La scommessa da 100 milioni di dollari della Rockefeller Foundation sui posti di lavoro AI mette alla prova i governi locali
La Rockefeller Foundation ha destinato 100 milioni di dollari a una strategia per l’occupazione modellata in parte dalle trasformazioni causate dall’AI, ma il solo finanziamento non ne determinerà la portata. Il titolo di google news rimanda a una storia più complessa. Le agenzie statali e locali dovranno trasformare sperimentazioni frammentate sulla forza lavoro in programmi utilizzati dai datori di lavoro e accessibili ai lavoratori.
Denominata Big Bet on Good Jobs for America, l’iniziativa triennale si rivolge alle comunità con occupazione debole o alta esposizione al cambiamento tecnologico. La fondazione intende sostenere nel tempo circa 1,6 milioni di posti di lavoro aggiuntivi in circa 250 località. Prevede inoltre che i conseguenti miglioramenti economici locali vadano a beneficio di un numero compreso tra 10 e 20 milioni di persone.
Questi obiettivi mettono l’iniziativa in tensione con il sistema frammentato che mira a migliorare. Consigli locali per la forza lavoro, community college, datori di lavoro, agenzie statali e fornitori di servizi operano spesso secondo regole diverse. Il programma rappresenta quindi più di una risposta filantropica alla perdita di posti di lavoro. È una prova della possibilità che la sperimentazione locale diventi politica pubblica duratura prima che l’AI trasformi nuovamente il mercato del lavoro.
Cosa cambia davvero la strategia occupazionale da 100 milioni di dollari
La Rockefeller Foundation sta finanziando un percorso che porta dalle sperimentazioni locali sulla forza lavoro a politiche capaci di operare oltre la filantropia.
La fondazione ha annunciato il proprio impegno il 21 aprile 2026. Il suo focus iniziale comprende assistenza sanitaria, economia della cura, energia, sistemi alimentari e industrie abilitate dall’AI. Questi settori combinano una domanda di lavoro persistente con una significativa esposizione ai cambiamenti tecnologici e demografici.
Il denaro non finanzierà semplicemente un unico programma nazionale di formazione. La strategia per l’occupazione prevede di sperimentare programmi in singole comunità, adattare i modelli di successo e integrarli nelle politiche pubbliche. Strumenti di finanziamento e pratiche dei datori di lavoro fanno anch’essi parte di quest’ultima fase.
Questa struttura assegna alle agenzie statali e locali diversi ruoli potenziali. Possono individuare carenze di manodopera, coordinare i fornitori di formazione, rimuovere ostacoli alle licenze professionali e collegare i residenti ai servizi di supporto. Possono inoltre utilizzare appalti, sovvenzioni e programmi di sviluppo economico per incoraggiare la partecipazione dei datori di lavoro.
L’assistenza all’infanzia illustra perché conta il sistema nel suo insieme. Un lavoratore può completare un corso di formazione e restare comunque impossibilitato ad accettare un impiego senza un servizio di cura affidabile. Le norme sulle credenziali possono creare un altro ostacolo quando le competenze acquisite in un programma non soddisfano i requisiti di un datore di lavoro o di un organismo di autorizzazione.
La strategia riconosce questi ostacoli come parte della politica della forza lavoro, non come problemi sociali estranei. Questa distinzione è importante perché molti programmi di formazione misurano le iscrizioni o il completamento. Nessuna delle due metriche dimostra che i partecipanti abbiano ottenuto posti di lavoro stabili con condizioni ragionevoli.
La fondazione prevede di collaborare con partner pubblici, privati e filantropici. Vuole che questi partner contribuiscano con risorse aggiuntive e, alla fine, portino avanti gli approcci di successo senza un sostegno filantropico permanente. Ciò rende l’adozione istituzionale una misura centrale del successo.
Il programma differisce inoltre da un tentativo diretto di creare ovunque posti di lavoro tecnologici. Include industrie abilitate dall’AI, ma il suo obiettivo più ampio è collegare le persone a un buon lavoro durante il cambiamento economico. Un percorso nell’assistenza sanitaria può quindi rientrare nell’iniziativa anche se il ruolo comporta poco lavoro con l’AI.
Secondo i dettagli iniziali del programma, la fondazione prevede di iniziare con circa 20-30 comunità. Non selezionerà in anticipo tutte le 250 località previste. Le lacune del mercato del lavoro e la domanda dei datori di lavoro contribuiranno a determinare dove si svolgerà il lavoro iniziale.
