Lavori intellettuali a rischio con l'intelligenza artificiale: traduttori, giornalisti, storici, correttori di bozze, analisti di dati... Lo studio • W3B Today

Interpreti e Traduttori sono in cima alla lista, con il 98% delle loro attività lavorative che si sovrappongono a frequenti attività di Copilot con tassi di completamento e punteggi di ambito piuttosto elevati. Altre professioni con punteggi di applicabilità elevati includono quelle relative a scrittura/editing, vendite, assistenza clienti, programmazione e impiegati. Oltre a interpreti e traduttori, esistono innumerevoli altre professioni legate al lavoro della conoscenza, come storici, scrittori e autori, programmatori di utensili CNC, impiegati di intermediazione, politologi, giornalisti, matematici, correttori di bozze, redattori, addetti alle pubbliche relazioni, ecc.

La lista completa

Interpreti e traduttori
Storici
Assistenti passeggeri
Rappresentanti di vendita dei servizi
Scrittori e autori
Rappresentanti del servizio clienti
Programmatori di utensili CNC
Operatori telefonici
Agenti di biglietteria e addetti al viaggio
Annunciatori e DJ radiofonici
Impiegati di intermediazione
Educatori di gestione agricola e domestica
Telemarketing
Concierge
Scienziati politici
Analisti, giornalisti, reporter
Matematici
Redattori tecnici
Correttori di bozze e correttori di bozze
Conduttori e hostess
Redattori
Business Insegnanti, istruzione post-secondaria
Specialisti in pubbliche relazioni
Dimostratori e promotori di prodotti
Agenti di vendita pubblicitaria
Impiegati contabili
Assistenti statistici
Impiegati allo sportello e al noleggio
Data scientist
Consulenti finanziari personali
Archivisti
Insegnanti di Economia, Istruzione post-secondaria
Sviluppatori Web
Analisti di Gestione
Geografi
Modelli
Analisti di Ricerche di Mercato
Telecomunicatori per la Sicurezza Pubblica
Operatori di centralino
Insegnanti di biblioteconomia, istruzione post-secondaria

Al contrario le 40 professioni con i punteggi di applicabilità dell’IA più bassi. Le professioni meno impattate includono quelle che richiedono il contatto fisico con le persone (ad esempio, assistenti infermieristici, massaggiatori), l’uso o il monitoraggio di macchinari (ad esempio, operatori di impianti e sistemi di trattamento delle acque, operatori di battipalo, operatori di camion e trattori) e altri lavori manuali (ad esempio, lavapiatti, conciatetti, addetti alle pulizie e addetti alle pulizie). Si noti che la nostra misurazione riguarda esclusivamente i corsi di laurea triennale (LLM): altre applicazioni dell’IA potrebbero certamente influenzare le professioni che comportano l’uso e il monitoraggio di macchinari, come la guida di camion.

È naturale chiedersi in che modo il punteggio di applicabilità dell’IA sia correlato a salario e istruzione. Alcuni lavori precedenti prevedono che le occupazioni con salari più elevati saranno sostanzialmente più influenzate dall’IA generativa

Le attuali capacità dell’IA generativa si allineano maggiormente con le professioni del lavoro cognitivo e della comunicazione, sebbene la maggior parte delle professioni abbia almeno un certo potenziale per la collaborazione con l’IA. Le professioni per le quali il potenziale è limitato o inesistente includono quelle che comportano lavoro manuale, utilizzo di macchinari o altre attività fisiche.

Passando alle correlazioni socioeconomiche, riscontriamo una correlazione positiva molto piccola tra la nostra misura di applicabilità dell’IA e lo stipendio professionale.

