Andrej Karpathy, a co-founder of OpenAI, spent a Saturday morning in March 2026 on a small side project: he had an LLM score how "digitally exposed" a few hundred U.S. occupations are, on a 0-to-10 scale. Software developers landed at 9 out of 10. The story spread fast, and by the next morning Karpathy had taken it down (it has since been restored with added disclaimers). He said it had been "wildly misinterpreted," even though the project notes explicitly warned that a high score did not mean a job would disappear.
Come vengono calcolati i punteggi di rischio lavorativo da IA conta più del numero da titolo. Il progetto di Karpathy, Goldman Sachs, il Fondo Monetario Internazionale (FMI) e Anthropic usano tutti costruzioni diverse di «esposizione», quindi le loro percentuali non sono intercambiabili.
La stessa professione può ottenere punteggi molto diversi a seconda del metodo usato, e nessuna di queste misure, da sola, ti dice se perderai il lavoro.
TL;DR
- I numeri pubblici sul «rischio lavorativo da IA» non sono un'unica metrica. Molti partono da un'esposizione teorica basata sulle abilità o sui compiti di un lavoro, mentre Anthropic misura anche l'uso osservato dell'IA; le indagini presso i datori di lavoro, come quella del World Economic Forum, usano uno strumento ancora diverso.
- Le misure teoriche e quelle basate sull'uso osservato possono divergere nettamente per la stessa professione. Nel confronto di Anthropic di marzo 2026, la misura teorica di Eloundou et al. collocava i compiti di informatica e matematica al 94 % di esposizione, mentre la misura di esposizione osservata di Anthropic arrivava al 33 %.
- Uno studio peer-reviewed del 2025 su PNAS Nexus ha confrontato dodici punteggi di esposizione con il rischio di disoccupazione e ha rilevato che il miglior punteggio singolo spiegava da solo il 10,7 % della variazione; combinando tutti e dodici si saliva al 29,8 %.
- Prima di fidarti del prossimo numero di «rischio lavorativo da IA» che vedrai, la domanda utile è quale metodo l'ha prodotto, non solo cosa dice il numero.
Cosa questo articolo non tratta
Questo articolo spiega un meccanismo, non emette un verdetto su un lavoro specifico, quindi alcune domande vicine restano fuori dal suo perimetro:
- Non classifica quali professioni siano le più sicure o le più a rischio. Quello è un altro tipo di articolo.
- Non analizza le tendenze attuali delle assunzioni per età o anzianità; quei risultati del mercato del lavoro richiedono una base di evidenze separata dai punteggi di esposizione.
- Non prevede dove andranno le capacità dell'IA. La questione metodologica resta valida a prescindere da quanto diventeranno bravi i modelli futuri.
Come funziona il punteggio di esposizione teorica: O*NET, AIOE, Goldman Sachs e il FMI
L'indice AI Occupational Exposure, noto come AIOE, incrocia dieci categorie di applicazioni di IA con 52 abilità professionali di O*NET. Una matrice costruita in crowdsourcing valuta quanto ogni applicazione di IA sia legata a ogni abilità umana, e il punteggio viene poi ponderato in base a quanto quelle abilità siano diffuse e importanti in una data professione. Gli economisti Edward Felten, Manav Raj e Robert Seamans hanno pubblicato il metodo sullo Strategic Management Journal nel 2021. È diventato una delle basi più influenti per i successivi tentativi di misurare l'esposizione professionale all'IA.
La cosa importante dell'AIOE è che misura l'esposizione, non l'adozione. Stima quanto i progressi delle applicazioni di IA si sovrappongono alle abilità richieste da una professione; non dice se i datori di lavoro usano l'IA in quel settore, se l'adozione è economicamente conveniente o se l'occupazione calerà.
Il FMI ha adattato la misura di esposizione di Felten, Raj e Seamans in una nota di discussione dello staff del gennaio 2024 e l'ha abbinata a un indice di complementarità separato, che coglie quanto una professione sia protetta dalla sostituzione totale da fattori come il giudizio umano, il contesto sociale e la presenza fisica. Con quel quadro, il FMI ha stimato che quasi il 40 % dell'occupazione mondiale si trova in professioni ad alta esposizione, quota che sale a circa il 60 % nelle economie avanzate.
L'analisi di Goldman Sachs di aprile 2026 compie un passo simile: combina un precedente punteggio di sostituzione da IA con l'indice di complementarità degli economisti del FMI per separare la probabile sostituzione dal potenziamento. Goldman stima un freno netto di circa 16.000 posti al mese sulla crescita dell'occupazione statunitense nell'ultimo anno, mentre le professioni con potenziale di potenziamento da IA hanno aggiunto circa 9.000 posti al mese.
Nota: Il Future of Jobs Report del World Economic Forum prevede 92 milioni di posti sostituiti e 170 milioni creati entro il 2030, ma non è affatto costruito allo stesso modo. Nasce da un'indagine su oltre 1.000 datori di lavoro che dichiarano le variazioni di organico che si aspettano: un'autodichiarazione dei datori di lavoro, non un punteggio per scomposizione dei compiti. Due strumenti strutturalmente diversi finiscono citati nella stessa frase da «X milioni di posti».