Questo approccio graduale impone una disciplina utile. I programmi devono produrre evidenze prima che la fondazione li estenda ad altre comunità. Crea anche il rischio che i progetti pilota di successo dipendano da leader locali eccezionali o da sussidi temporanei.
Le agenzie statali e locali si trovano nel punto in cui questa differenza diventa visibile. Possono mostrare se un modello si adatta ai budget, alle regole e alla capacità amministrativa esistenti. La loro partecipazione può anche far emergere costi che un progetto pilota di breve durata non rileva.
Ecco perché la storia va oltre una singola notizia di google news su un grande impegno finanziario. Il cambiamento importante è il meccanismo di attuazione proposto. La sperimentazione locale dovrebbe diventare un percorso verso politiche, finanziamenti e comportamenti dei datori di lavoro.
La domanda successiva è se tale meccanismo corrisponda alla velocità e alla distribuzione disomogenea delle trasformazioni del lavoro legate all’AI.
Perché la pressione dell’AI raggiunge le comunità in modo disomogeneo
L’AI non colpisce ogni lavoratore o economia locale allo stesso ritmo, rendendo le medie nazionali una guida debole per gli interventi.
La Rockefeller Foundation afferma che la sua strategia darà priorità ai luoghi in cui i residenti sono già esclusi dal lavoro. Prenderà inoltre in considerazione le comunità vulnerabili all’AI e ad altri cambiamenti strutturali. Queste condizioni spesso si sovrappongono, ma non sono identiche.
Una regione può avere una bassa disoccupazione mentre alcuni lavoratori subiscono una forte pressione. Dipendenti amministrativi, addetti al supporto clienti, analisti junior e altre professioni con molte attività ripetitive possono vedere cambiare le aspettative prima che i licenziamenti compaiano nei dati ufficiali. I datori di lavoro possono dapprima ridurre le assunzioni, accorpare i ruoli o lasciare posti vacanti non coperti.
Può verificarsi anche il contrario. Una comunità in difficoltà può avere pochi posti di lavoro che gli attuali sistemi di AI sono in grado di automatizzare direttamente. I suoi problemi principali potrebbero riguardare trasporti, assistenza all’infanzia, salute, istruzione o una domanda limitata da parte dei datori di lavoro. Un programma di formazione presentato come legato all’AI non risolverebbe tali vincoli.
Più di 50 milioni di americani vivono in comunità classificate come in difficoltà dall’Economic Innovation Group. La sua ricerca sulle comunità esamina differenze in occupazione, reddito, povertà, abitazioni sfitte e creazione di imprese. Tali indicatori aiutano a spiegare perché lo stesso cambiamento tecnologico produca risultati locali diversi.
La fondazione ha inoltre citato il calo della fiducia tra i lavoratori. Un indicatore Gallup ha rilevato che il 28% dei lavoratori era soddisfatto delle opportunità di avanzare grazie al duro lavoro alla fine del 2025. Secondo il riepilogo della fondazione dei risultati sul luogo di lavoro, il dato era sceso dal 46% dell’anno precedente.
Queste cifre non dimostrano che l’AI abbia causato il calo. Anche i costi abitativi, l’inflazione, le condizioni di assunzione e le aspettative sul lavoro possono influenzare la fiducia. Mostrano però che una grande iniziativa per l’occupazione entra in un contesto in cui molti lavoratori già dubitano delle tradizionali vie di avanzamento.
L’AI aggiunge pressione perché modifica le attività più rapidamente di quanto cambino molte classificazioni professionali. Un lavoro può mantenere il proprio titolo mentre il software assorbe ricerca, redazione, pianificazione o analisi di base. I lavoratori hanno quindi bisogno di competenze diverse anche quando la professione sembra ancora stabile.
Ciò crea un problema di dati per i governi. Le richieste di indennità di disoccupazione arrivano dopo lo spostamento occupazionale. Le offerte di lavoro possono mostrare prima l’evoluzione dei requisiti di competenza, ma non sempre corrispondono a vere assunzioni. I sondaggi tra i datori di lavoro forniscono contesto, anche se le organizzazioni più piccole possono essere difficili da raggiungere.
Le agenzie locali possono combinare questi segnali con conoscenze che i dataset nazionali non colgono. I community college sanno quali programmi perdono studenti. I consigli per la forza lavoro sentono quali qualifiche i datori di lavoro rifiutano. Gli uffici dei sussidi possono rilevare cambiamenti tra i residenti che chiedono assistenza.
