I robot ruberanno i lavori manuali? Cosa dice davvero lo studio di Anthropic del 2026 (Anthropic, Tesla, Nvidia, Jobbit)

Per un decennio il dibattito pubblico sull'automazione si è retto su un unico numero. Nel 2013 Carl Benedikt Frey e Michael Osborne di Oxford stimarono che il 47% dell'occupazione statunitense fosse concentrato in professioni ad alto rischio di informatizzazione nell'arco di due decenni, e da allora la cifra è stata ripetuta in ogni discorso sul futuro del lavoro. Tredici anni dopo, i robot che avrebbero dovuto svuotare magazzini e cantieri sono arrivati nelle dimostrazioni, in qualche migliaio di fabbriche e in un piccolo numero di taxi, mentre le persone che avrebbero dovuto essere sostituite sono ancora al lavoro, molte in professioni con carenza di personale che i datori di lavoro non riescono a coprire. Qualcosa nella narrazione standard era sbagliato e, fino a poco tempo fa, nessuno aveva misurato cosa.

Il 30 settembre 2026 il team di economia di Anthropic ha pubblicato "What work can robots do?" (Quali lavori possono svolgere i robot?), di Russell Legate-Yang e Maxim Massenkoff. Per quanto questa analisi possa accertare, è il primo tentativo di valutare ogni compito fisico dell'economia americana rispetto ai robot che esistono davvero, e di porre poi la domanda che il 47% non aveva mai posto: a quale prezzo. La risposta cambia i termini del dibattito. I robot sono già in grado di eseguire circa tre quarti dei compiti del lavoro fisico negli Stati Uniti, ma costano meno di un essere umano solo per tre su mille. Colmare quel divario al ritmo con cui i prezzi dei robot sono scesi dagli anni Novanta richiederebbe circa quarant'anni per arrivare a un decimo del lavoro, e perfino uno scenario aggressivo colloca oltre il 2050 il momento in cui metà del lavoro fisico sarà coperta. Questo caso di studio legge il paper da vicino, lo affianca alle evidenze su ciò che l'IA sta già facendo al lavoro da scrivania, considera le obiezioni e ricava cosa significa questo schema per un artigiano britannico, per il titolare di una piccola impresa e per un'azienda come Jobbit, nata dalla premessa che il paper ora quantifica: il passaggio di consegne tra macchine e persone è la questione progettuale centrale dei prossimi vent'anni.

Sintesi dei risultati

Primo, la capacità non è più il vincolo principale per la maggior parte del lavoro fisico. Lo studio di Anthropic rileva che i robot possono svolgere il 74% dei compiti fisici negli Stati Uniti, pari al 34% di tutte le ore lavorate, usando robot che sono stati venduti, impiegati o dimostrati, non semplicemente immaginati.

Secondo, il vincolo è il costo. Oggi i robot sono competitivi sui costi rispetto a un lavoratore per lo 0.3% dei compiti lavorativi. Per la grande professione più esposta, gli addetti all'imballaggio e al confezionamento, il risparmio annuo stimato è di circa $2,500 per lavoratore a fronte di costi del lavoro di circa $49,000; per i tassisti, il robot costa ancora circa $7,000 in più dell'essere umano.

Terzo, il divario si chiude lentamente. I prezzi dei robot scendono di circa il 3% all'anno dagli anni Novanta. A questo ritmo servono 40 anni perché i robot diventino competitivi sui costi per il 10% del lavoro statunitense. Nello scenario rapido del paper, con costi in calo quattro volte più veloce e capacità che migliorano due volte più in fretta, i robot diventano più economici delle persone per metà del lavoro fisico intorno al 2050, contro il 2085 secondo la tendenza storica, e automatizzarne il 90% richiede comunque 53 anni.

Quarto, il lavoro digitale presenta il quadro opposto. Circa il 50% del lavoro statunitense è esposto ai soli modelli linguistici di grandi dimensioni e l'81% ai modelli linguistici o ai robot combinati, e le prime evidenze sul mercato del lavoro tratte dai dati delle buste paga mostrano che l'occupazione tra i 22 e i 25 anni nelle professioni più esposte all'IA è inferiore di circa il 19% rispetto ai coetanei meno esposti, senza alcun movimento equivalente finora per i lavoratori esperti o per l'economia nel suo complesso.

Quinto, le persone più esposte ai robot sono quelle con meno margine di protezione. Rispetto ai lavoratori non esposti hanno 55 punti percentuali in meno di probabilità di possedere una laurea, guadagnano circa $30 l'ora in meno e hanno un tasso di disoccupazione più che doppio.

