Il boom della spesa per l’IA delle Big Tech non ha prodotto organici stabilmente più ridotti

Google News ha evidenziato una sorprendente inversione di tendenza nelle maggiori aziende tecnologiche statunitensi: tre anni di campagne per l’efficienza non hanno prodotto organici stabilmente più ridotti.

Google, Amazon, Meta e Microsoft hanno tagliato complessivamente circa 100.000 posti di lavoro dopo le massicce assunzioni della pandemia. Eppure, l’occupazione complessiva e i costi legati al personale hanno resistito al calo costante promesso dalle previsioni più roboanti sull’IA.

Il conflitto non riguarda semplicemente esseri umani contro macchine. Riguarda la promessa del management di aziende snelle e automatizzate contrapposta alla costosa realtà della costruzione, gestione e vendita di prodotti IA.

Le aziende stanno generando più ricavi, investendo pesantemente nelle infrastrutture e riorganizzando i team attorno all’intelligenza artificiale. Stanno anche scoprendo che i sistemi IA richiedono ingegneri, venditori, specialisti della sicurezza, product manager e revisori umani.

Questo rende l’inversione più importante di un’altra tornata di assunzioni o licenziamenti. Le Big Tech non stanno eliminando il lavoro in linea retta. Stanno cambiando quali lavoratori ricevono investimenti, quali ruoli perdono prestigio e quanta incertezza devono assorbire i dipendenti.

Il grafico dietro l’inversione delle Big Tech

Le Big Tech hanno ridotto l’organico dopo il 2022, ma la forza lavoro non ha continuato a diminuire con l’accelerazione degli investimenti nell’IA.

Un’analisi degli organici del Washington Post ha esaminato le comunicazioni sull’occupazione e i dati finanziari di Amazon, Google, Meta e Microsoft. Il suo grafico ha colto un andamento che i singoli annunci di licenziamenti avevano nascosto.

Le quattro aziende si sono espanse rapidamente durante la pandemia. I servizi digitali sono diventati essenziali, la pubblicità online è cresciuta e i dirigenti si sono preparati a cambiamenti duraturi nel comportamento dei consumatori.

Quella previsione si è rivelata troppo ottimistica. La crescita si è normalizzata, i prestiti sono diventati più costosi e gli investitori hanno iniziato a chiedere maggiore efficienza.

I dirigenti hanno risposto con licenziamenti, strutture manageriali più piatte e criteri di performance più severi. Secondo l’analisi del Post, dopo l’arrivo dei vaccini contro il coronavirus le quattro aziende hanno eliminato collettivamente circa 100.000 posti di lavoro.

La fase successiva prevista sembrava lineare. L’IA generativa avrebbe automatizzato più attività, la produttività sarebbe aumentata e le aziende tecnologiche avrebbero prodotto di più con meno dipendenti.

Quella progressione lineare non si è mai manifestata.

Amazon, Google e Meta insieme impiegano oggi approssimativamente tante persone quante ne avevano al picco delle assunzioni del 2022. Anche i costi del lavoro hanno ricominciato a salire, mentre le aziende competevano per competenze IA scarse.

Microsoft ha seguito un andamento simile. Il suo organico è diminuito dopo importanti riduzioni, ma l’azienda ha continuato ad assumere per infrastrutture cloud, cybersecurity, ricerca sull’IA e attività di implementazione presso i clienti.

La spesa per ricerca e sviluppo aggiunge un ulteriore livello. Secondo la stessa analisi, in Google, Meta e Amazon le spese di ricerca hanno assorbito una quota di ricavi maggiore rispetto al 2022. Microsoft ha registrato un andamento leggermente diverso, ma i suoi impegni complessivi nell’IA sono rimasti enormi.

Queste spese includono più della retribuzione dei dipendenti. Coprono anche attrezzature, strutture, software e servizi esterni. Tuttavia, mettono in discussione l’idea che l’IA trasformi automaticamente le operazioni tecniche in attività meno costose.

Il grafico non dimostra che l’automazione abbia fallito. Mostra che la transizione ha richiesto sostituzioni, sperimentazione ed espansione costose.

Le aziende possono eliminare un team mentre ne costruiscono un altro. Possono automatizzare la programmazione di routine assumendo al contempo specialisti per valutare i modelli, proteggere l’infrastruttura e integrare gli strumenti nei sistemi dei clienti.

