Possono le moderne tecnologie e l’adozione dell’Intelligenza Artificiale ridurre il grado di vicinanza al posto di lavoro? In un recente lavoro abbiamo investigato se e in che misura l’IA può riuscire a limitare il grado di prossimità fisica nel mercato del lavoro italiano, andando – in ultima analisi – a salvare posti di lavoro e preservare le attività economiche.
Come l’IA facilita le misure di “distanziamento sociale”
Partiamo, per cominciare a contestualizzare il nostro lavoro di ricerca, da un dato ormai incontrovertibile: l’emergenza dovuta alla pandemia da Covid-19 ha già causato importanti effetti sul mercato del lavoro in molti paesi, alcuni dei quali – come ad esempio il lavoro da remoto – si prevede siano duraturi e in grado di condurre ad una “nuova normalità” (Bonacini, Gallo e Scicchitano, 2021). Per limitare la diffusione del virus, molti paesi, incluso il nostro, hanno dovuto sospendere le proprie attività produttive con severe misure di lockdown che hanno causato evidenti conseguenze negative sull’economia, particolarmente in Italia.
Intelligenza artificiale in azienda: i passi per una data strategy efficace
In tutto il mondo il “distanziamento sociale” è diventato, così, la politica pubblica chiave da attuare durante il Sars-Cov-2, e ridurre il rischio di prossimità tra i lavoratori ne è una dimensione importante (Makris and Toxvaerd, 2020). Ciò perché recenti studi hanno mostrato che alcuni lavoratori sono più a rischio di contagio di altri, in quanto lavorano in prossimità di altre persone, siano essi colleghi o clienti (Barbieri, Basso, Scicchitano).
Il Covid-19 ha aggiunto un “costo ombra” sul lavoro a causa di un maggiore rischio di prossimità: in particolare ha aumentato il costo del contatto fisico tra individui e questo è particolarmente chiaro in ambito sanitario (si pensi ad esempio al costo che hanno dovuto sostenere soprattutto le strutture sanitarie per l’equipaggiamento e il materiale di lavoro dei propri dipendenti). Ciò ha stimolato l’adozione di diverse tecnologie (software e hardware) per svincolare la produzione di beni dalla presenza fisica dei lavoratori sul posto di lavoro, inteso questo come la sede dell’impresa.
Gli algoritmi e i sistemi automatici definiti come IA sono parte di questo trend incrementale dell’uso della tecnologia (Korinek e Stiglitz, 2021). Così, la diffusione del Sars-Cov-2 e la possibilità che possa durare nel tempo, portando anche a nuovi lockdown in assenza di vaccini in grado di immunizzare la popolazione anche dalle numerose varianti, sollevano una domanda rilevante sul futuro dell’economia: possono le moderne tecnologie e l’adozione dell’Intelligenza Artificiale (IA) ridurre il grado di vicinanza al posto di lavoro? È chiaro che un uso più intenso degli strumenti digitali, soprattutto se controllati da remoto, può facilitare le misure di “distanziamento sociale”, portando a una riduzione del grado di vicinanza al mercato del lavoro. Questo è ancora più rilevante in tempi di pandemie in cui la digitalizzazione può ridurre la necessità di estesi lockdown e consentire a molti settori economici di continuare lo svolgimento dell’attività, limitando al contempo il rischio per la salute pubblica e gli effetti recessivi.
Le connessioni tra IA e Covid
Una linea di ricerca nata di recente esplora le connessioni tra il progresso tecnologico (IA in particolare) e il Covid-19. Alcuni studi mostrano il grande potenziale dell’IA nel contrastare la diffusione del nuovo coronavirus (Bullock et al., 2020; Naudée, 2020). Alcuni autori rilevano che il Covid-19 darà (in parte sta già dando) un enorme impulso all’automazione (vedi Hantrais et al., 2020; Autor e Reynolds, 2020) e tutti noi trarremo benefici dai cambiamenti tecnologici generati dall’attuale crisi sanitaria globale (Brem et al., 2021). Questa crisi ha fornito risposte tecnologiche più snelle, flessibili e dematerializzate rispetto alle crisi precedenti (Devezas, 2020).