Sesto, gli ostacoli che restano sono specifici e misurabili. Circa il 70% dei compiti fisici è frenato dalla capacità, circa la metà di questi dalla manipolazione e dalla destrezza; il 14% è bloccato dalla regolamentazione attuale e il 25% dalle preferenze umane. Sono i compiti in cui servirà una persona per decenni e per i quali i dati per addestrare le macchine non esistono ancora.

Il caso: perché questo studio è il laboratorio giusto

Le previsioni sull'automazione hanno di solito fallito in uno di due modi. Gli studi a livello di professione, come quello di Frey e Osborne, trattavano interi lavori come unità automatizzabili, il che ha prodotto la cifra del 47%; quando Melanie Arntz, Terry Gregory e Ulrich Zierahn dell'OCSE ripeterono l'esercizio nel 2016 a livello di compiti, tenendo conto della composizione del lavoro all'interno di ciascuna professione in 21 paesi, la quota di lavori automatizzabili scese al 9%. Gli studi basati su sondaggi tra esperti, invece, chiedevano agli specialisti che cosa le macchine sarebbero state in grado di fare, il che equivale a una scommessa su tecnologie che potrebbero non arrivare mai sul mercato.

Il paper di Anthropic evita entrambe le trappole per progetto. Parte dai circa 19,000 enunciati di compito relativi a circa 900 professioni in O*NET, la banca dati occupazionale del Department of Labor statunitense, e dai dati su occupazione e salari del Bureau of Labor Statistics. Usa il modello Claude per valutare ciascun compito in base al suo contenuto fisico, cognitivo e interpersonale, conserva solo i compiti fisici che non potrebbero essere automatizzati da un software ordinario, e poi cerca sul web robot specifici che abbiano dimostrabilmente svolto ciascun compito, richiedendo come prova l'impiego commerciale, le vendite o una dimostrazione significativa. Ogni compito è collocato su una scala a quattro livelli di controllo dell'ambiente: E0, nessun robot può svolgerlo; E1, un robot può svolgerlo in un ambiente progettato su misura, come una linea di fabbrica; E2, in una struttura umana organizzata, come un magazzino; E3, in un ambiente non strutturato, come una strada cittadina. La maggior parte dei robot impiegati vive in spazi ingegnerizzati, ed è per questo che gli autori considerano il livello una buona misura del rischio a breve termine.

Il costo è modellato, non presunto. Per ogni compito esposto il modello stima il costo annuo del robot citato, compresi acquisto e installazione, manutenzione, software, energia, supervisione, assicurazione e dismissione, con i costi fissi ripartiti su base annua a un costo del capitale stimato, e lo confronta con la retribuzione complessiva del lavoratore, ridimensionata in base alla quota di tempo che dedica a quel compito. Un compito è considerato competitivo sui costi solo quando il costo annuo del robot scende al di sotto del lavoro che sostituisce. Gli autori convalidano poi l'intero apparato a ritroso: valutando i compiti rispetto ai robot esistenti nel 1977 e nei decenni successivi, mostrano che le professioni più esposte ai robot della loro epoca hanno poi perso più salari e occupazione, che è ciò che una misura di esposizione deve fare per valere qualcosa.

Lo studio è americano. È l'imperfezione che il lettore deve tenere a mente. Salari, prezzi dell'energia, regolamentazione e composizione delle professioni britannici sono diversi e nessuno ha ancora applicato il metodo ai dati del Regno Unito. Ma la posta in gioco qui è, semmai, più alta. Le previsioni di giugno 2026 della Construction Industry Training Board indicano che il settore ha bisogno in media di 41,200 lavoratori in più all'anno tra il 2026 e il 2030, più di 206,000 in totale, per tenere il passo con la domanda, con il 40% della forza lavoro attuale sopra i 45 anni e più di 200,000 lavoratori dell'UE persi dopo la Brexit. La pubblicazione Occupations in Demand del Department for Education, del dicembre 2025, conta 10.9 milioni di persone, il 32.9% della forza lavoro, in 125 professioni ad alta domanda, e cita elettricisti e installatori elettrici (201,000 posti) e tecnici e meccanici di veicoli (183,000) tra i maggiori mestieri qualificati di quell'elenco. Se i robot fossero sul punto di sostituire i mestieri, la carenza sarebbe un problema passeggero. Le evidenze che seguono dicono che non lo è.