Questa distinzione conta ogni volta che Google News si riempie di notizie su un altro licenziamento nel settore tecnologico. Una riduzione indica chi se ne va oggi. Non rivela le dimensioni o la composizione finali dell’azienda.

L’inversione è quindi strutturale, non sentimentale. Le Big Tech non si sono semplicemente pentite di aver tagliato lavoratori. I loro leader hanno scoperto che l’IA modifica la domanda di lavoro prima di ridurla in modo affidabile.

I titoli di Google News nascondono un cambiamento molto più ampio nella spesa

I licenziamenti suggeriscono austerità, ma la spesa in conto capitale rivela aziende che reindirizzano risorse verso una costruzione di capacità di calcolo insolitamente costosa.

Secondo l’analisi di maggio del Post, i quattro giganti tecnologici avevano pianificato oltre 700 miliardi di dollari di spese in conto capitale annue complessive. Gran parte di questi investimenti sostiene data center per l’IA, apparecchiature di rete, chip, edifici e infrastrutture energetiche.

Questa cifra cambia il modo in cui dovrebbero essere interpretati i licenziamenti. Un’azienda può ridurre il costo del personale aumentando al contempo la propria base di costi complessiva. Può anche presentare la riduzione come automazione quando la pressione immediata deriva dalla spesa per le infrastrutture.

I modelli IA richiedono un’enorme capacità di calcolo durante l’addestramento e il normale funzionamento. Servire milioni di utenti richiede inoltre data center, reti, raffreddamento, elettricità e team tecnici specializzati.

Queste spese arrivano prima che le aziende sappiano quali servizi genereranno ritorni duraturi. Il risultato è una pressione a tagliare funzioni consolidate proteggendo al contempo programmi IA speculativi.

Alcuni licenziamenti riflettono senza dubbio l’automazione. Un assistente di programmazione può gestire codice standard, un sistema di assistenza può rispondere a domande di routine e una piattaforma pubblicitaria può generare materiali di base per le campagne.

Tuttavia, i dirigenti spesso descrivono diversi motivi insieme. Citano riorganizzazioni, crescita più lenta, livelli manageriali duplicati, priorità in cambiamento ed efficienza abilitata dall’IA.

Questa ambiguità rende quasi impossibile un semplice conteggio dell’automazione. Un posto eliminato durante un ciclo di investimenti nell’IA non è necessariamente un posto svolto da un modello.

Marc Andreessen, direttore di Meta e investitore di venture capital, ha sostenuto che le aziende talvolta usano l’IA come spiegazione comoda per riorganizzazioni convenzionali. Sam Altman, amministratore delegato di OpenAI, ha avanzato una critica simile alla tendenza ad attribuire automaticamente ogni licenziamento alla tecnologia.

L’affermazione merita attenzione perché le aziende hanno forti incentivi a sottolineare l’efficienza. In genere gli investitori premiano le prove che un’elevata spesa per l’IA produrrà costi operativi inferiori o una crescita più rapida dei ricavi.

Definire una riduzione “guidata dall’IA” può quindi veicolare due messaggi. Dice agli investitori che il management è disciplinato, mentre dice ai dipendenti rimasti che l’automazione è inevitabile.

I dati finanziari restano più complessi. Le retribuzioni tecniche sono costose, i principali ricercatori IA sono contesi intensamente e i nuovi prodotti richiedono funzioni commerciali e di supporto.

I data center hanno inoltre bisogno di persone al di là dei team software. Le aziende necessitano di operai edili, specialisti elettrici, ingegneri di rete, personale addetto alla sicurezza, tecnici e pianificatori energetici.

Alcune di queste posizioni si trovano al di fuori delle aziende tecnologiche stesse. Appaltatori e fornitori possono espandersi anche quando il cliente riporta un numero di dipendenti più stabile.

Questo movimento rende l’organico aziendale una misura incompleta. Può non includere lavoro esternalizzato, lavoro temporaneo, consulenti e dipendenti assunti da partner infrastrutturali.

Il cambiamento nella spesa spiega anche perché le organizzazioni possano apparire più snelle senza diventare più semplici. Meno livelli manageriali possono lasciare ai lavoratori rimanenti la responsabilità di più sistemi, fornitori e processi automatizzati.

