Lo studio Anthropic sull’impatto dell’AI sul mercato del lavoro non parla di turismo. Ma dovrebbe essere una lettura obbligatoria per chiunque ci lavori.
Nota metodologica: questo articolo è un esercizio di adattamento. Lo studio originale, “Labor market impacts of AI: A new measure and early evidence”, pubblicato da Anthropic il 5 marzo 2026 e firmato dai ricercatori Maxim Massenkoff e Peter McCrory, analizza il mercato del lavoro americano in senso generale. Non menziona mai il turismo. Quello che segue è una lettura applicata: prendo i dati e i concetti dello studio e li proietto sulle professioni e sui meccanismi specifici del settore turistico. Le interpretazioni settoriali sono mie; i dati originali appartengono allo studio Anthropic, che rimane la fonte primaria e al quale rimando per chi voglia approfondire il framework metodologico.
Il cuoco è al sicuro. Il programmatore, molto meno.
Sono lavoratori agli antipodi per formazione, retribuzione e contesto professionale. Ma nel quadro che emerge dallo studio Anthropic sul mercato del lavoro, questa differenza è più netta di qualsiasi distinzione salariale o geografica. È una differenza strutturale: uno lavora con le mani in uno spazio fisico preciso, l’altro produce output informativi che un modello linguistico può replicare con efficienza crescente.
I due autori dello studio – Massenkoff e McCrory – partono da una premessa onesta: i modelli precedenti per prevedere l’impatto dell’automazione sul lavoro hanno avuto un pessimo track record. Lo studio più citato nei dibattiti sulla delocalizzazione identificava un quarto dei lavori americani come a rischio. Un decennio dopo, quei lavori crescevano benissimo. L’obiettivo di questo paper è diverso: costruire una misura che combini capacità teorica dell’IA con dati reali di utilizzo, e aggiornarla nel tempo prima che gli effetti diventino evidenti, non dopo.
Il turismo non compare mai nel testo. Ma il turismo è ovunque nei dati.
Il problema con “l’IA potrebbe fare tutto”
La distinzione concettuale centrale dello studio è tra esposizione teorica ed esposizione osservata.
L’esposizione teorica misura cosa un modello linguistico potrebbe fare rispetto a un compito lavorativo specifico, in condizioni ideali. L’esposizione osservata misura cosa sta effettivamente già facendo, nei dati reali di utilizzo di Claude raccolti da Anthropic attraverso il suo Economic Index.
Figura 1: Distribuzione dell’utilizzo di Claude per livello di esposizione teorica ai task. Il 68% degli usi ricade su task classificati come completamente eseguibili da un LLM (β=1); solo il 3% su task non fattibili (β=0). Conferma che l’utilizzo reale è già concentrato dove la capacità teorica è massima.
Il divario tra le due misure è enorme. Nel settore informatico-matematico, il più esposto in assoluto, l’IA potrebbe teoricamente gestire il 94% dei compiti. Nei dati di utilizzo reale, ne copre il 33%. Questo è il territorio che conta: non quello che l’IA può fare in laboratorio, ma quello in cui già opera, silenziosamente, in aziende reali con persone reali.
Figura 2: Capacità teorica (area blu) vs esposizione osservata (area rossa) per categoria professionale. Il gap tra le due aree rappresenta il territorio ancora non penetrato dall’IA pur essendo teoricamente accessibile. Settori come Computer & Math mostrano la distanza maggiore tra potenziale e realtà attuale.
I modelli precedenti cercavano di misurare cosa l’IA avrebbe potuto fare in futuro. Massenkoff e McCrory partono da cosa sta già facendo. È una differenza metodologica che cambia tutto.
Per chi lavora nel turismo, questa distinzione dovrebbe cambiare il punto di partenza della conversazione. Smettere di chiedersi “l’IA mi sostituirà?” (domanda corretta ma prematura) e iniziare a chiedersi “quali dei miei compiti quotidiani stanno già apparendo nei dati di utilizzo professionale dell’IA?”. È una domanda più scomoda perché ammette che il processo è già in corso.
Lo studio è costruito incrociando tre fonti: il database O*NET, che cataloga i compiti associati a circa 800 professioni nel mercato americano, le stime di esposizione teorica di Eloundou et al. (2023), e i dati reali di utilizzo di Claude raccolti dall’Anthropic Economic Index. Il risultato è una misura ibrida che pesa di più gli usi automatizzati rispetto a quelli di semplice supporto, e gli usi professionali rispetto a quelli personali.