Come Anthropic misura l'«esposizione osservata» in modo diverso
L'Economic Index di Anthropic, pubblicato per la prima volta a febbraio 2025, parte da un tipo di dati completamente diverso: circa un milione di conversazioni reali su Claude.ai, elaborate da uno strumento interno chiamato Clio che associa ogni conversazione a un compito specifico nello stesso database O*NET da cui attingono i punteggi per scomposizione dei compiti, senza che un ricercatore legga la chat sottostante. Dove l'AIOE chiede se l'IA potrebbe plausibilmente svolgere un compito, l'Index chiede cosa le persone le stanno chiedendo di fare. Quel primo rapporto divideva le conversazioni in 57,4 % di potenziamento, in cui Claude assiste mentre una persona continua a dirigere il lavoro, contro 42,6 % di automazione, in cui Claude svolge di fatto il compito dall'inizio alla fine.
Nel suo aggiornamento di marzo 2026, Anthropic ha trasformato quei dati d'uso in una nuova misura di «esposizione osservata». Parte dai compiti O*NET e dalle stime teoriche di esposizione dei compiti di Eloundou et al. (2023), poi conta un compito come coperto solo quando compare abbastanza spesso nell'uso lavorativo di Claude. Gli usi completamente automatizzati ricevono peso pieno, quelli di potenziamento mezzo peso, e la copertura dei compiti è ponderata per la quota di tempo che i lavoratori dedicano a ciascun compito. Nelle professioni di informatica e matematica, la misura teorica β di Eloundou et al. raggiunge il 94 % dei compiti, mentre la misura di esposizione osservata di Anthropic arriva al 33 %. Il divario non è una contraddizione: una misura la fattibilità tecnica, l'altra aggiunge adozione e uso osservati.
Non tutti quelli che leggono i rapporti di Anthropic hanno preso il confronto per oro colato. Reagendo a un rapporto collegato del gennaio 2026, un commentatore di Hacker News ha scritto: «Mi aspettavo di vedere misure della produttività economica generata dall'uso dell'intelligenza artificiale. Invece, quello che vedo sono misure dell'uso dell'intelligenza artificiale». È una distinzione che vale la pena tenere a mente: il volume d'uso e la produttività economica non sono la stessa cosa, e nessuno dei due equivale alla perdita del lavoro.
Quel rapporto del gennaio 2026, ossia l'aggiornamento sulle primitive economiche di Anthropic, mostra che la ripartizione tra potenziamento e automazione si era spostata di nuovo: potenziamento in testa con il 52 % delle conversazioni contro il 45 % di automazione, insieme a un nuovo quadro in cinque parti che traccia complessità del compito, competenze, caso d'uso, autonomia dell'IA e riuscita del compito. Consideralo una nuova istantanea di un indice in evoluzione, non una contraddizione dei numeri di febbraio 2025. I modelli d'uso cambiano man mano che le persone trovano nuove cose da delegare.
Un valore di esposizione teorica del 94 % e un valore di esposizione osservata del 33 % possono descrivere la stessa categoria professionale senza contraddirsi, perché misurano cose diverse.
Perché «esposizione» non è la stessa cosa di «perdita del lavoro»
«Gli indicatori di esposizione rivelano la suscettibilità tecnologica, non gli esiti del mercato del lavoro».
Organizzazione Internazionale del Lavoro, aprile 2026
Un punteggio di esposizione teorica e uno di esposizione osservata colgono entrambi qualcosa di reale sul rapporto tra un lavoro e le capacità dell'IA. Nessuno dei due ti dice se quel lavoro esisterà ancora l'anno prossimo.
Nel 2025, Morgan Frank, Yong-Yeol Ahn ed Esteban Moro hanno messo alla prova quel divario con i dati sulla disoccupazione statunitense. Hanno confrontato dodici punteggi di esposizione pubblicati con il rischio mensile di disoccupazione per professione e stato, costruito a partire dai registri statali dell'assicurazione contro la disoccupazione. Il miglior punteggio singolo spiegava il 10,7 % della variazione del rischio di disoccupazione tra professioni, stati e mesi; l'insieme dei dodici punteggi ne spiegava il 29,8 %. Un modello di base che usava i requisiti di competenze della professione, l'istruzione, lo stato, l'anno e la stagionalità spiegava il 57,4 %, e l'aggiunta dell'insieme dei punteggi di esposizione lo portava al 75,5 %.