I lavoratori diventano quindi supervisori delle macchine anziché produttori diretti. Devono verificare gli output, correggere gli errori, documentare i fallimenti e decidere quando un’attività richiede giudizio umano.

Queste responsabilità raramente compaiono in una dimostrazione dell’IA. Diventano visibili solo quando il sistema entra in un flusso di lavoro reale, con scadenze, normative, aspettative dei clienti e requisiti di sicurezza.

Ecco perché il budget di capitale di un’azienda può raccontare una storia più utile di un singolo titolo sui licenziamenti. Il denaro rivela dove il management si aspetta la crescita futura, anche quando non può ancora descrivere l’organico finale.

Le promesse di efficienza si scontrano con la realtà della forza lavoro

La sfida centrale è tra la promessa di un’efficienza permanente del lavoro e la continua necessità di attività umane specializzate.

Durante il primo boom dell’IA generativa, i dirigenti hanno spesso descritto i modelli come un ampio livello di produttività. I dipendenti avrebbero completato più lavoro, i team sarebbero diventati più piccoli e le organizzazioni si sarebbero mosse più rapidamente.

Quelle dichiarazioni raggruppavano diversi esiti. La produttività può aumentare senza ridurre l’occupazione. Un’azienda potrebbe usare il tempo risparmiato per produrre più funzionalità, servire più clienti o entrare in nuovi mercati.

Le aziende tecnologiche hanno forti ragioni per scegliere l’espansione. Il software ha spesso costi di distribuzione bassi, quindi una maggiore produzione ingegneristica può sostenere ricavi aggiuntivi.

Mark Mahaney, analista di Evercore ISI, ha detto al Post di aspettarsi che le principali aziende tecnologiche continuino ad aumentare l’organico. Il suo ragionamento era che sviluppatori più produttivi possono perseguire più progetti capaci di generare ricavi.

Questo è il classico problema del rimbalzo nell’automazione. Quando una risorsa diventa più produttiva, le aziende non ne consumano sempre meno. Talvolta ne aumentano l’uso perché nuove attività diventano economicamente attraenti.

Gli strumenti IA per la programmazione illustrano il meccanismo. Un assistente può redigere test, riassumere codice sconosciuto o proporre un’implementazione. Questo può abbreviare alcune fasi dello sviluppo.

Tuttavia, una generazione del codice più rapida può produrre più codice da revisionare. Può anche aumentare il numero di prototipi, integrazioni e obblighi di manutenzione.

Uno sviluppatore deve comunque valutare architettura, sicurezza, prestazioni e le ipotesi incorporate nell’output generato. Questo lavoro diventa più importante quando i sistemi di produzione incidono sui clienti o su informazioni sensibili.

Lo stesso schema appare nel servizio clienti. Un agente automatizzato può classificare le richieste e rispondere a domande prevedibili. Contestazioni di fatturazione complesse, problemi di sicurezza e insoliti problemi relativi agli account richiedono comunque un’escalation.

I team di vendita incontrano un altro limite. L’IA può redigere messaggi di contatto e riassumere gli account, ma gli acquisti aziendali dipendono da fiducia, negoziazione, revisioni della conformità e dinamiche politiche organizzative.

Questo non significa che ogni ruolo sostituito ritorni. Le aziende possono eliminare in modo permanente attività ristrette, ridurre le opportunità per i profili junior o spostare il lavoro verso appaltatori a costo inferiore.

Significa però che “l’IA ha sostituito il lavoro” è spesso un’affermazione incompleta. Il lavoro può essersi spostato, frammentato o essere tornato in una diversa categoria professionale.

Google offre un esempio utile perché opera su entrambi i lati della transizione. Sviluppa modelli e infrastrutture, integrando al contempo l’IA nella ricerca, nella pubblicità, nel software per la produttività e nei servizi cloud.

Questi prodotti creano opportunità di automazione per i team interni di Google. Creano anche domanda di ingegneri, ricercatori, specialisti delle vendite, valutatori della sicurezza e assistenza clienti.

Meta affronta una contraddizione simile. I suoi dirigenti hanno sottolineato operazioni più snelle impegnandosi al contempo in modo massiccio su modelli, sistemi di raccomandazione, automazione pubblicitaria e infrastrutture di calcolo.