Le professioni più esposte
I Computer Programmer guidano la classifica con una copertura osservata del 75%. Subito dopo, seconda posizione, i Customer Service Representative. Terzi i Data Entry Keyer, a quota 67%.
Figura 3: Le dieci professioni con il più alto tasso di copertura osservata secondo la misura Anthropic. Computer Programmers al 75%, Customer Service Representatives al secondo posto. La posizione del Customer Service — centrale nel turismo — è il dato più rilevante per il settore.
Il Customer Service Representative è la figura che più direttamente si sovrappone al turismo. In un hotel, è il front office agent che gestisce le richieste telefoniche. Nell’industria dei viaggi, è l’operatore di call center delle compagnie aeree, il supporto digitale di una OTA, il chatbot di risposta automatica di un sito di prenotazione. Secondo lo studio, è già la seconda categoria professionale più esposta all’automazione nell’economia americana. Non tra cinque anni. Adesso.
Lo studio documenta che questa esposizione non è teorica: arriva dai dati reali di utilizzo di Claude in contesti API, cioè da deployment aziendali dove un modello linguistico gestisce in modo automatizzato flussi di customer service. Non è un esperimento. Sono aziende che hanno già spostato traffico dall’operatore umano al sistema automatizzato.
All’altro estremo della scala, lo studio identifica una quota di lavoratori — circa il 30% — con copertura zero. I compiti associati alle loro professioni non compaiono nei dati di utilizzo di Claude con frequenza sufficiente da essere considerati esposti. Tra questi: Cooks, Bartenders, Dishwashers, Lifeguards. Il nucleo fisico del settore ospitalità.
La mappa applicata al turismo
Prendiamo la struttura dello studio e proviamo a posizionare sopra le principali categorie professionali del turismo italiano ed europeo. Non è un esercizio accademico: serve a capire dove concentrare l’attenzione.
Il customer service digitale — prenotazioni telefoniche e via chat, gestione reclami, supporto pre e post soggiorno — è già nel territorio ad alta esposizione osservata. I sistemi di IA conversazionale gestiscono in modo crescente le domande sulla disponibilità delle camere, le modifiche delle prenotazioni, le FAQ sulle politiche di cancellazione. Non sempre meglio di un operatore umano preparato. Spesso abbastanza bene da rendere superfluo averne uno per ogni interazione.
Il Revenue Manager è in una zona di pressione che lo studio non nomina direttamente, ma descrive con precisione. I suoi compiti principali: analisi di serie storiche, ottimizzazione dei prezzi, previsione della domanda, produzione di report periodici, corrispondono esattamente ai tipi di task che i modelli linguistici avanzati stanno imparando ad automatizzare. La parte del ruolo che rimane al sicuro è quella che non produce dati ma li interpreta in contesto: capire perché la tariffa media di un mercato specifico si è comportata diversamente dalle previsioni in uno specifico weekend, e tradurre quella lettura in una decisione operativa.
I Tourism Content Writer sono già nel vivo della trasformazione. Non nei licenziamenti di massa (i dati occupazionali non li mostrano), ma nella compressione del valore del singolo contenuto. Chi scriveva descrizioni di hotel, itinerari, articoli di destination marketing si trova oggi a supervisionare un volume di testo generato automaticamente che un anno fa avrebbe richiesto un team. Il ruolo esiste ancora. Ma è cambiato: meno scrittura, più editing e direzione editoriale.
Il Concierge è il caso più interessante perché è il più sfumato. Il suo valore classico poggiava su tre cose: sapere dove mangiare bene, conoscere le persone giuste, essere fisicamente disponibile a fare cose. La prima parte è già stata ampiamente erosa e non dall’IA degli ultimi due anni, ma dalla combinazione di Google, TripAdvisor e ora ChatGPT. La seconda parte, la rete di relazioni personali, è ancora un vantaggio competitivo reale. La terza, la presenza fisica, l’esecuzione, l’adattamento in tempo reale, è immune per definizione. Il concierge che costruisce il suo valore sulla pura informazione è già in difficoltà. Quello che costruisce il suo valore sul giudizio, sulla relazione e sull’azione sta diventando più raro e quindi più prezioso.