Una cronologia delle evidenze, dal 2013 al 2026

Risultato 1: i robot sanno fare gran parte del lavoro fisico e quasi nulla conviene

Il primo numero del paper è quello che verrà citato, e merita di essere enunciato con precisione. Del tempo di lavoro complessivo statunitense, il 54% è cognitivo o interpersonale e il 46% è fisico. All'interno della quota fisica, 12 punti percentuali non possono essere svolti da alcun robot che gli autori siano riusciti a trovare (E0), 23 possono esserlo in ambienti progettati su misura (E1), 10 in strutture umane organizzate come i magazzini (E2) e 1 in ambienti non strutturati (E3). Messi insieme, i robot possono svolgere il 74% dei compiti fisici, pari al 34% di tutte le ore lavorate. Gli esempi sono concreti: taxi autonomi sulle strade cittadine, robot mobili autonomi che spostano merce nei magazzini, celle di saldatura guidate dall'IA nelle officine di carpenteria, escavatori per trincee che scavano linee rette senza conducente.

Il secondo numero è quello che conta. Quando il modello attribuisce un prezzo al robot citato per ciascun compito e lo confronta con il lavoro che sostituirebbe, i robot risultano più economici soltanto per lo 0.3% dei compiti lavorativi. Circa 300,000 lavoratori americani svolgono professioni in cui i robot potrebbero fare il 95% del lavoro; il gruppo più numeroso, circa 560,000 addetti all'imballaggio e al confezionamento, è il caso più chiaro di parità di costo, con il robot stimato a circa $2,500 l'anno in meno di un essere umano il cui lavoro costa circa $49,000. All'altro estremo, il robot taxi, tecnicamente la professione più esposta nei dati con un indice di esposizione di 2.2 su 3, è stimato costare circa $7,000 l'anno in più del conducente che sostituirebbe, prima ancora di considerare la regolamentazione. Nove delle dieci professioni più esposte sono conducenti di veicoli.

L'interpretazione offerta dagli autori, e quella che questa analisi ritiene più difendibile, è che la frontiera fisica si sia spostata molto più in là di quella economica. Negli ultimi 50 anni i robot sono diventati capaci di fare ogni anno circa il 2% del lavoro fisico che prima non potevano fare: nel 1977 non potevano svolgere il 62% dei compiti fisici, oggi non possono svolgere il 24% di quegli stessi compiti. La capacità si è accumulata. Il costo non l'ha seguita, perché un robot in grado di trasportare una scatola resta un bene strumentale con manutenzione, energia, supervisione e assicurazione al seguito, in concorrenza con un lavoratore pagato solo per le ore lavorate.

Risultato 2: la scadenza è di decenni, anche nel caso ottimistico

Il contributo più rilevante del paper è l'analisi degli scenari, perché trasforma "i robot sono costosi" in date. I prezzi dei robot, sulla base delle serie della Bank of Japan e di altre fonti, sono diminuiti di circa il 3% l'anno dagli anni Novanta. Mantenendo quel ritmo servono circa 40 anni prima che i robot siano competitivi sui costi per il 10% del lavoro statunitense. Un calo dei costi del 20%, circa sette anni al ritmo storico, renderebbe i robot competitivi per i compiti fisici di circa 2.8 milioni di lavoratori; serve un calo del 70% per arrivare al 10% di tutto il lavoro.

Lo scenario rapido è generoso per costruzione. I costi corretti per la qualità scendono fino a quattro volte più velocemente della storia e i robot imparano nuovi compiti due volte più in fretta. Anche allora, i robot diventano competitivi sui costi per il 50% del lavoro fisico solo intorno al 2050, contro il 2085 secondo la tendenza storica, e automatizzare il 90% del lavoro fisico richiede 53 anni. La frase usata dagli autori merita di essere citata perché è insolitamente chiara per un paper di economia: "Robots would need to sustain record rates of price declines and quality improvements over the coming decades to enable rapid physical automation." (I robot dovrebbero sostenere ritmi record di calo dei prezzi e di miglioramento della qualità nei prossimi decenni per consentire una rapida automazione fisica.)

Qui le evidenze vanno separate dall'interpretazione. Le date non sono previsioni; sono le conseguenze di ipotesi applicate uniformemente a ogni compito, che, dicono gli stessi autori, potrebbero non riflettere il modo in cui le aziende di robotica stabiliscono davvero le priorità. Un'azienda che concentra i propri sforzi su un solo compito di alto valore, ad esempio il prelievo in magazzino, potrebbe far scendere il costo di quel compito molto più rapidamente del 3% l'anno mentre il resto dell'economia sta fermo. Ciò che gli scenari stabiliscono è la forma del problema, non il suo calendario esatto: l'automazione fisica è un processo lungo e irregolare governato dall'economia dell'hardware, a differenza del software, dove il costo marginale di un compito in più è prossimo a zero.

