Quando si vuole usare AI per spiegare tutto
Un articolo LSE sul calo di assunzioni junior mostra che il riflesso “è l’AI” copre quasi sempre cause più prosaiche. Troppe volte viviamo di questi riflessi che rischiano di portarci fuori strada.
Negli ultimi due anni, leggendo articoli e report, vedo sempre più spesso l’intelligenza artificiale invocata come causa di ogni problema o di ogni rivoluzione, vera o presunta che sia. Un dato sorprendente del mercato del lavoro, un’inflessione della produttività, un cambiamento nei comportamenti dei consumatori: c’è quasi sempre qualcuno pronto a leggerli come effetti dell’AI. Vale per gli indicatori che salgono come per quelli che scendono; vale per i fenomeni nuovi e per quelli che si ripresentano dopo anni. La formula funziona in tutti i casi.
Questa omologazione del giudizio dovrebbe metterci in allarme. Quando una sola causa basta a spiegare tutto, è molto probabile che non stia spiegando bene nulla e sia o l’alibi di turno o l’espediente retorico del momento. Diventa una scorciatoia narrativa: invece di indagare che cosa è cambiato in un fenomeno specifico, si ricorre a una formula pronta, da far valere in qualsiasi contesto. È comoda, comunica bene e offre un paravento credibile per evitare di condurre un’analisi approfondita.
Vediamo un caso concreto in cui l’attribuzione automatica all’AI ha dominato il dibattito pubblico per oltre un anno. Uno studio appena uscito suggerisce un quadro diverso o, quantomeno, invita ad attendere prima di dare giudizi definitivi.
Il caso dei giovani che non vengono assunti
Da circa un anno, qualunque articolo si legga sull’occupazione giovanile parte dalla stessa premessa: l’AI sta tagliando le posizioni entry-level. Il riferimento empirico più citato è uno studio dello Stanford Digital Economy Lab, pubblicato a fine 2025 e firmato da Erik Brynjolfsson, Bharat Chandar e Ruyu Chen. Usando i dati di una grande società di payroll americana, i tre stimano che dal 2022 l’occupazione dei lavoratori tra i 22 e i 25 anni nelle occupazioni più esposte alla GenAI è scesa del 16% rispetto a quella dei loro coetanei in occupazioni meno esposte. Altri studi (Hosseini Maasoum e Lichtinger, Teeselink, Azar e colleghi) giungono a conclusioni simili.
I numeri sono reali. La connessione causale ha l’aria di un fatto accertato. Le pagine economiche e gli analisti si sono allineati in fretta: c’è una macchina che fa quello che facevano i junior, e i junior smettono di essere assunti. La storia è pulita e si racconta bene.
Ed è il momento in cui conviene fermarsi. Quando una storia si racconta troppo bene, bisogna chiedersi che cosa è rimasto fuori. In qualunque studio econometrico, la scelta di quale variabile esaminare implica anche quella di quale non esaminare. E quando una variabile sembra catturare tutto il segnale di un fenomeno che si sta studiando, dobbiamo chiederci se per caso non stia catturando anche il segnale di un’altra variabile che non abbiamo considerato.
Un recente studio di Peter John Lambert (University of Warwick e London School of Economics) e Yannick Schindler (Ellison Institute of Technology, Oxford), reso pubblico a maggio 2026, ha fatto questa fatica. La domanda di partenza è quasi banale: cos’altro è cambiato, nelle stesse occupazioni colpite dall’AI, a partire dal 2022? La risposta è il working from home (WFH). Le occupazioni più esposte all’AI sono, a livello più granulare del classificatore O*NET-SOC americano, anche quelle più migrate verso il lavoro da remoto. Software developer, commercialisti, consulenti e technical writer sono in alto in entrambe le classifiche di esposizione; elettricisti, falegnami e addetti alle pulizie sono in basso in entrambe. La correlazione di rango è pari a 0,77: i due fenomeni colpiscono pressoché le stesse persone.
