L’intelligenza artificiale promette di automatizzare un numero crescente di attività, ma c’è un problema che rischia di rallentarne la diffusione e che ha poco a che fare con le prestazioni degli algoritmi: per imparare a svolgere un lavoro, spesso l’AI ha bisogno della collaborazione di quelle stesse persone che, una volta completato l’addestramento, potrebbe sostituire.
Queste persone dunque potrebbero non avere alcun interesse ad accelerare il processo.
È il paradosso al centro di Training Your Replacement: Worker Incentives and the Pace of Automation, un working paper pubblicato nell’ottobre 2026 nella collana del National Bureau of Economic Research (NBER) statunitense da Joshua S. Gans e Peter Landry, entrambi economisti della Rotman School of Management dell’Università di Toronto.
La loro analisi suggerisce qualcosa di interessante: la velocità dell’automazione consentita dall’impiego dell’AI può dipendere anche dagli incentivi economici delle persone dalle quali l’AI deve imparare.
E le conseguenze possono essere sorprendenti: le imprese potrebbero essere costrette ad aumentare gli stipendi oltre il livello che suggerirebbe la produttività di quell’occupazione; oppure decidere di rallentare volontariamente l’addestramento dell’AI per non perdere lavoratori; o, in alcuni casi, rinunciare del tutto all’automazione. Lo studio, però, suggerisce anche dei metodi per evitare che si creino queste distorsioni.
Indice degli argomenti
Il problema: per sostituire un lavoratore bisogna prima imparare da lui
Gli autori partono da un episodio concreto. Nell’aprile 2026 Meta ha avviato un programma per raccogliere informazioni sull’attività svolta dai dipendenti sui computer aziendali: movimenti del mouse, pressione dei tasti e contenuti visualizzati sullo schermo. L’obiettivo era utilizzare questi dati per addestrare sistemi di intelligenza artificiale capaci di eseguire autonomamente alcune attività.
L’iniziativa ha però suscitato forti proteste, legate soprattutto alla privacy, al consenso e al timore che le informazioni raccolte potessero servire anche a sostituire gli stessi lavoratori. Una petizione ha raccolto oltre 1.600 adesioni e a giugno Meta ha sospeso il programma.
Il caso non dimostra che i dipendenti abbiano effettivamente ostacolato l’addestramento dei sistemi. Mostra però quanto possa essere delicato chiedere alle persone di contribuire allo sviluppo di tecnologie potenzialmente sostitutive.
Il problema è particolarmente interessante perché una parte importante delle conoscenze necessarie per automatizzare un’attività non è già disponibile in un database.
Pensiamo, per esempio, a un manutentore esperto che sa riconoscere un’anomalia dal comportamento di una macchina, a un tecnico che conosce le eccezioni di un processo produttivo o a un operatore che risolve problemi non contemplati dalle procedure standard.
Per trasferire queste competenze all’AI non basta raccogliere dati: spesso occorre documentare le decisioni, spiegare il contesto, classificare le eccezioni, registrare correttamente gli interventi e rendere esplicite conoscenze che fino a quel momento erano rimaste nella testa delle persone.
Ma il lavoratore potrebbe continuare a svolgere perfettamente il proprio lavoro senza necessariamente rendere queste informazioni disponibili al sistema.
La produttività del lavoratore rimarrebbe invariata, mentre l’apprendimento dell’AI rallenterebbe o si fermerebbe.
Tre possibili comportamenti del lavoratore
Gans e Landry costruiscono un modello economico nel quale un’impresa impiega un lavoratore e vuole addestrare un sistema di AI destinato, una volta completato l’apprendimento, a svolgere autonomamente la stessa attività.
Il lavoratore può scegliere tra tre comportamenti.
Il primo è impegnarsi poco, riducendo la propria produttività. È quello che nella teoria economica viene definito shirking, cioè sottrarsi all’impegno richiesto.
Il secondo è lavorare normalmente e collaborare all’addestramento, permettendo all’AI di acquisire le conoscenze necessarie. In questo caso, però, il completamento del progetto determina la fine del rapporto di lavoro.
