I programmatori over 55 oggi escono dal mercato del lavoro a un tasso previsto superiore di oltre il 25% rispetto al periodo pre-ChatGPT. Gli imbianchini — ultimi nello stesso indice di esposizione — si sono mossi di circa il 2% (Sanzenbacher, CRR Issue Brief 26-13, 2026).
Questa è la fuga di esperienza, e va nella direzione opposta rispetto a ogni racconto sull'automazione che ti è stato proposto. Più alta la retribuzione, più alta la competenza, più rapida l'uscita.
La maggior parte dei team Operations del mid-market ha passato diciotto mesi a preoccuparsi della porta d'ingresso junior — se l'AI stia divorando il ruolo dell'analista alle prime armi, se il neoassunto di 22 anni abbia ancora un percorso. È una preoccupazione ben documentata. Ma è solo un'estremità di una pipeline che ora perde da entrambe.
Cosa ha effettivamente misurato lo studio del Boston College
L'Issue Brief di giugno 2026 del Center for Retirement Research del Boston College, firmato dall'economista Geoffrey T. Sanzenbacher, ha incrociato i dati longitudinali della Current Population Survey con l'indice di esposizione all'AI di Tufts Digital Planet, confrontando poi i comportamenti di uscita dal lavoro dei lavoratori dai 55 anni in su prima e dopo la diffusione dell'AI generativa nel novembre 2022 (Center for Retirement Research at Boston College, 2026).
Due scelte metodologiche meritano attenzione.
Primo: lo studio usa transizioni osservate fuori dal lavoro, non intenzioni dichiarate di pensionamento. Le ricerche survey sui lavoratori senior e l'AI catturano l'ansia. Questa cattura la partenza.
Secondo: classifica le occupazioni per esposizione misurata, non per intuizione su quali mestieri "sembrino" automatizzabili (Digital Planet, Tufts University, 2026). Programmatori, contabili e analisti stanno in alto. Gli imbianchini in basso. Il gradiente è il risultato.
Per le occupazioni white-collar più esposte, la probabilità prevista di uscire dal lavoro è salita da circa l'8,7% all'11,1% — un incremento relativo superiore al 25%. All'estremo a bassa esposizione, lo stesso calcolo produce circa il 2%. L'effetto è più marcato nei lavori meglio retribuiti, il che ribalta lo schema seguito dall'automazione negli ultimi quarant'anni.
Il vantaggio di longevità che si è appena invertito
Ecco il numero che dovrebbe riscrivere il tuo piano workforce.
Sull'intero periodo analizzato, i lavoratori senior ad alta esposizione avevano storicamente tassi di uscita inferiori rispetto ai colleghi a bassa esposizione: 11,7% contro 14,1% (Sanzenbacher, CRR Issue Brief 26-13, 2026). Il lavoro qualificato da scrivania era ciò che permetteva alle persone di continuare a lavorare. Il contabile restava; al conciatetti cedeva il fisico.
Quel vantaggio si sta erodendo, e lo studio segnala che una quota significativa del cambiamento è riconducibile alla disoccupazione, non al pensionamento volontario. Non è un'ondata di persone serene che scelgono di uscire in anticipo. È un gruppo la cui carriera era la più duratura che sta diventando meno stabile.
Va letto insieme al quadro di adozione sottostante: solo circa il 18% dei lavoratori tra i 50 e i 64 anni dichiara di usare l'AI generativa. L'esposizione colpisce il segmento meno propenso a usare lo strumento che la genera.
Per chi guida le Operations, quella combinazione — alta esposizione, bassa adozione, uscite involontarie in crescita — è una condizione specifica e affrontabile. Non è una fatalità demografica.
Vale anche la pena essere precisi su cosa significhi "uscita" qui. Una transizione fuori dal lavoro a 58 anni non è lo stesso evento di una transizione a 28. Il lavoratore senior raramente rientra allo stesso livello; l'inquadramento del CRR è che si tratta di carriere interrotte prima del tempo, non messe in pausa (Sanzenbacher, CRR, 2026). Dal tuo lato del tavolo, significa che quella persona non tornerà sul mercato perché tu possa riassumerla tra due trimestri, quando il pilota AI avrà reso meno del previsto. La conoscenza esce dal settore, non solo dal libro paga.
La fuga di esperienza colpisce i ruoli che rimpiazzi più lentamente
Metti il risultato del Boston College accanto alle migliori evidenze sull'altra estremità della distribuzione anagrafica.
Il Digital Economy Lab di Stanford, lavorando su dati di payroll ad alta frequenza relativi a milioni di lavoratori statunitensi, ha rilevato un calo relativo dell'occupazione di circa il 13% per i 22–25enni nelle occupazioni più esposte all'AI dopo l'adozione dell'AI generativa, mentre l'occupazione dei lavoratori più anziani nelle stesse professioni teneva o cresceva (Stanford Digital Economy Lab, 2025).
Letti in modo ingenuo, i due risultati si contraddicono. Non è così. Stanford misura gli organici nell'occupazione; il Boston College misura le transizioni individuali fuori dal lavoro per la coorte 55+. Uno è un segnale di assunzione, l'altro un segnale di uscita — e possono essere veri entrambi. L'occupazione può mantenere l'organico aggregato mentre le persone specifiche all'estremità senior escono più in fretta.
La conseguenza operativa è ciò che conta, ed è scomoda: meno junior che entrano nell'imbuto, uscite senior più rapide, e nel mezzo lo strato più sottile del mid-market. Un'azienda da 20.000 persone assorbe il colpo. Ha una panchina, un programma di rotazione e tre persone che potrebbero plausibilmente coprire qualsiasi ruolo.
A 200 persone, chi sa perché la logica di riconciliazione ha quell'eccezione è una persona sola.
