di Greta Sofia Lampis

Abstract

L’intelligenza artificiale (IA) generativa sta trasformando profondamente il mondo del lavoro e dell’istruzione, ridefinendo sia le competenze richieste sia le modalità di apprendimento di nuove competenze. Questo articolo analizza il doppio impatto dell’IA generativa sulle dinamiche occupazionali e sulla formazione professionale.

La prima parte esamina come l’adozione di strumenti di IA stia modificando la domanda di competenze e l’occupazione. L’analisi si fonda sulle teorie della polarizzazione del lavoro e del cambiamento tecnologico e riporta i contributi più recenti che mettono in discussione ed estendono queste narrazioni.

La seconda parte si concentra sull’IA come strumento formativo ed esplora il potenziale di piattaforme di apprendimento personalizzate attraverso evidenze tratte da meta-analisi e studi sperimentali che ne valutano l’efficacia nell’acquisizione di competenze.

In conclusione, il lavoro riflette sui rischi emergenti e sulle politiche necessarie per garantire un’integrazione etica ed inclusiva dell’IA nei contesti lavorativi e formativi.

Parole chiave: IA generativa; mercato del lavoro; competenze; apprendimento personalizzato; politiche pubbliche

Introduzione

La letteratura economica ha tradizionalmente analizzato l’impatto tecnologico sul lavoro attraverso le  lenti interpretative del cosiddetto Skill-Biased Technological Change (SBTC) (Acemoglu, 2002; Bartel et al., 2007; Bresnahan et al., 2002; Graetz & Michaels, 2018; Katz & Murphy, 1992;  Gregg & Manning, 1997) e del Routine-Biased Technological Change (RBTC) (Acemoglu & Autor, 2011; D. Autor, 2015; D. H. Autor et al., 2003; Goos et al., 2021). Secondo l’ipotesi SBTC, il progresso tecnologico tende a favorire i lavoratori altamente qualificati, aumentando i premi salariali per chi possiede competenze avanzate. La teoria del RBTC sostiene invece che le tecnologie digitali colpiscano principalmente le occupazioni caratterizzate da mansioni routinarie di medio livello, facilmente automatizzabili, risparmiando sia i compiti ad alta specializzazione creativa sia quelli manuali non ripetitivi.

L’esito di questi processi è stato descritto come polarizzazione del lavoro: un’erosione delle posizioni intermedie a vantaggio sia delle professioni altamente qualificate sia di quelle a bassa qualifica nei servizi, con uno “svuotamento” quindi della fascia media. Questo fenomeno, documentato dagli anni ’80 in numerosi paesi avanzati (Autor et al., 2006), è stato attribuito in parte all’automazione e all’adozione delle tecnologie dell’informazione e della comunicazione, che hanno progressivamente sostituito impiegati amministrativi, operai specializzati e altri profili intermedi.

Oggi ci si interroga su come l’avvento dell’IA generativa, capace di svolgere compiti cognitivi complessi e persino attività creative, stia rimodellando questi schemi. Da un lato l’IA generativa potrebbe accentuare le tendenze di polarizzazione, automatizzando ancora più mansioni qualificate di tipo routinario-cognitivo, riducendo ulteriormente le opportunità per i lavoratori mediamente qualificati. Dall’altro lato, un’ipotesi alternativa suggerisce che l’IA generativa potrebbe avvantaggiare proprio le occupazioni intermedie, rafforzando le competenze dei lavoratori meno esperti (Autor, 2024).  

L’obiettivo di questo articolo è perciò duplice: (1) analizzare come l’IA generativa influenzi la l’occupazione e la domanda di competenze nel mercato del lavoro, riportando le evidenze più recenti; (2) esaminare come la stessa tecnologia possa essere utilizzata in ambito di istruzione e formazione professionale per sviluppare competenze, indagando la letteratura che ne valuta l’efficacia e i possibili rischi.

