AGI non automatizzerà la maggior parte dei lavori, dice Yale

Pascual Restrepo, un economista di Yale, sostiene in un nuovo working paper del NBER (aprile 2026) che l'intelligenza artificiale generale (AGI) probabilmente non eliminerà la maggior parte dei lavori umani perché, argomenta, la maggior parte delle attività non giustifica i costi fissi e ricorrenti dell'automazione (Fortune, 4 apr 2026; NBER, apr 2026). Il paper riformula il dibattito pubblico: non è principalmente una questione di capacità—di ciò che l'AGI può fare tecnicamente—ma di incentivi del settore privato e del calcolo di redditività che le imprese applicano prima di sostituire il lavoro. La tesi centrale di Restrepo enfatizza i costi di implementazione, gli attriti di integrazione e la distribuzione dei benefici tra capitale e lavoro come vincoli decisivi su un'automazione diffusa. Per gli investitori istituzionali, l'argomento sposta l'orizzonte da una sostituzione deterministica del lavoro a un'adozione selettiva guidata dalla redditività che favorirà certi settori, compiti e tipi di impresa. Questo articolo esplora le evidenze, quantifica le esposizioni potenziali e valuta cosa significhi per la selezione di strategie e il rischio macro una strada di automazione selettiva.

Context

Il paper di Restrepo arriva in un momento di attenzione intensificata da parte di investitori e responsabili politici sull'AI. L'articolo di Fortune che riassume le sue conclusioni è stato pubblicato il 4 aprile 2026 e si è rapidamente diffuso nelle redazioni finanziarie, scatenando nuovo dibattito sul rischio di perdita di lavoro (Fortune, 4 apr 2026). Sul fronte macro, i principali indicatori del mercato del lavoro mostrano resilienza: il tasso di disoccupazione civile negli Stati Uniti era al 3,8% a marzo 2026 secondo il Bureau of Labor Statistics (BLS, mar 2026), un livello storicamente associato a mercati del lavoro molto tesi. In questo contesto, Restrepo sostiene che molte attività svolte dai lavoratori—soprattutto quelle non ripetitive, relazionali o a basso valore aggiunto—non offrono un ritorno sull'investimento convincente per una sostituzione automatica.

Il suo contributo segue un'ondata di letteratura che è passata dall'analisi della fattibilità tecnica a livello di compito (es. analisi nello stile di Frey e Osborne) a una lente economica che valuta i costi di adozione, l'onere di monitoraggio e correzione degli errori e gli attriti manageriali. Restrepo evidenzia tre vincoli concreti: costi iniziali di integrazione (software, hardware, riqualificazione), spese ricorrenti di supervisione e mitigazione degli errori, e limiti ai ricavi o ai risparmi sui costi nell'automatizzazione di attività a basso margine. Chi interpreta i rischi dell'AGI attraverso una metrica grezza di capacità può quindi sovrastimare il ritmo e l'estensione della sostituzione occupazionale. La sfumatura è cruciale: un'automazione selettiva può comunque essere trasformativa in aree concentrate anche se gli effetti occupazionali aggregati risultano attenuati.

Un'analogia storica può essere istruttiva. Il boom della robotica industriale negli anni '90 e 2000 ha prodotto forti guadagni di produttività nei poli manifatturieri, ma i cali occupazionali si sono concentrati nei ruoli manuali di routine mentre i servizi e le professioni ad alta specializzazione sono aumentati. La produzione manifatturiera aggregata è cresciuta anche quando alcuni mercati del lavoro locali si sono contratti. La tesi di Restrepo suggerisce un pattern simile: interruzione concentrata, non sostituzione universale.

Data Deep Dive

Il paper del NBER di Restrepo fornisce illustrazioni empiriche e calcoli a micro-livello a sostegno della sua argomentazione (NBER, apr 2026). Sebbene il sommario di Fortune non renda pubblici tutti i microdati, segnali quantitativi chiave includono case study in cui i risparmi di costo previsti dall'automazione risultano inferiori ai requisiti di rendimento tipici una volta inclusi i costi di integrazione e monitoraggio (Fortune, 4 apr 2026). In altre parole, quando si tiene conto di un aumento del 10–30% nel costo totale di implementazione—guidato da personalizzazione, conformità e supervisione umana—molti candidati all'automazione non superano i test di investimento aziendale standard.

Segnali di mercato complementari sono coerenti con un'adozione selettiva. Gli investimenti in semiconduttori e hardware per l'AI sono aumentati all'inizio del decennio: NVIDIA (NVDA) e altri fornitori di chip hanno registrato aumenti di valutazione sproporzionati—il prezzo delle azioni NVDA è salito materialmente su base annua con l'accelerazione della domanda di capacità di calcolo (dati di mercato, apr 2026)—mentre gli impiegatori del settore dei servizi non hanno subito riduzioni occupazionali corrispondenti. Questi movimenti di prezzo riflettono aspettative degli investitori secondo cui i compiti intensivi di calcolo (data center, addestramento di modelli) sono target di automazione ad alto rendimento, mentre i compiti di lavoro diffuso sono meno attraenti dal punto di vista economico. La divergenza tra i beneficiari del tech-capex e l'occupazione più ampia suggerisce una riallocazione del capitale piuttosto che una contrazione totale della domanda di lavoro.

Anche i costi normativi e di compliance contano. Restrepo evidenzia che i rischi di conformità e responsabilità—soprattutto in sanità, finanza e servizi pubblici—aumentano il costo effettivo dell'automazione. Per esempio, automatizzare un percorso diagnostico clinico richiede validazione normativa ed espone a rischi di malpractice che aumentano significativamente il tempo per generare valore rispetto all'automatizzazione di un processo di riconciliazione back-office. Evidenze empiriche dai processi di revisione regolatoria e dai cicli di approvvigionamento (gare pubbliche che in alcuni settori sono durate in media 18–24 mesi nel 2025) implicano che anche automatizzazioni tecnicamente fattibili possono essere posticipate dalle realtà di governance.

Sector Implications

La tesi dell'automazione selettiva implica vincitori e perdenti tra i settori più che uno shock uniforme. I settori capital-intensive e sensibili alla scala con processi ad alto margine—provider di cloud, hyperscaler, produttori di semiconduttori e società di trading algoritmico—possono beneficiare dall'efficienza guidata dall'AGI perché i costi fissi (calcolo, pipeline dati) si ammortizzano su grandi volumi. Per esempio, le società di infrastrutture cloud che possono centralizzare la supervisione costosa e offrire l'AGI come servizio estraggono un valore sproporzionato rispetto alle piccole imprese decentralizzate.

Al contrario, i settori dominati da servizi locali e relazionali—ospitalità, molte componenti del retail, servizi municipali e cura personale—affrontano barriere maggiori. Queste attività spesso generano piccoli ritorni per interazione, rendendo l'investimento richiesto in sistemi AGI su misura economicamente poco attraente. Anche i servizi sanitari, che richiedono elevata affidabilità e supervisione normativa, presentano costi di automazione più alti e cicli di implementazione più lunghi rispetto a processi interni a basso rischio.

(continua)