Nel quinto di occupazioni più esposte all'AI generativa, le assunzioni di titolari di master sono calate di circa il 10% rispetto al quinto meno esposto dopo ChatGPT — e l'intero calo riguarda candidati che avevano già esperienza lavorativa. Per chi entra per la prima volta nel mercato non è cambiato nulla (Cortés, Dellarocas & Wang, SSRN, 2026).
Questa asimmetria è il risultato chiave. Ed è anche la parte che dovrebbe preoccupare chiunque gestisca un funnel di selezione, perché significa che il mercato non ha smesso di credere nei titoli post-laurea. Ha smesso di consultarli esattamente nei ruoli che stai automatizzando, esattamente per i candidati che assumi di più.
Nel frattempo l'offerta ha continuato a crescere. Le università statunitensi hanno conferito circa 949.000 master alla classe 2025, in aumento dagli 815.000 del 2018 — crescita in ogni singolo anno, attraversando l'arrivo dell'AI generativa (Dellarocas, The Credential Crisis, 2026). I datori di lavoro non hanno esaurito i candidati titolati. Hanno iniziato a lasciarli passare.
Che cosa ha misurato davvero lo studio della Boston University
Patricia Cortés, Chrysanthos Dellarocas e Qi Wang hanno analizzato oltre 100 milioni di transizioni lavorative statunitensi tra il 2018 e il 2025, usando dati Revelio Labs che ricostruiscono le storie professionali da profili pubblici. Il disegno conta: osserva chi i datori di lavoro hanno effettivamente assunto, non ciò che i loro annunci dichiaravano di richiedere (Cortés, Dellarocas & Wang, SSRN, 2026).
Le occupazioni sono state classificate con l'indice di esposizione "GPTs are GPTs" — la misura di OpenAI e University of Pennsylvania che assegna a ogni occupazione un punteggio basato sulla quota di mansioni documentate che un assistente AI potrebbe svolgere almeno due volte più velocemente, a parità di qualità (Eloundou et al., 2023). Fondamentale: quel punteggio è stato fissato il giorno in cui la tecnologia è arrivata, prima che i datori di lavoro avessero tempo di reagire.
Il team ha poi confrontato il quintile di esposizione più alto con quello più basso, anno per anno, in posizioni entry-level dove il master è una scelta reale e non un requisito di legge: contabili, analisti di ricerche di mercato, analisti di business intelligence, praticanti legali, redattori.
Per quattro anni prima del 2022 i due gruppi si sono mossi all'unisono. Poi le linee si sono divise — prima lentamente, poi più rapidamente, allargandosi ogni anno.
Tre dettagli affinano notevolmente il quadro.
Il calo è concentrato nei titoli non-STEM, in particolare i master in ambito business — i programmi che certificano sintesi, analisi, previsione e scrittura professionale. Le assunzioni con master STEM non si sono mosse. Le competenze svalutate sono esattamente quelle che un modello linguistico esegue in modo competente.
Il calo è più forte nelle imprese dove i dati del Census confermano che l'AI è realmente adottata. È la cosa più vicina a un test del meccanismo che i dati consentano, e punta nella direzione giusta.
E non può essere una carenza di offerta, perché l'offerta è cresciuta in ogni anno della finestra osservata.
Un titolo, due segnali — e l'AI ha rotto il pacchetto
La divisione tra candidati esperti e neolaureati sembra strana finché non si smette di trattare un titolo come una cosa sola.
Un master trasporta due informazioni distinte. La prima è la certificazione: questa persona sa costruire la previsione, strutturare l'analisi, scrivere il report. La seconda è un segnale di capacità generale: questa persona è entrata in un programma esigente, lo ha retto e lo ha completato — intelligenza, tenacia, capacità di portare a termine. Gli economisti hanno trattato le due come saldate insieme da quando Michael Spence ha formalizzato la teoria del segnale nel mercato del lavoro nel 1973.
L'AI generativa è il piede di porco che le separa. Quando un modello produce una prima bozza competente dell'analisi, la componente di certificazione perde valore — le competenze restano reali, semplicemente non sono più scarse. La componente segnaletica resta intatta.
Ora l'asimmetria si spiega. Nel valutare un ventiquattrenne con un curriculum vuoto, il datore di lavoro non ha quasi nient'altro da leggere, quindi il titolo mantiene tutto il suo peso. Nel valutare un candidato esperto, ha qualcosa di meglio: una storia professionale, un registro di risultati consegnati. Una volta che quell'alternativa esiste, il titolo viene valorizzato soprattutto per la certificazione di competenze che l'AI ha appena scontato — e il suo peso nella decisione cala (Dellarocas, The Credential Crisis, 2026).
Il titolo non è morto. È stato scomposto. E il mercato ha già iniziato a prezzare le componenti separatamente.
La tua scorecard quasi certamente le prezza ancora come una sola.
Perché il tuo funnel di selezione sopravvaluta ancora i titoli post-laurea
È qui che questo smette di essere un interessante risultato di economia del lavoro e diventa un problema operativo.
La maggior parte dei processi di selezione mid-market concede ai titoli post-laurea un vantaggio strutturale in tre punti, tutti invisibili finché non li si va a cercare.
Lo screening. "Master preferenziale" nell'annuncio, o l'euristica del recruiter che lo usa come criterio dirimente in cima al funnel.
La scorecard. Un punto o una fascia esplicita nella valutazione, applicata in modo uniforme indipendentemente dal fatto che il candidato abbia dieci anni di esperienza rilevante scritti poco sopra, sullo stesso curriculum.
L'offerta. Una matrice anzianità-istruzione che paga un premio per il titolo — un premio che, sulla base di queste evidenze, il mercato più ampio sta silenziosamente ritirando proprio nei tuoi ruoli più esposti all'AI.