Trasformazione della domanda di competenze

L’impatto dell’IA generativa sul lavoro va inquadrato nel contesto più ampio dei cambiamenti tecnologici e della loro influenza sulla domanda di competenze. Negli ultimi decenni, l’adozione di tecnologie informatiche ha favorito le competenze elevate e ridotto il peso delle mansioni routinarie, contribuendo alla polarizzazione occupazionale. L’innovazione tecnologica può sia distruggere posti di lavoro esistenti sia crearne di nuovi. Gli esiti netti dipendono dalla tensione tra diversi effetti. Acemoglu e Restrepo (2019) formalizzano questa dinamica distinguendo tre meccanismi principali:

• Effetto di spiazzamento: quando un algoritmo o un robot sostituisce un’attività svolta da umani, riducendo la domanda di lavoro in quel compito specifico.
• Effetto di produttività: quando l’automazione abbassa i costi e aumenta la produzione, generando indirettamente maggiore domanda di lavoro in aree non automatizzate.
• Effetto di reintegrazione: quando l’introduzione di una tecnologia crea nuovi compiti in cui il lavoro umano mantiene un vantaggio comparato.

 Allo stesso tempo, l’uso diffuso di questi sistemi genera nuova domanda di lavoro umano: dall’istruire e supervisionare il modello fino a progettare prompt efficaci e integrare i risultati dell’IA nei flussi di lavoro. Tali nuove attività, a maggiore contenuto cognitivo, rappresentano possibili ambiti in cui l’IA potenzia le capacità umane invece di sostituirle.

Un aspetto chiave per comprendere l’effetto netto sul lavoro è distinguere dove l’IA generativa agisce principalmente come strumento di automazione e dove invece opera come strumento di potenziamento. Le conseguenze occupazionali divergono significativamente a seconda di questa distinzione. Se l’IA viene impiegata per rimpiazzare interamente compiti e competenze umane, è probabile una riduzione della domanda di lavoro in quei ruoli. Se invece viene adottata per supportare e migliorare la produttività dei lavoratori, liberandoli da alcune incombenze e permettendo loro di concentrarsi su aspetti di maggior valore aggiunto, l’effetto potrebbe tradursi in una maggiore domanda di lavoro complementare e nell’evoluzione dei profili professionali esistenti.

IA generativa e inversione della polarizzazione? Evidenze recenti

Studi recenti indicano che l’IA generativa potrebbe avere un effetto “livellatore” in termini di competenze, conferendo vantaggi particolarmente marcati ai lavoratori con minore esperienza o qualifiche iniziali. Ad esempio, Autor (2024) argomenta che i sistemi avanzati di IA potrebbero ricomporre mansioni e ruoli lavorativi in modo da rafforzare la classe media del lavoro, invece di eroderla. Questa tesi, definita come una possibile inversione della polarizzazione del lavoro, si basa sull’osservazione che l’IA generativa oggi è capace di svolgere compiti complessi ma standardizzabili, come scrivere codice seguendo specifiche o produrre testi su traccia. Automatizzando parti di questi compiti, l’IA può rendere tali professioni più accessibili a lavoratori con meno esperienza. Ad esempio, strumenti come GitHub Copilot consentono anche a programmatori relativamente inesperti di scrivere codice funzionante, rendendo le mansioni intermedie diventano più produttive.

A supporto di questa ipotesi, si c’è una nascente letteratura di studi empirici. Uno studio  di Brynjolfsson et al. (2025) condotto in un grande call center ha mostrato che l’accesso a un assistente conversazionale basato su IA ha aumentato la produttività media degli operatori di circa il 15%, con miglioramenti più elevati per i lavoratori nuovi e meno esperti, che sono migliorati sia in velocità che qualità, mentre quelli con più esperienza hanno ottenuto piccoli miglioramenti nella velocità e un leggero peggioramento della qualità. Analogamente, Peng et al. (2023) hanno riscontrato che programmatori dotati di GitHub Copilot completavano compiti i di codifica in media il 55,8% più velocemente rispetto a programmatori senza assistenza dell’AI; e anche in questo caso, i benefici maggiori sono stati riportati dai programmatori meno esperti, quelli più anziani e da coloro che lavorano un numero eccessivo di ore. Un ulteriore esperimento, condotto da Noy  e Zhang (2023), ha evidenziato che l’uso di ChatGPT in compiti di scrittura professionale consente di risparmiare circa il 40% del tempo e migliora la qualità di quasi un quinto, con vantaggi particolarmente pronunciati per i dipendenti con prestazioni iniziali più basse. Secondo lo studio l’IA ha agito come leva di rafforzamento per i lavoratori meno esperti che hanno visto aumentare la propria produttività, riducendo le differenze rispetto ai colleghi più esperti. Gli autori interpretano questo risultato come un potenziale effetto di livellamento dell’IA generativa, capace di dare accesso a capacità avanzate e conoscenze che prima richiedevano lunga formazione.

