Gli agenti IA sostituiscono i freelance? Cosa dicono 4 anni di evidenze (ChatGPT, Claude, Upwork, Jobbit)

Ogni imprenditore si pone oggi una variante della stessa domanda: quale lavoro si può affidare a un agente IA e quale richiede ancora una persona? Per una volta, la domanda dispone di un laboratorio. Dalla fine del 2022, le piattaforme di lavoro freelance online che ospitano milioni di scrittori, traduttori, designer e sviluppatori hanno ospitato anche un esperimento naturale su ciò che accade quando un sostituto capace per il lavoro intellettuale di routine arriva da un giorno all'altro, a un costo marginale prossimo allo zero, in un mercato in cui ogni incarico viene pubblicato, quotato e datato.

Questo case study tratta quell'esperimento come farebbe uno studioso con qualsiasi altro corpo di evidenze: cosa è stato misurato esattamente, con quale rigore, cosa mostrano i risultati e cosa non possono ancora mostrare. Si basa su studi sottoposti a revisione paritaria e su working paper di ricercatori di Stanford, MIT, Harvard Business School, University of Chicago e UCLA, su esperimenti sul campo randomizzati condotti all'interno di BCG e Alibaba, su valutazioni delle capacità realizzate da METR e OpenAI, e sui dati proprietari delle piattaforme Upwork e Fiverr. Il periodo coperto va da novembre 2022, quando fu rilasciato ChatGPT, ad agosto 2026, quando è stato aggiornato il più recente di questi studi.

La risposta breve al titolo è che finora gli agenti hanno sostituito attività, non freelance, e che questa sostituzione è stata circoscritta, rapida e disomogenea. La risposta lunga è più utile, perché indica a un'azienda dove si colloca oggi il confine e come operare su entrambi i lati di esso.

Sintesi dei risultati

Cinque conclusioni resistono a una lettura scettica delle evidenze.

In primo luogo, la sostituzione è reale e concentrata. Entro otto mesi dal rilascio di ChatGPT, gli annunci per lavori di scrittura e programmazione più esposti all'automazione, su una delle principali piattaforme globali, sono diminuiti di circa il 21% rispetto al lavoro a forte intensità manuale, e gli strumenti di generazione di immagini hanno ridotto gli annunci per lavori d'immagine di circa il 17%. Su Upwork, le credenziali e la reputazione sono diventate, in modo misurabile, meno predittive di chi viene assunto nelle categorie esposte all'IA, mentre il prezzo lo è diventato di più.

In secondo luogo, l'effetto sul mercato del lavoro nel suo complesso resta contenuto. Lo studio più preciso, condotto sui registri amministrativi danesi, esclude effetti su guadagni od ore lavorate superiori al 2% a due anni dal lancio di ChatGPT. L'eccezione è netta: negli Stati Uniti, l'occupazione dei lavoratori tra i 22 e i 25 anni nelle occupazioni più esposte all'IA si colloca oggi circa il 19% al di sotto di dove si troverebbe se avesse tenuto il passo dei coetanei meno esposti.

In terzo luogo, i guadagni di produttività derivanti dal lavorare con l'IA sono ampi ma disomogenei. Sono massimi per i lavoratori meno esperti su attività di routine e possono diventare negativi per gli esperti su attività che esulano dalle competenze dello strumento. In una sperimentazione rigorosa, sviluppatori esperti sono risultati il 19% più lenti utilizzando strumenti di IA, pur credendo di essere il 20% più veloci.

In quarto luogo, gli agenti IA sono passati dal ruolo di assistenti a quello di lavoratori. La durata dell'attività che un sistema all'avanguardia riesce a portare a termine raddoppia ogni pochi mesi, e valutatori esperti, in cieco, giudicano ora gli elaborati dei modelli migliori pari o superiori a quelli di un professionista in quasi la metà dei casi. Ma una volta conteggiato il tempo di verifica e correzione, il risparmio misurato crolla da un fattore di circa novanta volte a un intervallo tra il 12% e il 39%, e persino i migliori agenti IA impiegati sul lavoro commettono ancora, di tanto in tanto, piccoli errori dalle conseguenze irreversibili.

In quinto luogo, la risposta razionale, quella verso cui le piattaforme stanno convergendo, è una divisione del lavoro: agenti IA per il lavoro digitale di routine e verificabile; persone per il giudizio, la responsabilità, la presenza e tutto ciò che è irreversibile; e un passaggio di consegne deliberato tra i due.

