I dati sulla forza lavoro degli agenti AI di Anthropic rivelano la scomparsa del gradino junior

Anthropic afferma che la quota di profili junior tra le assunzioni tecniche è scesa dal 27% al 9%, mentre gli agenti AI diretti dai dipendenti hanno registrato sei ore per ogni ora umana. La forza lavoro degli agenti AI di Anthropic continua a crescere, ma il suo livello tecnico entry-level si sta assottigliando visibilmente.

Questa combinazione conta più di ciascun dato preso singolarmente. Anthropic non sta segnalando un tradizionale ciclo di licenziamenti né un blocco delle assunzioni. Sta descrivendo un’azienda in crescita che privilegia sempre di più persone esperte, capaci di dirigere, valutare e coordinare flotte di agenti Claude.

Il conflitto centrale non è dunque, in astratto, tra esseri umani e macchine. È tra il giudizio esperto e il lavoro junior che tradizionalmente forma quel giudizio. Anche OpenAI sta spingendo gli agenti più in profondità nel lavoro interno basato sulla conoscenza, ma Anthropic ha mostrato come questa transizione possa cambiare le assunzioni prima che l’occupazione complessiva diminuisca.

Le assunzioni junior di Anthropic sono calate mentre il lavoro degli agenti si espandeva

I dati sulla forza lavoro di Anthropic mostrano un netto cambiamento nei profili assunti, anche se l’azienda continua ad aggiungere dipendenti tecnici.

Anthropic ha pubblicato il suo studio interno sull’occupazione il 16 ottobre 2026. Il rapporto si basa su registri occupazionali, telemetria degli agenti, misure di output, sondaggi tra i dipendenti, calendari, comunicazioni interne e decisioni di assunzione. I ricercatori hanno inoltre condotto 17 interviste con dipendenti.

I dati principali riguardano i ruoli tecnici. La quota di dipendenti junior nei reparti tecnici di Anthropic è scesa dal 21% all’inizio del 2025 al 14% nel 2026. La quota junior nelle nuove assunzioni tecniche è diminuita più drasticamente, dal 27% al 9%.

Un grafico nello studio colloca le posizioni tecniche junior aperte al 6% alla fine del periodo misurato. Il calo delle posizioni aperte è diventato particolarmente marcato dopo dicembre 2025. Le discussioni interne su una domanda più debole di dipendenti tecnici junior sono emerse nel gennaio 2026.

Ad aprile, i team di ingegneria e ricerca di Anthropic avevano ridotto l’enfasi sulle posizioni tecniche di fascia inferiore. Circa un terzo dei manager di machine learning e un quinto dei manager di ingegneria software hanno riferito di assumere meno a causa dell’AI.

Questi cambiamenti non significavano che Anthropic avesse smesso di assumere ingegneri. L’azienda afferma che l’organico tecnico ha continuato a crescere in termini assoluti. Tuttavia, vendite, finanza e recruiting sono cresciuti più rapidamente, riducendo i reparti tecnici dal 61% al 56% della forza lavoro.

Questa distinzione evita un’interpretazione fuorviante. Una quota occupazionale in calo non equivale a una diminuzione del numero di dipendenti. Le evidenze mostrano un cambiamento nella composizione della forza lavoro, con la contrazione più chiara concentrata all’estremità junior.

Le assunzioni non tecniche sono apparse più stabili per anzianità. Questa differenza rafforza il legame dello studio tra agenti di coding e assunzioni tecniche, anche se non stabilisce una causa unica.

La tempistica coincide con una rapida espansione del lavoro degli agenti. Anthropic afferma che gli agenti autonomi e interattivi hanno superato per la prima volta le ore di lavoro umano stimate nel marzo 2026. Ad agosto, gli agenti diretti dai dipendenti avevano accumulato sei ore attive per ogni ora umana stimata.

Anthropic definisce il tempo degli agenti come inferenza e uso attivo degli strumenti, escludendo attese superiori a 30 minuti. Il tempo umano non viene osservato direttamente. I ricercatori lo stimano moltiplicando l’organico per una settimana lavorativa di 40 ore.