Amazon può automatizzare processi nei magazzini, nel retail e nelle attività aziendali. Allo stesso tempo, la sua divisione cloud deve costruire capacità e aiutare i clienti a implementare sistemi IA complessi.

Microsoft vende automazione del lavoro tramite Copilot e servizi di modelli tramite Azure. Ha comunque bisogno di persone per proteggere le implementazioni, supportare i clienti aziendali e gestire infrastrutture globali.

Le aziende non stanno tutte procedendo verso un’unica organizzazione ideale. Ognuna sta conducendo molteplici esperimenti sul lavoro nelle diverse unità aziendali.

Ecco perché l'interpretazione più solida non è che gli esseri umani abbiano sconfitto l'AI. Le prove indicano invece una transizione dalla crescita occupazionale generalizzata a un'assunzione selettiva e continuamente rivalutata.

I vincitori probabilmente includeranno persone capaci di definire i problemi, validare il lavoro automatizzato e collegare i modelli ai sistemi aziendali reali. I lavoratori concentrati su attività produttive standardizzate subiscono una pressione maggiore.

Per i knowledge worker, conservare il contesto diventa particolarmente prezioso. Strumenti come una base di conoscenza personale possono preservare decisioni, fonti e cronologia dei progetti che i modelli generici non possiedono.

Questo contesto non garantisce la sicurezza del posto di lavoro. Rende però più facile dimostrare il giudizio umano quando le organizzazioni misurano l'output anziché lo sforzo visibile.

L'inversione non significa che il ciclo dei licenziamenti sia terminato

Un organico complessivamente stabile può coesistere con gravi perdite di posti di lavoro, minore potere contrattuale e un mercato più duro per i singoli lavoratori.

Un totale aziendale tratta ogni dipendente come intercambiabile. I lavoratori vivono i licenziamenti in base al ruolo, alla sede, al livello di esperienza, allo status di immigrazione e alla retribuzione.

Un'azienda può eliminare migliaia di posizioni generiche nel software assumendo al contempo un numero minore di ricercatori sui modelli. L'organico risultante può apparire stabile, anche se la struttura delle opportunità è cambiata radicalmente.

L'impatto è particolarmente forte per i lavoratori junior. I ruoli entry-level consentono tradizionalmente ai dipendenti di apprendere attraverso documentazione, test, programmazione di routine, ricerca e supporto operativo.

Sono anche attività che i sistemi generativi possono svolgere parzialmente. I manager potrebbero eliminare le posizioni junior prima di stabilire in che modo i futuri lavoratori senior acquisiranno esperienza.

Una conseguenza ritardata potrebbe emergere anni dopo. Le aziende che smettono di formare i lavoratori a inizio carriera potrebbero infine trovarsi di fronte a una carenza di persone capaci di revisionare sistemi complessi.

Il mercato del lavoro è già diventato meno indulgente. Il Post ha riportato separatamente una diffusa insicurezza dei lavoratori tra gli esperti dipendenti della Silicon Valley.

Quel reportage citava oltre 800.000 licenziamenti tecnologici annunciati dal 2022, sulla base del monitoraggio di Layoffs.fyi. Il conteggio include riduzioni in aziende, Paesi e condizioni aziendali differenti.

I tagli annunciati non forniscono una misurazione controllata della sostituzione causata dall'AI. Mostrano però quanto frequentemente i lavoratori tecnologici abbiano affrontato riorganizzazioni aziendali.

Il mercato statunitense più ampio offre un necessario contrappeso. Il rapporto sull'occupazione di giugno 2026 contava 162,3 milioni di persone occupate e un tasso di disoccupazione del 4,2%.

L'occupazione nel settore dell'informazione è cambiata poco in diversi rapporti recenti prima di diminuire di 9.000 posizioni a giugno. I servizi professionali e alle imprese hanno aggiunto 36.000 posizioni quel mese.

Queste categorie sono ampie. Il settore dell'informazione include media e telecomunicazioni, mentre i servizi professionali comprendono molti lavori esterni alle principali piattaforme tecnologiche.

Le cifre nazionali non possono quindi confermare né escludere un effetto dell'AI in specifiche professioni. Mostrano perché i licenziamenti nelle Big Tech non dovrebbero essere considerati un indicatore diretto dell'intera economia.

