Tesi — Dove l'AI morde davvero l'occupazione: entry-level sì, aggregato no (evidenza 2024-2026)

Enunciato (falsificabile, triplo)

1. A luglio 2026 l'AI ha un effetto occupazionale misurato in UN solo punto del mercato del lavoro USA: l'ingresso (22-25 anni) nelle occupazioni ad alta esposizione, dove l'uso è di AUTOMAZIONE e non di augmentation. Fuori da quella cella, le stime pubblicate sono piccole e non statisticamente significative — che non è la stessa cosa di "zero", ma è tutto ciò che i dati permettono di dire. 2. Nessuna serie aggregata (mix occupazionale, ore, retribuzioni) mostra una rottura attribuibile all'AI, alla data dell'ultima misura disponibile — che per il mix USA è luglio 2025, non oggi. Chi dice il contrario sta estrapolando; chi dice "ancora nulla a luglio 2026" sta estrapolando dalla parte opposta. 3. Il base rate dice che una tecnologia generale sposta l'ordine di ~1-1,5 punti percentuali l'anno del mix occupazionale. Qualunque previsione che implichi movimenti a due cifre entro il 2028 è fuori dalla reference class e va prezzata come tale.

Stato

viva, con tre correzioni rispetto alla versione precedente di questa pagina (vedi [Frontiera](#frontiera)). Il punto debole non è l'effetto entry-level (regge a controlli severi) ma la sua attribuzione causale e la sua datazione: gli stessi autori che l'hanno trovato, a febbraio 2026, hanno scritto che con i controlli più stringenti diventa significativo solo dal 2024.

Il fatto che regge: la cella 22-25 anni

FATTO (Brynjolfsson, Chandar, Chen, *Canaries in the Coal Mine?*, versione 13 nov 2025, buste paga ADP, dati fino a settembre 2025):

| Misura | Valore | Note | |---|---|---| | Calo relativo di occupazione, 22-25 anni, occupazioni esposte | -16% | abstract, «controlling for firm-level shocks» | | Sviluppatori software 22-25 anni, dal picco di fine 2022 a set 2025 | -20% circa | serie grezza, non aggiustata | | Quintili 4-5 di esposizione, fine 2022 -> set 2025: 22-25 anni | -6% | stessa finestra, 35-49 anni: oltre +8% | | Quintili 1-3 di esposizione, stessa finestra, tutte le età | +5 / +13% | nessun ordinamento per età | | Poisson con effetti fissi impresa-tempo, 22-25 anni | -15 log point | altre fasce: «much smaller in magnitude and not statistically significant» | | Occupazioni con occupazione early-career in AUMENTO | ~70% nel 1° quintile, <50% nel 5° | nota 15 del paper |

Attenzione a un numero che circola sbagliato: il "16% contro 13%". Non sono due versioni dello stesso paper. Il 16% dell'abstract di novembre 2025 è la stima con controllo per shock d'impresa sui dati fino a settembre 2025. Il "13% → 16%" della nota di febbraio 2026 è un'altra cosa: è l'andamento della stima event-study con effetti fissi impresa-tempo, che valeva 13% con dati fino a luglio e «about 16% by October 2025». Chi le somma o le tratta come revisione al rialzo di una stessa stima sta leggendo male.

Due cose salvano questo risultato dall'essere l'ennesimo grafico correlazionale. Primo, gli effetti fissi impresa-tempo: dentro la stessa azienda e nello stesso mese, i giovani nelle mansioni esposte scendono e quelli nelle mansioni non esposte no. Un ciclo macro, un licenziamento tech, uno shock dei tassi colpiscono l'impresa intera e vengono assorbiti dal controllo. Secondo, i falsificatori interni: escludendo le occupazioni informatiche (2010 SOC che iniziano per 15-1), escludendo le imprese IT e di computer systems design (NAICS 51 e 5415), e separando le mansioni telelavorabili da quelle che non lo sono, il pattern resta. Non è la resa dei conti del settore tech travestita da AI.

Il controcanto dentro gli stessi dati: gli aiuti alla persona (nursing, psychiatric e home health aides — 2010 SOC 31-1010), primo quintile di esposizione, mostrano il pattern rovesciato, con l'occupazione giovanile che cresce più di quella anziana.