Le ragioni: perché le piattaforme freelance sono il laboratorio giusto

Gli economisti del lavoro lavorano di solito con indagini annuali e codici occupazionali ampi. Le piattaforme di lavoro freelance online offrono qualcosa di più raro: il lavoro scomposto in singole attività, ciascuna con una data di pubblicazione, un prezzo, una categoria, un acquirente, un venditore e un esito. Quando arriva una tecnologia in grado di svolgere alcune di quelle attività, il cambiamento si manifesta entro poche settimane nel flusso degli annunci, in chi si aggiudica l'incarico e a quale tariffa. Il mercato adotta inoltre i nuovi strumenti all'istante, perché non esiste alcun ciclo di approvvigionamento tra un freelance e una scheda del browser.

Le stesse caratteristiche rendono il laboratorio imperfetto. Le piattaforme registrano la domanda pubblicata, non l'intera domanda; un cliente che ora svolge il lavoro internamente con un agente IA scompare dai dati invece di comparire come caso di sostituzione. Le categorie si spostano, per cui un calo della voce "scrittura" può in parte derivare da una riclassificazione in "editing di contenuti IA". La maggior parte dei grandi insiemi di dati è americana, e i freelance delle piattaforme non sono rappresentativi della forza lavoro nel suo complesso. Questi limiti contano ai fini dell'interpretazione, e vi si tornerà più avanti, ma non rendono le evidenze inutili. Le rendono un indicatore anticipatore piuttosto che un censimento.

La posta in gioco non è piccola. IPSE stima la forza lavoro freelance del Regno Unito in circa 2.05 milioni di persone, all'incirca la metà dei 4.2 milioni di lavoratori autonomi individuali del paese, utilizzando una definizione limitata ai tre gruppi occupazionali a più alta qualifica. Sono esattamente le occupazioni che gli studi sull'applicabilità dell'IA collocano ai vertici della classifica.

Una cronologia delle evidenze, dal 2022 al 2026

Risultato 1: la sostituzione è reale, rapida e circoscritta

Le prime evidenze rigorose provengono da Xiang Hui, Oren Reshef e Luofeng Zhou, il cui studio su una grande piattaforma di lavoro online è stato pubblicato su Organization Science nel 2024 e ha successivamente vinto l'Olin Award della Washington University per la ricerca dall'impatto pratico. Confrontando i freelance in occupazioni esposte a ChatGPT, DALL-E 2 e Midjourney con quelli in occupazioni meno esposte, gli autori hanno riscontrato un calo sia nel numero di incarichi sia nei guadagni mensili per il gruppo esposto. Il risultato che ha scosso il settore riguardava la qualità. I freelance con valutazioni pregresse solide e una lunga esperienza consolidata non sono stati protetti; semmai, gli autori riportano evidenze indicative che i migliori siano stati colpiti più duramente. La lettura più plausibile è che, nel lavoro di routine su testi e immagini, un output umano eccellente e un output automatico adeguato fossero diventati, agli occhi degli acquirenti, sostituti quasi perfetti, cosicché il premio per l'eccellenza si sia eroso per primo.

Ozge Demirci, Jonas Hannane e Xinrong Zhu hanno poi misurato direttamente il lato della domanda. Utilizzando gli annunci di una delle principali piattaforme di freelance a livello globale, in un articolo pubblicato su Management Science nel 2025, hanno rilevato un calo del 21% negli annunci per lavori di scrittura e programmazione esposti all'automazione rispetto ai lavori a forte intensità manuale entro otto mesi dal rilascio di ChatGPT, e un calo del 17% negli annunci di creazione di immagini dopo l'arrivo dei modelli generativi di immagini. Due risultati secondari contano quanto quello principale. Gli annunci rimasti nelle categorie esposte erano più complessi e meglio retribuiti, e la concorrenza per aggiudicarseli si è intensificata. La sostituzione, in altre parole, non ha svuotato la categoria; ne ha eliminato la fascia bassa.

Perché proprio scrittura, traduzione e lavoro sulle immagini per primi? L'analisi di 200,000 conversazioni anonimizzate con Bing Copilot condotta da Microsoft Research, pubblicata nel 2025, dà forma al meccanismo. Le occupazioni con la più alta applicabilità dell'IA erano quelle il cui lavoro consiste nel raccogliere, produrre e comunicare informazioni; interpreti e traduttori erano in cima alla lista, con il 98% delle loro mansioni sovrapponibili ad attività che l'assistente svolgeva già bene. Applicabilità non significa sostituzione, e gli autori lo precisano con cura, ma la classifica prevede quasi esattamente quali categorie freelance gli studi sulle piattaforme hanno rilevato essere in contrazione.

