Il dibattito sull'impatto economico dell'intelligenza artificiale oscilla tra proiezioni radicalmente divergenti: alcuni economisti prevedono un modesto incremento dello 0,9% del prodotto interno lordo globale nel prossimo decennio, mentre altri ipotizzano una trasformazione capace di generare tra i 17 e i 26 trilioni di dollari aggiuntivi all'economia mondiale entro il 2045, automatizzando potenzialmente metà dei posti di lavoro attuali. Queste previsioni, per quanto incerte, stanno già influenzando decisioni cruciali: dalle scelte di carriera dei giovani agli investimenti massicci in semiconduttori e infrastrutture per data center, dalle politiche governative alle strategie industriali. La sfida per la comunità scientifica è sviluppare metodi rigorosi per comprendere e anticipare questi cambiamenti in un contesto tecnologico che evolve a velocità senza precedenti.
I ricercatori hanno tradizionalmente affrontato la valutazione di nuove tecnologie attraverso esperimenti naturali e trial controllati randomizzati, dove un gruppo ottiene accesso a uno strumento mentre un altro prosegue in condizioni standard. Questo approccio ha prodotto risultati interessanti: uno studio ha documentato che gli operatori di call center gestivano le richieste con una velocità superiore del 15% utilizzando strumenti di intelligenza artificiale del 2020, mentre un'altra ricerca ha mostrato che gli sviluppatori software con accesso ad assistenti di codifica nel periodo 2022-2023 completavano il 26% di compiti in più rispetto ai colleghi che ne erano sprovvisti. Tuttavia, l'applicazione di questa metodologia consolidata all'intelligenza artificiale genera problemi metodologici sostanziali che potrebbero minarne l'utilità predittiva.
La prima criticità risiede nell'obsolescenza rapida delle stime causali. Dal rilascio di ChatGPT nel 2022, le capacità dei sistemi di intelligenza artificiale sono triplicate nella gestione autonoma di conversazioni simulate di assistenza clienti. Ogni miglioramento nelle performance degli algoritmi, accompagnato dalla riduzione dei costi computazionali, modifica radicalmente l'equazione economica. Un sistema che oggi assiste un lavoratore potrebbe domani sostituirlo completamente, rendendo le conclusioni di studi anche recenti inadeguate per orientare decisioni strategiche a medio termine.
La seconda limitazione riguarda gli effetti sistemici che gli studi controllati non possono catturare. Le ricerche su operatori telefonici e programmatori hanno rilevato che, a parità di struttura organizzativa, i lavoratori meno esperti traevano maggiori benefici dall'assistenza dell'intelligenza artificiale. Nel mondo reale, però, i manager potrebbero rispondere riorganizzando i flussi di lavoro o sostituendo proprio quei lavoratori junior con sistemi automatizzati. Dati preliminari sui registri salariali suggeriscono che l'occupazione di lavoratori più giovani sia effettivamente diminuita dal 2022, particolarmente in professioni che includono compiti in cui l'intelligenza artificiale eccelle, come il servizio clienti e lo sviluppo software. Tuttavia, stabilire quanto di questo pattern sia causalmente attribuibile alla tecnologia piuttosto che ad altri fattori macroeconomici rimane una questione aperta.
Di fronte a queste incertezze metodologiche, l'economista Jean Tirole propone un approccio complementare che definisce social science fiction: speculazione sul futuro radicata in principi economici fondamentali e teorie comportamentali consolidate. Questo metodo utilizza modelli formali per esplorare come le tecnologie potrebbero interagire con le forze di mercato. Un esempio significativo risale al 2019, quando ricercatori hanno modellato l'impatto delle automobili a guida autonoma sulla congestione urbana. La loro analisi ha rivelato un paradosso controintuitivo: poiché i passeggeri di veicoli autonomi possono rilassarsi, leggere o guardare video, il costo personale del tempo trascorso nel traffico diminuisce. Questo incentivo potrebbe spingere più persone a viaggiare in auto, generando maggiore congestione per tutti, a meno che i governi non implementino politiche correttive come la tariffazione della congestione.
Studi teorici più recenti suggeriscono che le forze di mercato potrebbero limitare il potenziale disruptivo dell'automazione. Mentre l'intelligenza artificiale aumenta la produttività in determinati compiti, altre attività non facilmente automatizzabili – come la direzione creativa o la validazione finale degli output – crescerebbero in valore relativo. Questo meccanismo potrebbe aumentare la domanda di lavoro e i salari in tali ruoli, attenuando parzialmente gli effetti dirompenti dell'automazione. Tuttavia, lo stesso processo rischierebbe di approfondire le disuguaglianze tra chi prospera in queste mansioni e chi ne rimane escluso, sollevando questioni di equità che le analisi puramente economiche non possono risolvere.