Detto in modo semplice, un singolo punteggio di esposizione è un predittore debole del rischio di disoccupazione. Una parte molto più grande della variazione è legata alla struttura del mercato del lavoro che il punteggio non contiene, compresi i requisiti di competenze, l'istruzione, la geografia e la stagionalità.
| Dimensione | Esposizione teorica / basata sui compiti | Esposizione osservata (Anthropic) |
|---|---|---|
| Cosa misura | Quanta parte di un lavoro l'IA potrebbe potenzialmente influenzare o accelerare | Quali compiti teoricamente fattibili compaiono nell'uso lavorativo di Claude |
| Chi lo usa | Usata in diversi quadri di esposizione accademici e istituzionali | Anthropic, per l'uso del proprio Claude.ai |
| Fonte dei dati | Componenti del lavoro O*NET più valutazioni delle capacità dell'IA specifiche per metodo | Uso di Claude più compiti O*NET e fattibilità teorica |
| Cosa coglie bene | Dove le capacità dell'IA potrebbero potenzialmente influenzare il lavoro | L'adozione osservata e il modo in cui il lavoro viene delegato a Claude |
| Cosa le sfugge | Domanda, costo, regolamentazione e se qualcuno si prenda la briga di farlo | L'uso al di fuori di Claude; riflette gli utenti di un solo prodotto |
| Cifra di esempio | Informatica e matematica: 94 % teorico (Eloundou et al.) | Informatica e matematica: 33 % osservato |
Pubblicato ad aprile 2026, il framework AI Jobs Transition Framework di OpenAI fa la stessa osservazione da un'altra angolazione. Invece di trattare l'esposizione tecnica come una previsione di sostituzione, pone tre domande: l'IA può svolgere una quota significativa dei compiti di una professione, una persona resta centrale nel fornire o supervisionare il lavoro, e costi più bassi potrebbero aumentare la domanda abbastanza da assorbire il guadagno di produttività? Applicato a 921 professioni che coprono circa 148 milioni di posti di lavoro statunitensi, il quadro colloca circa il 18 % dei posti nella categoria a maggior rischio di automazione, il 24 % in lavori che probabilmente si riorganizzeranno, il 12 % in lavori che potrebbero crescere con l'IA e il 46 % in lavori per cui si prevedono meno cambiamenti immediati.
Nello studio PNAS Nexus, il punteggio di esposizione singolo più forte spiegava da solo il 10,7 % della variazione del rischio di disoccupazione.
Quindi, quando il prossimo numero di «rischio lavorativo da IA» passerà nel tuo feed, la mossa utile è capire quale di questi metodi l'ha prodotto prima di decidere se preoccuparti. Un punteggio di esposizione teorica ti dice dove le capacità dell'IA si sovrappongono alle componenti di un lavoro. Un punteggio di esposizione osservata aggiunge evidenze su dove le persone stanno già usando l'IA nella pratica. Nessuno dei due, da solo, ti dice se l'occupazione in quella professione salirà o scenderà; per quello servono evidenze del mercato del lavoro su assunzioni, domanda, salari e organici.
Domande frequenti
L'esposizione di un lavoro all'IA è la stessa cosa della perdita del lavoro?
No. L'esposizione teorica descrive dove le capacità dell'IA si sovrappongono al lavoro di una professione, mentre l'esposizione osservata aggiunge evidenze su dove l'IA viene usata nella pratica. Nessuna delle due è una misura diretta della perdita del lavoro. Uno studio peer-reviewed del 2025 l'ha verificato direttamente confrontando dodici punteggi di esposizione con i dati reali delle richieste di assicurazione contro la disoccupazione negli Stati Uniti: il miglior punteggio singolo spiegava da solo il 10,7 % della variazione del rischio di disoccupazione.
Come viene calcolato davvero il rischio lavorativo da IA?
Dietro i numeri etichettati come «rischio lavorativo da IA» ci sono diversi metodi. I metodi di esposizione teorica scompongono le professioni in abilità o compiti O*NET e valutano quanto le capacità dell'IA si sovrappongono a essi; il metodo esatto di punteggio varia da studio a studio. L'approccio di esposizione osservata di Anthropic combina la fattibilità teorica dei compiti con l'uso reale di Claude, il contesto lavorativo e il grado di automazione. I numeri risultanti differiscono perché misurano fasi diverse tra la possibilità tecnica e l'adozione reale.
Perché classifiche diverse di rischio lavorativo da IA non concordano sullo stesso lavoro?
In parte perché si basano su metodi strutturalmente diversi (scomposizione dei compiti, indagine presso i datori di lavoro e uso osservato rispondono a domande diverse), e in parte perché anche un singolo metodo cambia nel tempo. Lo stesso Economic Index di Anthropic collocava il potenziamento al 57,4 % delle conversazioni di Claude a febbraio 2025 e al 52 % nel rapporto di gennaio 2026, con l'automazione che si muoveva di conseguenza. Un'istantanea di una data non è una legge fissa.
Un punteggio alto di esposizione all'IA significa che il mio lavoro sta scomparendo?
Non di per sé. Andrej Karpathy, che ha rimosso il proprio progetto virale sull'esposizione all'IA a marzo 2026, ha scritto direttamente nel suo README che i punteggi sono «stime approssimative di un LLM… non previsioni rigorose» e che i lavori ad alta esposizione saranno più spesso «rimodellati, non sostituiti». Il confronto di Anthropic rende visibile la distinzione: in informatica e matematica, la misura teorica di Eloundou et al. raggiunge il 94 %, mentre la misura di esposizione osservata di Anthropic arriva al 33 %. Un numero alto su una scala di capacità non è la stessa cosa di un lavoro che viene rilevato dalla macchina.
Discussione
Commenti
Accedi per partecipare alla discussione.