📐 Come calcoliamo il rischio AI
La metodologia completa di JobRiskAI: le 5 dimensioni di analisi, i pesi, le fonti dati e la formula del punteggio di rischio per 235 professioni italiane.
Il modello a 5 dimensioni
Il punteggio di rischio AI (0–100%) non è basato su un singolo indicatore ma su una valutazione multidimensionale che combina 5 fattori con pesi differenti, calibrati sulla letteratura accademica sull'automazione del lavoro (Oxford, MIT, OECD).
1. Ripetitività e standardizzabilità dei task
Peso: 30%Quanto i compiti principali della professione sono standardizzabili, basati su regole definite e ripetibili senza variazione significativa. Task altamente ripetitivi e strutturati (data entry, riconciliazione bancaria, refertazione standard) generano un punteggio alto. Task variabili e contestuali (diagnosi complessa, negoziazione) generano un punteggio basso. Basato sulla tassonomia O*NET delle attività lavorative, adattata al mercato italiano.
2. Giudizio e creatività richiesti
Peso: 25%Il grado di decisioni soggettive complesse, creatività non standardizzabile e pensiero strategico richiesto. Professioni che richiedono giudizio etico, innovazione radicale o strategia in contesti di alta incertezza hanno un punteggio basso (protette). Professioni che applicano regole a dati strutturati hanno un punteggio alto. Valutato su scala qualitativa con 5 livelli, con riferimento alle ricerche di Frey & Osborne (Oxford, 2013) aggiornate al contesto italiano 2026.
3. Dipendenza interpersonale e relazionale
Peso: 20%Quanto la professione richiede relazione umana diretta e autentica come parte integrante del servizio (non come accessorio). Professioni dove la connessione umana è il prodotto stesso (cura, educazione, terapia, counseling) hanno punteggio basso. Professioni dove la relazione è un vettore di transazione automatizzabile hanno punteggio alto. Distinto dalla semplice "presenza fisica" — un cassiere di banca è a contatto con persone ma il suo task è automatizzabile; uno psicologo no.
4. Specializzazione e barriere all'entrata
Peso: 15%La profondità di expertise accumulata, le barriere all'entrata legali o pratiche (albi professionali, anni di formazione, esperienze non replicabili) e la difficoltà di replicare il know-how tacito con sistemi AI. Include barriere legali (responsabilità penale del professionista umano), barriere di esperienza (know-how che si acquisisce solo sul campo per anni) e barriere di reputazione (brand personale insostituibile).
5. Disponibilità attuale di strumenti AI
Peso: 10%L'esistenza, la maturità e l'accessibilità economica di soluzioni AI già commerciali e in grado di svolgere i task principali della professione. Professioni per cui esistono già soluzioni AI mature, economiche e adottabili dalle aziende senza grandi barriere hanno punteggio alto. Professioni per cui l'AI è ancora in fase di ricerca o richiede investimenti proibitivi hanno punteggio basso. Monitorato trimestralmente.
Formula del punteggio di rischio
Dove i suffissi _inv indicano valori invertiti (alta specializzazione = basso rischio). Tutti i valori sono normalizzati su scala 0–1 prima dell'aggregazione. Il risultato finale è moltiplicato per 100 e arrotondato all'intero più vicino.
Il calcolo dell'anno critico
L'anno critico non è la data in cui tutti i professionisti di quel ruolo perderanno il lavoro. È la stima dell'anno in cui i sistemi AI raggiungeranno la capacità di svolgere oltre il 50% dei task principali della professione in modo economicamente conveniente per le organizzazioni che potrebbero adottarli.
Il calcolo combina: (1) la curva di apprendimento dei modelli AI nella categoria di task rilevante, (2) il trend di riduzione dei costi dell'AI computing, (3) il ritmo di adozione storico di tecnologie analoghe nei settori economici pertinenti, (4) le barriere normative e regolamentari specifiche del mercato italiano.
