Non hai voglia di leggere? Nessun problema, è ora disponibile la versione podcast dell’articolo (disclaimer: si tratta di un tool in versione beta):

1. Come il reddito si sta muovendo dal lavoro al capitale
2. Dall’automazione dei compiti alla sostituzione delle competenze
3. La concentrazione dei profitti nell’economia dell’AI
4. Labor share, produttività e disuguaglianza nei dati
5. L’erosione silenziosa del reddito da lavoro come unica fonte
6. Investire per partecipare ai rendimenti del capitale
7. Come esporsi ai megatrend dell’AI
8. Capitale umano, adattabilità e diversificazione delle fonti di reddito
9. Sintesi finale: le idee chiave

Come il reddito si sta muovendo dal lavoro al capitale

Per gran parte del Novecento, gli economisti hanno considerato la ripartizione del reddito nazionale tra lavoratori e detentori di capitale come una delle costanti più affidabili della macroeconomia. La quota destinata ai salari, che gli addetti ai lavori chiamano labor share, oscillava intorno a valori stabili di decennio in decennio, al punto che Nicholas Kaldor la inserì tra i suoi celebri “fatti stilizzati” della crescita economica [1]. Quell’epoca di apparente equilibrio è finita. A partire dagli anni Ottanta, la fetta di torta che va a chi lavora ha iniziato a ridursi in quasi tutte le economie avanzate, mentre quella che remunera il capitale — profitti aziendali, rendite finanziarie, proprietà intellettuale — è cresciuta in modo speculare.

I numeri raccontano una storia chiara. Secondo l’Asian Development Bank Institute, la labor share media globale è scesa di circa dieci punti percentuali in trent’anni, toccando il minimo storico di 0,596 nel 2011 [3]. Il Fondo Monetario Internazionale ha stimato che nelle economie avanzate circa la metà di questo declino è attribuibile al progresso tecnologico, in particolare alla rapida diffusione delle tecnologie dell’informazione e della comunicazione; la globalizzazione ha contribuito per un ulteriore quarto circa [2]. In altre parole, tecnologia e integrazione dei mercati globali hanno spostato potere contrattuale e valore aggiunto dal fattore lavoro al fattore capitale con una forza che le precedenti rivoluzioni industriali non avevano esercitato con altrettanta costanza.

Questo fenomeno non riguarda soltanto gli Stati Uniti, dove il divario tra produttività e salari ha raggiunto proporzioni eclatanti (la produttività netta è cresciuta del 59,7% tra il 1979 e il 2019, mentre la retribuzione del lavoratore mediano è salita appena del 15,8%) [4]. Anche l’Unione Europea ha sperimentato dinamiche analoghe, seppure con intensità variabile da paese a paese. Uno studio recente sulla UE ha documentato come l’aumento dell’intensità di capitale tangibile, combinato con un progresso tecnologico orientato a favore del capitale, abbia ridotto la labor share soprattutto per i lavoratori a qualifica medio-bassa [5]. Al contempo, la Banca Centrale Europea ha evidenziato un divario di produttività tra eurozona e Stati Uniti che si è ampliato dopo la pandemia, con la produttività per ora lavorata cresciuta del 6,7% negli USA contro appena lo 0,9% nell’area euro tra fine 2019 e metà 2024 [6].

Perché tutto questo ci dovrebbe interessare? Perché la direzione in cui scorre il reddito nazionale determina, nel lungo periodo, la capacità di accumulare ricchezza attraverso il solo lavoro. Se una porzione crescente del valore prodotto da un’economia finisce nei bilanci delle imprese anziché nelle buste paga, il rendimento del capitale investito tende a superare strutturalmente la crescita dei salari reali. Chi possiede asset finanziari partecipa a quel flusso crescente. Chi dipende esclusivamente dallo stipendio, invece, si trova dalla parte sbagliata di un trend secolare. E l’intelligenza artificiale promette di accelerare questa dinamica con una potenza senza precedenti.

Dall’automazione dei compiti alla sostituzione delle competenze

Le rivoluzioni tecnologiche precedenti hanno seguito uno schema riconoscibile. La meccanizzazione agricola ha svuotato le campagne, la catena di montaggio ha trasformato la manifattura, i computer hanno eliminato intere categorie di lavoro d’ufficio ripetitivo. In ciascun caso, le macchine sostituivano compiti fisici o cognitivi di routine, quelli che gli economisti definiscono “task routinari”, lasciando sostanzialmente intatte le professioni che richiedono creatività, giudizio critico e interazione sociale complessa. L’intelligenza artificiale generativa rompe questo schema. Per la prima volta nella storia, la tecnologia penetra in profondità nel territorio delle competenze cognitive avanzate, quelle che fino a ieri sembravano al sicuro [7].

