I guadagni annuali di tempo di lavoro grazie all'AI raggiungono una stima di 2,7 trilioni di dollari, ma i benefici restano diseguali

Google News ha portato alla luce una stima sorprendente: l'AI fa ormai risparmiare tempo di lavoro per un valore di 2,7 trilioni di dollari all'anno, nonostante un accesso profondamente diseguale a questi benefici.

La stima proviene da una ricerca degli economisti Rachel Yuting Fan e Ha Nguyen. La loro analisi attribuisce un valore al tempo assistito dall'AI nelle diverse professioni e in oltre 100 Paesi. Il totale risultante equivale a circa il 3,4% del prodotto interno lordo globale.

Questa cifra fa apparire l'AI come una forza economica già pienamente arrivata. Eppure la distribuzione racconta una storia meno rassicurante. In molte economie in via di sviluppo, quasi tutto il valore misurato proviene da un ristretto gruppo di professionisti altamente retribuiti.

La ricerca mette quindi in discussione due narrazioni diffuse allo stesso tempo. L'AI non è né una vuota promessa di produttività né uno strumento distribuito uniformemente e disponibile a ogni lavoratore. Il suo valore misurabile è elevato, ma la sua portata dipende ancora da reddito, professione, lingua e preparazione nazionale.

La sfida centrale è tra la rapida diffusione tecnica e una persistente disuguaglianza istituzionale. Gli strumenti di AI possono diffondersi quasi istantaneamente attraverso il software. Competenze, connettività, sistemi di lavoro e dati di addestramento rilevanti a livello locale si diffondono molto più lentamente.

Che cosa misura davvero la nuova stima sull'AI

La cifra di 2,7 trilioni di dollari misura il costo del lavoro associato al tempo risparmiato, non denaro aggiuntivo che entra nell'economia globale.

Fan e Nguyen hanno pubblicato i loro risultati in un working paper del FMI. Hanno analizzato cinque pubblicazioni dell'Anthropic Economic Index relative al periodo da gennaio 2025 a febbraio 2026.

L'Anthropic Economic Index studia come le persone utilizzano Claude per compiti e professioni differenti. Utilizza classificazioni che tutelano la privacy anziché pubblicare singole conversazioni.

I ricercatori hanno combinato questi modelli d'uso con dati sull'occupazione e sui salari per professione. Hanno quindi costruito un equivalente del costo del lavoro, o LCE, per il tempo assistito dall'AI.

L'LCE attribuisce un valore basato sul salario al tempo che l'AI sembra far risparmiare. Se uno strumento riduce la durata di un'attività di un'ora, il calcolo attribuisce valore a quel tempo usando il costo del lavoro della professione pertinente.

Questo approccio produce una stima globale annualizzata di circa 2,7 trilioni di dollari. Secondo le ipotesi dei ricercatori, rappresenta circa il 3,4% del PIL mondiale.

La stima è significativa perché parte dall'uso osservato anziché da una previsione sulle capacità future. Chiede dove l'assistenza dell'AI stia già avvenendo e quanto valga il tempo di lavoro associato.

Tuttavia, l'LCE non equivale alla crescita effettiva della produttività. Un'ora risparmiata non diventa automaticamente un'altra ora di produzione utile.

Un'azienda potrebbe utilizzare quel tempo per svolgere lavoro aggiuntivo, ridurre gli orari, effettuare controlli di qualità o dedicarsi ad attività del tutto estranee. Alcuni risparmi possono avvantaggiare i datori di lavoro, mentre altri possono favorire lavoratori o clienti.

Il metodo non sottrae inoltre il costo completo dell'implementazione dell'AI. Tali costi comprendono infrastrutture, elettricità, abbonamenti, lavoro di integrazione, controlli di sicurezza e revisione umana.

Gli autori descrivono l'LCE come una valutazione indicativa. Cattura il costo del lavoro del tempo risparmiato secondo ipotesi esplicite, non una misura completa del benessere economico.

Questa distinzione è importante nell'interpretare il titolo di Google News. La ricerca non sostiene che l'AI abbia aggiunto 2,7 trilioni di dollari al PIL globale misurato in un solo anno.

Stima invece il valore annuale del lavoro associato all'attuale tempo assistito dall'AI. La cifra mostra la scala economica senza stabilire chi ne catturi in ultima istanza il beneficio.