Questo ruolo informativo è prezioso solo quando le agenzie possono condividere i risultati in modo sicuro e coerente. I sistemi frammentati utilizzano spesso definizioni diverse per partecipazione, completamento, inserimento e mantenimento del posto di lavoro. I confronti diventano inaffidabili quando ogni programma conta i risultati in modo diverso.
Il programma avrà quindi bisogno di un quadro comune di misurazione. Dovrebbe distinguere una posizione di nuova creazione da un lavoratore che passa tra posti di lavoro esistenti. Dovrebbe inoltre separare gli inserimenti temporanei dall’occupazione che prosegue oltre un sussidio iniziale.
La crescita salariale conta, ma non può essere l’unico criterio. Orario, benefit, stabilità degli orari, possibilità di avanzamento e controllo da parte del lavoratore aiutano a determinare se una posizione meriti l’etichetta di “buon lavoro”. Anche il costo della vita locale può cambiare il significato dello stesso salario.
L’ampio obiettivo della fondazione crea un’ulteriore sfida. Sostenere 1,6 milioni di posti di lavoro aggiuntivi richiede più che inserire singole persone tramite piccoli progetti dimostrativi. Gli approcci di successo devono influenzare sistemi più ampi, comprese le formule di finanziamento pubblico, i requisiti per i datori di lavoro e le norme sulle credenziali a livello statale.
L’AI può aiutare in alcune parti di tale sistema. Derek Kilmer, vicepresidente senior della fondazione per i programmi e le politiche negli Stati Uniti, ha indicato una più rapida elaborazione dei permessi per l’edilizia abitativa a prezzi accessibili. Approvazioni più rapide possono sostenere l’attività edilizia, ma il software da solo non può garantire nuove abitazioni o posti di lavoro stabili.
Questo esempio coglie la tensione centrale dell’iniziativa. L’AI può essere al tempo stesso una fonte di trasformazione della forza lavoro e uno strumento per migliorare l’amministrazione pubblica. Le agenzie devono perseguire applicazioni utili senza presumere che l’automazione produca automaticamente benefici economici condivisi.
L’attenzione di Google News incontra la prova dell’attuazione locale
Il vero avversario del programma non è un’altra fondazione o un fornitore tecnologico. È il divario tra ambiziosi obiettivi nazionali e capacità di attuazione locale.
L’impostazione di google news rende facile comprendere l’impegno finanziario. Una fondazione nazionale sta facendo una grande scommessa su comunità e lavoratori durante un cambiamento guidato dall’AI. La storia dell’attuazione è meno lineare perché la responsabilità attraversa molte istituzioni.
Un dipartimento statale del lavoro può finanziare la formazione, ma non può obbligare i datori di lavoro a riconoscerla. Un community college può creare una credenziale, ma non può fornire trasporto a ogni studente. Un governo locale può coordinare i servizi, ma potrebbe non avere autorità sui requisiti di licenza.
Anche i datori di lavoro hanno incentivi che non sempre coincidono con i programmi pubblici. Possono desiderare lavoratori formati per posti vacanti immediati evitando al contempo impegni a lungo termine. Possono modificare i criteri di assunzione o i piani tecnologici prima che una coorte in formazione consegua il diploma.
Partnership locali efficaci devono definire il contributo del datore di lavoro. Tale contributo può includere colloqui, inserimenti retribuiti, contributi alla progettazione dei programmi, orari prevedibili o impegni a trattenere i lavoratori che hanno successo. Senza obblighi chiari, le risorse pubbliche possono sovvenzionare la formazione per posizioni che non si concretizzano mai.
L’assistenza sanitaria offre un caso di prova concreto. Molte comunità hanno bisogno di lavoratori aggiuntivi, eppure i percorsi di accesso possono comportare tasse di iscrizione, requisiti clinici, licenze e periodi di formazione non retribuiti. Coprire un costo iniziale può aiutare, ma i partecipanti potrebbero comunque aver bisogno di assistenza all’infanzia, trasporto e reddito durante la formazione.
Le agenzie statali possono affrontare insieme diversi di questi ostacoli. Possono allineare sussidi, finanziamenti per l’istruzione e riconoscimento delle credenziali. Possono inoltre rivedere le regole che impongono ai lavoratori di ripetere una formazione equivalente quando si spostano tra istituzioni o giurisdizioni.