Il framework teorico più influente per comprendere questa dinamica è il modello task-based sviluppato da Daron Acemoglu e Pascual Restrepo. Nel loro schema, ogni processo produttivo è scomposto in un insieme di compiti, ciascuno allocato al lavoro umano oppure al capitale in base a un vantaggio comparato. Quando una nuova tecnologia consente alle macchine di svolgere compiti precedentemente umani, si genera un effetto di displacement che riduce la domanda di lavoro e comprime la labor share. Questo effetto può essere controbilanciato da un effetto di reinstatement, ovvero la creazione di nuovi compiti in cui il lavoro umano mantiene un vantaggio. Il punto cruciale però è che l’automazione riduce sempre la quota del lavoro sul valore aggiunto, anche quando la produttività complessiva aumenta [7]. I salari, in altri termini, non crescono mai quanto la produttività quando l’automazione è il motore principale del progresso.

Ciò che rende l’AI generativa qualitativamente diversa è la vastità della sua superficie d’impatto. Uno studio pubblicato su Science nel 2024 ha stimato che circa l’80% della forza lavoro statunitense ha almeno il 10% dei propri compiti lavorativi esposti alle capacità dei large language model. Quando si considerano i software complementari costruiti sopra questi modelli, la percentuale di lavori significativamente impattati sale oltre il 46% [8]. Gli autori sottolineano un dato controintuitivo rispetto alle precedenti ondate di automazione: sono le professioni a reddito più elevato, quelle che coinvolgono elaborazione di informazioni e analisi, a presentare la maggiore esposizione. Avvocati, analisti finanziari, programmatori, consulenti strategici e redattori si trovano in una posizione di vulnerabilità che i loro predecessori degli anni Novanta non avrebbero immaginato.

Le prime evidenze empiriche confermano questa traiettoria. Un’analisi della Harvard Business School su dati di annunci di lavoro statunitensi ha documentato una diminuzione del 24% delle competenze richieste per le posizioni altamente automatizzabili dopo il lancio di ChatGPT, accompagnata al contempo da un incremento del 15% nelle occupazioni che beneficiano di un rapporto di complementarità con l’AI [9]. Il quadro che emerge è dunque eterogeneo, fatto di polarizzazione più che di sostituzione uniforme. Tuttavia, la direzione aggregata è chiara. l’AI generativa espande drasticamente l’insieme dei compiti trasferibili dal lavoro al capitale, accelerando quel fenomeno di displacement che il modello di Acemoglu e Restrepo formalizza.

La differenza rispetto alle ondate precedenti non è solo quantitativa. I robot industriali impiegavano decenni per diffondersi nei settori manifatturieri. L’AI generativa, in quanto software distribuibile istantaneamente a costo marginale quasi nullo, può scalare attraverso l’intera economia con una velocità incomparabile. Questa asimmetria tra la rapidità dello shock tecnologico e la lentezza fisiologica dell’adattamento umano è il cuore del problema.

La concentrazione dei profitti nell’economia dell’AI

Se l’intelligenza artificiale accelera la compressione della quota di reddito destinata al lavoro, la domanda è: dove finisce quel valore? La risposta passa attraverso un fenomeno che gli economisti studiano da almeno un decennio e che l’AI sta amplificando con forza inedita; ovvero, la concentrazione dei profitti in un numero sempre più ristretto di imprese dominanti.

Questa dinamica viene messa in luce in modo rigoroso da David Autor e coautori nel loro lavoro sulle imprese superstar. La tesi è che in settori dove la tecnologia premia le economie di scala e gli asset intangibili — proprietà intellettuale, reti di utenti, capacità computazionale — le imprese più produttive conquistano quote di mercato crescenti, operano con markup superiori alla media e presentano una labor share strutturalmente più bassa rispetto ai concorrenti. Man mano che queste imprese pesano di più sul valore aggiunto di un settore, la labor share aggregata scende anche senza che nessuna singola azienda riduca i propri salari [10]. Il risultato è una dinamica “winner-takes-most” in cui una fetta sproporzionata dei profitti fluisce verso chi detiene il capitale di queste imprese, ovvero i loro azionisti.

