Intelligenza artificiale e produttività: fonte di disastri o di successo?

L’argomento dell’intelligenza artificiale (IA) influenza da diversi anni i trend di mercato. Dai produttori di microcomponenti agli sviluppatori di software, la trasformazione in corso delle economie è una narrazione scandita tanto dalla speranza quanto dalla paura. L’impatto sulla forza lavoro, il potenziale dell’automazione nel sostituire il lavoro umano e la necessità di investimenti sostanziali in infrastrutture informatiche ed energetiche sono tutti fattori che rendono gradualmente visibile e misurabile la rivoluzione tecnologica e digitale. La velocità con cui questa nuova tecnologia viene adottata, unita ai suoi apparenti guadagni di produttività, solleva interrogativi sulla scala della trasformazione nella produzione di beni e servizi. Oltre questo canale iniziale attraverso cui si trasmette lo shock tecnologico, rimane da esplorare un secondo ambito di applicazione: la capacità dell’innovazione di generare nuove idee, che rende virtualmente infiniti gli effetti di scala associati alla produzione e alla condivisione della conoscenza. Questa nota fornisce una panoramica dello stato attuale della ricerca economica sull’impatto di questa innovazione sulla crescita, sul posto del capitale umano all’interno della struttura produttiva delle economie e sulla capacità produttiva degli attori che adottano questa nuova ondata di innovazione.

L’impatto dell’innovazione sulla produttività: il pilastro dello sviluppo economico

Le innovazioni tecnologiche e organizzative hanno plasmato costantemente lo sviluppo dell’economia moderna. Dall’impiego industriale della macchina a vapore e dalla standardizzazione del commercio internazionale all’elettrificazione e alla digitalizzazione, senza dimenticare l’introduzione del Taylorismo e del Kanban, lo sviluppo dell’economia globale ha continuamente aumentato l’efficienza del processo produttivo.

La Figura 1 illustra i guadagni di produttività negli Stati Uniti, nell’Eurozona e in Giappone dalla fine del XIX secolo. Il deep learning, o IA, si inserisce quindi in una lunga serie di innovazioni tecniche che daranno forma alla creazione di valore aggiunto attraverso il loro utilizzo e la loro integrazione nei processi produttivi attuali, o la creazione di modalità e relazioni produttive future. Tuttavia, la Figura 1 mostra che il tasso di crescita della produttività del lavoro varia tra le regioni economiche. Ciò suggerisce che l’efficienza dei metodi produttivi deriva da una combinazione di investimenti, ricerca, quadri giuridici e normativi, nonché dalla diversità degli ecosistemi produttivi negli Stati Uniti, in Giappone e nell’area euro.

Come sottolineano Aghion e Bunel (2024), lo shock innovativo portato dall’IA sarà probabilmente soggetto a un ritardo di trasmissione simile a quello osservato durante l’introduzione dell’elettricità o della digitalizzazione. Questo ritardo è dovuto all’inerzia intrinseca delle strutture fisiche e intellettuali necessarie per assimilare l’innovazione, come macchinari incompatibili e risorse che devono essere adattate per facilitarne l’adozione.

Figura 1: Produttività del lavoro dal 1890 (sinistra) e tendenze recenti (1999 = 100), Bergeaud, A., Cette, G. e Lecat, R. (2016)

Fonte: LSEG Eikon e NIM Solutions. Dati al 15/03/2026

L’impatto dell’IA sulla futura creazione di valore dipende dagli investimenti attuali e futuri, dai tassi di adozione di queste tecnologie e dalla riorganizzazione delle strutture produttive. Le economie che rispondono efficacemente a queste sfide sperimenteranno probabilmente significativi guadagni di produttività, rafforzando così la loro posizione dominante.

Sono necessari investimenti massicci, anche se la loro futura redditività rimane una questione non dimostrata

Adattare le strutture produttive esistenti alla rivoluzione tecnologica incarnata dall’IA si basa quindi principalmente sugli investimenti. Ciò include investimenti nella capacità di calcolo, nell’uso efficiente delle risorse energetiche per alimentare tale capacità, nonché nella ricerca e sviluppo di nuove applicazioni in grado di sfruttare questa capacità per generare guadagni di efficienza nei processi produttivi (ad esempio, automazione e robotica nell’industria o nei servizi). La Figura 2 illustra le tendenze di investimento relativamente eterogenee in tecnologie dell’informazione e della comunicazione o in prodotti di proprietà intellettuale tra diverse economie dalla metà degli anni ’90. Inoltre, i dati suggeriscono un’accelerazione degli investimenti statunitensi nelle tecnologie dell’informazione e della comunicazione (TIC) nel 2025, accompagnata da un relativo calo degli investimenti nell’area euro in capitale intangibile.