Il governo locale può offrire una visione più ravvicinata delle lacune nei servizi. Le contee amministrano spesso programmi sanitari, abitativi e per il lavoro. Le città influenzano i trasporti, le autorizzazioni e lo sviluppo economico. I governi tribali e i territori hanno condizioni giuridiche e geografiche distintive che i modelli nazionali potrebbero trascurare.
Tuttavia, la partecipazione locale non è automaticamente equa. Le comunità con esperti nella scrittura di richieste di sovvenzione e reti nonprofit consolidate spesso competono in modo più efficace per i finanziamenti pilota. I luoghi con la capacità amministrativa più debole possono faticare a entrare in programmi pensati per aree in difficoltà.
La Rockefeller Foundation dovrà decidere se premiare la preparazione o costruirla. Selezionare solo le comunità già pronte potrebbe produrre risultati iniziali più rapidi. Potrebbe anche generare modelli che non funzionano in luoghi con meno personale, sistemi di dati più deboli e reti di datori di lavoro più ridotte.
Un'iniziativa correlata del settore pubblico mostra l'importanza della capacità. L'AI Readiness Project ha lavorato per riunire i leader tecnologici governativi in percorsi di apprendimento condiviso e progetti pilota. Il suo obiettivo dichiarato include il coinvolgimento di stati, territori e nazioni tribali, sostenendo al contempo almeno 10 dimostrazioni a livello statale.
La copertura di Government Technology di quella iniziativa di preparazione ha sottolineato collaborazione, formazione e ambienti di sperimentazione a basso rischio. Queste basi contano perché le agenzie non possono implementare l'AI in modo responsabile senza competenze negli appalti, governance dei dati e standard di valutazione.
L'iniziativa sul lavoro opera a un livello economico più ampio, ma deve affrontare requisiti simili. Le agenzie hanno bisogno di personale in grado di interpretare i dati sul mercato del lavoro, gestire i fornitori, proteggere le informazioni personali e valutare se gli interventi funzionano. Un progetto pilota non può sostituire quella competenza istituzionale.
Anche gli appalti possono rallentare l'adozione. Le agenzie pubbliche devono documentare i requisiti, valutare i rischi e garantire una concorrenza equa. Queste salvaguardie sono importanti, soprattutto quando i sistemi gestiscono dati sull'occupazione o sui sussidi. Possono comunque creare tempistiche in conflitto con un programma filantropico triennale.
La condivisione dei dati presenta un altro ostacolo. I fornitori di formazione, i datori di lavoro e le agenzie possono detenere parti diverse del fascicolo di un partecipante. Combinare tali dati può migliorare la misurazione dei risultati, ma solleva anche questioni di consenso, sicurezza e accesso.
Qualsiasi uso dell'abbinamento automatizzato richiede particolare attenzione. Un sistema che raccomanda lavoratori per posti di lavoro può riprodurre schemi presenti nei dati storici sulle assunzioni. Le agenzie necessitano di test, percorsi di ricorso e revisione umana prima di trattare una raccomandazione come una decisione occupazionale.
I lavoratori dovrebbero inoltre sapere quando l'AI influenza il loro percorso all'interno di un programma. La trasparenza dovrebbe riguardare selezione, abbinamento, valutazioni e raccomandazioni di supporto. Una persona non dovrebbe perdere l'accesso perché un modello opaco ha interpretato dati incompleti.
Questi vincoli non rendono il governo locale un partner inadatto. Spiegano perché il suo ruolo sia essenziale. Le agenzie pubbliche forniscono responsabilità, scala e continuità che una sovvenzione temporanea non può creare da sola.
Il progetto pilota più solido sarà quindi quello che resiste alle normali condizioni della pubblica amministrazione. Deve funzionare con livelli di personale reali, requisiti legali e cicli di bilancio. Deve inoltre produrre prove che un'altra giurisdizione possa esaminare prima di replicare il modello.
Per i team che gestiscono evidenze tra agenzie e fornitori, una base di conoscenza ricercabile può aiutare a organizzare politiche, verbali delle riunioni e valutazioni. Tali strumenti favoriscono il coordinamento, ma è la governance a determinare quali informazioni possano essere condivise.
L'impegno nazionale attira attenzione. La progettazione amministrativa locale determina se quell'attenzione diventa un'infrastruttura occupazionale duratura.
I Numeri Non Dimostrano Ancora il Modello
La fondazione ha annunciato ampi obiettivi di risultato, ma le prove pubbliche non mostrano ancora quali interventi li produrranno.