Questa metodologia rende il rapporto di sei a uno meno letterale di quanto sembri inizialmente. Il runtime degli agenti può svolgersi in parallelo, mentre il lavoro umano comprende pianificazione, discussioni, lettura e decisioni che la telemetria non riesce a catturare. Un’ora di un agente non equivale a un’ora di un dipendente in termini di valore economico.

Ciononostante, è difficile liquidare la direzione di marcia. Gli agenti eseguono test, mantengono infrastrutture, traducono codebase, trovano bug e generano software. Gli assistenti personali monitorano inoltre calendari, smistano messaggi e preparano briefing per le riunioni.

La scoperta più rilevante nello studio sull’occupazione è la sovrapposizione fra queste tendenze. L’occupazione junior è cresciuta più lentamente nei lavori in cui i dipendenti assegnavano a Claude i loro compiti più complessi.

Questa relazione non dimostra che Claude abbia causato ogni posizione junior mancante. Anthropic è cresciuta rapidamente, ha modificato il proprio mix di business e ha assunto per esigenze evolute nel corso dello studio. Tuttavia, il modello offre una visione credibile di come l’adozione degli agenti possa modificare le assunzioni ai margini.

La forza lavoro degli agenti AI di Anthropic è quindi cambiata in qualcosa che va oltre la velocità di produzione. Ha cambiato quali capacità umane i manager vogliono acquistare sul mercato del lavoro.

Sei ore di agenti non equivalgono a sei sostituzioni umane

Il rapporto di sei a uno di Anthropic misura l’attività delle macchine, non sei posti di lavoro completi eliminati per ogni dipendente.

La distinzione parte dal parallelismo. Un ingegnere può avviare più agenti che lavorano contemporaneamente. Questi agenti possono cercare nei repository, scrivere test, proporre patch o ispezionare errori mentre l’ingegnere si occupa di un altro compito.

Ciò crea più runtime delle macchine di quanto una singola persona potrebbe produrre in sequenza. Non significa che ogni ora generi output utilizzabile. Il lavoro degli agenti include ancora approcci falliti, analisi duplicate, testo irrilevante e attività in attesa di revisione.

Anthropic ha rilevato che le sessioni interattive di Claude trascorrono circa l’80% del loro tempo effettivo in attesa di input umano. Gli agenti possono funzionare più rapidamente di quanto i dipendenti riescano a esaminare i risultati, risolvere ambiguità e autorizzare l’azione successiva.

L’attenzione umana diventa il vincolo. I dipendenti si sono descritti come manager di sistemi Claude anziché produttori diretti di ogni singolo artefatto. In un sondaggio di aprile, il 20% ha dichiarato che il proprio ruolo si era spostato dall’esecuzione del lavoro alla gestione di Claude.

Di conseguenza, sono cambiati anche i processi interni dell’azienda. Le istruzioni operative scritte per gli agenti sono passate da poche centinaia nel luglio 2025 a 8.500 un anno dopo. I dipendenti hanno creato dashboard, sistemi di monitoraggio, cicli di revisione e persino supervisori di agenti.

Questa attività di coordinamento, che Anthropic chiama meta-lavoro, è aumentata dal 10% delle sessioni interattive del dipendente medio nell’autunno 2025 al 22% nella primavera 2026. Il meta-lavoro comprende la stesura di specifiche, la revisione dei piani degli agenti, il monitoraggio delle pipeline e la documentazione dei processi per l’uso delle macchine.

Questi sistemi possono aumentare l’output misurabile. Anthropic riferisce che i commit di codice per ingegnere hanno raggiunto un livello cinque volte superiore rispetto a sei mesi prima. Gli avvocati hanno gestito più contratti, i rappresentanti commerciali hanno chiuso più accordi e i team finanziari hanno elaborato più fatture.

Lo studio ha inoltre seguito 192 ingegneri che hanno adottato agenti di coding e li ha confrontati con 74 ingegneri che non li hanno adottati nel periodo. L’output di codice è aumentato dopo l’adozione, anche quando i ricercatori hanno seguito lo stesso dipendente nel tempo.