L’economia dell’intelligenza artificiale incarna questa dinamica nella sua forma più estrema. I cosiddetti Magnificent 7 — Apple, Microsoft, Nvidia, Amazon, Alphabet, Meta e Tesla — rappresentano oggi circa il 35% della capitalizzazione dell’S&P 500 [11]. Dal 2015, queste sette aziende hanno generato rendimenti annui composti del 27,5%, creando oltre 23.000 miliardi di dollari di ricchezza per i propri azionisti [12]. Il loro vantaggio competitivo si è costruito su modelli di business ad alta intensità di asset intangibili, che permettevano rendimenti elevati senza richiedere investimenti fisici proporzionali.

Ora, la corsa agli investimenti in infrastruttura AI sta rompendo questo equilibrio, incrementando notevolmente l’impatto dei costi; allo stesso tempo, però, sta consolidando barrire all’ingresso formidabili. Secondo Gartner, solo Amazon, Google, Meta e Microsoft hanno speso 364 miliardi di dollari in investimenti legati all’AI nel 2025, su un totale globale di circa 1.500 miliardi da parte delle multinazionali [13]. Chi non dispone di miliardi da investire in data center, chip specializzati e talento ingegneristico d’élite resta escluso dalla frontiera tecnologica. I profitti che ne derivano, di conseguenza, si distribuiscono in modo altrettanto concentrato.

Frederik Anseel della UNSW Business School, ha sintetizzato questa dinamica con chiarezza cristallina. I profitti dell’AI fluiscono verso una cerchia ristretta di azionisti, investitori, gestori di fondi, tecnologi e imprenditori, mentre chi genera reddito esclusivamente dal lavoro perde progressivamente terreno [14]. La promessa del trickle-down, l’idea che la ricchezza creata ai vertici alla fine filtri verso il basso, appare sempre meno credibile in un contesto dove la tecnologia stessa amplifica le dinamiche di concentrazione.

Ciononostante, è importante mantenere una visione equilibrata. La competizione tra le grandi piattaforme AI è reale e potrebbe limitare i margini nel lungo periodo. I cicli storici di investimento infrastrutturale — dalle ferrovie alla fibra ottica — insegnano che chi costruisce l’infrastruttura non è necessariamente chi ne raccoglie i frutti maggiori. Tuttavia, anche in uno scenario di margini compressi per i costruttori, il valore continua a fluire verso i detentori di capitale piuttosto che verso i lavoratori. Per questi ultimi, perciò, la lezione è chiara: possedere almeno una quota di quel capitale potrebbe rappresentare un vantaggio economico.

Labor share, produttività e disuguaglianza nei dati

Questi trend non sono ipotesi teoriche. Sono fenomeni misurabili, documentati da decenni di dati raccolti dalle principali istituzioni economiche internazionali. Vale la pena soffermarsi sui numeri con attenzione, perché possono trasformare un’ipotesi accademica astratta in un segnale d’allarme reale.

Partiamo dalla labor share. Come già accennato, L’ILO (International Labour Organization), nel suo rapporto sulle economie del G20 del 2015, ha documentato come la quota di reddito destinata al lavoro dipendente abbia subito un declino generalizzato a partire dagli anni Novanta. Un periodo caratterizzato da liberalizzazione dei mercati, accelerazione tecnologica e indebolimento delle istituzioni che tradizionalmente sostenevano il potere contrattuale dei lavoratori (come i sindacati e la contrattazione collettiva) [15]. Il calo della densità sindacale in molte economie avanzate ha ridotto la capacità dei lavoratori di negoziare una quota maggiore dei guadagni di produttività, contribuendo direttamente alla compressione della labor share.

Il divario tra produttività e retribuzioni è forse l’indicatore più eloquente di questa tendenza. Negli Stati Uniti, l’Economic Policy Institute ha ricostruito con precisione la frattura. Dal dopoguerra fino alla fine degli anni Settanta, produttività e salari crescevano sostanzialmente in parallelo. Dal 1979 in poi, le due curve si sono separate in modo drammatico [4]. Le cause di questa divaricazione sono molteplici. Circa un terzo del gap è attribuibile al declino della labor share stessa, un altro terzo alla crescente disuguaglianza salariale, ovvero al fatto che i guadagni di produttività vengono catturati in misura sproporzionata dai lavoratori al vertice della distribuzione retributiva.

In Europa il quadro presenta altre importanti sfumature. Gilbert Cette e coautori, in un working paper, hanno mostrato che il declino della labor share non è stato uniforme tra i paesi avanzati, con differenze significative legate alla struttura settoriale e al trattamento statistico del reddito da lavoro autonomo [16]. Ciononostante, il trend di fondo rimane coerente; nelle economie dove il progresso tecnologico ha favorito l’accumulazione di capitale, la quota destinata ai lavoratori si è ridotta.

