The Wrong Kind of AI? — Daron Acemoglu

Chi è: Daron Acemoglu, professore di economia al MIT. Co-autore di "Why Nations Fail" (2012) e "Power and Progress" (2023, con Simon Johnson). Nobel per l'Economia 2024 per i suoi studi su istituzioni e prosperità. È il critico economico più autorevole della narrativa "AI = crescita diffusa." Non è anti-tecnologia: è contro la direzione specifica che l'AI sta prendendo.

La tesi di fondo

Acemoglu non nega che l'AI possa aumentare la produttività. Nega che l'AI attuale — come sta venendo sviluppata — produca prosperità condivisa. Il suo argomento: l'AI sta automatizzando i task sbagliati (quelli che i lavoratori fanno) invece dei task giusti (quelli che aumenterebbero la produttività complementando i lavoratori). Il risultato atteso: aumento della quota di reddito al capitale, riduzione dei salari medi, crescita economica che non raggiunge i lavoratori.

Il punto non è che l'AI sia intrinsecamente nemica del lavoro. È che le scelte di design e deployment attuali privilegiano la sostituzione del lavoro umano rispetto alla sua amplificazione. Quella è una scelta politica ed economica, non una necessità tecnica.

L'automazione come scelta, non come fato

Il punto critico del libro "Power and Progress": l'automazione non è neutrale o inevitabile. È una scelta fatta da chi progetta i sistemi, guidata dagli incentivi fiscali e di mercato esistenti. In USA: il capitale è tassato meno del lavoro, quindi le aziende hanno incentivo a sostituire lavoratori con macchine anche quando non è economicamente efficiente. Il bias dell'AI verso l'automazione del lavoro cognitivo è un'espressione di questo incentivo distorto, non di necessità tecnologica.

Acemoglu e Johnson tracciano una storia lunga: dalla macchina a vapore all'elettricità, le rivoluzioni tecnologiche non hanno automaticamente distribuito i benefici. Ogni volta ci sono volute lotte politiche, sindacali, regolamentari per ridistribuire i guadagni di produttività. L'AI non sarà diversa — ma l'arco temporale è più compresso e la velocità di adozione lascia meno tempo per adattarsi.

I dati storici sull'automazione

Acemoglu e colleghi hanno studiato empiricamente l'impatto dei robot industriali sull'occupazione USA (2020). Risultato: ogni robot aggiunto per 1000 lavoratori ha ridotto il rapporto occupazione/popolazione di 0.2-0.3 punti percentuali e i salari di 0.42%. Non tutti i lavori vanno ai lavoratori di altri settori — una quota va persa. L'effetto netto dipende da quante nuove opportunità crea la nuova tecnologia (task reinstatement). Per l'AI generativa, questo è ancora da determinare.

Lo studio è metodologicamente robusto: usa l'esposizione differenziale delle aree geografiche all'importazione di robot come variabile strumentale. Non è ideologia — è econometria. I detrattori contestano l'estendibilità all'AI cognitiva, ma Acemoglu risponde che il meccanismo sottostante è identico: se una macchina fa quello che faceva un lavoratore, quel lavoratore deve trovare qualcos'altro da fare, e non è garantito che lo trovi a parità di salario.

"La tecnologia giusta per il lavoro giusto"

La sua proposta: policy che orientino l'AI verso il task augmentation (amplificare capacità umane) invece del task displacement (sostituire lavoratori). Esempi di AI che complementa: strumenti diagnostici AI che aiutano medici non specializzati, sistemi di traduzione che permettono di lavorare in più lingue, tool di analisi dati per PMI. Invece di tassare il lavoro e sussidiare il capitale, invertire gli incentivi. Non è anti-mercato: è correzione di distorsioni di mercato esistenti.

Acemoglu cita esempi concreti di AI "giusta": sistemi di supporto decisionale per infermieri che aumentano la qualità delle cure senza eliminare posti. Strumenti di drafting legale che permettono a uno studio piccolo di competere con uno grande. Questi usi esistono — ma vengono finanziati meno perché offrono ritorni inferiori rispetto all'automazione completa.

Il confronto con McKinsey e WEF

Acemoglu critica le previsioni ottimistiche (McKinsey: +$4T/anno, WEF: 78M posti netti). Non perché i numeri siano sbagliati nei modelli — ma perché i modelli assumono che i lavoratori spostati trovino rapidamente nuovi impieghi in settori non automatizzati. Empiricamente, questo non è sempre accaduto nelle precedenti ondate di automazione. Le transizioni occupazionali richiedono anni e lasciano cicatrici permanenti su chi non riesce a riqualificarsi.

Il punto metodologico: i modelli di equilibrio generale assumono per costruzione che i mercati si aggiustino. Ma se l'aggiustamento richiede 15 anni e la rivoluzione AI dura 10, una generazione di lavoratori viene sacrificata nei modelli che predicono ottimismo nel lungo periodo.

Cosa gli si obietta

I tecno-ottimisti (Andreessen, Altman) rispondono: ogni rivoluzione tecnologica ha prodotto paura di disoccupazione e ogni volta ha creato più lavoro di quello che ha distrutto. Acemoglu risponde: l'argomento storico vale per rivoluzioni che espandevano il numero di task (l'elettricità ha creato nuovi settori). L'AI comprime i task cognitivi — se l'AI fa tutto, cosa resta? La questione è empiricamente aperta: dipende da cosa succede nella prossima decade.

Una seconda obiezione: il progresso tecnologico ha sempre fatto bene nel lungo periodo. Acemoglu non lo nega — ma distingue "beneficio per l'umanità in media su 100 anni" da "beneficio per i lavoratori vivi oggi." Se il lungo periodo richiede due generazioni, la politica del breve periodo conta moltissimo per chi subisce la transizione.

---