Tuttavia, la letteratura non è unanime. Altri studi riportano maggiori benefici per lavoratori altamente qualificati. Ad esempio Dell’Acqua et al. (2023) in un esperimento con consulenti aziendali esperti, hanno trovato che l’uso di strumenti di IA generativa può migliorare la performance di consulenti esperti fino al 40%. Gli autori introducono una cornice concettuale particolarmente efficace: quella della “frontiera seghettata” dell’IA. Alcuni compiti, come l’ideazione e la scrittura, si trovano “dentro” questa frontiera e l’IA ne aumenta qualità e velocità. Altri compiti, come l’analisi di dati complessi o l’interpretazione di segnali testuali sottili, rimangono “fuori” dalla frontiera e l’IA può addirittura peggiorare l’accuratezza. Gli autori distinguono inoltre tra due modalità di collaborazione uomo-macchina: quella del “centauro”, dove le persone dividono i compiti con l’IA assegnando a ciascuno le attività in cui eccelle, e quella del “cyborg”, dove l’integrazione è più profonda e le persone si alternano fluidamente tra lavoro autonomo e assistenza dell’IA. Comprendere quale tipo di compito si sta affrontando e quale modalità di collaborazione adottare diventa quindi cruciale per sfruttare efficacemente questi strumenti.

Occorre però cautela prima di concludere che l’IA generativa risolverà la polarizzazione del lavoro. Gli studi citati riguardano sperimentazioni controllate o contesti specifici, spesso con adozione iniziale dello strumento e misurazione nel breve termine. Un punto cruciale è capire come questi effetti si traducano su scala macro e nel lungo periodo. Autor (2024), sottolinea che l’adozione dell’IA può alterare la composizione delle mansioni all’interno dei lavori di medio livello, ma l’impatto complessivo su occupazione e salari dipende fortemente dalle scelte organizzative e istituzionali che accompagnano la tecnologia. Per esempio, ci si può domandare se sistemi di IA beneficino i lavoratori meno esperti nel breve termine, ma li sostituiscano nel lungo periodo riducendo l’occupazione per figure junior.

Un primo segnale in questa direzione emerge dallo studio “Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence” (Brynjolfsson, Chandar, et al., 2025). Gli autori hanno esaminato gli effetti occupazionali dell’IA generativa utilizzando dati amministrativi su milioni di lavoratori negli Stati Uniti. Dal lancio di ChatGPT a fine 2022, i lavoratori a inizio carriera (22-25 anni) nelle occupazioni più esposte all’IA hanno sperimentato un calo relativo dell’occupazione del 13%, anche dopo aver controllato per shock a livello di impresa. Al contrario, l’occupazione dei lavoratori in ambiti meno esposti e dei lavoratori più esperti nelle stesse occupazioni è rimasta stabile o ha continuato a crescere. Sembra essersi verificato un contraccolpo occupazionale concentrato sulle posizioni di ingresso in determinate professioni, come addetti al servizio clienti, programmatori junior, operatori di marketing. Questo risultato suggerisce che i lavoratori all’inizio della carriera, in ruoli facilmente automatizzabili dall’IA, siano i primi a subire conseguenze negative in termini di assunzioni.

l’IA potrebbe avere un impatto disomogeneo: potenzialmente destabilizzante per alcune fasce di lavoratori, ma quasi nullo, o positivo, per lavoratori esperti e per settori meno esposti. Accanto alle teorie SBTC e RBTC, emergono evidenze di un cambiamento tecnologico orientato all’anzianità lavorativa (Seniority-Biased Technical Change), in cui l’adozione dell’IA generativa comporta forti cali occupazionali nelle posizioni junior mentre l’impiego nei ruoli senior rimane pressoché invariato (Hosseini Maasoum & Lichtinger, 2025). Inoltre, lo studio di Brynjolfsson, Chandar, et al., (2025) evidenzia un elemento chiave: il calo occupazionale è concentrato nei ruoli in cui l’IA tende ad automatizzare le mansioni, mentre non si riscontrano cali analoghi nei ruoli in cui l’IA viene usata per potenziare il lavoro umano. Ciò conferma la rilevanza della distinzione tra automazione e potenziamento (automation vs. augmentation): l’uso strategico dell’IA come complemento al lavoro umano, anziché rimpiazzo, può stimolare la domanda di nuove competenze complementari.

