Tra il 1980 e il 2016, le aziende statunitensi hanno investito capitale reale per automatizzare i lavoratori che incassavano le rendite più alte — coordinatori, revisori, analisti di medio livello la cui retribuzione era superiore al loro prodotto marginale — e hanno perso dal 60 al 90 percento dei guadagni di produttività che l'automazione avrebbe altrimenti generato. È questo il numero centrale del paper di Daron Acemoglu e Pascual Restrepo sul Quarterly Journal of Economics, Automation and Rent Dissipation: Implications for Wages, Inequality, and Productivity, pubblicato nel numero di maggio 2026 (vol. 141, iss. 2, p. 1521) (Acemoglu & Restrepo, QJE, 2026). Lo stesso paper attribuisce a questa misallocazione il 52 percento dell'aumento della disuguaglianza dei redditi negli Stati Uniti nel periodo, con circa 10 punti percentuali derivanti specificamente dalla sostituzione del premio salariale (Acemoglu & Restrepo, NBER w32536, 2024).
La storia di quattro decenni è finalmente un numero. La domanda per un Head of Operations di un'azienda da 200 FTE nel 2026 è se la roadmap di AI agentica sulla scrivania questo trimestre sia lo stesso errore a risoluzione più alta — e l'evidenza dice che, per default, lo è.
Il meccanismo Acemoglu–Restrepo: dissipazione di rendita, non spiazzamento
La conclusione più nota della letteratura precedente di Acemoglu è che l'automazione ha spiazzato i lavoratori di routine e compresso i salari più bassi. Il paper QJE 2026 è una rivendicazione più affilata e merita di essere letto nei suoi termini. Gli autori estendono il loro modello di task-displacement del 2022 per incorporare le rendite dei lavoratori — il divario tra ciò che un lavoratore viene pagato e il prodotto marginale del suo lavoro — e mostrano che quando le aziende automatizzano, puntano preferibilmente alle task dove le rendite sono più alte, non alle task dove il soffitto di produttività è più alto (Acemoglu & Restrepo, NBER w32536, 2024).
Il meccanismo: un coordinatore che guadagna il 25 percento sopra il proprio prodotto marginale, sembra un risparmio del 25 percento sul foglio Excel non appena arriva il pitch dell'automazione. Un lavoratore in prima linea che svolge un lavoro ad alta leva con un rapporto retribuzione-output più stretto sembra un risparmio minore. Il capitale fluisce verso il risparmio maggiore. Il guadagno di produttività — la differenza tra ciò che l'automazione può fare e ciò che veniva fatto — è inferiore nel primo caso, perché i ruoli che estraggono rendita sono, per definizione, quelli dove la retribuzione sovrastima l'output. Il risultato netto è uno schema di deployment che massimizza il sollievo visibile sul payroll, minimizzando l'effettivo uplift di produttività.
Acemoglu e Restrepo formalizzano questo come dissipazione di rendita: il capitale viene speso per ritirare una retribuzione che non aveva bisogno di essere ridotta per far crescere la produttività, lasciando sul tavolo i guadagni molto più grandi derivanti dall'automatizzare il lavoro dove l'output si muove davvero. Quantificando su 49 settori e 500 gruppi demografici usando dati BEA, ONET e Census dal 1980 al 2016, trovano che dai due terzi ai nove decimi del dividendo di produttività sono stati persi a causa di questa dinamica (Working paper Washington State University, 2024). Sul lato della disuguaglianza, la stessa misallocazione spiega gran parte dello shift della struttura salariale: "i cali salariali per i lavoratori specializzati in task di routine con alta esposizione all'automazione spiegano dal 50 al 70 percento dei cambiamenti nella struttura salariale USA tra il 1980 e il 2016" (WorkRise, 2021) — una cifra che il paper QJE ora scompone in componenti di rendita e di produttività.
La conclusione che gli autori mettono nel paper, non nel comunicato stampa: quando punti l'automazione sulle persone invece che sull'output, puoi catturare disuguaglianza senza catturare produttività. Questo è lo schema empirico dell'automazione USA dal 1980 al 2016.
Perché il rollout di AI agentica del 2026 ripete lo schema
La reazione naturale in una review operativa è che l'automazione industriale 1980–2016 non è l'AI agentica del 2026 — tecnologia diversa, economia unitaria diversa, timeline diverso. L'economia unitaria è diversa. La logica di targeting no.