Il confronto con la tecnologia del passato sostiene questa lettura. Lo studio di Acemoglu e Restrepo del 2020 sui robot industriali, la generazione precedente di questa tecnologia, ha rilevato che ogni robot aggiuntivo ogni 1,000 lavoratori tra il 1990 e il 2007 riduceva il rapporto occupazione/popolazione nelle aree di pendolarismo americane interessate di 0.2 punti percentuali e i salari dello 0.42%. Effetti reali, misurabili e lenti: si sono accumulati in diciassette anni nei settori in cui i robot erano già più economici, e in nessun altro.

Risultato 3: il lavoro digitale è la storia opposta

Lo stesso gruppo di ricerca misura l'altra frontiera, e il contrasto è il cuore di questo caso di studio. I precedenti lavori di Anthropic sull'esposizione e il confronto del paper stesso collocano circa il 50% del lavoro statunitense alla portata dei soli modelli linguistici di grandi dimensioni, e l'81% alla portata dei modelli linguistici o dei robot combinati. Lo schema per professione è istruttivo. Trasporti e movimentazione di materiali è esposto ai modelli linguistici per meno del 15%, ma per circa il 90% una volta inclusi i robot; il supporto d'ufficio e amministrativo è già molto esposto ai modelli linguistici e raggiunge quasi il 100% con i robot; l'assistenza alla persona e i servizi alla persona si collocano intorno al 40% in entrambi i casi, perché sono interpersonali in un modo che nessuna delle due tecnologie affronta.

Le stime sui modelli linguistici hanno un pedigree più lungo. Nel 2023 Tyna Eloundou, Sam Manning, Pamela Mishkin e Daniel Rock di OpenAI e della University of Pennsylvania rilevarono che l'80% dei lavoratori americani svolgeva professioni con almeno il 10% dei compiti esposti ai modelli linguistici e il 19% professioni con più della metà dei compiti esposti, con scrittura, programmazione e analisi dei dati più esposte e il lavoro fisico e all'aperto meno esposto. L'Anthropic Economic Index, che associa conversazioni anonimizzate con Claude ai compiti O*NET, mostra che cosa le persone fanno davvero con questi strumenti: nei rapporti del 2026 l'augmentation (aumento delle capacità umane) è stata leggermente avanti rispetto all'automazione, 52% contro 45%, e l'uso si è diversificato, con i dieci compiti più comuni scesi dal 24% delle conversazioni al 19% tra novembre 2025 e febbraio 2026. L'Index riporta anche che un aumento dell'1% del PIL pro capite è associato a un aumento dello 0.7% dell'uso per persona, il che ricorda che l'adozione segue la ricchezza.

Se l'esposizione sia diventata sostituzione è la domanda a cui i dati sulle buste paga rispondono, con cautela. Erik Brynjolfsson, Bharat Chandar e Ruyu Chen dello Stanford Digital Economy Lab, usando i dati ADP di più di 25 milioni di lavoratori statunitensi, hanno riportato nel 2025 che i lavoratori a inizio carriera nelle professioni più esposte all'IA avevano subito cali relativi dell'occupazione mentre i lavoratori esperti negli stessi lavori no; la loro revisione di agosto 2026, con dati fino a metà anno, colloca l'occupazione dei 22-25enni in quelle professioni a circa il 19% al di sotto di dove sarebbe stata se avesse seguito i coetanei meno esposti, con l'aggiustamento che passa attraverso le assunzioni anziché le retribuzioni e si concentra dove l'IA automatizza anziché aumentare le capacità umane. Allo stesso tempo, gli economisti di Anthropic Maxim Massenkoff e Peter McCrory, come ha riportato Yahoo Finance il 1 ottobre, non rilevano alcun aumento sistematico della disoccupazione per i lavoratori molto esposti dalla fine del 2022, e l'avvertimento dell'amministratore delegato di Anthropic Dario Amodei, secondo cui l'IA potrebbe eliminare la metà dei lavori impiegatizi di primo livello, resta, sui dati finora disponibili, un avvertimento e non un'osservazione.

La sintesi onesta è questa. Il primo effetto misurabile sul mercato del lavoro dell'attuale ondata di IA non è il robot in magazzino; è il neolaureato che manca nelle assunzioni d'ufficio. Il lavoro fisico è protetto dall'economia; il lavoro da scrivania no.