L'evidenza più recente e, per un lettore d'impresa, la più istruttiva viene da Auyon Siddiq e Niuniu Zhang della UCLA Anderson. Il loro working paper del 2026, "Human Capital, AI, and Labor Commoditization" (Capitale umano, IA e commoditizzazione del lavoro), segue quasi 50,000 freelance di Upwork attivi già prima di ChatGPT lungo 21 trimestri, dai primi mesi del 2021 ai primi mesi del 2026, per un totale di 2.26 milioni di contratti completati. Invece di contare gli incarichi, gli autori si chiedono cosa predica chi viene assunto. Nelle categorie più esposte all'IA, come la traduzione e la scrittura, il peso predittivo combinato dell'autopresentazione, delle credenziali e della reputazione di un freelance è sceso di circa il 7.8% rispetto a categorie meno esposte come la fotografia, mentre il peso del prezzo è aumentato. Entro l'ultimo anno le misure di capitale umano avevano perso circa il 10.1% della loro importanza e il prezzo ne aveva guadagnato circa l'1.8%. Il vantaggio detenuto dai freelance più esperti si è ridotto del 6.2% e poi del 10.3%, e nel lavoro più esposto i freelance più economici si sono aggiudicati il 7.9% di contratti in più. La domanda complessiva nei settori esposti è scesa di circa il 7%. Il termine che gli autori usano per questo fenomeno è commoditizzazione: quando un acquirente può ottenere da un modello una prima bozza accettabile, ciò per cui è disposto a pagare una persona si sposta da "chi sei" a "quanto costi".

Risultato 2: l'effetto aggregato resta contenuto, con una vistosa eccezione

Se le evidenze delle piattaforme fossero tutta la storia, le statistiche nazionali dovrebbero ormai mostrarlo. Nella maggior parte dei casi non lo fanno, e gli studi che non trovano effetti di ampia portata sono tra i meglio disegnati.

Anders Humlum ed Emilie Vestergaard hanno collegato sondaggi sull'adozione su larga scala ai registri amministrativi danesi sul lavoro, coprendo 25,000 lavoratori e 7,000 luoghi di lavoro in undici occupazioni esposte. Il loro working paper NBER, circolato per la prima volta nel 2025 e rivisto nel marzo 2026, documenta un'adozione rapida: la maggior parte dei datori di lavoro nelle occupazioni esposte aveva avviato iniziative legate ai chatbot, i lavoratori riferivano benefici di produttività, e nuove attività legate all'IA erano diffuse. Eppure le stime difference-in-differences su guadagni e ore registrate restituiscono valori nulli e precisi, che escludono effetti superiori al 2% a due anni dal lancio di ChatGPT, sia a livello di singolo lavoratore sia a livello di luogo di lavoro. Ciò che si è mosso è stata la struttura del lavoro: i datori di lavoro hanno assorbito la tecnologia riorganizzando le attività, incluse nuove attività di generazione di contenuti, supervisione dell'IA e integrazione dell'IA, e chi ha adottato lo strumento si è spostato verso occupazioni meglio retribuite dove gli strumenti sono più utili, sebbene in numeri troppo piccoli per spostare le medie. La versione precedente dell'articolo stimava un risparmio di tempo autodichiarato inferiore al 3% delle ore lavorate, una frazione dei guadagni, spesso superiori al 15%, documentati dagli esperimenti controllati nelle stesse occupazioni. Il divario tra ciò che l'IA sa fare in una sperimentazione e ciò che cambia in una busta paga è l'enigma centrale di questa letteratura, e la Danimarca è il luogo in cui viene misurato nel modo più netto.

Il Budget Lab di Yale giunge a una conclusione simile per gli Stati Uniti seguendo una strada diversa. Monitorando la composizione occupazionale dell'occupazione e applicando il metodo difference-in-differences sintetico alle occupazioni esposte all'IA, i suoi aggiornamenti del 2025 e del 2026 non rilevano un'impronta chiara dell'IA. L'inizio del 2026 mostra pochi licenziamenti ma anche poche assunzioni, e gli autori sostengono che ci si dovrebbe attendere che una tecnologia dagli effetti diffusi impieghi più dei circa tre anni trascorsi dal lancio di ChatGPT per manifestarli.

L'eccezione è documentata da Erik Brynjolfsson, Bharat Chandar e Ruyu Chen del Digital Economy Lab di Stanford, il cui articolo "Canaries in the Coal Mine?" (Canarini nella miniera di carbone?) utilizza i registri retributivi ADP che coprono milioni di lavoratori americani. Nel suo aggiornamento di agosto 2026, con dati fino a giugno 2026, l'occupazione dei lavoratori tra i 22 e i 25 anni nelle occupazioni fortemente esposte all'IA si collocava circa il 19% al di sotto di dove si sarebbe trovata se avesse seguito l'andamento di lavoratori di età simile in occupazioni meno esposte, in salita rispetto a un divario del 15% un anno prima. In termini di livelli, l'occupazione di quella fascia d'età nei due quintili più esposti è scesa di circa l'11% tra novembre 2022 e giugno 2026, mentre l'occupazione nei tre quintili meno esposti è cresciuta di circa il 10%. I lavoratori esperti non mostrano un divario paragonabile, e gli autori affermano chiaramente di non riscontrare una sostituzione diffusa a livello dell'intera economia. I cali si concentrano nelle occupazioni in cui l'uso dell'IA automatizza il lavoro invece di affiancarlo.