Un elemento particolarmente rilevante per comprendere il futuro è la distribuzione dell’impatto per livello di competenza. Il Fondo Monetario Internazionale ha evidenziato che il declino della labor share è stato più pronunciato per i lavoratori a qualifica intermedia, quelli impiegati in compiti cognitivi di routine come la contabilità, l’amministrazione e il supporto tecnico [2]. Questo fenomeno, noto come polarizzazione del mercato del lavoro, ha svuotato la fascia centrale dell’occupazione a vantaggio di un’espansione sia nelle professioni ad alta qualifica sia in quelle a bassa qualifica e basso salario. L’AI generativa rischia di estendere questo processo verso l’alto, coinvolgendo anche professioni cognitive non routinarie che finora erano rimaste immuni.

Acemoglu e Restrepo, nel loro aggiornamento del 2024 al framework task-based, hanno stimato che il displacement tecnologico dei compiti spiega una quota significativa dei cambiamenti nella struttura salariale statunitense degli ultimi quarant’anni [17]. La creazione di nuovi compiti labour-intensive ha parzialmente compensato questo effetto, ma non in misura sufficiente a impedire il declino complessivo della labor share. Il bilancio netto rimane negativo per il lavoratore mediano. Questi numeri non descrivono un ciclo congiunturale destinato a invertirsi. Descrivono un cambiamento strutturale nella distribuzione del reddito che l’intelligenza artificiale promette di intensificare nel prossimo decennio.

L’erosione silenziosa del reddito da lavoro come unica fonte

Immaginate di rivolgervi ad un consulente con l’idea di voler investire tutti i vostri risparmi in un singolo titolo. Nessun professionista al mondo ve lo raccomanderebbe, perché il rischio di concentrazione sarebbe inaccettabile. Eppure, è esattamente la situazione finanziaria della stragrande maggioranza delle persone, che (soprattutto nel nostro Paese) dipendono da un’unica fonte di reddito — lo stipendio — per coprire tutte le proprie esigenze presenti e future. In un mondo dove l’intelligenza artificiale accelera lo spostamento di valore dal lavoro al capitale, questa dipendenza totale da un singolo flusso di cassa rappresenta un rischio finanziario sistemico che pochi riconoscono.

Il rischio non si manifesta necessariamente come un evento catastrofico, ovvero la perdita improvvisa del posto di lavoro. Agisce piuttosto come un’erosione graduale e silenziosa. Goldman Sachs Research stima che l’adozione completa dell’AI generativa potrebbe aumentare la produttività del lavoro di circa il 15% nelle economie avanzate, ma questa maggiore efficienza si tradurrebbe anche in un aumento temporaneo del tasso di disoccupazione di circa mezzo punto percentuale durante la fase di transizione [18]. Storicamente, gli shock occupazionali legati all’adozione di nuove tecnologie si riassorbono in circa due anni. Tuttavia, la natura pervasiva dell’AI generativa potrebbe rendere questo ciclo più prolungato e più ampio del consueto.

Le prime evidenze empiriche lo confermano. Uno studio della Stanford Digital Economy Lab basato su dati retributivi di 25 milioni di lavoratori ha documentato un calo di circa il 20% nell’occupazione entry-level in due settori particolarmente esposti – il software engineering e il customer service – tra la fine del 2022 e la metà del 2025 [19]. La Federal Reserve Bank di St. Louis ha rilevato una correlazione di 0,57 tra l’intensità di adozione dell’AI generativa in un’occupazione e l’aumento del suo tasso di disoccupazione nello stesso periodo, con le professioni informatiche e matematiche tra le più colpite nonostante fossero tradizionalmente considerate al riparo dall’automazione [20].

Ciò che rende questo scenario particolarmente insidioso è la possibilità che l’AI amplifichi le dinamiche recessive del mercato del lavoro. J.P. Morgan Research ha evidenziato come, a partire dagli anni Ottanta, le occupazioni a media qualifica colpite dall’automazione abbiano impiegato tempi sempre più lunghi per recuperare i livelli occupazionali pre-recessione, generando le cosiddette jobless recovery [21]. L’intelligenza artificiale generativa, estendendo l’automazione ai compiti cognitivi non routinari, potrebbe replicare questo schema per una platea di lavoratori molto più ampia nella prossima recessione economica.