Risultato 4: chi è esposto e cosa blocca il resto

Il profilo demografico del lavoro esposto ai robot è il risultato che dovrebbe orientare le politiche. Rispetto ai lavoratori delle professioni non esposte, quelli delle professioni molto esposte hanno 20 punti percentuali in meno di probabilità di essere donne, 16 punti in più di probabilità di essere ispanici, 55 punti in meno di probabilità di possedere una laurea triennale, sono pagati circa $30 l'ora in meno e hanno una probabilità più che doppia di essere disoccupati. Hanno inoltre molte più probabilità di sollevare pesi, lavorare in condizioni di caldo estremo o vicino a sostanze pericolose. I compiti che i robot sanno già svolgere sono in modo sproporzionato quelli duri, pericolosi e mal pagati, il che è al tempo stesso l'argomento più forte per automatizzarli e la ragione per cui farà male se la transizione non sarà gestita.

Ciò che blocca il resto è altrettanto specifico. Circa il 70% dei compiti fisici che i robot non sanno ancora svolgere è limitato dalla capacità, e circa la metà di questi dalla manipolazione e dalla destrezza: colorare i capelli, scavare a mano attorno a tubazioni interrate, montare ponteggi, sbrogliare cavi. Le carenze di pianificazione e ragionamento ne spiegano l'8%. La regolamentazione blocca il 14% dei compiti fisici e la preferenza umana il 25%, e i due fattori insieme coprono la maggior parte del lavoro in cui un robot sarebbe tollerato in una fabbrica ma non in una camera da letto o in un'aula. Due professioni del paper mostrano quanto il quadro sia misto all'interno di uno stesso lavoro: gli stuccatori di cartongesso ottengono 1.6 sull'indice di esposizione, con il 41% del loro tempo esposto a un robot spruzzatore autonomo e il 26% non esposto perché le rifiniture più sporche sono fuori dalla sua portata; i selezionatori di materiali da riciclo ottengono 1.7, con oltre il 75% del loro tempo esposto a pinze a visione artificiale sui nastri trasportatori e solo l'8% non esposto.

La sintesi degli autori è quella che un artigiano dovrebbe ricordare: il lavoro non esposto è "highly interpersonal or requires physical skills that robots today don't have" (altamente interpersonale o richiede capacità fisiche che i robot oggi non hanno), e "if the past is any guide, taxi drivers and warehouse packers will see changes sooner than nurses and mechanics" (se il passato è una guida, tassisti e addetti all'imballaggio in magazzino vedranno cambiamenti prima di infermieri e meccanici).

Meccanismi: perché lo schema è questo

Quattro meccanismi spiegano i risultati e prevedono cosa verrà dopo.

Sono gli ambienti, non i compiti, a decidere l'impiego. La scala a quattro livelli è l'intuizione silenziosa del paper. Un robot che salda in modo impeccabile su una linea di fabbrica (E1) è inutile in un'estensione domestica dove ogni trave dista dalla precedente una misura leggermente diversa. La maggior parte dell'economia fisica, e quasi tutti i mestieri, si svolge in condizioni E3: non strutturate, improvvisate, attorno alle persone. I robot hanno conquistato E1 e avanzano in E2; E3 contiene l'1% dei compiti dopo cinquant'anni.

L'economia dell'hardware non è l'economia del software. Un modello linguistico, una volta addestrato, svolge il compito successivo a un costo prossimo a zero, ed è per questo che nel lavoro da scrivania l'esposizione è diventata sostituzione in pochi anni. Un robot è un bene che si deprezza e che deve essere acquistato, installato, assicurato, mantenuto, alimentato e supervisionato per ogni sito in cui lavora. Il calo annuo dei prezzi del 3% è la firma di questa differenza, e gli scenari del paper mostrano quanto poco cambi il decennio in cui arriva la parità anche con un'accelerazione di quattro volte.

La capacità si accumula, ma attraverso i dati. I robot guadagnano circa il 2% del lavoro fisico all'anno, e la metà dei compiti rimanenti che richiedono destrezza sono proprio quelli per cui i dati di addestramento sono più scarsi. Un modello impara a scrivere dal web scritto; non esiste un corpus equivalente delle mani di un idraulico. Il progresso sul restante 24% dipende dal catturare il lavoro reale, in luoghi reali, con le persone che lo svolgono, il che è lento per natura e solleva questioni di consenso e di proprietà che l'ondata del software non ha mai dovuto affrontare.