Un altro recente contributo di Chen et al. (2025) ha analizzato l’effetto di modelli generativi sul mercato del lavoro classificando le occupazioni in base alla probabilità che l’IA sostituisca o complementi le attività esistenti. I risultati preliminari indicano una dinamica coerente: concentrazione di impatti negativi sui lavori ad alto potenziale di automazione, come alcuni ruoli amministrativi di base o servizio clienti, mentre per professioni in cui l’IA svolge un ruolo ausiliario si osservano cambiamenti meno drammatici o addirittura creazione di nuove mansioni.

Competenze sostituite e competenze emergenti

Per comprendere dove si manifestano le discontinuità lavorative causate dall’IA e dove invece emergono opportunità, è necessario identificare quali competenze sono ridimensionate dall’automazione generativa, e quali competenze diventano invece più richieste e valorizzate.

Mäkelä e Stephany (2025) individuano sette gruppi di competenze complementari all’IA cinque di competenze sostituibili, mappando in totale 71 competenze complementari e 18 sostituibili attraverso l’analisi dei testi degli annunci di lavoro.

Competenze sostituibili

Le competenze più facilmente sostituibili dalle attuali applicazioni di IA generativa includono ad esempio:

• Elaborazione e gestione di dati di base: inserimento, raccolta e pulizia dati
• Sintesi di informazioni e stesura di rapporti: produzione di documenti standardizzati
• Revisione e correzione linguistica: correzione bozze e verifica di testi
• Assistenza clienti di primo livello: gestione di richieste standardizzate
• Attività amministrative d’ufficio: mansioni di routine, gestione fogli di calcolo, contabilità elementare

Al contrario, tra le competenze complementari emergenti, quelle cioè che diventano più preziose quando il lavoro integra sistemi di IA, troviamo in particolare:

• Pensiero analitico e critico: la capacità di interpretare dati, valutare criticamente i risultati prodotti dall’IA e trarre conclusioni. L’automazione di compiti di routine sembra aumentare l’importanza di chi sappia porre le domande giuste e analizzare problemi complessi.
• Alfabetizzazione digitale e competenze tecniche: comprendere il funzionamento di base dell’IA, saper interagire efficacemente con essa, per esempio attraverso la scrittura di prompt efficaci, e avere familiarità con gli strumenti tecnologici
• Adattabilità e apprendimento continuo: capacità di adattarsi, imparare nuove abilità e aggiornarsi costantemente in un contesto dove le tecnologie evolvono rapidamente
• Padronanza tecnica avanzata: mentre alcune competenze tecniche di base possono essere automatizzate, aumenta il valore delle competenze tecniche di alto livello, come la capacità di progettare sistemi IA, di gestire processi complessi, di integrare soluzioni tecnologiche in contesti specifici.
• Competenze etiche e di governance: l’uso diffuso dell’IA solleva questioni etiche relative a bias, trasparenza e privacy. Diventa cruciale formare professionisti con sensibilità etica per sviluppare e utilizzare l’IA in modo responsabile.
• Collaborazione e comunicazione interpersonale: la capacità di lavorare con gli altri, la leadership, l’intelligenza emotiva restano difficilmente sostituibili da un’IA e anzi assumono maggior rilievo man mano che i compiti strettamente tecnici vengono automatizzati.
• Autoefficacia: autodisciplina, motivazione, autonomia, forte etica del lavoro.

Queste tendenze delineano un futuro del lavoro in cui il capitale umano diventa ancor più centrale quando affiancato dal capitale tecnologico. I lavoratori dovranno eccellere in ciò che le macchine non sanno fare: pensiero critico, creatività, interazione umana, oltre a saper governare efficacemente gli strumenti digitali.

Occupazione, produttività e politiche

Uno studio quasi-sperimentale condotto in Danimarca (Humlum & Vestergaard, 2025) ha esaminato l’introduzione di chatbot basati su modelli linguistici LLM in 11 occupazioni esposte – dalla contabilità al marketing, dall’assistenza clienti all’insegnamento – monitorando oltre 25.000 lavoratori che hanno partecipato a due questionari nazionali nel 2023 e nel 2024. Collegando questi dati con informazioni su salari e ore lavorate da registi amministrativi, gli autori trovano effetti nulli precisi. In media l’uso di chatbot non ha nessun impatto statisticamente significativo su salari, ore lavorate o livelli occupazionali nel breve periodo. A livello aggregato non si osserva quindi né una catastrofe occupazionale né un salto di produttività attribuibile all’IA generativa nell’immediato.