Il fatto che smonta l'estrapolazione: fuori da quella cella non si misura nulla

- Aggregato USA, misurato fino a luglio 2025. The Budget Lab at Yale (1 ott 2025, indice di dissimilarità Duncan-Duncan su CPS mensile, media mobile 12 mesi): «the broader labor market has not experienced a discernible disruption since ChatGPT's release 33 months ago». Le quote di lavoratori per gruppo di esposizione OpenAI sono ferme a ~29% / 46% / 18% dal novembre 2022 — e sono tre gruppi, non cinque quintili: basso = quintili 1-2, medio = quintili 3-4, alto = solo il quinto. Tra i disoccupati, la percentuale di task esposti è 25-35% a prescindere dalla durata della disoccupazione, senza trend: se l'AI stesse espellendo persone, i disoccupati recenti dovrebbero essere più esposti degli altri. Non lo sono. Ma la finestra dati di Yale finisce a luglio 2025: usare questo studio per dire "niente è successo a luglio 2026" è un'estrapolazione di dodici mesi, non una misura. - Danimarca, registri amministrativi. Humlum e Vestergaard (NBER WP 33777, revisione mar 2026) stimano null precisi su retribuzioni e ore, escludendo effetti superiori al 2% a due anni dal lancio di ChatGPT, sia a livello di lavoratore sia di stabilimento. E questo dove l'adozione c'è: la maggioranza dei datori nelle occupazioni esposte ha avviato iniziative chatbot. - Retribuzioni, stessi dati ADP. Fatto 5 del paper Stanford: «little difference in compensation trends by age or exposure quintile». Se l'AI stesse comprimendo il valore del lavoro junior, il prezzo dovrebbe muoversi. Si muove la quantità (assunzioni), non il prezzo. È la firma di un aggiustamento per mancata assunzione, non per licenziamento o svalutazione. - Macro. Acemoglu (NBER WP 32487, ora in *Economic Policy* 2025): al massimo +0,66% di TFP in 10 anni, e meno di 0,53% scontando i task difficili da apprendere. Un'ondata di sostituzione di massa avrebbe una firma macro; per ora non c'è.

La sintesi onesta

effetto locale forte, effetto aggregato non rilevabile. Le due cose sono compatibili perché la cella colpita è piccola — i 22-25enni del quintile alto, pochi punti percentuali dell'occupazione totale — e perché gli strumenti aggregati hanno una risoluzione grossolana.

A favore della tesi "l'AI mangia i lavori junior"

dati amministrativi su milioni di buste paga, non sondaggi; un differenziale per età dentro la stessa impresa; un ordinamento per quintile di esposizione; e la discriminante di Fatto 3, la più informativa di tutte: il calo è concentrato nei quintili di AUTOMAZIONE (misura dell'Anthropic Economic Index) mentre nei quintili di AUGMENTATION non c'è, anzi il quinto quintile augmentation «has among the fastest employment growth». Una spiegazione puramente macro non produce quella separazione.

Contro la tesi, e viene dagli autori stessi (nota del 9 feb 2026): con effetti fissi impresa-tempo, il calo diventa significativo solo nel 2024, non a fine 2022 o nel 2023. Cioè: buona parte del crollo delle assunzioni junior tech che tutti hanno visto nel 2023 non è AI. È post-pandemia, tassi, correzione del sovra-assunto, e il paper cita anche la modifica al §174 dell'Internal Revenue Code che dal 2022 ha tolto la deducibilità immediata dei costi di sviluppo software. Gli autori scrivono in chiaro: «we do not believe that AI is always and everywhere the sole determinant of employment, and we do not encourage others to interpret our results in that way».

Il contro-argomento sui tassi d'interesse, e perché non tiene. Sarebbe l'obiezione più forte: i lavori esposti all'AI sarebbero anche quelli esposti ai tassi. Verificato: falso. Usando le stime di Zens et al. (2020), la sensibilità occupazionale ai tassi è negativamente correlata all'esposizione all'AI (le costruzioni hanno alta esposizione ai tassi e bassa all'AI). E dividendo il campione tra occupazioni sopra e sotto la mediana di esposizione ai tassi, il gradiente per esposizione AI resta in entrambe le metà. Nota di onestà che gli autori si autoinfliggono: i dati sui tassi hanno meno granularità occupazionale di quelli sull'esposizione AI, e le stime Zens non condizionano sull'età. Il canale tassi è indebolito, non chiuso.

