Il dibattito pubblico sull’intelligenza artificiale e l’occupazione si concentra quasi sempre sulla stessa domanda: quanti lavori verranno automatizzati? Quali mansioni, quali settori, quali categorie di lavoratori sono più esposte? È la domanda giusta, ma non è l’unica che conta. Un recente lavoro di Eduardo Levy Yeyati della Universidad Torcuato Di Tella di Buenos Aires (Too Fast to Adjust, febbraio 2026) propone una lettura alternativa che sposta l’attenzione su una variabile trascurata: la velocità di adozione dell’intelligenza artificiale.
L’argomento centrale è apparentemente semplice ma di grande portata. Due economie che arrivino allo stesso livello finale di automazione possono percorrere transizioni radicalmente diverse, e quella che ci arriva più in fretta non è necessariamente quella che sta meglio. Può anzi uscirne permanentemente peggio, anche se la produttività di lungo periodo è identica.
Il meccanismo è quello della coda di riqualificazione. Quando l’automazione sposta i lavoratori da mansioni ripetitive, questi entrano in un percorso di riqualificazione che ha una capacità di assorbimento limitata. Se l’adozione è rapida, la stessa massa di lavoratori da riqualificare arriva in una finestra temporale molto più compressa, intasando il sistema. I lavoratori che si trovano di fronte a code lunghe, salari in calo nelle mansioni non abitudinarie e prospettive di ricollocazione incerte compiono una valutazione razionale: aspettare non conviene più. Escono definitivamente dal mercato del lavoro. E quell’uscita è irreversibile.
Il costo sociale dell’adozione rapida non si misura quindi nel livello finale di partecipazione al mercato del lavoro, ma nel percorso: quanto bruscamente scende, per quanto tempo rimane depressa, e quanta quota di reddito da lavoro viene compressa nel frattempo. Due economie con lo stesso orizzonte tecnologico possono divergere profondamente a seconda di quanta pressione viene esercitata sul sistema di riqualificazione in un dato momento.
Levy Yeyati formalizza questa intuizione in un modello dinamico che produce quattro risultati principali. La disoccupazione di picco cresce linearmente con la velocità di adozione, perché lo stesso numero totale di lavoratori da dislocare arriva tutto insieme in una finestra più stretta. L’uscita permanente dal mercato del lavoro è maggiore sotto adozione rapida, anche quando i livelli di lungo periodo tendono a convergere.
I salari nelle mansioni non abitudinarie seguono uno schema di incrocio: sono più bassi durante la transizione sotto adozione rapida — quando i lavoratori riqualificati affluiscono più velocemente di quanto la domanda si espanda — e poi più alti nel lungo periodo, per il semplice fatto che meno lavoratori riescono a completare la riqualificazione. Un’economia con adozione accelerata può dunque mostrare salari in crescita per chi rimane occupato e al contempo una partecipazione al mercato del lavoro permanentemente più bassa: un risultato che le statistiche sui salari medi tendono a considerare, sbagliando, come un elemento positivo.
Infine, e questo è forse il punto più rilevante per la politica economica, esiste un problema di asimmetria tra effetti sul benessere sociale e sulle imprese che beneficiano dell’aumento di produttività. Le imprese, infatti, non sostengono nessuno dei costi relativi alla congestione della coda di riqualificazione e alla riduzione permanente della partecipazione al mercato del lavoro. Se raffigurato in un grafico, noteremmo che la linea del benessere sociale diventa concava, mano a mano che aumenta la velocità nell’adozione dell’intelligenza artificiale. Il modello individua anche una velocità massima di adozione che consente la massimizzazione del benessere sociale; ed è una velocità piuttosto bassa.
Che fare? Rallentare l’adozione tecnologica non è necessariamente la risposta giusta. Il problema non è la velocità in sé, ma il disallineamento tra velocità di adozione e capacità istituzionale di riqualificazione. Le due leve sono complementari, non sostitute: investire nella capacità di riqualificazione consente di sostenere ritmi di adozione più elevati senza generare uscite permanenti. Il problema del pianificatore non è fissare un limite di velocità, ma coordinare due investimenti complementari che il mercato, lasciato a sé stesso, tende a disaccoppiare.
La vera gara che definirà l’impatto sociale dell’IA non è tra macchine e lavoratori. È tra la velocità con cui le imprese adottano e la capacità delle istituzioni di riassorbire chi viene spiazzato. Finora, nel dibattito pubblico, solo la prima metà di questa gara è sotto osservazione.
Illustrazione di hafiz Muhammad Farooq
