Il 27 agosto 2026 il Bureau of Labor Statistics ha pubblicato la sua prima classificazione dell'esposizione all'AI: quattro categorie — bassa, moderata, alta, molto alta — assegnate a tutte le 831 professioni di dettaglio incluse nelle proiezioni occupazionali 2025–35. Sulla stessa pagina il BLS precisa che la classificazione "non è una previsione di crescita o calo dell'occupazione", "non è una stima della probabilità di adozione dell'AI" e "non è una stima di sostituzione dei lavoratori" (U.S. Bureau of Labor Statistics, 2026).
Nel giro di pochi giorni la stampa di settore l'aveva convertita in elenchi di lavori a rischio e lavori sicuri.
È esattamente la lettura che l'ente esclude — per iscritto, sulla stessa pagina da cui quegli elenchi sono stati costruiti. E conta più di una precisazione pedante, perché la tabella BLS sull'esposizione all'AI sta per entrare nei piani di organico 2027 del mid-market come l'input più autorevole della presentazione. Un'agenzia statistica federale, tutte le professioni, quattro livelli netti. Verrà trattata come una lista di tagli. Non può reggere quella decisione.
Che cosa dice davvero la classificazione BLS sull'esposizione all'AI
La classificazione è un ranking relativo, prodotto da un algoritmo di clustering su cinque misure esterne di esposizione. Il BLS è esplicito sui limiti: le categorie sono "relative alle altre professioni", non "implicano un livello assoluto di esposizione 'alto' o 'basso'" e "non distinguono tra impatti dell'AI da automazione e da augmentation" (U.S. Bureau of Labor Statistics, 2026).
Soffermati sull'ultimo punto. Automazione e augmentation sono la stessa categoria in questa tabella. "Esposizione molto alta" è compatibile tanto con la scomparsa del lavoro quanto con lo stesso lavoratore che produce il triplo, con uno step di revisione attaccato. La tabella non dice quale dei due — e la direzione è l'intero contenuto di una decisione sugli organici.
Le proiezioni circostanti sono il contesto da cui il ranking viene di solito estratto. Il BLS proietta un'economia statunitense che aggiunge 5,9 milioni di posti di lavoro tra il 2025 e il 2035, con l'occupazione che sale da 170,3 a 176,2 milioni: una crescita del 3,5 per cento, che l'agenzia osserva essere "più lenta della crescita del 10,9 per cento registrata nel decennio 2015–25" (U.S. Bureau of Labor Statistics, 2026). Crescita più lenta, non contrazione. Gli aggiustamenti legati all'AI si concentrano nelle professioni informatiche e matematiche, in arte e media, nell'amministrazione aziendale e nei servizi legali.
Il dettaglio costruttivo che fissa il tetto
I cinque input sono tre misure teoriche di esposizione e due dataset di utilizzo osservato — il lato osservato ricavato dai dati d'uso di Claude di Anthropic e dai dati di Copilot di Microsoft. Il BLS prende il rango percentile mediano all'interno di ciascuna dimensione, poi applica il clustering. Su 4.155 combinazioni professione-fonte possibili, 3.944 sono state osservate e 211 imputate, con effetto su 75 professioni (U.S. Bureau of Labor Statistics, 2026).
Poi la riga che dovrebbe governare fin dove lasci viaggiare questa tabella: "Le fonti teoriche concettualizzano le capacità dell'AI come quelle disponibili non oltre la metà del 2023."
Tre input su cinque descrivono una generazione di modelli precedente a ogni prodotto agentico che il tuo team abbia messo in pilota. Il BLS nota inoltre che tutte e cinque le fonti trattano le professioni come insiemi di compiti indipendenti e "non considerano colli di bottiglia, complementarità o altre caratteristiche non indipendenti delle professioni".
Non è un difetto del lavoro del BLS — è una proprietà dichiarata della letteratura disponibile, e dichiararla è precisamente il compito di un'agenzia statistica. È un difetto dell'uso. Un piano di organico a dieci anni costruito su questo ranking incorpora un'istantanea di capacità vecchia di tre anni, e lo fa dentro l'unico documento che il tuo CFO non penserà di mettere in discussione.
Che cosa la classifica mappa davvero: il carico di verifica
Ecco la lettura difendibile, ed è l'inverso di quella popolare.
Se una professione finisce nel cluster ad alta esposizione, ciò che le cinque fonti sottostanti rilevano collettivamente è che una quota ampia dei suoi compiti è del tipo che i modelli attuali proveranno a svolgere. Se il modello abbia ragione è una domanda separata che il punteggio di esposizione non tocca — perché, come nota il BLS, gli input trattano i compiti come indipendenti e ignorano le complementarità.
Quindi l'alta esposizione predice un alto volume di bozze. Il volume di bozze crea domanda di revisione. E la domanda di revisione è dove il costo si colloca davvero.
McKinsey QuantumBlack ha quantificato esattamente questo per i flussi bancari: i costi dei token pesano per il 20-25 per cento del costo variabile di esercizio di un agente AI, mentre la supervisione umana da parte di esperti funzionali e di rischio pesa per il 70-75 per cento (McKinsey QuantumBlack, 2026). La voce costosa è la revisione, e chi revisiona deve avere autorevolezza sufficiente per bocciare l'output.
