Sommario
L'arrivo dell'IA generativa e dei grandi modelli linguistici ha riacceso un acceso dibattito macroeconomico: l'automazione cognitiva rapida può provocare una recessione guidata dalla domanda paragonabile alle contrazioni sistemiche del passato? Commenti recenti, incluso un riassunto del 26 marzo 2026 della ricerca di Citrini «La crisi globale dell'intelligenza del 2028» (segnalata su ZeroHedge), inquadrano uno scenario di massimo rischio in cui l'accelerato spiazzamento dei colletti bianchi produce una spirale deflazionistica. Tale argomentazione si pone in contrapposizione a valutazioni più ottimistiche del settore e delle politiche che evidenziano guadagni di produttività, creazione di nuovi posti di lavoro e una successiva ripresa della domanda. Il precedente storico mostra che gli shock tecnologici possono sia distruggere posti di lavoro sia creare nuove strutture economiche, ma l'ampiezza, i tempi e la distribuzione di questa trasformazione contano per il rischio sistemico. Questo articolo sintetizza studi empirici e rapporti pubblici, quantifica l'esposizione per settore e geografia e valuta leve di policy e implicazioni per i mercati finanziari senza prescrivere azioni d'investimento.
Contesto
La lunga traiettoria dell'automazione è caratterizzata da salti episodici di produttività seguiti da estesi aggiustamenti del mercato del lavoro. La meccanizzazione all'inizio del XX secolo e l'adozione dell'IT alla fine del XX secolo hanno entrambe prodotto sia discontinuità sia crescita netta dell'occupazione; nondimeno i tempi dei guadagni in output per lavoratore e della riassorbimento della forza lavoro spiazzata possono estendersi per decenni. La crescita della produttività del lavoro negli USA è stata in media di circa l'1,2–1,5% annuo durante gli anni 2010 (serie BLS, settore non agricolo delle imprese), un ritmo attenuato che ha frustrato i decisori politici alla ricerca di aumenti secolari del tenore di vita. I sostenitori dell'IA sostengono che gli attuali modelli generativi potrebbero innescare un'inversione di tendenza più pronunciata nella produttività, mentre i critici avvertono che la velocità dello spiazzamento potrebbe superare la riqualificazione e la riallocazione della domanda.
Quantificare l'esposizione è controverso ma essenziale per calibrare il rischio macro. Il McKinsey Global Institute (2017) stimò che circa il 50% delle attività lavorative a livello mondiale potrebbe essere automatizzato con la tecnologia esistente, suggerendo che 400–800 milioni di persone potrebbero essere spiazzate dall'automazione entro il 2030 in base a certi scenari di adozione (McKinsey Global Institute, 2017). L'analisi OCSE del 2019, applicando una metodologia basata sulle attività in 32 paesi, rilevò una media di circa il 14% dei posti di lavoro altamente automatizzabili, con un ulteriore 32% di lavori che affrontano cambiamenti significativi nelle attività (OCSE, 2019). Differenze di definizione — attività vs. lavori interi, ore vs. teste — spiegano l'ampia varianza tra gli studi, e le valutazioni industriali più recenti (2024–2026) hanno continuato a restringere e rivedere queste stime.
La storia delle politiche sottolinea che sono gli effetti distributivi, non il mero output aggregato, a determinare la stabilità macroeconomica. La Grande Depressione comportò un crollo del PIL statunitense di quasi il 30% tra il 1929 e il 1933 e una disoccupazione che toccò circa il 24,9% nel 1933, esiti determinati dal collasso della domanda, dai fallimenti bancari e da errori di politica. Al contrario, la Crisi Finanziaria Globale vide la disoccupazione USA salire a circa il 10% nel 2009 (U.S. BLS) e interventi fiscali/monetari su vasta scala che limitarono le cicatrici di lungo periodo. Questi episodi contrastanti mostrano che il luogo in cui gli shock dell'IA colpiscono — domanda vs. offerta — e come i decisori politici rispondono determineranno se l'esito macro sarà una depressione profonda e persistente o una transizione dolorosa ma contenuta.
Analisi dettagliata dei dati
Una lettura più attenta dei numeri evidenzia sia la scala sia l'incertezza. Il lavoro del 2017 di McKinsey è frequentemente citato per i suoi intervalli principali — 50% di attività automatizzabili e 400–800 milioni di lavoratori potenzialmente spiazzati entro il 2030 — ma enfatizzava che lo spiazzamento reale dipende dall'adozione a livello di impresa, dagli investimenti complementari e dalle scelte di policy. L'analisi a livello di attività dell'OCSE del 2019 fornisce una stima inferiore del 14% di posti altamente automatizzabili nelle economie avanzate, ma segnala che un altro terzo dei lavori subirà cambiamenti sostanziali, il che può produrre spiazzamenti parziali o rilevanti esigenze di riqualificazione (OECD Employment Outlook, 2019).
Narrative più recenti hanno amplificato i timori. Il rapporto di Citrini Research intitolato «La crisi globale dell'intelligenza del 2028», discusso in un articolo del 26 marzo 2026, ipotizza un'accelerazione rapida delle capacità dell'IA nel periodo 2026–2028 che genera perdite di posti concentrate in ruoli cognitivi di medio livello e produce una contrazione della domanda a catena (ZeroHedge, 26 mar 2026). Quello scenario proietta grandi ondate di spiazzamento in una finestra di 24 mesi, una rapidità che molti economisti considerano storicamente senza precedenti e quindi più propensa a generare disoccupazione transitoria e carenze di domanda in assenza di risposte politiche aggressive. Analisi indipendenti del settore pubblicate tra il 2024 e il 2026 mostrano adozioni eterogenee: le grandi aziende tecnologiche e del settore finanziario hanno integrato strumenti di IA più rapidamente, mentre le piccole imprese e i datori di lavoro del settore pubblico restano più lenti, creando asimmetrie nei guadagni di produttività e nella distribuzione del reddito.
La geografia conta. I quadri di McKinsey e OCSE implicano entrambi che i paesi a basso e medio reddito con un'elevata quota di ruoli di servizio routinari affrontano profili di esposizione differenti rispetto alle economie ad alto reddito dominate da compiti cognitivi complessi. Allo stesso tempo, molti lavori di servizio nelle economie avanzate — contabilità, ricerca legale, funzioni di middle-office finanziario — mostrano un'elevata esposizione nel breve termine date le capacità attuali dell'IA generativa, aumentando le concentrazioni di rischio in specifiche platee di lavoro e in mercati urbani.
Implicazioni per i settori
I servizi finanziari, i servizi legali e alcuni segmenti della tecnologia emergono come adottatori precoci e settori ad alta esposizione. Le aziende nei settori finanziario e dei servizi professionali stanno già integrando l'IA generativa nelle pratiche di underwriting, modellazione del rischio, revisione documentale e workflow di compliance, dove l'automazione delle attività offre efficienze immediate di costo e tempo. Il risultato sono rendimenti di capitale asimmetrici: le imprese incumbent con economie di scala e vantaggi nei dati possono cogliere guadagni di produttività sproporzionati nel breve termine, mentre le aziende più piccole e i modelli di servizio ad alta intensità di lavoro affrontano rischi di spiazzamento più elevati. Questo effetto di concentrazione ha implicazioni per il credito c