Tuttavia, lo studio evidenzia nelle aziende che hanno affiancato all’AI investimenti complementari in formazione, personalizzazione dei modelli e riorganizzazione del lavoro risultano alcuni benefici, seppur modesti, in termini di risparmio di tempo riportato dai lavoratori che però non si traduce in salari più alti. Questi risultati sottolineano che l’IA di per sé non garantisce incrementi automatici di produttività o occupazione: è necessario un ecosistema favorevole fatto di competenze, cambiamenti organizzativi e incentivi adeguati. Finché l’IA viene semplicemente “sovrapposta” ai processi esistenti senza ripensarli, è probabile vedere pochi effetti tangibili; se invece la si integra in un disegno di innovazione, allora possono manifestarsi i miglioramenti auspicati.

Questo sottolinea la necessità di scelte strategiche e organizzative: l’impatto finale dell’IA sul lavoro dipenderà soprattutto da come imprese e istituzioni decideranno di adottarla.

Dal lato del lavoro l’IA generativa presenta un quadro duplice: discontinuità lavorative per alcune categorie, soprattutto lavoratori alle prime armi in compiti automatizzabili, e opportunità formative e di valorizzazione per altre, lavoratori con capacità complementari o disposti ad aggiornarsi. Ciò pone una sfida ai decisori: come massimizzare gli effetti positivi, usando l’IA per potenziare la forza lavoro esistente e favorire l’aggiornamento delle competenze, e minimizzare gli effetti di sostituzione distruttiva, specialmente per le fasce più deboli e per i giovani in ingresso nel mercato del lavoro.

Le politiche del lavoro e le strategie d’impresa dovranno adattarsi per facilitare la transizione delle competenze, sostenendo chi è colpito dall’automatizzazione e favorendo la creazione di nuovi ruoli complementari.

La prossima sezione affronta perciò l’altro lato della medaglia: come la stessa IA generativa può essere sfruttata nell’istruzione e nella formazione professionale per preparare i lavoratori di domani e aggiornare quelli di oggi.

L’IA generativa come strumento per lo sviluppo di competenze

l’IA generativa apre nuove traiettorie per l’istruzione e la formazione professionale. Uno dei campi più promettenti è lo sviluppo di sistemi di tutoring intelligente e piattaforme di apprendimento personalizzato. Tali sistemi sono in grado di diagnosticare le lacune di uno studente, adattare i contenuti e gli esercizi al suo livello, fornire feedback immediato e spiegazioni aggiuntive su misura. Alcuni esempi includono piattaforme in cui lo studente può porre domande in linguaggio naturale e ricevere risposte o chiarimenti; simulazioni interattive o esercizi adattivi che diventano via via più difficili man mano che l’utente migliora;

La ricerca in questo ambito sta crescendo rapidamente. Wang e Fan (2025)  hanno condotto una meta-analisi di 51 studi sul ruolo di ChatGPT e strumenti simili nell’istruzione pubblicati tra il 2022 e il 2025. I risultati indicano un impatto positivo dell’IA generativa su vari aspetti dell’apprendimento: un benefico sul rendimento accademico degli studenti e effetti positivi moderati sul coinvolgimento e percezione dell’apprendimento (miglioramento della motivazione, soddisfazione) e sullo sviluppo di competenze come risoluzione di problemi e pensiero critico. Questi benefici, tuttavia, non sono automatici: la meta-analisi evidenzia che l’impatto varia a seconda di come l’IA viene integrata nel percorso formativo. In particolare, ChatGPT risulta più efficace quando è utilizzato come tutor intelligente in modalità strutturata, ovvero integrato in un contesto pedagogico che ne guida l’uso, ad esempio, nell’ambito di corsi di breve durata e approccio problem-based. In contesti ben progettati, l’IA può accelerare l’apprendimento e favorire l’acquisizione di concetti complessi, mentre un impiego generico o poco guidato dell’IA a volte non produce miglioramenti significativi o addirittura può ostacolare certi aspetti dell’apprendimento.