Anthropic ha esaminato diversi indicatori indiretti della qualità del codice, tra cui eliminazioni successive, rimozioni per correzioni di bug, rollback, test saltati e soppressione del lint. Ha riferito di non aver riscontrato differenze misurabili di qualità tra commit scritti da esseri umani e commit scritti da agenti secondo tali indicatori.

Questi controlli sono utili ma incompleti. Le righe mantenute per 90 giorni non catturano la qualità architetturale, l’esposizione alla sicurezza, la manutenibilità o il fatto che una funzionalità abbia creato valore aziendale. Anthropic avverte esplicitamente che più codice non significa necessariamente codice migliore.

Anche la selezione complica il risultato. Gli ingegneri che adottavano agenti autonomi erano già su una traiettoria di output in crescita. I lavoratori impegnati in progetti di grandi dimensioni potrebbero essere stati più propensi ad adottare gli strumenti, rendendo difficile isolare la causalità.

La stessa questione vale oltre l’ingegneria. Un account executive ha affermato che le automazioni hanno sostituito circa il 20% delle attività precedenti. Un altro ha riferito di parlare con il 30% di clienti in più dopo aver automatizzato le comunicazioni di routine e gli aggiornamenti dei registri.

Un avvocato ha creato automazioni che vagliavano questioni legali, revisionavano testi pubblici e segnalavano rischi. Un recruiter ha usato Claude per la ricerca di candidati, il monitoraggio delle candidature e un’analisi che in precedenza avrebbe richiesto settimane.

Questi casi mostrano che sostituzione ed espansione delle attività avvengono insieme. L’AI rimuove parte del lavoro di implementazione, ma i dipendenti usano la capacità liberata per seguire più clienti, progetti o decisioni.

OpenAI ha segnalato un passaggio comparabile dalle interfacce chat agli agenti. I suoi dati sul lavoro basato sulla conoscenza indicano che i non sviluppatori usano sempre più Codex per ricerca, analisi dei dati, documenti e strumenti interni leggeri.

Il confronto suggerisce che Anthropic non è sola nel passaggio dall’assistenza occasionale al lavoro delegato persistente. Tuttavia, nessuna delle due aziende ha fornito una misura standardizzata che equipari il runtime degli agenti al lavoro umano economicamente utile.

Il rapporto di sei a uno va interpretato soprattutto come un segnale organizzativo. Anthropic può ora generare molta più attività delle macchine di quanta i suoi dipendenti possano svolgere personalmente. Il collo di bottiglia risultante è costituito da valutazione, contesto e giudizio responsabile.

Quel collo di bottiglia spiega perché i lavoratori esperti acquistano valore. Possono decidere cosa dovrebbero fare gli agenti, riconoscere errori sottili e risolvere conflitti che attraversano più sistemi. I dipendenti junior hanno storicamente acquisito tali capacità attraverso il lavoro di implementazione ora in fase di automazione.

Le assunzioni con agenti AI di Anthropic premiano il giudizio rispetto all’esecuzione

La forza lavoro degli agenti AI di Anthropic favorisce le persone capaci di definire i problemi e rivedere gli esiti, riducendo al contempo la domanda di capacità di implementazione circoscritta.

Anthropic ha analizzato migliaia di schede di valutazione delle assunzioni create dal 2024. Le menzioni dell’esperienza dei candidati con strumenti AI sono triplicate per i ruoli tecnici e quadruplicate per quelli non tecnici entro il 2026.

Anche i colloqui tecnici hanno attribuito maggiore peso ad autonomia e giudizio. La discussione sulle competenze specifiche di dominio è diminuita come quota dei commenti di valutazione. I manager desideravano sempre più candidati capaci di muoversi tra domini e di lavorare efficacemente con modelli imperfetti.

Questo cambiamento riflette la natura irregolare delle prestazioni degli agenti. Un modello può risolvere un difficile problema di coding e poi non cogliere un vincolo evidente. I manager di Anthropic attribuiscono quindi valore alle persone capaci di riconoscere quando un output merita fiducia.