Il terzo è il più interessante: continuare a lavorare con la stessa produttività, ma impedire che l’AI impari. Gli economisti lo chiamano obstruction, un comportamento ostruzionistico che non richiede necessariamente un sabotaggio esplicito. Può bastare omettere dettagli nella documentazione, non registrare alcune eccezioni o utilizzare canali informali per gestire situazioni che il sistema dovrebbe imparare a riconoscere.
La differenza rispetto al primo comportamento è che l’ostruzionismo può essere molto più difficile da riconoscere rispetto a una riduzione della produttività, proprio perché il lavoro continua a essere svolto correttamente.
Da qui nasce il problema economico che gli autori cercano di risolvere: come può un’impresa convincere un lavoratore a collaborare attivamente alla propria sostituzione?
Il primo squilibrio: l’AI può far aumentare i salari di chi sostituirà
La prima conclusione del modello è apparentemente contraria a quanto ci si potrebbe aspettare.
Normalmente si immagina che l’automazione, aumentando la possibilità di sostituire il lavoro umano, indebolisca il potere contrattuale dei lavoratori e possa di fatto causare una riduzione dei salari.
Gans e Landry mostrano invece che, durante l’addestramento di un sistema destinato a sostituire il lavoratore, può accadere il contrario: i salari possono salire in maniera indipendente dal “valore intrinseco” della prestazione lavorativa: l’impresa può vedersi costretta a offrire una remunerazione maggiore per rendere conveniente la collaborazione.
Gli economisti esprimono questo risultato dicendo che aumenta la rendita del lavoratore: non una rendita nel senso negativo del termine, ma il vantaggio economico che deriva dall’avere quel lavoro rispetto alle alternative disponibili, tenendo conto anche dell’impegno richiesto.
Il risultato teorico è che, nelle condizioni considerate dallo studio, un lavoratore assunto per collaborare all’addestramento di un’AI che lo sostituirà deve ricevere un salario più elevato rispetto alla situazione senza AI e, durante quella fase, ottiene un beneficio economico maggiore.
Questo non significa naturalmente che l’automazione faccia sempre aumentare gli stipendi. Il risultato dipende dalle ipotesi del modello, in particolare dal fatto che la retribuzione venga stabilita prima dell’apprendimento e che il sistema abbia bisogno della collaborazione del lavoratore.
Una volta completato l’addestramento, infatti, il quadro può cambiare completamente.
Il secondo squilibrio: alle imprese può convenire rallentare l’automazione
La seconda conclusione riguarda direttamente le strategie di investimento. Se un’impresa dispone di una tecnologia capace di apprendere rapidamente, dovrebbe avere interesse a completarne l’addestramento nel minor tempo possibile.
Ma non è necessariamente così. Gli autori individuano due ragioni per cui un’impresa potrebbe decidere di addestrare il sistema più lentamente di quanto sarebbe tecnicamente possibile.
La prima riguarda il rischio di ostruzionismo. Se il processo procede troppo rapidamente e il lavoratore può ostacolarlo senza un’elevata probabilità di essere scoperto, collaborare diventa meno conveniente rispetto a continuare a lavorare senza trasferire le proprie conoscenze.
L’impresa può quindi essere indotta a rallentare l’addestramento fino a un ritmo compatibile con gli incentivi del lavoratore.
La seconda ragione è ancora più interessante: l’aumento dei costi retributivi. Un addestramento più rapido aumenta il rischio che la collaborazione determini presto la perdita del posto. Per compensarlo, come abbiamo visto sopra, l’impresa potrebbe dover riconoscere una remunerazione sempre maggiore.
A un certo punto, il costo aggiuntivo necessario per ottenere la collaborazione può crescere più velocemente del beneficio economico che l’impresa ricava accelerando il progetto.
Il risultato è che l’azienda può scegliere di rallentare volontariamente l’innovazione, anche quando una maggiore velocità produrrebbe un beneficio economico complessivo superiore.
C’è un dettaglio importante: nel modello, quando l’impresa sceglie correttamente il ritmo dell’addestramento, l’ostruzionismo può non verificarsi affatto. Eppure la semplice possibilità che il lavoratore ostacoli il processo è sufficiente a condizionare la decisione dell’azienda.
Questo significa che un progetto di automazione lento non è necessariamente il segnale di una tecnologia immatura, di difficoltà tecniche o di una gestione inefficiente. Potrebbe riflettere un equilibrio economico determinato dagli incentivi delle persone coinvolte.