Alcuni studi sperimentali infatti riportano effetti nulli o negativi. Ad esempio, Escalante et al. (2023) non hanno trovato differenze apprezzabili nel rendimento di studenti che avevano accesso a ChatGPT rispetto a un gruppo di controllo, suggerendo che l’IA da sola non garantisce un salto di qualità. Niloy et al. (2024) in un esperimento su esercizi di scrittura creativa hanno osservato che l’uso di ChatGPT come supporto può portare a peggiorare le capacità di scrittura creativa degli studenti, probabilmente a causa di un’eccessiva dipendenza dal modello e minor sforzo originale da parte loro. Yang et al. (2025) hanno trovato esiti deludenti nell’uso di ChatGPT come assistente per studenti delle superiori nell’apprendimento della programmazione: non emergono miglioramenti significativi nelle abilità di programmazione e in alcuni casi gli studenti assistiti dall’IA mostrano meno iniziativa nel risolvere problemi in autonomia.

Come interpretare queste divergenze? La letteratura suggerisce che l’IA generativa è uno strumento potente ma a “doppio taglio”: il suo effetto dipende da come viene incorporata nella didattica. Per questo l’uso dell’IA dovrebbe essere ben progettato pedagogicamente, ad esempio con esercizi che richiedono allo studente di riflettere sulle risposte dell’IA, con docenti che forniscono supporto didattico strutturato e incoraggiano un uso critico. Viceversa, un utilizzo passivo o non strutturato può portare a dipendenza dallo strumento e apprendimento superficiale. In tal senso è fondamentale il ruolo degli insegnanti che devono integrare l’IA in modo che potenzi, e non sostituisca, lo sforzo cognitivo dello studente.

Rischi educativi e ruolo dell’istruzione

Dalle evidenze riportate emergono alcuni rischi associati all’impiego di IA generativa in ambito formativo. Il primo è il già citato rischio di dipendenza cognitiva: utilizzare l’IA come scorciatoia può portare studenti (o lavoratori) a non sviluppare appieno le proprie capacità di risoluzione dei problemi e pensiero critico.

Un secondo rischio riguarda le disuguaglianze di accesso. I modelli più avanzati richiedono spesso costi di licenzaper essere utilizzati. Ciò significa che scuole, studenti o aziende che potranno permettersi gli strumenti di IA più performanti otterranno un vantaggio formativo e competitivo, mentre contesti meno abbienti rischiano di restarne esclusi. Questa nuova forma di digital divide può tradursi in un divario di competenze digitali: chi ha potuto familiarizzare con l’IA fin da giovane sviluppa anche una maggiore alfabetizzazione verso questi strumenti, che si traduce in migliori opportunità lavorative in settori avanzati.

Un terzo rischio riguarda gli aspetti etici e qualitativi dell’apprendimento mediato dall’IA. I modelli generativi a volte possono fornire risposte errate, distorte o parziali. Se uno studente assumesse passivamente informazioni dell’IA, il suo apprendimento potrebbe basarsi su informazioni imprecise o plausibili ma non ottimali, portando a un livellamento verso la media delle competenze. l’IA generativa, basandosi sui dati disponibili e modelli di previsione, potrebbe scoraggiare approcci originali o fuori dagli schemi e ridurre la diversità delle opinioni.

l’IA generativa in ambito formativo presenta perciò grandi opportunità: personalizzazione dell’apprendimento, ampliamento dell’accesso al sapere, supporto ai docenti e potenziamento delle competenze degli studenti. Allo stesso tempo però pone sfide cruciali: evitare che l’automazione cognitiva impoverisca le capacità umane fondamentali, garantire un accesso equo agli strumenti avanzati, formare utilizzatori consapevoli e critici.

 Il ruolo delle politiche

Dal punto di vista delle politiche pubbliche, le implicazioni sono numerose. Occorre adottare un approccio integrato tra politiche del lavoro, dell’istruzione e dell’innovazione tecnologica.

