Carriere sotto shock: come l’AI riscrive il futuro delle professioni - Agenda Digitale

L’Organizzazione Internazionale del Lavoro ha appena dato un numero a una sensazione diffusa. Un lavoratore su quattro nel mondo è oggi impiegato in un’occupazione esposta all’intelligenza artificiale generativa.La quota sale al 34% nei paesi ad alto reddito. Le donne risultano significativamente più esposte degli uomini in tutti i contesti analizzati (Gmyrek et al., 2025). Una stima del 2023, condotta da un gruppo di ricerca di OpenAI e dell’Università della Pennsylvania, indica che circa l’80% della forza lavoro statunitense potrebbe vedere almeno il 10% dei propri compiti modificati dai modelli linguistici di grandi dimensioni; per il 19% dei lavoratori, almeno la metà dei compiti (Eloundou, Manning, Mishkin & Rock, 2023). Non sono previsioni. Sono censimenti del presente.Le carriere di centinaia di milioni di persone stanno cambiando contemporaneamente. Non per un licenziamento, non per una crisi settoriale, non per una pandemia. Per un cambiamento tecnologico che si dispiega su scala globale, attraverso settori diversi, a una velocità che nessun piano di carriera riesce a seguire.Indice degli argomenti

AI generativa e shock di carrieraI tre meccanismi che cambiano il lavoroPerché imparare l’AI non bastaIl paradosso tra novizi e veteraniLa risposta delle competenze non tecnicheCuriositàFlessibilitàPersistenzaOttimismoAssunzione di rischioLe disuguaglianze nello shock di carrieraUn kairos collettivo per le carriereFontiAI generativa e shock di carrieraIn letteratura, un evento di questo tipo ha un nome. Jos Akkermans e colleghi lo hanno definito career shock, ovvero shock di carriera: un evento dirompente e straordinario, almeno parzialmente fuori dal controllo dell’individuo, che innesca un processo deliberato di riflessione sulla propria traiettoria professionale (Akkermans, Seibert & Mol, 2018). Gli autori distinguono cinque attributi che ne modulano l’impatto: frequenza, controllabilità, intensità, valenza, durata. L’AI generativa risponde alla definizione, ma in modo anomalo. Gli shock di carriera tradizionalmente noti (un licenziamento, una crisi, una malattia) sono puntuali. Hanno un inizio e una fine. L’AI no. È una pressione continua e accelerante. Ogni mese i modelli migliorano. Ogni trimestre le applicazioni si espandono. Ogni anno il paesaggio professionale si deforma ulteriormente.I tre meccanismi che cambiano il lavoroCosa cambia, esattamente, in una carriera attraversata dall’AI generativa? Tre meccanismi sono ormai documentati. Primo: l’AI non sostituisce i lavori. Sostituisce i compiti. Uno studio sui mercati del lavoro statunitensi mostra che, all’interno delle occupazioni più esposte, i lavoratori specializzati in compiti di elaborazione delle informazioni hanno subito perdite salariali e sono usciti dalle proprie occupazioni; quelli specializzati in compiti relazionali e di coordinamento hanno guadagnato terreno, perché il carico di lavoro si è ribilanciato a favore delle loro competenze (Freund & Mann, 2025). Il dato cambia la cornice. Il rischio non si misura più al livello del lavoro, ma al livello del compito. Secondo: la pressione è simultanea. Lo studio dell’ILO mostra che la concentrazione dell’esposizione raggiunge il 34% nei paesi ad alto reddito, colpendo contemporaneamente interi settori e categorie occupazionali (Gmyrek et al., 2025). Terzo: le competenze invecchiano più rapidamente di quanto si possa pianificare. Una specializzazione acquisita in due anni può perdere parte del proprio valore in sei mesi. Il modello del “piano di carriera” (analyst, senior analyst, manager) presuppone la stabilità del contesto. Quel paesaggio non è più stabile.Perché imparare l’AI non bastaA questo punto, la reazione istintiva è prevedibile. La risposta culturalmente dominante