L'impegno da 100 milioni di dollari è confermato, così come il periodo triennale e gli obiettivi a lungo termine relativi a posti di lavoro, comunità e beneficiari. Queste cifre descrivono ambizione e portata. Non rappresentano collocamenti completati né un impatto economico verificato in modo indipendente.
La distinzione conta perché “rendere possibile la creazione” può coprire diversi tipi di rapporto. Una sovvenzione potrebbe sostenere direttamente la formazione di un lavoratore. Un cambiamento normativo potrebbe aiutare i datori di lavoro a coprire posizioni aperte. Uno strumento finanziario potrebbe contribuire insieme a diversi altri programmi.
L'attribuzione diventa più difficile man mano che l'iniziativa si amplia. Se l'occupazione cresce dopo l'avvio di un programma locale, i valutatori devono considerare la crescita economica, l'espansione dei datori di lavoro, la migrazione e altri investimenti pubblici. Contare ogni nuovo posto di lavoro esagererebbe il ruolo del programma.
La fondazione ha cercato un partner per misurazione, valutazione e apprendimento per la propria iniziativa statunitense sul lavoro. La sua richiesta pubblicata descriveva modellazione quantitativa dell'impatto, analisi del mercato del lavoro e supporto all'infrastruttura dei dati. Questo lavoro dovrebbe aiutare a definire come il programma separa i risultati diretti da un'influenza più ampia.
Anche una valutazione rigorosa non può eliminare ogni incertezza. Le comunità differiranno per composizione settoriale, demografia, capacità di erogazione dei servizi ed esposizione agli shock economici. Una politica che funziona in un mercato sanitario potrebbe non trasferirsi a un altro senza modifiche sostanziali.
La scala del programma crea una pressione aritmetica di base. Dividere l'impegno tra 250 località lascerebbe finanziamenti diretti limitati per ciascuna, ancor prima dei costi di valutazione e programma centrali. Questo semplice calcolo non è il piano effettivo di allocazione, ma illustra la dipendenza dalla leva finanziaria.
La fondazione intende esplicitamente attrarre ulteriore capitale pubblico, privato e filantropico. Vuole inoltre che i modelli dimostrati siano incorporati nelle politiche e nelle pratiche dei datori di lavoro. Questi meccanismi dovranno fornire la maggior parte della scala finale se l'iniziativa si avvicinerà ai propri obiettivi nazionali.
La leva finanziaria può costituire un risultato significativo. Una modesta sovvenzione può sostenere prove che modificano un bilancio pubblico più ampio o il processo di un datore di lavoro. Tuttavia, i finanziamenti annunciati o allineati non dovrebbero essere conteggiati come impatto finché il denaro non sia impegnato e utilizzato.
La fondazione cita un lavoro precedente che ha contribuito a sbloccare finanziamenti federali per l'energia pulita in oltre 45 stati. Questa esperienza sostiene la sua teoria secondo cui la filantropia può riunire partner e influenzare flussi di capitale più ampi. L'iniziativa sul lavoro richiede comunque prove proprie.
Anche le stime sullo spiazzamento dovuto all'AI richiedono analoga cautela. Uno studio associato all'Iceberg Index del MIT ha stimato che le attuali capacità dell'AI si sovrappongono a compiti che rappresentano l'11,7 percento del valore salariale del mercato del lavoro statunitense. La simulazione del mercato del lavoro modella l'esposizione, non prevede che la stessa quota di lavoratori perderà il proprio impiego.
L'esposizione ai compiti può portare a diversi esiti. I datori di lavoro potrebbero ridurre l'organico, aumentare la produzione, riprogettare i lavori o creare nuovi servizi. I lavoratori potrebbero usare l'AI come assistente anziché affrontare una sostituzione completa.
Un programma costruito attorno a un'unica previsione di spiazzamento sarebbe quindi fragile. I pianificatori locali hanno bisogno di strategie basate su scenari che funzionino con diversi modelli di adozione. Dovrebbero prepararsi a compiti in evoluzione oltre che a vere e proprie perdite di lavoro.
La tenuta politica presenta un'altra incertezza. Le amministrazioni statali cambiano, i bilanci locali si restringono e i dirigenti delle agenzie si spostano. Un progetto pilota di successo può scomparire quando termina la sua fonte di finanziamento o il suo sostenitore lascia l'incarico.
