Studio · n. 3 · settembre 2026
Il saggio di Bill Gates sul lavoro, verificato con i dati
La porta non si è chiusa. Si è ristretta. Bill Gates sostiene che la soglia del mercato del lavoro sia stata superata. Ho letto il saggio e poi ho passato una settimana a confrontarlo con i dati sull’occupazione che lui non cita mai. La diagnosi regge. La forma del danno non è quella che quasi tutti immaginano.
Una previsione che vale la pena smontare
Non seguo Bill Gates. Ho letto il suo saggio di agosto perché qualcuno me l’ha messo davanti, e mi ha fermato: non perché allarmi, ma perché non lo fa. Si legge come una persona che ha guardato con attenzione un sistema ed elenca ciò che, secondo lei, si rompe, ammettendo quali parti non sa riparare.
Questa combinazione è abbastanza rara da meritare una serata. Quel che segue è il suo argomento, sezione per sezione, con i numeri che lui tralascia. Ogni cifra qui porta alla sua fonte.
Dove il saggio e le interviste dello stesso giorno dicono cose diverse, segnalo cosa viene da dove — e la distinzione conta, perché i numeri più citati stanno nelle interviste, non nel saggio.
La domanda interessante non è mai stata se abbia ragione. È che cosa i dati fanno alla forma della sua affermazione.
Perché il confronto abituale non regge
Pensando a questa transizione, quasi tutti afferrano l’immagine dal campo all’ufficio. Gates sostiene che l’analogia si rompe in due punti, ed entrambi vanno detti con chiarezza.
Primo, i tempi. Quel passaggio si è disteso su generazioni. Questo, per sua stima, ricade su diritto, assistenza clienti, medicina, software e manifattura nell’arco di un decennio.
Secondo, e più importante: il passaggio dal campo all’ufficio creò lavoro che richiedeva cognizione umana. Questa tecnologia sostituisce la cognizione stessa. Non si vede un gradino successivo ovvio dello stesso tipo.
Aggiunge un dettaglio che spiega la velocità. Al personal computer servirono vent’anni per cambiare il modo di lavorare: qualcuno doveva scrivere il software, abbattere il prezzo e formare le persone. Questa tecnologia gira su dispositivi che la gente ha già e parla una lingua normale. Si adatta a noi, non il contrario.
Che cosa, a suo dire, è già stato superato
In interviste dello stesso giorno Gates nomina cinque soglie che considera alle nostre spalle: capacità biologica, capacità cyber, dipendenza psicosociale, sconvolgimento del mercato del lavoro e primi segni di perdita di controllo6.
Il suo punto non è che una di esse sia arrivata. Il punto è che l’industria ha passato anni a promettere di rallentare quando fossero comparse all’orizzonte, e poi le ha oltrepassate senza alcuna discussione pubblica.
Una nota sulle fonti. L’elenco delle cinque soglie non è nel saggio.
Il saggio nomina tre rischi — il lavoro che sparisce, i malintenzionati rafforzati e il danno ai bambini e alle relazioni umane — e dice chiaramente che non esiste un piano per la transizione5. L’inquadramento più netto è arrivato nelle interviste. Gran parte della copertura mescola i due.
La parola soglia non è retorica. I laboratori di punta pubblicano ciascuno un quadro di sicurezza che nomina in anticipo livelli di capacità — assistenza alle armi biologiche, operazioni cyber autonome, auto-propagazione — e si impegnano a fermarsi lì. È questa la promessa che Gates sta misurando.
Dove l’effetto compare davvero
È qui che il suo saggio tace. Scrive che l’occupazione è calata tra i lavoratori giovani delle professioni vulnerabili mentre restava stabile per i colleghi più anziani, e non fornisce alcuna cifra. La cifra esiste, ed è più interessante della frase.
Guardate prima il mercato intero: non c’è quasi nulla da vedere.