Entra in qualsiasi review di deployment di agenti nel mid-market questo trimestre e la matematica del ROI è quasi sempre presentata allo stesso modo: il ruolo X costa $Y all'anno; l'agente può fare il 60 percento del lavoro del ruolo X; quindi l'agente risparmia 0,6 × Y. I ruoli nominati in quelle slide non sono scelti in base a dove l'uplift marginale di produttività dell'AI è più grande. Sono scelti in base a dove la linea di payroll è più grande e dove il lavoro è strutturato abbastanza per far sembrare l'agente credibile — il che inclina il targeting verso coordinatori, revisori, analisti senior e responsabili di customer success. Questi sono esattamente i ruoli con premio salariale nel framework di Acemoglu e Restrepo: ruoli dove la retribuzione supera il prodotto marginale a causa di rendite interne all'azienda (asimmetria informativa, giudizi difficili da misurare, potere contrattuale interno).
L'agente viene poi valutato rispetto al risparmio su quella linea di payroll, non rispetto al soffitto di produttività che il deployment avrebbe potuto raggiungere se puntato altrove. Le due domande — cosa fa risparmiare questo agente? e dove produrrebbe questo agente più output? — non sono la stessa domanda, e quasi nessuna review di deployment nel mid-market le separa.
L'Initiative on the Digital Economy del MIT sta sostenendo una versione di questo argomento da due anni: che il dividendo di produttività dell'AI è concentrato nelle task dove l'output attuale dell'umano è limitato dal throughput cognitivo, non nelle task dove la retribuzione attuale dell'umano è alta (MIT IDE, 2024). Le due distribuzioni si sovrappongono, ma non sono la stessa distribuzione. Il paper Acemoglu–Restrepo è la prima evidenza storica con la magnitudine del divario misurata — e il divario è grande.
Il numero 60-90%, letto in due modi
La tassa di produttività del 60-90 percento ha due letture operative, e una funzione operativa da 50–500 FTE dovrebbe tenerle entrambe.
La lettura conservativa è che la penalità del targeting sul premio salariale applicata all'automazione industriale potrebbe non trasferirsi uno-a-uno all'AI agentica, perché il costo marginale di mettere un agente su una task diversa — una volta che l'agente è costruito — è molto più basso del costo marginale di riallocare macchinari industriali. In linea di principio, un agente puntato male può essere ripuntato in uno sprint, mentre una pressa stampante mal allocata è una svalutazione di capitale pluriennale. Questa è la versione più forte della pratica di deployment attuale: il costo di sbagliare il target è recuperabile.
La lettura aggressiva è che la penalità del targeting sul premio salariale è peggiore nel caso agentico, non migliore, perché la politica organizzativa per rimuovere il bias di targeting è più difficile. Quando il C-suite ha ricevuto il pitch del deployment come risparmio sul payroll e il risparmio è già stato registrato nel piano dell'anno prossimo, ridirigere l'agente verso una funzione diversa (con minor payroll, maggiore produttività) non è più una decisione di sprint — richiede di invertire un impegno finanziario, difendere la cornice originale e spiegare perché un ruolo precedentemente nominato non è più il target. Il costo politico del re-targeting è ciò che fa persistere lo schema 1980–2016 per quaranta anni invece di essere corretto al secondo anno.
Entrambe le letture convergono sulla stessa implicazione operativa: la decisione di targeting nel primo trimestre è molto più portante della capacità tecnica dell'agente. Un agente debole correttamente puntato batte un agente forte mal puntato, perché i guadagni dell'agente forte vengono dissipati contro una retribuzione che non aveva bisogno di essere ridotta.
Il contro-argomento: i ruoli con premio salariale sono dove vive il giudizio
La spinta più forte da parte di un Head of Operations è che i ruoli con premio salariale sono esattamente dove avviene il lavoro più ad alta leva — che la ragione per cui coordinatori e analisti senior sono pagati sopra il proprio prodotto marginale è che detengono il contesto istituzionale che permette a un'azienda da 200 FTE di funzionare. Puntare un agente su quei ruoli non è dissipazione di rendita; è il target di automazione più ad alta leva per definizione.
Il contro-argomento è in parte corretto e completamente coerente con il risultato Acemoglu–Restrepo. La ragione per cui esiste il premio salariale in quei ruoli è proprio il carico di giudizio — e il carico di giudizio è anche dove la maggior parte dei sistemi agentici attuali fallisce ancora in modi che il pitch del deployment non segnala. Recenti evidenze randomizzate sull'AI che gestisce task ad alto carico di giudizio mostrano che la confidence nell'output dell'agente è scorrelata dall'accuratezza, in particolare quando l'utente umano non è più l'esperto di dominio (Bojinov et al., HBS working paper, 2024). Quindi il targeting che appare più ad alta leva nella slide del deployment è anche il targeting con maggiore probabilità di produrre regressioni di qualità silenziose che non emergono nel dashboard di produttività fino a due trimestri dopo.