Preferenze e regole sono un pavimento, non un ritardo. Il 25% dei compiti limitato dalle preferenze e il 14% dalla regolamentazione non stanno aspettando un robot migliore. La disponibilità di un paziente a farsi sollevare da una macchina, le regole di un comune sui veicoli autonomi e il desiderio di un cliente di parlare con la persona che ha montato la cucina cambiano su scale temporali politiche e culturali, ed è per questo che gli autori li trattano separatamente da capacità e costo.

Uno scettico dovrebbe affiancare a queste altre tre spiegazioni alternative. Le valutazioni di esposizione sono prodotte da un modello che legge descrizioni di compiti sintetiche che, come notano gli autori, "omit details that may be easy for humans but hard for robots" (omettono dettagli che possono essere facili per gli umani ma difficili per i robot), per cui la capacità potrebbe essere sovrastimata a livello di compito pur essendo sottostimata per la professione nel suo insieme. Le stime di costo sono approssimazioni di un mercato con pochi prezzi pubblici; un sondaggio sui prezzi degli umanoidi di agosto 2026 ha rilevato che solo 12 dei 58 umanoidi commerciali avevano un prezzo verificato. E gli scenari presuppongono lo stesso calo per ogni compito; una svolta nella manipolazione di uso generale, quella su cui puntano Nvidia e Tesla, potrebbe, nelle parole degli autori, "leapfrog our scale" (scavalcare la nostra scala). Le date sono solide nella forma e deboli nel dettaglio.

Come ha reagito il settore

La reazione si è divisa lungo la linea tracciata dal paper. Nel campo dell'hardware, l'amministratore delegato di Nvidia Jensen Huang aveva previsto un "ChatGPT moment" per la robotica al CES di gennaio 2026, ed Elon Musk ha dichiarato che l'umanoide Optimus di Tesla sarà in vendita già nel 2027 con un prezzo obiettivo a lungo termine inferiore a $20,000 su larga scala, anche se non esiste un prezzo ufficiale; le prospettive di Morgan Stanley per il 2025 collocano il mercato degli umanoidi oltre i $5 trillion entro il 2050, con un'adozione che accelera dalla fine degli anni 2030. Yahoo Finance ha presentato il paper di Anthropic, il 2 ottobre, come la proiezione che quelle scommesse metteranno alla prova. La realtà delle consegne è più modesta: l'Unitree G1 ha un prezzo di listino di $13,500 e l'azienda ha spedito più di 5,500 umanoidi nel 2025, più di tutti i concorrenti messi insieme; Digit di Agility, l'umanoide più impiegato nei magazzini statunitensi, ha un prezzo superiore a $250,000 per unità o circa $8,500 al mese come servizio; Figure, valutata $39 billion, vende alle imprese senza un prezzo pubblico.

Gli economisti hanno in gran parte accettato la cronologia. Torsten Sløk, capo economista di Apollo, citato da Yahoo Finance, ha detto che anche con proiezioni aggressive una sostituzione fisica diffusa richiederebbe decenni, citando i colli di bottiglia nella manipolazione fine, nella regolamentazione e nelle preferenze. Il dibattito più acceso riguarda il lato digitale, dove le evidenze di Stanford sulle buste paga e l'analisi della disoccupazione di Anthropic stessa indicano direzioni diverse su quanta sostituzione sia già avvenuta, e dove OpenAI, Anthropic, Google, Microsoft, Manus e Meta con Muse stanno distribuendo agenti che navigano, compilano moduli e completano compiti d'ufficio in più passaggi, la categoria in cui l'esposizione è massima e il costo minimo.

La posizione di Jobbit in questo panorama è una scelta progettuale, non una previsione, e il paper si trova a descriverla. L'agente IA dell'azienda gestisce il lavoro digitale e verificabile che, secondo le evidenze, è economico da automatizzare: ricerca, documenti, siti web, automazioni, immagini e le pratiche amministrative che circondano un lavoro. Quando un compito richiede mani, giudizio sul posto o qualcuno che ne risponda, cioè, secondo i numeri del paper, la maggior parte del lavoro fisico per decenni, il lavoro passa a un professionista umano selezionato su pro.jobbit.uk, con il pagamento trattenuto in escrow e il cliente in grado di osservare l'agente e di prendere il controllo in qualsiasi momento. Jobbit Labs, la divisione di ricerca dell'azienda, lavora sul problema più lento che il paper individua nel suo divario di dati: raccogliere dati su compiti del mondo reale da persone che svolgono un lavoro reale, con consenso, per addestrare e verificare modelli del mondo per l'IA fisica. Jobbit non ha pubblicato dati di sperimentazione sui risultati di questo modello e qui non sostiene di averli; l'affermazione è più limitata: un'architettura fatta di agente più rete di persone è quella che le evidenze sostengono finché la parità di costo resta lontana decenni. Il lato pratico di questa divisione è illustrato in 12 Jobs an AI Agent Can Do for Your Business This Week e Should Your Next Hire Be an AI Agent?, le evidenze sul lavoro freelance in Do AI Agents Replace Freelancers?, e l'azienda stessa in What Is Jobbit?.