Il ruolo emergente assomiglia a quello di un manager, anche senza riporti diretti. I singoli contributor distribuiscono attività fra gli agenti, mantengono il contesto, rivedono il lavoro e intervengono quando i sistemi arrivano a decisioni che coinvolgono sicurezza o politica organizzativa.

I dati di calendario di Anthropic supportano questa interpretazione. Il dipendente mediano ha trascorso il 20% di tempo in più in riunioni rispetto a un anno prima. Il tempo in riunione tra i singoli contributor tecnici è aumentato del 16%.

Questi dati mettono in discussione l’idea semplice secondo cui l’automazione elimina il coordinamento. Gli agenti accelerano l’implementazione, ma un output più veloce genera più decisioni e dipendenze. I dipendenti devono allineare i team, risolvere problemi sistemici e stabilire quale lavoro debba essere distribuito.

L’azienda ha inoltre rilevato che gli agenti comparivano in quasi la metà dei canali Slack pubblici attivi. Di solito operavano in thread dedicati tra persone e agenti, anziché sostituire le conversazioni fra persone.

La discussione umana è rimasta strutturalmente simile, mentre la comunicazione degli agenti si è accumulata attorno a essa. Questo modello assomiglia a una capacità organizzativa aggiuntiva, ma crea anche più informazioni che i dipendenti devono elaborare.

In questo ambiente, il contesto diventa infrastruttura. Le decisioni prese in privato possono lasciare gli agenti a lavorare su presupposti obsoleti. I dipendenti di Anthropic documentano sempre più il lavoro affinché i sistemi automatizzati possano individuare obiettivi, responsabilità e vincoli aggiornati.

Questo favorisce i lavoratori che comprendono l'organizzazione, non solo il compito immediato. I dipendenti esperti possiedono conoscenze tacite sulle decisioni precedenti, sulle modalità di fallimento, sulle aspettative dei clienti e sulle dipendenze nascoste.

Tradizionalmente, il lavoro tecnico junior offre un percorso per acquisire tali conoscenze. I nuovi ingegneri imparano correggendo piccoli bug, scrivendo test, gestendo sistemi e osservando le revisioni. Sono proprio gli incarichi che gli agenti di coding svolgono sempre più spesso.

Un'azienda può quindi migliorare la produttività nel breve termine indebolendo al contempo il proprio futuro percorso di formazione. Ottiene valore immediato dagli operatori esperti, ma crea meno opportunità perché i principianti diventino operatori esperti.

Questo è il ribaltamento alla base delle assunzioni junior di Anthropic. Gli agenti AI sono preziosi perché assorbono il lavoro di routine, eppure quel lavoro di routine un tempo costituiva una formazione pratica per il giudizio di livello superiore.

Eliminare quel lavoro non elimina automaticamente il bisogno di competenze. Può aumentare il valore attribuito all'esperienza, riducendo al contempo i meccanismi che la producono.

Anthropic ha risposto in parte attraverso la mobilità interna. I dipendenti con almeno un anno di anzianità in azienda avevano il 50% di probabilità in più di cambiare reparto ogni mese nel 2026 rispetto al 2025.

Un team di product design illustra l'approccio. Dopo aver creato un sistema di contesto che consentiva agli agenti di scrivere testi di prodotto, il team è passato alle valutazioni dei modelli e allo sviluppo di prompt.

Questa ricollocazione ha protetto i dipendenti già presenti creando al contempo nuovo lavoro intorno a Claude. Non ha però risolto il problema dell'accesso per i candidati che non erano mai stati assunti.

Anthropic riconosce questo limite. Il suo rapporto afferma che le tutele per i dipendenti attuali non possono avvantaggiare le persone escluse dall'azienda in primo luogo.

L'azienda sta inoltre creando un sistema di allerta precoce per monitorare i ruoli esposti ai cambiamenti guidati dall'AI. Prevede di confrontare domanda e output a livello di ruolo con le capacità degli agenti, quindi identificare possibili spostamenti interni.

Per le aziende che adottano sistemi simili, la documentazione diventa più importante. Una base di conoscenza ingegneristica può preservare il contesto tecnico tra i progetti, ma la conoscenza registrata non può sostituire la pratica supervisionata.

