L’economia dell’AI oltre l’allarme: le valutazioni di Daron Acemoglu, Nobel per l'economia 2024

L’articolo analizza la lettura di Daron Acemoglu sull’impatto dell’intelligenza artificiale su lavoro, produttività e organizzazione dei processi. Il punto centrale non è prevedere una sostituzione generalizzata dei lavoratori, ma capire se l’AI saprà diventare uno strumento operativo affidabile, integrato e misurabile. Agenti AI, ricerca economica delle Big Tech e usabilità delle applicazioni diventano le tre variabili da osservare. INGENIO propone una lettura utile a professionisti tecnici, imprese e organizzazioni che devono valutare l’AI non come slogan, ma come infrastruttura produttiva da governare.

Premessa: l’AI tra promessa produttiva e incertezza economica

Nel dibattito sull’intelligenza artificiale generativa convivono oggi due narrazioni opposte. Da un lato quella entusiastica, secondo cui l’AI sarebbe destinata a trasformare in profondità il lavoro intellettuale, automatizzare intere professioni, aumentare drasticamente la produttività e aprire una nuova stagione industriale. Dall’altro quella catastrofista, che immagina una sostituzione accelerata dei lavoratori, soprattutto nelle attività d’ufficio, nei servizi professionali, nella programmazione, nella progettazione, nella comunicazione e nella gestione dei dati.

In mezzo, però, ci sono i dati. E i dati, almeno per ora, sembrano raccontare una storia più prudente. L’AI è ovunque: nei software aziendali, nei motori di ricerca, nei chatbot, nei sistemi di assistenza alla scrittura, nelle piattaforme di progettazione, nei flussi informativi delle imprese. Ma la sua diffusione non si è ancora tradotta in una trasformazione economica misurabile con la stessa intensità con cui viene raccontata nelle conferenze, nei comunicati delle Big Tech o nei piani strategici delle aziende.

È dentro questa distanza tra retorica e realtà che si colloca il ragionamento di Daron Acemoglu, economista del MIT e Premio Nobel per l’economia 2024 insieme a Simon Johnson e James A. Robinson, premiati per gli studi su come le istituzioni si formano e influenzano la prosperità.  

Il suo approccio è particolarmente interessante per chi osserva l’AI dal punto di vista dell’industria, delle professioni tecniche e dell’organizzazione del lavoro: non nega il potenziale della tecnologia, ma invita a distinguere tra automazione di singole attività e trasformazione reale dei processi produttivi.

Secondo l’articolo “Three things in AI to watch, according to a Nobel-winning economist” di James O’Donnell, pubblicato su MIT Technology Review l’11 maggio 2026, Acemoglu continua a mantenere una posizione più cauta rispetto alla previsione di un’imminente “apocalisse occupazionale” causata dall’intelligenza artificiale. La scheda indicizzata da Muck Rack conferma titolo, autore, testata e data di pubblicazione dell’articolo.  

Il punto di partenza è una valutazione già espressa da Acemoglu prima del Nobel: l’AI, almeno nella fase attuale, può automatizzare alcune attività, ma non elimina automaticamente la necessità del lavoro umano. L’articolo ricorda che l’economista aveva stimato un impatto contenuto sulla produttività statunitense, in contrasto con la narrativa più ambiziosa dei CEO della tecnologia.

Tre sono i segnali che Acemoglu invita a osservare: gli AI agents, l’ingresso degli economisti nelle aziende AI e la nascita di applicazioni AI realmente usabili.

Le tre cose da guardare nell’economia dell’AI

Gli agenti AI: l’autonomia non basta

Il primo tema riguarda gli agenti AI, cioè sistemi capaci di andare oltre la semplice risposta testuale e di eseguire azioni in modo più autonomo. Le aziende tecnologiche li presentano sempre più spesso come strumenti in grado di sostituire interi ruoli lavorativi.

Acemoglu è scettico. La sua frase è netta: “I think that’s just a losing proposition”. La tesi è che gli agenti possano essere utili per aumentare l’efficienza su compiti specifici, ma non siano ancora in grado di sostituire la complessità di un lavoro reale.

Il lavoro, infatti, non è una sequenza lineare di istruzioni. È un insieme di attività, contesti, relazioni, imprevisti, priorità e passaggi tra strumenti diversi. L’esempio citato nell’articolo è quello del tecnico radiologo: una professione fatta di molte mansioni differenti, dalla raccolta delle informazioni cliniche alla gestione degli archivi di immagini, fino all’interazione con procedure, database e pazienti.

Il nodo non è quindi se l’AI sappia svolgere bene un singolo compito, ma se riesca a orchestrare compiti diversi con la fluidità con cui lo fa un essere umano.

Le Big Tech assumono economisti: ricerca o narrazione?

Il secondo segnale riguarda un fenomeno meno appariscente, ma forse decisivo: le aziende AI stanno assumendo economisti e costruendo team interni dedicati allo studio dell’impatto economico dell’intelligenza artificiale.

L’articolo cita OpenAI, Anthropic e Google DeepMind. OpenAI ha assunto Ronnie Chatterji come chief economist e ha annunciato una collaborazione con Jason Furman per studiare AI e lavoro; Anthropic ha coinvolto un gruppo di economisti; Google DeepMind ha nominato Alex Imas “director of AGI economics”.

Per Acemoglu questo interesse è comprensibile. Le aziende AI sanno che la preoccupazione pubblica sul lavoro sta crescendo e hanno interesse a influenzare il modo in cui l’opinione pubblica, i regolatori e i decisori politici interpretano l’impatto economico della tecnologia.

La preoccupazione dell’economista è espressa con chiarezza: “What I hope we won’t get”, dice, “is that they’re interested in economists just to further their viewpoints or further the hype”.

