Il futuro dell’Intelligenza artificiale nel mondo del lavoro ha troppi profeti

Il 28 maggio 2025 Dario Amodei, amministratore delegato di Anthropic, dice ad Axios che l’Intelligenza artificiale potrebbe cancellare metà dei lavori impiegatizi di ingresso e portare la disoccupazione al 10-20% in uno-cinque anni (VandeHei & Allen, 2025). Negli stessi mesi, due economisti pubblicano i dati della Danimarca, un paese in cui i chatbot sono entrati presto negli uffici. Risultato: effetti sui salari e sulle ore lavorate nulli, misurati con precisione, tali da escludere variazioni superiori al 2% a due anni dal lancio di ChatGPT (Humlum & Vestergaard, 2026). Stessa stagione, stessa tecnologia, due mondi.

Chi ha ragione? La domanda è mal posta. Amodei e i due economisti non guardano la stessa cosa. Uno guarda ciò che la macchina potrebbe fare. Gli altri guardano ciò che ha fatto. È la regola di tutto il dibattito sul futuro del lavoro: le posizioni divergono perché rispondono a domande diverse, quasi sempre senza dichiararlo. Bisognerebbe, invece, cercare di mettere ordine tra le voci, di indicare di che cosa trattano gli esperti e di mostrare che cosa i dati permettono effettivamente di affermare oggi.

Il numero? Dipende da come si conta

Cominciamo dai numeri, perché sono loro a fare notizia. Nel 2013, due ricercatori di Oxford, Carl Frey e Michael Osborne, stimarono che il 47% dell’occupazione statunitense è a rischio di “computerizzazione” (Frey & Osborne, 2017). Tre anni dopo, uno studio pubblicato dall’Ocse, che conta i compiti all’interno delle occupazioni invece delle occupazioni intere, trova il 9% (Arntz, Gregory & Zierahn, 2016). Da 47 a 9 non è cambiata la tecnologia. È cambiata l’unità di misura. Un contabile fa molte cose, alcune automatizzabili e altre no: se conto il contabile “intero”, lo perdo; se conto i suoi compiti, ne perdo una parte.

Lo stesso trucco vale anche per l’Ia generativa. I ricercatori di OpenAI stimano che l’80% dei lavoratori statunitensi potrebbe vedere almeno un decimo dei propri compiti toccati dai modelli linguistici (Eloundou et al., 2023). Il Fondo monetario internazionale misura un’esposizione pari al 40% dell’occupazione mondiale e al 60% nelle economie avanzate (Cazzaniga et al., 2024). L’Organizzazione internazionale del lavoro (ILO), con un indice più severo, indica che un lavoratore su quattro nel mondo è in un’occupazione con qualche esposizione, con il lavoro impiegatizio femminile in cima alla lista (Gmyrek et al., 2025). Sono tutti numeri di esposizione. Misurano quanto i compiti di un mestiere somigliano a ciò che i modelli dichiarano di saper fare. Non misurano un solo posto perso. La Tabella 1 cerca di dare ordine a questi dati.

Tabella 1. I numeri in circolazione e che cosa non dicono

Cinque famiglie, una mappa

Quasi tutte le persone che scrivono sul futuro del lavoro, però, guardano quei numeri attraverso una lente già scelta. Di seguito, si trovano raggruppate le voci in cinque famiglie. Ciò che le distingue non è la “scuola di pensiero” ma, come vedremo, la domanda a cui rispondono.

Prima famiglia: non è la prima volta

Nel 1930 John Maynard Keynes avverte i suoi lettori di una “nuova malattia” di cui sentiranno molto parlare: la disoccupazione tecnologica. Poi li rassicura: è una fase di aggiustamento, entro un secolo il problema economico potrebbe essere risolto e una settimana di quindici ore potrebbe bastare a spartire il lavoro rimasto (Keynes, 1930). Il secolo è quasi passato. La settimana di quindici ore non si vede. L’antropologo David Graeber ne ha tratto una domanda scomoda: la tecnologia c’era, perché lavoriamo ancora così tanto? La risposta è che abbiamo inventato lavori inutili, i cosiddetti “bullshit jobs” (Graeber, 2018).

