Il database di Lightcast copre oltre 2,5 miliardi di annunci di lavoro, 400 milioni di profili professionali e più di cento fonti governative in oltre 150 Paesi (Lightcast, 2025). Quasi ogni dashboard di benchmarking retributivo, ogni schermata di talent intelligence e ogni vista "chi altro sta assumendo per questo ruolo" che il tuo team apre è costruita su quello strato di dati sugli annunci di lavoro raccolti dal web.
Un nuovo working paper NBER ha confrontato gli annunci Burning Glass, praticamente universali, con la rilevazione rappresentativa Job Openings and Labor Turnover Survey e ha rilevato che gli annunci della singola unità locale media vanno moltiplicati per 6,2 per allinearsi alle posizioni aperte effettive — e che le misure di concentrazione basate sugli annunci sovrastimano di quasi tre volte quanto pochi siano i datori di lavoro in competizione per un dato lavoratore (Dalton, Kahn e Mueller, NBER, 2026).
Due conclusioni, non una. Il livello e la ciclicità della domanda di competenze sopravvivono intatti alla correzione. La lettura sul numero di datori di lavoro no. E la ragione per cui non sopravvive è che le aziende assenti dai dati hanno la dimensione della tua.
Quanto vale davvero un annuncio
Il disegno della ricerca conta, perché è la prima volta che qualcuno ha entrambi i lati del registro. Michael Dalton (BLS), Lisa Kahn e Andreas Mueller hanno collegato gli annunci Burning Glass a JOLTS a livello di unità locale — le stesse unità, gli stessi mesi — il che permette di misurare lo scarto tra ciò che viene pubblicato online e le posizioni aperte che esistono realmente.
Scompongono quello scarto in tre componenti moltiplicative:
- Il margine estensivo — se un'unità con una posizione aperta la pubblichi online o no. È qui che si è concentrato quasi tutto il miglioramento storico e, alla fine del periodo, resta intorno a 3.
- Il margine intensivo — quante posizioni aperte rappresenta un singolo annuncio. Stabile a circa 2 lungo tutto il periodo.
- Una quota di disturbo — annunci che non corrispondono ad alcuna posizione aperta in JOLTS. Stabile intorno a 0,6, il che significa che circa il 40 per cento degli annunci proviene da unità-mese senza alcuna posizione aperta corrispondente nella rilevazione.
Nel periodo 2011-2019, la finestra che copre la maggior parte della ricerca pubblicata su questi dati, il fattore di aggiustamento aggregato è in media 6,2. Era circa 10 nel 2011 ed è sceso a circa 4 nel 2019. Gli annunci online sono diventati più rappresentativi nel tempo — gli autori lo dicono esplicitamente — ma non sono mai diventati un censimento.
Il risultato strutturale è quello da tenere a mente: Burning Glass rappresenta bene la distribuzione delle posizioni aperte e male la distribuzione dei datori che assumono. I grandi datori pubblicano la maggior parte delle posizioni e sono ben coperti. La maggior parte dei datori di lavoro, però, è di piccola e media dimensione, e non lo è.
L'unica lettura che i dati sugli annunci di lavoro sbagliano gravemente
La concentrazione del mercato del lavoro si misura con l'indice di Herfindahl-Hirschman — la somma dei quadrati delle quote dei datori in un mercato occupazionale locale, dove 10.000 indica un datore unico e valori più bassi indicano maggiore competizione per lo stesso lavoratore. Azar, Marinescu, Steinbaum e Taska hanno usato Burning Glass per mostrare che i mercati del lavoro locali statunitensi appaiono sorprendentemente concentrati, con l'indice tipico sopra 2.500 (Azar et al., Labour Economics, 2020) — un lavoro che ha spostato il dibattito accademico e antitrust verso il potere di mercato dei datori.