Questi risultati sono coerenti tra loro non appena si smette di aspettarsi che l'IA si comporti come una recessione. La sostituzione a livello di attività compare per prima dove i contratti sono più brevi e vengono riprezzati più spesso: gli incarichi freelance e le assunzioni di primo impiego. Il mercato freelance è il canarino perché si riprezza ogni settimana; la busta paga è la miniera, e lì l'aria è finora cambiata meno.

Risultato 3: i guadagni da potenziamento sono ampi ma disomogenei, e la frontiera è frastagliata

Il complemento della sostituzione è il potenziamento, e qui le evidenze sperimentali sono insolitamente solide perché è possibile ricorrere alla randomizzazione.

Brynjolfsson, Danielle Li e Lindsey Raymond hanno studiato l'introduzione scaglionata di un assistente IA generativo per 5,179 operatori del servizio clienti, in un articolo pubblicato sul Quarterly Journal of Economics nel 2025. I casi risolti per ora sono aumentati in media del 14%, con un guadagno del 34% per gli operatori neofiti e meno qualificati e un cambiamento minimo per quelli esperti e altamente qualificati. Lo strumento sembrava codificare le pratiche dei migliori operatori e trasmetterle ai più nuovi, facendoli scendere più rapidamente lungo la curva di esperienza.

Fabrizio Dell'Acqua e colleghi della Harvard Business School, in collaborazione con BCG, hanno randomizzato 758 consulenti di management su attività realistiche con e senza GPT-4, in uno studio oggi pubblicato su Organization Science. Su diciotto attività entro le competenze del modello, i consulenti con IA hanno completato il 12.2% di attività in più, il 25.1% più velocemente, con una qualità giudicata superiore del 40% da valutatori in cieco. Su un'attività scelta deliberatamente al di fuori di quelle competenze, i consulenti con IA avevano una probabilità inferiore di 19 punti percentuali di raggiungere la risposta corretta. L'espressione usata dagli autori per questo confine, la frontiera tecnologica frastagliata, è diventata la descrizione standard del problema: le competenze dello strumento non seguono linee visibili all'utente, e gli utenti sono scarsamente capaci di capire da quale lato di quella linea si trovino.

Un esperimento sul campo condotto all'interno delle operazioni di assistenza clienti di Alibaba, a cura di Xiao Ni, Tianjun Feng, Lauren Xiaoyuan Lu e coautori, ha replicato lo stesso schema distributivo su scala: 5,940 nuovi operatori, circa 2.56 milioni di chat, 390,000 valutazioni dei clienti. Chi otteneva risultati peggiori è migliorato di più, sia in velocità sia in qualità; chi otteneva i risultati migliori ha guadagnato poco in velocità e ha perso qualità sia nelle misure soggettive sia in quelle oggettive. Un'assistenza che alza il pavimento può abbassare il soffitto.

C'è poi la sperimentazione randomizzata di METR su sviluppatori esperti di software open source, pubblicata nel luglio 2025, che è il risultato cautelativo più citato del periodo e merita una formulazione precisa. Sedici sviluppatori hanno svolto 246 attività reali in repository da loro mantenuti, con una media di oltre 22,000 stelle e un milione di righe di codice, con attività assegnate in modo casuale con o senza strumenti di IA, principalmente Cursor con Claude 3.5 e 3.7 Sonnet. Con l'IA hanno impiegato il 19% di tempo in più. Prima dello studio avevano previsto un'accelerazione del 24%; dopo, hanno stimato di essere stati il 20% più veloci. Il divario percettivo è importante quanto il risultato di produttività. Suggerisce che i guadagni autodichiarati, su cui si basa la maggior parte dei sondaggi di settore, sono distorti verso l'alto proprio dove la competenza è maggiore. Le implicazioni per il lavoro nel software nello specifico sono discusse in l'IA sostituirà gli sviluppatori di software?

Una rassegna del 2025 di R. Maria del Rio-Chanona, Ekkehard Ernst, Rossana Merola, Daniel Samaan e Ole Teutloff riunisce questi filoni nell'insieme della letteratura: guadagni di produttività tra il 20% e il 60% circa negli esperimenti controllati e tra il 15% e il 30% in quelli sul campo, maggiori per i neofiti su attività semplici, misti su attività complesse, con dati di traccia digitale che mostrano sostituzione nella scrittura e nella traduzione insieme a una domanda crescente di competenze in IA e a evidenze modeste ma in aumento di un calo della domanda per i neofiti.

Risultato 4: gli agenti IA sono passati da assistenti a lavoratori, e il divario di affidabilità è tutta la storia

Tutto quanto detto finora riguarda l'IA come assistente di una persona che resta coinvolta in ogni fase. Il cambiamento a partire dal 2025 è che i sistemi ora eseguono lavori articolati su più passaggi con la persona che verifica solo alla fine, o non verifica affatto, e questo cambia quali evidenze contano.

