AI, mercato del lavoro e futuro delle professioni

The Economist ha messo i numeri su un trend che abbiamo visto arrivare

Un grafico recentemente pubblicato su The Economist circola da qualche settimana tra ricercatori, educatori e responsabili delle risorse umane con la velocità delle cose che colpiscono nel segno. Elaborato su dati Anthropic (l’azienda AI dietro a Claude) e della National Association of Colleges and Employers, mette in relazione due variabili per i laureati americani recenti: il grado di esposizione della propria disciplina all’intelligenza artificiale e la variazione nel tasso di occupazione a tempo pieno nei sei mesi dalla laurea, tra il 2022 e il 2024, per rivelare che più una disciplina è esposta all’AI, peggiore è stato l’esito occupazionale per i neolaureati. Filosofia e psicologia, quasi intonse. Informatica, scienze dell’informazione, ingegneria: crolli fino a 15 punti percentuali. Non è la fine del lavoro tecnico. È la fine di un certo tipo di ingresso nel lavoro tecnico. E la differenza è enorme.

Per la comunità che ruota attorno a Maker Faire Rome – maker, designer, ingegneri, ricercatori, educatori, studenti – questo dato non è un’astratta statistica americana ma un segnale da leggere con attenzione, perché annuncia una trasformazione strutturale che riguarda come si impara, come si entra nel mercato del lavoro e come si costruisce una carriera tecnica nel decennio che stiamo attraversando.

chart: The Economist

Cosa sta succedendo davvero: il meccanismo dietro il grafico

Per capire il dato bisogna resistere all’interpretazione più ovvia – “l’AI sta rubando i lavori” – e andare un livello più in profondità. Avevamo già pubblicato una prima, breve panoramica, frutto di un report pubblicato da Anthropic, casa madre di Claude.AI, lo scorso aprile in questo articolo. Fino al 2022, le aziende tecnologiche assumevano in massa neolaureati per mansioni ben definite: scrivere codice di routine, testare software, analizzare dataset elementari, fare debugging, compilare report. Non erano lavori creativi o strategici, ma erano lavori reali, pagati bene, e soprattutto erano il punto di ingresso nella professione: il luogo in cui si imparava il mestiere sul campo, si costruivano le prime reti professionali, si accumulava l’esperienza necessaria per crescere. Dal 2023 in poi, queste mansioni sono diventate in larga parte eseguibili con strumenti AI. GitHub Copilot, i modelli di linguaggio per analisi dati, i tool di testing automatico: non hanno sostituito i senior engineer, ma hanno sostituito l’entry level. Le aziende hanno smesso di assumere tre junior per fare il lavoro di un senior, e hanno cominciato a dare a quel senior gli strumenti per fare il lavoro da solo. Il risultato è che il punto di ingresso si è ristretto proprio nel momento in cui una generazione intera si preparava ad attraversarlo. I laureati in informatica del 2024 si sono trovati a fare domande in un mercato che, per la prima volta in vent’anni, aveva meno bisogno di loro di quanto si aspettassero.

La dimensione sociologica: chi paga il prezzo e chi no

Incredibilmente, l’arrivo della AI ci pone di fronte al paradosso della competenza tecnica, e il grafico ce lo mostra senza possibilità di errore: le discipline che hanno investito di più nell’adattarsi al mondo digitale – informatica, ingegneria del software, data science – sono quelle che stanno pagando il prezzo più alto nella transizione attuale. Le discipline umanistiche, spesso derise per la loro presunta inutilità nel mercato del lavoro, mostrano stabilità o addirittura crescita. Questo non significa che laurearsi in filosofia sia una scelta più sicura che laurearsi in informatica ai fini delle possibilità professionali, ma che la logica con cui valutiamo il “valore” di una formazione è più fragile di quanto pensassimo, e che il mercato può cambiare le sue preferenze molto più rapidamente di quanto un percorso formativo di cinque anni possa adattarsi. L’impatto di quanto ci mostra il grafico non è distribuito uniformemente. I laureati che escono dalle università di élite con reti professionali consolidate, stage già fatti, o con capacità di differenziazione (portfolio personali, contributi open source, progetti riconoscibili) sono meno colpiti. Il crollo occupazionale ha colpito soprattutto chi faceva affidamento sul canale tradizionale: laurea → selezione di massa delle big tech → primo impiego standard. Questo pone un problema di equità. Il canale tradizionale era, per molti, l’unico canale praticabile; le alternative – costruire un personal brand, avere accesso a network di alto livello, fare esperienze riconoscibili durante gli studi – non sono ugualmente accessibili a tutti. Va detto anche con onestà che il periodo 2022-2024 non è neutro di suo: coincide, infatti, con il grande ridimensionamento delle assunzioni nelle big tech dopo i boom pandemici. Amazon, Meta, Google, Microsoft in quel periodo hanno licenziato decine di migliaia di persone e ridotto drasticamente le assunzioni di entry level. È difficile separare l’effetto AI dall’effetto ciclo economico, ed è molto probabile che il grafico catturi entrambi. Tuttavia, la struttura del dato – più esposizione all’AI, più caduta occupazionale – è troppo sistematica per essere solo rumore. Il segnale c’è, ed è tutto fuorché debole. La domanda è “quanto sia permanente”.