I dati delle buste paga, che coprono milioni di lavoratori, raggruppati per quanto la professione è esposta, mostrano tutte le categorie entro un punto percentuale l’una dall’altra3. Per questo diversi gruppi di ricerca riferiscono di non trovare alcuna traccia dell’IA sul mercato del lavoro.
Stanford Digital Economy Lab, panel bilanciato delle buste paga ADP3.
Ora aggiungete una sola variabile. Stessi dati, stesso mese, stesse professioni — divisi per età.
Stesso panel, stesso mese3. Il divario tra i più giovani e la fascia 41–49 è di 4,9 punti percentuali — dentro le stesse professioni.
L’effetto non passa tra le professioni. Passa dentro di esse, ordinato per età. Sulla finestra più lunga la frattura è ancora più netta: da fine 2022 l’occupazione dei 22–25enni nelle due categorie più esposte è calata dell’11 per cento, mentre la stessa fascia d’età nelle tre meno esposte è cresciuta del 103.
−11%
Nei due gruppi più esposti
+10%
La stessa età, nei tre meno esposti
Il contorno tratteggiato è il livello di fine 2022; entrambi i vani si misurano da lì3.
Nessuno viene licenziato. Entra meno gente.
Questa distinzione è il risultato. I tassi di uscita dei giovani lavoratori esposti non sono aumentati: sono rallentate le assunzioni.
La porta non si è chiusa dietro chi è già dentro; si è ristretta per chi cerca di entrare. Gates descrive esattamente questo quando parla dei ruoli d’ingresso, ed è la parte del suo saggio che meglio regge il contatto con i dati.
Che cosa segnalano gli stessi ricercatori. L’effetto si dimezza controllando per istruzione, una parte del calo precede l’IA generativa, e il divario è più piccolo nelle indagini nazionali che in questo panel di buste paga.
Il panel non è rappresentativo del mercato del lavoro statunitense, e l’articolo non è sottoposto a revisione paritaria. Gli autori definiscono i risultati descrittivi, non causali3.
Verificate il vostro lavoro
Gates nomina professioni per osservazione: vendite e assistenza, software, lavoro di assistente legale, poi valutazione del credito, analisi dei dati, triage dei pazienti. Ora esiste una misura ufficiale con cui verificarlo.
Ad agosto il Bureau of Labor Statistics ha pubblicato la sua prima classificazione delle professioni per esposizione all’IA, costruita su cinque misure indipendenti — tre teoriche e due dall’uso reale osservato — insieme alle proiezioni occupazionali al 20351.
Inserite un mestiere qui sotto. Tutto ciò che compare viene dalle fonti elencate in fondo, e ogni cifra porta una nota a quella da cui proviene.
Interattivo · 825 professioni
La professione
E voi dentro
Non è una previsione su di voi. Mostra dove si colloca la vostra professione tra le altre e che cosa è successo all’occupazione delle persone della vostra età in professioni di esposizione simile.
Esposizione significa che un modello è applicabile ai compiti — il Bureau precisa esplicitamente che non implica né perdita del lavoro, né automazione, né effetti sui salari1.
Un quinto del mercato, in dettaglio
Mettete tutte le 825 professioni in una stessa tabella e il quadro è più calmo del dibattito. Ordinate per qualsiasi colonna, filtrate per nome, e la categoria di esposizione si legge dal segno accanto.
Come leggere la tabella
Bureau of Labor Statistics, categorie di esposizione all’IA e proiezioni occupazionali 2025–351.
La quota di occupazione in ciascuna categoria, su tutte le 831 professioni proiettate dal Bureau:
| Esposizione | Professioni | Occupati, 2025 | Quota | Proiezione 2025–35 |
|---|---|---|---|---|
| Molto alta | 206 | 53,2 mln | 31,3% | +2,0% |
| Alta | 206 | 42,1 mln | 24,8% | +3,1% |
| Moderata | 206 | 44,7 mln | 26,2% | +6,2% |
| Bassa | 213 | 30,3 mln | 17,8% | +2,5% |
Bureau of Labor Statistics, categorie di esposizione all’IA e proiezioni occupazionali 2025–351.