Il segnale corroborante, con cautela doppia. Fed di New York, 2026:Q1: disoccupazione dei neo-laureati 5,7%, sottoccupazione 41,5%. Il confronto che circola: disoccupazione USA totale 4,2% (giu 2026) e laureati 25+ 2,7%. Prima cautela: sono popolazioni e metodi diversi (la serie NY Fed è costruita su microdati CPS per una fascia ristretta di neo-laureati; UNRATE è il tasso headline destagionalizzato), quindi il confronto è indicativo, non un test. Seconda cautela: che questo sorpasso sia storicamente anomalo non è stato verificato su fonte primaria (unverified). Il dato Fed NY è compatibile con la tesi AI, non la prova.

E qui va detta una cosa che indebolisce questa pagina. Usare Yale per spegnere il segnale neo-laureati è una lettura selettiva: Yale scrive sì che la dissimilarità 20-24 vs 25-34 «rarely deviates outside of the 30-33% range», ma anche che «has increased slightly faster in recent months... which could be consistent with a recent paper from Brynjolfsson et al.» e che «there is perhaps some slight upward momentum more recently». E il key takeaway della stessa pagina Yale è: «the occupational mix is changing more quickly than it has in the past». Yale è un null cauto, non un'assoluzione.

Il meccanismo: cosa cede e cosa no

Il predittore non è "quanto è intelligente il modello". Sono tre cancelli in serie, e basta che uno regga.

Cancello 1, il task è esprimibile come testo o codice? Se il task ha input e output digitali, un criterio di correttezza verificabile e nessun corpo da spostare, l'AI lo esegue. Documentazione, boilerplate, prima bozza, risposta di primo livello, riconciliazione, sintesi.

Cancello 2, l'uso è automativo o augmentativo? Questa è la variabile che separa i dati, non un'idea teorica. Nella tassonomia usata dal paper: *automativo* = delega completa con interazione minima (Directive, Feedback Loop); *augmentativo* = iterazione, validazione, apprendimento. I quintili di automazione mostrano il calo, quelli di augmentation no. Corollario operativo: un'occupazione ad alta esposizione ma con uso prevalentemente augmentativo non perde posti, li ricompone.

Cancello 3, chi firma? Presenza fisica, licenza professionale, responsabilità legale e relazione fiduciaria non sono task: sono requisiti di titolarità. Un modello può scrivere l'atto, non può depositarlo a proprio nome, non può essere radiato, non può essere convenuto in giudizio. Dove esiste un firmatario obbligatorio, la produttività del task cresce ma il numero di firmatari è governato dalla licenza, non dal software. È lo stesso schema della diga descritto in SINTESI — Base rate dell'adozione istituzionale: quanto ci mettono scuole, banche, assicuratori, legislatori e tribunali ad assorbire (o punire) una tecnologia nuova: quando il collo di bottiglia è regolatorio e non tecnico, la curva resta piatta per anni e poi salta di colpo quando la regola cede. Nota che il cancello 3 è meccanismo, non misura: nessuna serie occupazionale per età lo conferma o lo smentisce oggi.

La conferma incrociata del cancello 2 viene dalla Danimarca: ciò che si muove non sono le ore ma la struttura dei task, con la comparsa di mansioni nuove (generazione di contenuti, supervisione dell'AI, integrazione). Sostituzione di task non è sostituzione di lavoratori finché il lavoratore assorbe i task nuovi. Il perdente non è chi occupa il posto: è chi doveva entrarci, perché i task junior erano proprio quelli automatizzabili per primi.

