I ricercatori di Ramp Economics Lab e Revelio Labs hanno collegato la spesa aziendale in AI effettivamente osservata — transazioni reali su carta e pagamenti fornitori, non risposte a questionari — ai dati sulla forza lavoro di 21.559 aziende statunitensi. Le aziende nella fascia di investimento in AI più alta hanno aumentato l'organico totale del 10,2% nei due anni successivi all'adozione, e l'organico entry-level del 12%. Le aziende nella fascia a bassa intensità non hanno registrato alcuna variazione statisticamente significativa (Ramp Economics Lab, 2026).
Non un guadagno più contenuto. Zero.
È questo il contrasto che merita attenzione, e non è quello che hanno ripreso i titoli dei giornali. Il risultato interessante non è che adozione dell'AI e assunzioni entry-level possano muoversi insieme. È che l'adozione in sé non ha spiegato nulla. È stata l'intensità a fare tutto il lavoro.
Lo Studio Ha Misurato la Spesa, Non le Percezioni
Quasi tutto ciò che un Head of Operations legge sull'adozione dell'AI è auto-dichiarato. Qualcuno intervista i dirigenti, i dirigenti descrivono la propria maturità, e la curva che ne risulta riflette la fiducia tanto quanto l'implementazione. Il problema di misurazione è ormai ben documentato — probabilmente l'avete visto nella vostra azienda, con i leader che valutano la capacità AI ben al di sopra di ciò che i dati di deployment sostengono.
Il disegno di Ramp–Revelio aggira il problema. La spesa in AI è presa dai registri delle carte aziendali e dei pagamenti fornitori di Ramp — denaro che ha effettivamente lasciato l'azienda — e collegata ai dati sulla forza lavoro di Revelio Labs per le stesse imprese. Le aziende sono poi state classificate come adottanti ad alta o bassa intensità in base alla spesa in AI per dipendente nei primi tre mesi dopo l'adozione, e la loro occupazione è stata tracciata in avanti (Revelio Labs, 2026).
Questa costruzione conta per il peso che il risultato può reggere. A nessuno nel campione è stato chiesto quanto trasformativo sembrasse il proprio programma AI. La variabile indipendente è un record contabile.
È, per quanto sostengono gli autori, il primo studio a collegare la spesa in AI a livello di singola impresa ai dati occupazionali su questa scala (Ramp Economics Lab, 2026). Per chi guida le operations, è la differenza tra un dato su cui si può pianificare e uno che si può solo citare.
L'Intensità È la Variabile, e Si Comporta Come una Soglia
Mettete le due fasce a confronto e la forma del risultato è insolita.
Adottanti ad alta intensità: +10,2% di organico totale in due anni, +12% entry-level, con guadagni che emergono gradualmente e si distribuiscono ampiamente tra le funzioni — ingegneria, vendite, amministrazione e customer service (Ramp Economics Lab, 2026). Adottanti a bassa intensità: nulla di statisticamente distinguibile dalla non adozione.
Se l'investimento in AI producesse ritorni più o meno proporzionali alla spesa, ci si aspetterebbe che la fascia bassa mostrasse un piccolo effetto positivo — attenuato, rumoroso, ma presente. Non è così. La relazione non è lineare, e le mezze misure non arrivano a metà strada.
Leggetelo come un vincolo operativo. Un'allocazione modesta distribuita in modo sottile su undici dipartimenti non è una versione ridotta di un programma serio. Su questa evidenza, è una categoria di attività diversa, e non compare affatto nei dati occupazionali.
Questo dovrebbe riformulare il modo in cui si conduce la discussione sul budget. La postura di default del mid-market — un po' di AI in ogni funzione, così nessuno si sente escluso e nessuna singola scommessa può mettere in imbarazzo qualcuno — è esattamente il profilo che descrive la fascia a bassa intensità. È un portafoglio costruito per minimizzare il rimpianto, e non restituisce nulla di misurabile.