La misura dell'orizzonte temporale di METR chiede quanto sia lunga un'attività, espressa nel tempo che impiegherebbe un professionista umano, che un sistema riesce a portare a termine con un tasso di successo del 50%. Nella revisione della metodologia del gennaio 2026, con una batteria di test ampliata a 228 attività, tra cui 31 di otto ore o più, il tempo di raddoppio di lungo periodo è stato stimato in circa 196 giorni, con un raddoppio più rapido di 131 giorni dal 2023 e di 89 giorni dal 2024. Il miglior modello misurato a quel momento, Claude Opus 4.5, aveva un orizzonte al 50% di circa 320 minuti, con un ampio intervallo di confidenza tra le tre e le dodici ore circa. Gli autori precisano esplicitamente che una soglia di successo del 50% è generosa per il lavoro reale, che la tendenza è sensibile alla composizione delle attività, e che la maggior parte delle attività lunghe utilizza tempi umani stimati anziché misurati. Con queste avvertenze, la direzione è inequivocabile: la durata del lavoro digitale che può essere delegato è cresciuta in modo esponenziale.

La valutazione GDPval di OpenAI, pubblicata alla fine del 2025, verifica se quel lavoro delegato sia effettivamente valido. Le attività sono state scritte da professionisti in 44 occupazioni distribuite su nove settori, con una media di 14 anni di esperienza, e valutate tramite confronto a coppie condotto in cieco da esperti rispetto all'elaborato umano. Il modello migliore, Claude Opus 4.1, ha prodotto elaborati giudicati migliori o uguali a quelli dell'esperto nel 47.6% dei casi. Il numero che un'azienda dovrebbe ricordare è un altro. Il confronto ingenuo tra il tempo della macchina e quello umano produce rapporti prossimi a novanta volte, ma una volta che lo studio tiene conto di una persona che verifica e, quando necessario, rifà il lavoro, il risparmio stimato scende a un valore tra 1.12 e 1.39 volte a seconda della strategia. È nella verifica che è finito il costo. È lo stesso meccanismo che Dell'Acqua ha riscontrato nei consulenti e METR negli sviluppatori, ora misurato a livello del singolo elaborato.

I benchmark sul lavoro mostrano sia la velocità dei progressi sia il residuo che resta. TheAgentCompany, della Carnegie Mellon, ha collocato agenti IA in un'azienda software simulata con istanze reali di GitLab, OwnCloud, Plane e RocketChat e 175 attività; l'agente migliore ne ha completate circa un quarto al lancio, alla fine del 2024, e circa il 30% nel corso del 2025. Olly Styles e Sam Miller hanno rivisitato il loro benchmark WorkBench nel giugno 2026 e hanno riferito che il tasso di completamento dell'agente migliore era salito dal 43% di GPT-4 nel marzo 2024 al 98% di Claude Fable 5, mentre la quota di esecuzioni con azioni dannose non intenzionali era scesa dal 26% all'1.9%. Riferiscono inoltre che i modelli più avanzati commettono ancora errori di base che occasionalmente causano danni irreversibili. Il due per cento è un ottimo risultato; ma è anche all'incirca un'esecuzione su cinquanta che fa qualcosa che non dovrebbe.

L'esperimento sul campo di Alibaba del 2026, a cura di Yiwei Wang, Chuan Zhu, Tianjun Feng, Lauren Xiaoyuan Lu e Bingxin Jia, è la prima evidenza randomizzata sull'IA agentica con persone coinvolte nel processo in un'operazione di assistenza dal vivo. I lavoratori nel gruppo trattato supervisionavano un agente IA che gestiva le chat dei clienti idonee, mentre gestivano il resto manualmente. La durata media delle chat è diminuita, con un effetto limitato sui clienti che tornavano con lo stesso problema, ma le chat gestite dall'agente hanno ricevuto valutazioni sensibilmente più basse. L'intervento umano ha recuperato la situazione molto meglio quando il fallimento era tecnico, un problema irrisolto, rispetto a quando era emotivo, un cliente frustrato, e ha funzionato meglio quando arrivava presto. I lavoratori supervisori prestavano inoltre più attenzione alle chat che continuavano a gestire di persona, una ricaduta positiva. Questa è l'evidenza più diretta finora disponibile su come dovrebbe essere progettato il passaggio di consegne tra agente e persona: osservare presto, intervenire sui fatti, e non lasciare i sentimenti alla macchina.