Applicando il fattore di aggiustamento, il quadro cambia di oltre la metà (Dalton, Kahn e Mueller, NBER, 2026):
| Concentrazione di mercato, 2011-19 | Misurata dagli annunci | Corretta per rappresentatività |
|---|---|---|
| HHI medio (mercati pesati allo stesso modo) | 6.289 | 2.327 |
| HHI mediano (mercati pesati allo stesso modo) | 5.927 | 1.937 |
| Quota di mercati "altamente concentrati" | 80% | 38% |
| HHI medio (pesato per occupazione) | 2.666 | 1.133 |
| Quota "altamente concentrati" (pesata per occupazione) | 35% | 13% |
Si tratta di riduzioni rispettivamente del 63 e del 57 per cento. Le soglie sono quelle standard delle Horizontal Merger Guidelines DOJ/FTC del 2010, dove sopra 2.500 è altamente concentrato e 1.500-2.500 moderatamente concentrato (DOJ e FTC, 2010).
La pendenza è il modo più pulito di dirlo: un aumento di un'unità della concentrazione misurata dagli annunci corrisponde a un aumento di solo circa un terzo di unità una volta corretta la composizione. L'HHI eleva al quadrato le quote di mercato, e questo lo rende acutamente sensibile alla lunga coda di datori piccoli e medi — esattamente la coda che non pubblica online. Il risultato tiene anche escludendo le unità sotto i 10 dipendenti, pesando i mercati per occupazione e mantenendo costante la dimensione di mercato per quartile.
Un Head of Operations che legge "siamo uno dei pochi datori che assumono per questo ruolo in questa area metropolitana" su una dashboard derivata dagli annunci sta leggendo un numero circa tre volte troppo concentrato.
Le aziende che mancano sono quelle da 50 a 250 dipendenti
Il gradiente dimensionale è la parte che dovrebbe toccare da vicino, perché non è monotòno nella direzione che quasi tutti assumono.
Il fattore di aggiustamento per dimensione dell'unità locale è: circa 6,0 per 2-9 dipendenti, 6,3 per 10-49, 7,7 per 50-249, 6,0 per 250-999 e 4,2 per 1.000-4.999, scendendo a circa 3,6 per le unità più grandi (Dalton, Kahn e Mueller, NBER, 2026). La fascia media richiede un fattore di scala circa doppio rispetto a quello delle più grandi. Le unità peggio rappresentate in tutta la distribuzione dimensionale non sono le più piccole. Sono quelle tra i 50 e i 250 dipendenti.
La ragione è meccanica più che misteriosa. Le unità più piccole pubblicano online meno spesso, ma una quota rilevante degli annunci che producono non corrisponde ad alcuna posizione aperta JOLTS, quindi i due errori si compensano in parte. Le unità di media dimensione non hanno alcuna compensazione del genere.
Altri due gradienti sono ancora più ripidi e aggravano il problema:
- Retribuzioni. Il quintile di unità che paga meno ha un fattore di aggiustamento di 17,5; quello che paga più, 2,4. Un divario di circa sei volte.
- Urbanizzazione. Le aree non-core richiedono un fattore di circa 15,9 contro 4,4 per le grandi aree metropolitane centrali — un gradiente di 3,5 volte che resiste al controllo per livello di competenze locali e salute economica del territorio.
Se sei un datore da 150 FTE, che paga in linea col mercato e non al top del mercato, fuori da una grande area metropolitana, ti trovi all'intersezione di tutti e tre. Sei quasi invisibile nel dataset su cui sono costruiti i benchmark retributivi dei tuoi concorrenti — e lo sono anche i datori a cui stai effettivamente perdendo candidati.
Cosa sopravvive, e perché conta anche questo
Non è un paper che invalida i dati sugli annunci, e leggerlo in quel modo sarebbe un errore a sua volta.
Poiché le grandi unità generano la maggior parte delle posizioni aperte e sono ben rappresentate, il livello e la ciclicità della domanda di competenze tengono dopo la riponderazione (Dalton, Kahn e Mueller, NBER, 2026). I requisiti di competenze misurati scendono in modo modesto, non sostanziale. Gli autori replicano anche il risultato di Hershbein e Kahn secondo cui i requisiti di competenze legati all'automazione sono aumentati dopo la Grande Recessione, e tiene dopo l'aggiustamento nonostante sia ancorato al 2007, quando la rappresentatività cambiava più rapidamente.