Il terzo di mercato più esposto cresce più lentamente degli altri — e cresce comunque. È la proiezione ufficiale, non un’opinione. E la dispersione dentro la categoria più alta è più ampia della dispersione tra categorie:
| Esposizione molto alta | Occupati | Proiezione al 2035 |
|---|---|---|
| Office clerks, general | 2,60 mln | −6,0% |
| Secretaries and administrative assistants | 1,89 mln | −6,0% |
| Bookkeeping and auditing clerks | 1,53 mln | −5,6% |
| Customer service representatives | 2,67 mln | −5,3% |
| Computer and information systems managers | 0,69 mln | +15,8% |
| Logisticians | 0,26 mln | +17,6% |
| Data scientists | 0,28 mln | +34,6% |
Stessa categoria di esposizione, traiettorie opposte. Gates lo dice una volta, in una subordinata che quasi tutte le sintesi hanno tagliato: nel software il calo dei costi genererà nuova domanda, quindi la perdita netta lì sarà minore che altrove. Le proiezioni gli danno ragione.
Lo spostamento arriva quando si smette di controllare
La riga più sottovalutata del saggio non parla di alcuna professione. Gates scrive che il cambiamento maggiore per i lavoratori arriva quando la tecnologia è quasi priva di errori — perché è il momento in cui può funzionare senza una revisione umana, e ogni incentivo economico spinge in quella direzione.
Esiste un benchmark che mette dei numeri su questo.
GDPval di OpenAI valuta i modelli contro professionisti esperti su 1320 prodotti di lavoro reali di 44 professioni, circa sette ore di lavoro ciascuno7. Il titolo dice che un modello di frontiera pareggia o batte l’esperto umano su circa metà dei compiti. Nello stesso articolo è sepolta una tabella che quasi nessuno cita.
Quanto costa controllare
Vantaggio del modello sull’esperto umano
Tutto ciò che sta tra questi due numeri è una questione di quanto controllo si mantiene7.
Misurato in modo ingenuo, il modello è circa 90 volte più veloce e diverse centinaia di volte più economico. Non appena la verifica esperta entra nel prezzo, il vantaggio si comprime a circa 1,1–1,4× sul tempo e 1,2–1,6× sul costo7.
Quindi tutta l’economia della questione sta nel passaggio di verifica. Finché una persona controlla ancora, il guadagno è marginale.
L’intero premio compare nel momento in cui il controllo viene rimosso — ed è esattamente per questo che verrà rimosso, e per questo Gates ha ragione a chiamare questa la vera soglia, e non una capacità particolare.
La parte che il saggio tralascia
Gates costruisce tutto il testo attorno all’equità: questa tecnologia diventerà o il più grande livellatore o la peggiore fonte di ingiustizia. E poi non chiede mai chi occupi davvero i lavori esposti.
Ho incrociato la classificazione dell’esposizione con l’indagine sull’occupazione. Ponderate per quante persone ci lavorano, le professioni della categoria di esposizione più alta sono femminili al 57,5 per cento.
Nella categoria più bassa lo sono al 36,9 per cento14. Venti punti di distanza, e la ragione non è sottile: il lavoro d’ufficio, amministrativo e di supporto è insieme il più esposto e, quasi ovunque, il più femminile.
L’Organizzazione Internazionale del Lavoro trova lo stesso su scala globale, con un metodo costruito su classificazioni internazionali e non americane: nella fascia di esposizione più alta si colloca il 4,7 per cento dell’occupazione femminile contro il 2,4 per cento di quella maschile, e nei paesi ad alto reddito 9,6 contro 3,58.