In termini di requisiti di istruzione, riscontriamo una maggiore applicabilità dell’IA per le professioni che richiedono una laurea triennale rispetto a quelle con requisiti inferiori. Tuttavia, i nostri dati indicano un’ampia gamma di potenziali impatti sulla distribuzione salariale e di istruzione. Confrontandoli con le previsioni sull’impatto dell’IA professionale [17], scopriamo che questi sono ampiamente confermati dai dati di utilizzo, soprattutto ai livelli di aggregazione più generali e grossolani. Tuttavia, l’entità di questo impatto (se non la sua direzione) resta da vedere.
I nostri dati non indicano che l’IA svolga tutte le attività lavorative di una singola occupazione. Detto questo, la sovrapposizione tra le capacità dell’IA e le varie occupazioni è molto disomogenea. Ci sono sicuramente alcune occupazioni per le quali molte, forse persino la maggior parte, delle attività lavorative presentano una certa sovrapposizione con le dimostrate capacità dell’IA. Ma anche in presenza di sovrapposizione, il tasso di completamento delle attività non è del 100% e l’entità dell’impatto è solitamente moderata. Pertanto, anche in presenza di sovrapposizione tra una capacità dell’IA e un’attività lavorativa, ciò non significa che l’attività lavorativa venga svolta al massimo delle sue potenzialità in ogni momento. Inoltre, queste analisi presentano alcune limitazioni che ci impediscono di valutare la frazione totale di lavoro svolto con l’IA. In primo luogo, siamo in grado di analizzare solo i dati di un LLM ampiamente utilizzato e disponibile al pubblico. Persone diverse utilizzano LLM diversi per scopi diversi. In secondo luogo, scomporre una professione nelle sue attività lavorative, sebbene sia una pratica standard in letteratura, non fornisce una rappresentazione completa di ogni professione: anche il collante tra le attività contribuisce al valore del lavoro. Infine, questa scomposizione può essere accurata e aggiornata solo quanto il database O*NET.

Le occupazioni con i punteggi di applicabilità dell’IA più elevati sono quelle incentrate sul lavoro cognitivo e sulla comunicazione, ma scopriamo che tutti i gruppi occupazionali hanno almeno un certo potenziale di impatto dell’IA (non sorprende che con effetti molto più ristretti sulle occupazioni con grandi componenti fisiche). Più specificamente, scopriamo che le principali categorie occupazionali con i punteggi di applicabilità dell’IA più elevati sono Vendite; Informatica e Matematica; Supporto amministrativo e d’ufficio; Servizi sociali e comunitari; Arte, design, intrattenimento, sport e media; Operazioni commerciali e finanziarie; Istruzione e biblioteca. Nel complesso, le nostre misurazioni sono in gran parte in linea con le previsioni sull’impatto dell’IA sul lavoro formulate da Eloundou et al. [17], con una correlazione r = 0,73 tra le loro previsioni di impatto a livello di occupazione e il nostro punteggio di applicabilità dell’IA (r = 0,91 a livello del gruppo occupazionale più ampio). Abbiamo riscontrato una debole correlazione tra i punteggi di applicabilità dell’IA e i requisiti di istruzione, con le professioni che richiedono una laurea triennale leggermente più colpite rispetto alle professioni con requisiti inferiori. Inoltre, riscontriamo un’applicabilità media dell’IA solo leggermente superiore per le professioni con salari elevati (anche se non elevati).

Si è tentati di concludere che le professioni che presentano un’elevata sovrapposizione con le attività svolte dall’AI saranno automatizzate e quindi subiranno una perdita di posti di lavoro o di salario, e che le professioni con attività assistite dall’AI saranno potenziate e aumenteranno i salari. Questo sarebbe un errore, poiché i nostri dati non includono gli impatti aziendali a valle delle nuove tecnologie, che sono molto difficili da prevedere e spesso controintuitivi [3].

Abbiamo misurato il modo in cui le capacità dell’AI si sovrappongono alle attività lavorative, ma resta da vedere come le diverse professioni riadattino le proprie responsabilità lavorative in risposta al rapido progresso dell’AI.