Anche le classifiche sopravvivono. In un confronto rank-rank tra mercati, la pendenza tra i percentili di concentrazione basata sugli annunci e quella corretta è 0,9 — e 1,0 quando i mercati sono pesati per occupazione. I dati sugli annunci ti dicono in modo affidabile quali mercati sono più concentrati di altri. Ti dicono in modo non affidabile quanto concentrato sia ciascuno di essi.
Questa distinzione è l'intero carico operativo. Tendenza e ordinamento: utilizzabili. Livello: no, senza correzione.
I limiti, detti onestamente
Quattro, detti chiaramente.
È un working paper. I working paper NBER circolano prima della revisione tra pari, e gli autori lo dichiarano in copertina. Il risultato sull'HHI è robusto a tutti i controlli che hanno eseguito, ma non è ancora passato per una rivista.
La finestra è 2011-2019. La rappresentatività stava ancora migliorando in quel periodo, e il fattore di aggiustamento era sceso a circa 4 nel 2019. Nessuno ha misurato quanto sia oggi. Gli annunci remoti post-2020, le offerte di lavoro scritte dall'AI e il consolidamento degli aggregatori l'hanno plausibilmente spostato — in direzioni ignote.
Unità locale non è impresa. L'analisi è a livello di unità locale. Se la tua domanda competitiva riguarda datori multi-sito, la corrispondenza con la tua situazione è più debole di quanto il titolo suggerisca.
La maggior parte dei lavoratori non è mai stata in mercati altamente concentrati. Pesando per occupazione, la concentrazione è sostanzialmente più bassa già prima dell'aggiustamento, coerentemente con i risultati precedenti sul potere di mercato nel lavoro. La sovrastima di tre volte è reale; ciò che veniva sovrastimato era più piccolo di quanto le statistiche non pesate implicassero.
Vale anche la pena nominarlo: lo scarto tra annunci e posizioni aperte da rilevazione è grande in entrambe le direzioni — molte posizioni aperte senza annunci, molti annunci senza posizioni aperte. Gli autori lo attribuiscono a errore di misura e a divari definitori concentrati nelle piccole imprese, non a un segnale pulito con una distorsione nota.
Cosa cambiare prima che si chiuda la prossima banda retributiva
Quattro mosse, nessuna delle quali richiede l'acquisto di un prodotto dati diverso.
- Degrada ogni lettura su "numero di datori" e "concentrazione" a puramente direzionale. Se una dashboard ti dice quanti datori competono per un ruolo, tratta il livello come inutilizzabile e l'ordinamento come utilizzabile. Confronta questa area metropolitana con quella; non prezzare sull'assoluto.
- Smetti di lasciare che le letture sulla concentrazione giustifichino una banda più bassa. "Non ci sono molti altri datori per questo ruolo qui" è la conclusione gonfiata, ed è quella che più probabilmente sta silenziosamente finanziando un'offerta sotto mercato — e una controfferta persa che registrerai come problema di qualità dei candidati.
- Ricostruisci il tuo vero insieme di concorrenti dalla realtà locale. Le destinazioni dai colloqui di uscita, le ragioni dei rifiuti d'offerta e le aziende citate nelle storie dei tuoi candidati faranno emergere datori di media dimensione che nessun feed raccolto dal web contiene.
- Continua a usare i dati sugli annunci di lavoro per ciò che misurano. Quali competenze compaiono nei requisiti, e con quanta rapidità — questo è il risultato che l'aggiustamento ha lasciato in piedi. Punta lo strumento sulla domanda di competenze, non sulla struttura del mercato.
La disciplina di fondo è sapere quale parte di un numero regge il peso e quale parte è un artefatto di come è stato raccolto. È la stessa ragione per cui il modello di scoring di Scovai separa la metà calcolata aritmeticamente dai requisiti dichiarati del ruolo — copertura delle competenze pesata per criticità, coerenza di seniority, realismo retributivo — dalla metà restituita come giudizio del modello, esplicitamente etichettato, invece di pubblicare un'unica cifra mescolata. Un numero che non puoi scomporre è un numero che non puoi verificare.
Apri l'ultima banda retributiva che hai approvato. Trova la frase che la giustificava con quanto pochi fossero gli altri datori che assumevano per quel ruolo. Quella frase sta portando un peso tre volte superiore a quello che i dati dietro di essa possono sostenere.