Gli sviluppi analizzati suggeriscono che alcuni nuovi saperi divengono imprescindibili. Sul piano individuale, oltre alle competenze tecniche e “soft” già menzionate, emerge la necessità diffusa di una alfabetizzazione all’IA. Per questo termini come AI literacy stanno entrando nel dibattito: indicano la capacità di interagire efficacemente con sistemi di intelligenza artificiale, capirne i principi base di funzionamento, riconoscerne limiti ed implicazioni etiche. Non tutti diventeranno data scientist, ma così come oggi è essenziale saper utilizzare un computer, domani sarà essenziale saper dialogare con un modello di IA, ad esempio formulando correttamente richieste (prompt design), verificando le risposte, integrandole con il proprio giudizio. L’Unione Europea, con l’Artificial Intelligence Act ( Regolamento (UE) 2024/1689), ha previsto l’obbligo di formazione per chi sviluppa o utilizza sistemi di IA: da febbraio del 2025 le aziende e le pubbliche amministrazioni devono garantire che il proprio personale possieda conoscenze tecniche, etiche e di contesto per usare l’IA in modo consapevole. Questa è una novità legislativa importante, che riconosce formalmente la dimensione delle competenze come parte integrante di una buona governance dell’IA. Va sottolineato che l’alfabetizzazione all’IA non significa solo competenze tecniche, ma dovrebbe anzi combinare materie tecnico-scientifiche (scrittura di codice, utilizzo dei sistemi informatici etc.) con competenze umanistiche (pensiero critico, comprensione delle implicazioni sociali, valori etici) e formare capacità trasversali quali gestione etica dell’IA, consapevolezza dei limiti e rischi dell’IA e collaborazione uomo-macchina.

L’attuazione efficace di questa normativa richiederà anche un cambiamento culturale all’interno di imprese e istituzioni per considerare la “AI-literacy” non solo un adempimento normativo, ma un’opportunità strategica di crescita e innovazione.

Infine, a livello istituzionale è importante predisporre meccanismi di monitoraggio degli impatti dell’IA sul lavoro e sull’educazione attraverso la raccolta di dati su come stanno cambiando le professioni, su quale bisogno di competenze emerge e su quali sperimentazioni educative funzionano meglio, così da alimentare le politiche con evidenze empiriche.

Come ogni tecnologia, l’IA generativa presenta un doppio volto e il suo impatto sul lavoro e sull’istruzione, come suggeriscono le prime evidenze, dipenderà in buona parte dalle scelte che compiranno aziende, scuole e istituzioni. È dunque un compito di pubbliche amministrazioni e imprese definire i binari entro cui gli algoritmi devono operare, promuovendo gli incentivi giusti e regolamentandone l’utilizzo.

Bio autore

Greta Sofia Lampis è ricercatrice presso l’Istituto per la Ricerca Valutativa sulle Politiche Pubbliche della Fondazione Bruno Kessler e PhD executive presso l’Università di
Trento e la Fondazione Bruno Kessler. I suoi interessi di ricerca riguardano l’impatto dell’intelligenza artificiale (IA) su lavoro e formazione, le politiche per l’IA e temi di finanza
pubblica. Precedentemente ha lavorato i come ESG Manager presso la Cassa Centrale Raiffeisen dell’Alto Adige S.p.a., dove ha acquisito esperienza nell’ambito della finanza sostenibile. Durante gli studi Greta è stata tirocinante presso il Centro OCSE per l’imprenditorialità, le PMI, le regioni e le città – Centro per lo sviluppo locale di Trento e presso il Parlamento europeo. Ha conseguito la laurea magistrale in Politiche Pubbliche e Amministrazione e la laurea triennale in Scienze Economiche e Sociali presso la Libera Università di Bolzano.

Bibliografia

Acemoglu, D. (2002). Technical Change, Inequality, and the Labor Market. Journal of Economic Literature, 40(1), 7–72.

Acemoglu, D., & Autor, D. (2011). Skills, Tasks and Technologies: Implications for Employment and Earnings. In Handbook of Labor Economics (Vol. 4, pp. 1043–1171). Elsevier. https://doi.org/10.1016/S0169-7218(11)02410-5

Acemoglu, D., & Restrepo, P. (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor. Journal of Economic Perspectives, 33(2), 3–30. https://doi.org/10.1257/jep.33.2.3

Autor, D. (2015). Why Are There Still So Many Jobs? The History and Future of Workplace Automation. Journal of Economic Perspectives, 29(3), 3–30. https://doi.org/10.1257/jep.29.3.3

Autor, D. (2024). Applying AI to Rebuild Middle Class Jobs (Working Paper 32140). National Bureau of Economic Research. https://doi.org/10.3386/w32140

Autor, D. H., Levy, F., & Murnane, R. J. (2003). The Skill Content of Recent Technological Change: An Empirical Exploration. The Quarterly Journal of Economics, 118(4), 1279–1333.