Ognuna di queste è una piccola scommessa sulla componente di certificazione. In finanza, analytics, marketing operations e reportistica interna — le funzioni mid-market con i punteggi di esposizione più alti — stai pagando prezzo pieno per un segnale il cui contenuto informativo è misurabilmente diminuito.
La versione più netta: per un candidato esperto in un ruolo esposto all'AI, il titolo è ormai in larga parte ridondante rispetto alle informazioni che già possiedi. Hai la sua storia professionale. Il contributo unico residuo del titolo è il segnale di capacità generale, e per quello stai pagando un premio di competenza.
Rimuovere il filtro non equivale a sostituirlo
La mossa ovvia è cancellare il requisito del titolo. Le evidenze dicono che da sola non ottiene quasi nulla.
Il Burning Glass Institute e la Harvard Business School hanno studiato 11.300 ruoli in grandi imprese prima e dopo la rimozione dei requisiti di titolo. Quasi il 40% delle imprese li ha eliminati. Il risultato: circa 97.000 assunzioni skills-based aggiuntive su circa 77 milioni di assunzioni annue — meno di 1 su 700. Quasi tutto il cambiamento reale è arrivato dal solo 37% delle aziende che avevano fatto la modifica sulla carta (Burning Glass Institute & Harvard Business School, 2024).
Rimuovere un filtro non crea una regola decisionale. Crea un vuoto, e il vuoto si riempie con la stessa euristica che continua a operare in modo informale.
Ciò che lo sostituisce deve essere misurato. L'evidenza meta-analitica più solida disponibile colloca i colloqui strutturati a r = .42 nel predire la performance lavorativa, contro r = .19 per quelli non strutturati — il maggiore divario di validità a disposizione di un team di selezione, e non costa nulla se non disciplina (Sackett, Zhang, Berry & Lievens, Journal of Applied Psychology, 2022).
È questa la sostituzione che il risultato della Boston University suggerisce: non una selezione cieca ai titoli, ma una selezione che ridimensiona correttamente il titolo, con una misura di capacità validata a portare il peso che prima portava il diploma.
Dove questo ragionamento potrebbe sbagliare
Non agirei sul decimale. Agirei sulla direzione. Vale la pena essere precisi sulla differenza.
Il paper è un working paper SSRN, non ancora sottoposto a peer review. Il trend pre-intervento è pulito e il disegno è accurato, ma la magnitudine può cambiare in fase di revisione.
Inoltre, esposizione non significa sostituzione. Un punteggio alto significa che le mansioni documentate di un ruolo si sovrappongono a ciò che un modello può fare — non che un modello le abbia fatte. È una misura di fattibilità tecnica, fissata in un preciso momento.
E i dati derivati da profili portano con sé un problema di selezione. Revelio ricostruisce le storie professionali da profili pubblici, e chi ne mantiene uno, e con quanta completezza, non è casuale. Questo potrebbe correlare sia con i titoli sia con l'occupazione in modi che il disegno non riesce ad assorbire del tutto.
Ora la parte che regge comunque. Un premio al titolo che era stabile da quattro anni ha divergito nel momento esatto in cui è arrivato un modello testuale general purpose, nelle occupazioni che quel modello gestisce bene, esattamente per i candidati sui quali i datori di lavoro dispongono già di evidenze migliori. Dimezza l'effetto e la conclusione operativa non cambia.
Che cosa cambia in un'azienda da 50–500 dipendenti
È un cambio di processo, non una spesa. Sta dentro un trimestre e non richiede approvazioni oltre la tua.
Verifica dove il titolo pesa ancora. Prendi le tue posizioni aperte e le scorecard per i ruoli ad alta esposizione all'AI — finanza, analytics, marketing ops, reportistica interna, redazione tecnica. Trova ogni punto in cui un titolo post-laurea guadagna un vantaggio in screening, un punto in scorecard o una fascia retributiva. Molti responsabili operativi non hanno mai messo questi elementi in un unico elenco e restano sorpresi dal loro numero.
Differenzia la regola per stadio di carriera. La ricerca sostiene di mantenere il peso del titolo per chi entra al primo impiego, dove hai poco altro da leggere, e di ridurlo nettamente per le assunzioni di profili esperti, dove possiedi già il segnale migliore. Una regola unica per entrambi gli stadi è ormai dimostrabilmente sbagliata in una delle due direzioni.
Metti uno strumento misurato nel vuoto prima di aprirlo. Un colloquio strutturato con set di domande fisso e scala di valutazione ancorata, oppure una prova di lavoro valutata e costruita sul lavoro reale. Rimuovere il filtro senza questo è l'esito 1-su-700 (Burning Glass Institute & Harvard Business School, 2024).
Una nota sulla versione interna di questo problema
La stessa logica vale verso l'interno. Se i tuoi criteri di promozione o il programma high-potential assegnano punti per un titolo post-laurea, stai applicando un segnale in decadimento a persone di cui possiedi già l'intera storia professionale — la popolazione in cui il suo valore informativo è più basso in assoluto. È il posto più economico dove correggere, e il meno probabile da trovare in una lista di priorità.
Una decisione per questo trimestre
Apri la scorecard del tuo ruolo aperto più esposto all'AI e trova la riga dove un master guadagna i suoi punti. Poi rispondi a una domanda: che cosa mi dice quella riga che non mi dicano gli ultimi tre anni di lavoro di questo candidato?
Se non riesci a rispondere in una frase, non stai selezionando per capacità. Stai pagando un premio per un'informazione che il mercato ha già riprezzato — e i dati della Boston University dicono che lo sconto sui titoli post-laurea nei ruoli esposti all'AI si allarga ogni anno.
Il titolo non ha smesso di significare qualcosa. Ha smesso di significare ciò che dice la tua scorecard.