al cambiamento è una sola: «impara l’AI». La specializzazione tecnica viene presentata come una soluzione naturale. I dati raccontano una storia diversa. Un’analisi della Federal Reserve di New York ha esaminato 1,6 milioni di percorsi formativi di lavoratori americani esposti all’AI, attraverso i programmi federali di sviluppo della forza lavoro, tra il 2012 e il 2023.Il risultato è controintuitivo: chi si è specializzato in competenze AI-intensive ha subito una penalità del 29% sui ritorni salariali, rispetto a colleghi simili che hanno scelto una formazione più ampia e diversificata (Hyman, Lahey, Ni & Pilossoph, 2025). Il dato della Fed di New York non è isolato. Uno studio pubblicato su Organization Science, premiato nel 2025 con l’Olin Award per la rilevanza pratica, ha analizzato un’ampia piattaforma online di freelance dopo il rilascio di ChatGPT, DALL-E e Midjourney. I freelance nelle occupazioni più esposte hanno subito riduzioni sia dell’occupazione sia dei redditi. Ma il dato più sorprendente è un altro: i top performer sono stati colpiti più degli altri. Una reputazione consolidata di alta qualità non ha protetto dagli effetti negativi (Hui, Reshef & Zhou, 2024). La specializzazione stretta nello strumento non paga. L’eccellenza tradizionale, da sola, neanche.Il paradosso tra novizi e veteraniC’è una contraddizione apparente nei dati che vale la pena analizzare. Mentre Hui e colleghi mostrano che i top performer perdono di più nel mercato dei freelance, un esperimento di Brynjolfsson, Li e Raymond pubblicato sul Quarterly Journal of Economics mostra il movimento opposto all’interno della stessa occupazione. Studiando 5.172 operatori di assistenza clienti, gli autori hanno documentato un aumento medio di produttività del 15%, con un +35% concentrato sui lavoratori meno esperti e quasi nullo sui più esperti (Brynjolfsson, Li & Raymond, 2025). Sembra un paradosso: dentro le squadre i novizi recuperano, fuori dal mercato i veterani perdono.In realtà è la stessa dinamica vista da due angolazioni. L’AI dissemina la conoscenza tacita che prima rendeva preziosi i più esperti. Dentro un team, questo significa che i nuovi diventano produttivi più rapidamente. Fuori, sul mercato, significa che i clienti possono ottenere risultati paragonabili da fornitori meno specializzati. Il valore competitivo si sposta dalla conoscenza accumulata, che diventa replicabile, a qualcos’altro. Capire che cos’è questo “qualcos’altro” è la domanda decisiva.La risposta delle competenze non tecnicheLa letteratura non offre ancora un quadro consolidato delle competenze non tecniche utili ad attraversare uno shock di carriera di questa portata. La risposta più solida, paradossalmente, viene dal 1999.Lo psicologo John Krumboltz, di Stanford, propose allora, insieme a Kathleen Mitchell e Al Levin, una teoria che all’epoca apparve controintuitiva. Le carriere di successo, sostennero gli autori, non sono il risultato di una buona pianificazione. Sono il risultato della capacità di trasformare eventi imprevisti in opportunità professionali. Gli autori identificarono cinque disposizioni che distinguono chi è capace di questa trasformazione: curiosità, persistenza, flessibilità, ottimismo, assunzione di rischio. Chiamarono il modello planned happenstance, la casualità pianificata. Il nome è un ossimoro deliberato: non si pianifica la fortuna. Si preparano le condizioni perché la fortuna trovi terreno fertile (Mitchell, Levin & Krumboltz, 1999). Una precisazione metodologica è necessaria. Le cinque disposizioni derivano dall’osservazione clinica, non da una validazione empirica sistematica come sistema integrato. Ma la ricerca successiva, studio per studio, ha mostrato che ciascuna predice, in modo indipendente, come le persone rispondono agli eventi imprevisti della propria carriera.Nel ricostruire la propria