Un'altra incertezza riguarda l'output. Gad Levanon, capo economista del Burning Glass Institute, ha detto al Post che le ore nel settore dell'informazione sono diminuite dopo il 2022, mentre l'output è cresciuto di circa l'8% annuo.

Questo andamento è coerente con una maggiore produttività, ma non ne isola la causa. Composizione del settore, prezzi, investimenti di capitale, outsourcing e domanda possono tutti influenzare l'output per ora.

Anche l'adozione dell'AI è disomogenea. Un modello che fa risparmiare tempo a uno sviluppatore può creare lavoro aggiuntivo per un altro, perché codebase, complessità delle attività e standard di revisione differiscono.

Anneke Buffone, ex dipendente di Meta, ha descritto di aver dovuto rifare lavoro AI pieno di errori nonostante la pressione dei manager a continuare a usare il sistema. Il suo racconto illustra un rischio nascosto dalle metriche di adozione.

Una dashboard può mostrare che un dipendente ha aperto un assistente AI o generato molti suggerimenti. Non può stabilire che il lavoro finale sia diventato più accurato o prezioso.

Questa distinzione è importante mentre i datori di lavoro incorporano l'uso dell'AI nelle valutazioni delle prestazioni. Misurare l'attività degli strumenti può premiare un consumo visibile anziché un giudizio solido.

La visione scettica non è quindi che l'AI non offra guadagni di produttività. È che le aziende non dispongono di un metodo coerente per separare l'automazione utile dal lavoro di verifica trasferito.

Anche i conteggi da titolo possono creare la stessa distorsione. Un flusso di storie di Google News sui licenziamenti potrebbe suggerire una sostituzione rapida, mentre l'organico aggregato indica solo una contrazione moderata.

È possibile anche la distorsione opposta. Un annuncio di assunzioni può sembrare rassicurante anche se l'azienda sta reclutando solo per un ristretto insieme di posizioni specialistiche.

I lavoratori dovrebbero leggere entrambi i tipi di annuncio come segnali di allocazione. Rivelano ciò che il management valuta al momento, non una risposta definitiva sul bisogno di persone nel lungo periodo.

L'AI sta cambiando più la composizione del lavoro che il numero dei posti

L'effetto più chiaro nel breve periodo è una redistribuzione occupazionale, con risorse che si spostano verso infrastruttura, deployment, sicurezza e ruoli adiacenti all'AI.

I dirigenti discutono spesso dell'automazione come se un'azienda contenesse un unico bacino di lavoro. In pratica, le grandi organizzazioni comprendono migliaia di flussi di lavoro con vincoli tecnici, legali e commerciali differenti.

Alcuni flussi di lavoro sono altamente strutturati. Hanno input chiari, output prevedibili e abbastanza esempi per valutare le prestazioni.

Questi sono obiettivi attraenti per l'automazione. Classificazione dei documenti, traduzione di base del codice, risposte standard ai clienti e analisi ripetitive possono rientrare in questo schema.

Altri flussi di lavoro dipendono da informazioni incomplete. Richiedono negoziazione, responsabilità, accesso fisico, memoria istituzionale o comprensione di conseguenze insolite.

L'AI può assistere in queste attività senza esserne titolare. Un essere umano resta responsabile di decidere se l'output sia adatto alla situazione.

Questo crea domanda di lavoro di integrazione. Le aziende hanno bisogno di dipendenti capaci di riprogettare i processi attorno ai modelli, stabilire punti di controllo e definire quando l'automazione deve fermarsi.

Hanno bisogno anche di valutazione. La valutazione dei modelli è il test sistematico dell'accuratezza, della sicurezza e del comportamento di un sistema in condizioni realistiche.

Un benchmark impressionante non garantisce prestazioni affidabili nell'ambiente dei dati privati di un'azienda. Terminologia interna, controlli di accesso e documenti obsoleti possono alterare i risultati.

La domanda di sicurezza cresce per la stessa ragione. I sistemi AI possono esporre informazioni riservate, accettare istruzioni dannose o agire tramite strumenti con autorizzazioni eccessive.