Non si tratta di un fenomeno nuovo: la maggior parte dell’occupazione odierna riguarda professioni nate negli ultimi 100 anni grazie alle nuove tecnologie [2]. Quali nuovi lavori emergano e come quelli vecchi vengano ricostituiti è un’importante direzione di ricerca futura nell’era dell’IA. Allo stesso tempo, la tecnologia stessa continuerà a evolversi; la nostra misurazione dell’applicabilità dell’IA è solo un’istantanea temporale. Un’importante domanda di ricerca per il futuro è comprendere come si stia spostando la frontiera delle capacità dell’IA e quali professioni si sovrappongano maggiormente o meno a tale frontiera in movimento. Misurare i cambiamenti nell’utilizzo dell’IA nel tempo aiuterà a rivelare come queste nuove capacità vengono sfruttate.

Un numero crescente di studi esamina in che misura l’IA migliori risultati come la produttività in specifici compiti occupazionali come la programmazione [32, 14], l’assistenza clienti [10], la diagnosi medica [22, 27, 23], la scrittura [30], la consulenza [15], la pubblicità [12], l’imprenditorialità [31] e l’analisi legale [13], tra gli altri ambiti.

Il nostro lavoro trae spunto da un quadro economico comune che affonda le sue radici in Autor et al. [4], che hanno scomposto un’occupazione nei compiti comunemente svolti da quella professione e hanno stimato quanto tali compiti siano suscettibili all’automazione. Questo, a sua volta, consente di stimare l’impatto a livello di lavoro.

In primo luogo, classifichiamo separatamente l’attività per cui l’utente richiede assistenza e l’attività che l’IA sta svolgendo, il che ci consente di separare l’assistenza dell’IA dalle azioni dirette dell’IA. In secondo luogo, incorporiamo il successo dell’attività e l’ambito dell’impatto nel nostro punteggio di applicabilità dell’IA, fornendo stime più dettagliate del potenziale impatto dell’IA. In terzo luogo, utilizziamo diverse parti della tassonomia O*NET, concentrandoci sulle attività lavorative (che si applicano a tutte le professioni) piuttosto che sulle attività (che sono specifiche per ciascuna professione).

I dati

Analizziamo due raccolte di dati di conversazioni statunitensi anonimizzate da Microsoft Bing Copilot (di seguito, Copilot), raccolte in un periodo di nove mesi dal 1° gennaio 2024 al 30 settembre 2024. Ci concentriamo solo sulle conversazioni negli Stati Uniti per allinearle alle informazioni su occupazione e attività lavorativa di O*NET. Indichiamo il nostro set di dati principale come Copilot-Uniform, che consiste in circa 100.000 conversazioni campionate uniformemente da conversazioni negli Stati Uniti in questo periodo di tempo. Copilot-Uniform fornisce una visione rappresentativa delle attività svolte dagli utenti con un chatbot basato su intelligenza artificiale generativa, diffuso, disponibile al pubblico e gratuito. Questo set di dati è alla base della maggior parte delle analisi di questo lavoro.

Come sono stati analizzati i dati

Per misurare il potenziale impatto sulle professioni, definiamo un punteggio olistico di applicabilità dell’IA per ciascuna professione, dove un punteggio più alto per una professione significa che è più probabile che subisca un impatto rispetto a una professione con un punteggio più basso. Il punteggio rileva se l’IA viene utilizzata (con una quota di attività sufficiente) per le attività lavorative di una professione e se tale utilizzo tende ad avere successo (tasso di completamento) e a coprire una quota moderata dell’attività lavorativa (ambito), che descriviamo a sua volta.

