Che cosa succede quando un lavoratore continua a fare il proprio mestiere, ma non ne trae più soddisfazione perché sa che un’intelligenza artificiale potrebbe farlo al posto suo? Il fenomeno può manifestarsi ben prima che qualcuno perda il lavoro, e può arrivare a cambiare chi, in futuro, sceglierà di farlo.
Un progettista industriale può continuare a disegnare un componente anche dopo che un sistema generativo è in grado di proporne una versione funzionante in pochi secondi. Uno sviluppatore può continuare a scrivere codice anche quando un modello produce un’implementazione altrettanto valida. In entrambi i casi il posto di lavoro resta, lo stipendio pure, l’output prodotto è lo stesso di prima. Eppure qualcosa cambia: il significato di quel lavoro. Che cosa succede al senso del lavoro, quando diventa, almeno in teoria, sostituibile?
È la domanda al centro di Replaceable but Employed: Automation and the Meaning of Work, il working paper diffuso a luglio 2026 dal National Bureau of Economic Research e firmato da Joshua Gans, economista della Rotman School of Management dell’Università di Toronto. Il lavoro raccoglie l’eredità di Betsey Stevenson, che in un contributo dedicato al mondo post-lavoro si chiede cosa resti dello scopo di una vita quando il reddito da lavoro smette di essere il problema. Stevenson richiama il concetto giapponese di ikigai, letteralmente ciò che rende la vita degna di essere vissuta: una nozione che non coincide necessariamente con un impiego, perché comprende ruoli familiari, legami di comunità, hobby, fede, pratiche artigianali, e che nei dati di indagine risulta legata al reddito molto più debolmente di quanto non lo sia alla soddisfazione di vita nel suo complesso. Per la maggior parte dei lavoratori di oggi, però, il lavoro retribuito resta una fonte primaria di ikigai: dà struttura alle giornate, un’identità, la sensazione di essere responsabili di qualcosa di valore, oltre a un salario.
Gans si pone una domanda diversa, e temporalmente precedente, rispetto a quella di Stevenson: cosa succede al senso di un lavoro quando l’automazione entra in scena, quindi senza (ancora) ridurre l’occupazione. La sua tesi è che il danno può manifestarsi molto prima delle conseguenze in termini di sostituzione e che un lavoratore può restare occupato, produttivo e retribuito, mentre il compito che svolge perde valore proprio perché diventa sostituibile.
Indice degli argomenti
La differenza tra poter essere sostituiti ed esserlo davvero
Il modello di Gans distingue due variabili che nel dibattito pubblico vengono spesso confuse. La prima è la fattibilità oggettiva di un’automazione: un sistema capace di svolgere un determinato compito esiste davvero, oppure no. La seconda è quella che il paper chiama “salienza“: non conta se un sistema esiste davvero, ma quanto il lavoratore lo percepisce come credibile e rilevante per il proprio compito, indipendentemente dal fatto che venga poi utilizzato sul serio. Una capacità può esistere senza essere ancora percepita come tale, così come una capacità nota al pubblico può non tradursi in alcuna sostituzione reale.
Da questa distinzione dipende il meccanismo che il paper vuole evidenziare: il lavoratore trae significato dal proprio compito per due vie distinte. La prima è l’utilità dell’output: è appagante produrre qualcosa che contribuisce ad aiutare un paziente, uno studente, un cliente. La seconda è il contributo attribuibile: è appagante sapere che quel valore esiste perché lo si è prodotto di persona, e non perché sarebbe comunque emerso in altro modo. Una capacità automatizzata saliente non tocca il primo elemento, perché l’output resta utile quanto prima, ma erode il secondo, perché la percezione che il lavoratore ha della propria “funzione”. Un traduttore che vede un sistema produrre una traduzione accettabile, un analista che vede un modello elaborare un report plausibile, un insegnante che vede un tutor automatico spiegare un concetto: in nessuno di questi casi il lavoro umano diventa meno utile, ma il valore attribuito al farlo di persona si riduce.
