Rafael Patron esamina il lavoro umano che rende utilizzabile l’output dell’IA: verifica, correzione, escalation e responsabilità. Dopo aver ricordato che, secondo l’ILO, la maggior parte dei lavori sarà trasformata più che sostituita, l’autore sostiene che questi compiti restano fuori dalle misure di esposizione e di produttività nonchè dalle declaratorie contrattuali e dalle indagini statistiche. La conclusione è che servono dati organizzativi su tempi di verifica, correzioni ed escalation per rendere questo lavoro visibile e negoziabile.
Nel caso di Giorgio Parisi, ricordato sul Menabò da Giuseppe Zanini, la macchina ha avuto l’idea e il fisico l’ha instradata. Instradare, però, è un lavoro, mentre la supervisione dell’IA, fuori dai laboratori dei premi Nobel, è fatta di gesti ripetuti che le statistiche sulla trasformazione del lavoro faticano a vedere.
Esposizione non vuol dire sostituzione. L’aggiornamento 2025 dell’indice di esposizione costruito dall’Organizzazione internazionale del lavoro con l’istituto polacco NASK stima che un lavoratore su quattro, nel mondo, svolga mansioni con qualche grado di esposizione all’IA generativa; nei paesi ad alto reddito la quota sale al 34%. Solo il 3,3% dell’occupazione globale ricade però nel gradiente più alto, e le mansioni impiegatizie restano le più esposte (ILO, Generative AI and Jobs: A Refined Global Index of Occupational Exposure, Working Paper 140, 2025). Il rapporto tratta il posto di lavoro come un “fascio di compiti” e conclude che la maggior parte dei lavori sarà trasformata e non resa superflua dall’IA, per il persistente bisogno di input umano.
È una conclusione prudente e fondata. Lascia aperta, tuttavia, la domanda più interessante per un economista: in che cosa consiste quell’input umano residuo, quanto tempo assorbe e chi lo fornisce? Un indice di esposizione misura ciò che la macchina è in grado di fare su un compito. Il lavoro che nasce dopo, quando l’output va controllato e reso utilizzabile, resta, per costruzione, fuori dalla misura.
Che cosa fa, in concreto, la supervisione dell’IA? I compiti sono quattro, e nessuno è oggetto di rilevazione. Il primo è la verifica. Un testo, una sintesi, una classificazione prodotti da un modello sono plausibili per costruzione, ma la plausibilità non necessariamente coincide con la correttezza. Qualcuno deve confrontare gli output con le fonti, con i dati, con il caso concreto.
Il secondo è la correzione, che raramente si esaurisce in un ritocco. Si immagini un’impiegata di un ufficio sinistri che riceve dall’assistente la bozza di una lettera di rigetto: deve riconoscere l’errore di fatto, capire da dove nasce, riscrivere il passaggio senza alterare il resto e, se il difetto si ripete, segnalarlo a chi gestisce lo strumento. Ognuno di questi passaggi richiede esperienza del mestiere, cioè proprio la competenza che il sistema avrebbe dovuto rendere meno necessaria.
Il terzo è l’escalation: riconoscere che un caso esce dalla regola e passarlo a chi ha l’autorità per decidere. Tornando all’ufficio sinistri, è la pratica con indizi di frode, il cliente in una situazione di fragilità, la richiesta che le condizioni di polizza non prevedono: casi che lo strumento tratta come ordinari e che l’impiegata deve invece fermare, motivare e affidare al responsabile o all’ufficio legale. Il lavoro non sta solo nel passaggio di mano, ma nell’accorgersi che il passaggio serve, perché un sistema costruito sui casi frequenti tende a ricondurre a quelli anche i casi rari.
Il quarto è la responsabilità, ovvero la firma. L’output diventa atto quando una persona lo fa proprio e ne risponde verso un cliente, un cittadino, un giudice.
Sul primo punto, e in parte sull’ultimo, esiste già qualche evidenza empirica. Un’indagine di Microsoft Research e della Carnegie Mellon University ha raccolto 936 esempi di uso dell’IA generativa da 319 lavoratori della conoscenza. Ne emerge che il pensiero critico si sposta verso la verifica delle informazioni, l’integrazione delle risposte e la gestione complessiva del compito (Lee et al., CHI Conference on Human Factors in Computing Systems, 2025). Gli stessi autori rilevano che una maggiore fiducia nello strumento si associa a un minore impegno critico: il controllo tende a indebolirsi proprio quando il sistema sembra più affidabile.
Una produttività misurata a metà. Da qui in avanti il ragionamento è interpretativo, e conviene dichiararlo. Se l’output per ora di lavoro cresce mentre il tempo dedicato a verificare e correggere non viene rilevato, la produttività registrata dipende da dove si traccia il confine della misura. Chi conta i documenti prodotti vede un guadagno; chi osserva l’intera catena, fino all’atto firmato, può stimare un guadagno inferiore oppure individuare un costo sopportato da altri, tipicamente la persona che controlla.