Integrare un programma nella legge o in un bilancio ricorrente può migliorare la continuità. Può anche cristallizzare un approccio prima che le prove siano mature. L'iniziativa deve bilanciare l'adozione rapida con margini di revisione.
La voce dei lavoratori è un'altra variabile mancante. Datori di lavoro e agenzie possono definire il successo in base ai posti vacanti coperti o ai costi ridotti. I partecipanti potrebbero attribuire maggiore importanza agli orari, alla sicurezza, ai benefici, ai tempi di spostamento o alle possibilità di avanzamento.
I programmi dovrebbero raccogliere il feedback dei lavoratori durante la progettazione e dopo il collocamento. Dovrebbero inoltre riportare chi abbandona, non soltanto chi completa la formazione. L'abbandono può rivelare barriere nascoste dai numeri aggregati sui collocamenti.
La valutazione indipendente dovrebbe esaminare le differenze per razza, genere, età, disabilità e geografia, ove lecito e appropriato. I guadagni medi possono nascondere gruppi che ricevono collocamenti peggiori o registrano tassi di abbandono più elevati.
L'argomento scettico non è che l'iniziativa sia priva di valore. È che un obiettivo nazionale può superare le prove prodotte dai progetti pilota locali. Definizioni chiare, dati comparabili e rendicontazione pubblica determineranno se l'espansione riflette risultati o entusiasmo.
Questo rischio dovrebbe restare visibile ogni volta che la storia riemerge attraverso Google News o un altro canale di scoperta. Gli annunci di finanziamento sono immediati. Gli esiti occupazionali affidabili richiedono più tempo per essere misurati.
Le Agenzie Pubbliche Devono Bilanciare l'Adozione dell'AI con la Protezione dei Lavoratori
I governi statali e locali non possono trattare l'AI soltanto come una minaccia per i posti di lavoro o soltanto come uno strumento di efficienza. Devono gestire entrambi i ruoli.
La fondazione include i settori abilitati dall'AI tra i suoi comparti prioritari. Questa scelta crea opportunità per nuove professioni e per i lavoratori esistenti di acquisire competenze utili. Solleva inoltre interrogativi su quale tipo di formazione resti prezioso man mano che i prodotti cambiano.
Insegnare l'uso di una sola interfaccia software può produrre rapidamente numeri elevati di completamento. Può diventare obsoleto quando un fornitore modifica le funzionalità o un datore di lavoro adotta un'altra piattaforma. I programmi duraturi dovrebbero porre l'accento sul giudizio, la conoscenza del settore, l'alfabetizzazione dei dati e l'uso responsabile degli strumenti.
Gli operatori sanitari, per esempio, possono usare l'AI per riassumere la documentazione o coordinare gli orari. Hanno comunque bisogno di conoscenze cliniche, capacità comunicative e consapevolezza dei requisiti sulla privacy. La formazione dovrebbe spiegare quando l'output automatizzato richiede una verifica.
I dipendenti pubblici affrontano esigenze simili. Un'agenzia potrebbe usare l'AI generativa, ovvero software che crea testo o altri contenuti a partire da prompt, per redigere materiali di routine. Il personale rimane responsabile della verifica dei fatti, della protezione dei dati e del rispetto delle leggi sugli archivi.
L'AI può anche ridurre gli attriti amministrativi nei programmi per il lavoro. Può riassumere note sui casi, identificare documenti mancanti o aiutare i residenti a orientarsi tra requisiti complessi. Ogni utilizzo richiede test sulla popolazione effettivamente servita dall'agenzia.
Le affermazioni sull'efficienza meritano attenzione quando i sistemi incidono sull'accesso ai sussidi o al lavoro. Una decisione più rapida non è automaticamente una decisione migliore. Le agenzie dovrebbero misurare tassi di errore, ricorsi, accessibilità ed esiti disparati insieme ai tempi di elaborazione.
La revisione umana deve essere significativa. Un membro del personale che approva semplicemente una raccomandazione automatizzata senza tempo o informazioni sufficienti offre scarsa protezione. I revisori devono avere l'autorità di modificare le decisioni e documentarne il motivo.
I contratti con i fornitori dovrebbero sostenere questa supervisione. Le agenzie necessitano di accesso alle informazioni sulle prestazioni, agli avvisi di modifica, alle condizioni di sicurezza e alle procedure per gestire i malfunzionamenti. Dovrebbero evitare accordi che impediscano test indipendenti di sistemi con conseguenze rilevanti.