Ovviamente, il reddito da lavoro rimane fondamentale, ma costruire la propria sicurezza finanziaria interamente su di esso equivale a ignorare un rischio che sta crescendo in modo strutturale. Diversificare le fonti di reddito non è più un’opzione riservata a chi ha già un patrimonio consistente. È una necessità strategica per chiunque voglia proteggere il proprio tenore di vita in un’economia dove il valore si sposta progressivamente verso chi detiene il capitale.

Investire per partecipare ai rendimenti del capitale

Se il sistema economico premia in misura crescente chi possiede capitale a scapito di chi vende il proprio lavoro, la risposta razionale è diventare, almeno in parte, un proprietario di capitale. Tempo fa, investire nei mercati finanziari era un lusso riservato a pochi. Adesso, è lo strumento più accessibile e democratico a disposizione di chiunque voglia partecipare ai rendimenti che il lavoro, da solo, non riesce più a garantire.

Per comprenderne la portata, è utile partire dai fondamentali. Nel lungo periodo, i mercati azionari hanno offerto un premio per il rischio significativo rispetto ad asset più sicuri come le obbligazioni governative. L’azionario globale ha storicamente generato rendimenti reali, ovvero al netto dell’inflazione, nell’ordine del 5-7% annuo su orizzonti pluridecennali. Questa sovraperformance è il compenso che gli investitori ricevono per accettare la volatilità di breve termine. In un contesto dove i guadagni di produttività fluiscono verso i profitti aziendali più che verso i salari, possedere una quota di quelle aziende significa intercettare esattamente quel flusso di valore.

Vanguard, nel suo outlook economico e di mercato per il 2026, ha delineato scenari in cui l’AI potrebbe imprimere un’accelerazione significativa alla crescita economica statunitense, stimando investimenti complessivi in AI e settori correlati per circa 3.100 miliardi di dollari nel triennio 2025-2027 [22]. I rendimenti attesi variano in funzione di quanto l’AI riuscirà effettivamente a tradursi in guadagni di produttività diffusi, ma anche nello scenario più conservativo, la partecipazione azionaria offre un canale diretto verso il valore generato dall’innovazione tecnologica.

Ovviamente, il punto non è abbandonare il proprio lavoro o smettere di investire nelle proprie competenze professionali. Il reddito da capitale non sostituisce il reddito da lavoro ma lo affianca, creando un secondo motore che nel tempo può generare un flusso di cassa sempre più significativo. In un’economia dove l’intelligenza artificiale amplifica i rendimenti del capitale e comprime quelli del lavoro, avere quel secondo motore attivo non è un vantaggio competitivo. È una necessità strutturale.

Come esporsi ai megatrend dell’AI

Come sempre, è estremamente importante implementare un’esposizione azionaria globale ampia e diversificata. Un indice mondiale come l’MSCI All Country World offre accesso a oltre 2.800 aziende in 47 paesi, includendo sia i giganti tecnologici sia le migliaia di imprese in tutti i settori che stanno integrando l’AI nei propri processi produttivi. Questa base garantisce che, indipendentemente da quale segmento della catena del valore dell’AI genererà i rendimenti migliori, il portafoglio ne sarà partecipe.

Poi, bisogna saper distinguere chi costruisce l’infrastruttura AI e chi la utilizza. Un’analisi approfondita di Sparkline Capital ha mostrato che storicamente, nei grandi cicli di investimento tecnologico, i rendimenti migliori sono andati agli early adopter — le aziende che utilizzano la nuova tecnologia per migliorare i propri prodotti e processi — piuttosto che ai costruttori di infrastruttura [12]. Gli early adopter di AI presentano oggi un premio di valutazione contenuto rispetto al mercato, mentre le aziende infrastrutturali viaggiano a un premio ben più alto. Questo divario suggerisce che il rapporto rischio-rendimento sia oggi più favorevole per chi adotta l’AI rispetto a chi la costruisce.

Morningstar ha rafforzato questa tesi osservando che i beneficiari dell’AI esistono in tutti i settori e in tutte le geografie, non solo nel comparto tecnologico statunitense [11]. Aziende come JPMorgan Chase nella finanza, Caterpillar nell’industria pesante e Walmart nel commercio al dettaglio stanno integrando l’intelligenza artificiale nelle operazioni quotidiane con impatti concreti su efficienza e margini. Una ricerca McKinsey ha stimato che le aziende con capacità digitali e di AI avanzate sovraperformano i concorrenti in ritardo di due-sei volte in termini di rendimento totale per gli azionisti [23]. Questo dato conferma che il valore dell’AI si distribuisce ben oltre i confini della Silicon Valley.