Si è anche mostrato che una massiccia adozione della tecnologia deve essere accompagnata da politiche adeguate, poiché può aumentare le disuguaglianze esistenti sul mercato del lavoro, (Leslie et al., 2021; Korinek e Stiglitz, 2021) per altro già esacerbate dalla crisi attuale (Aina et al. 2021a; 2021b). Tuttavia, il potenziale dell’IA nel limitare il rischio di contagio tra i lavoratori in tempi di COVID-19 è in gran parte inesplorato. Uno studio recente di Caselli, Fracasso e Traverso (2021) indaga il possibile effetto dei robot sul rischio di contagio: gli autori mostrano che i settori che impiegano più robot sembrano mostrare un minor rischio di contagio.
Il set di dati innovativo
Valutare la relazione tra l’adozione dell’AI e il grado di prossimità nel mercato del lavoro richiede la costruzione di un set di dati composito, che consenta di analizzare le caratteristiche e i compiti della forza lavoro locale per un elevato numero di individui. Il nostro approccio innovativo consiste nell’unione di diverse fonti di dati, che consentano di mettere insieme informazioni su a) i flussi di lavoro a livello locale ricavati con i dati amministrativi sulle caratteristiche dei lavoratori e dei datori di lavoro; b) l’informazione sulla vicinanza necessaria sul posto di lavoro per lo svolgimento dei compiti c) i progressi tecnologici dell’IA nella conduzione di azioni ritrovabili nelle professioni umane.
Innanzitutto utilizziamo i micro-dati amministrativi rilevati dal Sistema Informativo Statistico delle Comunicazioni Obbligatorie (SISCO) forniti dal Ministero del Lavoro e delle Politiche Sociali. Le Comunicazioni Obbligatorie (COB) contengono tutti i flussi occupazionali riferiti ad un arco temporale preciso, nel nostro caso tra 2010 e il 2015, lo stesso periodo dei progressi osservati nell’IA. Le COB consentono, quindi, di osservare i flussi del mercato del lavoro, i nuovi rapporti di lavoro che iniziano, quelli che cessano, le proroghe, e le trasformazioni. Si hanno informazioni sull’abbinamento lavoratore-datore di lavoro per un totale di circa 19 milioni di osservazioni. Le informazioni presenti riguardano tutti i contratti di lavoro dipendente e parasubordinato di tutti i settori economici, compresa la Pubblica Amministrazione (PA), e coinvolgono anche lavoratori stranieri presenti, seppure solo temporaneamente, in Italia. Sono esclusi i lavoratori autonomi che non rientrano – ad eccezione di quelli del settore dello spettacolo – negli obblighi di comunicazione[1].
LA seconda banca dati utilizzata è l’Indagine Campionario sulle Professioni (ICP), curata da INAPP, che consente di calcolare il grado di vicinanza fisica con un elevato grado di dettaglio e per ognuna delle professioni italiane. L’indagine, di rilevanza istituzionale, integra l’approccio tradizionale ai dati sul mercato del lavoro, concentrandosi sulla natura e sul contenuto del lavoro. Mira a descrivere, con un elevato dettaglio analitico, tutte le professioni esistenti sia in termini di requisiti e caratteristiche richieste al lavoratore, sia in termini di attività e condizioni di lavoro che la professione implica. È stato scelto appositamente di coinvolgere i lavoratori piuttosto che gli esperti, privilegiando il punto di vista di coloro che esercitano le professioni quotidiane studiate e che perciò hanno una valutazione diretta e concreta del livello di utilizzo di alcune caratteristiche essenziali nello svolgimento del proprio lavoro. La banca dati INAPP-ICP è alla sua seconda edizione del 2013 (è attualmente in corso la rilevazione per la terza edizione) e ha l’obiettivo di raccogliere informazioni analiticamente dettagliate su tutte le professioni esistenti sia in termini di requisiti e caratteristiche richieste al lavoratore, sia in termini di attività e condizioni di lavoro che la professione implica. L’indagine è stata costruita seguendo la struttura dell’indagine statunitense O*Net che descrive le professioni raccogliendo informazioni relative a varie dimensioni:
- requisiti del lavoratore: competenze, conoscenze, livello di istruzione;
- caratteristiche del lavoratore: abilità, valori, stili di lavoro;
- requisiti della professione: attività di lavoro generalizzate, contesto lavorativo;
- requisiti di esperienza: addestramento, esperienze.
