AI disruption

Tutte le informazioni presenti in questo sito hanno esclusivamente un fine illustrativo.

Tutte le informazioni presenti in questo sito non costituiscono in nessun caso prescrizione, diagnosi o consulenza di qualsiasi genere. 

Il punto di partenza - uno scenario apocalittico ben costruito

Il video di Aswath Damodaran analizza una domanda che attraversa economia, finanza e politica del lavoro: l'intelligenza artificiale sta per provocare una crisi sistemica, o il panico è eccessivo rispetto ai fondamentali?

Il punto di partenza è il report di Citrini Research, che articola uno scenario apocalittico con una data precisa: 30 giugno 2028. La scelta di una data è già di per sé un atto epistemologico coraggioso e, al tempo stesso, metodologicamente discutibile. Fissare un orizzonte temporale così compresso, trasforma una previsione strutturale in una scommessa quasi speculativa. Citrini ipotizza disoccupazione oltre il 10%, mercati in declino del 40% e contrazione dell'intera domanda aggregata. La caratteristica più interessante di questa tesi, che la distingue dallo scetticismo tradizionale, è che non scommette sul fallimento dell'IA, ma sul suo successo. Non è un argomento luddista: è un argomento che dice: l'IA funzionerà così bene, così in fretta, che il sistema economico non avrà il tempo di adattarsi.

Questo ribaltamento logico merita attenzione. La letteratura economica sulla disoccupazione tecnologica si è storicamente divisa tra chi teme la sostituzione e chi invoca la lump of labour fallacy: l'errore di credere che il numero di posti di lavoro sia fisso. Citrini non commette questo errore ingenuo: riconosce che nel lungo periodo l'economia si aggiusta, ma argomenta che il tasso di aggiustamento sarà questa volta insufficiente rispetto alla velocità della disruption.

La risposta dei mercati - tre pilastri e i loro limiti

Citadel e altri operatori istituzionali hanno confutato questa tesi su tre fronti. Vale la pena esaminarli non solo per quello che affermano ma anche per i loro limiti impliciti.

• Il primo argomento è empirico - i dati attuali non mostrano un crollo dell'occupazione, nemmeno nel settore software, storicamente il più esposto. Questo è vero, ma sconta un'assunzione temporale cruciale: che la velocità di adozione attuale sia rappresentativa di quella futura. I modelli di diffusione tecnologica seguono tipicamente curve a S, non linee rette. La fase iniziale di adozione lenta può precedere un'accelerazione brusca. Ragionare dai dati del presente per confutare scenari del 2028 è metodologicamente fragile.

• Il secondo argomento è storico - le rivoluzioni tecnologiche passate (il PC, internet, la meccanizzazione industriale) hanno richiesto decenni per manifestare i loro effetti sul mercato del lavoro. Questo è corretto ma si presta a un'obiezione speculare: ogni ondata tecnologica è stata più rapida della precedente. La diffusione di internet ha impiegato meno tempo di quella dell'elettricità; quella degli smartphone meno di internet. Se la curva di accelerazione è essa stessa in accelerazione, il riferimento storico potrebbe sottostimare sistematicamente la velocità della disruption attuale.

• Il terzo argomento riguarda la produttività - storicamente, gli aumenti di produttività non hanno generato crisi economiche della magnitudo ipotizzata. Anche qui il ragionamento regge sul lungo periodo, ma omette la distribuzione degli shock nel breve: la Rivoluzione Industriale ha prodotto decenni di miseria per larghe fasce della popolazione inglese prima di generare benessere diffuso. Il lungo periodo è la somma di molti brevi periodi, e in alcuni di essi le cose possono andare molto male.

Il 3P Test - un framework probabilistico rigoroso

La contribuzione più preziosa di Damodaran non è la risposta che dà allo scenario Citrini, ma il metodo con cui la formula. Il 3P Test è un framework di pensiero probabilistico che dovrebbe essere standard in qualsiasi analisi di scenario.

La distinzione tra i tre livelli non è banale. Possibile significa logicamente consistente: lo scenario non viola leggi fisiche o economiche fondamentali. Plausibile aggiunge un vincolo epistemico più forte: richiede supporto empirico e analogie storiche credibili. Probabile è il livello più esigente: richiede che lo scenario sia supportato da ciò che l'IA sta già facendo concretamente, in modo misurabile.

Questa gerarchia è particolarmente utile nel dibattito sull'IA perché la maggior parte delle narrative apocalittiche si arrestano al livello del possibile senza salire a quello del plausibile. Costruire modelli linguistici in grado di sostituire interi strati di lavoro cognitivo è possibile in senso tecnico; che questo avvenga nella tempistica e con la diffusione ipotizzate da Citrini richiede una catena di condizioni aggiuntive la cui probabilità congiunta è molto più bassa della probabilità di ciascuna componente individuale.

Settori a rischio - una mappa strutturale

L'analisi settoriale di Damodaran introduce tre variabili chiave che determinano la vulnerabilità di un settore alla disruption da IA:

I margini lordi elevati creano un incentivo economico potente alla sostituzione. Se un'attività genera il 70-80% di margine e può essere parzialmente automatizzata riducendo il costo del lavoro, il ritorno sull'investimento nell'IA è immediato e sostanziale. È per questo che i servizi professionali ad alta marginalità (consulenza strategica, servizi legali standardizzati, ricerca finanziaria) sono più esposti della manifattura a basso margine.

