Impatto IA

Metodologia e fonti

Come è costruita la stima, su quali studi poggia e dove è più debole. Versione del modello 0.1 — 30/09/2026.

1. Che cosa stima il modello

Per un’impresa descritta da settore (codice ATECO 2025), numero di addetti e, se si vuole, composizione del personale e livello di digitalizzazione, il modello stima a 1, 3, 5 e 10 anni:

  • la quota di tempo di lavoro liberata dall’IA e dall’automazione, rispetto a oggi;
  • le due letture di quel tempo: più produzione con le stesse persone oppure la stessa produzione con meno lavoro (equivalenti a tempo pieno e risparmio sul costo del lavoro);
  • costi e benefici dell’adozione dell’IA;
  • le aree aziendali dove il cambiamento è maggiore.

Sono scenari, non previsioni: ogni risultato è accompagnato da una forchetta tra uno scenario prudente e uno accelerato.

2. Perché un modello «a mansioni»

È l’impostazione più usata nella ricerca economica sull’IA (Acemoglu, OCSE, FMI, Banca d’Italia): l’IA non sostituisce «lavori» ma compiti, e ogni professione è un insieme di compiti più o meno esposti. L’impatto su un’impresa dipende quindi da quattro cose: che mestieri ci sono, quanti dei loro compiti l’IA sa svolgere, quanto tempo fa risparmiare davvero, e quanto in fretta l’impresa la adotta.

3. La formula

Per ogni gruppo di mansioni e per ogni orizzonte:

tempo liberato = esposizione × risparmio × (intensità d’uso raggiunta − intensità d’uso di oggi)

  • Esposizione: quanto i compiti del gruppo sono alla portata dell’IA generativa, su una scala da 0 a 1. Lo scenario prudente usa l’indice ILO 2025 (Gmyrek et al.), costruito compito per compito e validato da persone: impiegati d’ufficio 0,58; professioni intellettuali 0,38; tecnici 0,37; dirigenti 0,36; servizi e vendite 0,27; lavoro manuale 0,14-0,20. Lo scenario accelerato arriva all’indice di Eloundou et al. che include software e agenti costruiti sull’IA (impiegati 0,86; dirigenti 0,84; professioni intellettuali 0,77; tecnici 0,71); lo scenario centrale alla media dei due. L’esposizione cresce nel tempo: tutti gli scenari partono dal valore ILO, che descrive gli strumenti di oggi, e raggiungono il proprio livello al decimo anno, perché ciò che l’IA sa fare si allarga. L’esposizione media dell’economia italiana passa quindi da 0,31 a 0,31 / 0,42 / 0,52 nei tre scenari; il valore di partenza coincide con quello calcolato da altri autori con lo stesso indice ILO.
  • Risparmio: tempo risparmiato sui compiti esposti quando l’IA è usata davvero in un’impresa. Negli esperimenti su compiti singoli si risparmia il 25-56% del tempo; in impresa tra un quarto e metà di quel valore (nell’assistenza clienti +15% di pratiche risolte per ora, nello sviluppo software +26% di produzione per chi usa lo strumento). Il modello usa 25% nello scenario prudente, 35% nel centrale e 34% nell’accelerato, i valori che portano il totale dell’economia sulle stime ufficiali (vedi §6): sono sopra i guadagni misurati finora in impresa e dentro l’intervallo degli esperimenti. Il valore è lo stesso per tutte le mansioni: è una semplificazione, perché nel lavoro d’ufficio generico i guadagni misurati sono più bassi che nell’assistenza clienti o nella programmazione.
  • Intensità d’uso: quota del potenziale effettivamente realizzata. Segue una curva a S (la stessa formula usata dall’OCSE), con tetto all’80%.