La stima è aumentata anche nelle cinque pubblicazioni di dati. L'uso dell'AI si è esteso oltre la sua iniziale concentrazione nel lavoro software, raggiungendo istruzione, vendite e professioni d'ufficio.

Queste professioni occupano molte più persone del solo sviluppo software. Una maggiore diffusione tra le professioni può aumentare il valore totale anche quando ogni conversazione comporta un beneficio stimato inferiore.

Questa è la prima importante tensione emersa dai risultati. Il valore aggregato può crescere mentre l'interazione media diventa meno intensa dal punto di vista economico.

Questo schema sarebbe coerente con una tecnologia che passa dal lavoro specializzato alle attività quotidiane. Rende inoltre la distribuzione dell'accesso più importante della crescita dell'uso evidenziata dai titoli.

Perché Google News sta diffondendo una storia più ampia della semplice adozione dell'AI

Il cambiamento importante non è semplicemente che più persone usano l'AI, ma che l'uso ha ormai un'ampiezza sufficiente per sostenere stime globali sulla distribuzione.

I primi studi sul posto di lavoro hanno generalmente esaminato un'azienda, una professione o un'attività controllata. Questi studi hanno contribuito a dimostrare che l'AI generativa può migliorare le prestazioni in condizioni specifiche.

Un noto studio sul supporto clienti ha seguito 5.179 operatori. L'accesso a un assistente AI ha aumentato del 14% in media il numero di problemi risolti all'ora.

Il miglioramento ha raggiunto il 34% tra gli operatori principianti e meno qualificati. Gli operatori esperti e altamente qualificati hanno ottenuto guadagni molto inferiori.

Quel risultato suggeriva che l'AI potesse ridurre le differenze di prestazione all'interno di un ambiente di lavoro. Il sistema trasferiva ai dipendenti con minore esperienza gli schemi delle conversazioni riuscite.

Altri esperimenti hanno riscontrato miglioramenti significativi nella scrittura, nella consulenza e nella programmazione. Tuttavia, i risultati a livello di attività non possono prevedere automaticamente la crescita dell'intera economia.

Il nuovo paper adotta un approccio diverso. Osserva quali professioni generano uso dell'AI in molti Paesi, quindi attribuisce valore al tempo associato usando i salari locali.

Le sue cinque ondate di dati creano un quadro in evoluzione anziché una singola istantanea. Ciò consente ai ricercatori di chiedersi se la portata professionale dell'AI si stia ampliando.

La risposta è sì, ma con importanti riserve. L'uso dell'AI è entrato in professioni che coprono porzioni più ampie della forza lavoro, pur restando sbilanciato verso il lavoro meglio retribuito.

Questo è importante perché i soli conteggi di adozione possono nascondere la concentrazione economica. Due Paesi potrebbero registrare livelli di attività simili, pur producendo distribuzioni di valore molto diverse.

Un Paese può mostrare uso tra insegnanti, amministratori, addetti alle vendite, ingegneri e manager. Un altro può generare quasi tutto il suo utilizzo tra una piccola classe professionale.

Questi schemi creano prospettive di produttività differenti. Un'adozione ampia offre a più imprese e famiglie la possibilità di tradurre il tempo risparmiato in produzione o servizi migliori.

Un'adozione ristretta può comunque creare un valore notevole. Tuttavia, può ampliare i divari tra professionisti connessi e chiunque resti fuori dal segmento ad alta intensità di AI.

La prospettiva globale del paper rivela anche un limite delle narrazioni popolari sul lavoro. Il fatto che l'AI aiuti i lavoratori con prestazioni inferiori all'interno di un'azienda non significa che raggiunga i lavoratori a basso reddito nell'intera economia.

All'interno di un ambiente di lavoro che utilizza l'AI, lo strumento può ridurre le differenze di prestazione basate sulle competenze. Nel mercato del lavoro, l'accesso può rimanere concentrato nelle professioni già avvantaggiate.

Entrambi i risultati possono essere veri. Descrivono livelli diversi dello stesso sistema.

Un operatore del supporto clienti dotato di AI può raggiungere il livello di un collega esperto. Un agricoltore, un fattorino o un commerciante informale potrebbe non avere alcuno strumento comparabile integrato nel lavoro quotidiano.

Il risultato è un rovesciamento distributivo. L'AI può rendere più eque le prestazioni tra gli utenti, aumentando al contempo la distanza tra utenti e non utenti.

