Paradosso dell’Automazione e Legge di Jevons: Perché l’Intelligenza Artificiale Crea Più Lavoro Umano

Ogni volta che un nuovo software fa capolino sul mercato, c’è sempre qualcuno pronto a suonare il requiem per il lavoro umano.

È un copione che ripetiamo da oltre due secoli: guardiamo la macchina, contiamo i minuti che ci fa risparmiare per completare una procedura e concludiamo, con una logica apparentemente inattaccabile, che presto non avremo più nulla da fare.

Se un algoritmo riesce a scrivere un codice complesso, redigere un report finanziario o analizzare un bilancio in una manciata di secondi, a cosa servono le persone?

Eppure, se entriamo negli uffici di oggi e li confrontiamo con quelli di trent’ anni fa, la realtà ci restituisce un’immagine ostinatamente opposta. L’arrivo di calcolatrici, computer, connessioni ad alta velocità e software gestionali non ha svuotato le scrivanie.

Al contrario, le ha moltiplicate. La verità economica dietro l’innovazione tecnologica è molto più controintuitiva delle previsioni catastrofiste: rendere un’operazione automatica ed economica non distrugge la necessità di intervento umano. In modo quasi spietato, ne aumenta il volume.

Questo fenomeno prende il nome di Paradosso dell’Automazione.

Mentre molti prefigurano uffici deserti gestiti da server silenziosi, l’intelligenza artificiale sta già creando nuove forme di lavoro, ridefinendo competenze e imponendo nuove responsabilità. La vera incognita non è se l’AI ci sostituirà, ma quale tipo di ecosistema lavorativo dovremo gestire quando l’automazione cognitiva diventerà l’infrastruttura di base di ogni azienda.

La frammentazione della professione: compiti contro lavoro

L’errore cognitivo più comune quando si valuta l’impatto della tecnologia è confondere la professione con il compito. Un lavoro umano non è un monolite; è un mosaico composto da decine, a volte centinaia, di attività diverse.

Quando una tecnologia irrompe sul mercato, quasi mai automatizza un intero lavoro da cima a fondo. Si limita a fagocitare compiti specifici, solitamente quelli più ripetitivi, strutturati e prevedibili.

Prendiamo la figura del contabile. È innegabile che una fetta del suo tempo sia storicamente stata assorbita dall’inserimento manuale dei dati. Ma un contabile fa molto altro: deve interpretare normative fiscali in costante mutamento, valutare le eccezioni di casi aziendali particolari, negoziare con i fornitori, comunicare strategie ai clienti e prendere decisioni basate sul rischio. Se un software OCR (Optical Character Recognition) basato su AI inizia ad automatizzare l’inserimento delle fatture azzerando gli errori di battitura, il contabile non scompare. Cambia, in modo drastico, il peso relativo delle sue mansioni quotidiane.

Gli economisti definiscono questa dinamica task automation (automazione dei compiti) per distinguerla dalla job automation (automazione del lavoro).

L’automazione erode la routine, ma nel farlo agisce come un moltiplicatore di valore per tutte quelle attività che la macchina non sa gestire: il giudizio critico, la supervisione delle anomalie, la gestione dell’incertezza e l’empatia relazionale.

È qui che si innesca il paradosso. Riducendo il costo e il tempo necessari per completare le basi di un lavoro, la domanda per i servizi più avanzati offerti da quel professionista aumenta.

Dalla macchina a vapore al foglio di calcolo: lezioni dal passato

Per inquadrare l’AI senza farsi prendere dal panico, è utile osservare come l’economia ha assorbito gli shock tecnologici del passato.

Nel diciannovesimo secolo, i telai meccanici e le macchine a vapore scatenarono il terrore della disoccupazione di massa nel settore tessile. Dal punto di vista strettamente locale, i timori erano fondati: specifiche abilità artigianali persero valore e scomparvero. Tuttavia, si innescò una reazione a catena inattesa. L’automazione rese la produzione dei tessuti enormemente più economica e veloce.

I prezzi crollarono e, di conseguenza, la domanda globale di vestiario esplose.