Il contro-dato: quattro cose che la narrazione dominante omette

1. Il settore software si è ridotto del 4,4% dal picco, non è collassato, e resta sopra il pre-pandemia. Computer Systems Design and Related Services (BLS-CES via FRED): il picco della serie è 2.483,5 mila a marzo 2023 (non gennaio, come si legge spesso: gen 2023 = 2.478,6); a giu 2026 sono 2.374,6 mila. Meno 108,9 mila posti, -4,4% dal picco. Ma su gen 2019 (2.153,6 mila) è +10,3% in sette anni e mezzo. Il quadro non è "l'AI ha distrutto il lavoro software": è un settore che ha smesso di crescere e che sta invecchiando dall'interno, con -20% sui 22-25enni e +8% sui 35-49enni nei dati ADP. 2. Il retail è il precedente che nessuno cita. L'e-commerce è passato dal 10,0% delle vendite al dettaglio (Q1 2019) al 16,9% (Q1 2026), quasi 7 punti in sette anni. L'occupazione del retail nello stesso periodo: 15.617 mila -> 15.460 mila, cioè -1,0%. Un canale ha divorato quote di mercato senza divorare posti: si sono spostati (magazzino, logistica, ultimo miglio). È il caso da tenere a mente prima di convertire "quota di task automatizzati" in "posti persi". 3. L'aggiustamento avviene sulla quantità, non sul prezzo, e questo limita la portata. Se il lavoro junior fosse davvero svalutato, vedremmo salari d'ingresso in calo. Non li vediamo. Un mercato che non riprezza è un mercato che sta rinviando le assunzioni, e le assunzioni rinviate possono tornare (a differenza dei posti eliminati). 4. La quota di lavoratori nel gruppo ad alta esposizione non si muove. Se l'AI stesse spostando persone dalle mansioni esposte a quelle protette, la composizione cambierebbe. Yale la misura ferma a ~18% nel quintile alto per 33 mesi (fino a luglio 2025). Il "grande riallineamento" non era ancora nei dati a quella data.

Sul lato Jevons, l'unica evidenza fetchata è di piattaforma e va nella direzione opposta all'ottimismo semplice: nei submarket freelance allineati alle funzionalità LLM domanda e offerta calano entrambe, con l'offerta che cala meno, quindi la concorrenza tra lavoratori aumenta; l'abbassamento della barriera d'ingresso alla programmazione fa entrare nei task di codice freelance che prima non li facevano. Il costo per unità scende, ma il beneficio va agli incumbent che sanno saltare da un submarket all'altro. Nessuna percentuale puntuale chiusa su fonte primaria (unverified): le cifre tipo "-2%" o "-21% di annunci" che circolano su questo filone non compaiono nell'abstract fetchato.

Base rate storico: quanto in fretta una tecnologia sposta l'occupazione

La domanda giusta non è "quanto è potente l'AI" ma "quanti punti percentuali l'anno si è mai mossa l'occupazione sotto una tecnologia generale". Le serie:

| Episodio | Metrica | Movimento pubblicato | Velocità implicita (NOSTRO calcolo) | |---|---|---|---| | Internet, 1996-2002 | mix occupazionale USA (dissimilarità Duncan-Duncan, CPS) | ~7 punti in 6 anni | ~1,2 pt/anno | | PC, 1984-1989 | stessa metrica | nessuna cifra pubblicata da Yale (periodo nominato come confronto) | *unverified* | | Controllo, 2016-2019 | stessa metrica | «little change to the occupational mix» | linea di base | | AI generativa, nov 2022 - lug 2025 (33 mesi) | stessa metrica | ~1 punto SOPRA il percorso di internet al mese comparabile | ~1,5 pt/anno, cioè ~30% più veloce di internet | | E-commerce, 2000-2026 | quota delle vendite al dettaglio | 0,8% -> 16,9% in 26 anni | ~0,62 pt/anno | | E-commerce, 2019-2026 | occupazione retail a fronte di +6,9 pt di quota | -1,0% | quasi nulla |

Le velocità in pt/anno non sono numeri di Yale: sono derivate da noi dai due valori che Yale pubblica (7 punti in 6 anni per internet; AI ~1 punto sopra quel percorso). Chi ricalcola diversamente ha ragione a discutere il metodo, non i due input.

Tre lezioni che valgono come prior.

