AI e lavoro: la ricerca di Anthropic che misura il rischio di disoccupazione

L’impatto dell’AI sul lavoro è uno dei temi più dibattuti degli ultimi tre anni, eppure fino a marzo 2026 mancava una metrica capace di misurarlo con dati reali anziché proiezioni teoriche. Anthropic ha pubblicato una ricerca che introduce il concetto di observed exposure, una misura che combina la capacità tecnica dei modelli linguistici con i dati concreti di utilizzo professionale, e il quadro che emerge è più sfumato, e per certi versi più preoccupante, di quanto i titoloni suggeriscano.

Comprendere l’esposizione è solo il primo passo: serve anche sapere come gestire l’adozione degli agenti in azienda senza generare rifiuto nei team.

Non è l’unica scoperta recente di Anthropic sui suoi modelli: parallelamente all’observed exposure, l’azienda ha identificato uno spazio interno associato alla coscienza in Claude, il cosiddetto J-space.

In questo articolo scoprirai:

• Cos’è l’observed exposure e perché supera le metriche teoriche precedenti
• Quali professioni del marketing e della tecnologia risultano più esposte, e di quanto
• Perché i dati attuali non mostrano un’ondata di licenziamenti, ma nascondono un segnale preoccupante per i giovani
• Come interpretare lo scenario “Grande Recessione per i colletti bianchi” citato dalla ricerca
• Cosa fare concretamente se lavori in un settore ad alta esposizione

Perché le vecchie metriche di rischio AI erano insufficienti

Prima della ricerca Anthropic, la valutazione del rischio occupazionale legato all’AI si basava quasi esclusivamente su stime teoriche: si analizzavano i compiti di ciascuna professione e si stimava quanti di essi un modello linguistico avrebbe potuto svolgere in condizioni ottimali. Il problema di questo approccio è strutturale: confonde potenziale tecnico con adozione reale.

Il caso più lampante riguarda i lavoratori di informatica e matematica. Secondo le stime teoriche, gli LLM sono in grado di gestire il 94% dei loro task. Ma quando si guardano i dati reali di utilizzo di Claude in contesti professionali, la copertura osservata scende al 33%. Un gap di oltre 60 punti percentuali che nessuna proiezione teorica avrebbe potuto catturare.

Ora quel gap tra teoria e pratica è esplorabile in prima persona: Anthropic ha rilasciato un connettore per interrogare Claude sui cambiamenti del lavoro a partire dagli stessi dati di utilizzo su cui si basa la ricerca.

Lo stesso vale per le occupazioni amministrative: pur avendo una fattibilità teorica del 90%, l’esposizione reale è significativamente inferiore. La differenza sta tra “Claude potrebbe farlo” e “Claude viene effettivamente usato per farlo in un contesto lavorativo”. Per capire l’AI generativa in profondità, è utile leggere la nostra guida su come funziona l’intelligenza artificiale generativa, che spiega i meccanismi sottostanti ai modelli come Claude.

Come funziona la metrica “Observed Exposure”

L’observed exposure è una metrica composita che assegna un peso diverso a due modalità di utilizzo dell’AI: quella automatizzata (l’AI sostituisce il lavoratore nello svolgere un compito) e quella aumentativa (l’AI affianca il lavoratore, aumentandone la produttività). I task completamente automatizzati pesano 1x, quelli aumentativi 0,5x. Questo riflette una scelta analitica precisa: l’automazione piena ha un impatto occupazionale potenzialmente maggiore rispetto all’augmentation.

I dati di base provengono da tre fonti principali: il database O*NET (che mappa circa 800 occupazioni negli Stati Uniti), l’Anthropic Economic Index (i dati reali di utilizzo di Claude in ambito professionale), e la metrica sviluppata da Eloundou et al. nel 2023, che fornisce le stime di fattibilità teorica per ciascun task. L’analisi longitudinale è costruita sul Current Population Survey a partire dal 2016.

Il risultato è una misura che tiene conto non solo di ciò che l’AI sa fare, ma di ciò che sta effettivamente facendo nelle organizzazioni reali. E i numeri che emergono sono rivelatori: il 97% degli utilizzi osservati di Claude rientra in task teoricamente fattibili (con un coefficiente di fattibilità β superiore a 0,5), mentre il 68% riguarda task completamente fattibili (β=1). Solo il 3% degli utilizzi reali riguarda task che l’AI non dovrebbe essere in grado di svolgere.

Questo dato è importante perché indica che, quando i lavoratori usano Claude, lo usano per cose che Claude sa fare bene. Non c’è quasi spreco di capacità verso il basso. Il che sposta la domanda da “cosa può fare l’AI?” a “quanto velocemente le organizzazioni adottano queste capacità?”.