L’indagine è particolarmente interessante poiché consente inoltre di poter analizzare le professioni italiane con un livello di dettaglio che arriva fino al quinto digit. Inoltre, l’indagine è stata costruita per descrivere specificamente le professioni italiane, tenendo dunque conto delle caratteristiche del sistema produttivo, del mercato del lavoro e delle istituzioni italiane. Si minimizzano, pertanto, eventuali distorsioni dovute all’utilizzo di indagini, come l’O*NET, che sono costruite per descrivere professioni svolte in altri Paesi e che potrebbero dunque presentare caratteristiche anche molto diverse rispetto a quelle italiane .
Per i nostri fini, abbiamo utilizzato la banca dati ICP per la costruzione dell’indice di prossimità fisica con un elevato grado di dettaglio e per ognuna delle professioni italiane. L’indice, introdotto da Barbieri, Basso e Scicchitano (2021) ed usato anche in Caselli, Fracasso e Scicchitano (2021) è il risultato della domanda riportata in ICP: “Nello svolgimento del suo lavoro quanto è fisicamente vicino ad altre persone?” Le possibili risposte degli intervistati sono 5 e variano da “non lavoro vicino ad altre persone” a “molto vicino (es. quasi a contatto)”. La figura 1 riporta distribuzione territoriale tra i Mercati Locali del Lavoro dell’indice di prossimità
Figura 1: distribuzione territoriale tra i Mercati Locali del Lavoro dell’indice di prossimità
Terzo, il nostro indice sull’adozione dell’IA si basa sul lavoro di Felten et al. (2018), che ha collegato i miglioramenti tecnici dell’IA al set di abilità elencate nella banca dati statunitense dell’O*NET. Esempi di abilità sono il riconoscimento delle immagini o il riconoscimento vocale. Il risultato è un punteggio di avanzamento dell’IA a livello occupazionale ponderato per la prevalenza di abilità specifiche in ogni occupazione. La classificazione occupazionale utilizzata da Felten et al. (2018) collega la Classificazione professionale standard statunitense (SOC) con le definizioni fornite da O*NET. L’Italia è l’unico paese al mondo che, grazie alla già descritta ICP ha una descrizione dell’importanza delle abilità in ciascuna occupazione equivalente a quella nel set di dati O*NET. Le 52 abilità che servono come chiave per abbinare la categoria dei progressi dell’IA sono gli stessi elencati in O*NET. Questo ci permette di costruire un punteggio di intelligenza artificiale che si adatta al contesto italiano delle occupazioni utilizzando lo stesso approccio di Felten et al. (2018). La figura 2 riporta la distribuzione territoriale tra i Mercati Locali del Lavoro dell’indice di adozione dell’IA.
Va specificato che nel nostro lavoro non osserviamo la reale adozione di IA all’interno delle imprese. Questo dato non è al momento raccolto dalle fonti statistiche (non solo italiane). La sua osservazione consentirebbe un’analisi dell’effettiva penetrazione dell’IA nel tessuto produttivo e delle sue implicazioni per il mercato del lavoro. Tuttavia, risulta estremamente interessante mettere in relazione il grado di somiglianza tra le azioni dell’IA e le mansioni umane con il grado di prossimità di queste ultime sul posto di lavoro. Si possono infatti trarre importanti indicazioni di quello che sarà la futura compresenza tra tecnologia e lavoro.
Figura 2: distribuzione territoriale tra i Mercati Locali del Lavoro dell’indice di adozione dell’IA
Risultati: prossimità e Intelligenza Artificiale
I risultati preliminari mostrano che la relazione tra l’indice di adozione dell’AI e quello di prossimità a livello occupazionale è negativa: ciò significa che ad un aumento dell’intensità di AI tra le occupazioni corrisponde una riduzione del rischio di vicinanza tra i lavoratori (Figura 3).
Figura 3:Indice di prossimità e indice di adozione di AI per 697 tipi di occupazioni.
La relazione inversa è guidata guidato principalmente dalle occupazioni cognitive, mentre le occupazioni manuali, non a caso, mostrano una correlazione positiva (Figura 4).
Figura 4:Indice di prossimità e indice di adozione di AI per gruppi di occupazoni classificati in base al grado di routinarietà.