Infine, la sistematicità dell’investimento. Un piano di accumulo del capitale, o pac, che prevede versamenti regolari a cadenza mensile, sfrutta la volatilità di mercato a proprio vantaggio attraverso il meccanismo del costo medio ponderato. Nei mesi in cui i mercati scendono si acquistano più quote a prezzi inferiori; nei mesi di rialzo il portafoglio beneficia dell’apprezzamento delle quote già detenute. Questo approccio elimina la tentazione, quasi sempre controproducente, di cercare il momento perfetto per entrare sul mercato.

Un’avvertenza è doverosa sulla concentrazione. Inseguire i rendimenti straordinari dei Magnificent 7 investendo prevalentemente in quei titoli significherebbe replicare, nel portafoglio, la stessa dinamica winner-takes-most che a livello macroeconomico stiamo cercando di cavalcare. I cicli di investimento infrastrutturale insegnano che le valutazioni elevate dei titoli più popolari spesso anticipano rendimenti futuri inferiori alla media. Le valutazioni dell’azionario internazionale ex-USA appaiono oggi significativamente più attraenti e un portafoglio ben costruito dovrebbe riflettere questa opportunità. Diversificare è la strategia più robusta per catturare rendimento nel lungo periodo.

Capitale umano, adattabilità e diversificazione delle fonti di reddito

Sarebbe intellettualmente disonesto sostenere che un portafoglio di etf sia sufficiente a risolvere le sfide poste dalla rivoluzione dell’intelligenza artificiale. L’investimento finanziario è una condizione necessaria ma non sufficiente. Accanto al capitale finanziario, esiste un asset altrettanto prezioso che richiede investimenti continui e strategici: il capitale umano, ovvero l’insieme di competenze, conoscenze e capacità adattive che determinano il valore di un individuo nel mercato del lavoro.

La portata della trasformazione in corso è difficile da sovrastimare. McKinsey Global Institute stima che entro il 2030, in uno scenario di adozione intermedio, fino al 30% delle ore attualmente lavorate potrebbe essere automatizzato, un processo accelerato dall’avvento dell’AI generativa. Solo in Europa questo si tradurrebbe in circa 12 milioni di transizioni occupazionali necessarie, il doppio del ritmo pre-pandemico [24]. Non si tratta di un futuro remoto ma di una trasformazione già in atto, che richiede risposte immediate sia da parte delle istituzioni sia da parte degli individui.

L’indicazione strategica più importante per il singolo lavoratore riguarda la distinzione tra competenze che competono con l’AI e competenze che la complementano. I compiti cognitivi strutturati e ripetitivi — redigere report standardizzati, analizzare dati secondo schemi predefiniti, tradurre testi — sono quelli dove l’AI generativa eccelle già oggi e migliorerà rapidamente. Investire il proprio tempo nell’affinare esclusivamente queste abilità equivale a correre nella stessa corsia di un concorrente che accelera esponenzialmente. Le competenze che mantengono e accrescono il loro valore sono invece quelle dove l’essere umano conserva un vantaggio strutturale: il pensiero critico di fronte all’ambiguità, la creatività genuina, la capacità di costruire relazioni di fiducia, il giudizio etico e la leadership in contesti complessi.

Un dato dalla McKinsey Global Survey sullo stato dell’AI è particolarmente eloquente: il 92% delle aziende prevede di aumentare gli investimenti in intelligenza artificiale nei prossimi tre anni, eppure solo l’1% dei leader aziendali considera la propria organizzazione “matura” nell’adozione [25]. Questo divario tra intenzione e implementazione crea una finestra di opportunità significativa per chi sviluppa competenze di AI fluency, ovvero la capacità di collaborare efficacemente con i sistemi di intelligenza artificiale, integrandoli nei propri flussi di lavoro. La domanda per questa competenza è cresciuta di sette volte in due anni negli annunci di lavoro statunitensi, rendendola la skill in più rapida ascesa nel mercato.

Oltre all’aggiornamento delle competenze, una strategia robusta prevede la diversificazione delle fonti di reddito anche al di là dei mercati finanziari. Consulenza freelance, creazione di contenuti, sviluppo di micro-prodotti digitali, insegnamento e formazione sono canali che possono generare flussi di cassa supplementari e al contempo rafforzare il proprio profilo professionale. L’obiettivo non è costruire un impero parallelo ma creare ridondanza, ovvero assicurarsi che nessun singolo evento — un licenziamento, l’obsolescenza di una competenza specifica, una ristrutturazione aziendale — possa azzerare completamente la propria capacità di generare reddito.