Lo studio di MIT Technology Review Insights e Microsoft su 300 dirigenti e professionisti tecnologici, che ha classificato 101 compiti agentici su una scala di fiducia 0–100, punta nella stessa direzione: la fiducia seguiva la verificabilità del compito e la completezza del contesto di business, non la capacità del modello, e il 59 per cento pianifica già una supervisione umana permanente (MIT Technology Review Insights, 2026).
Letta con questa lente, la tabella BLS diventa davvero utile. Le tue professioni a esposizione molto alta e alta sono quelle in cui si concentrerà l'output generato dall'AI, quindi quelle in cui si concentreranno le ore di verifica, quindi quelle in cui servono persone con sufficiente autorevolezza di dominio per rifiutare output sbagliati. Tagliare lì per primi significa rimuovere i revisori proprio dalle funzioni che avranno più cose da revisionare.
Perché comunque un job title non può reggere la decisione
C'è un secondo problema, indipendente dal tetto della metà 2023, ed è strutturale: l'esposizione è misurata per professione, mentre l'adozione avviene per persona.
Bick, Blandin, Deming e Schumacher, collegando un'indagine rappresentativa a livello nazionale ai compiti dettagliati di O*NET, trovano che le misure di esposizione alla genAI spiegano solo circa metà della varianza nell'adozione tra i lavoratori: individui che fanno lavori simili adottano in modo sistematicamente diverso (NBER Working Paper 35677, 2026). Trovano anche un'adozione ampia ma superficiale: almeno un lavoratore su cinque usa la genAI nell'80 per cento delle professioni e nel 40 per cento dei compiti, mentre nella maggior parte dei casi l'adozione resta sotto il 50 per cento.
Metà della varianza sta dentro il job title, non tra job title. Il che significa che un piano che assegna variazioni di capacità per codice professionale è, nella migliore delle ipotesi, informato a metà — e la metà che gli sfugge è quella su cui potresti davvero agire, perché l'adozione individuale risponde ad abilitazione, strumenti e disegno del ruolo.
Usa le categorie BLS di esposizione all'AI come va usata una statistica nazionale: come un'ipotesi a priori su dove andare a guardare. Poi guarda dentro la tua azienda, contro il tuo inventario dei compiti. Due professioni della stessa categoria, nel tuo edificio, non si comporteranno allo stesso modo, e il residuo non è rumore — è la parte del problema su cui hai leva.
La controparte onesta: resta il miglior riferimento pubblico
Voglio essere equilibrata su ciò che il BLS ha fatto, perché "non usarla come lista di tagli" non è "non usarla".
È la prima classificazione a coprire ogni professione proiettata con un metodo coerente, combina evidenza teorica e di utilizzo osservato invece di scegliere un campo, e documenta i propri limiti con più franchezza di gran parte della ricerca dei vendor. Per fare benchmark del tuo mix di forza lavoro rispetto alla distribuzione nazionale, per decidere quali funzioni ricevono per prime un budget di abilitazione, per argomentare un caso davanti a un board che vuole una fonte citabile — è il miglior strumento pubblico disponibile, e nel mid-market nessuno ne produrrà uno migliore internamente.
Il problema non è la tabella. È la compressione: quattro livelli, una colonna, un'etichetta di categoria che si legge come un verdetto. Quella formattazione invita a una conclusione sugli organici che il metodo sottostante non può sostenere, e il BLS l'ha detto preventivamente sulla stessa pagina. La disciplina richiesta è minima: porta i caveat insieme al numero, ogni volta che compare in una slide.
Che cosa decidere questo trimestre
Quattro cambiamenti nel modo in cui il ranking BLS di esposizione all'AI entra nel tuo ciclo di pianificazione 2027.
- Rinomina la colonna. Ovunque la categoria di esposizione compaia in un documento di pianificazione, l'intestazione è "carico di revisione atteso", non "rischio". Stessi dati, verbo corretto. L'etichetta fa quasi tutto il lavoro nel determinare come una tabella viene letta.
- Affianca a ogni punteggio di esposizione una misura interna di adozione. L'esposizione spiega circa metà della varianza; i tuoi dati d'uso spiegano il resto. Se non puoi misurare l'adozione per singolo lavoratore, quella strumentazione è il prerequisito del piano, non un suo output.
- Proteggi la profondità di revisione nelle funzioni a esposizione più alta. Sono quelle che genereranno più output automatico e che richiedono più giudizio senior per verificarlo. Modella le ore di revisione prima di modellare i risparmi.
- Metti una data sull'assunzione di capacità. Scrivi "gli input teorici riflettono capacità AI non successive alla metà del 2023" direttamente sotto la tabella. Fa invecchiare l'affermazione davanti a chi la legge — l'unica difesa contro un'istantanea del 2026 che governa silenziosamente una proiezione al 2035.
Il BLS ti ha dato una mappa di dove il lavoro cambierà. Ha detto, cinque volte distinte e con parole sue, che non ti ha dato una mappa di dove vanno i lavoratori.
Se un numero di organico 2027 nel tuo piano risale a un'etichetta di esposizione molto alta, non hai preso una decisione sulla forza lavoro. Hai citato una classifica che escludeva l'uso che ne hai appena fatto — e l'agenzia che l'ha pubblicata non sarà quella a difendere quel numero quando si rivelerà sbagliato.