Lo stesso lavoro dell’OIL serve anche come verifica di scala. Colloca l’esposizione globale al 24 per cento dell’occupazione, mentre il FMI la pone vicino al 409. Due istituzioni credibili, un solo fenomeno, quasi un fattore due tra loro. Chi cita una singola cifra globale con sicurezza ne ha scelta una e ha nascosto l’altra.
Riserve, token e quattro domande senza risposta
Human Reserved
Gates propone di mettere da parte certi lavori per le persone — non perché le macchine non saprebbero farli, ma perché la società decide che la perdita sarebbe troppo grande.
Prende in prestito il linguaggio delle riserve naturali. L’origine personale sono gli ultimi anni di suo padre e chi lo assisteva capendo ancora quell’uomo quando lui non riusciva più a farsi capire.
Offre due motivi. Uno economico: un 55enne che ha passato la carriera in edilizia non si può semplicemente dirottare nell’assistenza agli anziani. Uno umano: un robot che comunica una diagnosi terminale è tecnicamente possibile e non dovrebbe accadere.
Poi elenca, nel suo stesso testo, le quattro domande a cui non sa rispondere. Chi decide che cosa viene riservato. In base a quali criteri. Come si impedisce alle aziende di barare. Che ne è del commercio quando un paese lascia costruire ai robot e un altro no.
Vale la pena confrontarlo con i dati: l’assistenza agli anziani, il suo esempio centrale, è già a corto di personale.
Riservare una professione che non riesce a coprire i propri posti vacanti significa proteggerla da una pressione che ancora non subisce. Una parte di questo la anticipa: si aspetta che il Giappone, con troppi pochi giovani, accolga volentieri il robot che assiste.
Tassare token e robot
L’asimmetria che vuole rimuovere è reale e raramente detta così chiaramente. Assumete una persona e il datore di lavoro paga i contributi. Comprate una macchina e l’azienda la ammortizza. Il codice fiscale oggi sussidia la sostituzione.
Il suo rimedio è un prelievo mirato su token di IA e robot, che finanzi la riqualificazione e una rete di protezione più solida, disegnato per risparmiare gli usi che rendono più economiche medicina e istruzione.
Ammette che è economicamente inefficiente e considera il prezzo accettabile. Nel saggio non compare alcuna aliquota; la cifra molto citata viene da un’intervista ed è avanzata come opzione, non come calcolo6.
L’obiezione più forte è meccanica e non ideologica: una tassa sui token misura il calcolo, non la sostituzione di lavoratori. Il prezzo dei token è caduto di ordini di grandezza, quindi la base si restringe mentre il problema cresce, e l’inferenza migra su dispositivi locali e in altre giurisdizioni.
Su che cosa le persone oneste discutono ancora
Sarebbe facile chiudere dichiarando il caso dimostrato. Non lo è, e il disaccordo vale più di un verdetto.
| Risultato | Fonte |
|---|---|
| La crescita dell’occupazione nel software è rallentata di circa 3 punti l’anno dopo la fine del 2022; circa 500.000 posti non creati | Federal Reserve10 |
| Nessun legame tra uso dell’IA e variazioni occupazionali, fino a luglio 2026 | Budget Lab, Yale11 |
| Risparmiato il 2,8–3% delle ore, effetto esattamente nullo su redditi e ore | Dati amministrativi danesi12 |
| Il calo degli annunci nelle professioni esposte è iniziato a marzo 2022 — prima di ChatGPT — seguendo il ciclo dei tassi | 238 mln di annunci di lavoro13 |
| La disoccupazione è cresciuta di più nel quintile meno esposto che in quello più esposto | Economic Innovation Group14 |
Tre cose su cui tutti questi gruppi concordano, e sono le conclusioni più solide disponibili oggi: a livello macro non c’è sostituzione di massa; il meccanismo è il rallentamento delle assunzioni e non i licenziamenti; e qualcosa sta accadendo ai lavoratori giovani nelle professioni esposte.
Qui rientra un altro limite.