Anche sulla qualità del lavoro si rischia la stessa ambiguità. Il rapporto dell’ILO riconosce che gli effetti possono essere positivi, ma avverte che se la tecnologia viene usata per standardizzare i processi e ridurre l’autonomia, la qualità del lavoro rischia di peggiorare, e indica nel dialogo sociale e nella consultazione nei luoghi di lavoro lo strumento per evitarlo. Il Generative AI Outlook Report del Centro comune di ricerca della Commissione europea osserva a sua volta che l’IA generativa può ampliare creatività e produttività, ma anche attenuare il pensiero critico e lo sviluppo delle competenze umane. Lo stesso rapporto ricorda che gli esseri umani svolgono un ruolo cruciale nella valutazione di questi sistemi (JRC, Generative AI Outlook Report, 2025). L’OCSE, nel rapporto Skills in the AI age, insiste sul fatto che gli effetti differiscono per settore, territorio e livello di competenza, e che la transizione richiede politiche capaci di sostenere i lavoratori nell’aggiornamento professionale (OECD, Skills in the AI age, 2026).
Resta poi la contrattazione. Un compito che nessuna declaratoria descrive difficilmente entra in una trattativa. Gli inquadramenti contrattuali nominano mansioni di esecuzione e di coordinamento; la sorveglianza di un sistema automatico, con il suo carico di attenzione e di rischio personale, vi compare di rado in modo esplicito.
Il paradosso è che la norma europea la presuppone. L’art. 26, par. 2, del Regolamento (UE) 2024/1689 chiede ai deployer di sistemi ad alto rischio, cioè alle organizzazioni che li utilizzano nella propria attività professionale, di affidare la sorveglianza umana a persone con competenza, formazione e autorità adeguate. L’art. 4, nella versione modificata dal Regolamento (UE) 2026/1744, chiede a fornitori e deployer di adottare misure volte a sostenere lo sviluppo dell’alfabetizzazione in materia di IA del personale. La legge riconosce che la supervisione richiede competenza e autorità; il contratto, per ora, non le misura né le retribuisce.
Che cosa andrebbe registrato. Per rendere visibile questo lavoro non servono stime nuove, servono dati organizzativi che oggi quasi nessuno raccoglie. Per ogni processo in cui un sistema produce bozze, classificazioni o raccomandazioni, un’organizzazione può tenere traccia di quattro grandezze: il tempo speso in verifica, la quota di output corretti o scartati, il numero di casi passati a un livello superiore con il relativo esito, il nome di chi firma l’atto finale. Sono informazioni limitate, ricavabili dai sistemi di gestione documentale, e spostano il confronto su basi misurabili. Una direzione che conosce il tasso di correzione sa se l’automazione sta funzionando; un sindacato che conosce il tempo di verifica ha un oggetto concreto su cui negoziare carichi e riconoscimento professionale.
La stessa logica vale per la statistica pubblica. L’indice ILO ha già introdotto una valutazione basata sul giudizio di lavoratori ed esperti accanto ai punteggi automatici. Il passo successivo, che qui si propone come ipotesi di lavoro, sarebbe chiedere nelle indagini su imprese e occupati non solo se si usa l’IA, ma anche quanto tempo si dedica a controllarne i risultati e chi ne risponde.
Dare un nome ai ruoli. Etica ed Economia studia dal 1990 disuguaglianze, istituzioni economiche e norme sociali, e il Menabò porta quelle ricerche a un pubblico di economisti e decisori pubblici. Chi lavora sull’intelligenza artificiale dal lato professionale incontra lo stesso problema da un’altra direzione: la supervisione esiste, ma manca di un lessico condiviso per descriverla.
Un tentativo in questa direzione è la norma UNI 11621-8:2026, pubblicata il 30 aprile 2026, che definisce dodici profili professionali per l’IA, dal Chief AI Officer all’AI Consultant, con compiti, responsabilità e livelli di autonomia. La certificazione spetta a organismi di terza parte accreditati secondo la UNI CEI EN ISO/IEC 17024; l’Associazione Italiana Professionisti dell’Intelligenza Artificiale (AIPIA), ente no profit con sede a Roma e membro di UNINFO per la normazione, offre percorsi formativi allineati a quei profili. Per chi studia il lavoro, una norma tecnica di questo tipo fornisce una nomenclatura da confrontare con le declaratorie dei contratti e con le classificazioni statistiche delle professioni, per capire dove la supervisione è già riconosciuta e dove resta implicita.
Il terreno comune tra economisti del lavoro e professionisti dell’IA è qui. I primi sanno come si misura e si negozia un compito; i secondi sanno dove quel compito nasce dentro un sistema e quanto pesa. Una ricerca che metta a confronto profili normati e inquadramenti contrattuali, pubblicabile anche in una collana open access come AIPIA Studies in Applied AI, aiuterebbe entrambi.
Il regista senza nome. Quando il regista è un premio Nobel, il suo contributo viene raccontato. Quando è un’impiegata dell’ufficio sinistri, un tecnico di laboratorio, un funzionario che rilegge una graduatoria, lo stesso lavoro di orientamento, controllo e firma si confonde con la mansione di sempre. L’ILO segnala che l’esposizione più alta riguarda proprio le occupazioni impiegatizie, e che la quota di occupazione femminile collocata nel gradiente più alto è quasi doppia rispetto a quella maschile.
Il rischio distributivo, prima ancora di qualunque discussione sul valore prodotto, è che la parte più faticosa della collaborazione con la macchina ricada su chi ha meno voce per farla riconoscere. Una contabilità del lavoro umano che includa verifica, correzione, escalation e responsabilità è la condizione minima perché ciò che quella voce ha da dire venga ascoltato e riconosciuto.