Il paper descrive anche uno scenario più estremo, in cui quel valore non si limita a ridursi ma diventa negativo: il lavoratore percepisce la propria prestazione come addirittura inferiore a quella che otterrebbe una macchina. A quel punto il compito non è più una fonte di soddisfazione ridotta, ma un peso psicologico vero e proprio: restare al proprio posto diventa frustrante, e il lavoratore accetta di continuare a farlo solo in cambio di un aumento salariale consistente. È qui che il meccanismo si avvita su se stesso e diventa la premessa stessa della decisione dell’impresa di automatizzare: più sale il salario necessario per trattenere un lavoratore che vive il proprio compito come un peso, più diventa conveniente per l’impresa sostituirlo del tutto, anche quando la sola produttività della macchina non giustificherebbe ancora la sostituzione.
Quando il compito resta assegnato al lavoratore e il salario si adegua pienamente al nuovo equilibrio, è l’impresa a farsi carico della perdita: deve pagare di più per trattenere una persona che ora percepisce il proprio compito come meno significativo. Quando il salario si adegua solo in parte, il caso più realistico, una quota della perdita ricade direttamente sul lavoratore, che a parità di mansione e di stipendio sperimenta una soddisfazione minore. In entrambi i casi il valore complessivo generato dal lavoro cala, anche se nessuno perde il proprio impiego.
C’è poi un effetto di più lungo periodo, che riguarda chi sceglierà di fare quel lavoro in futuro. Quando un mestiere offriva un margine di significato elevato, attirava soprattutto le persone per cui quel margine contava, motivate dalla missione o dal senso del proprio contributo più che dallo stipendio: è stato per lungo tempo il caso della medicina o della programmazione. Una volta che l’automazione svaluta quel margine, il paper mostra che la composizione di chi sceglie quella professione può cambiare radicalmente: chi ha una forte propensione al lavoro “significativo” si sposta verso mestieri ancora non sostituibili dall’automazione, mentre chi resta è motivato prevalentemente dal salario. Il rischio, nel tempo, è un progressivo calo della qualità professionale media in quelle occupazioni, non perché i lavoratori più capaci vengano sostituiti, ma perché smettono semplicemente di scegliere quel percorso.
Magnificare l’AI: ecco chi ci guadagna
Nel mercato dell’intelligenza artificiale capita spesso che un nuovo modello venga mostrato al pubblico prima ancora di essere disponibile sul mercato: una demo, un benchmark, un video che mostra il sistema svolgere un compito prima riservato a un professionista umano. Il paper si chiede cosa produca, dal punto di vista economico, questa pubblicità, e individua un incentivo asimmetrico.
Un’impresa che sviluppa un’intelligenza artificiale per uso interno non ha alcuna convenienza a esagerarne le capacità in pubblico: se demoralizza i propri dipendenti dovrà trattenerli con salari più alti, e il danno resta interno all’impresa stessa. Chi invece sviluppa e vende intelligenza artificiale sul mercato, come fanno oggi grandi fornitori di tecnologie AI, ha l’incentivo opposto: più una dimostrazione pubblica convince che il lavoro umano sia superfluo, più le aziende clienti saranno disposte a pagare per la licenza del software, proprio perché quel software viene confrontato con un’alternativa umana che la stessa demo ha reso meno credibile.
In altre parole, mostrando quanto la propria tecnologia sia valida, lo sviluppatore esterno svaluta il lavoro umano che intende sostituire e può quindi fissare un canone più alto proprio perché quell’alternativa vale meno di prima. Gans chiama questo meccanismo meaning externality: un costo reale, sostenuto dal lavoratore o dall’impresa cliente, che lo sviluppatore esterno non paga e di cui comunque beneficia.