Cosa dovrebbe fare un'impresa con queste evidenze

Le evidenze sostengono una regola di delega che una piccola impresa può applicare senza un consulente strategico.

Automatizzare per primo lo strato digitale attorno al lavoro fisico, perché è lì che costo e capacità già si incontrano. I preventivi, le fatture, il sito web, le richieste di recensioni, la ricerca di fornitori e la pianificazione di un idraulico sono il 50% del lavoro esposto ai modelli linguistici; i numeri stessi del paper dicono che l'installazione, la diagnosi in un armadio umido e la conversazione con il proprietario di casa non andranno da nessuna parte. Il margine in un'impresa di mestiere nel prossimo decennio viene dall'impiegare le ore da scrivania risparmiate in più ore in cantiere, non dall'aspettare un robot.

Trattare l'automazione fisica come una decisione di acquisto su un compito, non come una decisione sulla forza lavoro rispetto a un mestiere. Il modello di costo del paper è il modello da seguire: mettere a confronto l'intero costo annuo del robot con il lavoro su quel singolo compito, nel proprio livello di ambiente, e aspettarsi la parità solo in condizioni E1 e E2, imballaggio ripetitivo, movimentazione, saldatura e selezione, per anni a venire. Per quasi tutto ciò che si fa a casa di un cliente, la parità non è in calendario.

Assumere e formare per il nucleo non esposto. Il 24% dei compiti fisici che i robot non sanno svolgere e il 25% che le persone non vogliono che svolgano sono la parte durevole di un mestiere: destrezza, giudizio negli spazi non strutturati e relazione umana. Il divario di 206,000 lavoratori del CITB entro il 2030 dice che il mercato pagherà per questo.

Guardare il passaggio di consegne, non il titolo. La domanda utile per ogni lavoro è dove la macchina debba fermarsi e la persona debba iniziare, e quella linea si sposta compito per compito. Un'impresa che la mette per iscritto, chi rivede il lavoro dell'agente, chi approva il lavoro in cantiere, chi risponde al cliente, ottiene i vantaggi senza i fallimenti.

Infine, leggere i segnali precoci nel posto giusto. Il paper suggerisce di monitorare le professioni esposte, conducenti e addetti all'imballaggio in magazzino, per i primi segni di sconvolgimento fisico, e i dati sulle buste paga dicono che lo sconvolgimento digitale è già visibile nelle assunzioni di neolaureati. Pianificare ora per il secondo e più avanti per il primo.

Limiti e questioni aperte

Lo studio è americano, valutato da un modello e statico. Le valutazioni di esposizione e di costo provengono da Claude che legge descrizioni di compiti e prove trovate sul web sui robot, verificate rispetto alla storia ma non rispetto a prove sul campo; un gruppo di esperti umani potrebbe valutare la destrezza in modo diverso. Le stime di costo omettono gli attriti dell'adozione, come i limiti di indebitamento, e gli scenari tralasciano gli effetti di retroazione, compresa la possibilità che il calo dei salari nelle professioni esposte rallenti ulteriormente l'adozione. Il paper non esamina come l'IA potrebbe cambiare il lavoro fisico senza robot, ad esempio attraverso la manutenzione predittiva, e non modella il Regno Unito, dove costi energetici, regolamentazione e struttura dei mestieri sono diversi.

Anche le evidenze digitali hanno i loro limiti. I dati sulle buste paga mostrano l'occupazione relativa dei giovani nelle professioni esposte, non la causalità, e gli autori di Stanford descrivono i propri risultati come coerenti con "no widespread displacement so far" (nessuna sostituzione diffusa finora); l'analisi della disoccupazione di Anthropic e l'analisi delle assunzioni di Stanford possono avere entrambe ragione su margini diversi. I dati d'uso di un solo assistente non sono l'economia. E il mercato degli umanoidi si muove abbastanza in fretta perché qualsiasi prezzo citato qui sia un'istantanea dell'inizio di ottobre 2026.

