I lavori più impattati dall’AI: leggere la “ragnatela” delle professioni

La diffusione dell’intelligenza artificiale sta ridisegnando il mercato del lavoro, ma non tutti i mestieri sono toccati allo stesso modo. Una delle immagini più potenti del report “Labor market impacts of AI: A new measure and early evidence” è proprio il grafico a ragnatela che confronta, per grandi famiglie di occupazioni, ciò che l’AI potrebbe fare in teoria con ciò che sta già facendo nella pratica.

Cos’è la “observed exposure” e perché conta

Gli autori introducono una nuova metrica, observed exposure, che misura quanto i compiti di un lavoro siano effettivamente svolti o automatizzati con LLM in contesti professionali reali. A differenza delle misure puramente teoriche, questa metrica combina tre elementi: la lista di task per circa 800 occupazioni USA da O*NET, i dati reali di utilizzo di Claude (Anthropic Economic Index) e la classificazione di Eloundou et al. su quali task possono essere velocizzati da un LLM.

Nel calcolo, contano di più:

• i compiti davvero fattibili con AI,
• quelli che compaiono spesso nell’uso professionale di Claude,
• e, soprattutto, quelli che vengono eseguiti in modo automatizzato (workflow/API) invece che solo come supporto all’umano.

Questa logica è coerente con la cornice più ampia dell’Anthropic Economic Index report: Economic Primitives, che distingue con attenzione tra automazione (l’AI esegue il compito) e augmentazione (l’AI supporta il lavoratore), e introduce misure di complessità del task, livello di competenze richiesto, scopo d’uso e autonomia dell’AI. Risultato: l’observed exposure ci dice non solo dove l’AI potrebbe arrivare, ma dove sta già iniziando a cambiare davvero i processi di lavoro.[2][3]

Come leggere la ragnatela: blu vs rosso

Nel grafico a ragnatela ogni “braccio” rappresenta una macro‑categoria di occupazioni (es. Computer & Math, Office & Admin, Legal, Sales, Healthcare, Agriculture, ecc.).

• L’area blu mostra la quota di task che, secondo Eloundou et al., potrebbero essere svolti da un LLM (capacità teorica).
• L’area rossa mostra invece la percentuale di task dove l’uso effettivo dell’AI è già osservato nei dati di utilizzo di Claude (exposure osservata).

L’impatto dell’AI emerge proprio dal gap tra blu e rosso:

• dove il blu è molto ampio ma il rosso è ancora ridotto, l’AI rappresenta un potenziale di trasformazione non ancora pienamente espresso;
• dove il rosso inizia ad avvicinarsi al blu, vediamo settori in cui automazione e augmentazione stanno già entrando nel flusso di lavoro quotidiano.

I settori più esposti: computer, amministrazione, finanza

La ragnatela mostra che il potenziale di AI è particolarmente alto in alcune famiglie professionali, con livelli già significativi di adozione reale.

Computer & Math: il laboratorio dell’automazione

Per le professioni di Computer & Math (sviluppatori, analisti, data scientist, ecc.) la misura teorica indica che circa il 94% dei task potrebbe essere coperto da LLM.
Tuttavia, l’uso reale è ancora più basso: al momento Claude copre circa il 33% dei task di questa categoria, segno che l’AI ha già un ruolo centrale ma con ampio margine di espansione.

All’interno di questo cluster:

• Computer programmers risultano al top della classifica delle singole professioni, con un’observed exposure del 74,5% e compiti automatizzati come scrivere, aggiornare e mantenere codice.
• Software quality assurance analysts and testers (51,9% di esposizione) usano l’AI per individuare bug, generare casi di test, migliorare performance.
• Information security analysts (48,6%) impiegano LLM per analisi di rischio, revisione di policy, supporto nei controlli di sicurezza.

In pratica, la “ragnatela” segnala il mondo del software come uno dei poli principali di impatto: gran parte delle attività è teoricamente automatizzabile, e la quota già coperta sta crescendo in fretta.

Office & Admin: la burocrazia sotto pressione

Anche le occupazioni di Office & Admin risultano fortemente esposte: il grafico mostra che il 90% dei task è teoricamente copribile dall’AI.
La copertura osservata è inferiore a quella teorica, ma già sostanziale, con task come:

• inserimento dati,
• preparazione documenti,
• gestione e smistamento di richieste ripetitive,
  che vengono sempre più spesso instradati verso workflow automatizzati.

Tra le singole professioni più esposte spiccano:

• Data entry keyers con un’esposizione del 67,1%, dove la lettura di documenti sorgente e l’inserimento nei sistemi è già largamente automatizzata.
• Customer service representatives al 70,1%, con le interazioni cliente filtrate o gestite direttamente da sistemi AI tramite API.

Qui la ragnatela suggerisce un rischio concreto di ristrutturazione di massa di mansioni di back‑office e front‑office ripetitive, più che una semplice automazione marginale.

Business & finance: analisi, reportistica e decisioni supportate

Le occupazioni di Business & Finance mostrano anch’esse un’ampia area blu (molti task teoricamente automatizzabili) e un’area rossa in crescita.
Un esempio emblematico sono:

• i Market research analysts and marketing specialists, con un’esposizione osservata del 64,8%, grazie a task come preparare report, visualizzare dati e tradurre insight complessi in testo scritto.
• i Financial and investment analysts, esposti al 57,2%, che usano LLM per analizzare informazioni finanziarie e macroeconomiche a supporto delle decisioni di investimento.