Prima: l'ordine di grandezza è 1-1,5 punti l'anno, non 10 — ma l'AI sta correndo sopra internet, non dentro. È il pezzo che va detto contro noi stessi: Yale conclude che non c'è disruption, però il suo key takeaway ammette che «the occupational mix is changing more quickly than it has in the past». Chi prevede uno spostamento a due cifre entro il 2028 sta prevedendo qualcosa che non è mai accaduto con PC, internet o e-commerce; chi prevede "esattamente come internet" sta ignorando quel punto in più.

Seconda, e più utile per prezzare: gli shock si ritraggono. L'e-commerce salta da 11,9% (Q1 2020) a 16,3% (Q2 2020), il famoso "cinque anni di adozione in un trimestre". Poi retrocede fino a 14,2% (Q2 2022) e torna a 16,3% solo nel Q2 2025: cinque anni per riconquistare un livello raggiunto in dodici settimane. Trattare un balzo di adozione come nuova linea di tendenza è l'errore più costoso della categoria, ed è esattamente l'errore che si sta facendo con l'AI nel 2025-2026.

Terza: il tempo di adozione non è il tempo di riallineamento. In SINTESI — Base rate dell'adozione istituzionale: quanto ci mettono scuole, banche, assicuratori, legislatori e tribunali ad assorbire (o punire) una tecnologia nuova la classe "adozione infrastrutturale senza divieti" viaggia a 4-8 anni per la maggioranza, ma le istituzioni con regolatore prudenziale sono 2-3 volte più lente. L'effetto occupazionale sta a valle di quella catena: prima la tecnologia esiste, poi viene adottata, poi il lavoro si riorganizza, poi si vede negli organici. Il ritardo composto è la ragione per cui a 44 mesi da ChatGPT c'è una cella misurabile e nient'altro. Contesto sulla capacità dei modelli in AI/Capacità — benchmark di frontiera 2026: ARC-AGI, dichiarato vs verificato, musica AI in classifica, robot umanoidi; contesto sull'adozione istituzionale e sui cancelli regolatori in Stato oggettivo — adozione e regolazione dell'AI nelle istituzioni (sanità, assicurazioni, scuole, banche, tribunali, banche centrali) a luglio 2026; disciplina di reference class in Teoria — la scienza della previsione (il META-metodo del wiki).

Anti-bias: sconta chi parla, incluso chi ti sta convincendo

- Vendor AI. Il conflitto più sottovalutato non è nei comunicati stampa: è nelle metriche stesse. Sia Stanford sia Yale misurano l'esposizione con dati OpenAI (Eloundou et al.) e l'uso con dati Anthropic (Anthropic Economic Index). Le due aziende che vendono il prodotto forniscono il righello con cui se ne misura l'impatto. Non implica malafede, implica che non esiste una misura indipendente dell'uso e che ogni stima eredita il perimetro del venditore. Yale lo dice: le due misure hanno «only a limited correlation». - La distorsione dello strumento. L'indice Anthropic è dominato dalle occupazioni computer and mathematical, perché quella è la base utenti di Claude, con arts and media sovrarappresentata. Chi legge "l'AI colpisce i coder" dai dati Claude sta in parte leggendo chi usa Claude, non chi è colpito. - Le liste di Tabella A1 sono ESEMPI. Il titolo della tabella è letteralmente «Example occupations by exposure category». Dedurne classifiche ("X è l'occupazione più esposta") è un errore di lettura — incluso quando lo facciamo noi qui sotto, dove la formula corretta è "compare tra gli esempi di". - Il campione ADP, contro la tesi che sostiene. Riportato dagli autori (nota 13, da Cajner et al. 2018): ADP sovrarappresenta il Nord-Est e le imprese che crescono più della media. Un campione di imprese in crescita che mostra comunque un calo dell'entry-level è un'evidenza più forte del normale; ma resta un campione di imprese, non l'economia. - Consulenti. Le cifre del tipo "N milioni di posti entro il 20XX" sono stime di esposizione teorica, cioè quanti task potrebbero essere svolti da un modello, e vengono vendute come previsioni di occupazione. Sono due grandezze diverse: Yale mostra che 33 mesi di esposizione teorica costante hanno prodotto zero movimento nella composizione dei gruppi. - Sindacati e stampa. Amplificano il segnale early-career, che è reale, ma lo datano al 2022-2023 quando l'evidenza con controlli severi lo colloca dal 2024. - E chi scrive questa pagina. L'anti-bias vale in entrambe le direzioni: un wiki di previsione ha un incentivo a dire "tutti sbagliano". Il fatto che regge, ripetuto: -16% sull'ingresso nelle occupazioni esposte, misurato su buste paga, robusto agli effetti fissi impresa-tempo. Non è nulla. E il nostro null aggregato preferito (Yale) è vecchio di un anno.