I team responsabili degli appalti possono inoltre richiedere dichiarazioni chiare sui dati di addestramento, i limiti dei modelli e i subappaltatori. Non ogni dettaglio sarà disponibile per i sistemi commerciali. L'agenzia ha comunque bisogno di informazioni sufficienti per valutare il rischio.
L'iniziativa per il lavoro può modellare migliori pratiche di acquisto collegando i finanziamenti a trasparenza e valutazione. Un progetto pilota che usa l'AI dovrebbe rendere pubblici il proprio scopo, gli utenti interessati e le misure di successo. Dovrebbe inoltre identificare le condizioni che farebbero scattare una sospensione.
Le agenzie locali dovrebbero separare gli strumenti usati per l'assistenza da quelli usati per prendere decisioni. Redigere un promemoria sulla formazione presenta rischi diversi dal classificare i candidati. Applicare un unico processo di approvazione a ogni utilizzo può sprecare risorse, mancando al contempo i casi a più alto rischio.
Le organizzazioni sindacali e i lavoratori in prima linea dovrebbero partecipare fin dall’inizio alle discussioni sulla progettazione. I dipendenti spesso sanno quali attività causano ritardi e quali errori danneggiano i residenti. La loro partecipazione può rivelare se uno strumento proposto affronta un problema reale.
Questo coinvolgimento riduce anche il rischio che lo sviluppo della forza lavoro diventi un eufemismo per l’accettazione di posti di lavoro di qualità inferiore. La formazione dovrebbe ampliare le opportunità dei lavoratori, non limitarsi a preparare le persone a un maggiore monitoraggio o a orari instabili.
I datori di lavoro che ricevono sostegno pubblico dovrebbero spiegare in che modo l’AI modifica i ruoli che offrono. Dovrebbero identificare quali attività scompaiono, quali competenze acquistano valore e in che modo i guadagni di produttività incidono sui lavoratori. Altrimenti, i fornitori di formazione devono pianificare sulla base di informazioni incomplete.
L’enfasi dell’iniziativa sui buoni posti di lavoro crea un’opportunità per introdurre tali condizioni. I finanziamenti pubblici e filantropici possono chiedere ai datori di lavoro impegni relativi a salari, permanenza, avanzamento e programmazione degli orari. Gli standard precisi dovranno riflettere i mercati del lavoro e le professioni locali.
I governi statali possono affrontare barriere politiche più ampie. Possono modernizzare le licenze professionali, sostenere credenziali trasferibili e allineare i dati sull’istruzione ai risultati occupazionali. Possono inoltre finanziare servizi che aiutino i partecipanti a rimanere nei percorsi formativi.
Le agenzie locali possono sperimentare questi approcci in mercati del lavoro specifici. La loro esperienza può mostrare quali barriere contano di più e quali interventi producono effetti indesiderati. La fondazione potrà quindi trasferire insegnamenti credibili tra diverse giurisdizioni.
L’AI non dovrebbe dominare ogni strategia locale per l’occupazione. Molte comunità necessitano di investimenti di base nei trasporti, nella banda larga, nell’edilizia abitativa o nei servizi di assistenza prima che la formazione tecnica diventi utile. La progettazione del programma dovrebbe consentire a queste esigenze di orientare la risposta.
Questa flessibilità è un punto di forza se accompagnata da una valutazione rigorosa. Diventa una debolezza se ogni attività locale è considerata idonea senza una teoria del cambiamento comune. Definizioni condivise dei risultati devono coesistere con l’adattamento locale.
Il compromesso centrale non è quindi tra posti di lavoro e tecnologia. È tra sperimentazione rapida e costruzione di istituzioni responsabili. L’iniziativa avrà successo solo se riuscirà a fare entrambe le cose.
Cosa dovrebbero osservare i lettori di Google News
La prossima fase dovrebbe essere valutata attraverso la selezione delle comunità, risultati occupazionali misurabili e prove che i progetti pilota di successo entrino in sistemi permanenti.
Il primo segnale sarà la selezione delle comunità iniziali. Secondo quanto riportato, la fondazione prevede di iniziare con circa 20-30 località prima di espandersi. Queste scelte riveleranno come bilancia urgenza del bisogno, domanda dei datori di lavoro, diversità geografica e preparazione amministrativa.
Un primo gruppo credibile dovrebbe includere più di comunità già esperte nel vincere sovvenzioni nazionali. Dovrebbe testare il modello in mercati del lavoro e capacità amministrative differenti. I criteri di selezione dovrebbero essere sufficientemente pubblici da consentire alle località escluse di comprendere la decisione.