Nessuna previsione per il 2026 può ancora essere verificata sull’occupazione effettiva per professione: la serie occupazionale ufficiale arriva solo a maggio 2025, e la prossima pubblicazione che copre questo periodo non è attesa prima del 2027. Chi oggi vi mostra quel controllo vi sta mostrando rumore.
Che cosa cambiano i numeri
La diagnosi di Gates regge. Il meccanismo è quello giusto, i settori sono quelli giusti, e l’accento sul lavoro d’ingresso è la parte che i dati sostengono più direttamente.
Quello che i numeri cambiano è la forma. Non è un’onda che rotola sulle professioni e le prende una a una. È un filtro che opera dentro le professioni e ordina in base a da quanto tempo ci si sta. Seleziona contro chi ha meno riserve e più anni davanti.
Chiude il suo saggio con quattro domande e nessuna risposta.
La mia è più stretta e più facile da sciogliere di tutte: se il meccanismo è un rallentamento delle assunzioni all’ingresso, allora il bersaglio della politica non è quali professioni recintare, ma chi ottiene il primo gradino. Le riserve proteggono chi è già sulla scala.
Fonti
- US Bureau of Labor Statistics. AI exposure categories and employment projections, 2025–35, pubblicato il 27 agosto 2026. Categorie costruite su cinque misure indipendenti. bls.gov/emp/publications/ai-exposure-categories.htm
- Anthropic Economic Index, insieme di dati labor market impacts — quota misurata dei compiti di una professione portati al modello. huggingface.co/datasets/Anthropic/EconomicIndex
- Brynjolfsson, Chandar, Chen. Canaries in the Coal Mine? Stanford Digital Economy Lab, revisione di agosto 2026; panel delle buste paga ADP fino a luglio 2026. digitaleconomy.stanford.edu/publications/canaries-in-the-coal-mine
- US Bureau of Labor Statistics, Current Population Survey, tabella 11: occupati per professione dettagliata e sesso, medie annue 2025. bls.gov/cps/cpsaat11.htm
- Bill Gates. The turbulent AI era is here. The choices we make now are critical. GatesNotes, 26 agosto 2026. gatesnotes.com
- Intervista della MIT Technology Review a Bill Gates, 26 agosto 2026 — fonte delle cinque soglie e delle aliquote citate. technologyreview.com
- GDPval, OpenAI — 1320 prodotti di lavoro reali di 44 professioni; per le cifre corrette per la verifica si veda la tabella dei costi. arxiv.org/abs/2510.04374
- International Labour Organization. Generative AI and Jobs: A Refined Global Index of Occupational Exposure, working paper 140, maggio 2025. ilo.org
- International Monetary Fund. Gen-AI: Artificial Intelligence and the Future of Work, SDN/2024/001, gennaio 2024. imf.org
- Crane e Soto, Federal Reserve Board, FEDS 2026-018, marzo 2026.
- Budget Lab at Yale, Tracking the impact of AI on the labor market, aggiornato il 19 agosto 2026. budgetlab.yale.edu
- Humlum e Vestergaard, NBER Working Paper 33777, revisione di marzo 2026.
- Iscenko e Curto Millet, gennaio 2026 — 238 milioni di annunci di lavoro.
- Eckhardt e Goldschlag, Economic Innovation Group, AI and Jobs, agosto 2025. eig.org
Insieme di dati unificato dietro le parti interattive: 825 professioni con occupazione, proiezione, retribuzione mediana, categoria ufficiale di esposizione, quota misurata dei compiti portati ai modelli e composizione per sesso.
Assemblato nel settembre 2026 a partire dalle fonti 1, 2, 4 e dalla pubblicazione Occupational Employment and Wage Statistics del maggio 2025.
Tradotto dall’originale inglese. I nomi delle professioni restano in inglese: sono le denominazioni ufficiali della classificazione SOC, ed è su quelle che funziona la ricerca. Dove conta la formulazione esatta della fonte, verificate i documenti collegati sopra.