Qualche mese fa Bill Gates, fondatore di Microsoft, intervistato da Jimmy Fallon al “Tonight Show”, ha ribadito una sua previsione: l’intelligenza artificiale rivoluzionerà il mondo del lavoro al punto da ridurre drasticamente le ore necessarie per svolgere molte professioni. Certo Gates rappresenta una delle menti di riferimento e con la sua Microsoft, una pietra angolare nell’evoluzione della tecnologia digitale, ma le previsioni e le analisi devono fondare sui dati ed elementi robusti, oltre ogni intuizione.

Anthropic  (l’azienda californiana di IA che ha prodotto Claude, uno dei modelli LLM più avanzati esistenti) ha rilasciato, a marzo scorso uno studio, l’Anthropic Economic Index (AEI), nel quale ha analizzato circa un milione di conversazioni su Claude nell’arco di 11 giorni successivi al lancio del modello Claude 3.7 Sonnet, classificando ogni scambio su come l’IA viene impiegata: affiancamento (quando il modello aiuta a imparare, a iterare un testo, a verificare) o automazione (quando completa un compito su richiesta, come tradurre un documento o correggere un errore di codice).

Questi stessi dati sono poi stati visualizzati e ripesati, nei giorni scorsi,  dal Washington Post per mostrarli, mestiere per mestiere, in una mappa interattiva di oltre 700 professioni.

Cosa è stato analizzato

L’elemento forse più interessante di questo studio è che Anthropic ha collegato le conversazioni a 17.000 compiti descritti in ONET, il grande dizionario occupazionale del Dipartimento del Lavoro USA. Per ogni professione descrive compiti (task) e attività di lavoro a diversi livelli di generalità, insieme a conoscenze, abilità e strumenti tipici.

È una struttura standardizzata: consente di parlare la stessa lingua quando si confrontano mestieri diversi. In questo modo è stato possibile collegare l’uso dell’intelligenza artificiale a mestieri e professioni la cui strutturazione organizzativa e produttiva sono da decenni monitorati e conservati in una enorme base dati. In ONET i task sono enunciati operativi e specifici (“Tradurre documenti tecnici…”, “Analizzare requisiti e sviluppare una funzione software…”), mentre le Work Activities (e le Detailed Work Activities) sono categorie più trasversali (“Raccogliere informazioni”, “Identificare oggetti ed eventi”).

Nel tempo, il database ha raccolto decine di migliaia di enunciati di task; l’analisi AEI lavora su un sottoinsieme standardizzato di ~17.000 task per mappare in modo coerente ciò che accade nelle conversazioni con il bot IA.

Cosa dicono i dati

• Affiancamento batte automazione.
  Il rapporto medio consiste in 57% di affiancamento (quando il modello aiuta) vs 43% di automazione (quando completa un compito, ovvero “sostituisce”).
  In aumento la quota di apprendimento (dal ~23% a ~28% delle interazioni), segno che l’IA funziona spesso come tutor cognitivo oltre che come esecutore.
• Differenze per famiglia professionale.
  Le attività riconducibili a Educazione e Servizi alla comunità arrivano a circa~75% di affiancamento; in Produzione e in Informatica & Matematica l’equilibrio si avvicina al 50–50.
• Pattern per singoli mestieri.
  Copywriter/editor mostrano il massimo di co-scrittura iterativa; traduttori/interpreti hanno tra le quote più alte di esecuzione diretta (automazione “directive”).
• Pensiero esteso dove serve progettare.
  La modalità di ragionamento prolungato (extended thinking) si attiva di più in domini tecnico-creativi: ~10% dei compiti legati a ricercatori in informatica, ~8% sviluppatori, ~7% artisti multimediali, ~6% game designer.
• Impatto medio sulle mansioni.
  Il Washington Post, rielaborando il dataset AEI, stima che circa un quarto delle mansioni quotidiane, in media, sia già toccato dall’IA tra affiancamento e automazione (fine 2024). La sua metodologia esplicita che il calcolo deriva dall’open dataset di Anthropic, ribilanciato per includere anche i compiti non osservati nelle conversazioni.

Cosa rappresentano i dati

1. L’IA cambia il lavoro “per compiti”, non “per etichette di mestiere”.
   Non scompare “il traduttore” o “il programmatore”: si riscrive la composizione dei loro compiti. Quelli formali e ripetitivi (traduzioni standard, refactoring, formattazioni) sono più delegabili; quelli contestuali e relazionali (progettare una lezione, fare una revisione critica, guidare un team) restano in affiancamento. Questa granularità è resa possibile dalla mappa O*NET, non da opinioni impressionistiche.
2. Dove ci sono regole chiare, l’automazione avanza; dove c’è relazione, prevale l’affiancamento.
   Nei domini a linguaggio formale (codice, traduzione standard) l’IA “capisce le istruzioni” e porta a termine il compito. Nei contesti educativi e di cura, l’IA libera tempo dai passaggi preparatori e documentali, ma la relazione resta umana. Non è una frattura netta: l’uso del pensiero esteso mostra che, anche in ambito tecnico, l’IA aiuta a ragionare, non solo a fare.
3. Passiamo dal “fare” al “far fare bene”.
   La competenza che cresce di valore è la regia del compito: definire l’obiettivo, specificare vincoli, fare controllo di qualità sull’output del modello, decidere cosa non delegare. I dati sull’aumento di sessioni di apprendimento e sulla co-scrittura raccontano proprio questo spostamento verso abilità metacognitive.
4. Strumenti più verticali ⇒ più delega dei pezzi ripetitivi.
   Quando gli strumenti sono specializzati (per esempio agenti di coding), la quota automatizzabile cresce. Ma il valore si sposta su compiti creativi, coordinativi, relazionali. L’interattivo lo mostra chiaramente: Informatica & Matematica più esposte all’automazione; educatori e bibliotecari più “affiancati”.

La qualità dell’attenzione come bene scarso

Se l’IA toglie attrito ai lavori di bassa intensità cognitiva (formati, bozze, traduzioni standard), ciò che diventa raro è la buona attenzione: distinguere il quasi giusto dal giusto, accorgersi dei bias del modello, progettare domande che generano risposte utili. Senza una cultura dell’attenzione condivisa, l’automazione moltiplica anche gli errori.

Autorialità e responsabilità.
Nella co-scrittura, chi è “autore”? I dati AEI mostrano che l’uso iterativo è pervasivo; questo non diminuisce la responsabilità umana, semmai la alza di livello: saper giustificare scelte, ricostruire il processo, documentare controlli. L’opacità, più che tecnica, rischia di essere organizzativa.

Apprendimento continuo senza fratture.
La crescita delle interazioni di apprendimento racconta la convergenza tra formazione e produzione: si impara mentre si lavora. È un’opportunità, ma anche un carico cognitivo: servono tempi protetti per riflessione e pratica deliberata, altrimenti l’IA diventa soltanto acceleratore di scadenze.

Giustizia organizzativa e traiettorie di carriera.
Se alcuni orchestrano e altri eseguono, può emergere una frattura tra “registi” e “operatori”. I dati non la impongono, ma la rendono plausibile. Evitarla richiede percorsi di crescita verso ruoli di regia, criteri trasparenti su cosa si automatizza e reti di transizione nelle aree più esposte.

Valore delle relazioni.
Nel lavoro relazionale (scuola, servizi alla persona) l’IA restituisce tempo di relazione: ascolto, motivazione, cura. Ma perché accada occorre progettare questo esito; altrimenti il tempo liberato viene riassorbito da adempimenti e amministrazione.