Per soddisfare questa nuova domanda gigantesca, le fabbriche dovettero espandersi. E per farlo servivano operai per gestire più telai, ingegneri per progettarli, manutentori, addetti alla logistica, magazzinieri e reti di commercianti. L’automazione aveva polverizzato la mansione della tessitura manuale, ma aveva costruito un’industria infinitamente più grande.

Lo stesso copione è andato in scena con le banche.

Quando gli sportelli bancomat (ATM) si diffusero a livello globale, gli analisti firmarono l’atto di morte per i cassieri bancari. La deduzione era lineare: se il cliente preleva e versa i contanti da solo, la filiale taglierà il personale. In realtà, proprio perché i costi operativi per mantenere aperta una filiale crollarono, le banche iniziarono ad aprire molte più sedi territoriali. I cassieri non furono licenziati in massa; furono riqualificati. Liberati dall’obbligo di contare banconote per otto ore al giorno, divennero consulenti finanziari, addetti all’assistenza clienti e venditori di servizi complessi come mutui e carte di credito.

Ma l’esempio che più si avvicina all’attuale rivoluzione dell’intelligenza artificiale è quello di VisiCalc e, successivamente, di Microsoft Excel negli anni Ottanta. Prima dell’avvento dei fogli di calcolo elettronici, le aziende impiegavano eserciti di contabili e analisti il cui unico scopo era ricalcolare manualmente intere colonne di numeri a ogni minima variazione di bilancio. Un singolo errore richiedeva giorni di revisione. L’arrivo di Excel permise di eseguire migliaia di calcoli istantaneamente.

Invece di licenziare i dipartimenti finanziari, la dirigenza capì che l’analisi dei dati era diventata economica.

“Se possiamo avere una simulazione di bilancio in cinque minuti invece che in una settimana,” pensarono le aziende, “voglio vederne dieci versioni diverse prima di domani”. I fogli elettronici non cancellarono gli analisti; moltiplicarono la fame di decisioni guidate dai dati (data-driven) nel mondo del business.

Il salto contemporaneo: Copilot, Midjourney e gli Agenti AI (2023-2025)

Non serve però guardare agli anni Ottanta. Il biennio 2023-2025 ci ha fornito un banco di prova in tempo reale per questo paradosso. L’introduzione su larga scala di strumenti generativi ha letteralmente scosso l’industria del software e della creatività.

Quando GitHub Copilot ha iniziato a scrivere porzioni intere di codice in autonomia, le previsioni suggerivano un dimezzamento immediato dei team di sviluppo. La realtà si è rivelata molto diversa: l’efficienza algoritmica ha semplicemente abbattuto i costi di prototipazione. Le startup e i dipartimenti IT ora testano dieci iterazioni software nello stesso tempo in cui prima ne testavano una. Il collo di bottiglia non è più la digitazione del codice, ma l’orchestrazione dell’architettura e la sicurezza informatica.

Lo stesso è accaduto nelle agenzie creative con Midjourney o DALL-E. Generare un’immagine iper-realistica oggi richiede trenta secondi. Questo ha eliminato i direttori artistici? No. Ha trasformato il modo in cui lavorano. Oggi un designer usa questi strumenti non come prodotto finale, ma per generare decine di moodboard visive durante un brainstorming con il cliente. E man mano che l’AI evolve in veri e propri “Agenti” (sistemi in grado non solo di rispondere, ma di pianificare ed eseguire task in sequenza, come fare ricerche web, compilare CRM e inviare email), le aziende non stanno spegnendo le luci in ufficio, ma stanno innalzando verticalmente il volume delle loro operazioni commerciali.

L’inganno dell’efficienza: la Legge di Jevons

Dietro tutti questi esempi storici si nasconde uno dei principi più affascinanti e controintuitivi della teoria economica: la Legge di Jevons. Formulata dall’economista inglese William Stanley Jevons nel 1865, questa regola smentisce la logica del buon senso secondo cui aumentare l’efficienza di una risorsa ne riduce il consumo.