Il problema della forza lavoro non consiste semplicemente nell'insegnare ai neolaureati a scrivere prompt migliori. I futuri ruoli junior dovranno consentire ai dipendenti di sviluppare capacità di giudizio mentre gli agenti gestiscono una quota maggiore dell'esecuzione. Ciò richiede una progettazione intenzionale delle mansioni, tutoraggio, accesso alle revisioni e responsabilità che crescono nel tempo.

Senza queste strutture, i datori di lavoro potrebbero competere per un bacino limitato di operatori esperti. Ogni azienda può ridurre individualmente i costi di formazione, dipendendo però da altre organizzazioni per creare i talenti senior che recluterà in seguito.

Ciò che i numeri di Anthropic non possono ancora dimostrare

Il rapporto collega l'adozione degli agenti a minori assunzioni junior, ma non può isolare l'AI dalla crescita, dalla forza lavoro e dagli incentivi peculiari di Anthropic.

Anthropic è un caso estremo. Sviluppa modelli di frontiera, impiega lavoratori selezionati per le loro capacità tecniche e offre loro accesso anticipato a sistemi Claude non disponibili altrove.

I dipendenti hanno inoltre un incentivo diretto a utilizzare i prodotti dell'azienda. Aspettative interne, strumenti e pratiche manageriali favoriscono un'automazione rapida. Molte aziende tradizionali non condividono queste condizioni.

Anthropic ha triplicato le proprie dimensioni nell'anno coperto dal rapporto. Una rapida espansione può modificare la composizione dei reparti anche quando nessuna tecnologia sostituisce un lavoratore. Vendite e finanza spesso crescono dopo che una startup sviluppa un'operatività commerciale più ampia.

La composizione delle assunzioni dipende anche da permanenza e promozioni. Se i dipendenti junior restano e avanzano verso fasce superiori, la loro quota può diminuire senza licenziamenti. Le cifre pubblicate non separano pienamente promozioni, uscite e riduzione del reclutamento.

Le prove dello studio sono più solide nel descrivere Anthropic stessa. Le sue implicazioni economiche più ampie restano indicative. I ricercatori non possono assegnare casualmente interi reparti all'adozione di agenti o alla conservazione dei flussi di lavoro precedenti.

Anche le misure di produttività richiedono una lettura attenta. Commit di codice, query, contratti, fatture e accordi catturano l'attività, ma differiscono per qualità e valore economico. La crescita aziendale può inoltre aumentare l'output indipendentemente dall'AI.

Anthropic ha cercato di affrontare questo problema confrontando adottanti e non adottanti negli stessi mesi. Tuttavia, i dipendenti scelgono se e quando adottare. I lavoratori che preparano progetti ambiziosi possono sia adottare agenti sia aumentare l'output per ragioni non correlate.

Gli agenti AI dell'azienda operano inoltre all'interno di sistemi costruiti appositamente per loro. I dipendenti Anthropic creano contesto strutturato, strumenti di monitoraggio, decisioni documentate e processi di revisione. La maggior parte delle organizzazioni dispone di dati frammentati e di un lavoro meno osservabile.

Le evidenze nazionali restano più caute. Uno studio del 2026 basato sui dati del Census Bureau ha rilevato un'adozione dell'AI concentrata nelle imprese grandi e ad alta intensità di conoscenza. Tra gli adottanti, il 57% utilizzava l'AI in tre o meno funzioni, secondo lo studio sull'adozione nelle imprese.

Quel divario conta. Anthropic descrive un'organizzazione riprogettata attorno agli agenti, mentre molte aziende usano ancora l'AI per la scrittura, l'analisi dei documenti e la ricerca. Non si dovrebbe presumere che i loro effetti sulle assunzioni siano identici.

Tuttavia, le evidenze esterne puntano nella stessa direzione generale per i lavoratori più giovani. Ricercatori di Stanford che hanno utilizzato dati sulle buste paga non hanno rilevato un ampio collasso dell'occupazione dovuto all'AI, ma hanno identificato un crescente divario a inizio carriera.