Google News offre a questa ricerca un pubblico più ampio, ma la cifra del titolo non dovrebbe oscurare questo rovesciamento. Il contributo più importante del paper è la sua mappa di chi partecipa.

Quella mappa mostra che la diffusione del software procede più rapidamente dell'inclusione economica. La differenza determinerà se l'AI diventerà ampiamente produttiva o resterà un'infrastruttura concentrata per il lavoro professionale.

La distribuzione dei guadagni dell'AI favorisce ancora le professioni meglio retribuite

I guadagni misurati dell'AI tendono verso le professioni meglio retribuite in quasi tutti i Paesi studiati.

Fan e Nguyen hanno creato un indice di concentrazione dell'AI, o ACI, per misurare questa inclinazione. L'indice confronta la quota di valore dell'AI di ciascuna professione con la sua quota di occupazione.

Un punteggio positivo significa che i guadagni dell'AI sono orientati verso professioni collocate più in alto nella distribuzione salariale. Un punteggio negativo indicherebbe invece un orientamento verso il lavoro meno retribuito.

Quasi ogni Paese ha registrato un ACI positivo in ogni ondata osservata. La direzione della disuguaglianza è stata quindi straordinariamente coerente.

L'entità dello squilibrio variava nettamente. Le economie ad alto reddito hanno generalmente registrato livelli di ACI tra 0,4 e 0,5.

Gli Stati Uniti hanno avuto un ACI di 0,49 nell'analisi riportata. Indica comunque concentrazione, anche se l'uso si estende su una base professionale relativamente ampia.

Alcuni Paesi in via di sviluppo hanno registrato punteggi prossimi a 1,0. A quel livello, quasi tutto il valore misurato dell'AI proviene da una piccola enclave professionale.

La Tanzania offre l'esempio più chiaro del paper. Il suo ACI ha raggiunto 0,98, mentre le professioni professionali occupavano meno del 5% dei lavoratori.

Questa combinazione significa che la maggior parte dei lavoratori è rimasta fuori dal canale diretto che produce valore misurato dell'AI. Le professioni agricole, elementari e di servizio hanno contribuito a poco utilizzo registrato.

Ciò non dimostra che questi lavoratori non ricevano alcun beneficio indiretto. La logistica, la finanza, la pubblica amministrazione o l'istruzione assistite dall'AI potrebbero eventualmente migliorare i servizi di cui usufruiscono.

Tuttavia, gli effetti indiretti non rientravano nella misurazione del paper. Il valore diretto osservato è rimasto concentrato tra gli utenti professionali.

Il reddito aiuta a spiegare parte della differenza. I Paesi più ricchi tendono ad avere più lavoratori della conoscenza, infrastrutture digitali più solide e un maggior numero di organizzazioni in grado di implementare l'AI.

Dispongono anche di più sistemi complementari. Tra questi figurano archivi digitalizzati, servizi cloud, budget per la formazione, connettività affidabile e flussi di lavoro software consolidati.

L'AI non entra in un vuoto istituzionale. Funziona meglio dove le attività lasciano già tracce digitali utilizzabili e i lavoratori possono verificarne l'output.

Il problema della concentrazione coinvolge quindi più del semplice accesso a un chatbot. Riflette la capacità delle organizzazioni di collegare l'AI a un lavoro di valore.

Le piccole imprese affrontano spesso ostacoli maggiori. Potrebbero non disporre di dati puliti, personale tecnico, politiche di sicurezza o tempo per riprogettare i flussi di lavoro.

Le evidenze di oltre 12.000 imprese europee indicano la stessa direzione. Uno studio sulle imprese europee ha stimato un aumento medio del 4% della produttività del lavoro tra gli adottanti.

Le aziende medie e grandi hanno registrato guadagni più forti rispetto a quelle più piccole. Investimenti complementari in software, dati e formazione della forza lavoro hanno amplificato l'effetto.

Questi risultati sostengono il meccanismo illustrato dal paper globale. L'accesso a un modello è solo un input in un sistema produttivo più ampio.

Un professionista in un'azienda digitalmente matura può usare l'AI molte volte al giorno. Un lavoratore in un'impresa meno connessa potrebbe non disporre di un'interfaccia adatta o di dati approvati.

Il divario risultante è cumulativo. Un maggiore utilizzo crea maggiore esperienza, che aiuta le organizzazioni a individuare attività migliori e a costruire processi più solidi.