Jevons osservò il fenomeno studiando le macchine a vapore di James Watt. Queste nuove macchine erano nettamente più efficienti nel bruciare il carbone rispetto ai modelli precedenti. Tutti in Inghilterra erano convinti che, necessitando di meno carbone per funzionare, il consumo energetico nazionale sarebbe diminuito. Jevons dimostrò il contrario: poiché estrarre energia dal carbone era diventato molto più conveniente ed economico, un numero sempre maggiore di industrie (non solo quelle estrattive) iniziò ad adottare le macchine a vapore. I campi di applicazione si moltiplicarono a dismisura e il consumo totale di carbone in Inghilterra andò letteralmente alle stelle.

In sostanza, il Paradosso di Jevons stabilisce che l’aumento dell’efficienza abbassa il costo di utilizzo di una risorsa, stimolando una domanda addizionale che finisce per superare abbondantemente i risparmi iniziali.

Jevons applicato all’algoritmo

Oggi non bruciamo carbone per far funzionare i software, ma bruciamo potenza di calcolo per generare lavoro cognitivo. Se applichiamo la Legge di Jevons all’intelligenza artificiale, le nebbie sul futuro del mercato del lavoro iniziano a diradarsi.

Se l’AI rende il lavoro intellettuale, la scrittura di codice o l’analisi dei dati drammaticamente più efficienti, non avremo bisogno di meno sviluppatori o meno analisti.

Avremo semplicemente una richiesta esplosiva dei loro output.

Pensiamo allo sviluppo software moderno. L’introduzione di assistenti basati su reti neurali permette a un programmatore di scrivere routine, trovare bug o impostare l’architettura di un’applicazione a una velocità impensabile solo cinque anni fa.

La reazione impulsiva del mercato suggerisce che i team di sviluppo verranno dimezzati. La reazione reale, dettata da Jevons, è che le aziende decidono di avviare il triplo dei progetti. Se sviluppare una funzionalità richiede una frazione del budget precedente, si testa di più, si creano più interfacce, si aumentano le integrazioni personalizzate e si avviano continui processi di ottimizzazione. Il collo di bottiglia non è più la stesura del codice riga per riga, ma la capacità di ideare sistemi complessi e orchestrarli in modo sicuro.

Lo stesso schema si ripete nell’ambito dei dati.

Prima, per incrociare enormi dataset e trarne proiezioni statistiche servivano settimane di estrazione e pulizia.

Oggi, algoritmi e librerie avanzate fanno il grosso del lavoro in pochi minuti. Ma questo non manda a casa i data scientist. Fa sì che la dirigenza pretenda dashboard sempre aggiornate, report predittivi su ogni singola metrica aziendale e simulazioni di mercato in tempo reale. L’efficienza non ha chiuso i dipartimenti dati; li ha resi il nucleo pulsante di ogni decisione aziendale.

La pressione al ribasso e l’economia dell’attenzione

C’è però un corollario in questa esplosione di produttività. Se l’AI abbatte i costi di esecuzione, il mercato viene inondato dai risultati di quel lavoro. Questo porta a una fortissima pressione al ribasso sul valore intrinseco dell’output grezzo, spostando inesorabilmente il premio economico verso la strategia e la capacità di catturare l’attenzione.

Prendiamo la produzione testuale. Se fino a ieri un’azienda produceva dieci approfondimenti tecnici al mese pagando un professionista, oggi con l’AI generativa può teoricamente produrne cento a un costo marginale vicino allo zero. L’efficienza ha innescato l’espansione. Ma se tutte le aziende del settore iniziano a produrre cento articoli, il valore della mera esecuzione grammaticale crolla. Il web si satura. In questo scenario iper-competitivo, l’unica risorsa che rimane rigidamente scarsa è l’attenzione umana.

Di conseguenza, il lavoro non sparisce, ma fa un salto di qualità obbligato. Le figure richieste non saranno più quelle che “sanno scrivere”, ma quelle che sanno cosa scrivere. Diventano cruciali il posizionamento strategico, la capacità di creare narrazioni fuori dagli schemi e l’abilità di utilizzare i dati per capire le reali frizioni del pubblico. L’automazione elimina il vecchio ostacolo della pagina bianca e ne crea uno nuovo: la lotta disperata per essere rilevanti nel rumore di fondo generato dalle macchine.