Keynes ha avuto ragione sulla ricchezza, che è cresciuta quanto prevedeva, ma ha avuto torto sul lavoro, che non è diminuito. La sua diagnosi, la disoccupazione tecnologica come fase di passaggio, è diventata il senso comune tra gli economisti. David Autor, del MIT, ne è l’erede più autorevole, con un titolo che è già una domanda rivolta a Keynes: Perché ci sono ancora così tanti lavori? (Autor, 2015). La sua risposta: giornalisti ed esperti tendono a sopravvalutare la sostituzione del lavoro umano da parte delle macchine e a ignorare le forti complementarità fra automazione e lavoro (Autor, 2015). La macchina toglie compiti e ne rende altri più preziosi. Nel 2024, Autor e colleghi mostrano che circa il 60% degli occupati statunitensi di oggi svolge lavori che nel 1940 non esistevano (Autor, Chin, Salomons & Seegmiller, 2024). Ogni ondata tecnologica ha creato mestieri che nessuno aveva previsto. Gli storici dell’economia aggiungono che l’ansia tecnologica ricorre da due secoli e che le paure estreme di una disoccupazione permanente hanno “pochissime probabilità di avverarsi”, anche se le transizioni sono dolorose (Mokyr, Vickers & Ziebarth, 2015, p. 47). James Bessen dà la regola: se la domanda del bene è elastica, l’automazione crea posti di lavoro, perché il prezzo scende e si compra di più; se la domanda è inelastica, li distrugge. Il tessile li ha creati nell’Ottocento e li ha distrutti nella seconda metà del Novecento (Bessen, 2019).

Il punto debole di questa famiglia sta nel suo punto di forza. Spiega bene il passato. Ma il telaio non scriveva contratti, non leggeva le radiografie né programmava. L’Ia generativa entra proprio nei compiti cognitivi che finora erano il rifugio di chi veniva sostituito altrove.

Seconda famiglia: questa volta è diverso

La famiglia opposta è nata sui libri e si è trasferita nei modelli. Nel 2015, Martin Ford sostiene che le macchine stanno diventando lavoratori e che la scala delle competenze non è una scala, bensì una piramide, con poco spazio in cima (Ford, 2015). Richard e Daniel Susskind prevedono la fine delle professioni come le conosciamo: non avremo più bisogno di medici, avvocati e insegnanti che lavorino come nel Novecento (Susskind & Susskind, 2015). Yuval Noah Harari ha coniato la formula più citata, la “useless class”, la classe inutile, che non sarà semplicemente disoccupata: sarà inoccupabile (Harari, 2016). Daniel Susskind dà alla tesi la sua forma più rigorosa: le macchine avanzano nei compiti umani senza sosta, il “task encroachment” (l’invasione dei compiti), mentre la forza complementare che finora creava nuovo lavoro si indebolisce (Susskind, 2020). Distingue due disoccupazioni tecnologiche. Quella frizionale: i lavori ci sono, ma non tutti sanno farli. Quella strutturale: la domanda di lavoro umano non basta più. La seconda, per lui, è questione di tempo.

Dal 2024 questa tesi è entrata anche nei modelli matematici degli economisti, con risultati che i libri non potevano dare. Anton Korinek e Donghyun Suh modellano la transizione all’intelligenza artificiale generale (AGI, l’ipotetico sistema capace di svolgere qualsiasi compito cognitivo umano) come una corsa fra automazione e accumulazione di capitale: finché il capitale cresce più in fretta, i salari salgono; se lo spazio dei compiti umani è finito e l’automazione lo esaurisce, i salari crollano (Korinek & Suh, 2024). Pascual Restrepo, per anni coautore di Acemoglu, porta il ragionamento al limite. In un mondo con l’AGI i salari convergono al costo del calcolo necessario a riprodurre il lavoro umano e la quota del lavoro sul reddito nazionale tende a zero (Restrepo, 2025). Il titolo del paper dice tutto: We Won’t Be Missed, “nessuno sentirà la nostra mancanza”.

