Tra novembre 2022 e settembre 2025, il tasso di ricollocazione del segmento più stabilmente attaccato al mercato del lavoro statunitense è sceso di 13 punti percentuali. Per il segmento ad alta rotazione, quello che normalmente assorbe gli shock ciclici, è sceso di 2 (Federal Reserve Bank of Richmond, 2026). Quel divario non ha precedenti nei dati esaminati dagli autori: né nella Grande Recessione, né in alcuna fase espansiva. E i cali più netti dal 2023 si concentrano nel quartile occupazionale più esposto all'AI: programmatori, analisti finanziari, ingegneri.
Se il vostro piano di organico 2026 presume che la parte fragile sia la pipeline entry-level e che la vostra panchina di esperti sia sostituibile a prezzo di mercato, il piano poggia su una premessa invertita.
Il crollo entry-level è reale. Ma non è lì che si concentra il danno.
L'Economic Brief 26-26, pubblicato il 12 agosto da Katarína Borovičková e Claudia Macaluso, fa una cosa che gran parte del commento sul mercato del lavoro salta: disaggrega. L'aumento recente della disoccupazione, avevano già stabilito le autrici, è quasi interamente una questione di deflussi — le persone non perdono il lavoro a ritmi anomali, non riescono a trovarne uno nuovo. La domanda aperta era quali persone.
Il primo taglio è quello familiare. La Current Population Survey distingue tra chi ha perso il lavoro, chi lo ha lasciato e chi entra nel mercato. La narrativa dominante degli ultimi due anni — che l'AI stia chiudendo il primo gradino della scala professionale — prevede che siano i nuovi entranti a pagare il conto più salato. I dati dicono altro. Il tasso di ricollocazione dei nuovi entranti è calato, ma le autrici descrivono la flessione come modesta rispetto ai cali registrati tra chi ha perso o lasciato il lavoro, e mettono esplicitamente da parte gli entranti per il resto dell'analisi (Richmond Fed, 2026).
È un risultato circoscritto e vale la pena enunciarlo con precisione: non significa che le assunzioni early-career siano in salute. Significa che gli entranti non sono il margine che spiega il crollo aggregato. L'azione è altrove.
Attaccamento, non anzianità: cosa misura davvero il "tipo primario"
Il secondo taglio è quello che dovrebbe cambiare il modo in cui leggete la vostra dashboard di attrition.
Le autrici applicano un framework a tipi latenti tratto da "The Dual U.S. Labor Market Uncovered" di Hie Joo Ahn, Bart Hobijn e Ayşegül Şahin (NBER, 2023), che ordina i lavoratori in base al loro grado di attaccamento al mercato del lavoro anziché a una qualsiasi credenziale osservabile:
- Tipo primario — circa il 55% della popolazione, quasi sempre occupato, stabile e con lunga permanenza
- Tipo secondario — circa il 14%, fortemente attaccato ma disoccupato più spesso
- Tipo terziario — circa il 31%, debolmente attaccato, spesso fuori dalla forza lavoro
In ogni ciclo ordinario è il tipo secondario a farsi carico dell'aggiustamento. Rappresenta la quota maggiore della disoccupazione praticamente in ogni anno della serie, pur essendo la fetta più piccola della popolazione. Le recessioni colpiscono il tipo primario più duramente in termini di tasso — nella Grande Recessione la ricollocazione del tipo primario è scesa di 19 punti da picco a minimo contro i 10 del secondario — ma il rapporto è rimasto entro limiti riconoscibili.
L'episodio attuale ha rotto quel rapporto. Tredici punti contro due. Le persone che quasi mai hanno bisogno di cercare lavoro sono oggi quelle che non riescono a trovarlo.
Una cautela di traduzione: "tipo primario" è una classificazione statistica della stabilità occupazionale, non un sinonimo di anzianità. Correla con il profilo dei vostri analisti, ingegneri e addetti alla finanza di lunga permanenza, ma non li misura direttamente. Trattate il risultato come un forte segnale direzionale su quel livello, non come un coefficiente da applicare a uno specifico headcount.