Il confronto economico: umano vs agente AI
Per ogni professione calcoliamo il costo annuo totale del professionista umano (stipendio lordo + contributi previdenziali a carico azienda + costi accessori medi, basati su dati ISTAT e Glassdoor Italia 2025) e il costo annuo equivalente dell'agente AI più adatto al ruolo (abbonamento mensile × 12 + costo di setup e integrazione stimato), basato sui listini pubblici 2026 dei principali provider (OpenAI, Anthropic, Google, Salesforce, Microsoft, e fornitori verticali di settore).
Fonti dati
📊 ISTAT
Dati occupazionali e retributivi italiani per professione. Classificazione CP2011 delle professioni. Rilevazione 2024-2025.
🌍 OECD
Skills Outlook, Employment Outlook e studi sull'impatto dell'AI sul mercato del lavoro nei paesi OCSE.
🎓 Oxford (Frey & Osborne)
"The Future of Employment" (2013, aggiornato 2023): la tassonomia di automatizzabilità dei task lavorativi adattata al contesto italiano.
🔬 MIT Work of the Future
Ricerche sul cambiamento tecnologico e il mercato del lavoro, con focus sulla complementarietà AI-lavoro umano.
💼 Glassdoor Italia / Indeed / Talent.com
Retribuzioni medie per professione e area geografica nel mercato del lavoro italiano. Aggiornamento semestrale.
📰 Letteratura accademica
Acemoglu & Restrepo (2022), Brynjolfsson & McAfee, Autor (2022): impatto dell'automazione sull'occupazione.
Il dibattito accademico: limiti di Frey & Osborne
La metodologia di JobRiskAI si ispira alla tassonomia di Frey & Osborne (Oxford, 2013), ma ne riconosce esplicitamente i limiti documentati dalla letteratura successiva:
- Stima iniziale sovradimensionata: Frey & Osborne stimarono il 47% dei lavori USA ad alto rischio. La revisione OECD (Arntz, Gregory & Zierahn, 2016) corresse questa stima al 9%, analizzando i task individuali invece delle professioni aggregate — un approccio più preciso che JobRiskAI adotta.
- Analisi per professione vs analisi per task: classificare un intero lavoro come "a rischio" ignora che ogni professione è composta da task eterogenei. Un medico ha task ad alto rischio (refertazione standard) e task a rischio quasi zero (diagnosi di casi complessi). JobRiskAI calcola il rischio come media ponderata dei task principali, non come etichetta binaria.
- Barriere tecnologiche vs economiche: Frey & Osborne misuravano la fattibilità tecnica. JobRiskAI considera anche la convenienza economica dell'automazione: un task può essere tecnicamente automatizzabile ma economicamente non conveniente da automatizzare nel mercato italiano 2026.
- Adozione contestuale: la letteratura post-2020 (Acemoglu & Restrepo 2022, Autor 2022) sottolinea che l'AI crea nuovi task mentre ne elimina altri. Il nostro "anno critico" misura il punto di inflection per la professione nella sua forma attuale, non la scomparsa del professionista.
Trasparenza e limiti
Il modello di JobRiskAI è una semplificazione di un fenomeno complesso. I principali limiti da tenere presenti:
- Aggregazione per professione: i punteggi sono medie per categoria professionale; la varianza interna può essere alta (es. un contabile specializzato in M&A ha un rischio molto diverso da un contabile di back-office).
- Contesto geografico: i dati sono calibrati sul mercato italiano. In altri paesi i punteggi possono differire per ragioni normative, culturali ed economiche.
- Velocità del cambiamento: l'AI evolve velocemente; aggiorniamo il dataset trimestralmente ma alcune stime potrebbero invecchiare rapidamente.
- Non è una profezia: un rischio del 70% non significa che il 70% dei lavoratori del settore perderà il lavoro — significa che il 70% dei task è potenzialmente automatizzabile. I ruoli si trasformano, non solo scompaiono.
Per citare questa metodologia: "Metodologia JobRiskAI 2026, jobriskai.it/metodologia — Analisi multidimensionale del rischio di automazione AI per 235 professioni italiane."