I lavoratori fuori da questo ciclo hanno meno opportunità di imparare a formulare prompt efficaci, verificare e integrare. Anche i loro datori di lavoro raccolgono meno evidenze a sostegno di ulteriori investimenti.

Per questo la distribuzione dei guadagni dell'AI non può essere separata dalla capacità organizzativa. Lo strumento può essere ampiamente disponibile online pur rimanendo economicamente scarso.

I guadagni si stanno ampliando, ma la lingua determina la velocità

La distribuzione dell'AI è diventata meno concentrata in un numero crescente di Paesi, sebbene i progressi siano rimasti diseguali e incompleti.

Tra agosto e novembre 2025, 32 dei 108 Paesi osservati hanno registrato un calo dell’indice di concentrazione dell’AI. Rappresentavano il 30% dei Paesi analizzati.

Tra novembre 2025 e febbraio 2026, il calo ha riguardato 53 Paesi su 110. La quota era salita a quasi la metà.

Un ACI in diminuzione significa che il valore generato dall’AI si sta spostando più in basso nella distribuzione salariale delle professioni. Non significa che la distribuzione sia diventata equa.

L’indice è rimasto positivo in quasi tutti i Paesi. Le professioni meglio retribuite hanno continuato a ricevere una quota sproporzionata dei guadagni misurati.

Un altro gruppo di Paesi non ha mostrato variazioni perché tutte le conversazioni osservate venivano ricondotte a un’unica categoria professionale. La loro apparente stabilità non indicava quindi un accesso diffuso.

Il movimento è stato più forte dove l’AI si è estesa all’istruzione, al supporto d’ufficio e alle vendite. Questi ambiti impiegano molti più lavoratori rispetto alla base iniziale di utenti concentrata sul software.

Il documento collega un ampliamento più rapido allo status ufficiale della lingua inglese. Gli autori interpretano questa relazione alla luce della composizione dei dati di addestramento.

I modelli dominati dall’inglese contengono un’ampia quantità di materiale legale, educativo, commerciale e amministrativo proveniente da istituzioni anglofone. Questo può migliorare la rilevanza locale per un numero maggiore di professioni.

Un modello può gestire bene le domande sul software in un Paese perché le risorse di programmazione sono standardizzate a livello globale. Le attività locali in ambito fiscale, legale, sanitario o amministrativo richiedono conoscenze più specifiche.

Se i documenti rilevanti sono scarsi nei dati di addestramento, i lavoratori ricevono un’assistenza meno affidabile. Le organizzazioni devono dedicare più risorse alla verifica degli output o alla creazione di sistemi specializzati.

La copertura linguistica diventa quindi un’infrastruttura economica. La sola traduzione non può sostituire pienamente la familiarità con terminologia, regole e pratiche istituzionali locali.

Il documento non dimostra che lo status dell’inglese causi direttamente una diffusione più rapida. La relazione tra Paesi resta osservazionale e richiede ulteriori verifiche.

Altri fattori possono sovrapporsi alla lingua. Tra questi vi sono la storia coloniale, i sistemi educativi, i contenuti disponibili online, la capacità di governo e i legami con imprese multinazionali.

Ciononostante, il risultato individua un collo di bottiglia pratico. Un modello che funziona in modo disomogeneo tra le lingue distribuirà in modo disomogeneo i guadagni di produttività tra i Paesi.

L'Anthropic Economic Index fornisce le pubblicazioni sui dati di utilizzo alla base della ricerca. I suoi dati rilevano l’attività su Claude, non l’intero mercato dell’AI.

Questa limitazione è rilevante. ChatGPT, Gemini, Copilot, i modelli aperti, i sistemi locali e gli strumenti specifici per settore potrebbero produrre schemi geografici diversi.

Anche gli utenti di Claude possono differire dalla forza lavoro globale. È probabile che dispongano di un accesso digitale più solido e di maggiore familiarità con prodotti AI avanzati.

I dati offrono comunque un prezioso segnale longitudinale. Poche fonti collegano l’uso reale dell’AI alle attività professionali in così tanti Paesi.

Il prossimo passo analitico dovrebbe confrontare più piattaforme usando classificazioni compatibili. Ciò rivelerebbe se il modello di concentrazione riflette la base utenti di Claude o l’economia dell’AI nel suo complesso.

Anche le prestazioni nelle lingue locali richiedono una misurazione diretta. I ricercatori potrebbero testare i modelli su attività amministrative, educative, commerciali e professionali radicate nei singoli Paesi.