Il punto debole risiede in un dettaglio che il dibattito pubblico trascura. Restrepo, Korinek e Acemoglu usano la stessa teoria, l’economia dei compiti. Divergono, in sostanza, su un’ipotesi che Korinek e Suh rendono esplicita: lo spazio dei compiti umani è finito o infinito? Se è infinito, ogni automazione libera tempo per svolgere nuovi compiti. Se è finito, prima o poi la macchina arriva in fondo. Nessun dato può decidere oggi quale ipotesi sia vera. Per questo la disputa non si chiude.

Terza famiglia: non è la tecnologia

C’è chi considera le prime due famiglie un’unica narrazione con segni opposti. Aaron Benanav, storico dell’economia, sostiene che a deprimere la domanda mondiale di lavoro sia stata la crescita lenta, non la distruzione di posti di lavoro da parte della tecnologia (Benanav, 2020). La scarsità di lavoro buono deriva dalla sovraccapacità industriale globale, non dai robot. La crisi apocalittica annunciata dai teorici dell’automazione, scrive, non avrà luogo: al suo posto sottoccupazione e disuguaglianza crescente. Carl Frey, l’uomo del 47%, ha riscritto se stesso in questa chiave. Fra il 1780 e il 1840 la produttività per addetto in Gran Bretagna sale del 46%, mentre i salari reali aumentano del 12% (Frey, 2019). Il progresso paga, nel lungo periodo. Ma il lungo periodo dura sessant’anni (per molti lavoratori una vita intera) e chi perde il lavoro non lo ritrova. Il populismo di oggi, per Frey, è il luddismo di allora. Guy Standing chiude il cerchio: il precariato nasce dalla flessibilizzazione del lavoro e dalla globalizzazione, non dalla tecnologia (Standing, 2011). Graeber, con i suoi “bullshit jobs”, rientra nella stessa famiglia.

Il punto debole è speculare a quello della prima famiglia. Questa spiega meglio delle altre il passato recente. Ma non ha un modello di ciò che cambia quando una tecnologia entra davvero nei compiti cognitivi.

Quarta famiglia: chi vende la macchina

Le voci più ascoltate (o meglio, “riverberate”) provengono da chi produce l’Ia. Vanno lette per ciò che sono: posizioni con un interesse. Non per questo sono false. Ma hanno una caratteristica comune: l’orizzonte più breve di tutti, con la conferma finora più debole. La Tabella 2 le raccoglie.

Tabella 2. Le voci dell’industria

Due cose colpiscono. La prima: apocalisse e abbondanza vengono dalla stessa bocca. Altman prevede intere classi di lavori che spariscono e un mondo tanto più ricco da potersi permettere di rimediare. La seconda: sono previsioni che scadono presto. La stima di Amodei di maggio 2025 aveva un orizzonte temporale compreso tra uno e cinque anni. Nel luglio 2026, il responsabile dell’economia della sua stessa azienda ha spiegato pubblicamente perché il “bagno di sangue” impiegatizio non si è ancora verificato (Lichtenberg, 2026). Chi vende la macchina ha interesse a farla sembrare potente. Un avvertimento sui posti di lavoro è spesso anche una sottile forma di pubblicità.

Il tribunale dei dati

Ma i profeti hanno un giudice: ciò che è accaduto davvero. Tre tipi di evidenza raccontano tre storie.

La prima viene dagli esperimenti. In un call center con 5.172 operatori, un assistente basato su modelli linguistici aumenta la produttività in media del 15%, con i guadagni concentrati tra i meno esperti (Brynjolfsson, Li & Raymond, 2025). Fra i consulenti di una grande società, l’Ia migliora quasi tutto all’interno della sua “frontiera frastagliata”, ma al di fuori di quella frontiera chi la usa produce soluzioni corrette il 19% meno spesso (Dell’Acqua et al., 2026). La macchina aumenta e migliora soprattutto per chi ne sa meno. Comprime le differenze dentro i mestieri. Non dice chi si prende il guadagno.