4. Da dove parte e quanto corre l’adozione

Punto di partenza. Conta l’uso intensivo, non l’uso dichiarato: in Italia il 32% delle imprese con almeno 20 addetti dice di usare l’IA, ma solo il 5% in modo esteso (Banca d’Italia, 2026). Il modello stima l’uso intensivo come il 16% circa dell’uso dichiarato (5 su 32), che a sua volta dipende da:

  • dimensione: nel 2025 usa l’IA il 9,9% delle microimprese, il 14,2% delle imprese tra 10 e 49 addetti, il 27,6% tra 50 e 249, il 53,1% dalle 250 in su (Eurostat, Excelsior);
  • settore (codice ATECO): dal 53% dell’informatica all’8-9% di legno, carta e metallurgia (Eurostat 2025, per gruppi di divisioni). I dati sono del 2025 e vengono portati al 2026 con la crescita osservata dalla Banca d’Italia (da 27% a 32% delle imprese). Per i settori fuori dalla rilevazione (agricoltura, finanza, pubblica amministrazione, istruzione, sanità, altri servizi) il valore è una stima dichiarata;
  • area geografica (facoltativa).

Nell’analisi approfondita l’impresa indica direttamente quanto usa già l’IA; le quattro risposte sono tradotte in un’intensità di partenza (0,5% / 3% / 12% / 35% del potenziale) che è un’ipotesi, non una misura.

Due ritmi di adozione. L’analisi parte da «adozione decisa»: l’impresa porta l’IA nei propri processi in 3-5 anni (la velocità più alta osservata oggi nella diffusione dell’IA) e colma in tre anni il divario di rendimento legato alla dimensione. È un’ipotesi su ciò che l’impresa sceglie di fare, non una previsione. Il ritmo «come le imprese simili» mostra invece l’impresa media del settore e della dimensione, che comprende chi adotterà presto e chi non adotterà: è su questo ritmo che il modello è tarato sulle stime ufficiali. Tra imprese simili le differenze sono molto ampie: chi usa davvero l’IA risparmia già oggi il 3-5% delle ore (Danimarca, Stati Uniti).

Velocità. Tre ritmi storici di diffusione delle tecnologie: come l’elettricità (prudente), come PC e internet (centrale), come i telefoni cellulari (accelerato). La velocità è corretta per la digitalizzazione: il codice ATECO porta con sé la quota di imprese del settore ad alta intensità digitale (Eurostat), perché chi ha già gestionale, cloud e analisi dei dati adotta l’IA molto più facilmente — secondo l’ISTAT la probabilità di adozione passa dal 4,8% senza le tecnologie «precursori» (cloud, CRM, business intelligence, analisi dei dati) al 75,5% con tutte. Nell’analisi approfondita contano gli strumenti dichiarati dall’impresa. L’effetto sulla velocità è tenuto volutamente piccolo (±15-20%).

Rendimento per dimensione. Gli studi europei trovano che nei primi anni le imprese piccole ricavano dall’IA meno delle grandi. Il modello applica un rendimento iniziale ridotto (0,5 per micro e autonomi, 0,6 per le piccole, 0,8 per le medie) che si chiude in dieci anni. È un’ipotesi più ottimista dell’unico studio europeo disponibile (effetto circa nullo per micro e piccole, circa la metà delle grandi per le medie, nei primi anni) ed è il parametro meno fondato: non esistono studi con effetti misurati sulle micro e piccole imprese italiane.

5. Sostituzione e potenziamento

Non tutto il tempo liberato può tradursi in meno lavoro. Una parte sostituisce compiti (e può ridurre il fabbisogno di persone), un’altra potenzia chi lavora (più qualità, più capacità). La quota sostituibile dipende dal tipo di mansione e dallo scenario: per gli impiegati d’ufficio 40% / 55% / 70%; per i tecnici 25% / 35% / 50%; per dirigenti e professionisti 15% / 20% / 30%. Sono ipotesi orientate dagli studi che separano sostituzione e potenziamento, non valori misurati.

La ricerca è chiara su un punto: finora le imprese hanno riallocato il tempo e rallentato le assunzioni, non licenziato. Per questo il modello mostra in quanti anni la riduzione potenziale sarebbe assorbita dal normale ricambio (ipotesi: 5% di uscite l’anno).

6. Taratura sui dati macro

I tre scenari sono ancorati alle stime ufficiali per l’Italia: OCSE (0,19 / 0,57 / 0,89 punti l’anno di produttività del lavoro per dieci anni) e Banca d’Italia (0,2 / 0,7 / 1,1). Il modello usa 0,2 / 0,6 / 1,0. In dieci anni significano +2,0% / +6,2% / +10,5% di produttività del lavoro, ed è su questi valori che il modello è tarato. È la lettura piena: una lettura più prudente, che considera i guadagni misurati come risparmi di solo lavoro (Acemoglu) e toglie l’effetto dell’accumulo di capitale, darebbe risultati più bassi di circa un terzo, con un risparmio sui compiti esposti del 25% invece del 35%.