Il terzo squilibrio: l’AI impatta sul lavoro prima ancora di arrivare all’automazione
Lo studio arriva poi a due risultati ancora più controintuitivi. Il primo è che un sistema di AI che apprende lentamente può rendere conveniente assumere un lavoratore che, senza quel progetto, l’impresa non avrebbe assunto.
Il motivo è che il lavoratore non produce soltanto il risultato della propria attività quotidiana: sta contribuendo a costruire un sistema che in futuro genererà valore per l’azienda.
In determinate condizioni l’impresa può quindi trovare conveniente pagarlo perfino più del valore di ciò che produce direttamente.
La differenza è giustificata dal valore delle competenze che sta trasferendo all’AI.
L’occupazione così creata è però temporanea, perché destinata a concludersi quando il sistema avrà imparato a svolgere autonomamente il lavoro.
Il secondo risultato è quasi il contrario. Un sistema che potrebbe apprendere molto rapidamente può indurre l’impresa a non assumere un lavoratore che, in assenza dell’AI, avrebbe invece assunto.
Il problema è che il premio salariale necessario per convincerlo a collaborare potrebbe essere così elevato da rendere l’intera operazione non conveniente.
In quel caso il posto non viene coperto. Ma neppure il sistema AI viene addestrato, perché manca il lavoratore dal quale avrebbe dovuto imparare.
Si arriva così a una situazione paradossale: l’AI può contribuire alla scomparsa di un posto di lavoro senza essere mai arrivata a svolgere l’attività che avrebbe dovuto automatizzare.
Naturalmente non si tratta di una previsione quantitativa sull’andamento dell’occupazione, ma di una possibilità identificata dal modello teorico.
È comunque un risultato importante perché mostra come gli effetti dell’automazione sul lavoro possano manifestarsi anche prima che la tecnologia venga effettivamente utilizzata.
Su questo tema Gans era già intervenuto in un precedente lavoro, che avevamo raccontato nell’articolo Occupati sì, ma sostituibili: cosa succede se Automazione e AI svuotano di senso il lavoro. In quel caso l’attenzione era rivolta alla perdita di significato del lavoro quando esiste un’alternativa tecnologica credibile. Qui, invece, il problema riguarda gli incentivi economici a collaborare alla realizzazione di quella stessa alternativa.
La soluzione: premiare il completamento dell’addestramento
Dopo aver identificato il problema, i due economisti analizzano una possibile soluzione: modificare il sistema di remunerazione del lavoro.
Finora il modello ha considerato imprese che pagano soltanto un salario durante il rapporto di lavoro.
Ma che cosa succede se l’azienda promette al dipendente un premio economico quando l’AI ha completato l’apprendimento?
Il risultato cambia sensibilmente. Il premio rende direttamente conveniente il completamento del progetto, perché il lavoratore ottiene un beneficio dall’evento che altrimenti determinerebbe soltanto la fine del rapporto.
Secondo il modello, un bonus sufficientemente elevato e credibile può eliminare gli incentivi a ostacolare l’addestramento e consentire all’impresa di procedere alla massima velocità tecnicamente possibile.
Gli economisti individuano anche la condizione economica necessaria: il premio deve raggiungere almeno il valore della rendita che il lavoratore avrebbe ottenuto in assenza dell’AI, cioè il beneficio economico derivante dal mantenimento del posto rispetto alla sua alternativa.
Non significa necessariamente rimborsargli tutti gli stipendi futuri che perderebbe. Si tratta di compensare quel vantaggio occupazionale che il completamento dell’addestramento fa venir meno.
Un premio più basso può comunque migliorare gli incentivi e accelerare il progetto, senza però eliminare completamente il problema.
Gli autori considerano diverse possibili forme di remunerazione: un bonus di completamento, un’indennità di uscita, l’attribuzione di partecipazioni azionarie che maturano al raggiungimento del risultato oppure un trasferimento garantito a un’altra posizione.
Ma c’è una condizione fondamentale: la promessa deve essere credibile e il completamento dell’addestramento verificabile.
Altrimenti l’impresa potrebbe avere interesse a non riconoscere il contributo del lavoratore, attribuire il risultato ad altri o interrompere il rapporto prima che maturi il diritto al premio.