La seconda proviene dai dati amministrativi, gli unici che misurano l’occupazione reale e non le intenzioni. In Danimarca, come si è visto, gli effetti sono nulli. Negli Stati Uniti, il Budget Lab di Yale, sui dati di fine 2025, descrive stabilità e nessuno sconvolgimento a livello dell’intera economia (Budget Lab at Yale, 2026).

La terza è il dato più discusso del 2026. Il laboratorio di Stanford diretto da Erik Brynjolfsson ha seguito i giovani fra i 22 e i 25 anni nelle professioni più esposte. La loro occupazione è oggi il 19% sotto il livello che avrebbe raggiunto se avesse tenuto il passo con i coetanei nelle professioni meno esposte (Brynjolfsson, Chandar & Chen, 2026). Non ci sono licenziamenti di massa. Ci sono assunzioni che non avvengono. Gli autori li chiamano “canarini nella miniera”: il primo segnale, non la catastrofe.

Oggi, lo stato delle cose è questo. I dati aggregati dicono “tenuta”. I dati sui giovani indicano che qualcosa si muove “al margine delle assunzioni”. Gli esperimenti mostrano che l’effetto dipende da come l’Ia viene utilizzata. Nessuna famiglia è smentita. Nessuna è confermata.

Quinta famiglia: dipende dalla direzione

C’è una posizione che tiene insieme i dati nulli e i “canarini”, ed è quella che sostiene che l’effetto dell’Ia sul lavoro non è scritto nella macchina ma nella direzione che le si dà.

Daron Acemoglu e Simon Johnson, entrambi premio Nobel 2024, la espongono in Power and Progress. L’idea che, quando la tecnologia migliora, tutti ne beneficino, il “productivity bandwagon” (il carro della produttività su cui salgono tutti), non è una legge. È un esito raro. La prosperità condivisa, scrivono, non è il frutto automatico e garantito del progresso tecnico: è arrivata solo quando istituzioni e contropoteri hanno spinto la tecnica lontano da assetti che servivano una ristretta élite (Acemoglu & Johnson, 2023). Il passato lo conferma: fra il 50% e il 70% del cambiamento nella struttura salariale statunitense degli ultimi quarant’anni dipende dal calo dei salari di chi svolgeva compiti di routine nelle industrie che si automatizzavano (Acemoglu & Restrepo, 2022). Non è un effetto collaterale ma la direzione presa.

Brynjolfsson traduce la tesi in una formula, la “Turing trap”, la trappola di Turing. Chi progetta macchine che imitano le persone le sostituisce; chi progetta macchine che le aumentano le rende più forti. Quando le macchine diventano sostituti migliori del lavoro umano, i lavoratori perdono potere contrattuale, economico e politico; quando l’Ia invece di imitare aumenta, le persone conservano il potere di pretendere una quota del valore creato. Il problema è che oggi gli incentivi all’automazione sono eccessivi rispetto a quelli all’aumento: conviene fiscalmente, conviene ai manager e affascina gli ingegneri (Brynjolfsson, 2022).

Anche Autor, che nel 2015 rassicurava, nel 2024 prende questa strada. L’Ia offre un’occasione unica: estendere la rilevanza, la portata e il valore dell’expertise umana a un numero più ampio di lavoratori (Autor, 2024). Ricorda gli infermieri specializzati che negli Stati Uniti hanno assunto compiti un tempo riservati ai medici: con un buon supporto decisionale, l’Ia potrebbe estendere quel precedente a molti altri mestieri. È una possibilità, non una previsione. Per Neil Thompson, la condizione è: l’automazione alza i salari se elimina i compiti svolti da personale meno esperto di un mestiere e li abbassa se elimina quelli svolti da personale più esperto (Autor & Thompson, 2025). Dipende da ciò che si automatizza. E da chi lo decide.

