Il potenziale economico dell'AI generativa — McKinsey Global Institute

Chi è: McKinsey Global Institute (MGI), il think-tank di ricerca economica di McKinsey & Company. Pubblica da decenni report su trasformazioni economiche globali. Nessun singolo autore — credibilità derivante dall'istituzione, non dall'individuo. Metodologia: interviste, modellazione econometrica, survey.

I numeri principali

Il titolo del report parla chiaro: "The Next Productivity Frontier." McKinsey stima che l'AI generativa possa aggiungere tra 2.6 e 4.4 trilioni di dollari all'anno all'economia globale in termini di valore economico diretto. Per dare un'idea della grandezza: l'estremo alto della forchetta è comparabile all'intero PIL del Regno Unito o della Germania — le due economie più grandi d'Europa.

Questi numeri non includono l'impatto dell'AI tradizionale (non generativa) già in uso. Se si considera il potenziale totale dell'automazione abilitata dall'AI su tutto il lavoro esistente, la stima sale tra i 6.1 e i 7.9 trilioni di dollari l'anno, con un'accelerazione del 15-40% rispetto alle stime precedenti al 2023.

Il 75% del valore totale dell'AI generativa si concentra in quattro macroaree funzionali: customer operations (assistenza clienti, help desk, after-sales), marketing e sales (generazione di contenuti, personalizzazione, copywriting), software engineering (generazione di codice, debugging, documentazione), e R&D (scoperta di molecole, analisi di letteratura scientifica, ottimizzazione di esperimenti). Queste quattro aree non sono casuali: sono quelle in cui la natura del lavoro è principalmente linguistica, documentale, o iterativa — esattamente dove gli LLM eccellono.

La distribuzione non è uniforme per settore. I settori più impattati in termini di quota di lavoro automatizzabile sono banche e assicurazioni, farmaceutico, high-tech, e media. Manifattura e costruzioni sono relativamente meno esposte perché gran parte del valore è in attività fisiche, non cognitive.

La novità rispetto alle automazioni precedenti

Il report McKinsey non è il primo sull'automazione. La stessa MGI ha pubblicato studi sull'impatto dei robot e dell'AI narrow negli anni precedenti. La differenza strutturale che emerge dal 2023 è qualitativa, non solo quantitativa.

Storicamente, l'automazione ha colpito il lavoro fisico ripetitivo: catene di montaggio, data entry, scanning di documenti. Questi job sono stati automatizzati progressivamente nell'arco di decenni, con transizioni graduali. Il lavoratore del settore manifatturiero che perdeva il posto a causa di un robot aveva tipicamente un percorso di reskilling verso un lavoro di supervisione, manutenzione, o servizi.

L'AI generativa colpisce invece il lavoro cognitivo: avvocati che redigono contratti, analisti finanziari che producono report, medici che scrivono referti, programmatori che scrivono codice, marketer che creano contenuti, consulenti che fanno ricerche. Queste sono le professioni che nel modello economico del XX secolo erano considerate "sicure" perché richiedevano anni di formazione e giudizio umano. Ora sono le più direttamente nel mirino.

McKinsey stima che il 60-70% delle attività lavorative esistenti abbia un potenziale di automazione con le tecnologie odierne — non nel senso che queste professioni spariscano, ma che una quota significativa delle attività quotidiane di queste professioni può essere eseguita o assistita da AI. Il che significa meno persone per fare lo stesso lavoro, o le stesse persone che fanno molto più lavoro.

Le professioni più impattate

Il report analizza il lavoro non per professione in blocco, ma per tipo di attività. Questa è la scelta metodologica più utile: non tutte le attività di un avvocato sono automatizzabili, e non tutte le attività di un magazziniere sono al sicuro.

Le categorie di attività con il massimo potenziale di automazione generativa:

• Raccolta e processamento di dati (70%+ automatizzabile): data entry, compilazione di report, aggregazione di informazioni da fonti multiple.
• Customer interaction di base (60-70%): risposta a FAQ, gestione di reclami standard, routing di richieste.
• Generazione di testo standard (50-65%): prime bozze di contratti, email, descrizioni di prodotto, comunicati stampa.
• Coding di livello medio (45-65%): scrittura di funzioni, debugging di errori noti, conversione tra linguaggi.
• Analisi di documenti (50%): review di contratti, analisi di bilanci, summarizzazione di ricerche.