Una riga per SOC

I codici sono 2018 SOC salvo indicazione; il paper Stanford lavora su 2010 SOC con crosswalk BLS, quindi dove i due sistemi divergono lo segnalo.

| SOC | Occupazione | Verdetto | Perché | Fonte | |---|---|---|---|---| | 15-1252 (2010: 15-1132/15-1133) | Sviluppatori software | Morde molto, ma solo all'ingresso | -20% sui 22-25 dal picco fine 2022 a set 2025 (serie grezza ADP); settore -4,4% dal picco di mar 2023 ma +10,3% sul 2019; retribuzioni ferme. Compare tra gli esempi più esposti sia per Eloundou β sia per automazione Claude | Canaries §4.1 e Tab. A1 + FRED CES6054150001 | | 27-1024 | Designer grafici | Non misurabile oggi | Nessuna serie amministrativa per età pubblicata su questo SOC. L'unica evidenza è di piattaforma freelance: contrazione dei submarket allineati alle funzionalità LLM, senza percentuali chiuse. Yale rileva che arts and media è sovrarappresentata nell'uso, che non è occupazione | arXiv 2308.05201 (abstract); Yale (uso, non impiego) | | 13-2011 | Contabili e revisori | Morde poco oggi, è il candidato numero uno per il prossimo | È l'unica occupazione che compare tra gli esempi «most exposed» di tutte e tre le metriche di Tab. A1 (Eloundou β, uso Claude complessivo, automazione Claude). Nessuna misura di occupazione la isola in calo. Alta esposizione + alta automazione + nessun effetto ancora visibile: sorvegliata speciale | Canaries Tab. A1 | | 11-3031 | Financial manager | Morde poco | Compare tra gli esempi più esposti su una sola metrica (uso Claude complessivo), non su tutte e tre. Nessuna serie per età | Canaries Tab. A1 | | 11-2021/11-2022 e 41-4012 | Marketing e sales manager; rappresentanti wholesale | Morde poco | «Marketing and sales managers», quintile 4, mostrano il calo giovani «albeit with smaller magnitudes»; i rappresentanti wholesale compaiono tra gli esempi più esposti all'uso Claude. Il cancello che frena è la relazione con il cliente, non la scrittura | Canaries §4.1, Fig. A2, Tab. A1 | | 23-1011 | Avvocati | Non misurabile, e il cancello non è la capacità | Nessuna serie per età disponibile (bls.gov 403 su ogni fetch). Il vincolo ipotizzato è la titolarità: licenza, responsabilità disciplinare, firma sull'atto. Da prezzare come diga regolatoria, non come curva a S — ma è meccanismo, non misura (unverified) | nessuna misura primaria | | 11-1021 vs 11-9199 vs 11-1011 | Manager | Non morde, e "manager" è troppo grosso per la domanda | Le metriche si contraddicono dentro la stessa classe: «General and Operations Managers» (11-1021) compaiono tra i più esposti all'automazione, «Managers, All Other» (11-9199) tra i meno. E i «Chief Executives» (11-1011) compaiono tra i PIÙ esposti all'augmentation — cioè nella categoria che nei dati NON perde posti. Prima di prevedere su "manager" bisogna spezzare il SOC | Canaries Tab. A1 | | 2010 SOC 31-1010 (2018: 31-1120 + 31-1131) | Nursing, psychiatric e home health aides | Non morde, e va nella direzione opposta | Primo quintile di esposizione; nei dati ADP l'occupazione dei giovani cresce più di quella degli anziani. Il cancello è la presenza fisica. Nota SOC: il gruppo del paper è il 2010 SOC 31-1010, che nel 2018 SOC si spezza in 31-1120 (home health and personal care aides) e 31-1131 (nursing assistants): 31-1131 da solo non copre gli home health aides | Canaries §4.1, Tab. A1 |

Nota di lettura: "morde molto" qui significa effetto misurato su dati amministrativi con controlli, non "esposizione teorica alta". La differenza tra i due significati è l'intera distanza tra questa pagina e il consenso.