Il problema, quindi, non si risolve semplicemente promettendo più denaro. Occorre costruire un accordo che entrambe le parti abbiano interesse a rispettare.
Che cosa insegna lo studio alle imprese
Il lavoro di Gans e Landry è solo un modello teorico, non un’indagine empirica su un campione di aziende. Gli autori stessi riconoscono che oggi sappiamo ancora poco su quanto frequentemente i lavoratori ostacolino l’addestramento dei sistemi AI e su quanto le imprese siano effettivamente in grado di rilevare questi comportamenti.
Non sarebbe quindi corretto concludere che la resistenza dei dipendenti sia già una delle principali cause dei ritardi nell’adozione dell’intelligenza artificiale.
La ricerca offre però alcune indicazioni particolarmente utili per chi deve progettare e gestire processi di automazione.
1. Il trasferimento delle competenze deve entrare nella valutazione economica dell’investimento. Il costo di un progetto AI non è soltanto quello delle tecnologie, dei dati o dell’integrazione con i sistemi aziendali. Quando l’apprendimento richiede la collaborazione di lavoratori esperti, bisogna considerare anche il costo degli incentivi necessari a rendere possibile quel trasferimento. Un progetto apparentemente conveniente sul piano tecnico potrebbe non esserlo altrettanto sul piano organizzativo ed economico.
2. La produttività corrente e il progresso dell’addestramento devono essere misurati separatamente. Un dipendente può continuare a svolgere bene il proprio lavoro senza contribuire a rendere l’AI capace di sostituirlo. Per questo non basta monitorare gli indicatori tradizionali di produttività: servono anche misure della qualità della documentazione, del trasferimento delle conoscenze e dell’effettivo apprendimento del sistema. Naturalmente senza confondere la necessità di misurare i risultati con quella di aumentare indiscriminatamente la sorveglianza.
3. Gli incentivi devono essere progettati prima di avviare il processo. Chiedere alle persone di trasferire le proprie competenze senza chiarire che cosa accadrà al termine del progetto può creare un conflitto di interessi. Premi legati a risultati verificabili, percorsi di riqualificazione e ricollocazione garantiti possono contribuire ad allineare gli obiettivi dell’azienda e quelli dei dipendenti. Il modello dimostra il ruolo dei premi di completamento; le altre misure rappresentano possibili strumenti organizzativi per rendere credibile questo allineamento.
4. Bisogna distinguere l’AI che sostituisce dall’AI che affianca il lavoratore. È forse una delle indicazioni più importanti. Gli autori mostrano che, se il sistema AI non elimina il posto ma aumenta la produttività del dipendente, il meccanismo che genera l’ostruzionismo viene meno. Il lavoratore non deve più scegliere tra collaborare all’addestramento e conservare il proprio impiego, perché può beneficiare del miglioramento tecnologico continuando a svolgere la propria attività.
Quest’ultimo punto ha un significato particolare per le imprese manifatturiere, dove l’intelligenza artificiale può essere utilizzata sia per automatizzare completamente determinate attività sia per supportare operatori, manutentori, progettisti e tecnici specializzati.
La distinzione tra sostituzione e potenziamento del lavoro umano non ha dunque soltanto implicazioni sociali: può influenzare direttamente la velocità, il costo e la convenienza economica dell’innovazione.
La vera sfida è allineare tecnologia e organizzazione
Il messaggio finale dello studio è che non basta sviluppare sistemi AI tecnicamente capaci di sostituire attività umane.
Occorre anche capire come questi sistemi acquisiscono le conoscenze necessarie e quali incentivi hanno le persone che devono trasferirle.
Per un’impresa questo significa affrontare la trasformazione non soltanto come un progetto tecnologico, ma come un cambiamento dell’organizzazione del lavoro, dei sistemi retributivi e della gestione delle competenze.
La conclusione più interessante è forse proprio questa: la resistenza all’automazione non va necessariamente interpretata come un problema culturale o come un’avversione irrazionale al cambiamento. In determinate condizioni può essere una risposta perfettamente razionale agli incentivi economici esistenti.
E allora, per accelerare l’adozione dell’AI, potrebbe essere più efficace cambiare gli incentivi che aumentare il controllo sui lavoratori.
Perché un sistema intelligente può anche imparare molto velocemente, ma prima deve trovare qualcuno che abbia interesse a insegnargli.