I lettori dovrebbero inoltre osservare quali organizzazioni guidano a livello locale. Una partnership sostenuta soltanto da consulenti esterni potrebbe incontrare difficoltà dopo la fine dei finanziamenti. Le strutture più solide includeranno agenzie, datori di lavoro, istituti formativi, rappresentanti dei lavoratori e fornitori di servizi con responsabilità definite.
Il secondo segnale è il quadro di misurazione. Il programma necessita di definizioni coerenti per iscrizione, completamento, collocamento, permanenza e qualità del lavoro. Necessita inoltre di un metodo difendibile per stimare i posti di lavoro influenzati indirettamente attraverso politiche o finanziamenti.
I primi rapporti dovrebbero separare i risultati diretti dei partecipanti dagli effetti nazionali modellizzati. Dovrebbero mostrare quante persone sono entrate nei programmi, hanno trovato lavoro e sono rimaste occupate. Dati su salari, ore, benefit e avanzamento offrirebbero un quadro più completo.
I risultati dovrebbero includere fallimenti e revisioni. Un progetto pilota che individua un percorso formativo inefficace può comunque creare valore se l’insegnamento evita spese più ampie. Nascondere i risultati negativi indebolirebbe la strategia di espansione del programma.
Il processo di valutazione dovrebbe inoltre distinguere l’esposizione all’AI dallo spostamento effettivo dei lavoratori. Le comunità possono monitorare l’adozione da parte dei datori di lavoro, i cambiamenti nelle attività, i modelli di assunzione e i licenziamenti. Nessun singolo indicatore catturerà l’intera transizione.
Il terzo segnale è l’adozione istituzionale. Un progetto pilota promettente acquisisce significato su scala quando uno Stato modifica una politica, un’agenzia crea finanziamenti ricorrenti o i datori di lavoro adottano un percorso validato. Un’espansione finanziata soltanto da un’altra sovvenzione di breve durata offrirebbe prove più deboli.
Osservate i cambiamenti alle regole sulle credenziali, al sostegno per l’assistenza all’infanzia, ai finanziamenti per la formazione e agli accordi con i datori di lavoro. Questi dettagli amministrativi diranno più sulla durata nel tempo di un altro annuncio sulla partecipazione.
I documenti di bilancio statali possono rivelare se i governi prevedono costi continuativi. La legislazione può mostrare se una politica sopravvive oltre una singola amministrazione. I contratti collettivi e i contratti con i datori di lavoro possono indicare se i lavoratori condividono i guadagni di produttività.
Il programma dovrebbe inoltre riferire quanto capitale aggiuntivo mobilita. Un’affermazione generica sulle risorse allineate è meno utile di impegni documentati legati a interventi specifici. I finanziamenti pubblici dovrebbero essere identificati separatamente dai contributi privati e filantropici.
Un risultato più solido combinerebbe collocamenti credibili con l’adozione di politiche e costi trasparenti. Un risultato più debole enfatizzerebbe il numero totale dei beneficiari senza spiegare il loro legame con le attività finanziate.
Per i lettori che arrivano da google news, la cifra principale è soltanto il punto di partenza. La storia duratura riguarda la capacità delle istituzioni locali di rispondere al cambiamento tecnologico prima che i lavoratori vulnerabili ne assorbano i costi.
Gli sviluppatori e i fornitori di AI dovrebbero prestare attenzione perché i programmi pubblici possono plasmare le aspettative in materia di appalti e valutazione. Gli acquirenti aziendali dovrebbero prestare attenzione perché le partnership locali possono far emergere esigenze reali della forza lavoro. I lavoratori dovrebbero prestare attenzione perché gli standard di qualità del lavoro determineranno se l’adattamento produrrà opportunità o soltanto un’altra credenziale.
I leader statali e locali non devono prevedere l’effetto esatto dell’AI su ogni professione. Hanno bisogno di sistemi che rilevino i cambiamenti, sperimentino risposte e preservino la responsabilità. La Rockefeller Foundation scommette che la filantropia possa contribuire a costruire tali sistemi.
La domanda decisiva ora è pratica: le prime comunità pubblicheranno prove abbastanza solide da indurre governi e datori di lavoro a impegnare risorse proprie? Questa risposta, non l’entità dell’annuncio, determinerà se l’iniziativa diventerà un’infrastruttura duratura per la forza lavoro.
