I giovani calano del 16%. Chi impara il mestiere?

Il 26 luglio 2026 una rivista accademica di sviluppo delle risorse umane ha pubblicato un lavoro che mette in fila due cose che di solito si leggono separate: i ventiduenni in ritirata dai mestieri più esposti all'AI, e il fatto che per accorgersi di un errore dell'AI serve proprio la competenza che quei ragazzi non stanno più costruendo.

Il 26 luglio 2026 la Human Resource Development Review ha pubblicato online un lavoro di Nolan Lovett, della NATO Special Operations University, con un titolo che sembra un esercizio accademico: «La tragedia dei beni comuni cognitivi». Dentro c'è un numero preso da una ricerca su dati di buste paga di un fornitore che copre oltre venticinque milioni di lavoratori americani, con un campione di analisi fra i tre milioni e mezzo e i cinque milioni al mese. Nelle occupazioni più esposte all'intelligenza artificiale, i lavoratori fra i ventidue e i venticinque anni hanno registrato un calo relativo dell'occupazione del 16% fra ottobre 2022 e settembre 2025, mentre nelle stesse occupazioni la fascia 35-49 cresceva di oltre l'8%. Nei mestieri poco esposti l'occupazione è cresciuta in modo uniforme a tutte le età.

La lettura che gira è quella generazionale, i giovani che pagano il conto per primi. Per chi manda avanti un'azienda la parte scomoda sta altrove, e riguarda il 2035 più che oggi.

Il tirocinio non l'aveva deciso nessuno

Lovett fa notare una cosa che in azienda diamo per scontata al punto da non vederla. Nessuno ha mai tenuto in piedi il lavoro d'ingresso per formare la categoria: le aziende assumevano giovani perché il lavoro da giovani andava fatto, e basta. La sua frase è che «la necessità operativa del lavoro junior era il meccanismo di governo nascosto», cioè la competenza si rigenerava come effetto collaterale di normali decisioni economiche, mai come un piano.

Il guaio arriva quando quel lavoro smette di essere necessario. L'equilibrio di prima non era il prodotto di una regola, era il prodotto di una coincidenza, e le coincidenze si rompono senza avvisare nessuno.

Il ragionamento che ogni singola azienda fa oggi è impeccabile: le posizioni d'ingresso costano e producono poco, quando servirà una testa esperta la si assume dal mercato. Regge finché lo fa una sola azienda. Se lo fanno tutte, quel mercato non esiste più, poiché gli esperti disponibili adesso ci sono perché fra il 2003 e il 2020 qualcuno ha pagato dei ragazzi per imparare sbagliando. Il ritardo fra causa ed effetto è la parte cattiva: chi taglia oggi vede un mercato del lavoro apparentemente sano, e il buco si presenta fra il 2030 e il 2045.

Per accorgerti che l'AI ha sbagliato ti serve la testa che l'AI ti ha risparmiato

Qui il paper mette il pezzo che vale la lettura, e che Lovett chiama Validation Tether, il cavo di validazione. Controllare un'AI si fa a due livelli. Il primo è vedere se l'output sta in piedi, se il formato è giusto, se dice sciocchezze evidenti, e si impara in fretta usando lo strumento. Il secondo è accorgersi che un testo scritto bene, coerente e plausibile è sbagliato per una ragione che sta nel mestiere, e quello si costruisce solo passando per la fatica di farla, per anni, a mano oppure con un aiuto che ti obblighi comunque a provarci prima.

Il paper ne raccoglie due da altrettante indagini, che non sono sue e vanno prese per quello che sono. In una, pubblicata da Harvard Business Review, il 40% dei dipendenti a tempo pieno intervistati ha ricevuto nell'ultimo mese contenuti generati dall'AI con errori sostanziali, spendendo in media quasi due ore per rimettere a posto ciascun caso. In un'altra, firmata Microsoft, il 60% dichiara di fidarsi abbastanza dell'output da non verificarlo di routine, che è esattamente il modo in cui un controllo si trasforma in un timbro.