carriera, le persone tendono a riconoscere il peso degli eventi imprevisti più di quello delle decisioni pianificate. Ma il fatto che un evento si presenti non basta. Solo chi possiede le cinque disposizioni, o alcune di esse, riesce a trasformarlo in opportunità professionale. Un trasferimento inatteso, in mancanza di curiosità o di disponibilità al rischio, resta semplicemente un trasferimento.Ciascuna disposizione ha una manifestazione specifica nell’interazione con l’AI generativa. La letteratura più recente, incrociata con il modello di Krumboltz, mostra come ciascuna disposizione si traduca in pratica.CuriositàLa curiosità è ciò che porta a esplorare lo strumento prima che qualcuno lo imponga. Un’analisi dei dati di clickstream degli utenti di ChatGPT ha documentato un fenomeno noto come belief trap. Chi parte con una stima bassa dell’utilità dell’AI la usa meno; usandola meno, non accumula l’esperienza necessaria ad aggiornare la propria percezione; la percezione resta bassa e il ciclo si chiude. La trappola colpisce in modo più marcato gli utenti con minore istruzione e le minoranze etniche, che pure traggono utilità maggiore da ciascun uso (Ma, Xu, He & Tan, 2024). Il belief trap descrive chi resta fuori dal ciclo di apprendimento. Lo studio di Brynjolfsson sui call center descrive chi vi entra: i lavoratori meno esperti che usano l’AI accumulano competenze molto più rapidamente dei colleghi che non la usano. La curiosità decide a quale dei due gruppi si appartiene.FlessibilitàLa flessibilità è la capacità di ridisegnare il proprio ruolo quando lo schema precedente non funziona più. Uno studio multi-source a tre ondate su 295 coppie dipendente-supervisore nel settore tecnologico cinese ha mostrato che chi collabora attivamente con l’AI sviluppa un job crafting di tipo promozionale: ridisegna il proprio lavoro cercando nuove risorse e nuove sfide, invece di adattarsi passivamente. Questo processo predice un maggiore coinvolgimento creativo sul lavoro (He & Zhao, 2025).PersistenzaLa persistenza è ciò che tiene la persona nel processo quando i primi tentativi falliscono. Un esperimento condotto in Germania, Svizzera e Regno Unito su 150 partecipanti ha confrontato l’uso non guidato dell’AI con quello strutturato tramite prompting deliberato. L’uso non guidato ha prodotto cognitive offloading, delega del pensiero alla macchina, senza miglioramenti del ragionamento. L’uso strutturato ha ridotto l’offloading e migliorato significativamente il ragionamento critico e il coinvolgimento riflessivo (Gerlich, 2025).OttimismoL’ottimismo non è ingenuità. È la disposizione che tiene aperta la porta all’esperienza. Seligman ha dimostrato che l’ottimismo si apprende e che il suo contrario, l’impotenza appresa, si apprende altrettanto rapidamente (Seligman, 1990). Applicato all’AI, il meccanismo è preciso. L’ottimismo iniziale produce l’uso. L’uso produce l’esperienza. L’esperienza consente di rivedere la propria percezione dello strumento. Il pessimismo, al contrario, si autorinforza nel non-uso permanente.Assunzione di rischioL’assunzione di rischio è la disponibilità a muoversi prima di avere tutte le risposte. Uno studio peer-reviewed su 482 imprenditori, provenienti da settori e paesi diversi, ha identificato la sperimentazione iterativa come il predittore-chiave dell’adozione strategica dell’AI generativa. Non la competenza tecnica, non l’influenza sociale, non la familiarità con la tecnologia: la disponibilità a provare, sbagliare, riprovare (Gupta, 2024).Le disuguaglianze nello shock di carrieraUna nota necessaria, prima di chiudere. Le cinque disposizioni sono formalmente egualitarie, disponibili in linea di principio a tutti. Le condizioni materiali per esercitarle non lo sono. Curiosità costa tempo. Flessibilità costa sicurezza. Rischio costa margine. Il professionista con un