A giugno 2026, i lavoratori tra 22 e 25 anni nelle occupazioni maggiormente esposte erano circa il 19% al di sotto del livello occupazionale atteso sulla base delle professioni meno esposte. L'aggiustamento sembrava avvenire soprattutto attraverso minori assunzioni piuttosto che maggiori separazioni.

I risultati sull'inizio carriera non dimostrano che l'AI generativa abbia causato l'intero divario. Condizioni economiche, cicli di assunzione settoriali e differenze professionali restano possibili fattori contribuenti.

La ricerca sulle startup AI-native offre un altro confronto. Un'analisi della Harvard Business School ha rilevato che tali aziende impiegavano meno persone e mantenevano organizzazioni più piatte rispetto a imprese non-AI simili.

Le startup AI-native erano circa il 25% più piccole nel campione Y Combinator dello studio e il 12% più piccole in un campione più ampio di aziende finanziate da venture capital. Impiegavano inoltre meno lavoratori entry-level.

Le evidenze sulle startup supportano la direzione indicata da Anthropic, ma descrivono un gruppo selezionato di giovani aziende. Non dimostrano che i datori di lavoro consolidati si riorganizzeranno nello stesso modo.

Esistono anche prove credibili che l'AI possa aiutare i lavoratori a inizio carriera ad ampliare le proprie capacità. Un esperimento sul campo randomizzato ha fornito accesso all'AI a 673 apprendisti dell'ultimo anno in ambito information technology, distribuiti in 12 scuole professionali tedesche.

L'AI ha migliorato le prestazioni in compiti che andavano oltre la formazione formale degli apprendisti di 26-31 punti percentuali. L'esperimento non ha rilevato una riduzione immediata della comprensione dei compiti, sebbene i lavoratori con una maggiore alfabetizzazione AI ne abbiano tratto più beneficio.

Quell'esperimento sugli apprendisti complica qualsiasi affermazione secondo cui l'AI renda necessariamente i junior meno preziosi. Nelle condizioni giuste, può ampliare ciò che riescono a realizzare.

La questione irrisolta è la scelta organizzativa. I datori di lavoro possono usare gli agenti per eliminare posizioni junior, oppure per ampliare la portata dei ruoli junior. La tecnologia consente entrambe le strade.

I dati attuali di Anthropic riflettono un laboratorio di frontiera sottoposto a un'intensa pressione per muoversi rapidamente. Dovrebbero essere trattati come un primo caso di studio, non come una legge universale dell'occupazione.

Lo studio proviene inoltre dall'azienda il cui prodotto è al centro dell'analisi. Anthropic ha dichiarato i limiti e dettagliato diversi metodi, ma resta necessaria una replica indipendente.

Un confronto standardizzato tra Anthropic, OpenAI, Google, Meta e aziende software tradizionali sarebbe più informativo. I ricercatori avrebbero bisogno di misure coerenti dell'attività degli agenti, della qualità dell'output, delle assunzioni, delle promozioni e della permanenza dei dipendenti.

Fino ad allora, le affermazioni secondo cui gli agenti abbiano sostituito sei dipendenti per ogni lavoratore vanno oltre le prove. Anthropic ha misurato sei ore di runtime attivo degli agenti per ogni ora lavorativa stimata di un dipendente, non sei posti di lavoro equivalenti a tempo pieno.

Tre segnali mostreranno se il gradino junior continua a ridursi

Il prossimo test sarà verificare se il cambiamento nelle assunzioni di Anthropic persiste, si diffonde ai concorrenti e produce abbastanza lavoratori esperti per un'economia dominata dagli agenti.

Il primo segnale è la composizione delle posizioni tecniche aperte e delle assunzioni di Anthropic stessa. Le cifre più rivelatrici saranno la quota junior negli annunci, nelle nuove assunzioni, nelle promozioni e nei trasferimenti interni.

Se le posizioni tecniche junior aperte rimarranno vicine al 6% mentre l'attività degli agenti cresce, la riprogettazione della forza lavoro apparirà strutturale. Una ripresa degli annunci junior suggerirebbe che il calo attuale rifletteva un aggiustamento temporaneo o un ciclo di assunzioni insolitamente selettivo.