Cosa falsificherebbe la tesi

- Contro l'enunciato 1 (effetto solo all'ingresso): un calo significativo e persistente per la fascia 26-34 o 35-49 nei quintili alti, con effetti fissi impresa-tempo. Oggi quelle stime sono piccole e non significative. - Contro l'enunciato 2 (nessuna rottura aggregata rilevata): la dissimilarità del mix occupazionale che si stacca visibilmente dal percorso 1996-2002 nell'aggiornamento Yale successivo a luglio 2025; oppure la quota di occupati nel gruppo ad alta esposizione che scende sotto ~16% (da ~18% stabile); oppure retribuzioni d'ingresso in calo nei quintili esposti. La compressione salariale sarebbe il segnale più forte, perché è quello che oggi manca del tutto. - Contro l'enunciato 3 (base rate ~1-1,5 pt/anno): due anni consecutivi di movimento del mix sopra ~2,5 pt/anno. - A favore su tutta la linea: l'effetto entry-level che si allarga alle fasce successive e compare nelle retribuzioni e si vede fuori dal campione ADP (registri nazionali, CPS, dati europei). Finché resta una cella sola, in un campione solo, in una fascia d'età sola, è un canarino, non la miniera. Il titolo del paper, letteralmente, è una domanda.

Corretto in questa revisione (errori della versione precedente di questa pagina)

- Chief Executives: erano dati come "tra i meno esposti all'augmentation". Tabella A1 li colloca tra i più esposti all'augmentation. Inversione, corretta. - "Contabili, revisori e financial manager sono gli unici più esposti su tutte e tre le metriche": falso per i financial manager, che compaiono solo nella lista uso-Claude-complessivo. Vale per Accountants and Auditors e basta. - Picco del settore software: non gen 2023 (2.478,6) ma mar 2023 (2.483,5); il calo corretto è -108,9 mila e -4,4%, non -104 mila e -4,2%. - SOC 31-1131: da solo è "Nursing Assistants", non copre gli home health aides; il gruppo del paper è 2010 SOC 31-1010. - Quote 29/46/18%: sono tre gruppi Yale (Q1-2, Q3-4, Q5), non cinque quintili. - Velocità PC 1984-1989 "~1 pt/anno": numero mai pubblicato da Yale, rimosso e marcato unverified. - arXiv 2308.05201: la v4 è del 25 giu 2026, non di agosto 2023.

Escluso che il crollo delle assunzioni tech junior del 2023 sia AI: con i controlli più severi il segnale AI parte dal 2024, e gli autori stessi lo scrivono. Chi cita quel crollo come prova sta usando la finestra sbagliata.

Escluso che i tassi d'interesse siano la spiegazione alternativa dominante: l'esposizione ai tassi è negativamente correlata all'esposizione all'AI, e il gradiente regge in entrambe le metà del campione. (Indebolito, non chiuso: i dati sui tassi non condizionano sull'età.)

Escluso che "occupazione software cresciuta nonostante l'AI" sia vero negli USA: dal picco di mar 2023 il settore ha perso ~109 mila posti. Il contro-dato corretto non è la crescita, è la flessione modesta con ricomposizione per età.

Escluso che Yale sia un'assoluzione: il suo stesso key takeaway dice che il mix si muove più in fretta che in passato, e la sua sezione neo-laureati dice che il movimento recente «could be consistent with... Brynjolfsson et al.».

Da chiudere

aggiornamento Budget Lab con CPS oltre luglio 2025 (è il singolo dato che più cambierebbe questa pagina); tabella per corso di laurea della Fed di New York; Hosseini & Lichtinger sull'assunzione di junior nelle imprese adottanti (SSRN 403); qualunque serie amministrativa per età su designer e avvocati; percentuali puntuali degli studi su piattaforme freelance; serie BLS dirette (bls.gov 403 sistematico, aggirato solo via FRED).