Applicando il modello all’intera economia italiana (occupati per settore e professione, struttura dimensionale delle imprese) con il ritmo «come le imprese simili» si ottiene, per la sola IA sui compiti d’ufficio e di conoscenza, +2,0% / +6,2% / +10,5%. Alle scadenze intermedie lo scenario centrale dà +0,2% a un anno, +0,8% a tre, +1,8% a cinque: effetti piccoli nei primi anni, come si osserva oggi. A cinque anni si è a circa un terzo del guadagno decennale. L’automazione fisica aggiunge a dieci anni +0,1 / +0,4 / +0,7 punti e non è ancorata ad alcuna stima macro.

Nella taratura pubblica amministrazione, istruzione e sanità sono trattate come organizzazioni grandi e la struttura per dimensione è la stessa in tutti i settori: due semplificazioni che spostano l’aggregato in direzioni opposte.

Oltre le stime istituzionali

Le stime di OCSE e Banca d’Italia sono medie dell’intera economia, comprese le imprese che non adotteranno l’IA, e guardano agli strumenti del 2023-2024. Oltre al ritmo «adozione decisa», il sito offre due modi, sempre segnalati, di andare oltre:

  • Scenario «Frontiera»: esposizione «con software e agenti», adozione rapida, risparmio del 44% sui compiti esposti. È tarato sulla stima più alta tra quelle non speculative: +1,8 punti l’anno di produttività del lavoro con adozione universale in dieci anni (Anthropic, 2025); Goldman Sachs indica +1,5 a regime.
  • Cursore dell’intensità: porta il risparmio sui compiti esposti fino all’80%, cioè al caso in cui l’IA svolge i compiti per intero. È la lettura delle stime secondo cui il 60-70% delle ore di lavoro è tecnicamente automatizzabile (McKinsey). Nessuno studio ha finora misurato risparmi di questo ordine in un’impresa.

Il risultato indica anche il potenziale tecnico (la quota di compiti alla portata dell’IA) e quanto si libererebbe usandola in tutti quei compiti.

7. Automazione fisica

Robot, magazzini automatici e visione artificiale sono trattati come canale separato, solo per le mansioni manuali e di servizio. Il potenziale tecnico è alto (45-60% dei compiti), ma l’adozione è lenta: il modello ipotizza che a dieci anni sia realizzato il 7,5% / 15% / 22,5% del potenziale, ridotto per le imprese piccole e per i settori dove i robot sono meno usati (in proporzione all’uso rilevato da Eurostat). Del tempo liberato dall’automazione fisica il 40% è considerato sostituibile: è un’ipotesi, perché le imprese che introducono robot in genere aumentano l’organico e in Italia l’effetto complessivo sull’occupazione risulta nullo. È la parte con la base più debole: mancano stime indipendenti su costi, tempi di ritorno e guadagni operativi, e per questo i costi dell’automazione fisica non sono calcolati. Camion a guida autonoma e robot umanoidi sono considerati fuori dall’orizzonte dei dieci anni.

8. Dati italiani usati

Dato Livello Fonte
Codici di attività 3.235 codici ATECO 2025, 87 divisioni ISTAT
Mix di professioni sezione di attività × 9 grandi gruppi professionali, 2025 Eurostat, forze di lavoro
Costo del lavoro per dipendente divisione, 2023 aggiornato al 2025 (× 1,064) Eurostat, statistiche strutturali; conti nazionali
Retribuzioni relative per professione sezione × gruppo professionale, 2022 Eurostat, struttura delle retribuzioni
Uso dell’IA e intensità digitale gruppi di divisioni e classe dimensionale, 2025 Eurostat / ISTAT, Imprese e ICT
Esposizione per professione 427 professioni, aggregate con gli occupati italiani ILO 2025; Eloundou et al. 2024

Il mix di professioni è disponibile solo per sezione (non esiste una tavola pubblica per divisione): due imprese di divisioni diverse della stessa sezione partono dallo stesso mix, che l’analisi approfondita permette di sostituire con quello reale.

