnici junior.
Il terzo strumento, “AMT Liftoff”, aiuta i tecnici di manutenzione aeronautica a trasferire le proprie competenze al settore in rapida crescita del volo spaziale, creando opportunità realmente nuove senza creare concorrenza ai tecnici già operativi.
Il secondo caso è quello dell'”Electrician’s Assistant“, sviluppato da Schneider Electric per ingegneri e tecnici elettrici. Lo strumento usa un LLM per fornire assistenza in tempo reale durante operazioni di riparazione e diagnostica. Prima della sua introduzione, erano ingegneri con lauree specialistiche ad analizzare manualmente i dati dei sensori degli impianti, produrre report e tradurli nella lingua del cliente. Con questo strumento il tempo medio di completamento dei report di manutenzione si è dimezzato. Il tecnico mantiene il controllo: valuta e modifica le raccomandazioni generate dal sistema, senza limitarsi a eseguirne le istruzioni.
Il terzo esempio riguarda i lavoratori dei servizi a bassa qualifica. L'”Empowerment Companion” è un assistente conversazionale AI per addetti alle pulizie industriali, sviluppato da una startup in collaborazione con una social enterprise del Pacifico nord-americano che impiega persone con disabilità. Il sistema analizza gli ordini di lavoro, fornisce istruzioni personalizzate per ogni compito – incluse istruzioni video su prodotti e tecniche da usare – e verifica tramite computer vision che le operazioni siano completate secondo le specifiche contrattuali. Gli autori notano che la differenza tra questo strumento e sistemi come Amazon Flex, che monitora e licenzia i driver tramite un’app, non è tecnologica ma di intenzione: l'”Empowerment Companion” è progettato per sviluppare l’autonomia del lavoratore, non per controllarlo.
Il quarto caso è quello dei revisori di brevetti dello USPTO americano. Dal 2021 l’ufficio brevetti ha integrato nei propri strumenti di ricerca una funzione AI chiamata “More Like This”, sviluppata da Accenture Federal Services. Prima dell’introduzione dello strumento, i revisori si affidavano a ricerche manuali e booleane, potenzialmente impiegando un’intera giornata per un singolo esame. Il nuovo sistema suggerisce documenti concettualmente correlati a quelli già identificati come rilevanti, anche quando usano terminologia diversa; le query vengono elaborate in pochi secondi anziché in ore. A giugno 2024 quasi l’80% dei revisori dello USPTO utilizzava almeno una delle funzioni AI disponibili. Il tempo risparmiato nella ricerca si traduce in una maggiore attenzione dedicata alla valutazione dei brevetti – il compito ad alto valore aggiunto che richiede davvero il giudizio umano.
Il quinto esempio è forse il più inaspettato: un chatbot vocale integrato nell’app di consegna di cibo di una piattaforma cinese, progettato per i fattorini con problemi uditivi. In Cina nel 2025 operavano oltre 200 milioni di lavoratori della gig economy. Una parte significativa di quelli impegnati nelle consegne ha problemi di udito, il che li metteva in difficoltà nelle comunicazioni telefoniche con i clienti – indispensabili per accedere ai condomini o localizzare gli appartamenti. Uno studio documenta che i lavoratori con problemi uditivi completavano meno ordini e ricevevano più recensioni negative, nonostante accumulassero più ore ed esperienza sulla piattaforma rispetto agli altri. Il chatbot converte in tempo reale testo in voce e voce in testo: dopo la sua introduzione il gap nelle recensioni tra lavoratori udenti e non udenti si è azzerato, e i secondi – grazie alla maggiore esperienza accumulata – hanno addirittura superato i primi nei risultati.
Perché il mercato non ci arriva da solo
Ma se l’IA pro-worker è vantaggiosa anche per le imprese – perché aumenta la produttività e consente di offrire nuovi servizi – per quale motivo non viene sviluppata spontaneamente?
Gli autori identificano tre categorie di ragioni.
La prima è una questione di incentivi disallineati, sia dal lato delle aziende che la acquistano sia dal lato di chi la sviluppa. Le imprese spesso preferiscono tecnologie che riducono il potere contrattuale dei lavoratori o che rendono la forza lavoro più sostituibile, specialmente nelle relazioni conflittuali con i sindacati o quando i lavoratori percepiscono “rendite” legate alle proprie competenze specifiche. I ricercatori citano evidenze che le imprese puntano l’automazione proprio sui compiti ad alta rendita, con effetti negativi sui salari.
La seconda ragione è la dipendenza dal percorso (path dependence): i grandi operatori dell’IA hanno costruito modelli di business basati sull’automazione e sulla monetizzazione dei dati, e hanno scarso incentivo a sviluppare alternative pro-worker che potrebbero cannibalizzare i ricavi esistenti. Le startup, a loro volta, trovano più conveniente costruire su piattaforme dei grandi operatori o posizionarsi come obiettivi di acquisizione.
La terza è ideologica: la comunità dell’IA è orientata verso l’obiettivo dell’Intelligenza Artificiale Generale (AGI) – sistemi che superino le capacità umane in ogni compito cognitivo. Questa visione, spiegano gli autori, porta a investire in tecnologie che sostituiscono l’expertise umana anziché ampliarla. Se l’AGI è imminente, perché investire in strumenti pro-worker?
Gli autori sono scettici sull’imminenza dell’AGI e individuano nove possibili interventi di policy per orientare lo sviluppo dell’IA in direzione pro-worker. Tra questi: investimenti pubblici mirati in sanità e istruzione (settori dove il pubblico controlla rispettivamente il 43% e il 92% della spesa negli USA), riforma del fisco per ridurre la disparità di trattamento tra investimenti in capitale fisico e investimenti in capitale umano, rafforzamento delle norme antitrust per ridurre la concentrazione nel settore AI, e nuovi strumenti di protezione della proprietà intellettuale per i lavoratori, per evitare che le imprese usino l’expertise dei propri dipendenti per addestrare sistemi destinati a sostituirli.
“La scelta tra automazione e collaborazione non deve essere assoluta”, scrivono gli autori. “La domanda non è se implementare l’IA, ma come farlo con saggezza”. La costruzione di strumenti che rendano le competenze umane più preziose, concludono, dovrebbe essere una delle strategie principali per rispondere a questa sfida.
