L'anno scorso, il 32 per cento dei rispondenti dichiarava a McKinsey di aspettarsi che l'AI riducesse la forza lavoro della propria organizzazione. Quest'anno, alla domanda su cosa sia effettivamente accaduto, il 14 per cento dei rispondenti di organizzazioni che usano l'AI ha riferito che l'AI ha contribuito a una diminuzione della dimensione della forza lavoro — "meno della metà del 32 per cento che, nel sondaggio dell'anno scorso, si aspettava riduzioni di personale nello stesso periodo" (McKinsey, 2026). Due terzi hanno riferito variazioni scarse o nulle dell'occupazione totale attribuibili all'AI.
È la prima volta che questo sondaggio è in grado di valutare la propria previsione sulla forza lavoro AI contro un esito realizzato. La previsione ha sbagliato di circa un fattore due.
Poi il panel l'ha alzata. Il trentanove per cento si aspetta ora cali occupazionali legati all'AI nell'anno a venire, in crescita dal 32 per cento dell'anno scorso. Lo stimatore che ha sovrastimato di 2x è stato rivisto al rialzo, non al ribasso, e un gran numero di piani operativi 2027 vi si appoggia silenziosamente.
Cosa ha misurato davvero il sondaggio
L'edizione 2026 di The State of AI ha intervistato 1.719 partecipanti in 97 nazioni, con rilevazione dal 4 maggio all'8 giugno 2026. Il trentasei per cento lavora in organizzazioni con oltre 1 miliardo di dollari di ricavi annui, il che significa che circa due terzi si collocano sotto quella soglia — insolitamente rilevante per un lettore del mid-market, anche se il panel resta più grande di un'operazione da 200 FTE.
Il contesto conta perché l'adozione non è la variabile che ha fallito. L'ottantanove per cento usa l'AI regolarmente in almeno una funzione aziendale. Il quarantaquattro per cento dichiara che sta scalando a livello enterprise, in crescita dal 38 per cento. L'ottanta per cento riporta una produttività individuale migliorata (McKinsey, 2026).
Quindi la sequenza non è "l'AI non è arrivata, perciò il personale non è calato". L'AI è arrivata, la produttività è stata riportata, e il personale non è calato comunque. Nel frattempo la quota che attribuisce all'uso dell'AI almeno un qualche impatto sull'EBIT è rimasta piatta anno su anno al 37 per cento, e la popolazione dei veri high performer si è mantenuta intorno al 6 per cento di tutti i rispondenti.
La diffusione si è mossa. La riduzione realizzata della forza lavoro non l'ha seguita.
I dati realizzati concordano con il 14 per cento
Un sondaggio che valuta se stesso è interessante. Due dataset indipendenti che puntano nella stessa direzione sono un input di pianificazione.
Il National Bureau of Economic Research ha intervistato quasi 750 dirigenti d'azienda attraverso il panel di The CFO Survey e ha trovato "poche evidenze di cali occupazionali aggregati a breve termine dovuti all'AI, sebbene le aziende più grandi anticipino riduzioni di forza lavoro guidate dall'AI, mentre le imprese più piccole si aspettano guadagni modesti" (NBER, 2026). L'effetto aggregato è vicino allo zero, e la dispersione è il risultato: le grandi imprese si aspettano che l'AI tagli la loro occupazione di circa lo 0,8 per cento nel 2026, mentre le imprese più piccole prevedono piccoli aumenti. Ciò che si muove è la composizione — ruoli impiegatizi di routine in calo, domanda relativa di ruoli tecnici qualificati in aumento, dentro le imprese e tra le imprese.
I dati sui licenziamenti annunciati concordano da un terzo angolo. Fino a settembre 2026, i datori di lavoro statunitensi hanno annunciato 573.195 tagli di posti di lavoro, in calo del 39 per cento rispetto ai 946.426 annunciati nei primi nove mesi del 2025 — il totale gennaio-settembre più basso dal 2022. L'AI è stata citata in 120.136 annunci da inizio anno, circa il 21 per cento di tutti i tagli, cosa che la rende effettivamente la prima motivazione dichiarata dell'anno (Challenger, Gray & Christmas, 2026).
Leggete quei due numeri insieme, perché il secondo è quello che viene citato da solo. L'AI guida la tabella delle motivazioni all'interno di un totale che si restringe. A settembre in particolare, l'AI è stata la quinta motivazione più citata, con 3.961 tagli, circa il 9 per cento del mese. I tagli del terzo trimestre sono scesi del 43 per cento rispetto al secondo.
Una quota crescente di un denominatore in calo non è un'onda. È uno spostamento di composizione dentro un mercato che si raffredda.
Perché la previsione sulla forza lavoro AI sbaglia in una sola direzione
Un errore di previsione che sovrastima sistematicamente è di solito strutturale, non casuale. Predictions 2026: The Future of Work di Forrester nomina il meccanismo: tagli fatti contro capacità AI che ancora non esistono. Il cinquantacinque per cento dei datori di lavoro dichiara di rimpiangere i licenziamenti fatti per l'AI, e Forrester prevede che metà dei licenziamenti attribuiti all'AI sarà riassunta silenziosamente — in offshore o a salari materialmente più bassi (HR Executive, 2026).
Notate l'asimmetria in quest'ultima clausola. Il ribaltamento non compare come correzione nel piano di nessuno. Compare come spesa offshore, voci di consulenza e costo di ri-reclutamento, nessuna delle quali si riconcilia con il risparmio di personale originario. La previsione resta non falsificata nel registro interno anche quando ha già fallito.