In questo blocco non si vede una sostituzione diretta “uno a uno” del professionista, ma una forte penetrazione dell’AI nei compiti analitici, di sintesi e di documentazione, che tende a ridisegnare il contenuto del lavoro quotidiano.

Sales, marketing e supporto clienti: AI al centro dell’interazione

Nel grafico, anche le categorie legate a Sales e Arts & media mostrano una copertura teorica elevata e una crescente area rossa, strettamente connessa alle capacità dei LLM di generare testo, contenuti di marketing e script di vendita.
Nella top‑10 delle professioni più esposte compaiono:

• Sales representatives, wholesale and manufacturing (non technical) con una copertura del 62,8%, dove l’AI supporta la gestione dei contatti, la preparazione di offerte e la comunicazione commerciale.
• ruoli di supporto utenti (computer user support specialists, 46,8%) in cui LLM fungono da primo livello di help desk, rispondendo a problemi standardizzati.

In termini di “ragnatela”, questi bracci mostrano un progressivo riempimento dell’area rossa, segnale che la parte di comunicazione testuale e di knowledge base è sempre più demandata a sistemi generativi.

Dove l’AI ha meno presa: lavori fisici e relazionali

All’estremo opposto della ragnatela, alcune macro‑categorie rimangono in gran parte scoperte sia in termini teorici, sia soprattutto di uso osservato.
Tra queste:

• Agriculture e lavori manuali in esterno (potare alberi, usare macchinari agricoli),
• numerosi ruoli in Construction, Installation & repair, Transportation, Food & serving,
• e diversi compiti in ambito Legal che richiedono presenza fisica, come rappresentare un cliente in tribunale.

Il report sottolinea che circa il 30% dei lavoratori risulta avere zero copertura: le loro mansioni compaiono troppo raramente nei dati per superare la soglia minima, e includono figure come cuochi, meccanici di moto, bagnini, baristi, lavapiatti, addetti agli spogliatoi.

La ragnatela, qui, rimane quasi vuota: anche se alcuni aspetti di questi lavori possono essere supportati dall’AI (formazione, gestione turni, suggerimenti di ricette o procedure), il nucleo operativo resta profondamente fisico o relazionale e poco automatizzabile.

Potenziale vs realtà: perché il gap è così grande

Un punto chiave che emerge osservando la distanza tra l’area blu e quella rossa è che, in quasi tutte le categorie, l’AI potrebbe fare molto di più di quanto non faccia oggi. Le ragioni principali identificate dagli autori sono:

• limiti attuali dei modelli su alcuni compiti specifici;
• vincoli legali e regolatori, per esempio in sanità o in finanza;
• requisiti di software dedicato e integrazioni complesse;
• passaggi di verifica umana obbligatori, che rallentano o limitano l’automazione end‑to‑end.

L’esempio citato di “autorizzare rinnovi di prescrizioni mediche” è emblematico: in teoria il task è pienamente esposto (β=1), ma non si osserva ancora l’AI svolgerlo per motivi regolatori e organizzativi, non tecnici.

Nell’Anthropic Economic Index, gli stessi dati di conversazione con Claude vengono etichettati con “primitivi economici” come complessità, livello di educazione richiesto, grado di autonomia dell’AI e se il compito è svolto per lavoro, studio o uso personale, fornendo un contesto più ricco per interpretare questi gap tra potenziale e uso reale. Per questo, la ragnatela non va letta come una previsione deterministica di sostituzione imminente, ma come una mappa di potenziale che si concretizzerà solo dove incentivi economici, regolamentazione e organizzazione del lavoro lo permetteranno.

Cosa significa per lavoratori e aziende

Guardando alla ragnatela, il messaggio per imprese e professionisti è diverso a seconda del “braccio” in cui si collocano.

Per chi opera in software, data, amministrazione e analisi:

• l’AI non è più solo un tema di lungo periodo, ma una tecnologia già incorporata in un’ampia quota di task quotidiani;
• la priorità diventa imparare a progettare workflow in cui il LLM si occupa di cicli ripetitivi, mentre il lavoratore si concentra su qualità, supervisione, decisione.

Per chi lavora in settori fisici o di cura diretta:

• il rischio di sostituzione secca appare, per ora, più limitato;
• l’impatto principale potrebbe arrivare da strumenti di supporto (formazione, pianificazione, documentazione) più che dall’automazione completa del mestiere.

In entrambi i casi, la “ragnatela” di questo report offre una bussola: mostra dove l’AI ha già preso piede, dove ha ancora spazio per crescere e quali famiglie di lavori è più probabile che vedano trasformazioni profonde man mano che l’area rossa si avvicinerà a quella blu.

Per approfondire: documenti e dati

Questo articolo si basa in primo luogo sul report di Massenkoff e McCrory, “Labor market impacts of AI: A new measure and early evidence”, che introduce la metrica di observed exposure e visualizza la ragnatela delle professioni più impattate.

Per capire meglio come vengono costruite le misure di esposizione e come si distinguono automazione e augmentazione, è utile affiancare anche l’Anthropic Economic Index report: Economic Primitives, disponibile in PDF che descrive in dettaglio i “primitivi economici” utilizzati per classificare le conversazioni con Claude (complessità del task, livello di competenze, contesto d’uso, autonomia dell’AI, tasso di successo) e offre dati di adozione per settori, regioni e modalità d’uso.