I dati sull'adozione confermano che il cambiamento non è confinato ai laboratori. L'Economic Index di Anthropic per marzo 2026 riporta che il 49% delle occupazioni ha visto almeno un quarto delle proprie attività svolte con Claude, e che il lavoro di programmazione si è spostato dall'uso conversazionale verso flussi di lavoro automatizzati basati su API, con la quota di programmazione in aumento del 14% nell'API e in calo del 18% nel prodotto di chat dall'agosto 2025. Il contributo di Lightcast allo Stanford AI Index 2026 rileva competenze in IA nel 2.5% di tutti gli annunci di lavoro statunitensi, e annunci che menzionano un insieme di competenze in "IA agentica" in aumento dallo 0.06% nel 2024 allo 0.23% nel 2025, circa 90,000 annunci. E UpBench, un benchmark del 2025 costruito su incarichi reali e completati sul marketplace di Upwork, fa scomporre a freelance esperti ciascun incarico in criteri di accettazione verificabili rispetto ai quali gli agenti IA vengono valutati. Valutare gli agenti IA con lo stesso criterio che un cliente applicherebbe a un freelance è un segnale di dove ci si aspetta che vada il lato dell'offerta.

Meccanismi: perché lo schema è questo

Quattro meccanismi spiegano la maggior parte di ciò che mostrano le evidenze, e vale la pena enunciarli perché permettono di prevedere ciò che accadrà in seguito.

Il primo è la commoditizzazione della competenza di routine. Quando un modello produce una bozza accettabile di una descrizione di prodotto, di una traduzione o di un modulo standard, la disponibilità dell'acquirente a pagare per le credenziali umane in quella categoria diminuisce, e il prezzo diventa la variabile decisiva. Siddiq e Zhang misurano esattamente questo spostamento, e Demirci e colleghi ne mostrano l'immagine speculare: il lavoro che resta umano diventa più complesso, meglio retribuito e più conteso.

Il secondo è il costo della verifica come vincolo vincolante. Produrre è diventato economico; verificare no. Il crollo di GDPval da un fattore di novanta volte a meno di 1.4 volte una volta conteggiata la verifica, il rallentamento degli esperti in METR e la frontiera frastagliata descrivono tutti la stessa economia. Chi riesce a verificare un output a basso costo si appropria del guadagno; chi non ci riesce lo paga in lavoro di correzione o in errori non rilevati. Questo è il motivo per cui i guadagni affluiscono ai neofiti su attività dai controlli semplici e si arrestano per gli esperti su attività in cui verificare costa quanto fare.

Il terzo è il divario dell'apprendistato. Le attività che un agente IA svolge bene sono le stesse che le aziende un tempo affidavano al personale junior e ai freelance junior perché potessero imparare. Brynjolfsson, Li e Raymond dimostrano che l'assistenza aiuta soprattutto i neofiti; Brynjolfsson, Chandar e Chen dimostrano che le aziende, ciò nonostante, ne assumono di meno. Entrambe le cose possono essere vere: un'azienda che ha bisogno di meno junior per produrre lo stesso output ne assume di meno, anche se ciascuno è più produttivo. Il costo di lungo periodo, un futuro flusso più esiguo di professionisti esperti, non è ancora visibile in alcun insieme di dati ed è la variabile non misurata più importante in questo campo.

Il quarto è la persistenza delle attività umane complementari. Il gruppo di confronto di Demirci, relativo al lavoro a forte intensità manuale, non è diminuito. L'esperimento di Alibaba mostra che i fallimenti emotivi resistono al recupero da parte della macchina. Responsabilità, presenza, lavoro fisico e relazioni restano appannaggio delle persone per ragioni che non hanno nulla a che vedere con le capacità del modello e tutto a che vedere con ciò che un cliente è disposto ad accettare.

Un lettore scettico dovrebbe tenere presenti, accanto a queste, due spiegazioni alternative. Il calo dell'occupazione di primo impiego negli Stati Uniti coincide con tassi d'interesse più elevati e con il riassorbimento delle assunzioni dell'era pandemica nel settore tecnologico, fattori che hanno colpito indipendentemente la stessa coorte; gli autori di Stanford affrontano la questione con confronti interni alle singole aziende e contrapponendo occupazioni che automatizzano a occupazioni che potenziano, ma il fattore di confondimento non può essere escluso del tutto. E ogni misura di "esposizione" è essa stessa derivata da un modello, per cui gli studi mettono in parte alla prova le assunzioni del classificatore. Le istituzioni danesi di contrattazione collettiva potrebbero inoltre attutire risposte salariali che in un mercato del lavoro più flessibile si manifesterebbero più rapidamente.

