L'AI trasforma più lavori di quanti ne elimina
cosa dicono i dati e come sta cambiando il mercato
Luciano Cipriano
6/9/20266 min read
Ciao a tutti,
Ben arrivati su WikiLuc.
Ogni settimana qualcuno mi condivide l'ennesimo articolo sui lavori che l'AI eliminerà. Ho smesso di trovarli utili — non perché il tema non sia reale, ma perché il frame è sbagliato. BCG ha pubblicato ad aprile un report con un titolo diverso: "AI Will Reshape More Jobs Than It Replaces". I numeri dicono che il 50–55% dei lavori sarà significativamente trasformato nei prossimi due-tre anni, contro un 10–15% che sarà completamente sostituito. La differenza tra i due frame non è semantica — determina le scelte che un professionista dovrebbe fare adesso, nel 2026, per restare competitivo nel 2028.
Di cosa parliamo oggi:
Cosa significano davvero "trasformato" e "eliminato" — la distinzione che cambia il ragionamento
I dati sull'Italia — dove siamo e dove mancano le fondamenta
Il gap tra adozione e valore: perché usare l'AI non basta
Chi sta investendo sulla formazione — e chi no
Le mosse concrete per un professionista italiano nel 2026
Cerchiamo di capire insieme.
Trasformazione vs sostituzione: la distinzione che conta
Cosa intendiamo per "trasformato"
"Trasformato" significa che le attività che compongono quel lavoro cambiano in modo significativo — alcune vengono automatizzate, altre richiedono nuove competenze, il mix di tempo e attenzione che il professionista dedica ai vari task si ridisegna. Non è una situazione di comfort: richiede adattamento, richiede formazione, richiede la disponibilità a fare cose diverse da come le hai sempre fatte.
Ma è strutturalmente diverso da "eliminato". Un lavoro eliminato scompare — il professionista deve cambiare ruolo o settore. Un lavoro trasformato esiste ancora, ma chi non si adatta lo occupa male, con meno valore aggiunto, con meno competitività rispetto a chi l'ha ridisegnato intorno alle nuove possibilità.
BCG stima che il 50–55% dei lavori cadrà nella categoria "trasformato" nei prossimi 24–36 mesi, con una concentrazione molto alta nei ruoli di knowledge work: analyst, consultant, developer, product manager, designer. L'AI non sta sostituendo queste figure — sta ridisegnando il perimetro di cosa fanno in una giornata.
I dati sull'Italia — il divario tra adoption e preparazione
L'Italia è al 68% di adoption dell'AI tra i lavoratori — lo stesso dato del Regno Unito, secondo BCG. Non è un ritardo rispetto al resto d'Europa occidentale: la Spagna guida con il 78%, ma l'Italia non è fanalino di coda.
Il problema è nel livello successivo. Solo 1 su 4 tra i lavoratori di front-line riceve linee guida concrete dalla propria leadership su come usare l'AI nel proprio ruolo. Non formazione strutturata — guida. Indicazione su quale tool usare, su quale task delegare, su come valutare l'output di un agente. Questa guida manca nel 75% dei casi.
L'Anthropic Economic Index 2026 — il report basato sui dati di utilizzo reale di Claude — aggiunge un elemento: c'è un divario crescente tra chi usa gli strumenti AI con efficacia documentata e chi li usa in modo generico. I primi ottengono un amplificamento reale della propria produttività. I secondi ottengono un po' di accelerazione su task semplici, ma non un cambio strutturale. La differenza non è nella disponibilità dello strumento — è nella profondità con cui lo si è imparato a usare.
Il gap tra adozione e valore — perché usare l'AI non basta
BCG identifica tre categorie di aziende rispetto all'adozione AI: Trailblazer (avanzate), Pragmatist (in percorso), Follower (in ritardo). La differenza più rilevante tra le prime e le ultime non è nella spesa assoluta in tool AI — è nell'allocazione del budget.
Le aziende Trailblazer destinano il 60% del proprio budget AI all'upskilling e al retraining delle persone. Le Follower ci destinano il 24%. Le Trailblazer ottengono valore sistematico — non dipendono da uno o due individui "bravi con l'AI", ma hanno costruito una capacità organizzativa distribuita. Le Follower dipendono dagli entusiasti, e quando questi cambiano azienda portano via il know-how.
Questo è il meccanismo che spiega il dato del 68% di adoption con bassa penetrazione del valore reale: molte persone usano ChatGPT o Copilot per qualcosa, ma poche organizzazioni hanno costruito i processi, la governance e la formazione che trasformano l'uso individuale in vantaggio competitivo organizzativo.
Chi sta formando davvero — e chi no
I settori con i programmi di upskilling più strutturati in Europa nel 2026 sono banking, pharma e tech. Non a caso sono anche i settori con il maggior numero di agenti in produzione reale. Non è una coincidenza: la formazione precede il deployment efficace, non lo segue.
I settori con il gap più ampio tra adoption e formazione sono PA, manifattura tradizionale e servizi professionali non tech. In tutti e tre, l'AI viene usata individualmente da chi è curioso, ma non è ancora parte di un piano di trasformazione organizzativa. Il risultato è frammentazione: qualcuno lavora con l'AI in modo avanzato nel proprio team, il resto dell'organizzazione non lo sa e non ne beneficia.