Il dibattito politico intorno al lockdown in Italia si è concentrato sui settori che sono stati chiusi e quelli a cui è stato permesso di continuare a lavorare, perché, come noto i decreti governativi hanno indicato i settori (non le occupazioni) ritenuti essenziali. Per tale motivo la nostra analisi empirica è stata svolta a livello di settore.
Per visualizzare la relazione tra i due indici di prossimità e di adozione di AI, la Figura 5 mostra la loro relazione per i 1222 settori dell’economia italiana nel periodo 2015-2010. È interessante notare che la relazione appare essere non lineare e rivela una forma parabolica con concavità verso il basso.
Per valori di AI inferiori alla media settoriale, AI e prossimità sono in relazione positiva, mentre per valori superiori esiste una chiara relazione negativa. È chiaro che il modello a forma di U invertita dipende dal peso relativo dei diversi tipi di professioni all’interno dei settori. Nella stessa Figura 3 si mostra anche la quota di lavoratori nelle occupazioni cognitive, manuali e di routine. La sezione crescente della curva corrisponde ad un utilizzo relativamente maggiore di occupazioni di routine e di lavoratori manuali, per i quali lo score di AI e la vicinanza hanno un rapporto positivo. La sezione decrescente corrisponde invece ad a maggior peso relativo delle professioni cognitive per le quali AI e prossimità mostrano una correlazione negativa.
In altre parole, il nostro lavoro conferma innanzitutto che il cambiamento tecnologico portato dall’IA, come quello generato da altri tipi di innovazione, non è neutrale ed è diretto verso specifiche tipologie di lavoratori (Acemoglu, 2002, 2015, Acemoglu e Restrepo 2019, 2020). Ad esempio Caselli, Fracasso, Scicchitano, Traverso e Tundis (2021) mostrano che in Italia, l’impatto dei robot sulle occupazioni di carattere routinario risulta irrilevante, mentre lo stesso non può dirsi per le occupazioni che richiedono sforzi di natura fisica al lavoratore. In particolare, gli autori mostrano che nel periodo 2011-2018, l’introduzione di robots industriali sembra aver contribuito a ridurre in misura statisticamente significativa il peso relativo delle occupazioni che prevedono un intenso impegno del busto e, in particolare, dei muscoli addominali e lombari. Essa risulta invece aver favorito la crescita, seppur in modo più debole, della quota di professioni associate al controllo e all’utilizzo di macchinari e, in generale, complementari ai processi di automazione. Inoltre, la relazione a forma di parabola concava verso il basso tra AI e prossimità all’interno dei settori indica che esiste un livello minimo di prossimità che è necessario per lo svolgimento delle attività, una sorta di barriera organizzativa. Il passaggio da un basso ad un medio livello di digitalizzazione non rompe il livello vincolante di prossimità, perché richiede che i lavoratori agiscano in prossimità l’uno dell’altro. Quando i compiti cognitivi e la tecnologia sono impiegati su larga scala, i settori rompono la necessità di vicinanza e riescono ad accedere a una struttura organizzativa diversa, in cui la digitalizzazione implica minore vicinanza.
Figura 5: Quota di lavoratori nelle classi di occupazione insieme Indice di prossimità e indice di adozione di AI per 1222 settori produttivi
I risultati del modello empirico, realizzato con il metodo delle variabili strumentali, confermano la relazione ad U rovesciata tra prossimità e IA. Tale relazione rimane valida sia nei settori essenziali e rimasti chiusi durante il lockdown della primavera del 2020 sia in quelli chiusi, a conferma del fatto che l’IA ha grandi potenzialità di salvare posti di lavoro e attività economiche anche in settori che il policymaker intende essere ad alto rischio di contagio. Inoltre, troviamo che la vicinanza è inferiore per i settori che impiegano lavoratori più anziani di sesso maschile, impegnati in mansioni ordinarie, e risulta maggiore nelle imprese del centro Italia.