La combinazione di investimento finanziario e investimento in capitale umano produce un circolo virtuoso. Le competenze aggiornate proteggono e potenzialmente accrescono il reddito da lavoro, che a sua volta alimenta la capacità di risparmiare e investire, generando reddito da capitale che nel tempo diventa un flusso autonomo. In un mondo dove l’intelligenza artificiale ridisegna continuamente i confini tra ciò che è umano e ciò che è automatizzabile, questa doppia strategia rappresenta l’architettura finanziaria più resiliente a disposizione del singolo individuo.

Sintesi finale: le idee chiave

L’intelligenza artificiale non è il primo shock tecnologico che l’economia globale affronta, ma possiede caratteristiche che lo rendono qualitativamente diverso dai precedenti. La sua capacità di penetrare le professioni cognitive avanzate, la velocità con cui scala attraverso i settori e la tendenza a concentrare i profitti in un numero ristretto di imprese ad alta intensità di capitale lo rendono un acceleratore potente di un trend già in corso da decenni: lo spostamento del reddito nazionale dal lavoro al capitale.

I dati parlano con chiarezza. La labor share è in declino strutturale nelle economie avanzate dagli anni Ottanta. Il divario tra produttività e salari si è ampliato in modo drammatico. Le imprese superstar catturano quote crescenti del valore aggiunto. L’AI generativa rischia di intensificare ciascuna di queste dinamiche, estendendo l’automazione a professioni che fino a ieri sembravano al sicuro e premiando in misura sproporzionata chi detiene il capitale rispetto a chi offre il proprio lavoro.

La risposta razionale a questo scenario non è la paura ma il riposizionamento strategico. Investire in modo sistematico e diversificato nei mercati finanziari — attraverso portafogli globali a basso costo, piani di accumulo regolari e un’allocazione consapevole tra costruttori e utilizzatori dell’AI — consente a chiunque di partecipare ai rendimenti del capitale. Non si tratta di prevedere quale azienda vincerà la corsa all’intelligenza artificiale ma di assicurarsi un posto dalla parte del tavolo dove il valore si accumula.

Al contempo, il solo investimento finanziario non basta. Aggiornare le proprie competenze per complementare l’AI anziché competere con essa, diversificare le fonti di reddito e sviluppare capacità adattive sono strategie altrettanto essenziali. L’architettura finanziaria più robusta in un’era di disruption tecnologica poggia su due pilastri: un reddito da lavoro protetto dall’investimento continuo in capitale umano e un reddito da capitale costruito con disciplina nel tempo. Chi attiva entrambi i motori si posiziona per navigare la transizione non come vittima del cambiamento ma come suo beneficiario.

Stay tuned!

Grazie per aver letto questo articolo. Se hai domande o desideri condividere le tue esperienze, lascia un commento qui sotto. La tua opinione è importante!

Fonti:

[1] Karabarbounis, L. e Neiman, B., “The Global Decline of the Labor Share”, The Quarterly Journal of Economics, 129(1), 61–103, 2014. https://academic.oup.com/qje/article/129/1/61/1899422

[2] IMF, “Drivers of Declining Labor Share of Income”, IMF Blog, aprile 2017. https://www.imf.org/en/Blogs/Articles/2017/04/12/drivers-of-declining-labor-share-of-income

[3] Guerriero, M., “The Labor Share of Income Around the World: Evidence from a Panel Dataset”, ADBI Working Paper Series No. 920, Asian Development Bank Institute, 2019. https://www.adb.org/sites/default/files/publication/484346/adbi-wp920.pdf

[4] Bivens, J. e Mishel, L., “Understanding the Historic Divergence Between Productivity and a Typical Worker’s Pay: Why It Matters and Why It’s Real”, Economic Policy Institute, 2015. https://www.epi.org/publication/understanding-the-historic-divergence-between-productivity-and-a-typical-workers-pay-why-it-matters-and-why-its-real/

[5] Ferrante, F. e Ferrante, G., “Closing the Productivity–Wage Gap in the European Union: The Role of the Labor Share”, Structural Change and Economic Dynamics, 2025. https://www.sciencedirect.com/science/article/pii/S0954349X25001596

[6] ECB, “Labour Productivity Growth in the Euro Area and the United States: Short and Long-Term Developments”, ECB Economic Bulletin, 6/2024. https://www.ecb.europa.eu/press/economic-bulletin/focus/2024/html/ecb.ebbox202406_01~9c8418b554.en.html

[7] Acemoglu, D. e Restrepo, P., “Automation and New Tasks: How Technology Displaces and Reinstates Labor”, Journal of Economic Perspectives, 33(2), 3–30, 2019. https://www.aeaweb.org/articles?id=10.1257/jep.33.2.3