L’illusione dell’autonomia e la filiera della manovalanza cognitiva

L’idea che l’intelligenza artificiale sia un’entità in grado di operare nel vuoto, sostituendo l’uomo in un colpo netto, è un’illusione ottica alimentata dal marketing tech. L’AI non è una mente indipendente; è il prodotto di una complessa, e spesso invisibile, catena di fornitura cognitiva. Per funzionare, i modelli di fondazione richiedono un’infrastruttura di intervento umano di proporzioni titaniche.

Più deleghiamo processi decisionali o creativi agli algoritmi, più si espande il bisogno di monitoraggio. L’AI generativa, pur essendo potente, soffre di allucinazioni strutturali, bias intrinseci derivati dai dati di addestramento e un’allarmante propensione a presentare errori logici con totale sicurezza. Per questo motivo, l’implementazione dell’AI nelle aziende non sta assottigliando le fila, ma sta generando una nuova classe di lavoratori cognitivi dedicati esclusivamente alla validazione.

Stiamo assistendo alla nascita di figure dedicate all’auditing algoritmico, esperti di governance dei dati, analisti del rischio tecnologico e professionisti del Reinforcement Learning from Human Feedback (RLHF), persone il cui compito è letteralmente correggere, indirizzare e allineare le risposte della macchina ai valori e alle esigenze aziendali.

Questo strato di “manovalanza cognitiva” e supervisione esperta è imprescindibile.

I piloti automatici hanno reso l’aviazione commerciale statisticamente più sicura, ma nessuno si sognerebbe di salire su un Boeing privo di piloti umani in cabina. La macchina esegue la routine; l’umano gestisce l’eccezione critica. Più il sistema si fa complesso, più il supervisore umano diventa il vero baluardo contro il collasso operativo.

Il nuovo ecosistema delle professioni

Questa transizione ci impone di guardare oltre le professioni che esistono oggi. L’automazione libera risorse cognitive, permettendo alle persone di esplorare bisogni organizzativi e mercati prima inesistenti. Negli anni Novanta nessuno avrebbe potuto pianificare una carriera come UX Designer, Cloud Architect o stratega della Creator Economy. Questi ruoli sono nati proprio perché altre infrastrutture informatiche sono state automatizzate e pacchettizzate, permettendo di costruire un livello di complessità superiore.

Oggi vediamo nascere i primi veri specialisti di questa era: AI Workflow Designer, architetti di dati sintetici e manager specializzati nell’approccio human-in-the-loop, dove il flusso di lavoro prevede passaggi continui tra bozza algoritmica e rifinitura umana. In questo ecosistema, le abilità che l’algoritmo fatica a codificare diventano il vero capitale umano. Saper valutare se una risposta è corretta (pensiero critico) diventa infinitamente più prezioso della capacità di generarla. Comprendere i giochi di potere, le sfumature organizzative e le sensibilità del mercato (contesto ed empatia) rimane un recinto precluso alla macchina. E, soprattutto, decidere quale sia il problema giusto da risolvere (visione strategica) continuerà a valere molto di più della velocità con cui si calcola la soluzione.

La storia economica ci fornisce un antidoto contro il fatalismo. Le grandi rivoluzioni tecnologiche distruggono mansioni specifiche, ma non distruggono il lavoro. Lo scompongono, lo innalzano di livello, creano colli di bottiglia inediti e, in virtù della Legge di Jevons, generano un’onda di domanda proporzionale all’efficienza raggiunta.

Il paradosso finale dell’intelligenza artificiale è che un sistema capace di elaborare sempre più informazioni non rende il lavoratore inutile. Al contrario, aumenta drasticamente la pressione affinché l’essere umano elevi le proprie capacità, concentrandosi esclusivamente su ciò che lo rende unico. La domanda da porsi non è più quali lavori perderemo domani mattina, ma quali nuove, immense sfide saremo chiamati a gestire quando le macchine faranno tutto ciò che era noioso fare.