Cosa esce dalla porta insieme a loro
Il costo di un'uscita senior non è la voce di stipendio che smetti di pagare. Sono due cose che non hai mai avuto a bilancio.
La prima è la conoscenza tacita di processo — le ragioni non documentate per cui un sistema è configurato in quel modo. Ogni azienda mid-market poggia su questo strato, ed è invisibile esattamente fino a quando chi lo detiene se ne va. È l'eccezione nella logica di riconoscimento dei ricavi che esiste per via di un contratto del 2019, il fornitore che va chiamato e non scritto, la query che sembra ridondante e non lo è. Niente di tutto ciò sta nel manuale. Quasi niente sta nella testa di più di una persona.
C'è una versione di secondo ordine di questo problema che l'AI rende più acuta, non più lieve. Gli assistenti per documentazione e codice sono bravi a descrivere cosa fa un sistema. Sono deboli nel recuperare il perché sia stato costruito così, perché quel ragionamento non è mai stato scritto da nessuna parte. Lo strumento che aumenta la tua esposizione non chiude il divario che apre.
La seconda è misurabile, ed è quella che la maggior parte dei piani operativi ignora. Lavorare accanto a colleghi più esperti produce guadagni reali di capitale umano per il lavoratore meno esperto — effetti abbastanza grandi da comparire nei salari successivi e coerenti tra gruppi di ricerca indipendenti (Herkenhoff, Lise, Menzio & Phillips, Econometrica, 2024). I tuoi senior non producono soltanto output. Sono un input formativo per chiunque lavori vicino a loro.
Perdi quell'input mentre allo stesso tempo assumi meno junior, e la composizione va nella direzione sbagliata. Non ti manca solo una testa. Hai ridotto la velocità con cui il resto del team migliora.
Dove si concentra l'esposizione
Programmatori, contabili, analisti finanziari e technical writer sono il profilo più colpito — il che, in un'azienda da 50 a 500 dipendenti, significa finance, engineering e la piccola funzione sistemi interni che tiene insieme lo stack. Sono anche, non a caso, i ruoli con il time-to-productivity più lungo per un sostituto.
Dove questa tesi potrebbe sbagliare
Tre avvertenze, dette chiaramente, perché è l'autore stesso a formularle.
Questa è un'analisi preliminare di un'inflessione recente. La finestra post-ChatGPT è breve, e le stime su finestre brevi sono fragili.
Esistono fattori confondenti, nominati nello studio: i tagli alla spesa pubblica in R&S e le dinamiche di assunzione anomale nelle startup AI-native potrebbero entrambi distorcere le stime proprio per le occupazioni ad alta esposizione in esame (Center for Retirement Research at Boston College, 2026). Parte delle uscite misurate potrebbe appartenere a quelle forze anziché alla sostituzione da AI.
E esposizione non equivale a sostituzione. Un punteggio alto in un indice di esposizione significa che i task di un ruolo si sovrappongono alle capacità del modello. Non stabilisce che un modello abbia fatto quel lavoro.
Cosa sopravvive a tutte e tre: la direzione è l'affermazione portante, non il decimale. Un vantaggio di longevità per i lavoratori senior altamente qualificati che ha retto per decenni si sta restringendo, e si restringe più in fretta dove l'esposizione è più alta. Anche una versione sostanzialmente attenuata di quel risultato punta il tuo rischio sullo stesso segmento.
Cosa cambia in un'azienda da 50 a 500 dipendenti
Tre mosse. Nessuna richiede approvazione di budget.
Fai una tabella incrociata esposizione-per-anzianità, una volta. Prendi l'organico, etichetta ogni ruolo come ad alta o bassa esposizione all'AI usando le categorie occupazionali dello studio, e incrocia con età o anzianità. Cerchi un solo numero: quanta parte del lavoro più esposto è in mano a persone nell'ultimo decennio di carriera. La maggior parte dei responsabili Operations non l'ha mai calcolato e resta sorpresa dal risultato.
Converti la prossimità in documentazione prima che diventi urgente. L'effetto di apprendimento tra colleghi è reale ma richiede presenza (Herkenhoff, Lise, Menzio & Phillips, Econometrica, 2024). Dove la tua tabella incrociata segnala una concentrazione, finanzia l'estrazione ora — un runbook documentato, una registrazione guidata, una seconda persona nominata sul processo. Costa poco finché la persona è ancora in azienda ed è impossibile dopo.
Chiudi il divario di adozione proprio in quella coorte. Con circa il 18% di utilizzo di AI generativa tra i 50–64enni, il gruppo che porta l'esposizione maggiore è quello meno fluente con lo strumento che la crea. Un percorso di abilitazione mirato per il personale tecnico senior è quel raro intervento che riduce il rischio di displacement e alza l'output allo stesso tempo — e costa molto meno che sostituirli.
Una decisione da prendere questo trimestre
Guarda il tuo organigramma e individua i ruoli che sono contemporaneamente ad alta esposizione e ricoperti da qualcuno a meno di cinque anni dalla pensione. Poi rispondi onestamente a una domanda: se quella persona desse le dimissioni venerdì, quanto tempo servirebbe perché qualcun altro possa fare il lavoro — non i task, il lavoro?
Se la risposta si misura in trimestri, hai una passività non prezzata, e i dati del Boston College dicono che la probabilità associata è appena salita.
Ogni piano workforce sull'AI scritto quest'anno nel mid-market protegge la porta d'ingresso. Quasi nessuno protegge quella d'uscita. La fuga di esperienza non è un problema di pensionamenti che l'HR gestirà nel 2030 — è un problema di Operations, ed è iniziato nel 2023.
Metti a budget l'uscita che non ti aspetti, della persona che non puoi sostituire.