Il carattere rule-based del lavoro è la seconda variabile critica. I modelli linguistici di grandi dimensioni eccellono in compiti che possono essere formalizzati, anche se in modo implicito: redazione di contratti standard, analisi di bilanci, due diligence documentale, produzione di research reports. Là dove il lavoro è invece intrinsecamente contestuale, relazionale e adattivo (la negoziazione di una fusione complessa, la gestione di una crisi reputazionale, il giudizio clinico in condizioni di incertezza) la sostituzione è tecnicamente più ardua e culturalmente più resistita.

La protezione sistemica è il fattore più sottovalutato nel dibattito pubblico. Damodaran cita il caso del banking M&A e dell'appraisal business: entità che potrebbero sopravvivere non perché l'IA non sia tecnicamente in grado di svolgere il loro lavoro, ma perché il sistema legale e regolatorio richiede firme umane e responsabilità personale. Un tribunale non accetta una valutazione firmata da un algoritmo; una banca centrale non riconosce un'opinione di fairness prodotta da un LLM. Questa non è inefficienza normativa: è, in molti casi, una scelta deliberata di allocazione della responsabilità che ha radici profonde nel diritto e nella governance istituzionale.

A questo si aggiunge la dimensione del lobbying professionale. Le professioni regolamentate hanno storicamente dimostrato una notevole capacità di difendere le proprie barriere all'ingresso attraverso l'influenza legislativa. Avvocati, medici, notai, commercialisti (categorie con alta densità organizzativa e accesso privilegiato ai processi normativi) potrebbero rallentare significativamente la penetrazione dell'IA attraverso strumenti regolatori, indipendentemente dalla fattibilità tecnica della sostituzione.

La scommessa di Pascal applicata all'IA - una strategia individuale robusta

Mutuando la struttura logica della scommessa di Pascal (l'argomento teologico per cui conviene credere in Dio anche in assenza di certezza, perché il costo di credere se Dio non esiste è basso, mentre il costo di non credere se Dio esiste è infinito) Damodaran costruisce un argomento per l'adattamento proattivo.

La struttura è questa: se l'IA rimpiazzerà massicciamente i lavoratori cognitivi e tu ti sei adattato, sopravvivi. Se l'IA non li rimpiazza e tu ti sei adattato, sei comunque un professionista migliore. Se l'IA rimpiazza massicciamente e tu non ti sei adattato, sei in difficoltà. Il quarto quadrante (IA non dirompente e mancato adattamento) è l'unico scenario in cui non adattarsi non produce costi ma è anche il quadrante che stai scommettendo di indovinare con precisione.

Le competenze strategiche che Damodaran individua come difensive sono tre:

Il pensiero generalista è la prima. I modelli di IA sono ottimi interpolatori all'interno di domini ben definiti ma faticano nell'integrazione di conoscenze eterogenee e nel trasferimento analogico tra domini distanti. Un professionista capace di connettere finanza, diritto, psicologia organizzativa e strategia competitiva in un ragionamento coerente mantiene un vantaggio che è strutturalmente difficile da replicare con i sistemi attuali.

Il pensiero critico è la seconda. Non nel senso generico del termine ma nel senso specifico della capacità di identificare le assunzioni nascoste nei modelli, di riconoscere quando un output algoritmico è plausibile ma errato, di valutare la qualità dell'evidenza. Paradossalmente, un mondo in cui l'IA produce grandi quantità di output cognitivo richiede più pensiero critico umano, non meno, perché aumenta il volume di materiale che necessita di validazione.

La narrazione unita alla logica è la terza. I modelli linguistici sono fluenti ma spesso privi di giudizio narrativo autentico: sanno costruire frasi ma faticano a costruire argomenti che siano al tempo stesso rigorosi e persuasivi in contesti relazionali complessi. La capacità di tradurre un'analisi quantitativa in una storia comprensibile, di calibrare il messaggio sull'interlocutore, di gestire l'incertezza in modo trasparente senza perdere autorevolezza: queste rimangono capacità profondamente umane.

Una valutazione critica complessiva

L'analisi di Damodaran è solida nel metodo e onesta nelle incertezze. I suoi limiti principali sono due.

Il primo è che sottostima il rischio di compressione salariale anche in assenza di sostituzione totale. Non è necessario che l'IA elimini i posti di lavoro perché produca effetti economici negativi: è sufficiente che aumenti il potere contrattuale dei datori di lavoro, riducendo i salari di riserva dei lavoratori cognitivi. Un avvocato che sa che un LLM può fare il 60% del suo lavoro è in una posizione negoziale strutturalmente più debole, anche se non viene licenziato.

Il secondo limite è che la scommessa di Pascal individuale funziona a livello micro ma non risolve il problema macro. Se tutti i professionisti si adattano diventando migliori generalisti, il mercato del lavoro potrebbe comunque contrarsi in termini di volume occupazionale totale, con effetti ridistributivi che nessun adattamento individuale può assorbire completamente. Le soluzioni a quel livello richiedono politiche fiscali, sistemi di protezione sociale e ridistribuzione della produttività.

Resta il fatto che il suo contributo più duraturo in questo dibattito è metodologico: la distinzione tra possibile, plausibile e probabile è uno strumento concettuale che importante ogni volta che si parla di scenari tecnologici. La chiarezza analitica non risolve l'incertezza ma impedisce che l'incertezza venga colonizzata dall'ansia o dall'euforia.

Massimo Zanetti