Bibliografia

Daron Acemoglu and Pascual Restrepo. Automation and new tasks: How technology displaces and reinstates Journal ofEconomic Perspectives, 33(2):3–30, May 2019. doi: 10.1257/jep.33.2.3. URL https://www.aeaweb.org/articles?id=10.1257/jep.33.2.3.
David Autor, Caroline Chin, Anna Salomons, and Bryan Seegmiller. New frontiers: The origins and content of new work, 1940–2018.The Quarterly Journal of Economics, 139(3):1399–1465, 2024.
David H Why are there still so many jobs? the history and future of workplace automation. Journal of Economic Perspectives, 29(3):3–30, 2015.
David H Autor, Frank Levy, and Richard J Murnane. The skill content of recent technological change: An empirical exploration. The Quarterly Journal of Economics, 118(4):1279–1333, 2003.
James Bessen. Toil and technology: Innovative technology is displacing workers to new jobs rather than replacing them entirely.Finance & Development, 52(001):16, 2015.
Alexander Bick, Adam Blandin, and David J Deming. The rapid adoption of generative AI. Technical report, National Bureau of Economic Research, 2024.
Timothy F Bresnahan and Manuel General purpose technologies: “engines of growth”’?Journal of Econometrics, 65(1):83–108, 1995.
Erik Brynjolfsson and Tom Mitchell. What can machine learning do? workforce implications. Science, 358(6370):1530–1534, December 2017.
Erik Brynjolfsson, Tom Mitchell, and Daniel What can machines learn, and what does it mean for occupations and the economy? AEA Papers and Proceedings, 108:43–47, May 2018. doi: 10.1257/ pandp.20181019. URL https://www.aeaweb.org/articles?id=10.1257/pandp.20181019.
Erik Brynjolfsson, Danielle Li, and Lindsey Generative AI at work. The Quarterly Journal of Economics, pages 889–942, 2025.
Robert Capps. I. Might Take Your Job. Here Are 22 New Ones It Could Give You. The New York Times Magazine, June 2025. URL https://www.nytimes.com/2025/06/17/magazine/ai-new-jobs. html.
Zenan Chen and Jason Chan. Large language model in creative work: The role of collaboration modality and user expertise.Management Science, 70(12):9101–9117, 2024.
Jonathan H Choi, Amy B Monahan, and Daniel Lawyering in the age of artificial intelligence. Minn. L. Rev., 109:147, 2024.
Zheyuan Kevin Cui, Mert Demirer, Sonia Jaffe, Leon Musolff, Sida Peng, and Tobias Salz. The effects of generative AI on high skilled work: Evidence from three field experiments with software developers. Technical report, Available at SSRN 4945566, 2024.
Fabrizio Dell’Acqua, Saran Rajendran, Edward McFowland III, Lisa Krayer, Ethan Mollick, Franc¸ois Candelon, Hila Lifshitz-Assaf, Karim R. Lakhani, and Katherine C. Kellogg. Navigating the jagged technological frontier: Field experimental evidence of the effects of ai on knowledge worker productivity and quality, 2023.
Peter Ferdinand Drucker. Landmarks of tomorrow: a report on the new ”post-modern” world. Harper, New York, 1st edition, 1959.
Tyna Eloundou, Sam Manning, Pamela Mishkin, and Daniel Rock. GPTs are GPTs: Labor market impact potential of LLMs.Science, 384(6702):1306–1308, 2024.
Ed Felten, Manav Raj, and Robert Seamans. How will language modelers like chatgpt affect occupations and industries? arXiv preprint arXiv:2303.01157, 2023.
Ed Felten, Manav Raj, and Rob Generative ai requires broad labor policy considerations. Communications of the ACM, 67(8):29–32, 2024.
Edward W. Felten, Manav Raj, and Robert Seamans. A method to link advances in artificial intelligence to occupational abilities. AEA Papers and Proceedings, 108:54–57, May 2018. doi: 10.1257/pandp. URL https://www.aeaweb.org/articles?id=10.1257/pandp.20181021.