Come hanno risposto le piattaforme

I marketplace hanno letto gli stessi segnali e si sono mossi. Nell'aprile 2025, l'amministratore delegato di Fiverr, Micha Kaufman, ha scritto al personale che "l'IA sta arrivando per i vostri lavori", compreso il suo, esortandolo a padroneggiare strumenti come Cursor e Legora; nel settembre 2025 l'azienda ha tagliato circa 250 posizioni, quasi il 30% della propria forza lavoro, per diventare quella che ha definito un'azienda AI-first, dopo aver lanciato a febbraio i propri strumenti per creator Fiverr Go. Upwork sta trasformando il proprio assistente, Uma, in quello che descrive come un agente di lavoro sempre attivo, capace di compiere azioni per conto di clienti e freelance, e il suo Future Workforce Index 2026 ridefinisce il freelance di successo come un "orchestratore di IA" che collega gli strumenti alla competenza di dominio e applica il proprio giudizio. Lo stesso rapporto racchiude in una riga il segnale di prezzo: i freelance che svolgevano lavoro legato all'IA guadagnavano il 34% in più all'ora rispetto a chi non lo svolgeva, il lavoro complesso potenziato dall'IA ha visto i guadagni crescere del 45% su base annua, mentre il lavoro di produzione creativa e IA generativa è cresciuto del 90% negli avvii di contratto, con i guadagni per contratto in calo del 13%. Il volume si è spostato verso l'estremità semplice; il denaro si è spostato verso l'estremità complessa.

Jobbit, la piattaforma su cui è pubblicato questo case study, è stata progettata attorno alla divisione del lavoro indicata dalle evidenze, non attorno a uno solo dei suoi due lati. L'agente IA si occupa del lavoro digitale verificabile: costruire e pubblicare un sito o una web app, redigere documenti e presentazioni, condurre ricerche, impostare automazioni, generare immagini e video. L'utente può osservarlo lavorare nel browser dell'agente e assumerne il controllo in qualsiasi momento, il che corrisponde allo schema di intervento precoce che l'esperimento di Alibaba ha rilevato essere il più efficace. Per il lavoro che un agente IA svolge male o non dovrebbe svolgere da solo, gli incarichi fisici e locali, la verifica esperta con responsabilità, tutto ciò per cui un cliente ha bisogno di una persona, la piattaforma instrada verso una rete umana moderata su pro.jobbit.uk. Jobbit non ha pubblicato dati sperimentali propri, e questo studio non avanza alcuna pretesa sui risultati misurati al suo interno; l'affermazione riguarda la coerenza tra un progetto e le evidenze. I lettori che desiderano approfondire i meccanismi possono partire da cos'è davvero l'IA agentica, dalla guida per osservare e prendere il controllo del browser dell'agente, e dall'elenco pratico dei casi d'uso dell'IA per una piccola impresa.

Cosa dovrebbe fare un'azienda con queste evidenze

I risultati si traducono in una regola di delega che un imprenditore può applicare senza aver letto un solo articolo scientifico.

Affidate a un agente IA il lavoro di routine e verificabile: prime bozze, sintesi, dossier di ricerca, documenti standard, un sito o uno strumento interno che potete esplorare e controllare in un pomeriggio. È qui che ogni studio trova i guadagni più ampi, specialmente dove l'azienda oggi svolge l'attività lentamente o non la svolge affatto, perché l'effetto neofita si applica alle aziende tanto quanto alle persone. Una sequenza pratica per iniziare è illustrata in come automatizzare la tua azienda con gli agenti IA.

Mantenete una persona sul lavoro che è irreversibile, emotivo, fisico o soggetto a responsabilità: tutto ciò che invia denaro, cancella dati, riguarda un cliente arrabbiato, o richiede che qualcuno risponda del risultato. L'esperimento di Alibaba e il residuo di WorkBench indicano nella stessa direzione.

Includete nel calcolo il tempo di verifica prima di stabilire che un agente IA sia più economico. L'aritmetica onesta di GDPval, un risparmio tra il 12% e il 39% anziché di novanta volte, è il numero su cui pianificare. Se in azienda nessuno è in grado di controllare l'output, il risparmio non è reale; la risposta in quel caso è far svolgere il lavoro all'agente IA e farlo verificare da un esperto umano, la stessa soluzione per cui, come mostrano i dati sul freelance, gli acquirenti pagano già un premio.

Aspettatevi che la frontiera sia frastagliata e che si sposti. Un'attività che l'agente IA non riusciva a svolgere a gennaio potrebbe essere di routine entro settembre, mentre il contrario non è vero. Testate, tenete un registro di ciò che è stato verificato e di ciò che non ha funzionato, e rivedete la ripartizione ogni trimestre.