I team legali e di compliance devono stabilire come i modelli interagiscano con le norme sulla privacy, la proprietà intellettuale, il diritto del lavoro e i requisiti specifici del settore.

I fornitori cloud ottengono lavoro da questa complessità. I clienti hanno bisogno di capacità di calcolo, ma anche di indicazioni architetturali, supporto alla migrazione, monitoraggio e controlli dei costi.

L'infrastruttura stessa produce un'altra catena occupazionale. I data center richiedono costruzione, generazione di energia, manutenzione, networking e sicurezza fisica.

Questi lavori non sono sostituti per ogni designer, recruiter o programmatore spiazzato. Geografia, credenziali e condizioni di lavoro possono impedire una transizione agevole.

Questa discrepanza aiuta a spiegare perché la crescita aziendale possa coesistere con difficoltà individuali. Nuovi posti di lavoro possono apparire in luoghi diversi e richiedere esperienze differenti.

Anche all'interno dei team software le aspettative stanno cambiando. I datori di lavoro desiderano sempre più ingegneri capaci di supervisionare il codice generato e comprendere il sistema nel suo insieme.

Questa combinazione favorisce l'esperienza. I dipendenti senior possiedono spesso il contesto necessario per individuare un output plausibile ma pericoloso.

Tuttavia, i lavoratori esperti non sono protetti automaticamente. Retribuzioni elevate possono renderli bersagli durante le riduzioni dei costi, specialmente quando i dirigenti ritengono che team più piccoli possano usare l'AI.

I knowledge worker possono rispondere documentando il ragionamento alla base del lavoro importante. Un secondo cervello ricercabile può aiutare a collegare decisioni, prove e risultati tra progetti.

L'obiettivo non è generare più testo. È preservare il contesto che permette a una persona di cogliere l'errore sicuro di sé di un sistema automatizzato.

Le aziende devono risolvere un problema gestionale correlato. Se rimuovono troppa conoscenza istituzionale, i nuovi sistemi AI potrebbero addestrarsi o recuperare informazioni da archivi interni incompleti.

L'automazione amplifica quindi l'amnesia organizzativa. I team possono produrre risposte più rapidamente senza sapere perché siano state prese decisioni precedenti.

Questo rende la gestione della conoscenza una funzione operativa anziché una preferenza personale. Il dipendente capace di ricostruire una catena decisionale può evitare costose ripetizioni.

La nuova composizione del lavoro includerà comunque spiazzamenti. La produzione di contenuti di routine, l'analisi di base e il supporto standardizzato subiscono una pressione persistente.

Tuttavia, l'organizzazione emergente non appare priva di lavoratori. Appare più polarizzata tra produzione commoditizzata e giudizio ad alta responsabilità.

Questo esito potrebbe deludere entrambi gli estremi del dibattito sull'AI. La tecnologia non preserva ogni ruolo né elimina il bisogno di organizzazioni umane complesse.

Cosa dovrebbero osservare i lettori di Google News

Tre segnali concreti mostreranno se l'inversione delle Big Tech diventerà un'assunzione sostenuta, un'altra pausa temporanea o una contrazione occupazionale più profonda.

Il primo segnale sono le prossime comunicazioni finanziarie delle aziende. Organico, spesa per la ricerca e spese in conto capitale dovrebbero essere valutati insieme.

Un aumento dell'occupazione insieme a maggiori ricavi dall'AI sosterrebbe la tesi dell'aumento delle capacità. Suggerirebbe che i modelli rendono i lavoratori più produttivi, creando al contempo domanda sufficiente a giustificare ulteriori assunzioni.

Un calo dell'organico accompagnato da output stabile rafforzerebbe la tesi dell'automazione. Indicherebbe che le aziende stanno imparando a gestire servizi AI con meno dipendenti.

Un risultato misto resta il più probabile tra le singole unità aziendali. I gruppi cloud e infrastrutturali possono espandersi mentre i team di recruiting, supporto o prodotti consumer si contraggono.

Il secondo segnale è la composizione delle posizioni aperte. I totali dei posti contano meno dei ruoli, dei livelli di esperienza e delle sedi a essi associati.

Un ampio ritorno di posizioni entry-level nell'ingegneria, nel prodotto, nelle vendite e nelle operazioni indicherebbe fiducia nel fatto che la capacità umana continui a sostenere la crescita.

