Impatto degli LLM sul mercato del lavoro cinese: premi salariali anziché sostituzione

Quando i ricercatori di intelligenza artificiale discutono degli impatti sul mercato del lavoro, tipicamente si basano su dati provenienti dagli Stati Uniti e da altre economie occidentali. Questo crea un punto cieco fondamentale: cosa succede quando gli strumenti di IA costruiti principalmente su dati in lingua inglese incontrano mercati del lavoro con strutture, norme culturali e quadri istituzionali vastamente differenti?

La Cina, seconda economia mondiale con 1,4 miliardi di persone e dinamiche uniche del mercato del lavoro, rappresenta un caso di studio cruciale. Se l'impatto dell'IA sul lavoro segue modelli universali, dovremmo osservare effetti simili in economie diverse. Se gli impatti variano in base al contesto, allora le strategie universali per la forza lavoro falliranno e le organizzazioni avranno bisogno di approcci specifici per mercato.

Una nuova ricerca che adatta l'influente framework di esposizione Eloundou ai dati occupazionali cinesi rivela modelli sorprendenti che sfidano sia la teoria convenzionale sull'automazione sia le ipotesi sull'impatto universale dell'IA. I risultati suggeriscono che i large language model potrebbero influenzare il lavoro attraverso meccanismi fondamentalmente diversi rispetto alle precedenti ondate tecnologiche, con profonde implicazioni su come le organizzazioni globali dovrebbero pensare all'adozione dell'IA.

Comprendere il framework Eloundou e l'adattamento cinese

Il framework di esposizione Eloundou, sviluppato da ricercatori di OpenAI e collaboratori accademici, fornisce una metodologia sistematica per valutare quali occupazioni affrontano la maggiore esposizione alle capacità dei large language model. Il framework analizza il contenuto dei compiti occupazionali, identificando il lavoro che gli LLM possono potenzialmente aumentare o automatizzare in base a capacità come la generazione di testi, la sintesi informativa, il riconoscimento di pattern e il recupero della conoscenza.

L'applicazione di questo framework al mercato del lavoro statunitense ha prodotto risultati influenti su quali occupazioni affrontano un'elevata esposizione all'IA. Tuttavia, le definizioni occupazionali, le composizioni dei compiti e le strutture del mercato del lavoro differiscono sostanzialmente tra i Paesi. Un "analista finanziario" negli Stati Uniti può svolgere compiti diversi e operare sotto vincoli organizzativi diversi rispetto alla sua controparte cinese.

Chen, Ge, Xie, Xu e Yang (2025) hanno adattato la metodologia Eloundou al sistema di classificazione occupazionale e ai dati del mercato del lavoro cinese. Questo ha richiesto più di una semplice traduzione: ha richiesto una mappatura attenta del contenuto dei compiti, aggiustamenti per le differenze nel modo in cui il lavoro è organizzato, regolamentato e compensato nelle due economie.

I ricercatori hanno quindi esaminato le correlazioni tra l'esposizione occupazionale agli LLM e due risultati chiave del mercato del lavoro: i livelli salariali e i premi di esperienza (l'aumento dei guadagni associato ad anni aggiuntivi di esperienza). Se gli LLM sostituiscono principalmente i lavoratori, ci aspetteremmo correlazioni negative: un'esposizione più elevata che predice salari più bassi e premi di esperienza compressi. Se gli LLM potenziano i lavoratori, potremmo vedere correlazioni positive.

I dati hanno rivelato modelli sorprendenti: un'esposizione più elevata agli LLM era correlata positivamente sia con i livelli salariali sia con i premi di esperienza. Questo risultato si è mantenuto attraverso molteplici specificazioni e controlli di robustezza, suggerendo che, almeno nel periodo osservabile, l'esposizione all'IA in Cina si associa a vantaggi retributivi piuttosto che alla sostituzione.

L'ipotesi di routinizzazione e perché fallisce per gli LLM

Per comprendere perché questi risultati sono importanti, dobbiamo rivisitare il framework dominante che ha plasmato la ricerca su tecnologia e lavoro per decenni: l'ipotesi di routinizzazione.

Questa influente teoria, sviluppata da economisti che studiavano la computerizzazione e l'automazione, sostiene che la tecnologia influenza principalmente i compiti routinari, lavori che seguono modelli prevedibili e basati su regole che possono essere codificati in software. Il lavoro cognitivo routinario (inserimento dati, contabilità di base, analisi semplice) e il lavoro manuale routinario (compiti in catena di montaggio, produzione standard) affrontano un alto rischio di automazione. Il lavoro non routinario che richiede giudizio, creatività o risoluzione di problemi complessi rimane protetto.