Le implicazioni per la formazione: cosa non funziona più

Il modello formativo implicito dietro la crisi è questo: insegno a scrivere codice, insegno algoritmi, insegno a gestire database. Il mercato del lavoro assorbe chi ha queste competenze per fare cose definite. Con questo modello, la crisi attuale è devastante: le cose definite vengono fatte sempre più dall’AI. La risposta non è smettere di insegnare a programmare, ma cambiare profondamente il contesto e l’obiettivo dell’insegnamento tecnico. Un programmatore che sa solo scrivere codice è vulnerabile. Un programmatore che capisce profondamente cosa fa il codice, perché certi sistemi si comportano in certi modi, come si progetta un’architettura robusta, come si valuta la qualità di un output automatico – questa persona è molto meno sostituibile. La differenza è tra saper usare gli strumenti e capire il dominio abbastanza da giudicare gli strumenti.

Il mercato sta già premiando i profili ibridi: chi sa fare ingegneria del software e ha una comprensione solida del dominio applicativo (sanità, finanza, scienze climatiche, scienze sociali). L’AI può generare codice generico, ma non può sostituire la persona che sa cosa significa fare una buona diagnosi, gestire un rischio finanziario reale, o interpretare dati sociologici con senso critico. I curriculum che integrano competenze tecniche e competenze di dominio – oggi ancora rari – diventeranno progressivamente il nuovo standard. Il pensiero computazionale – la capacità di scomporre problemi complessi, ragionare su sistemi, progettare soluzioni iterative – rimpiazza l’abilità nel coding, che è uno strumento. Il pensiero computazionale è invece una vera e propria forma mentis. Il coding è parzialmente automatizzabile; il pensiero computazionale, no. La formazione che sopravvive è quella che costruisce la seconda, non solo il primo.

Gli scenari

Nel breve periodo (2-5 anni), è probabile che il mercato si ribilanci parzialmente. Le aziende che hanno ridotto le assunzioni entry level si trovano a fare i conti con una pipeline di talenti sempre meno ricca. Chi entra oggi nel mercato con competenze AI-augmented, non solo sa fare cose, ma sa far fare cose agli strumenti e ha un vantaggio competitivo reale. Il crollo occupazionale attuale potrebbe creare una scarsità relativa di professionisti tecnici qualificati nel giro di pochi anni. Nel medio periodo (5-15 anni), la natura stessa del lavoro tecnico si ridefinisce. Le professioni non spariscono, ma cambiano radicalmente contenuto. Un ingegnere del software nel 2030 potrebbe trascorrere la maggior parte del tempo a progettare sistemi, valutare output AI, gestire l’integrazione con sistemi esistenti, comunicare con stakeholder non tecnici – e pochissimo tempo a scrivere codice linea per linea. Questo richiede un profilo professionale molto diverso da quello che le università stanno ancora, in larga misura, formando. Il rischio più preoccupante dal punto di vista sociale è la biforcazione: da un lato, un numero relativamente piccolo di professionisti tecnici ad altissima qualificazione, capaci di lavorare con i sistemi AI più avanzati, molto ben pagati; dall’altro, una massa di lavoratori con competenze tecniche medie che non trovano più un posizionamento chiaro. Il ceto medio tecnico – che era stato una delle promesse della rivoluzione digitale – potrebbe assottigliarsi significativamente. Cosa può fare chi si forma, insegna o assume oggi?

Per chi studia, sicuramente

• non basta saper usare gli strumenti AI: bisogna capire come funzionano abbastanza da valutarne i limiti e le applicazioni non ovvie
• costruire un portfolio di progetti reali, anche piccoli, è più efficace di un voto alto in un corso generico
• investire nella competenza di dominio (biologia, economia, scienze sociali, design) accanto alle competenze tecniche
• lavorare sulle soft skills – comunicazione, capacità di lavorare in team interdisciplinari, pensiero critico – che non sono un ammortizzatore emotivo ma competenze professionali sempre più rare e preziose

Per chi insegna e forma

• ripensare il curriculum intorno alla comprensione profonda dei sistemi, non all’esecuzione di compiti definiti
• integrare l’uso degli strumenti AI nella didattica non come assistente, ma come oggetto di studio critico
• costruire ponti con il mercato del lavoro in modo più diretto e frequente: gli stage, i project work reali, le collaborazioni con aziende
• valutare se il modello per competenze – certificazioni, portfolio, esperienze verificabili – non stia diventando più utile del titolo di studio tradizionale per certi profili

Per chi assume

• ridefinire cosa significa “entry level”: non chi sa già fare cose, ma chi ha la capacità di imparare velocemente in un ambiente AI-augmented
• investire in programmi strutturati di inserimento e formazione: la pipeline di talenti non si autoalimenta più come prima
• diversificare i criteri di selezione: portfolio, contributi open source, capacità dimostrata di risolvere problemi reali, devono essere valutati insieme al titolo di studio

In un mercato in cui le competenze esecutive di base vengono progressivamente automatizzate, il vantaggio di chi possiede e pratica un approccio maker è più evidente che mai. Chi sa progettare un sistema fisico, integrare hardware e software, pensare in modo interdisciplinare a un problema, e documentare il proprio lavoro in modo comprensibile agli altri — questa persona non è sostituibile da un modello linguistico. Non perché l’AI non possa generare codice o schemi elettronici, ma perché la capacità di capire perché un sistema non funziona come previsto, di parlare con il cliente, di iterare su un prototipo fisico, di portare un’idea dall’astrazione alla realtà – e queste sono competenze profondamente umane, e profondamente maker.

L’analisi dell’Economist mostra una porta che si sta restringendo ma mostra anche dove sono le porte che restano aperte: nella comprensione profonda, nella trasversalità, nella capacità di integrare e giudicare, non solo di eseguire. Che poi, è anche un po’ lo spazio nel quale si colloca Maker Faire Rome