Il Dato Entry-Level Va Contro il Canarino
La cifra del 12% cade nel mezzo di un dibattito aperto, e vale la pena essere precisi su cosa risolve e cosa no.
Lo Stanford Digital Economy Lab, lavorando con i dati sui salari di ADP, ha documentato un calo relativo di circa il 13% nell'occupazione dei lavoratori a inizio carriera nelle professioni più esposte all'AI — il risultato dei "canarini nella miniera" che ha plasmato gran parte della narrativa entry-level del 2025–2026 (Stanford Digital Economy Lab, 2025).
Entrambi i risultati possono valere simultaneamente, perché non misurano lo stesso oggetto. Stanford traccia le professioni: all'interno delle categorie professionali esposte all'AI, i giovani lavoratori hanno perso terreno. Ramp traccia le imprese: all'interno delle aziende che investono pesantemente in AI, l'organico entry-level è cresciuto. Alcuni ruoli si stanno contraendo nell'economia mentre alcune aziende assumono più giovani di prima. L'esposizione professionale aggregata e l'intensità di investimento a livello di impresa sono assi diversi, e chi opera si trova sul secondo.
Ed è questa la lettura praticamente utile. Non controllate se il mix di attività del vostro settore è esposto all'AI. Controllate la concentrazione degli investimenti della vostra azienda — ed è quella la variabile che, secondo i dati a livello di impresa, si è mossa.
La tentazione è scegliere lo studio che conferma il piano che avete già. Resistete. La sintesi onesta è più stretta e più utile: l'esposizione determina la pressione su un ruolo, l'intensità dell'investimento sembra determinare se la vostra organizzazione cresce dentro quella pressione o si contrae sotto di essa.
La Contro-Argomentazione: Potrebbe Essere Selezione
L'obiezione più forte al risultato di Ramp viene dallo studio stesso, e merita di essere dichiarata apertamente anziché sepolta.
Gli autori sono espliciti: chi adotta l'AI non è un campione casuale. Sono già aziende più grandi, più orientate all'ingegneria, con maggiore probabilità di finanziamento venture, e in crescita più rapida rispetto ai non adottanti. I guadagni settoriali si concentrano nell'Information (Ramp Economics Lab, 2026).
È un problema reale per la lettura causale ingenua. Le società software in rapida crescita e ben capitalizzate spendono molto in AI e assumono molto, e il fattore comune potrebbe semplicemente essere che stanno vincendo. Sotto questa interpretazione, l'alta spesa in AI è un sintomo dell'espansione più che una causa — e un'azienda di servizi industriali da 220 persone che compra più licenze non erediterebbe il 12%.
Due cose mantengono utile il risultato anche dopo questo sconto. Primo, lo studio traccia i cambiamenti all'interno delle aziende prima e dopo l'adozione, non un confronto grezzo tra adottanti e non adottanti — la crescita arriva dopo la spesa, su una curva graduale. Secondo, e più decisivo per i vostri scopi: il risultato nullo nella fascia a bassa intensità non è spiegato dalla selezione. Anche quelle aziende hanno scelto di adottare. Avevano budget, sponsorship e intenzione. Hanno speso meno per dipendente, e hanno ottenuto uno zero statisticamente indistinguibile.
Quindi trattate il 12% come direzionale e legato al contesto. Trattate lo zero come la lezione trasferibile.
Cosa Separa Plausibilmente un 12% da uno Zero
Qui l'evidenza si assottiglia, e voglio essere chiara su dove finiscono i dati.
Lo studio di Ramp misura intensità di spesa ed esiti occupazionali. Non identifica il meccanismo — non può dirvi cosa hanno fatto con quel denaro le aziende ad alta intensità che le aziende a bassa intensità non hanno fatto. Chi sostiene il contrario sta interpretando oltre il dato.