Il framework di routinizzazione ha spiegato con successo molti modelli del mercato del lavoro durante l'era della computerizzazione. I lavori a competenze medie con un contenuto routinario sostanziale, come operai manifatturieri, impiegati e personale amministrativo, hanno subito significativa sostituzione e stagnazione salariale. Nel frattempo, il lavoro cognitivo ad alta competenza e il lavoro di servizio a bassa competenza che richiedono interazione umana sono rimasti relativamente isolati.

Questo framework ha plasmato il modo in cui le organizzazioni e i decisori politici pensavano all'IA. L'assunzione: l'IA avrebbe seguito lo stesso modello, automatizzando il lavoro routinario lasciando i compiti cognitivi non routinari agli esseri umani. Le strategie per la forza lavoro enfatizzavano lo spostamento dei lavoratori routinari sostituiti verso ruoli non routinari.

Ma la ricerca cinese, insieme a risultati complementari dai mercati del lavoro occidentali, suggerisce che i large language model operano attraverso meccanismi diversi. L'esposizione agli LLM è correlata più fortemente con l'intensità di elaborazione delle informazioni che con la routinizzazione dei compiti. Le occupazioni che coinvolgono una sostanziale sintesi informativa, recupero della conoscenza, comunicazione scritta e processo decisionale in condizioni di incertezza mostrano la più alta esposizione, indipendentemente dal fatto che i loro compiti siano routinari o non routinari.

Questa differenza fondamentale richiede di ripensare le strategie per la forza lavoro costruite su ipotesi di routinizzazione. Le organizzazioni non possono semplicemente identificare i compiti routinari per l'automazione e i compiti non routinari per i lavoratori umani. Devono invece valutare quale lavoro coinvolge l'elaborazione delle informazioni che gli LLM possono migliorare e come ristrutturare i ruoli attorno a questo potenziale di potenziamento.

Teoria dell'apprendimento basata sull'entropia: un nuovo framework per l'impatto dell'IA

La ricerca introduce un framework concettuale per comprendere come gli LLM influenzano il lavoro, fondamentalmente diverso dai modelli di automazione dei compiti. Attingendo dalla teoria dell'informazione, gli autori propongono una prospettiva di apprendimento basata sull'entropia.

In questo framework, il lavoro implica l'elaborazione di informazioni caratterizzate da vari gradi di incertezza (entropia). I lavoratori devono acquisire, sintetizzare e applicare conoscenze per navigare questa incertezza e prendere decisioni efficaci. L'automazione tradizionale riduce l'incertezza standardizzando i processi e applicando regole. Gli LLM, al contrario, aiutano i lavoratori a navigare l'incertezza esistente in modo più efficace attraverso un recupero delle informazioni migliorato, il riconoscimento di pattern e la sintesi della conoscenza.

Si consideri un analista della supply chain che affronta un evento di disruption. L'approccio dell'automazione routinaria cercherebbe di codificare le regole di risposta: se accade X, fai Y. Questo funziona per le disruption prevedibili ma fallisce di fronte a situazioni nuove con elevata incertezza. Un analista potenziato dall'LLM, invece, può sintetizzare rapidamente informazioni da fonti diverse: report di notizie, comunicazioni dei fornitori, pattern storici, dati del settore, per formare un giudizio specifico della situazione in condizioni di incertezza.

Questa distinzione suggerisce che gli LLM impattano il lavoro amplificando le capacità umane di elaborazione delle informazioni piuttosto che sostituendo interamente il giudizio umano. I lavoratori nelle occupazioni ad alta intensità informativa ottengono vantaggi di produttività sfruttando l'IA come strumento di potenziamento cognitivo, mentre i lavoratori nelle occupazioni con minori requisiti di elaborazione delle informazioni vedono impatti minori indipendentemente dalla routinizzazione dei compiti.

La correlazione positiva tra esposizione agli LLM e premi di esperienza osservata nella ricerca supporta questa teoria. Se gli LLM automatizzassero semplicemente i compiti, ci aspetteremmo che l'esperienza contasse meno: i principianti con strumenti di IA potrebbero replicare le prestazioni degli esperti. Invece, i dati suggeriscono che i lavoratori esperti beneficiano maggiormente del potenziamento dell'IA perché possiedono modelli mentali, capacità di riconoscimento di pattern e framework di giudizio superiori che gli LLM amplificano.