Due ulteriori dettagli dalla stessa ricerca acuiscono il costo. La quota di dipendenti disingaggiati che Forrester chiama "coasters" era al 27 per cento nel 2024, al 25 per cento nel 2025, e si prevede raggiunga il 28 per cento nel 2026 — una cifra che si muove quando i sopravvissuti osservano tagli prematuri. E solo il 16 per cento dei lavoratori ha ottenuto un punteggio alto nella misura di prontezza all'AI di Forrester nel 2025, con la prontezza più alta concentrata nella coorte i cui ruoli entry-level vengono eliminati per primi.
L'errore di pianificazione, detto chiaramente
L'errore non è l'ottimismo sull'AI. È contabilizzare la riduzione di forza lavoro attesa come baseline realizzata, un anno in anticipo, e poi costruirci sopra il blocco dei rimpiazzi.
La variazione attesa è una previsione con un tasso di errore annuale ormai documentato. La variazione realizzata è una misurazione. Solo una delle due appartiene a un piano che impegna denaro reale.
L'obiezione onesta
Tre limiti, dichiarati prima che li dichiari qualcun altro.
Sono dati di sondaggio auto-riportati, non buste paga. Nessuno ha verificato i libri paga di queste organizzazioni. L'attribuzione, a livello di rispondente, di una variazione di personale specificamente all'AI è un giudizio, e l'attribuzione è esattamente il punto in cui l'auto-riporto è più debole. La stessa cautela vale per le cifre NBER, che sono aspettative dei dirigenti e non esiti realizzati di payroll.
Il panel non è identico anno su anno. McKinsey dichiara di aver verificato i rispondenti che hanno completato sia la rilevazione 2025 sia quella 2026 e che i risultati riflettevano il campione complessivo, ma un panel che cambia è un limite reale alla lettura del 32 per cento e del 14 per cento come le stesse persone che si contraddicono.
L'aspettativa potrebbe essere semplicemente prematura, non sbagliata. La capacità segue l'annuncio, e il dispiegamento segue la capacità. Una previsione di riduzione per il 2025 che si materializza nel 2027 era mal temporizzata, non errata — e i dati NBER sulla composizione, con la quota impiegatizia di routine attesa in ulteriore calo entro il 2028, sono coerenti con una versione più lenta e più selettiva della stessa direzione. L'affermazione difendibile riguarda la confidenza sui tempi, non la direzione.
Ciò che sopravvive a tutti e tre è più stretto e comunque azionabile: la distribuzione degli esiti realizzati è fortemente concentrata su "variazione scarsa o nulla", e un piano che tratta la coda come caso base è mal prezzato.
Cosa ribasare prima che chiuda il piano Q4
Quattro mosse, nessuna delle quali richiede di ribaltare una posizione strategica sull'AI.
1. Separare l'atteso dal realizzato nel documento di piano. Se il vostro modello di headcount 2027 contiene una voce giustificata da una riduzione guidata dall'AI, segnate se si appoggia su una variazione misurata nella vostra organizzazione o su una variazione attesa. Se è aspettativa, etichettatela come previsione che porta con sé il tasso di errore qui sopra. È una modifica da quindici minuti che cambia il modo in cui quel numero viene messo in discussione.
2. Ri-sottoscrivere il business case AI sul throughput, non sugli FTE. Tempo di ciclo, ricavo per dipendente, tasso di errore, costo per transazione. Il risultato NBER sulla produttività punta nella stessa direzione: i guadagni si sono manifestati come produttività totale dei fattori basata sui ricavi, legata a canali di innovazione e domanda, non come approfondimento di capitale che sostituisce lavoro. Se il caso chiude solo sulla riduzione di personale, il caso non ha chiuso.
3. Subordinare ogni taglio attribuito all'AI a una capacità dimostrata, non promessa. Il test è un workflow nominato che gira a qualità target con un tasso di errore misurato su un periodo definito — non una roadmap di fornitore. Questo singolo cancello è ciò che separa il 14 per cento dal 55 per cento che se ne pente.
4. Pianificare per la squadra che avrete ancora. È la mossa che manca nella maggior parte dei piani 2027. Se due terzi delle organizzazioni hanno visto variazioni di personale legate all'AI scarse o nulle, il caso base è che il vostro organico attuale sia più o meno il vostro organico 2027, con la composizione che si sposta sotto la superficie. Questo rende il vincolo stringente una questione di capacità piuttosto che di costo: quali competenze siedono in quali posizioni, dove la successione è sottile, e quale capacità impiegatizia di routine può essere riallocata nella domanda tecnica qualificata che i dati NBER dicono in aumento. Un blocco dei rimpiazzi deciso senza quella mappa non è un risparmio; è una perdita di capacità non misurata. La misurazione di competenze e successione è la strumentazione che rende difendibile quella decisione — posizione nella matrice 9-box calcolata da dati per singola competenza anziché dal ricordo del manager, e prontezza alla successione valutata per ogni posizione critica. Il modulo performance e successione di Scovai documenta come è strutturata quella mappatura, se volete un riferimento concreto.
La parte scomoda di questi dati non è che l'AI abbia sottoperformato sul personale. È che un'organizzazione può condurre un programma AI di successo — 89 per cento di adozione, 80 per cento che riporta guadagni di produttività — e avere comunque lo stesso numero di persone alla fine, che fanno un lavoro significativamente diverso.
È un problema di sviluppo della forza lavoro travestito da previsione sulla forza lavoro AI.
Prima che chiuda il piano Q4, trovate la voce di headcount che assume che l'AI restringerà la squadra, e ponetele una domanda: lo stiamo misurando, o ce lo stiamo ancora aspettando? Se la risposta è "aspettando", il tasso di errore 2x è ormai agli atti — e l'onere della prova si è spostato sulla previsione.