Le promozioni meritano altrettanta attenzione. Anthropic può sostenere per un certo periodo un'organizzazione ricca di esperti assumendo candidati già esperti. Non può dimostrare un modello di talenti durevole a meno che i dipendenti meno esperti continuino ad avanzare all'interno dell'azienda.

Il secondo segnale è una divulgazione comparabile da parte di altri laboratori di frontiera. OpenAI, Google e Meta utilizzano tutte l'AI internamente, ma le loro metriche pubbliche non sono ancora standardizzate.

OpenAI ha descritto un uso di Codex in rapida crescita nelle funzioni di ingegneria e knowledge work. Anthropic ha riferito separatamente che Claude stava guidando parti della ricerca e sviluppo sotto supervisione umana.

Un resoconto indipendente ha rilevato che Anthropic gestiva circa 30.000 agenti di ricerca e ingegneria in agosto. Questa scala rende sempre più importante la rendicontazione tra aziende.

Se i concorrenti riveleranno cali simili nelle assunzioni tecniche junior, Anthropic apparirà come un indicatore anticipatore. Se il loro reclutamento junior resterà stabile, la strategia aziendale spiegherà più delle capacità degli agenti da sole.

Il terzo segnale è se il mercato del lavoro più ampio separerà le occupazioni ad alta automazione da quelle ad alto potenziamento. Il lavoro di Stanford sulle buste paga suggerisce già esiti più deboli dove l'AI sostituisce i compiti.

I dati futuri dovrebbero monitorare se tale divario si amplia oltre i lavoratori tra 22 e 25 anni. Un divario crescente tra i gruppi più anziani sosterrebbe una storia di sostituzione più ampia. Un'occupazione esperta stabile con assunzioni junior deboli indicherebbe una crisi del percorso formativo.

I datori di lavoro dovrebbero anche rivelare cosa sostituisce il tradizionale lavoro entry-level. Apprendistati, rotazioni interne, ambienti di produzione simulati e gestione supervisionata degli agenti potrebbero offrire percorsi alternativi verso l'esperienza.

In assenza di tali percorsi, le aziende affrontano un vincolo ritardato. Potrebbero automatizzare i piccoli incarichi che formano i principianti, per poi scoprire che il giudizio esperto è diventato scarso e costoso.

I lavoratori dovrebbero rispondere agli stessi segnali senza presumere che i fondamentali tecnici non contino più. Gli agenti possono produrre codice, ma le persone restano responsabili dell'architettura, della sicurezza, delle decisioni di prodotto e dei fallimenti che attraversano i confini organizzativi.

La competenza rilevante non è semplicemente utilizzare un'interfaccia AI. È combinare conoscenza del dominio con verifica, gestione del contesto e decisioni chiare. Queste capacità diventano più preziose man mano che l'output delle macchine diventa abbondante.

I team possono sostenere questa transizione mantenendo ricercabili decisioni e materiali di riferimento. Un sistema di conoscenza personale ben curato aiuta i lavoratori a verificare i risultati degli agenti rispetto ai ragionamenti precedenti, invece di accettare risposte fluide prive di contesto.

La forza lavoro di agenti AI di Anthropic offre un'anteprima insolitamente dettagliata di questo contesto. Mostra una produttività più elevata, ruoli più ampi e agenti che lavorano in parallelo in tutta l'azienda. Mostra anche meno posizioni aperte proprio nel punto in cui tradizionalmente iniziano le carriere tecniche.

Nei prossimi mesi, osservate congiuntamente la composizione delle assunzioni, le comunicazioni dei concorrenti e i dati sull'occupazione a inizio carriera. Nessun singolo indicatore può stabilire se gli agenti AI creino posti di lavoro migliori o eliminino i punti di ingresso nelle carriere.

La questione pratica è ormai chiara: le aziende riprogetteranno il lavoro junior abbastanza rapidamente da preservare il percorso da principiante a esperto? I datori di lavoro che adottano gli agenti dovrebbero rendere pubblica la risposta attraverso i dati su assunzioni, formazione e promozioni.