Un analista finanziario esperto con una profonda conoscenza del dominio può sfruttare gli LLM per elaborare molte più informazioni e generare insight più sofisticati rispetto a un principiante con gli stessi strumenti. L'LLM agisce come moltiplicatore di produttività applicato alle competenze esistenti piuttosto che come sostituto delle competenze.

Confronto dei modelli del mercato del lavoro cinese e statunitense

Uno dei contributi più importanti dello studio deriva dal rendere possibile il confronto cross-market. Gli impatti degli LLM seguono modelli universali o variano in base al contesto istituzionale?

Le evidenze suggeriscono una sostanziale comunanza nelle occupazioni che mostrano un'elevata esposizione, sebbene con importanti differenze nel modo in cui l'esposizione si manifesta. Sia i mercati del lavoro cinesi che statunitensi mostrano una forte esposizione agli LLM nelle occupazioni professionali come analisti, consulenti, ricercatori e specialisti, ruoli che coinvolgono una sostanziale elaborazione delle informazioni, comunicazione scritta e lavoro della conoscenza.

Entrambi i mercati mostrano correlazioni positive tra esposizione e guadagni nel breve termine, suggerendo che gli effetti di potenziamento attualmente dominano gli effetti di sostituzione in diversi contesti istituzionali. Questo modello si mantiene nonostante le distinte regolamentazioni del lavoro, i sistemi di previdenza sociale e le caratteristiche della forza lavoro della Cina.

Tuttavia, i dettagli implementativi variano significativamente tra i mercati. Il mercato del lavoro cinese presenta diversi requisiti di licenza professionale, percorsi educativi e strutture organizzative aziendali che influenzano come gli strumenti di IA vengono distribuiti. Le organizzazioni cinesi hanno spesso flussi informativi, gerarchie decisionali e requisiti di reporting diversi rispetto alle controparti statunitensi.

Per le organizzazioni globali che operano in entrambi i mercati, questo crea sia opportunità che sfide. La dinamica sottostante, gli LLM che creano vantaggi di produttività nel lavoro ad alta intensità informativa, appare universale. Ma i flussi di lavoro specifici, le configurazioni degli strumenti e i cambiamenti organizzativi necessari per catturare questi vantaggi devono essere adattati al contesto locale.

Un produttore multinazionale ha scoperto questo attraverso l'esperienza. Hanno implementato strumenti di pianificazione IA simili per le operazioni di supply chain sia nelle strutture statunitensi che cinesi. Dopo 18 mesi, i risultati sono divergiti: le operazioni statunitensi hanno visto automazione dei compiti e riduzione del personale, mentre le operazioni cinesi hanno visto guadagni di produttività e crescita salariale senza sostituzione.

L'indagine ha rivelato che le strutture cinesi avevano flussi informativi, gerarchie decisionali e requisiti di reporting normativi diversi che rendevano la sintesi informativa più preziosa dell'automazione dei compiti. L'azienda ha adattato la propria strategia IA globale in modo regionale, concentrandosi sull'automazione negli Stati Uniti e sul supporto decisionale in Cina, migliorando sia la produttività che la fidelizzazione in entrambe le regioni.

Insight chiave: sia i mercati del lavoro cinesi che statunitensi mostrano correlazioni salariali positive con l'esposizione agli LLM nelle occupazioni ad alta intensità informativa, con modelli notevolmente simili che suggeriscono dinamiche di potenziamento universali. I ruoli professionali e dei lavoratori dell'informazione mostrano gli effetti più forti, mentre i ruoli cognitivi routinari e il lavoro manuale mostrano una correlazione minima.

Premi di esperienza e amplificazione delle competenze

Una delle scoperte più sorprendenti dello studio riguarda i premi di esperienza, l'aumento salariale associato ad anni aggiuntivi di esperienza in un'occupazione. La teoria tradizionale dell'automazione prevede che la tecnologia debba comprimere i premi di esperienza consentendo ai principianti di raggiungere rapidamente le prestazioni degli esperti attraverso l'assistenza degli strumenti.

I dati cinesi mostrano l'opposto: le occupazioni con maggiore esposizione agli LLM sono correlate con premi di esperienza più ampi. I lavoratori con più esperienza nelle occupazioni esposte all'IA vedono maggiori vantaggi retributivi rispetto ai lavoratori meno esperti rispetto alle occupazioni con minore esposizione all'IA.