La divergenza da esposizione all'AI ha una data d'inizio: 2023
Il terzo taglio è quello in cui il meccanismo prende un nome. Seguendo il metodo di Michael Webb, che assegna un punteggio alle occupazioni in base a quanto il loro contenuto di attività si sovrappone alle capacità tecniche descritte nei brevetti sull'AI (Webb, 2019), le autrici ordinano i lavoratori in quartili di esposizione all'AI.
Storicamente i tassi di deflusso tra quei quartili si muovevano insieme al ciclo economico, separati solo da piccole differenze di livello. Dal 2023 hanno divergito, e i lavoratori nelle occupazioni più esposte mostrano i cali maggiori nei tassi di ricollocazione.
La composizione di quel quartile superiore è la parte su cui i responsabili operations del mid-market dovrebbero fermarsi. Tra le occupazioni altamente esposte figurano programmatori, analisti finanziari e ingegneri. Le meno esposte: edilizia, ristorazione, assistenza alla persona. Non è una storia sulla periferia del vostro organigramma. È una storia sui ruoli che reggono i vostri sistemi, la vostra chiusura contabile e il vostro prodotto.
Esiste una letteratura precedente che anticipa questa forma. Il lavoro di Acemoglu e Restrepo sui robot industriali ha rilevato uno spiazzamento concentrato nelle occupazioni esposte, accompagnato da una riallocazione verso il lavoro meno esposto — uno schema in cui il dato aggregato sull'occupazione resta leggibile mentre la composizione sottostante si sposta con forza (Acemoglu e Restrepo, 2020). Ciò che i dati della Richmond Fed aggiungono è che l'episodio attuale si manifesta sul margine dei deflussi anziché su quello delle separazioni. Le imprese non stanno espellendo questi lavoratori a ritmi anomali. Semplicemente non li riassorbono una volta usciti.
Quella distinzione conta sul piano operativo, perché significa che il segnale non comparirà nel vostro tracker dei licenziamenti né negli annunci di organico del vostro settore. Compare solo nel tempo che serve a una persona competente ed esperta per ricollocarsi — una metrica che quasi nessun team operations misura, e che descrive le vostre condizioni di riassunzione tanto quanto quelle altrui.
Le autrici sono caute sulla causalità, e altrettanto dovremmo esserlo noi. Lo schema è coerente con un'automazione che spiazza le occupazioni esposte, e coerente con evidenze sul campo secondo cui l'AI generativa aumenta la produttività a livello di singola attività — in particolare per i lavoratori meno esperti — in modi che potrebbero ridisegnare la composizione delle assunzioni (Brynjolfsson, Li e Raymond, 2025). Se il calo sia guidato dall'AI in modo specifico o da condizioni aggregate che si scaricano sulle stesse occupazioni è l'oggetto esplicito del prossimo brief della serie. La correlazione è documentata; la scomposizione è ancora da fare.
L'obiezione: "Questi sono dati macro. La mia attrition è a posto."
Probabilmente lo è. Ed è proprio questo il problema.
Qui operano due meccaniche, ed entrambe rovesciano la lettura standard.
Un'attrition piatta nel livello senior è un'alternativa esterna debole, non una vittoria di engagement
Se il vostro personale esperto ed esposto all'AI resta, il tasso di base offre ora una seconda spiegazione accanto a quella lusinghiera: non può andarsene. Un calo di 13 punti nella probabilità di ricollocazione per i lavoratori fortemente attaccati significa che il mercato esterno che normalmente valida la vostra retention non sta liquidando. La vostra survey di engagement non distinguerà tra "coinvolto" e "bloccato". Il vostro dato di attrition rimpianta sembrerà ottimo fino al momento in cui i tassi di ricollocazione si riprenderanno, e poi non lo sarà più.