Il cuoco, il barista, il lavapiatti, il bagnino: zero copertura osservata, come dice lo studio. Il loro lavoro richiede presenza fisica, adattamento sensoriale continuo, coordinazione motoria fine in ambienti variabili. Sono precisamente le condizioni in cui i sistemi IA attuali non operano e non opereranno nel breve periodo.
Il dato che passa in secondo piano: i giovani
Lo studio dedica una sezione ai lavoratori tra i 22 e i 25 anni, seguendo una ricerca precedente di Brynjolfsson et al. che aveva documentato una contrazione dell’occupazione giovanile nelle professioni ad alta esposizione. Il risultato di Massenkoff e McCrory è più sfumato: non trovano un aumento della disoccupazione in questa fascia. Trovano invece un rallentamento nel tasso di assunzione — circa mezzo punto percentuale mensile di riduzione nel job-finding rate per chi cerca lavoro in occupazioni ad alta esposizione.
Figura 7: Tasso mensile di nuove assunzioni per lavoratori 22-25 anni, confronto tra occupazioni ad alta esposizione IA (linea rossa) e occupazioni a zero esposizione (linea blu). Il pannello inferiore mostra il gap nel framework difference-in-differences. La divergenza dal 2024 è il dato più significativo: chi entra nel mercato del lavoro in ruoli esposti trova sempre meno posizioni aperte.
Nel turismo, questo dato ha implicazioni specifiche. Il settore è storicamente uno dei principali sbocchi lavorativi per i giovani under 25, proprio nei ruoli che oggi risultano più esposti: assistente prenotazioni, operatore di supporto digitale, addetto alla gestione dei contenuti, junior nell’area revenue o marketing. Le aziende assumono meno in queste posizioni perché affidano la crescita del volume di lavoro a sistemi automatizzati invece che a nuove assunzioni e la traiettoria professionale di chi cerca di entrare nel settore cambia radicalmente.
Il paradosso della distribuzione del rischio
Una delle letture più scomode dello studio riguarda chi è esposto. I lavoratori nella fascia ad alta esposizione sono, statisticamente, più istruiti, più anziani, più frequentemente donne e meglio pagati rispetto a quelli con esposizione nulla.
Figura 5: Caratteristiche demografiche dei lavoratori nel quartile più alto di esposizione (colonna sinistra) vs lavoratori a zero esposizione (colonna destra). I lavoratori più esposti sono più istruiti, meglio pagati, più spesso donne. Chi ha i laureati magistrali è il 4,5% dei non esposti ma il 17,4% dei più esposti. Il rischio non è distribuito democraticamente.
Nel turismo questo paradosso è acuto. Il personale operativo fisico – camerieri, addetti alle pulizie, cuochi, personale di spiaggia – è tradizionalmente sottopagato, poco tutelato contrattualmente, spesso stagionale o migrante. Ha zero esposizione all’IA. Il personale più qualificato della filiera – revenue management, digital marketing, customer experience, analisi dei dati – ha esposizione crescente. L’IA non sta democratizzando il rischio occupazionale. Lo sta riorganizzando in modo che colpisca più duramente chi aveva di più da perdere in termini di traiettoria professionale costruita.
Cosa i dati dicono e cosa ancora non dicono
Lo studio è costruito su dati americani. Il mercato del lavoro italiano ed europeo ha strutture diverse: un sindacalismo più forte, maggiori protezioni contrattuali, meno flessibilità nell’assunzione e nel licenziamento. Questo non cambia la direzione delle forze in gioco, ma può cambiarne la velocità e la forma. In Europa i segnali occupazionali potrebbero emergere più tardi, e in forme diverse, non disoccupazione acuta ma mancata crescita dell’occupazione, blocco del turn-over, riduzione dei contratti a tempo indeterminato.
Figura 6: Tasso di disoccupazione dal 2016 al 2025 per lavoratori ad alta esposizione (rosso) vs zero esposizione (blu). Il pannello superiore mostra i trend grezzi — nota il picco asimmetrico durante il COVID, con i lavoratori fisici molto più colpiti. Il pannello inferiore mostra il gap in framework difference-in-differences: nessun effetto statisticamente significativo sulla disoccupazione post-ChatGPT. Il rischio è strutturale, non ancora visibile nell’aggregato.