Le attività con minor potenziale di automazione immediata sono quelle che richiedono empatia fisica (cura di persone anziane, fisioterapia), creatività radicalmente originale, giudizio in situazioni di altissima ambiguità, o lavoro manuale non ripetitivo (idraulica, elettricità, carpenteria su misura).

Attenzione alla distinzione cruciale: "impatto" in questo contesto non significa automaticamente "eliminazione del job." Significa spesso augmentation — la stessa persona che prima gestiva 10 casi al giorno può gestirne 40 con assistenza AI. Il che crea pressione sia sui lavoratori (devono imparare a usare gli strumenti) sia sulle organizzazioni (meno persone servono per lo stesso output).

Le transizioni occupazionali

McKinsey stima che entro il 2030 potrebbero essere necessarie circa 12 milioni di transizioni occupazionali negli Stati Uniti — persone che cambiano non solo datore di lavoro, ma categoria professionale, settore, o tipo di competenze richieste. A livello globale, la cifra è molto più grande.

Il precedente storico evocato dal report è la transizione agricoltura-industria del periodo 1900-1950. Allora, nel corso di cinquant'anni, milioni di lavoratori agricoli si spostarono verso le fabbriche. La transizione fu traumatica per le generazioni che la vissero, ma alla fine generò livelli di prosperità senza precedenti. L'AI porta una trasformazione simile per scala, ma con una differenza cruciale: la velocità. Quello che allora richiese cinquant'anni potrebbe richiedere dieci.

La domanda che il report pone ma non risponde in modo definitivo è: chi fa la transizione? I nuovi lavori — specialisti AI, analisti di dati avanzati, ingegneri di prompt — non vanno automaticamente alle stesse persone che perdono i lavori automatizzati. C'è un gap di competenze, geografico, anagrafico, che nessuna politica di reskilling ha ancora dimostrato di saper colmare a quella scala.

I limiti del report

Leggere un report McKinsey richiede consapevolezza del punto di vista. MGI serve un ecosistema di clienti corporate e istituzionali che hanno interesse a capire il business value dell'AI, non la sua sociologia o geopolitica. Il report è eccellente su quello che misura; è silenzioso su molto altro.

Quello che non considera:

• Distribuzione geopolitica del valore: chi cattura quei 4.4 trilioni? USA e Cina quasi certamente. Europa forse una quota. Sud globale probabilmente meno.
• Disuguaglianza interna: i lavoratori che non riescono a fare la transizione dove finiscono? Il report tratta la transizione come un problema tecnico di reskilling, non come una crisi sociale potenziale.
• Costi energetici: addestrare e fare inferenza con modelli grandi consuma enormi quantità di elettricità. L'analisi costi-benefici esclude questa voce.
• Effetti di secondo ordine: se il lavoro cognitivo si automatizza, cosa succede ai mercati immobiliari delle città tech? Alle università che formano professionisti per lavori che non esistono più? Agli ecosistemi di freelance e consulenti?
• Concentrazione di mercato: se poche aziende (OpenAI, Google, Anthropic) controllano i modelli foundation, come si distribuisce il valore creato?

Nessuno di questi punti invalida il report. Lo contestualizza.

Come usare questi numeri

I numeri McKinsey — $2.6-4.4 trilioni, 60-70% di automazione, 12 milioni di transizioni — vengono usati quotidianamente in presentazioni corporate, pitch di startup, briefing per board of directors. Hanno una funzione importante: comunicano la scala della trasformazione in atto. Nessun numero preciso è credibile a questo livello di aggregazione; l'ordine di grandezza sì.

Il valore più duraturo del report non è però nelle stime aggregate. È nel framework analitico: la distinzione tra tipi di attività (non professioni) come unità di analisi, la separazione tra automazione e augmentation, la mappatura di quali caratteristiche del lavoro lo rendono più o meno sostituibile.

Se sei un manager che deve decidere dove investire in AI nella tua organizzazione, la domanda utile non è "il mio settore è tra i più impattati?" ma "quali delle attività specifiche del mio team sono di tipo data-processing, text-generation, o customer-interaction standard?" Quelle sono le candidate per automazione o assistenza AI oggi. Le altre — giudizio complesso, relazioni, creatività originale, expertise contestuale — rimangono umane per ora.

---