Non è un motivo per diffidare delle vostre persone. È un motivo per smettere di usare l'attrition come prova principale della salute del livello senior, e per leggere invece qualcosa con segnale indipendente: le candidature di mobilità interna, il rischio di uscita segnalato dai manager, o la quota di offerte esterne che le persone dichiarano.
La buonuscita oggi costa più di quanto viene prezzata
Il modello standard di ristrutturazione tratta un ruolo come ri-acquisibile: taglia ora, riassumi a mercato quando le condizioni cambiano. Quel modello prezza la ri-acquisizione sulle dinamiche storiche di ricollocazione, che è esattamente ciò che questo brief dice essersi rotto. Un lavoratore difficile da riassumere all'esterno è, simmetricamente, difficile da ri-acquisire: lo stesso attrito che lo intrappola intrappola anche la vostra capacità di ricostituire quella competenza più avanti, perché il bacino da cui riassumereste è il bacino che non si muove.
Per un ruolo senior esposto all'AI in un'azienda da 200 FTE, la domanda di questo trimestre non è "possiamo operare senza questa posizione". È "se ci servirà questa competenza tra diciotto mesi, che aspetto avrà il mercato allora, e quanto abbiamo pagato per scoprirlo". La ricollocazione interna — spostare la persona su un processo adiacente, una funzione di data governance o un ruolo di supervisione dell'AI — batte la buonuscita su quel calcolo molto più spesso di quanto il foglio di calcolo suggerisca, perché nel foglio di calcolo c'è un costo di ri-acquisizione ormai obsoleto.
Tre decisioni disponibili prima della chiusura del trimestre
- Riprezzate il costo di ri-acquisizione in ogni caso di uscita su ruoli esposti all'AI. Non un cambio filosofico: un numero. Se il vostro modello presume una sostituzione a mercato in 60 giorni per un analista o un ingegnere senior, chiedetevi quale evidenza sostenga quell'assunzione a fronte di un calo di 13 punti nella ricollocazione per quel profilo. Dove non regge, la ricollocazione interna passa davanti alla separazione sul solo costo. Applicatelo ai due o tre ruoli che avete già segnalato per revisione; non vi serve una policy, vi serve un numero corretto sui casi che avete davvero davanti.
- Smettete di leggere un'attrition senior piatta come performance di retention. Aggiungete una domanda alla vostra review trimestrale: qual è la nostra evidenza indipendente che questo livello resti per scelta? Se la risposta è solo "non se ne sono andati", non avete un'evidenza, avete una condizione di mercato.
- Verificate quali ruoli stanno nel quartile esposto prima di pianificare l'organico, non dopo. La classificazione di Webb è pubblica e a livello di occupazione. Mappare il vostro organigramma su di essa richiede un pomeriggio e vi dice quali parti del vostro piano di organico sono esposte a un mercato delle riassunzioni che non funziona normalmente.
Nessuna di queste richiede di prendere posizione sul fatto che sia l'AI a causare la divergenza. Richiedono solo di accettare che la divergenza esista e che sia concentrata nel livello che gran parte dei piani tratta come fungibile.
La finestra è il risultato
La caratteristica scomoda di questi dati è che sono temporanei in un modo che punisce l'attesa. Un tasso di ricollocazione depresso per i lavoratori esposti all'AI vi dà un potere di trattenuta insolito proprio sulle persone più difficili da sostituire — e ve lo dà gratis, in modo invisibile, senza alcuna decisione da parte vostra. E scade. Quando i tassi di deflusso si normalizzeranno, la retention che credevate di aver guadagnato tornerà a essere un mercato, e lo farà più in fretta proprio nel quartile che siete meno pronti a perdere.
La decisione di questo trimestre non è se tagliare. È se i ruoli che state trattando come fungibili siano proprio quelli che il mercato del lavoro ha silenziosamente smesso di fornire — e se preferiate scoprirlo ora, al costo di un pomeriggio di mappatura, o tra diciotto mesi, al costo di una ricerca.