Sul fronte clinico, uno studio su endoscopisti che avevano adottato sistemi di rilevamento assistito ha misurato un calo dell'accuratezza quando lavoravano senza assistenza. Quando lo strumento consegna il risultato già finito, la competenza che servirebbe per controllarlo si consuma proprio mentre lo si usa.

«Io ho smesso di dare le traduzioni»

In un'azienda romagnola che costruisce macchinari industriali e li spedisce in mezzo mondo, il workshop era arrivato alla quarta ora. L'amministratore delegato stava dicendo che questo percorso serve anche a tenere legate le nuove generazioni, «quelle a cui fino a qualche tempo fa davi il foglio di carta dicendo mi fai la traduzione». La responsabile dell'ufficio commerciale ha confermato in mezza riga che quel passaggio si è chiuso: «io ho smesso di dare le traduzioni». Dal contesto la causa non è l'AI, poiché in mezzo ci sono un cambio di assetto societario e una riorganizzazione del lavoro. Quello che conta qui è l'effetto: il compito d'ingresso non si distribuisce più.

Poi ha aggiunto la sua preoccupazione, senza che nessuno gliela chiedesse, e non riguardava la tecnologia. Riguardava due ragazzi che ha sotto gli occhi: uno va a verificare quello che l'AI risponde, l'altro non ne ha voglia. «C'è un po' di differenza tra i due», ha detto, e ha chiuso con «non prendere per oro colato». Quella traduzione data al giovane non serviva ad avere la traduzione, che oggi uno strumento sbriga in una frazione del tempo: serviva a fabbricare, negli anni, una persona capace di capire quando un testo tradotto vende una cosa che l'azienda non fa.

In un'altra azienda, un system integrator marchigiano di una ventina di persone, il tecnico che prepara i preventivi complessi mi ha detto la stessa cosa dall'altro lato. Usa l'AI ogni giorno per controllare prezzi e licenze, e la sua paura dichiarata è di smettere di migliorare. Le traduzioni continua a farsele a mano, «perché la mia competenza si basa anche su quello».

Poi però traccia lui il confine: cercare in rete un preventivo simile a un altro lo chiama lavoro stupido, ci metterebbe sei ore, e quello lo delega volentieri. Sa distinguere il compito che lo forma da quello che gli fa solo perdere tempo, che è poi la stessa distinzione che il paper fa in astratto, dato che un aiuto il quale ti lascia provare e ti obbliga a giustificarti forma, mentre uno che ti consegna il risultato finito no. Dentro un'azienda si può decidere reparto per reparto. È la stessa distinzione che manca quando metà del lavoro fatto con l'AI appartiene al mestiere di qualcun altro.

Cosa non dice questa ricerca

Va detto con precisione. Il paper è un lavoro concettuale, e l'autore lo scrive senza girarci intorno: la perdita di competenza a livello di categoria professionale è una previsione strutturale, non un fatto osservato, offerta come tesi falsificabile. Quello che risulta misurato è la dissociazione fra prestazione assistita e capacità autonoma, che è cosa diversa e più stretta.

I dati del meno 16% sono statunitensi, e i cali si concentrano dove l'AI automatizza il lavoro invece di affiancare il giudizio umano. Software, analisi finanziaria e ricerca legale il paper li indica come i mestieri più vulnerabili, però come previsione da testare e non come dato raccolto. Il paper cita anche evidenze britanniche e tedesche, più un caso danese in cui nei primi due anni l'effetto è stato nullo, e l'autore avverte che la maggioranza delle professioni non mostra ancora nessuna rottura nelle assunzioni. Una metalmeccanica di Forlì non sta dentro quella curva, almeno per ora. L'autore mette nero su bianco anche le prove che vanno in senso opposto: dove il modo di lavorare obbliga il professionista a ragionare prima di vedere l'output, l'accuratezza è migliorata. Il meccanismo agisce a certe condizioni, non sempre. Il meccanismo però non ha niente di americano, poiché l'autore scrive che le condizioni strutturali non dipendono dal contesto nazionale, e aggiunge che come si comporti nei paesi con una tradizione forte di apprendistato resta una domanda aperta. La mia scommessa, da dentro le PMI italiane, è che da noi lavori perfino meglio: qui il tirocinio non arriva mai al rango di programma, si riduce a un ragazzo affiancato per due anni a chi sa fare, e sparisce senza che nessuno debba deciderlo.