contratto stabile può permettersi di sperimentare; il precario con un mutuo non può. E i dati confermano che l’effetto egualitario dell’AI non si estende oltre i confini del gruppo di partenza. Un esperimento pre-registrato condotto su un campione rappresentativo della popolazione in età lavorativa del Regno Unito ha mostrato che ChatGPT aumenta la produttività in tutti i compiti, ma non riduce i differenziali di produttività tra gruppi di genere, età, istruzione od occupazione (Haslberger, Gingrich & Bhatia, 2025). La compressione si ferma al perimetro del gruppo. Le disuguaglianze strutturali, no. La preparazione individuale allo shock di carriera è necessaria. Non è sufficiente. Le condizioni strutturali (politiche del lavoro, investimenti formativi, ammortizzatori sociali) restano una responsabilità collettiva.Un kairos collettivo per le carriereKrumboltz, ventisei anni fa, descriveva eventi non pianificati che colpivano una persona alla volta: una conversazione casuale, un licenziamento, una nuova tecnologia in un settore. L’AI generativa è la prima volta nella storia in cui un evento non pianificato colpisce tutti contemporaneamente. Per centinaia di milioni di professionisti, è un kairos collettivo: il momento opportuno, da cogliere prima che passi o che passi sopra le nostre carriere.FontiAkkermans, J., Seibert, S. E., & Mol, S. T. (2018). Tales of the unexpected: Integrating career shocks in the contemporary careers literature. SA Journal of Industrial Psychology, 44, a1503. https://doi.org/10.4102/sajip.v44i0.1503Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. Quarterly Journal of Economics, 140(2), 889–942. https://doi.org/10.1093/qje/qjae044Eloundou, 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 preprint arXiv:2303.10130). https://arxiv.org/abs/2303.10130Freund, L. B., & Mann, L. F. (2025). Job transformation, specialization, and the labor market effects of AI (Federal Reserve Bank of Minneapolis Institute Working Paper No. 114). https://doi.org/10.21034/iwp.114Gerlich, M. (2025). From offloading to engagement: An experimental study on structured prompting and critical reasoning with generative AI. Data, 10(11), 172. https://doi.org/10.3390/data10110172Gupta, V. (2024). An empirical evaluation of a generative artificial intelligence technology adoption model from entrepreneurs’ perspectives. Systems, 12(3), 103. https://doi.org/10.3390/systems12030103Haslberger, M., Gingrich, J., & Bhatia, J. (2025). No great equalizer: Experimental evidence on productivity effects of generative AI use in the UK labor market [SSRN Working Paper]. https://doi.org/10.2139/ssrn.4594466He, H., & Zhao, L. (2025). Unlocking creative potential through employee–AI collaboration: A self-regulatory focus on job crafting and leaders’ creativity expectations. Journal of Service Theory and Practice. https://doi.org/10.1108/JSTP-12-2024-0427Hui, X., Reshef, O., & Zhou, L. (2024). The short-term effects of generative artificial intelligence on employment: Evidence from an online labor market. Organization Science, 35(6), 1977–1989. https://doi.org/10.1287/orsc.2023.18441Hyman, B. G., Lahey, B., Ni, K., & Pilossoph, L. (2025). How retrainable are AI-exposed workers? (Federal Reserve Bank of New York Staff Reports No. 1165). https://doi.org/10.59576/sr.1165Ma, L., Xu, X., He, Y., & Tan, Y. (2024). Learning to adopt generative AI (arXiv preprint arXiv:2410.19806). https://arxiv.org/abs/2410.19806Mitchell, K. E., Levin, A. S., & Krumboltz, J. D. (1999). Planned happenstance: Constructing unexpected career opportunities. Journal of Counseling & Development, 77(2), 115–124. https://doi.org/10.1002/j.1556-6676.1999.tb02431.xSeligman, M. E. P. (1990). Learned optimism: How to change your mind and your life. Knopf.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. https://doi.org/10.54394/HETP0387