Il punto debole di questa famiglia è che afferma che la direzione è una scelta, ma dice poco su chi la compie. Gli investimenti in Ia li decidono poche imprese. I contropoteri di cui parlano Acemoglu e Johnson nel 2026 esistono più nei libri che nelle fabbriche.

Tabella 3. Cinque famiglie, cinque domande

E l’Italia?

Il dibattito è quasi interamente americano. L’Italia ha un dato poco noto che merita attenzione. Nel 2024 quattro economisti di Banca d’Italia hanno applicato gli indici di esposizione al mercato del lavoro italiano. Su 22 milioni di occupati, circa 15 milioni hanno un’esposizione media o alta all’Ia e poco meno di 9 milioni un’esposizione alta (Dalla Zuanna, Dottori, Gentili & Lattanzio, 2024). Fin qui il titolo di giornale. Ma gli autori vanno oltre e distinguono, fra gli esposti, chi svolge compiti che l’Ia può sostituire e chi svolge compiti che l’Ia può aiutare. I complementari sono circa 9 milioni. I sostituibili sono circa 6. Le occupazioni esposte si trovano nei due quintili più alti dei salari, nei servizi, con molte donne e molti laureati.

Due luoghi comuni cadono. Il primo: l’Ia colpisce i lavori poveri. No, colpisce i lavori d’ufficio qualificati e ben pagati, spesso femminili, come conferma l’ILO a livello mondiale. Il secondo: «esposto» significa «a rischio». No, per la maggior parte degli esposti significa “aiutato”, almeno in teoria. Che quella potenza diventi un aumento o una sostituzione non lo dice l’indice. Lo dicono le scelte delle imprese: per ora, chi adotta l’Ia sposta l’occupazione verso profili più qualificati senza ridurla (Ropele & Tagliabracci, 2026). C’è poi un problema che precede l’automazione: entro il 2033 il Politecnico di Milano stima un gap demografico di 5,6 milioni di posti di lavoro equivalenti, pari a un quarto degli occupati attuali, contro il 18% di posti che l’Ia potrebbe effettivamente automatizzare (Osservatorio Artificial Intelligence, 2025). In un paese che invecchia, la macchina “che sostituisce” potrebbe non trovare persone da “sostituire”.

Quale domanda vi sta a cuore

Torniamo alla domanda dell’inizio. Chi ha ragione? Nessuno e tutti, perché ognuno risponde alla propria domanda. Chi chiede che cosa sia successo le altre volte trova complementarità e nuovi mestieri. Chi chiede che cosa accade, al limite, trova il crollo dei salari. Chi chiede da dove viene la scarsità di lavoro buono trova la stagnazione, non i robot. Chi chiede che cosa può fare il proprio prodotto trova l’apocalisse e l’abbondanza insieme. Chi chiede, chi decide: trova che la direzione sia una scelta.

Il lettore non deve scegliere un profeta. Deve capire quale domanda gli sta a cuore. Per un ventiquattrenne che cerca il primo impiego la domanda giusta è quella dei “canarini”: il margine delle assunzioni si è già mosso. Per un’impiegata quarantenne di banca la domanda giusta è quella di Autor e Thompson: la macchina mi toglierà i compiti in cui sono meno brava o quelli in cui sono più brava? Per chi governa la domanda giusta è quella di Acemoglu e Johnson: chi sta decidendo, in questo momento, la direzione della tecnica?

Per quanto riguarda i dati, quelli del 2026 la indicano chiaramente: l’effetto dell’Ia sul lavoro non è ancora “scritto” nelle statistiche. Sarà scritto ogni giorno nelle organizzazioni: dove qualcuno decide se un modello serve a imitare le persone o ad aumentarle, se il guadagno di produttività va a chi lo produce o a chi possiede la macchina, se un giovane viene assunto o se il suo posto viene lasciato vuoto perché “tanto c’è l’Intelligenza artificiale”. Il futuro del lavoro non ha bisogno di altri profeti. Ha bisogno di sapere chi sta tenendo la penna, o meglio: la chat con l’Ia.