Le questioni aperte sono quelle che decideranno il prossimo decennio: se la manipolazione di uso generale migliori più velocemente del 2% l'anno una volta che i robot imparano dal lavoro reale anziché da dimostrazioni ingegnerizzate; se i pavimenti della regolamentazione e delle preferenze si spostino; e, come dicono gli autori, come cambi il lavoro stesso, "perhaps becoming more social and interpersonal as robots and AI advance" (diventando forse più sociale e interpersonale con il progredire di robot e IA).

Conclusione

I robot ruberanno i lavori manuali? Non nel modo suggerito dal 47% e non secondo un calendario attorno al quale un artigiano al lavoro debba pianificare. Lo studio di Anthropic mostra che i robot sanno già fare la maggior parte dei compiti fisici e non possono permettersi quasi nessuno di essi; che l'economia si chiude al ritmo di pochi punti percentuali l'anno; e che perfino un mondo di progressi robotici da record lascia metà del lavoro fisico in mani umane oltre il 2050. Lo sconvolgimento misurabile oggi riguarda il lavoro digitale, dove l'esposizione è massima, il costo è minimo e i primi neolaureati mancano già dalle buste paga. Per un mestiere britannico o una piccola impresa, le evidenze indicano un'unica strategia: automatizzare la scrivania, proteggere le mani ed essere deliberati su dove l'una passa il testimone all'altra. È in quel passaggio di consegne che lavora Jobbit, e il paper è l'affermazione più chiara finora del perché il divario in cui è costruita resterà per molto tempo.

Domande frequenti

I robot sostituiranno i lavoratori manuali?

Non per decenni, secondo lo studio di Anthropic del settembre 2026. I robot sanno già svolgere circa il 74% dei compiti fisici negli Stati Uniti ma costano meno di un lavoratore solo per lo 0.3% di essi, e con il calo storico del 3% annuo dei prezzi dei robot servirebbero circa 40 anni per raggiungere la parità di costo sul 10% del lavoro. Perfino uno scenario aggressivo colloca oltre il 2050 la metà del lavoro fisico.

Quali lavori sono più esposti ai robot?

I conducenti di veicoli e gli addetti all'imballaggio in magazzino. I tassisti sono in cima all'indice di esposizione con 2.2 su 3, nove delle dieci professioni più esposte sono di conducenti, e gli addetti all'imballaggio e al confezionamento sono il caso più chiaro in cui un robot costa già leggermente meno di una persona. Infermieri, meccanici e la maggior parte dei mestieri qualificati si trovano all'estremo opposto perché il loro lavoro richiede destrezza, giudizio negli spazi non strutturati o contatto umano.

L'IA sta togliendo i lavori impiegatizi più in fretta di quanto i robot tolgano quelli fisici?

Le prime evidenze dicono di sì, a livello di ingresso nel mondo del lavoro. L'analisi di Stanford dei dati sulle buste paga di oltre 25 milioni di lavoratori rileva un'occupazione dei 22-25enni nelle professioni più esposte all'IA inferiore di circa il 19% rispetto ai coetanei meno esposti, senza alcun cambiamento equivalente per i lavoratori esperti, mentre gli economisti di Anthropic non rilevano alcun aumento sistematico della disoccupazione per i lavoratori esposti nel complesso. Automatizzare i compiti digitali non costa quasi nulla una volta che esiste un modello; i compiti fisici richiedono un hardware ancora costoso.

Cosa dovrebbe fare un artigiano riguardo all'automazione?

Automatizzare il lato d'ufficio dell'attività, che è dove l'IA è già economica e capace, e investire nelle competenze che i robot non sanno eguagliare: destrezza, diagnosi negli spazi non strutturati e relazione con il cliente. Il solo settore edile del Regno Unito ha bisogno di più di 206,000 lavoratori in più entro il 2030 secondo il CITB, quindi la parte umana del mestiere è in carenza, non in eccesso.

Qual è il divario per cui è costruito Jobbit?

Il passaggio di consegne tra il lavoro digitale automatizzato e il lavoro fisico umano. L'agente IA di Jobbit svolge la ricerca, i documenti, i siti web e le pratiche amministrative che, secondo le evidenze, sono economici da automatizzare, e passa il lavoro che richiede mani, un sopralluogo o una responsabilità a un professionista selezionato su pro.jobbit.uk, con il pagamento trattenuto in escrow. Jobbit Labs lavora sui dati di compiti del mondo reale che lo studio individua come l'ingrediente mancante per l'IA fisica.