Questo modello appare sia nei dati del mercato del lavoro cinese che occidentale, suggerendo un fenomeno robusto. Implica che gli LLM amplificano le competenze esistenti piuttosto che sostituirle: i lavoratori esperti sfruttano gli strumenti di IA in modo più efficace dei principianti, amplificando i loro vantaggi di produttività.

Questo ha implicazioni critiche per la strategia dei talenti. Le organizzazioni dovrebbero investire nella fidelizzazione e nello sviluppo dei lavoratori esperti nelle occupazioni esposte all'IA, non solo concentrarsi sui lavoratori più giovani presumibilmente più abili con la tecnologia. I vantaggi di produttività derivanti dalla combinazione di una profonda competenza di dominio con il potenziamento dell'IA superano i vantaggi derivanti dalla sola fluidità digitale.

Suggerisce anche che le preoccupazioni sulla "commoditizzazione" della conoscenza esperta da parte dell'IA potrebbero essere esagerate nel breve e medio termine. Mentre gli LLM rendono la conoscenza più accessibile, trasformare quella conoscenza in azione efficace in ambienti complessi richiede ancora competenze che gli LLM amplificano piuttosto che sostituire.

Una società di consulenza che ha testato strumenti di IA su diversi livelli di esperienza ha osservato direttamente questa dinamica. I consulenti junior che utilizzavano gli strumenti di IA producevano un lavoro migliore rispetto a senza strumenti, ma i partner esperti che utilizzavano gli stessi strumenti generavano guadagni di produttività proporzionalmente molto maggiori. Il più profondo riconoscimento di pattern, i framework strategici e la comprensione del cliente dei partner permettevano loro di sfruttare le capacità dell'IA in modo più efficace.

Implicazioni strategiche per le organizzazioni globali

Per le organizzazioni che operano in più mercati, questi risultati suggeriscono diverse priorità strategiche.

In primo luogo, condurre un'analisi dell'esposizione specifica per mercato piuttosto che applicare universalmente framework basati sugli Stati Uniti. Mentre i modelli di base possono essere simili, le definizioni occupazionali, le composizioni dei compiti e le strutture organizzative variano. Utilizzare l'analisi dell'esposizione per identificare quali ruoli in ciascun mercato affrontano il maggiore impatto dell'IA e progettare strategie appropriate per il mercato.

In secondo luogo, riconoscere che l'impatto degli LLM può differire dai modelli di automazione tradizionali plasmati dalla teoria della routinizzazione. Concentrare la pianificazione della forza lavoro sull'intensità di elaborazione delle informazioni piuttosto che solo sulla routinizzazione dei compiti. Identificare i ruoli in cui la sintesi informativa, il recupero della conoscenza e il processo decisionale in condizioni di incertezza rappresentano il lavoro centrale e dare priorità a questi per gli investimenti in potenziamento dell'IA.

In terzo luogo, investire in strategie di amplificazione dell'esperienza. Piuttosto che presumere che l'IA livelli il campo di gioco tra principianti ed esperti, riconoscere che i lavoratori esperti possono sfruttare gli strumenti di IA in modo più efficace. Dare priorità alla fidelizzazione e allo sviluppo del personale esperto nelle occupazioni esposte all'IA e progettare strumenti che amplificano le competenze piuttosto che automatizzare solo i compiti a livello base.

In quarto luogo, personalizzare gli approcci implementativi in base al contesto di mercato mantenendo una visione strategica coerente. La dinamica sottostante, gli LLM che creano vantaggi di produttività attraverso il potenziamento dell'elaborazione delle informazioni, appare universale, ma i flussi di lavoro specifici, le configurazioni degli strumenti e i cambiamenti organizzativi devono essere adattati localmente.

In quinto luogo, spostare il focus della formazione dall'automazione dei compiti all'elaborazione delle informazioni e al giudizio. Se l'impatto degli LLM opera attraverso una sintesi migliorata e il supporto decisionale piuttosto che attraverso la pura sostituzione dei compiti, la formazione dovrebbe enfatizzare come sfruttare efficacemente l'IA per il lavoro della conoscenza, non solo quali compiti delegare all'automazione.