Prestazioni migliori non garantirebbero l’adozione. Rimuoverebbero una barriera da una catena molto più lunga che coinvolge fiducia, accessibilità economica, formazione e progettazione dei flussi di lavoro.

Le organizzazioni possono inoltre ridurre l’attrito linguistico attraverso conoscenze interne curate. Una base di conoscenza AI ricercabile può basare l’assistenza sui documenti che i lavoratori utilizzano già.

Questo approccio aiuta i singoli team, ma non può sostituire investimenti pubblici su larga scala. Anche i codici legali nazionali, i materiali didattici e le informazioni sui servizi pubblici devono essere accessibili alle macchine.

Cosa non dimostra la stima di 2,7 trilioni di dollari

La ricerca rivela la potenziale impronta economica dell’AI, ma non dimostra un aumento equivalente della produzione, dei salari o del benessere dei lavoratori.

La prima incertezza riguarda il risparmio di tempo. Completare un’attività più rapidamente conta solo se il tempo risparmiato produce qualcosa di valore.

Alcuni lavoratori potrebbero completare ulteriori incarichi. Altri potrebbero utilizzare quel tempo per rivedere gli output, correggere gli errori del modello o soddisfare aspettative di carico di lavoro più elevate.

Un luogo di lavoro potrebbe persino trasformare l’efficienza in scadenze più serrate. In questo caso, i risparmi di lavoro misurati non si tradurrebbero in più tempo libero.

Una ricerca basata sui registri del mercato del lavoro danese illustra il divario tra produttività dichiarata e risultati osservabili. Lo studio ha rilevato un’adozione diffusa nei luoghi di lavoro e nuove attività legate all’AI.

Tuttavia, non ha rilevato alcun effetto medio su guadagni registrati o ore lavorate due anni dopo il lancio di ChatGPT. Le stime escludevano variazioni superiori al 2%.

Lo studio danese sul lavoro non contraddice la ricerca sulla produttività a livello di attività. Mostra che l’aggiustamento del mercato del lavoro può assorbire i miglioramenti senza modificare rapidamente salari o orari.

Le aziende possono riorganizzare le attività anziché ridurre il personale. I lavoratori possono produrre di più mentre contratti e retribuzioni restano invariati.

La seconda incertezza riguarda la qualità. Un output rapido ha scarso valore economico quando gli errori richiedono correzioni costose.

L’AI generativa può produrre contenuti plausibili ma errati. Il rischio aumenta quando gli utenti non dispongono di competenze sufficienti per riconoscere una risposta debole.

Questo crea un altro problema distributivo. I lavoratori altamente qualificati possono ottenere più valore perché sanno formulare richieste, valutare i risultati e integrare gli elementi utili.

Gli utenti meno esperti possono ottenere vantaggi sostanziali in ambienti strutturati. Tuttavia, tali vantaggi dipendono da salvaguardie, attività adeguate e materiali di riferimento affidabili.

La terza incertezza riguarda i costi. La stima LCE non fornisce un calcolo completo del benessere dopo le spese per infrastrutture e operatività.

I sistemi di AI richiedono data center, elettricità, chip, reti, ingegneria, cybersicurezza e governance. Le organizzazioni pagano anche per l’integrazione e la supervisione umana.

Questi costi non invalidano la stima di 2,7 trilioni di dollari. Impediscono però di trattarla come un surplus economico netto.

La quarta incertezza riguarda la copertura del mercato. Cinque dataset di Claude non possono rappresentare con uguale accuratezza tutti gli strumenti AI, gli utenti o i Paesi.

L’utilizzo al di fuori dei luoghi di lavoro formali potrebbe essere sottostimato. Lo stesso vale per le implementazioni nelle imprese private che non compaiono mai nei dati delle piattaforme pubbliche.

Al contrario, l’attività conversazionale non dimostra che ogni interazione abbia fatto risparmiare tempo. Alcuni utenti potrebbero sperimentare, ripetere prompt non riusciti o usare l’AI per attività di scarso valore.

Gli autori affrontano questi aspetti definendo l’LCE una misura indicativa. Il loro contributo è una stima strutturata, non un risultato definitivo di contabilità nazionale.

La quinta incertezza riguarda chi cattura i guadagni. Una maggiore produttività può andare ai lavoratori, ai datori di lavoro, ai consumatori o ai fornitori di AI.