Carl Benedikt Frey and Michael Osborne. The future of employment: How susceptible are jobs to computerisation?Technological Forecasting and Social Change, 114:254–280, 2017. ISSN 0040- 1625. doi: https://doi.org/10.1016/j.techfore.2016.08.019. URL https://www.sciencedirect.com/science/article/pii/S0040162516302244.
Ethan Goh, Robert Gallo, Jason Hom, Eric Strong, Yingjie Weng, Hannah Kerman, Jos´ephine A Cool, Zahir Kanjee, Andrew S Parsons, Neera Ahuja, et al. Large language model influence on diagnostic reasoning: a randomized clinical JAMA NetworkOpen, 7(10):e2440969–e2440969, 2024.
Paul Hager, Friederike Jungmann, Robbie Holland, Kunal Bhagat, Inga Hubrecht, Manuel Knauer, Jakob Vielhauer, Marcus Makowski, Rickmer Braren, Georgios Kaissis, et al. Evaluation and mitigation of the limitations of large language models in clinical decision-making. Nature medicine, 30(9):2613– 2622, 2024.
Kunal Handa, Alex Tamkin, Miles McCain, Saffron Huang, Esin Durmus, Sarah Heck, Jared Mueller, Jerry Hong, Stuart Ritchie, TimBelonax, Kevin Troy, Dario Amodei, Jared Kaplan, Jack Clark, and Deep Ganguli. Which economic tasks are performed with AI? evidence from millions of Claude conversations. arXiv preprint arXiv:2503.04761, 2025.
Jake M Hofman, Daniel G Goldstein, and David M Rothschild. A sports analogy for understanding different ways to use AI. Harvard Business Review, 4, 2023.
James Manyika, Michael Chui, Mehdi Miremadi, Jacques Bughin, Katy George, Paul Willmott, and Martin A future thatworks: Automation, employment, and productivity. Technical report, McKinsey Global Institute, 2017.
Daniel McDuff, Mike Schaekermann, Tao Tu, Anil Palepu, Amy Wang, Jake Garrison, Karan Singhal, Yash Sharma, Shekoofeh Azizi,Kavita Kulkarni, et al. Towards accurate differential diagnosis with large language models. Nature, pages 1–7, 2025.
McKercher and V. Mosco. Knowledge Workers in the Information Society. Critical media stud- ies. Lexington Books, 2008.ISBN 9780739117811. URL https://books.google.com/books?id=_MeCr31C9S8C.
National Center for O*NET O*NET Database Version 29.0, 2024. URL https://www.onetcenter.org/db_releases.html. Accessed: 2025-05-29.
Shakked Noy and Whitney Zhang. Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654):187–192, 2023.
Nicholas G Otis, Sol`ene Delecourt, Katelyn Cranney, and Rembrand Global Evidence on Gender Gaps and Generative AI.Harvard Business School, 2024.
Sida Peng, Eirini Kalliamvakou, Peter Cihon, and Mert Demirer. The impact of AI on developer productivity: Evidence from GitHub copilot. arXiv preprint arXiv:2302.06590, 2023.
Wolfgang Reinhardt, Benedikt Schmidt, Peter Sloep, and Hendrik Drachsler. Knowledge worker roles and actions—results of two empirical studies. Knowledge and Process Management, 18(3):150–174, doi: https://doi.org/10.1002/kpm.378. URL https://onlinelibrary.wiley.com/doi/abs/10. 1002/kpm.378.
Yijia Shao, Humishka Zope, Yucheng Jiang, Jiaxin Pei, David Nguyen, Erik Brynjolfsson, and Diyi Future of work with AI agents: Auditing automation and augmentation potential across the U.S. workforce, 2025. URLhttps://arxiv.org/abs/2506.06576.
Siddharth Suri, Scott Counts, Leijie Wang, Chacha Chen, Mengting Wan, Tara Safavi, Jennifer Neville, Chirag Shah, Ryen W White, Reid Andersen, et al. The use of generative search engines for knowledge work and complex tasks. arXiv preprint arXiv:2404.04268, 2024.
S. Bureau of Labor Statistics. Occupational Employment and Wage Statistics (OEWS), May 2024, 2024. URL https://www.bls.gov/oes/tables.htm. Accessed: 2025-05-29.
S. Office of Management and Budget. Standard Occupational Classification Manual, 2018, 2017. URL https://www.bls.gov/soc/2018/soc_2018_manual.pdf. Accessed: 2025-07-07.