Da non esperto di statistica, l’ho capito così (gli esperti mi correggano se sbaglio).
Lambert e Schindler hanno raccolto 243 milioni di assunzioni e 407 milioni di annunci di lavoro pubblicati negli Stati Uniti, nel Regno Unito, in Canada e in Australia tra il 2017 e il 2025, e hanno stimato l'effetto di AI e WFH sulla quota di junior tra le nuove assunzioni. Quando testano una variabile alla volta, AI e WFH spiegano il calo in modo quasi identico: un aumento di due deviazioni standard dell'esposizione, in una direzione o nell'altra, predice un calo di 4–5 punti percentuali della quota di junior. Sono numeri solidi e coerenti con la letteratura precedente.
Il momento decisivo si verifica quando le due variabili sono incluse nello stesso modello e si stima il contributo di ciascuna al netto dell'altra. Il WFH continua a spiegare il calo come prima. L'AI, invece, perde quasi tutto il suo peso e, nella maggior parte delle stime, il suo effetto non si distingue più dal rumore di fondo. Il risultato non dipende da come si misura il WFH: anche riducendolo a un sì/no (l'occupazione è migrata al lavoro da remoto, o no), il WFH continua a sovrastare in modo determinante l'AI come spiegazione del calo.
When estimated separately, a two-standard-deviation increase in GenAI and WFH exposure each predicts, by 2025, a fall of around 5pp in the junior-share of new hires and around 3pp in the share of job ads requiring limited experience. Estimated jointly, the WFH effect remains, while the GenAI coefficient attenuates sharply and is often statistically indistinguishable from zero. Alternative exposure measures, residualization designs, flexible non-parametric co-treatment controls, and replacing exposure-measures with actual WFH adoption as the treatment all support our finding that WFH is a robust predictor of the decline in early-career hiring.
Lambert e Schindler hanno dedicato un quarto del paper a verificare che il risultato non sia un artefatto. Hanno provato misure alternative di esposizione, hanno tolto ogni paese a turno e ogni gruppo occupazionale a turno, hanno calcolato indicatori di sensibilità a variabili omesse e simulazioni Monte Carlo per l’errore di misurazione. Il risultato regge a ogni stress test. In 22 delle 24 combinazioni di misure alternative, il coefficiente WFH è maggiore di quello di AI.
Our findings point strongly towards WFH exposure as a better predictor of the decline in relative early-career hiring.
La conclusione del paper è misurata: i due shock non sono separati nei dati così come sono raccolti, ma quando si prova a separarli, il WFH cattura quasi tutto il peso esplicativo. Gli autori lasciano aperta la possibilità che l’AI eserciti anche un effetto, riconoscendo che i loro dati non bastano a misurarlo. Quello che sostengono con chiarezza è che la letteratura che indica l’AI come causa principale del calo delle assunzioni junior si basa su un controllo che nessuno aveva condotto.
Cosa si vede dal tavolo di selezione
Chi lavora in un’organizzazione di una certa dimensione sperimenta, sul piano operativo, ciò che il paper misura su 243 milioni di assunzioni. Quando si valuta l’assunzione di una persona junior che pone come condizione il lavoro completamente da remoto, sorgono riserve operative, le stesse che Lambert e Schindler formalizzano nel paper e che chiunque abbia costruito un team conosce.
La supervisione di una persona inesperta richiede presenza. Un junior va accompagnato, e l’accompagnamento si fa stando vicini. Quello che si impara nei primi anni di un lavoro qualificato passa poco dai contenuti formali; passa dal contatto con colleghi più esperti, dalle conversazioni laterali in corridoio, dall’osservazione di come si gestiscono una telefonata difficile, una negoziazione tesa, un cliente arrabbiato. Sono tutte cose che non si trasferiscono né via Slack né in videoconferenza. Richiedono di essere nella stessa stanza, almeno per parte del tempo.