*Andrea Laudadio è a capo della Formazione e Sviluppo di TIM e dirige la TIM Academy

Bibliografia

Acemoglu, D., & Johnson, S. (2023). Power and Progress: Our Thousand-year Struggle over Technology and Prosperity. PublicAffairs.

Acemoglu, D., & Restrepo, P. (2022). Tasks, Automation, and The Rise in U.S. Wage Inequality. Econometrica, 90(5), 1973–2016.

Altman, S. (2021, March 16). Moore’s Law for Everything. 

Altman, S. (2025, June 10). The Gentle Singularity.

Amodei, D. (2024, October). Machines of Loving Grace: How AI Could Transform the World for the Better.

Amodei, D. (2026, January). The Adolescence of Technology: Confronting and Overcoming the Risks of Powerful AI.

Appel, R., McCrory, P., Tamkin, A., McCain, M., Neylon, T., & Stern, M. (2025, September 15). Anthropic Economic Index report: Uneven Geographic and Enterprise AI Adoption. Anthropic.

Arntz, M., Gregory, T., & Zierahn, U. (2016). The Risk of Automation for Jobs in OECD Countries: A Comparative Analysis (OECD Social, Employment and Migration Working Papers No. 189). OECD Publishing.

Autor, D. (2015). Why Are There Still So Many Jobs? The History and Future of Workplace Automation. Journal of Economic Perspectives, 29(3), 3–30.

Autor, D. (2024, February 12). AI Could Actually Help Rebuild the Middle Class. Noema Magazine. (Versione accademica: Applying AI to rebuild middle class jobs, NBER Working Paper No. 32140)

Autor, D., Chin, C., Salomons, A., & Seegmiller, B. (2024). New Frontiers: The Origins and Content of New Work, 1940–2018. The Quarterly Journal of Economics, 139(3), 1399–1465.

Autor, D., & Thompson, N. (2025). Expertise (NBER Working Paper No. 33941). National Bureau of Economic Research.

Benanav, A. (2020). Automation and The Future of Work. Verso.

Bessen, J. (2019). Artificial Intelligence and Jobs: The Role of Demand. In A. Agrawal, J. Gans, & A. Goldfarb (Eds.), The Economics of Artificial Intelligence: An Agenda (pp. 291–307). University of Chicago Press.

Brynjolfsson, E. (2022). The Turing Trap: The Promise and Peril of Human-Like Artificial Intelligence. Daedalus, 151(2), 272–287. 

Brynjolfsson, E., Chandar, B., & Chen, R. (2026). Canaries in The Coal Mine? Six Facts About the Recent Employment Effects of Artificial Intelligence (Working paper, rev. August 2026). Stanford Digital Economy Lab.

Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889–942. 

Budget Lab at Yale. (2026, January 28). Evaluating the Impact of AI on the Mabor market: November/December CPS update.

Cazzaniga, M., Jaumotte, F., Li, L., Melina, G., Panton, A. J., Pizzinelli, C., Rockall, E. J., & Mendes Tavares, M. (2024). Gen-AI: Artificial Intelligence and The Future of Work (IMF Staff Discussion Note SDN/2024/001). International Monetary Fund.

Dalla Zuanna, A., Dottori, D., Gentili, E., & Lattanzio, S. (2024). Una valutazione dell’esposizione del mercato del lavoro all’intelligenza artificiale in Italia. Questioni di Economia e Finanza n. 878. Banca d’Italia. 

Daniel, W. (2024, January 17). DeepMind Co-Founder Mustafa Suleyman Warns AI is a “Fundamentally Labor Replacing” Tool Over the Long Term. Fortune. 

Dell’Acqua, F., McFowland, E., III, Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2026). Navigating the Jagged Technological Frontier: Field Experimental Evidence of The Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science, 37(2), 403–423. 