Assunzioni concentrate tra ricercatori d'élite e specialisti dei data center racconterebbero una storia diversa. Suggerirebbero che l'investimento rimane ristretto mentre il più ampio mercato dei colletti bianchi resta vincolato.

I lettori dovrebbero inoltre osservare se le aziende riempiono nuovamente i ruoli eliminati durante le recenti ristrutturazioni. Il reintegro indebolirebbe le affermazioni secondo cui quelle riduzioni riflettevano un'automazione permanente.

Il terzo segnale è la produttività misurata dei sistemi implementati. Le aziende hanno bisogno di prove che l'AI migliori il lavoro completato, non soltanto l'uso degli strumenti o l'output generato.

Indicatori utili includono cicli di prodotto più brevi, minori tempi di risoluzione del supporto, tassi di errore ridotti, margini cloud più solidi e adozione dei clienti misurabile.

Le prove devono tenere conto del lavoro di revisione. Un sistema che redige rapidamente il lavoro ma richiede ampie correzioni ha trasferito lo sforzo anziché eliminarlo.

I dati sul lavoro di luglio, la cui pubblicazione è prevista dopo la data di pubblicazione di questo articolo, aggiungeranno un contesto più ampio. Nessun singolo rapporto mensile può risolvere il dibattito sull'occupazione legato all'AI.

I lettori dovrebbero confrontare diversi mesi e distinguere il settore dell'informazione dai servizi professionali e dall'economia nel suo complesso. Anche le revisioni sono importanti, perché le prime stime sui salari spesso cambiano.

La lezione più ampia è già evidente. Licenziamenti, assunzioni, investimenti e automazione avvengono contemporaneamente nelle stesse aziende.

Google, Meta, Amazon e Microsoft non stanno seguendo un percorso lineare verso organizzazioni più piccole. Stanno verificando quanto giudizio umano richiedano le loro attività di AI in espansione.

Questa verifica crea un contesto difficile per i lavoratori. Un ruolo può essere prezioso oggi, parzialmente automatizzato domani e nuovamente riprogettato dopo un'implementazione non riuscita.

Crea anche un'opportunità per misurazioni migliori. I dirigenti dovrebbero indicare quali guadagni di produttività derivano dall'automazione, dalla riorganizzazione, dall'esternalizzazione o da variazioni della domanda.

Senza questi dettagli, ogni decisione sulla forza lavoro diventa un'occasione per narrazioni contrapposte. Gli ottimisti la chiamano efficienza, i critici austerità e i dipendenti ricevono ben poca chiarezza.

Il grafico alla base del titolo di Google News chiarisce parte di questa confusione. Le Big Tech hanno promesso che operazioni snelle e AI avrebbero ridotto stabilmente l'occupazione.

Finora, le aziende hanno tagliato in modo aggressivo, speso in modo ancora più aggressivo e sono tornate a livelli di organico approssimativamente familiari. Le loro forze lavoro sono cambiate più rapidamente del loro fabbisogno complessivo di manodopera.

La prossima domanda non è se l'AI possa svolgere lavoro utile. È evidente che può farlo. La domanda è se queste capacità riducano la domanda totale di lavoro dopo che le aziende reinvestono la produttività ottenuta.

Osservate le comunicazioni regolamentari, l'effettiva composizione dei ruoli e i risultati misurati nel prossimo trimestre. Questi segnali riveleranno più di un'altra previsione sicura su un futuro automatizzato.

Per i lavoratori, l'azione immediata è altrettanto concreta. Monitorate quali attività il vostro datore di lavoro automatizza, documentate dove la revisione umana modifica i risultati e conservate il contesto alla base delle vostre decisioni. Per gli acquirenti aziendali, chiedete prove che coprano accuratezza, supervisione e costi operativi totali. Quando il prossimo titolo di Google News annuncerà un'altra inversione nelle assunzioni o una nuova ondata di licenziamenti, confrontatelo con questi tre segnali prima di accettarne la spiegazione. I numeri delle Big Tech mostrano ormai che l'adozione dell'AI non è una marcia a senso unico verso un minor numero di dipendenti. È una rinegoziazione continua di quali persone servono alle aziende, di quanto vale il giudizio umano e di chi si assume il rischio quando la tecnologia non è all'altezza.