Jamie Dimon: incentivi per limitare perdita di lavoro AI

Contesto

Jamie Dimon, CEO di JPMorgan Chase, ha dichiarato il 24 marzo 2026 che gli incentivi governativi potrebbero limitare lo spostamento di occupazione dovuto all'intelligenza artificiale, inquadrando la politica pubblica come complemento critico alle risposte del settore privato (Seeking Alpha, 24 mar 2026). Il commento arriva sullo sfondo di stime empiriche divergenti: l'OCSE (2019) ha calcolato che il 14% dei lavori è ad alto rischio di automazione con un ulteriore 32% che affronta cambiamenti significativi, mentre la valutazione di McKinsey del 2017 stimava che fino al 30% delle ore lavorate potrebbe essere automatizzato a livello globale entro il 2030. Storicamente, le previsioni sono variate ampiamente a seconda della metodologia — le analisi basate sulle singole mansioni mostrano tipicamente una maggiore suscettibilità per il lavoro routinario rispetto agli studi a livello di occupazione — e i decisori politici devono confrontarsi sia con vincoli di segnalazione che fiscali quando progettano gli incentivi.

Le osservazioni di Dimon sono significative non solo per la sua piattaforma alla guida di una banca globale, ma perchè spostano l'attenzione dalla retorica privata sulla riqualificazione verso leve di politica pubblica esplicite come crediti d'imposta, sussidi salariali e sostegno mirato alla riqualificazione. I commenti vanno letti alla luce dei dati sulla debolezza del mercato del lavoro: la disoccupazione statunitense è stata in media intorno al 3,5% alla fine del 2023 (BLS) e i ritmi di crescita salariale si sono moderati dopo il picco del 2021–22 legato alla pandemia, ma la riallocazione strutturale potrebbe comunque ampliare disparità regionali e settoriali. Per investitori istituzionali e responsabili politici, l'interazione tra incentivi aziendali all'automazione e programmi pubblici sarà un determinante chiave del ritmo e delle conseguenze di welfare sociale dell'adozione dell'IA.

Il tempismo della dichiarazione di Dimon importa anche per l'allocazione del capitale nel 2026: grandi banche e società tecnologiche hanno intensificato gli investimenti in IA generativa e infrastrutture abilitanti l'automazione dal 2022, e la normalizzazione dei tassi di interesse da parte delle banche centrali nel 2024–25 ha reso più difficili le condizioni di finanziamento per le imprese più piccole. Queste dinamiche modellano i canali attraverso i quali gli incentivi si manifestano — ad esempio, i crediti d'imposta che riducono il costo della formazione sul lavoro avranno una diffusione diversa tra gli incumbents ricchi di liquidità rispetto alle piccole e medie imprese. Gli investitori dovrebbero quindi distinguere tra l'esposizione apparente all'IA e l'intensità di lavoro sottostante e la sensibilità regolamentare nei modelli di business.

Analisi dei dati

Tre riferimenti quantitativi aiutano a inquadrare l'entità della sfida politica. Primo, il rapporto Future of Jobs del World Economic Forum (2020) prevedeva una variazione netta che potrebbe vedere 85 milioni di posti di lavoro spostati entro il 2025 in determinati settori mentre ne verrebbero creati 97 milioni di nuovi, sottolineando che spostamento e creazione possono coesistere ma sono disomogenei per geografie e livelli di competenza. Secondo, lo studio OCSE del 2019 (citato sopra) evidenzia che il 14% dei lavori è altamente automatizzabile, con un ulteriore 32% che probabilmente subirà cambiamenti significativi, il che significa che la politica deve affrontare sia la perdita di posti di lavoro sia la trasformazione degli stessi. Terzo, l'analisi globale di McKinsey del 2017 quantificava che circa il 30% delle ore lavorate potrebbe essere automatizzato entro il 2030, ma sottolineava che la sostituzione dipende dai contesti economici e regolamentari.

Il confronto tra questi studi illustra un punto cruciale: le stime di spostamento variano in base a metodologia, orizzonte temporale e campo di applicazione. Il WEF si concentra sui ruoli nelle transizioni industriali, l'OCSE analizza il rischio di automazione a livello di occupazione nelle definizioni di lavoro esistenti, e McKinsey esamina la sostituzione di mansioni attraverso le ore lavorate. Una lettura anno su anno o trasversale richiede quindi cautela — per esempio, la cifra del 14% dell'OCSE relativa agli alti rischi non è direttamente comparabile con la percentuale del 30% delle ore di McKinsey perché misurano fenomeni correlati ma distinti. Le analisi istituzionali devono perciò usare molteplici lenti, combinando esposizione settoriale, flessibilità del mercato del lavoro regionale e intensità di capitale a livello di impresa.

Le evidenze empiriche sull'efficacia delle politiche restano ancora embrionali. I programmi esistenti del mercato del lavoro hanno prodotto risultati misti: le politiche attive del mercato del lavoro (ALMP) come la formazione sovvenzionata e l'assistenza nella ricerca di lavoro mostrano effetti positivi sull'occupazione in studi randomizzati, ma la scalabilità di tali programmi spesso riduce l'intensità e l'efficacia per partecipante. Negli Stati Uniti, le iniziative federali di riqualificazione storicamente mostrano bassi tassi di completamento o di collocamento quando vengono avviate senza il coinvolgimento dei datori di lavoro, mentre gli apprendistati sovvenzionati dai datori di lavoro in Germania e Svizzera offrono tassi di ritenzione post-programma più elevati. Tale eterogeneità argomenta a favore di incentivi alla partecipazione dei datori di lavoro piuttosto che affidarsi esclusivamente a sussidi all'offerta educativa.

Implicazioni per i settori

Non tutti i settori affrontano la stessa esposizione quantitativa all'automazione guidata dall'IA. Attività amministrative di routine, servizi clienti di base e alcuni compiti nel trasporto sono valutati a rischio più elevato nei framework OCSE e McKinsey; al contrario, settori con elevato contenuto interpersonale o creativo — diagnostica sanitaria integrata con giudizio umano, R&S avanzata e servizi professionali complessi — sono meno automatizzabili nel breve termine. Per banche e servizi finanziari, il rischio di automazione si concentra nelle attività di back office, nella due diligence di base e nei compiti di conformità standardizzati, mentre i ruoli che generano ricavi e richiedono relazioni con i clienti rimangono meno toccati.

Un confronto trasversale rispetto ai pari mostra priorità di capitale divergenti: i grandi incumbents con scala possono investire in IA proprietaria per automatizzare flussi di lavoro e riallocare il lavoro verso attività consulenziali a margine più elevato, mentre le imprese più piccole possono restare indietro e subire pressioni compressive sui margini. Questo divario aumenta i rischi di competitività e concentrazione, amplificando potenziali richieste di politiche a sostegno delle piccole imprese tramite sovvenzioni mirate o fondi di co-finanziamento. Analogamente, le regioni con minor livello di istruzione per adulti e accesso limitato alla banda larga — metriche che si correlano con l'adattabilità digitale — probabilmente sperimenteranno dolori di transizione più profondi a meno che gli interventi non siano geograficamente mirati.

Gli incentivi pubblici plasmeranno quindi gli esiti settoriali. Crediti d'imposta per la formazione sponsorizzata dal datore di lavoro,