Eloundou, T., Manning, S., Mishkin, P., & Rock, D. (2023). GPTs are GPTs: An Early Look at The Labor Market Impact Potential of Large Language Models (arXiv:2303.10130). (Versione peer-reviewed: Science, 384(6702), 1306–1308, 2024)

Ford, M. (2015). Rise of The Robots: Technology and The Threat of A Jobless Future. Basic Books.

Fore, P. (2025, May 29). Nvidia CEO Reveals The Person Who Will Replace You Thanks to AI: He Warns, “Every Job Will Be Affected, and Immediately”. Fortune.

Frey, C. B. (2019). The Technology Trap: Capital, Labor, and Power In The Age of Automation. Princeton University Press.

Frey, C. B., & Osborne, M. A. (2017). The Future of Employment: How Susceptible Are Jobs to Computerisation? Technological Forecasting and Social Change, 114, 254–280. 

Gmyrek, P., Berg, J., Kamiński, K., Konopczyński, F., Ładna, A., Nafradi, B., Rosłaniec, K., & Troszyński, M. (2025). Generative AI And Jobs: A Refined Global Index of Occupational Exposure (ILO Working Paper No. 140). International Labour Organization. 

Graeber, D. (2018). Bullshit Jobs: A Theory. Simon & Schuster.

Handa, K., Tamkin, A., McCain, M., Huang, S., Durmus, E., Heck, S., Mueller, J., Hong, J., Ritchie, S., Belonax, T., Troy, K. K., Amodei, D., Kaplan, J., Clark, J., & Ganguli, D. (2025). Which Economic Tasks Are Performed With AI? Evidence from Millions of Claude Conversations (arXiv:2503.04761).

Harari, Y. N. (2016). Homo Deus: A Brief History of Tomorrow. Harvill Secker.

Humlum, A., & Vestergaard, E. (2026). Still Waters, Capid currents: Early Labor Market Transformation Under Generative AI (NBER Working Paper No. 33777, rev. March 2026). National Bureau of Economic Research. 

Keynes, J. M. (1930, October 11 & 18). Economic Possibilities for Our Grandchildren. The Nation and Athenaeum, 48, 36–37, 96–98. (Ristampato in Essays in persuasion, Macmillan, 1931).

Korinek, A., & Suh, D. (2024). Scenarios for The Transition to AGI (NBER Working Paper No. 32255). National Bureau of Economic Research.

Lichtenberg, N. (2026, July 24). Anthropic’s Head of Economics Just Explained Why We Haven’t Seen a White-Collar Bloodbath, Yet. Fortune. 

Mokyr, J., Vickers, C., & Ziebarth, N. L. (2015). The History of Technological Anxiety and The Future of Economic gGowth: Is This Time Different? Journal of Economic Perspectives, 29(3), 31–50. 

Osservatorio Artificial Intelligence, Politecnico di Milano. (2025, October). L’IA una necessità per le sfide demografiche dell’Italia [Comunicato stampa].

Restrepo, P. (2025). We Won’t Be Missed: Work and Growth in The AGI World (NBER Working Paper No. 34423). National Bureau of Economic Research. 

Ropele, T., & Tagliabracci, A. (2026). L’impatto economico dell’adozione dell’intelligenza artificiale: evidenza dalle imprese italiane (Questioni di Economia e Finanza No. 1005). Banca d’Italia.

Standing, G. (2011). The Precariat: The New Dangerous Class. Bloomsbury Academic.

Susskind, D. (2020). A World Without Work: Technology, Automation, and How We Should Respond. Allen Lane.

Susskind, R., & Susskind, D. (2015). The Future of The Professions: How Technology Will Transform The Work of Human Experts. Oxford University Press.

VandeHei, J., & Allen, M. (2025, May 28). Behind the curtain: A white-collar bloodbath. Axios. 

World Economic Forum. (2025). The Future of Jobs Report 2025.