I lavoratori beneficiano quando aumentano i salari, migliorano gli orari o il lavoro diventa più semplice. I datori di lavoro beneficiano quando l’output cresce senza aumenti corrispondenti del costo del lavoro.

I consumatori beneficiano quando i prezzi diminuiscono o la qualità del servizio migliora. Le aziende tecnologiche possono catturare valore attraverso commissioni e controllo sulle infrastrutture essenziali.

La distribuzione tra questi gruppi resta irrisolta. I dati sull’utilizzo professionale mostrano dove avviene l’attività, non come il potere contrattuale ne ripartisce i rendimenti.

Questa distinzione dovrebbe orientare la copertura di Google News e di altri editori. Una grande stima della produttività non è automaticamente una prova di prosperità condivisa.

Chi subisce pressioni mentre il valore dell’AI si concentra

Governi e datori di lavoro sono ora sotto pressione per trasformare un utilizzo professionale ristretto in una più ampia capacità organizzativa.

Per i governi, i risultati rendono la preparazione normativa una variabile economica anziché un dettaglio di conformità. Il documento associa una maggiore preparazione a un LCE più elevato rispetto al PIL.

La preparazione normativa correla anche con una distribuzione meno concentrata dei guadagni. I Paesi preparati sembrano meglio posizionati per catturare valore e diffondere l’utilizzo tra le professioni.

La preparazione può comprendere regole chiare, capacità istituzionale, infrastrutture digitali, governance dei dati e politiche del lavoro. Il documento non la riduce a una regolamentazione più leggera.

L’incertezza può ritardare un’adozione produttiva quando le imprese non riescono a valutare responsabilità, privacy o requisiti di approvvigionamento. Protezioni deboli possono inoltre ridurre la fiducia ed esporre i lavoratori a danni.

L’obiettivo è quindi una governance utilizzabile. Le organizzazioni hanno bisogno di regole che permettano loro di sperimentare preservando al contempo la responsabilità per le decisioni rilevanti.

Per i datori di lavoro, la pressione è operativa. Acquistare l’accesso a un modello non crea gli investimenti complementari necessari per la produttività.

I dirigenti devono individuare attività adatte, collegare informazioni affidabili, formare i lavoratori e misurare i risultati. Devono inoltre predisporre percorsi di escalation quando l’output dell’AI è incerto.

Questo lavoro favorisce le organizzazioni più grandi, perché i costi fissi di integrazione possono essere distribuiti su un numero maggiore di dipendenti. Le piccole imprese hanno bisogno di strumenti condivisi, fornitori di servizi o sostegno pubblico.

La formazione merita particolare attenzione. I lavoratori hanno bisogno di più che modelli di prompt.

Devono sapere quando usare l’AI, quali informazioni possono fornire e come verificare i risultati. Hanno inoltre bisogno di conoscenze di dominio sufficienti a individuare errori espressi con sicurezza.

Per gli sviluppatori di AI, la pressione riguarda la copertura. Il prossimo miliardo di utenti porterà lingue, istituzioni e professioni scarsamente rappresentate nei sistemi attuali.

I progressi nei benchmark su attività professionali in lingua inglese non risolveranno queste lacune. Gli sviluppatori hanno bisogno di valutazioni fondate sul lavoro locale e su documenti istituzionali reali.

Per i lavoratori, la divisione passa sempre più dalla progettazione del lavoro. L’esposizione non dipende solo dal fatto che un modello possa svolgere un’attività.

Dipende dal fatto che un datore di lavoro integri l’AI in flussi di lavoro approvati. Due persone nella stessa professione possono quindi ricevere vantaggi molto diversi.

Questo crea una nuova forma di disuguaglianza organizzativa. I lavoratori nelle aziende digitalmente mature accumulano esperienza con l’AI, mentre i loro pari altrove restano indietro.

Formazione trasferibile e competenze riconosciute potrebbero ridurre questa divisione. I lavoratori non dovrebbero dipendere interamente da un solo datore di lavoro per accedere a strumenti sempre più diffusi.

Anche i sistemi educativi sono sotto pressione. L’alfabetizzazione sull’AI deve includere verifica, valutazione delle fonti, gestione dei dati e collaborazione con sistemi automatizzati.

La mera istruzione sull’uso degli strumenti invecchierà rapidamente. La competenza duratura è il giudizio su quando il materiale generato dalle macchine sia utile, rischioso o incompleto.