Cosa farei domattina

Prendi il reparto più tecnico e scrivi i tre compiti con cui i nuovi imparavano il mestiere: il preventivo semplice, la prima diagnosi al telefono, il disegno da quotare. Metti una crocetta dove oggi lo fa un software, una seconda dove nessuno rilegge il risultato con l'occhio di chi lo sapeva fare a mano. Dove ne trovi due, prendi una persona e falle rifare quella cosa a mano sul caso vero del giorno: mezz'ora, poi confrontate con la macchina e segnate le divergenze. Rifai la prova fra trenta giorni. La domanda con cui ti lascio: se il tuo tecnico più bravo va in pensione fra otto anni, chi sta facendo adesso gli errori che a lui hanno insegnato il mestiere?

(Fonte: Nolan Lovett, «The Tragedy of the Cognitive Commons: How AI Could Disrupt the Regeneration of Professional Expertise», Human Resource Development Review, pubblicato online il 26 luglio 2026; i dati occupazionali sono di Brynjolfsson e altri, 2025, e Hampole e altri, 2025, come citati nel paper.)

Domande frequenti

Ho quindici dipendenti e non assumo un giovane da tre anni. Questa cosa mi riguarda davvero?

Ti riguarda dal lato opposto rispetto a come sembra. Con quindici persone il ricambio generazionale in astratto conta poco, mentre conta moltissimo che la competenza della tua azienda viva dentro due o tre teste senza essere scritta da nessuna parte. Nel momento in cui i compiti semplici passano a uno strumento, quelle teste smettono di avere occasioni per trasmettere qualcosa, poiché il passaggio avveniva proprio correggendo il lavoro di qualcun altro. La mossa che costa meno è far scrivere alle persone che sanno fare le regole con cui giudicano un lavoro finito, prima che servano: due pagine per processo, fatte una volta, valgono più di un piano di successione che non farai.

Se l'AI fa quel lavoro meglio e più in fretta, perché dovrei farlo fare ancora a una persona?

Per la stessa ragione per cui un pilota di linea fa ore di volo manuale su un aereo che si pilota da solo. La produttività di oggi e la capacità di accorgersi di un errore domani sono due cose diverse, e sviluppare la prima non produce la seconda: è il dato più solido di tutta questa letteratura, misurato su chi viene messo alla prova senza assistenza dopo essersi allenato con l'assistenza. Sullo sfondo ci sono il 40% di persone che nell'ultimo mese si è vista arrivare un lavoro dell'AI sbagliato nella sostanza, e gli endoscopisti che, tolto il sistema di rilevamento, trovavano meno di prima. Non ha senso rifare a mano tutto, e non è quello che serve. Serve tenere in esercizio una persona per reparto sui casi che contano, con una frequenza bassa e regolare, così che qualcuno in azienda sappia ancora riconoscere il risultato giusto.

Come faccio a capire se sto già bruciando la competenza dei miei?

C'è un test che costa un pomeriggio. Prendi tre lavori usciti dall'AI nell'ultimo mese e già consegnati, e chiedi a chi li ha mandati di dirti perché erano giusti, entrando nel merito e non nel formato. Se la risposta è che erano scritti bene e sembravano ragionevoli, hai la fotografia. Il segnale sicuro è quando l'obiezione di un cliente sul contenuto lascia la persona senza argomenti, poiché quel lavoro non ha mai attraversato la sua testa. A quel punto la spia si è accesa sul metro di giudizio più che sul software, poiché in azienda quel metro non ce l'ha più nessuno.