[8] Eloundou, T., Manning, S., Mishkin, P. e Rock, D., “GPTs Are GPTs: Labor Market Impact Potential of LLMs”, Science, 384(6702), 1306–1308, 2024. https://www.science.org/doi/10.1126/science.adj0998

[9] Zakerinia, S., Chen, W. e Srinivasan, S., “Displacement or Complementarity? The Labor Market Impact of Generative AI”, Harvard Business School Working Paper 25-039, 2025. https://www.hbs.edu/ris/Publication%20Files/25-039_05fbec84-1f23-459b-8410-e3cd7ab6c88a.pdf

[10] Autor, D., Dorn, D., Katz, L., Patterson, C. e Van Reenen, J., “The Fall of the Labor Share and the Rise of Superstar Firms”, The Quarterly Journal of Economics, 135(2), 645–709, 2020. https://scholar.harvard.edu/files/lkatz/files/adkpv-superstars-qje-manuscript-accepted-20191028.pdf

[11] Morningstar, “Why the AI Spending Spree Could Spell Trouble for Investors”, ottobre 2025. https://www.morningstar.com/markets/why-ai-spending-spree-could-spell-trouble-investors

[12] Wu, K., “Surviving the AI Capex Boom”, Sparkline Capital, ottobre 2025. https://www.sparklinecapital.com/post/surviving-the-ai-capex-boom

[13] Global Finance Magazine, “The AI Investing Race”, dicembre 2025. https://gfmag.com/technology/ai-investing-race/

[14] Anseel, F., “Will AI Make a Few People Much Richer, but Most People Poorer?”, UNSW BusinessThink, settembre 2025. https://www.businessthink.unsw.edu.au/articles/ai-financialisation-technological-concentration-inequality

[15] ILO, “The Labour Share in G20 Economies”, International Labour Organization e OECD, 2015. https://g20.utoronto.ca/2015/The-Labour-Share-in-G20-Economies.pdf

[16] Cette, G., Koehl, L. e Philippon, T., “Labor Shares in Some Advanced Economies”, NBER Working Paper 26136, 2019. https://www.nber.org/system/files/working_papers/w26136/w26136.pdf

[17] Acemoglu, D. e Restrepo, P., “A Task-Based Approach to Inequality”, Oxford Open Economics, 3(Supplement_1), i906–i929, 2024. https://academic.oup.com/ooec/article/3/Supplement_1/i906/7708121

[18] Goldman Sachs Research, “How Will AI Affect the Global Workforce?”, agosto 2025. https://www.goldmansachs.com/insights/articles/how-will-ai-affect-the-global-workforce

[19] Brynjolfsson, E., Chandar, B. e Chen, R., “Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence”, Stanford Digital Economy Lab, agosto 2025. https://digitaleconomy.stanford.edu/wp-content/uploads/2025/08/Canaries_BrynjolfssonChandarChen.pdf

[20] Ozkan, S. e Sullivan, N., “Is AI Contributing to Rising Unemployment? Evidence from Occupational Variation”, Federal Reserve Bank of St. Louis — On the Economy, agosto 2025. https://www.stlouisfed.org/on-the-economy/2025/aug/is-ai-contributing-unemployment-evidence-occupational-variation

[21] J.P. Morgan Research, “AI’s Impact on Job Growth”, 2025. https://www.jpmorgan.com/insights/global-research/artificial-intelligence/ai-impact-job-growth

[22] Vanguard, “Economic and Market Outlook for 2026”, dicembre 2025. https://corporate.vanguard.com/content/dam/corp/research/pdf/isg_vemo_2026.pdf

[23] McKinsey, “We’re All Techies Now: Digital Skill Building for the Future”, luglio 2025. https://www.mckinsey.com/capabilities/people-and-organizational-performance/our-insights/we-are-all-techies-now-digital-skill-building-for-the-future

[24] McKinsey Global Institute, “A New Future of Work: The Race to Deploy AI and Raise Skills in Europe and Beyond”, maggio 2024. https://www.mckinsey.com/mgi/our-research/a-new-future-of-work-the-race-to-deploy-ai-and-raise-skills-in-europe-and-beyond [25] McKinsey, “AI in the Workplace: A Report for 2025 — Superagency in the Workplace”, gennaio 2025. https://www.mckinsey.com/capabilities/tech-and-ai/our-insights/superagency-in-the-workplace-empowering-people-to-unlock-ais-full-potential-at-work