Il punto è delicato. Se una parte crescente della ricerca sull’impatto dell’AI sul lavoro nasce dentro le aziende che sviluppano e vendono quella stessa tecnologia, il tema dell’indipendenza scientifica diventa centrale. Non perché quella ricerca sia necessariamente sbagliata, ma perché il conflitto tra analisi economica e interesse industriale deve essere riconosciuto, dichiarato e governato.

Mancano ancora applicazioni AI semplici come Word o PowerPoint

Il terzo tema riguarda l’usabilità. L’AI sembra facile da usare perché si presenta spesso sotto forma di chatbot: si scrive una domanda, si riceve una risposta. Ma questa semplicità apparente non equivale automaticamente a produttività.

Acemoglu confronta l’AI con software che hanno segnato precedenti trasformazioni digitali, come Word per i documenti o PowerPoint per le presentazioni. Erano strumenti installabili, riconoscibili, immediatamente utilizzabili da milioni di lavoratori. L’AI, invece, richiede ancora capacità di formulare richieste, verificare risposte, integrare output, controllare errori e adattare i risultati al contesto operativo.

La frase chiave è: “We have not seen the development of apps based on AI that have the same usability”.

Questo passaggio è decisivo anche per il settore delle costruzioni. Per un ingegnere, un architetto, un progettista BIM, un responsabile tecnico o un’impresa, l’AI diventa davvero trasformativa solo quando entra nei flussi ordinari: progettazione, computi, capitolati, controllo normativo, gestione documentale, sicurezza, manutenzione, analisi dei dati di cantiere, gare pubbliche, gestione informativa digitale.

Finché resta un’interfaccia conversazionale da interrogare caso per caso, l’AI può essere utile. Ma non è ancora, necessariamente, una infrastruttura produttiva.

👉 Il vero nodo dell’AI non è prevedere la fine del lavoro, ma capire se diventerà uno strumento produttivo affidabile, usabile e governabile.

Analisi: perché questa lettura è importante per il settore delle costruzioni

La posizione di Acemoglu è utile perché sposta il dibattito dal “che cosa può fare l’AI” al “come viene incorporata nei processi reali”. È una differenza sostanziale.

Nel mondo delle costruzioni, questa distinzione è particolarmente evidente. Una cosa è chiedere a un chatbot di riassumere una norma, generare una bozza di relazione o suggerire una scaletta per un capitolato. Un’altra è integrare l’AI in un processo tecnico tracciabile, verificabile, conforme, coerente con responsabilità professionali, norme, procedure aziendali e obblighi contrattuali.

L’AI può certamente aiutare nella ricerca documentale, nella riorganizzazione dei testi, nella classificazione di dati, nella generazione di bozze, nel confronto tra documenti, nella verifica preliminare di incoerenze. Ma il salto di produttività avviene solo quando questi usi diventano parte di un sistema: procedure, responsabilità, validazioni, controllo delle fonti, formazione degli utenti, interoperabilità con software esistenti.

È qui che il ragionamento sugli agenti AI diventa concreto. Un agente che promette di “fare il lavoro al posto di un tecnico” rischia di essere poco credibile. Un agente che aiuta un tecnico a controllare documenti, confrontare versioni, evidenziare anomalie, preparare una check-list o collegare dati progettuali e normativi può invece diventare molto utile.

La questione non è la sostituzione astratta dell’uomo, ma la redistribuzione delle attività tra uomo e macchina.

C’è poi un secondo aspetto: la costruzione della narrativa economica. Se le grandi aziende AI producono anche gran parte degli studi sull’impatto occupazionale dell’AI, il settore tecnico-professionale deve mantenere una postura critica. Servono dati indipendenti, osservatori terzi, sperimentazioni documentate, casi d’uso misurabili. Non basta dire che l’AI aumenta la produttività: bisogna dimostrare dove, quanto, con quali costi nascosti, con quale curva di apprendimento e con quali rischi di errore.

Infine, il tema dell’usabilità è forse il più importante. La storia della digitalizzazione insegna che una tecnologia diventa davvero trasformativa non quando è potente, ma quando diventa utilizzabile da molti. Il BIM stesso lo dimostra: non basta avere piattaforme evolute; servono standard, competenze, flussi informativi, committenze preparate, interoperabilità e cultura del dato.

Per l’AI vale lo stesso. Senza applicazioni semplici, integrate, affidabili e progettate sui bisogni reali degli utenti, resterà una tecnologia molto visibile ma non necessariamente capace di generare valore diffuso.

Conclusione: meno profezie, più misurazione

L’articolo del MIT Technology Review ha il merito di riportare il confronto sull’AI dentro un terreno più solido. Non siamo davanti a una tecnologia irrilevante, ma neppure a una forza già pienamente misurabile nei suoi effetti economici. Siamo in una fase intermedia, nella quale la narrazione corre più veloce delle evidenze.

Per questo la prudenza di Acemoglu non va letta come scetticismo sterile. È piuttosto un invito metodologico: osservare gli agenti AI, valutare l’indipendenza della ricerca economica prodotta dalle Big Tech, misurare la nascita di applicazioni realmente usabili.

Per imprese, professionisti e organizzazioni tecniche, il messaggio è chiaro: non basta adottare l’AI perché “tutti lo stanno facendo”. Occorre chiedersi quali attività migliori davvero, quali rischi introduca, quali competenze richieda e quali risultati produca.

L’intelligenza artificiale non va subita come destino né celebrata come miracolo. Va progettata, governata, misurata. E forse è proprio questa la lezione più utile di un economista abituato a guardare non solo alle tecnologie, ma alle istituzioni, alle regole e ai contesti che ne determinano l’impatto reale.