Il modello individua persino una fascia di casi in cui una licenza non sarebbe vendibile contro un’alternativa umana non ancora svalutata, e lo diventa solo dopo che la dimostrazione pubblica ha eroso quell’alternativa: la dimostrazione, in altre parole, crea il mercato che poi la monetizza.
Il paper distingue inoltre due leve che nel dibattito sull’AI vengono spesso trattate come equivalenti: il miglioramento tecnico effettivo di un sistema, che aumenta il valore prodotto dall’automazione, e la sola salienza pubblica di una capacità, che può alzare il canone di licenza senza che il sistema sia diventato più utile. Pubblicità, benchmark e risultati mostrati in pubblico possono quindi generare un ritorno economico per lo sviluppatore anche quando non aggiungono nulla in termini di capacità produttiva reale.
Il lavoro come somma di compiti, non come blocco unico
Il paper mette in guardia da una lettura univoca del fenomeno. Un lavoro non è un compito unico, ma un insieme di compiti diversi, e l’automazione può agire su ciascuno di essi in modo opposto. Se rimuove un compito gravoso, lavoro amministrativo, inserimento dati ripetitivo, mansioni fisicamente sgradevoli, elimina un fastidio esistente e libera tempo per attività a maggior contenuto di significato. Se invece rimuove o svaluta i compiti che davano al lavoratore margini di giudizio, autorialità o responsabilità, lasciandogli solo il compito di verificare un output prodotto altrove, il lavoro può peggiorare pur restando occupato e persino più produttivo.
La stessa distinzione vale per gli strumenti pensati per assistere, non per sostituire. Uno strumento di supporto alla decisione che permette a un professionista di esercitare un giudizio migliore può preservare o accrescere il significato del suo lavoro. Un sistema che genera direttamente una risposta da approvare formalmente può renderlo più produttivo e, allo stesso tempo, meno responsabile del valore prodotto. Gans richiama qui la distinzione, già proposta dall’economista Erik Brynjolfsson, tra tecnologie che sostituiscono l’essere umano imitandolo e tecnologie che ne aumentano le capacità: due sistemi possono generare lo stesso output misurabile e differire radicalmente nella quota di quel risultato che il lavoratore percepisce come propria.
Che sapore avrà il lavoro che resta?
Il paper resta un impianto teorico, fatto di proposizioni e dimostrazioni formali, non una rilevazione su dati reali. Il lavoro cita comunque un riscontro empirico rilevante, lo studio di Nikolova, Cnossen e Nikolaev pubblicato su Research Policy nel 2024, che associa la robotizzazione a una minore percezione di significato e autonomia sul lavoro, a sostegno della plausibilità del meccanismo, pur trattandosi di un fenomeno diverso e più ampio della sola svalutazione pre-adozione descritta nel modello.
Per l’autore la sfida empirica sta proprio nel distinguere questi piani: separare la fattibilità oggettiva di un’automazione dalla sua salienza percepita, la salienza dall’adozione effettiva, e la svalutazione di un lavoro ancora presidiato dall’uomo dal suo effettivo spiazzamento.
Gli indici di esposizione all’intelligenza artificiale per occupazione e mansione, come quelli elaborati da Felten, Raj e Seamans nel 2021 o da Eloundou e colleghi nel 2024 sul legame tra modelli linguistici e mercato del lavoro, offrono un riferimento utile ma non bastano da soli: occorre osservare anche se il compito resta effettivamente umano, quale premio salariale richiede e come cambia la composizione di chi sceglie di restare in quella professione.
La conclusione a cui arriva Gans non è una condanna dell’automazione, né un invito a rassicurarsi perché i posti di lavoro restano al loro posto. La domanda su cui insiste non è soltanto quanti posti di lavoro sopravviveranno all’automazione, ma che sapore avrà il lavoro che resta. Se l’intelligenza artificiale riduce un professionista al ruolo di semplice supervisore di un output prodotto altrove, il problema del reddito può dirsi risolto, ma si apre una crisi di scopo che i numeri sull’occupazione, da soli, non registrano.