Le professioni più esposte: marketing e tech sotto la lente

I risultati della ricerca forniscono una classifica delle occupazioni con maggiore esposizione osservata. Per chi lavora nel marketing e nella tecnologia, le implicazioni sono dirette e non possono essere ignorate.

Nella top 10 troviamo, nell’ordine:

1. Computer programmers: 74,5% di esposizione osservata
2. Customer service representatives: 70,1%
3. Data entry keyers: 67,1%
4. Medical record specialists: 66,7%
5. Market research analysts: 64,8%
6. Wholesale and manufacturing sales reps: 62,8%
7. Financial and investment analysts: 57,2%
8. Software QA analysts: 51,9%
9. Information security analysts: 48,6%
10. Computer user support specialists: 46,8%

Per il mondo marketing, spiccano i market research analysts con quasi il 65% di esposizione. Si tratta di un dato significativo: gran parte del lavoro di ricerca qualitativa e quantitativa, analisi della concorrenza, sintesi di insight da survey e report può essere delegata, almeno parzialmente, a un LLM come Claude. Questo non significa che la figura sparirà, ma che il profilo di competenze richiesto cambierà in modo sostanziale, spostando il valore verso l’interpretazione strategica, la formulazione delle domande giuste e la relazione con il cliente.

Nel mondo tech, la situazione è ancora più netta. I programmatori sono al primo posto con il 74,5%, seguiti dai QA analyst al 51,9% e dai professionisti della sicurezza informatica al 48,6%. Per ogni 10 punti percentuali di esposizione AI, le proiezioni del Bureau of Labor Statistics sulla crescita occupazionale scendono di 0,6 punti percentuali. Non è un collasso, ma è un segnale direzionale chiaro. L’argomento delle nuove competenze da sviluppare per rimanere rilevanti è analizzato nel dettaglio nel nostro articolo su quali aree skills sono strategiche nell’era AI.

Vale la pena notare che circa il 30% dei lavoratori ha esposizione zero: cuochi, meccanici, baristi, bagnini. Il lavoro fisico, relazionale e contestuale rimane per ora fuori dal perimetro di impatto diretto degli LLM.

Il paradosso demografico: chi è più esposto guadagna di più

Uno degli aspetti più controintuitivi della ricerca riguarda il profilo demografico dei lavoratori più esposti. Contrariamente al racconto dominante che dipinge l’AI come una minaccia per i lavoratori meno qualificati, i dati mostrano il contrario.

I lavoratori ad alta esposizione sono, rispetto a quelli a bassa esposizione:

• 16 punti percentuali più probabilmente donne
• 11 punti percentuali più probabilmente bianchi
• Quasi il doppio della probabilità di essere asiatici
• Con guadagni medi del 47% superiori (32,69 dollari/ora vs 22,23 dollari/ora)
• Con laurea magistrale nel 17,4% dei casi, contro il 4,5% nei ruoli non esposti

In altre parole, i “colletti bianchi” altamente istruiti e ben pagati sono quelli più nel mirino. Questo rovescia la narrazione che vuole l’AI come uno strumento di redistribuzione che danneggia i lavoratori marginali. L’impatto potenziale è concentrato sulla classe professionale urbana, istruita, spesso impiegata in settori come finanza, consulenza, tecnologia e, appunto, marketing.

Questo quadro demografico ha implicazioni importanti per le aziende che si interrogano sul ritorno sull’investimento delle proprie iniziative AI. La nostra analisi su perché l’AI generativa non genera ROI nelle organizzazioni tocca esattamente questo punto: il problema non è mai la tecnologia in sé, ma come viene integrata nei processi e nelle strutture di un’organizzazione.

Nessun crollo occupazionale oggi, ma un segnale nei giovani

La ricerca è esplicita su un punto che spesso viene ignorato: non c’è evidenza di un aumento sistematico della disoccupazione tra i lavoratori altamente esposti dal tardo 2022 ad oggi. Il tasso di disoccupazione aggregato per queste figure è rimasto stabile dopo il lancio di ChatGPT. In Italia, i dati ISTAT di gennaio 2026 mostrano un quadro occupazionale positivo: occupati a 24 milioni e 181 mila, con un tasso di disoccupazione al 5,1%, il valore più basso dall’inizio delle serie storiche.