Autor, D., Katz, L., & Kearney, M. S. (2006). The Polarization of the U.S. Labor Market. American Economic Review, 96(2), 189–194. https://doi.org/10.1257/000282806777212620

Bartel, A., Ichniowski, C., & Shaw, K. (2007). How Does Information Technology Affect Productivity? Plant-Level Comparisons of Product Innovation, Process Improvement, and Worker Skills. The Quarterly Journal of Economics, 122(4), 1721–1758.

Bresnahan, T. F., Brynjolfsson, E., & Hitt, L. M. (2002). Information Technology, Workplace Organization, and the Demand for Skilled Labor: Firm-Level Evidence. The Quarterly Journal of Economics, 117(1), 339–376.

Brynjolfsson, E., Chandar, B., & Chen, R. (2025). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence.

Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at Work*. The Quarterly Journal of Economics, qjae044. https://doi.org/10.1093/qje/qjae044

Chen, W. X., Srinivasan, S., & Zakerinia, S. (2025). Displacement or Complementarity? The Labor Market Impact of Generative AI.

Dell’Acqua, F., McFowland III, E., Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2023). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality (SSRN Scholarly Paper 4573321). Social Science Research Network. https://doi.org/10.2139/ssrn.4573321

Escalante, J., Pack, A., & Barrett, A. (2023). AI-generated feedback on writing: Insights into efficacy and ENL student preference. International Journal of Educational Technology in Higher Education, 20(1), 57. https://doi.org/10.1186/s41239-023-00425-2

Goos, M., Rademakers, E., & Röttger, R. (2021). Routine-Biased technical change: Individual-Level evidence from a plant closure. Research Policy, 50(7), 104002. https://doi.org/10.1016/j.respol.2020.104002

Graetz, G., & Michaels, G. (2018). Robots at Work. The Review of Economics and Statistics, 100(5), 753–768. https://doi.org/10.1162/rest_a_00754

Hosseini Maasoum, S. M., & Lichtinger, G. (2025). Generative AI as Seniority-Biased Technological Change: Evidence from U.S. Résumé and Job Posting Data (SSRN Scholarly Paper 5425555). Social Science Research Network. https://doi.org/10.2139/ssrn.5425555

Humlum, A., & Vestergaard, E. (2025). Large Language Models, Small Labor Market Effects (Working Paper 33777). National Bureau of Economic Research. https://doi.org/10.3386/w33777

Katz, L. F., & Murphy, K. M. (1992). Changes in Relative Wages, 1963-1987: Supply and Demand Factors. The Quarterly Journal of Economics, 107(1), 35–78. https://doi.org/10.2307/2118323

Mäkelä, E., & Stephany, F. (2025). Complement or substitute? How AI increases the demand for human skills (SSRN Scholarly Paper 5153230). Social Science Research Network. https://papers.ssrn.com/abstract=5153230

Niloy, A. C., Akter, S., Sultana, N., Sultana, J., & Rahman, S. I. U. (2024). Is Chatgpt a menace for creative writing ability? An experiment. Journal of Computer Assisted Learning, 40(2), 919–930. https://doi.org/10.1111/jcal.12929

Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. https://doi.org/10.1126/science.adh2586

P. Gregg & A. Manning. (1997). Skill-biassed change, unemployment and wage inequality. European Economic Review, 41, 1173–1200. https://doi.org/10.1016/S0014-2921(96)00054-2

Peng, S., Kalliamvakou, E., Cihon, P., & Demirer, M. (2023). The Impact of AI on Developer Productivity: Evidence from GitHub Copilot (arXiv:2302.06590). arXiv. http://arxiv.org/abs/2302.06590

Wang, J., & Fan, W. (2025). The effect of ChatGPT on students’ learning performance, learning perception, and higher-order thinking: Insights from a meta-analysis. Humanities and Social Sciences Communications, 12(1), 1–21. https://doi.org/10.1057/s41599-025-04787-y

Yang, T.-C., Hsu ,Yi-Chuan, & and Wu, J.-Y. (2025). The effectiveness of ChatGPT in assisting high school students in programming learning: Evidence from a quasi-experimental research. Interactive Learning Environments, 0(0), 1–18. https://doi.org/10.1080/10494820.2025.2450659