Limiti e questioni aperte

La maggior parte dei grandi insiemi di dati è americana, e i dati di piattaforma misurano la domanda pubblicata, non tutto il lavoro effettivamente svolto. Le misure di esposizione sono derivate da modelli, e i risultati ereditano in parte le assunzioni del classificatore. Gli orizzonti temporali sono brevi: due anni in Danimarca, meno di quattro negli Stati Uniti, e l'osservazione degli autori di Yale, secondo cui effetti diffusi potrebbero richiedere più tempo, merita di essere presa sul serio. I benchmark non sono lavori veri e propri; le attività di GDPval sono elaborati autoconclusivi e WorkBench è un ufficio sintetico, mentre il lavoro reale è interrotto, ambiguo e attraversato da dinamiche politiche interne. Le capacità dell'IA si evolvono abbastanza rapidamente da rendere ogni cifra di questo studio un'istantanea, e gli studi più a rischio di essere superati sono quelli sulle capacità, non quelli sul lavoro. Infine, l'effetto più rilevante per il prossimo decennio, cioè se un più esiguo apprendistato indebolisca l'offerta futura di professionisti esperti, non può ancora essere misurato in alcun modo.

Conclusione

Gli agenti IA sostituiscono i freelance? Finora sostituiscono attività, e lo fanno dove l'output di un'attività può essere prodotto e giudicato come di routine. Ciò è bastato a ridurre il mercato per la scrittura, la traduzione e il lavoro sulle immagini di tipo commodity, a indebolire il premio all'assunzione per le credenziali in quelle categorie, e a tagliare nettamente le assunzioni di primo impiego nelle occupazioni esposte, lasciando al contempo sostanzialmente invariati guadagni e ore lavorate nell'insieme delle economie. Il freelance che prospera nei dati è quello che vende giudizio, responsabilità e la capacità di dirigere e controllare il lavoro della macchina; l'azienda che ne trae beneficio è quella che impara a delegare il lavoro di routine e a verificarlo, e che mantiene una persona su tutto ciò che non si può disfare. Il mercato non sta perdendo uno dei due lati della transazione. Si sta riorganizzando attorno al passaggio di consegne tra i due, e le piattaforme che rendono agevole quel passaggio di consegne sono quelle favorite dalle evidenze.

Domande frequenti

Gli agenti IA sostituiscono i freelance?

Non come categoria. Le migliori evidenze dal 2022 al 2026 mostrano l'IA sostituire attività specifiche, principalmente scrittura di routine, traduzione, creazione di immagini e programmazione semplice, ambiti in cui gli annunci di lavoro sono scesi di circa un quinto rispetto al lavoro manuale nel giro di pochi mesi da ChatGPT. La domanda di lavoro complesso nelle stesse categorie è cresciuta sia in retribuzione sia in concorrenza, e i dati nazionali non mostrano alcuna sostituzione a livello dell'intera economia. I perdenti più evidenti sono i lavoratori di primo impiego nelle occupazioni esposte, non i freelance esperti.

Quali lavori freelance sono più colpiti dall'IA?

Scrittura, traduzione, editing di contenuti, produzione di immagini e design, e programmazione di routine. Gli studi su Upwork e su altre piattaforme rilevano che queste categorie hanno perso annunci e hanno visto le credenziali contare meno e il prezzo contare di più al momento dell'assunzione da parte dei clienti. Il lavoro fisico, locale, basato su relazioni, o che comporta responsabilità per il risultato, è rimasto finora in gran parte non toccato.

Conviene economicamente usare un agente IA invece di assumere un freelance?

Per il lavoro di routine e verificabile, di solito sì, ma in misura minore di quanto suggeriscano i confronti che fanno notizia. La valutazione GDPval di OpenAI ha rilevato che i modelli producono elaborati professionali circa novanta volte più velocemente in termini grezzi, ma una volta conteggiate la verifica e la correzione umane, il risparmio scende a un valore tra il 12% e il 39%. Se in azienda nessuno è in grado di verificare l'output, l'opzione realistica è un agente IA che produce il lavoro e un esperto umano che lo controlla.

Quale lavoro dovrebbe ancora affidare a una persona una piccola impresa?

Tutto ciò che è irreversibile, emotivo, fisico o soggetto a responsabilità: pagamenti e cancellazioni, clienti arrabbiati, lavori sul posto, e risultati di cui qualcuno deve rispondere. Un esperimento sul campo condotto da Alibaba nel 2026 ha rilevato che le chat di assistenza gestite dall'agente IA erano più rapide ma valutate peggio, e che l'intervento umano ha recuperato i fallimenti tecnici molto meglio di quelli emotivi. Piattaforme come Jobbit abbinano un agente IA per le attività digitali a una rete umana esattamente per questo residuo.

Perché gli studi sono in disaccordo su IA e lavoro?

Per lo più misurano cose diverse. Gli esperimenti controllati misurano cosa sa fare l'IA su attività selezionate e trovano guadagni ampi; i dati di piattaforma misurano la domanda per specifiche categorie di attività e trovano cali locali marcati; i dati retributivi e amministrativi misurano occupazione e guadagni a livello dell'intera economia e finora trovano cambiamenti minimi. Il quadro risulta coerente una volta che si leggono insieme la sostituzione a livello di attività, il potenziamento disomogeneo e il lento adeguamento aggregato.