Tuttavia, c’è un segnale precoce che merita attenzione: il tasso di ingresso lavorativo per i giovani tra i 22 e i 25 anni in occupazioni ad alta esposizione AI è calato del 14% dopo il lancio di ChatGPT. L’ingresso in occupazioni ad alta esposizione è diminuito di circa 0,5 punti percentuali rispetto a un tasso mensile base del 2%. L’effetto è specifico ai giovani, risulta assente per gli over 25, e questo suggerisce che il mercato stia già incorporando aspettative sull’AI nei processi di assunzione per le posizioni entry-level.

Non si tratta di licenziamenti in massa, ma di una contrazione silenziosa delle opportunità di ingresso. Le aziende assumono meno junior nelle funzioni più esposte, presumibilmente perché l’AI sta coprendo una parte delle mansioni che tradizionalmente venivano affidate alle figure di primo livello. Questo tema è approfondito nel nostro articolo dedicato a se l’intelligenza artificiale sostituirà completamente il lavoro umano.

Lo scenario “Grande Recessione per i colletti bianchi”

La ricerca introduce un benchmark di riferimento per valutare la gravità di un eventuale impatto futuro. Durante la Grande Recessione del 2007-2009, il tasso di disoccupazione negli Stati Uniti raddoppiò dal 5% al 10%. Gli autori usano questa soglia come punto di riferimento: un raddoppio comparabile del tasso di disoccupazione nelle occupazioni più esposte, dal 3% al 6%, sarebbe “chiaramente rilevabile” nei dati statistici.

Lo scenario più estremo ipotizzato, un licenziamento di massa che coinvolgesse il 10% dei lavoratori più esposti, porterebbe la disoccupazione aggregata dal 4% al 13%. Non è una previsione, ma un esercizio di stress test per capire quale soglia di impatto sarebbe statisticamente identificabile. La ricerca usa questo scenario non per allarmismo, ma per indicare che, se un effetto sistemico stesse accadendo, gli strumenti attuali lo rileverebbero.

Il fatto che non lo stiano rilevando oggi non è una rassicurazione definitiva. I ricercatori di Anthropic sono espliciti nel dire che l’evidenza attuale mostra un’adozione ancora in fase di ramp-up, con un gap significativo tra capacità teorica e utilizzo reale. La domanda non è se l’impatto arriverà, ma a che velocità si materializzerà man mano che le organizzazioni integrano gli strumenti AI nei flussi di lavoro quotidiani.

Cosa fare se lavori in marketing o tech

I dati della ricerca Anthropic offrono indicazioni pratiche per chi vuole orientarsi in modo strategico. Il primo insight è che l’esposizione osservata misura l’uso attuale, non il massimo teorico: c’è ancora un gap ampio tra ciò che l’AI fa oggi e ciò che potrebbe fare. Questo gap è sia un’opportunità (chi impara a usare questi strumenti ora ha un vantaggio) sia un rischio (il gap si chiuderà).

Per i professionisti del marketing, le implicazioni più concrete riguardano:

• La ricerca di mercato tradizionale (survey, analisi dei competitor, sintesi di report) sta già migrando verso workflow assistiti da AI. Chi non padroneggia questi strumenti rischia di perdere efficienza relativa rispetto ai colleghi che li usano.
• Il valore differenziale si sposta verso la formulazione strategica delle domande, l’interpretazione degli insight nel contesto business specifico, e la gestione della relazione con i clienti.
• Le competenze di prompting e di valutazione critica degli output AI diventano fondamentali, non opzionali.

Per chi lavora in tech, il quadro è più complesso. I programmatori hanno la maggiore esposizione osservata, ma questo non significa che il coding sparirà. Significa che la produttività per sviluppatore aumenterà, comprimendo la domanda di figure junior e ridefinendo le competenze di quelle senior. Il focus si sposta su architettura, revisione critica del codice generato, sicurezza e capacità di lavorare con stack AI-assisted. Per approfondire come strutturare una formazione aziendale su questi temi, il nostro articolo su perché un’azienda dovrebbe investire in formazione AI offre un framework pratico.

Un dato trasversale dalla ricerca che vale per entrambi i settori: le previsioni ILO per il 2026 indicano che le competenze AI non sono più un vantaggio competitivo, ma un requisito di base. Chi non ha ancora integrato gli strumenti AI nel proprio workflow quotidiano sta accumulando un ritardo che, nei prossimi 24-36 mesi, potrebbe diventare difficile da recuperare. Per un quadro completo sulle tendenze delle competenze richieste dal mercato del lavoro digitale, è utile confrontare queste evidenze con lo studio DataCamp sulle tendenze AI e dati.