Figura 4: Proiezioni BLS di crescita occupazionale 2024-2034 messe a confronto con la misura di esposizione osservata. Ogni punto rappresenta un cluster di professioni. La linea tratteggiata mostra la regressione: per ogni 10 punti percentuali di aumento nella copertura osservata, le proiezioni BLS scendono di 0,6 punti. La correlazione è debole ma presente — e non emerge con la sola misura teorica di Eloundou et al.
Lo studio è inoltre onesto sui propri limiti: usa dati di utilizzo di Claude, che è una piattaforma specifica tra molte. OpenAI, Google, Microsoft e decine di altri sistemi IA generano dati di utilizzo analoghi che non sono inclusi. L’esposizione osservata misurata da Anthropic è probabilmente una sottostima del fenomeno complessivo.
Infine, la ricerca è aggiornata a fine 2025. Il ritmo di adozione dell’IA nei processi aziendali (incluso il turismo, ovviamente) è accelerato significativamente nei primi mesi del 2026. Quello che leggete come dato presente potrebbe già essere passato.
Tre domande operative per chi lavora nel settore
Provo a tradurre lo studio in qualcosa di utile per chi gestisce una destinazione, un hotel, un’agenzia, una struttura ricettiva.
La prima riguarda il censimento dei compiti, non delle professioni. Lo studio insegna che la pressione dell’IA non arriva su un ruolo nella sua interezza, arriva su specifici compiti all’interno di quel ruolo. La domanda da fare non è “il revenue manager è a rischio?” ma “quali dei compiti quotidiani del revenue manager stanno già comparendo nei dati di utilizzo professionale dell’IA?”. Risposta: la produzione di report di pricing, le analisi di competitività automatizzate, le previsioni basate su serie storiche. Non la conversazione con il GM sul posizionamento strategico della struttura per i prossimi dodici mesi.
La seconda riguarda i ruoli fisici come investimento strategico. Il personale operativo fisico, che lo studio identifica come a rischio zero in termini di automazione, è esattamente quello che il turismo italiano post-pandemia fatica di più a trovare e trattenere. Se il mercato sta segnalando che i ruoli cognitivi-informativi saranno sempre più supportati da sistemi automatizzati, e i ruoli fisici rimarranno scarsi e preziosi, allora investire nella formazione, nella retribuzione e nelle condizioni di lavoro del personale operativo non è solo giusto, è logico, conseguente e razionale.
La terza riguarda la discoverability, che non c’entra con l’occupazione ma c’entra con la competitività. I sistemi IA stanno diventando il primo punto di contatto tra il viaggiatore e la destinazione. Le strutture e le destinazioni che non investono nell’essere leggibili e comprensibili per i modelli IA perdono visibilità in modo strutturale, indipendentemente da quanti ottimi professionisti abbiano.
La conclusione che lo studio non trae, ma i dati suggeriscono
Massenkoff e McCrory chiudono il paper con una nota di cautela metodologica: non trovano ancora impatti sistematici sull’occupazione, ma il segnale sui giovani lavoratori è abbastanza consistente da meritare attenzione. È il tipo di conclusione sobria che raramente si sente nel dibattito pubblico sull’IA, dove si oscilla tra “tutto cambierà domani” e “niente di tutto questo accadrà davvero”.
La lettura che faccio applicandola al turismo è questa: il settore non è in crisi occupazionale da IA. Ma sta attraversando una riorganizzazione silenziosa dei ruoli e dei percorsi di ingresso che non compare ancora nelle statistiche aggregate. Il customer service che un anno fa richiedeva dieci operatori oggi funziona con sette, non perché tre siano stati licenziati, ma perché i tre posti che si sarebbero aperti per il turn-over naturale non sono stati rimpiazzati. Questo è il meccanismo che lo studio identifica nei giovani lavoratori americani. È plausibile che sia in atto anche nel turismo europeo, con le varianti strutturali del caso.
Guardare questo tipo di cambiamento richiede una pazienza analitica che il ciclo delle notizie non premia. Lo studio Anthropic è utile precisamente perché costruisce uno strumento per vedere prima, non dopo. Adattarlo al turismo è il minimo che possiamo fare.
***
Ascolta sul Podcast Il Futuro del Turismo
Fonte originale della ricerca:
Massenkoff, M. & McCrory, P. (2026). Labor market impacts of AI: A new measure and early evidence. Anthropic, 5 marzo 2026.
https://www.anthropic.com/research/labor-market-impacts