Ciò che il paper QJE aggiunge a questo dibattito è il tasso di base di quattro decenni: quando le aziende puntano al premio salariale, il guadagno di produttività si riduce. La presenza di carico di giudizio in quei ruoli è perché il targeting è tentante — ma lo stesso carico di giudizio è perché l'uplift marginale di produttività è inferiore a quanto suggerisce il risparmio sul payroll. La cornice giusta non è "i ruoli con premio salariale sono target cattivi" ma "il risparmio su un ruolo con premio salariale non è un numero di produttività, e trattarlo come tale è l'errore di quattro decenni."
Le specifiche per il mid-market: cosa cambia per una funzione ops da 200 FTE questo trimestre
Per un Head of Operations che sta definendo i target degli agenti per il 2026, il paper QJE si converte in tre modifiche concrete alla review di deployment. Nessuna richiede un vendor diverso o un agente diverso.
Uno: separa la linea del risparmio sul payroll dalla linea dell'uplift di produttività. Ogni proposta di deployment di un agente dovrebbe valutare due numeri distinti: il sollievo lordo sul payroll che il deployment rende possibile, e l'uplift di produttività misurato (output per unità di tempo-giudizio) che si prevede produca. I due numeri non sono intercambiabili. Quando divergono di più di 2x, il deployment è in territorio di dissipazione di rendita — l'agente viene giustificato dal risparmio, non dal lavoro. Quello è il momento in cui chiedersi se un target diverso produce lo stesso uplift di produttività senza la dipendenza dal premio salariale.
Due: valuta i target rispetto a dove l'output è limitato, non a dove il payroll è concentrato. Una chiusura settimanale che richiede quattro giorni perché le query di riconciliazione richiedono sei ore per ciclo è un collo di bottiglia di produttività. Un analista senior che guadagna $180K è una concentrazione di payroll. Il primo è un target di agente ad alto uplift; il secondo no, anche se il secondo produce un risparmio nominale più grande. Le funzioni ops del mid-market quasi mai eseguono esplicitamente questo esercizio di valutazione; la review di deployment torna alla vista del payroll perché la vista del payroll è quella che il CFO può calcolare in una riunione.
Tre: pre-impegnarsi su un protocollo di re-targeting. Il risultato di Acemoglu e Restrepo riguarda, in parte, la persistenza — la misallocazione è durata quattro decenni perché nessuno l'ha corretta. L'equivalente agentico persiste perché il pitch di deployment originale si solidifica in un impegno finanziario nel giro di un trimestre. La copertura è scrivere il trigger di re-targeting nella proposta di deployment stessa: al mese tre e al mese sei, l'uplift di produttività dell'agente viene misurato rispetto al target originale; se l'uplift misurato è inferiore al 40 percento dell'uplift previsto, l'agente viene ripuntato verso una task diversa prima che il costo politico del re-targeting diventi proibitivo. Questa è l'unica difesa strutturale contro la persistenza che Acemoglu e Restrepo misurano.
Queste tre mosse non sono tecniche; sono mosse di processo di review. Non richiedono di comprare un agente diverso o di assumere una squadra diversa. Richiedono di eseguire la review di deployment in una forma diversa — una che non collassi produttività e payroll nella stessa colonna.
La mossa specifica di questo trimestre
Il paper QJE di Acemoglu–Restrepo è il primo pezzo di lavoro empirico in quarant'anni a mettere un numero sul costo di automatizzare contro la retribuzione invece che contro l'output. Il numero — dal 60 al 90 percento del dividendo di produttività perso, il 52 percento dell'aumento di disuguaglianza attribuibile alla stessa dinamica — è abbastanza grande da capovolgere la matematica del ROI sulla maggior parte dei deployment di agenti nel mid-market attuali, se la matematica è fatta correttamente.
La decisione di fronte a un Head of Operations questo trimestre è ristretta. Prima di approvare il prossimo target di agente, passa la proposta di deployment attraverso un filtro: questo target è scelto perché il lavoro è dove la produttività è limitata, o perché il payroll è dove il risparmio è più visibile? Se la risposta onesta è la seconda, il tasso di base storico dice che il deployment dissiperà da due terzi a nove decimi del guadagno di produttività che avrebbe potuto catturare.
Rivaluta il target. Separa le colonne. Scrivi il trigger di re-targeting. Il costo di farlo nel primo trimestre è una riunione e un template rivisto. Il costo di non farlo è quello che Acemoglu e Restrepo hanno ora messo in un numero duro — e quello su cui sarà scritta la tua review di produttività del 2027.