Conclusioni
La pandemia sta causando effetti sanitari ed economici devastanti in giro il mondo. Il Covid-19, poi, sembra in grado di accelerare l’uso di tecnologie innovative a un ritmo senza precedenti (vedi Hantrais et al., 2020), anticipando e concentrando in poco tempo, anche in Italia, scelte organizzative e tecnologiche dirimenti, come accaduto per esempio per lo smartworking. Come mostrato da studi recenti per gli Stati Uniti (Brynjolfsson et al., in NBER Working Paper, 2020), una volta che un’impresa investe risorse importanti in capitale fisso, ad esempio per promuovere lo smart working, è probabile che tale pratica non sarà abbandonata e che l’organizzazione lavorativa della stessa azienda continuerà ad andare in quella direzione anche successivamente alla fine della crisi sanitaria. Per tale motivo, riteniamo che questi cambiamenti saranno in molti casi strutturali anche nel nostro mercato del lavoro, richiedendo nuove competenze e diverse capacità di adattamento al lavoro (Bonacini, Gallo, Scicchitano, 2021). Alcuni studiosi vedono, infatti, il COVID-19 come un evento di forzatura dell’automazione, il cui effetti sulla tecnologia e sul lavoro sono destinati a durare nel tempo (vedi Autor e Reynolds, 2020).
In questa nota abbiamo sintetizzato i risultati di un lavoro scientifico in cui esploriamo il potenziale dell’IA nell’influenzare l’organizzazione della forza lavoro a livello settoriale. Sulla scia dei diversi lockdown attuati durante la pandemia di COVID-19, il lavoro indaga la relazione tra i progressi dell’IA e la vicinanza fisica sul mercato del lavoro. Lo scopo del il lockdown è di imporre il distanziamento sociale e ridurre il grado di contagio del COVID-19. Tuttavia, questa soluzione ha conseguenze economiche drammatiche sui settori che interrompono l’attività e sull’intera economia. Pertanto, è importante indagare, in primo luogo, quali sono i settori che richiedono un alto livello di vicinanza fisica e, in secondo luogo, se e in che modo la tecnologia può aiutare a mantenere i settori in attività e, in definitiva, a salvare posti di lavoro.
In questo contesto, il potenziale impatto dell’IA nel combattere la pandemia di COVID-19 è enorme, ma non è stato ancora sfruttato, anche a causa alla mancanza di dati (Naude, 2020). Noi troviamo che un’elevata adozione di IA implica un basso livello di vicinanza a livello occupazionale. A livello settoriale, il rapporto tra prossimità e IA segue un modello a forma di U rovesciata, segnalando l’esistenza di possibili barriere organizzative per l’uso della tecnologia e che l’IA si associa ad una riduzione del grado di vicinanza solo a partire da un dato livello di IA. I risultati mostrano, poi, che la relazione è significativa sia tra i settori rimasti aperti durante il lockdown, sia tra i settori chiusi, evidenziando il potenziale inesplorato dell’IA anche per i settori ritenuti non essenziali.
L’Italia è stato il primo Paese occidentale ad attuare misure di lockdown per limitare il rischio del contagio da COVID-19. Molti altri paesi hanno adottato misure simili e stanno attualmente lottando, da un lato, con la ripresa dell’economia, e, dall’altro, con ulteriori ondate delle varianti virus e con il rischio di dover affrontare nuovamente un lockdown generalizzato. Il nostro studio fornisce informazioni ai policy makers sul potenziale ancora inesplorato dell’IA per combattere la diffusione del virus e per la costruzione di politiche basate sull’evidenza. I nostri risultati mostrano che i progressi nella digitalizzazione, oltre ai benefici attesi in termini di produttività e competitività, possono salvare posti di lavoro e preservare le attività economiche in una situazione di alto contagio.
Bibliografia
Acemoglu, D. (2002). Directed Technical Change. The Review of Economic Studies 69 (4), 781–809.
Acemoglu, D. (2015). Localised and Biased Technologies: Atkinson and Stiglitz’s New View, Induced Innovations, and Directed Technological Change. The Economic Journal 125 (583), 443–463.
Acemoglu, D. and P. Restrepo (2019). Automation and new tasks: How technology displaces and reinstates labor. Journal of Economic Perspectives 33 (2), 3–30.
Acemoglu, D. and P. Restrepo (2020). Robots and jobs: Evidence from US labor markets. Journal of Political Economy 128 (6), 2188–2244.
Aina, Carmen & Brunetti, Irene & Mussida, Chiara & Scicchitano, Sergio, 2021. “Who lost the most? Distributive effects of COVID-19 pandemic,” GLO Discussion Paper Series 829, Global Labor Organization (GLO).