Applicazioni pratiche e prossimi passi

Sulla base di questi risultati, ecco azioni concrete per diversi ruoli organizzativi:

Per i leader della strategia globale: valutare se le strategie di adozione dell'IA dovrebbero variare per area geografica in base alle strutture locali del mercato del lavoro, agli ambienti normativi e ai flussi informativi. Commissionare analisi dell'esposizione specifiche per mercato per le regioni chiave piuttosto che presumere modelli universali. Allocare risorse per la personalizzazione regionale degli approcci di implementazione dell'IA.

Per i leader della retribuzione nelle multinazionali: monitorare se i premi salariali per le occupazioni esposte all'IA emergono in diversi mercati con variazioni di tempistica e magnitudine. Adeguare le strategie retributive per mercato per fidelizzare i talenti dove i premi si materializzano, evitando di pagare in eccesso nei mercati dove la pressione competitiva rimane bassa. Tracciare le tendenze dei premi di esperienza per informare le strategie di fidelizzazione.

Per i leader dello sviluppo dei talenti: riprogettare i programmi di formazione per concentrarsi sull'elaborazione delle informazioni, il giudizio e il processo decisionale potenziato dall'IA piuttosto che solo sull'automazione dei compiti. Enfatizzare come i lavoratori esperti possono sfruttare l'IA per amplificare le loro competenze. Misurare l'efficacia della formazione attraverso la qualità della sintesi informativa e i risultati decisionali piuttosto che solo metriche di completamento dei compiti.

Per i leader della pianificazione della forza lavoro: aggiornare i modelli di previsione del lavoro per distinguere tra impatti dell'elaborazione delle informazioni e modelli di automazione tradizionali. Testare le previsioni di sostituzione basate sulla routinizzazione rispetto ai risultati effettivi dell'adozione degli LLM e aggiustare i modelli quando le previsioni falliscono. Costruire modelli specifici per mercato piuttosto che applicare ipotesi universali.

Per i leader dello sviluppo prodotti e strumenti: progettare sistemi di assistenza IA che si concentrano sulla sintesi informativa, l'estrazione della conoscenza e il supporto decisionale piuttosto che sulla pura automazione dei compiti. Costruire funzionalità di amplificazione dell'esperienza che aiutano gli utenti esperti a sfruttare l'IA in modo più efficace. Creare configurazioni regionali degli strumenti che si adattano ai flussi informativi locali e ai modelli organizzativi.

Limitazioni importanti e confini della ricerca

Sebbene questa ricerca fornisca preziose intuizioni cross-market, diverse importanti limitazioni meritano attenzione.

Lo studio documenta correlazioni tra l'esposizione occupazionale agli LLM e i risultati del mercato del lavoro, ma non può stabilire definitivamente la causalità. Altri fattori, come la domanda di competenze, la crescita del settore, i vincoli dell'offerta di lavoro, possono spiegare alcune delle relazioni osservate. L'analisi a livello occupazionale potrebbe non catturare la variazione sostanziale nel modo in cui l'IA impatta diversi lavoratori all'interno della stessa occupazione.

La teoria dell'elaborazione delle informazioni basata sull'entropia, sebbene concettualmente convincente, rimane principalmente teorica. La validazione empirica dei meccanismi specifici attraverso cui l'elaborazione delle informazioni guida l'impatto degli LLM richiede ricerche aggiuntive. La teoria potrebbe rivelarsi più applicabile ad alcune occupazioni che ad altre.

La ricerca esamina modelli a relativamente breve termine dopo l'introduzione iniziale degli LLM. Le dinamiche a lungo termine potrebbero differire man mano che le organizzazioni completano le riprogettazioni dei flussi di lavoro, le capacità dell'IA avanzano e l'adozione diventa universale piuttosto che differenziante. Le correlazioni salariali positive osservate potrebbero rappresentare effetti di transizione piuttosto che un equilibrio permanente.

I confronti cross-market affrontano sfide derivanti da differenze nei dati, disallineamenti nella classificazione occupazionale e fattori istituzionali che complicano il confronto diretto. Sebbene la ricerca faccia attenzione a garantire confronti appropriati, alcune differenze osservate potrebbero riflettere problemi di misurazione piuttosto che genuine variazioni di mercato.

Le organizzazioni dovrebbero quindi trattare questi risultati come input per la strategia piuttosto che come previsioni definitive. Monitorare sia le tendenze salariali che occupazionali nel tempo, combinare l'analisi quantitativa dell'esposizione con la ricerca qualitativa su come il lavoro cambia effettivamente e mantenere la flessibilità per adattarsi man mano che l'adozione dell'IA matura e emergono modelli a lungo termine.