Figura 2: Investimenti nominali in prodotti di proprietà intellettuale (IPP) e in tecnologie dell’informazione e della comunicazione (TIC), 1995 = 100, valuta locale

Fonte: LSEG Eikon e NIM Solutions. Dati al 15/03/2026

Alcuni temono che ci sia un eccessivo investimento sia in capitale tangibile che intangibile, in particolare tra i cosiddetti “hyperscaler”. Nel 2025, le aziende tecnologiche statunitensi hanno investito un totale di 380 miliardi di dollari, e le previsioni per il 2026 si attestano attualmente a oltre 700 miliardi di dollari. Queste cifre sollevano inevitabilmente due interrogativi: quello dell’allocazione ottimale del capitale e, in definitiva, quello della dinamica del ritorno sugli investimenti, che potrebbe subire pressioni al ribasso. Queste domande racchiudono i dubbi che circondano le capitalizzazioni di mercato e le previsioni di crescita degli utili per le aziende del settore. A questo stadio, consideriamo queste esigenze di investimento come intrinseche a una “classica” rivoluzione tecnologica ad alta intensità di capitale. Le aziende che attraversano queste trasformazioni sostanziali probabilmente raccoglieranno i frutti della loro futura posizione oligopolistica.

Per comprendere le implicazioni per la funzione aggregata di produzione delle economie, è necessario apprezzare come lavoro e capitale verrebbero riallocati a livello settoriale in caso di adozione rapida e diffusa dell’innovazione. Aghion, Jones e Jones (2017) analizzano il presunto legame tra l’aumento dell’automazione e l’intensità di capitale della creazione di valore. Sebbene sia certo che l’automazione porti a rendimenti crescenti del capitale a scapito del lavoro in determinati settori, gli autori invocano la legge di Baumol, o la “malattia dei costi”, per sostenere che a livello aggregato, nonostante un’automazione quasi totale, la quota dei rendimenti del capitale nel valore aggiunto sarebbe ben lontana dall’azzerare i rendimenti del lavoro. I settori con bassa esposizione ai guadagni di produttività (ad esempio, sanità, istruzione, arti e cultura) attraggono lavoro sfollato dai guadagni di produttività in altri settori, in particolare quelli industriali. A seconda dell’elasticità incrociata della domanda, questa forza lavoro vede generalmente i propri salari aumentare nella stessa proporzione di quelli nei settori ad alta produttività. La domanda, quindi, è quali settori e quali compiti sono più esposti all’IA. Sebbene questo sia difficile da determinare, diversi studi accademici hanno cercato di utilizzare dati di indagine per valutare l’entità dell’esposizione dei diversi settori all’IA e trarre conclusioni sul futuro del lavoro.

Il ruolo del lavoro diminuirà gradualmente?

Acemoglu (2024) sostiene che l’automazione dei compiti, in particolare nei settori ad alta intensità di lavoro come i servizi a basso valore aggiunto, amplierà il divario tra i rendimenti del capitale e i rendimenti del lavoro, a favore del capitale. Di conseguenza, è essenziale determinare quanto siano esposte le aziende e i loro settori all’IA per comprendere dove potrebbero materializzarsi i guadagni di produttività. Queste cifre sono oggetto di un dibattito legittimo nella letteratura attuale. La Figura 3 è tratta da un recente tentativo di misurare questa esposizione. Mostra la percentuale di imprese esposte e un tasso di esposizione negativo. Questa variabile è caratterizzata da una distinzione chiave derivante dall’uso dell’IA: alcuni compiti possono essere sostituiti dall’IA, mentre altri possono essere “potenziati”. Il tasso di esposizione negativo è calcolato dividendo il numero di risposte nel sondaggio inviato dagli autori a 750 leader aziendali riguardo ai “compiti sostituiti” dall’IA per il numero di risposte riguardanti i “compiti migliorati” dall’IA.

Figura 3: Esposizione settoriale e tassi di sostituzione (Baslandze et al., 2026)