Per integrare i modelli teorici, i ricercatori stanno sviluppando sistemi di monitoraggio basati su indicatori in tempo reale che possano catturare i segnali precoci della trasformazione in corso. I dati sull'utilizzo mostrano che i chatbot basati su intelligenza artificiale vengono impiegati frequentemente nello sviluppo software, suggerendo che questo settore potrebbe sperimentare per primo gli effetti dell'adozione massiva della tecnologia. Altri indicatori includono l'andamento occupazionale, le aperture di posizioni lavorative e la performance finanziaria delle aziende che integrano l'intelligenza artificiale nei propri processi. Questi indicatori descrittivi, tuttavia, non possono distinguere se l'intelligenza artificiale causa effettivamente i miglioramenti osservati o se viene semplicemente adottata da organizzazioni già performanti e più propense a sperimentare nuove tecnologie.
Un aspetto critico ma spesso trascurato riguarda il divario tra benchmark standardizzati e performance nel mondo reale. I sistemi vengono testati su compiti standardizzati – risolvere problemi matematici, rispondere a richieste di assistenza, diagnosticare condizioni mediche – ma questi punteggi divergono frequentemente dalle prestazioni in contesti reali, dove le situazioni sono più complesse, rumorose e dipendenti dal contesto. Un sistema di intelligenza artificiale medica potrebbe eccellere in domande cliniche da manuale ma interpretare erroneamente le comunicazioni dei pazienti se questi omettono dettagli chiave. La comunità scientifica riconosce la necessità di progettare benchmark che catturino meglio la complessità delle applicazioni concrete.
I costi computazionali rappresentano un parametro fondamentale nell'equazione dell'adozione dell'intelligenza artificiale. Una ricerca condotta tra insegnanti in Sierra Leone, dove l'accesso a Internet viene pagato al megabyte, ha documentato una trasformazione economica significativa. All'inizio del 2022, interrogare un chatbot basato su intelligenza artificiale costava dodici volte più che caricare una pagina web standard; entro il 2025, grazie alla riduzione dei costi computazionali e all'efficienza della banda dei nuovi sistemi, utilizzare la tecnologia era diventato il 98% più economico rispetto all'accesso a una pagina web. Questo vantaggio di costo suggerisce che l'intelligenza artificiale potrebbe paradossalmente espandere l'accesso all'informazione proprio in contesti a basse risorse dove Internet rimane costoso.
Gli economisti stanno adattando metodologie sviluppate per valutare programmi pilota in altri settori – dall'istruzione alla sanità pubblica – al contesto dell'intelligenza artificiale. Quando i programmi vengono ampliati, spesso incontrano nuovi vincoli o innescano effetti economici più ampi non osservabili su scala ridotta. Replicare le condizioni dell'implementatore finale – ad esempio un'agenzia governativa – piuttosto che quelle delle organizzazioni agili e ben finanziate che tipicamente conducono i pilot, permette di anticipare questi effetti di scala. I ricercatori che studiano l'intelligenza artificiale possono similmente progettare esperimenti che tentano di anticipare i cambiamenti futuri, modellando come il declino dei costi potrebbe influenzare la fattibilità di diverse applicazioni.
Nonostante l'impossibilità di prevedere con precisione l'evoluzione delle capacità tecniche dei sistemi di intelligenza artificiale, i ricercatori possono tentare di anticipare come gli esseri umani risponderanno a sistemi più potenti. Anche mentre la tecnologia avanza, il comportamento umano tende a seguire pattern stabili in termini di sviluppo della fiducia, risposta agli incentivi e adattamento all'automazione. Questa stabilità comportamentale offre un ancoraggio per costruire scenari plausibili, identificare quali indicatori monitorare e pianificare in anticipo le politiche che potrebbero rendersi necessarie. Tra i problemi aperti che richiedono ulteriore riflessione teorica figurano gli incentivi alla creazione di conoscenza per i sistemi di intelligenza artificiale e come innovazione e crescita economica potrebbero essere influenzate dalla struttura competitiva dei laboratori di intelligenza artificiale, sia che rimangano in competizione tra loro sia che uno emerga come chiaro leader di mercato.