Davanti alla scelta, succede spesso che si preferisca qualcuno più senior, già formato, disposto a venire in ufficio una parte significativa del tempo. Costa di più, ma evita un costo organizzativo nascosto: tentare di formare un junior senza le condizioni (presenza, vicinanza, scambio quotidiano) che alla formazione danno sostanza. La trasformazione che l’articolo documenta sul piano sistemico (cioè che le aziende spostano le nuove assunzioni verso i profili più esperti) è una somma di decisioni come queste, prese ogni giorno ai tavoli di selezione. Si gioca lì, dentro le aziende, nelle scelte di chi assume.
Tutti i pezzi erano sul tavolo
Fino al paper di Lambert e Schindler, i dati per fare l’analisi giusta c’erano. La misura dell’esposizione al WFH usata nello studio è quella di Hansen e colleghi del 2023; quella dell’esposizione all’AI è di Eloundou e colleghi del 2024; il calo delle assunzioni junior si vede nei dati di payroll dal 2022 in poi. Tutti i pezzi erano sul tavolo. Qualcuno doveva chiedersi se quegli studi misurassero davvero un effetto dell'AI o di un'altra variabile che era rimasta fuori. Se la correlazione fosse anche causazione.
Il riflesso ha fatto da scorciatoia. È meno faticoso scrivere un articolo che attribuisca il fenomeno alla causa più disponibile, che lavorare per due anni a un paper di sessanta pagine per dimostrare che la causa più disponibile coincide con un’altra che nessuno aveva considerato. E adottare un punto di vista accattivante e “di moda” è anche più gratificante: il lettore arriva alla fine dell’articolo con la sensazione di chiarezza, di una posizione assunta, di una tesi difesa. Il fatto che la tesi fosse sbagliata, o quanto meno non controllata e non unica, si scopre solo se qualcuno è disposto a farsi domande di secondo livello.
L’aspetto più preoccupante del riflesso non è tanto l’errore di attribuzione, quanto l’abitudine che si perde: chiedersi cos’altro è cambiato, dove guardare, quali variabili abbiamo lasciato fuori. È la stessa pigrizia cognitiva che, in altri ambiti, fa leggere ogni elezione come un referendum sul tema del momento, ogni crisi aziendale come effetto della congiuntura macroeconomica. Una formula che spiega tutto non spiega più niente: è il momento di diffidarne, non di affidarsi.
Recuperare la capacità di analizzare i problemi è la cosa più antispettacolare che si possa fare, in un momento in cui la superficialità dell’opinione pubblica chiede titoli forti. Ma è anche l’unico modo per non rimanere prigionieri di una formula che sembra spiegare tutto.
Il riflesso AI funziona come tutte le scorciatoie cognitive: dà la soddisfazione immediata di un’attribuzione causale e ci risparmia la fatica di cercare cause concorrenti, sospendere il giudizio e tollerare l’incertezza prima di concludere. È una rinuncia silenziosa che si paga in termini di qualità del pensiero. E si paga ovunque: nel mercato del lavoro, nelle conversazioni aziendali, nelle scelte di policy, nelle analisi quotidiane di un’organizzazione.
Le emozioni che suscita l’AI sono comprensibili, anche legittime. Ma non devono sostituire l’analisi. Quando lo diventano, abbiamo già perso prima ancora di cominciare a parlare.
Questo post è stato scritto con l’assistenza di Claude. Le idee, le posizioni e il ragionamento sono miei.
Il paper di Lambert e Schindler è un working paper SSRN, ancora in fase di peer review. Gli stessi autori non escludono che l'AI eserciti un effetto sull'occupazione junior; sostengono che, sulla base dei dati attuali, il working from home spiega meglio il fenomeno.
© 2026 Alfonso Fuggetta & Sonia Montegiove. Salvo diversa indicazione, tutti i contenuti di questa pubblicazione sono protetti da copyright e rilasciati con licenza CC BY-NC-ND 4.0: https://creativecommons.org/licenses/by-nc-nd/4.0/deed.it
Complimenti Alfonso, ottima presentazione di un ottimo studio... e grazie per la condivisione
Davvero bella analisi, grazie