La migliore evidenza disponibile sul meccanismo viene da altrove. Lo State of AI 2025 di McKinsey ha rilevato che, mentre una larga maggioranza di organizzazioni dichiara di usare l'AI, solo una minoranza riporta un impatto significativo sull'EBIT a livello aziendale — e che la pratica più associata alle organizzazioni che vedono ritorni è la riprogettazione radicale dei flussi di lavoro attorno alla tecnologia, anziché il deployment sopra i processi esistenti (McKinsey, 2025). È una correlazione da un'indagine auto-dichiarata, non una stima causale, e va pesata di conseguenza.
Mettendo insieme le due cose con la dovuta cautela, emerge una storia plausibile: una spesa elevata e sostenuta per dipendente è l'aspetto che la riprogettazione dei flussi di lavoro assume in contabilità. Ridisegnare il modo in cui il lavoro attraversa una funzione costa sforzo di integrazione, lavoro sui dati e tempo di processo — e si presenta come una fattura ampia e concentrata. Comprare licenze e lasciare il flusso di lavoro intatto costa poco, ed è esattamente per questo che produce una firma a bassa intensità e un risultato nullo.
Lo terrei come ipotesi di lavoro, non come conclusione. Ciò che è misurato è questo: la concentrazione della spesa predice la crescita occupazionale, la dispersione non predice nulla.
Tre Mosse Prima del Prossimo Ciclo di Budget
Misurate l'intensità, non l'adozione
La maggior parte del reporting AI nel mid-market conta licenze, utenti attivi e dipartimenti coinvolti. Nessuna di queste è la variabile che si è mossa in questo studio. Calcolate la spesa AI per dipendente, e calcolatela per funzione anziché a livello aziendale — una media complessiva nasconde se state gestendo un programma serio o nove cosmetici. Di solito scoprirete che il totale sembra rispettabile mentre ogni singola funzione sta nella fascia a bassa intensità.
Concentrate anziché distribuire
Se la dispersione non restituisce nulla, l'implicazione per l'allocazione è scomoda ma chiara: lo stesso budget concentrato in una o due funzioni è una scommessa materialmente diversa dallo stesso budget distribuito su nove. Scegliete le funzioni in cui il processo circostante può essere davvero ricostruito — dove possedete il flusso di lavoro end-to-end e potete cambiare come il lavoro viene instradato, non solo come viene redatto. Finanziatele adeguatamente e affamate il resto deliberatamente.
Sarà politicamente più difficile di quanto suggerisca il foglio di calcolo. Ogni responsabile di funzione ha ora una voce di budget AI, e ritirarne una viene letta come un giudizio su quella funzione. Portate l'argomento sull'evidenza: un pilota finanziato a metà non è una vittoria più piccola, è uno zero con una voce di budget attaccata.
Legate esplicitamente il caso AI a un caso di assunzione
L'inquadramento riflessivo — investimento in AI come evitamento di organico — non è ciò che hanno prodotto le aziende ad alta intensità in questo dataset. Sono cresciute, anche a livello entry-level (Ramp Economics Lab, 2026). Se questo si generalizzi al vostro settore resta genuinamente aperto, data la concentrazione nel settore Information. Ma vale la pena nominare l'assunto nel vostro business case, perché "questo sostituisce tre assunzioni" e "questo ci permette di assorbire più lavoro con il team che stiamo costruendo" producono scelte di implementazione, investimenti formativi e politiche interne diverse fin dal primo giorno.
Una Decisione
Estraete la spesa AI degli ultimi quattro trimestri e dividetela per funzione e per organico. Poi fate una domanda: c'è una sola funzione in questa azienda che sia davvero nella fascia ad alta intensità, o abbiamo distribuito un budget serio in nove programmi non seri?
Se è la seconda — e per la maggior parte degli operatori mid-market lo sarà — la soluzione non è più denaro. Sono meno scommesse.
Le aziende in questo dataset che hanno fatto crescere l'organico, assunzioni entry-level incluse, non erano quelle che hanno adottato l'AI per prime o con più entusiasmo. Erano quelle che hanno concentrato. Le aziende che non hanno ottenuto nulla non erano quelle rimaste fuori — erano quelle che hanno distribuito troppo sottile.