La ricerca mette inoltre sotto pressione le previsioni macroeconomiche ottimistiche. I guadagni diffusi richiedono un’adozione oltre le enclavi professionali ad alto reddito.

Se l’AI resta concentrata, può comunque creare un valore enorme. Tuttavia, potrebbe approfondire le differenze di produttività tra imprese, regioni e Paesi.

Una analisi CEPR sulla produttività aveva in precedenza stimato che l’AI potrebbe aggiungere da 0,25 a 0,6 punti percentuali alla crescita annua della produttività totale dei fattori.

Quella proiezione dipendeva dalla velocità di adozione, dalla copertura settoriale e dall’aggiustamento organizzativo. Le nuove evidenze sull’utilizzo mostrano che tali ipotesi stanno diventando misurabili.

Mostrano anche perché non si possa dare per scontata un’ampia diffusione. La disponibilità tecnica è solo l’inizio dell’adozione economica.

Cosa osservare dopo il titolo di Google News

Tre segnali mostreranno se il crescente valore dell’AI diventerà produttività ampiamente condivisa o resterà concentrato tra i lavoratori più avvantaggiati.

Il primo segnale è il prossimo movimento dell’indice di concentrazione dell’AI. Un calo continuo in molti Paesi rafforzerebbe l’ipotesi di una diffusione più ampia.

La composizione conta più della media. Uno spostamento verso istruzione, vendite, amministrazione e servizi pubblici raggiungerebbe segmenti più ampi della forza lavoro.

I ricercatori dovrebbero inoltre verificare se i Paesi a basso reddito si allontanano da punteggi vicini a 1,0. Piccoli cambiamenti in questi contesti potrebbero rappresentare un’espansione significativa oltre le enclave professionali.

Un ACI stabile o in crescita indebolirebbe la tesi della diffusione capillare. Indicherebbe che modelli migliori stanno generando più valore senza ampliare l’accesso tra le professioni.

Il secondo segnale riguarda la presenza dei risparmi di tempo in salari, orari, prezzi o produzione misurata. I soli dati di utilizzo non consentono di individuare il destinatario finale.

Gli esperimenti aziendali dovrebbero riportare qualità dell’output e retribuzione oltre alla velocità. Le statistiche nazionali dovranno infine disporre di misure migliori del lavoro assistito dall’AI.

Se i salari aumentano o l’orario di lavoro diminuisce, i dipendenti stanno acquisendo una parte del beneficio. Se i prezzi calano, il rendimento potrebbe andare ai clienti.

Se la produzione aumenta mentre retribuzioni e orari restano invariati, i datori di lavoro potrebbero trattenere una quota maggiore del guadagno. Questo esito intensificherebbe le preoccupazioni sulla distribuzione.

Il terzo segnale riguarda le prestazioni nelle lingue locali e nei contesti istituzionali. Valutazioni più ampie dovrebbero testare i modelli su attività reali nei Paesi sottorappresentati.

Il progresso significherebbe qualcosa in più di una conversazione fluente. I modelli devono gestire correttamente norme locali, moduli, terminologia e standard professionali.

Sistemi locali più capaci rafforzerebbero l’interpretazione dell’articolo secondo cui la lingua rappresenta una barriera alla diffusione. Prestazioni persistentemente deboli manterrebbero l’adozione concentrata.

La prossima pubblicazione dell’Anthropic Economic Index offrirà un’ulteriore verifica della direzione. Dataset comparabili di altri fornitori di modelli renderebbero le prove molto più solide.

Google News continuerà probabilmente a proporre stime più elevate con l’espansione dell’uso dell’AI. I lettori dovrebbero chiedersi cosa rappresenti ogni cifra prima di considerarla produzione economica.

La cifra di 2.700 miliardi di dollari segna una soglia importante. L’uso osservato dell’AI è ora abbastanza ampio da implicare un valore sostanziale del lavoro globale secondo ipotesi ragionevoli.

Tuttavia, i benefici dell’AI seguono ancora le linee esistenti di reddito, infrastrutture e accesso professionale. La tecnologia si sta diffondendo, ma l’inclusione economica resta indietro.

La domanda per datori di lavoro e decisori politici non è più se l’AI crei valore. È se riescano a costruire le competenze, i sistemi e la copertura linguistica necessari per distribuire tale valore.

Osservate la composizione professionale, non solo il totale in evidenza. È lì che diventerà visibile la prossima fase dell’economia dell’AI.