9. Limiti

  • A 1-3 anni la ricerca misura effetti piccoli; a 5-10 anni non esistono misure, solo scenari.
  • Per micro e piccole imprese italiane i valori sono estrapolati da studi su imprese più grandi o di altri paesi.
  • Il modello non considera: nuovi prodotti e nuovi mercati resi possibili dall’IA, la reazione dei concorrenti, l’effetto sulla domanda (rilevante per chi vende servizi che i clienti possono fare da sé), i vincoli contrattuali e normativi specifici.
  • I costi di adozione sono un’ipotesi dichiarata (circa 610 euro l’anno per utente tra licenze e formazione, senza il tempo di lavoro speso in formazione, più un costo annuo di integrazione per classe dimensionale), non una stima da dati italiani.
  • Il costo del lavoro predefinito è per persona (non per unità a tempo pieno) e le retribuzioni relative per mansione vengono da imprese con almeno 10 addetti: nei settori con molto tempo parziale e nelle microimprese le «persone equivalenti» e i valori in euro sono approssimati. Per i lavoratori autonomi il reddito predefinito è il costo medio di un dipendente del settore: conviene indicare il proprio.
  • Alcune fonti sono state lette come working paper e non nella versione pubblicata su rivista.
  • Quadro normativo (solo come contesto, non è consulenza legale): obblighi di informativa ai lavoratori sui sistemi automatizzati, art. 4 dello Statuto dei lavoratori, legge 132/2025 (nelle professioni intellettuali l’IA è ammessa come supporto), regolamento europeo sull’IA.

10. Fonti principali

Esposizione delle professioni

  • Gmyrek et al. (2025), Generative AI and Jobs: A Refined Global Index of Occupational Exposure, ILO Working Paper 140.
  • Eloundou, Manning, Mishkin, Rock (2024), GPTs are GPTs, Science 384.
  • Cazzaniga et al. (2024), Gen-AI: Artificial Intelligence and the Future of Work, FMI.
  • Dalla Zuanna et al. (2024), Banca d’Italia, Questioni di Economia e Finanza 878; Ferri et al. (2024), INAPP Working Paper 125.

Effetti misurati

  • Brynjolfsson, Li, Raymond (2025), Generative AI at Work, Quarterly Journal of Economics.
  • Noy, Zhang (2023), Science; Dell’Acqua et al. (2026), Organization Science; Cui et al. (2026), Management Science.
  • Humlum, Vestergaard (2026), Large Language Models, Small Labor Market Effects, NBER.
  • Brynjolfsson, Chandar, Chen (2025), Canaries in the Coal Mine, Stanford Digital Economy Lab.
  • Aldasoro et al. (2026), BIS Working Paper 1325; Yotzov et al. (2026), NBER.

Macro e adozione

  • Filippucci, Gal, Laengle, Schief (2025), OCSE AI Papers 41; Filippucci, Gal, Schief (2024), Miracle or Myth?, OCSE.
  • Banca d’Italia (2026), Questioni di Economia e Finanza 1005 e 1009; Relazione annuale sul 2025.
  • Acemoglu (2025), The Simple Macroeconomics of AI, Economic Policy; Aghion, Bunel (2024), AI and Growth.

Italia

  • ISTAT, Imprese e ICT 2025; Rapporto annuale 2026; Misure di produttività 1995-2024; classificazione ATECO 2025.
  • Eurostat, banche dati su imprese, forze di lavoro, retribuzioni e digitalizzazione.
  • Unioncamere-Excelsior (2025), Competenze digitali; Osservatorio Artificial Intelligence del Politecnico di Milano (2026).

Automazione fisica

  • Acemoglu, Restrepo (2020), Robots and Jobs, Journal of Political Economy; Dottori (2021), Banca d’Italia; Koch, Manuylov, Smolka (2021), Economic Journal.
  • Nedelkoska, Quintini (2018), OCSE; McKinsey Global Institute (2017, 2023); International Federation of Robotics, World Robotics.

L’elenco completo (circa 190 studi, ciascuno con una scheda che riporta metodo, numeri chiave, limiti e affidabilità) accompagna il modello.