Aina, Carmen & Brunetti, Irene & Mussida, Chiara & Scicchitano, Sergio, 2021. “Even more discouraged? The NEET generation at the age of COVID-19,” GLO Discussion Paper Series 863, Global Labor Organization (GLO).
Autor, D. and E. Reynolds (2020). The nature of work after the covid crisis: Too few low-wage jobs. The Hamilton Project, Brookings.
Barbieri, T., Basso, G. & Scicchitano, S. Italian Workers at Risk During the COVID-19 Epidemic. Ital Econ J (2021). https://doi.org/10.1007/s40797-021-00164-1
Bonacini Luca & Giovanni Gallo & Sergio Scicchitano, 2021. “Working from home and income inequality: risks of a ‘new normal’ with COVID-19,” Journal of Population Economics, Springer;European Society for Population Economics, vol. 34(1), pages 303-360, January.
Brem, A., E. Viardot, and P. A. Nylund (2021). Implications of the coronavirus (covid-19) outbreak for innovation: Which technologies will improve our lives? Technological Forecasting and Social Change 163, 120451.
Bullock, J., K. H. Pham, C. S. N. Lam, M. Luengo-Oroz, et al. (2020). Mapping the landscape of artificial intelligence applications against covid-19. arXiv preprint arXiv:2003.11336 .
Carbonero, Francesco & Scicchitano, Sergio, 2021. “Labour and technology at the time of Covid-19. Can artificial intelligence mitigate the need for proximity?,” GLO Discussion Paper Series 765, Global Labor Organization (GLO).
Caselli, Mauro & Fracasso, Andrea & Scicchitano, Sergio, 2020. “From the lockdown to the new normal: An analysis of the limitations to individual mobility in Italy following the Covid-19 crisis,” GLO Discussion Paper Series 683, Global Labor Organization (GLO).
Caselli M., Fracasso A., and S. Traverso, 2021. “Robots and risk of Covid-19 contagion in the workplace: Evidence from Italy” Technological Forecasting & Social Change, forthcoming
Caselli, Mauro & Fracasso, Andrea & Scicchitano, Sergio & Traverso, Silvio & Tundis, Enrico, 2021. “Stop worrying and love the robot: An activity-based approach to assess the impact of robotization on employment dynamics,” GLO Discussion Paper Series 802, Global Labor Organization (GLO).
Devezas, T. (2020). The struggle sars-cov-2 vs. homo sapiens–why the earth stood still, and how will it keep moving on? Technological Forecasting and Social Change 160, 120264.
Hantrais, L., P. Allin, M. Kritikos, M. Sogomonjan, P. B. Anand, S. Livingstone, M. Williams, and M. Innes (2020). Covid-19 and the digital revolution. Contemporary Social Science, 1–15.
Korinek, A. and J. E. Stiglitz (2021). Covid-19 driven advances in automation and artificial intelligence risk exacerbating economic inequality. BMJ 372.
Leslie, D., A. Mazumder, A. Peppin, M. K. Wolters, and A. Hagerty (2021). Does “ai” stand for augmenting inequality in the era of covid-19 healthcare? BMJ 372.
Makris, M. & Toxvaerd, F., 2020. “Great Expectations: Social Distancing in Anticipation of Pharmaceutical Innovations,” Cambridge Working Papers in Economics 2097, Faculty of Economics, University of Cambridge.
Naudee, W. (2020). Artificial intelligence against covid-19: An early review. IZA Discussion Paper No. 13110
*Le opinioni qui espresse non riflettono necessariamente quelle di INAPP.
- Fin dalle leggi approvate nel 1996 (L. 608/96, L. 296/96), all’atto dell’assunzione di un nuovo dipendente, vige l’obbligo per il datore di lavoro di darne comunicazione al centro per l’impiego competente. Successivamente, nel 2007, per tutti i datori di lavoro, privati e pubblici, che intendono instaurare un rapporto di lavoro subordinato o di lavoro autonomo in forma coordinata, è stato introdotto il modello Unificato Lav., reso obbligatorio nel 2008. Infine, a partire dal 1° marzo 2008 la comunicazione telematica diventa l’unico modo utilizzabile. ↑