Per il professionista italiano, questo crea sia un rischio che un'opportunità. Il rischio: restare nell'organizzazione che non si aggiorna e perdere competitività rispetto a colleghi in organizzazioni più avanzate. L'opportunità: in molti settori, chi sa usare l'AI in modo non banale è ancora raro — e quella rarità ha valore di mercato.
Le mosse concrete per il 2026
Tre cose che valgono indipendentemente dal settore in cui lavori:
Sposta il benchmark dal "uso l'AI" al "cosa ottengo con l'AI" Misura i tuoi output con e senza AI su task specifici. Non in modo impressionistico — in modo documentato. Questo ha due effetti: ti dice dove l'AI ti aiuta davvero (spesso non dove pensi), e ti dà dati concreti da portare in conversazioni con il tuo management quando si parla di tool e formazione.
Investi sulla profondità, non sulla larghezza Il rischio del 2026 è l'illusione della competenza: aver provato dieci tool AI non significa saper usarne bene nessuno. Scegli uno o due strumenti rilevanti per il tuo lavoro reale e investi tempo nel capirli in profondità — i pattern di prompt, i limiti, i casi d'uso ottimali. La specializzazione profonda su un tool vale più della familiarità superficiale con dieci.
Porta la conversazione sulla formazione dentro la tua organizzazione Se sei in un'organizzazione Follower — quella che non sta investendo sul 60% di budget per l'upskilling — la domanda da fare non è "come posso formarmi per conto mio". È "come posso aiutare la mia organizzazione a costruire un piano di formazione". Non è altruismo: è interesse personale. Un'organizzazione che non si forma intorno all'AI perde competitività, e questo alla fine pesa su chi ci lavora dentro.ù
I punti di attenzione che nessuno ti dice
"Trasformato" non vuol dire "sicuro". Il 50–55% di lavori trasformati include anche quelli in cui la trasformazione è così profonda da richiedere competenze completamente nuove. Chi non si aggiorna in un lavoro "trasformato" può ritrovarsi nella posizione peggiore: il ruolo esiste ancora, ma lui non è più la persona giusta per ricoprirlo.
Il divario tra chi sa usare l'AI e chi la usa in modo generico si allarga, non si chiude. L'Anthropic Economic Index documenta una learning curve ripida: i primi sei mesi di uso di uno strumento AI sono quelli con la crescita più rapida di efficacia. Chi ha iniziato prima è già più avanti, e il divario cresce perché chi è avanti usa l'AI per imparare più velocemente.
La formazione che conta non è quella sui tool — è quella sui processi. Sapere usare Claude o Copilot è necessario ma non sufficiente. La competenza che fa davvero la differenza è sapere ridisegnare un processo di lavoro intorno a un sistema AI — identificare dove inserire il checkpoint umano, come strutturare il task per la delega, come valutare l'output. Questo si impara lavorando su casi reali, non guardando tutorial.
Notizie da tenere d'occhio
BCG: "AI Transformation Is a Workforce Transformation" Il report — pubblicato in parallelo all'AI Radar 2026 — documenta come le aziende con i migliori risultati sull'AI abbiano trattato la trasformazione come un progetto di cambiamento organizzativo, non come un acquisto tecnologico. Il fattore discriminante: il CEO come sponsor diretto, non solo come approvatore del budget. Perché importa: se nella tua azienda l'AI è ancora gestita solo dall'IT, senza un owner chiaro a livello di business, sei nella categoria Follower. Non è un giudizio — è una diagnosi.
Anthropic Economic Index: il divario tra utenti esperti e nuovi entranti si allarga Il report di marzo 2026 documenta che gli utenti con più mesi di esperienza su Claude ottengono risultati sistematicamente migliori dei nuovi utenti, e il gap cresce nel tempo. Non perché il modello cambi — ma perché l'esperienza costruisce pattern di uso più efficaci. Perché importa: iniziare prima ha un vantaggio reale che si accumula nel tempo. Il costo di aspettare non è zero.
DeepLearning.AI lancia nuovi corsi su agenti e multi-agent systems (maggio 2026) Andrew Ng ha aggiunto tre nuovi short courses sulla piattaforma — specificamente su sistemi multi-agent e su come integrare agenti in workflow enterprise. Sono gratuiti, durano 1–3 ore ciascuno, e sono tra i materiali formativi più concreti disponibili oggi. Perché importa: il livello di qualità e concretezza di questi materiali non ha corrispettivo in italiano. Vale l'investimento di tempo anche per chi ha già basi solide — i casi d'uso sono quelli del 2026, non del 2023.
Una cosa da provare
🔧 DeepLearning.AI Short Courses — "Multi AI Agent Systems with crewAI" e "AI Agents in LangGraph" — Due ore di pratica ciascuno, gratuiti, con notebook interattivi. Non sono corsi teorici: si costruisce qualcosa che funziona. Il secondo in particolare è utile per capire cosa significa davvero "stateful agent" — il pattern architetturale che sta alla base di quasi tutti i deployment agentici enterprise del 2026.
Chi inizia a formarsi adesso non è in ritardo — è in anticipo rispetto a chi aspetta che diventi necessario. Chi aspetta che diventi necessario di solito scopre di essere già indietro.
Grazie per aver letto questo articolo fammi sapere cosa ne pensi!
Ci vediamo presto qui su WikiLuc!