Il valore della metrica observed exposure per le organizzazioni

Oltre all’impatto sui singoli lavoratori, la ricerca Anthropic offre un framework utile per le organizzazioni che devono pianificare la propria strategia AI. L’observed exposure permette di identificare con precisione quali funzioni aziendali stanno già usando l’AI (e in che modo), e quali hanno un potenziale di adozione non ancora sfruttato.

Il gap tra fattibilità teorica e copertura reale, evidente nel caso dei programmatori (94% vs 33%), indica che la maggior parte delle organizzazioni è ancora lontana dalla frontiera di ciò che è tecnicamente possibile. Questo gap rappresenta, a seconda della prospettiva, un rischio competitivo (se i competitor lo chiudono prima) o un’opportunità di efficienza da sfruttare.

Per le aziende che stanno valutando come strutturare i propri investimenti in AI, la domanda corretta non è “l’AI sostituirà i nostri lavoratori?” ma “come stiamo usando l’AI oggi rispetto a come potremmo usarla, e quali sono le implicazioni organizzative di questa transizione?”. Questo approccio è al centro della nostra analisi su come misurare correttamente il ROI dell’AI generativa. Vale anche la pena ricordare come le dinamiche competitive tra i principali player del settore stiano plasmando questi strumenti, come abbiamo analizzato nel caso della ricerca sulla distillazione AI e il caso DeepSeek-Anthropic.

Per chi vuole approfondire il funzionamento degli strumenti su cui si basa questa ricerca, partendo dalle basi dei modelli linguistici che alimentano Claude, la guida completa a ChatGPT e alle sue funzionalità offre un punto di partenza solido per comprendere le capacità e i limiti di questi sistemi.

Cosa aspettarsi nei prossimi 24 mesi

La ricerca Anthropic fotografa un momento di transizione. Il mercato del lavoro non ha ancora subito shock visibili, ma i segnali precoci, in particolare il rallentamento delle assunzioni junior nelle occupazioni esposte, indicano che l’aggiustamento è già in corso, solo più silenzioso e strutturale di quanto le narrative catastrofiste o ottimiste suggeriscano.

Nei prossimi 24 mesi, è ragionevole attendersi tre dinamiche parallele. Prima, una continua compressione delle posizioni entry-level nelle funzioni ad alta esposizione, in particolare nel marketing digitale, nel customer service e nello sviluppo software. Seconda, una crescente biforcazione salariale tra chi sa lavorare con l’AI in modo strategico e chi non lo sa fare. Terza, l’emergere di nuovi ruoli ibridi, come AI workflow manager o AI output reviewer, che non esistevano due anni fa.

Il benchmark della “Grande Recessione per i colletti bianchi” rimane uno scenario ipotetico, non una proiezione. Ma il fatto che i ricercatori di Anthropic l’abbiano incluso come parametro di riferimento dice qualcosa su dove potrebbe arrivare l’impatto se la curva di adozione accelerasse significativamente. Monitorare i dati occupazionali delle categorie più esposte nei prossimi trimestri sarà più informativo di qualsiasi previsione speculativa.

L’AI come alleata, non come sostituta: la visione dietro Mimír AI Agent

I dati emersi dalla ricerca di Anthropic confermano una realtà importante: l’intelligenza artificiale non sta cancellando il lavoro umano, ma ne sta ridisegnando i confini, agendo come un potente acceleratore di produttività. In questo scenario di trasformazione, la nostra missione con Mimír AI Agent è sempre stata chiara: l’AI non deve rubare il posto alle persone, ma liberarle dal peso della routine.

Abbiamo sviluppato la nostra piattaforma partendo dal principio che il valore reale di un’azienda risieda nell’ingegno e nella creatività del suo team. Mimír AI Agent nasce proprio per farsi carico delle task ripetitive e a basso valore aggiunto, permettendo ai professionisti di rifocalizzarsi su attività strategiche e ad alto impatto. Solo automatizzando ciò che è meccanico è possibile rendere un business realmente scalabile, trasformando l’innovazione tecnologica in una crescita sostenibile e umana.

Se vuoi scoprire come Mimír AI Agent può rendere scalabile il tuo business senza aggiungere difficoltà, richiedi una demo.

Per capire come l’AI diventa operativa e porta valore in azienda, leggi la nostra guida agli agenti AI per le imprese.

Fonti:

• Labor market impacts of AI: A new measure and early evidence — Anthropic Research, 5 marzo 2026
• Anthropic just mapped out which jobs AI could potentially replace. A ‘Great Recession for white-collar workers’ is absolutely possible — Fortune, 6 marzo 2026
• Lavoro e retribuzioni, dati occupazione gennaio 2026, ISTAT, gennaio 2026
• Employment and Social Trends 2026, ILO (International Labour Organization), gennaio 2026