Il 43,5% dei messaggi di ChatGPT legati a un'occupazione specifica riguarda attività che storicamente appartengono a un'occupazione diversa.

Detto in un altro modo: quando un professionista usa ChatGPT per lavoro e non sta svolgendo attività "generiche" e condivise da tutti( tipo scrivere una mail o organizzare un meeting), quasi la metà delle volte sta facendo il lavoro di qualcun altro.

Questo è il dato che emerge dall’ultimo report di OpenAI sull’uso di ChatGPT nel lavoro. E prima di gridare "disoccupazione di massa", vale la pena capire cosa hanno effettivamente misurato.

Cosa hanno fatto (e cosa no)

Innanzitutto, il report introduce un concetto fondamentle, quello di occupational boundary - definito come l'insieme delle attività storicamente associate a una professione - e i ricercatori esaminano se i lavoratori utilizzino l'AI per attività che rientrano in questo confine o sono esterne ad esso.

Per farlo, hanno preso 800.000 messaggi di utenti ChatGPT Business US, hanno collegato ogni messaggio a un'attività lavorativa dell’O*NET (il database del Dipartimento del Lavoro USA che mappa i task per occupazione) e hanno confrontato quel task con l'occupazione dichiarata dall'utente.

Il meccanismo, in tre passaggi:

1. Ogni messaggio → un'attività O*NET.

Il modello mappa il contenuto del messaggio a una Detailed Work Activity (DWA) dell'O*NET - non un'etichetta generica, ma la voce più specifica del database del Dipartimento del Lavoro USA ("calculate financial data", "troubleshoot computer applications", ecc.).

1. Ogni occupazione ha un "confine" costruito a monte.

Usando O*NET, gli autori collegano ciascuna delle 8 occupazioni studiate (CX, design, engineering, finance, HR, legal, marketing, sales) all'insieme di DWA storicamente associate a quel ruolo.

Un task rientra nel confine se è collegato direttamente, oppure se il suo embedding ha una cosine similarity ≥ 0,80 con la DWA più vicina del confine - cioè se risultano semanticamente affini.

Va detto, comunque, che la soglia 0,80 è una scelta arbitraria degli autori, non un dato oggettivo. Cambiare quella soglia cambia quanti task cadono in "generic" vs "within" vs "cross" - il che rende il 43,5% un po' meno robusto di quanto sembri a prima lettura.

1. Le 3 etichette.

A questo punto ogni messaggio finisce in una di tre categorie:

• Generic - task condiviso da quasi tutte le occupazioni (scrivere, riassumere, schedulare): 61,5% del totale.
• Within occupation - il task è dentro (o semanticamente vicino a) il confine dell'occupazione dichiarata dall'utente.
• Cross-occupation - il task non è né generico né dentro il confine: appartiene storicamente a un'altra occupazione. In sostanza, se scrivi "voglio X" e X è storicamente un task da marketer ma tu sei nelle vendite.

Ma attenzione: "cross-occupation" descrive somiglianza, non delegazione. La classificazione dice a quale occupazione il task assomiglia di più secondo O*NET, non che quel lavoro sia stato effettivamente delegato da o storicamente svolto da quell'occupazione.

Se un venditore chiede un'analisi finanziaria, il messaggio viene etichettato "finance" - ma nessuno sta verificando se prima quel venditore la girava davvero a un analista.

In ogni caso, quando un messaggio ChatGPT viene classificato come task storicamente associato a un'occupazione diversa da quella dichiarata dall'utente, OpenAI parla di task crossover.

E qui viene il pezzo davvero interessante: non tutte le occupazioni si comportano nello stesso modo.

Cosa emerge dal report

Il report si basa sui task-based framework di Autor, Levy e Murnane (2003) e Acemoglu e Restrepo (2019), e su un lavoro del 2026 di Gans sul fatto che l'automazione possa sia spezzettare un lavoro in ruoli più stretti sia ricombinarlo in ruoli più generalisti.

Secondo OpenAI stiamo assistendo alla seconda dinamica, in tempo reale, prima che finisca nei dati del lavoro ufficiali.

Citano anche Atalay et al. (2020), che avevano già mostrato che gran parte del cambiamento storico dei task avviene dentro lo stesso job title, non tra un ruolo e l'altro.

Ma cosa hanno trovato i ricercatori?

I designer sono la sorpresa: il 35,2% del loro uso AI è lavoro non di design, ma di analisi, copy o strategia. Il lavoro da designer appare altrove solo nell'1,7% dei casi.

A quanto pare, nessuno chiede a ChatGPT di "pensare come un designer" per il proprio lavoro.

Poi c'è il marketing, che fa il pieno da entrambe le parti: 24,3% in entrata, 8,9% in uscita.

Ma a guardare la classifica completa, praticamente tutte le occupazioni tranne ingegneria importano più di un quarto del proprio lavoro AI da altrove.

Il vero outlier, quindi, non è il design che importa tanto - è l’ingegneria che importa poco: solo il 18,5% dei loro messaggi esce dal perimetro tecnico, ma il troubleshooting IT è tra i primi tre task "presi in prestito" in tutte le altre occupazioni.

Curioso che, in questa tabella, "Discutere prodotti/servizi con i clienti" - che sarebbe nominalmente un task da Customer Experience - è un task frequentato di più in proporzione dal Marketing, al 70,8%.

In pratica i marketer, quando chiedono aiuto AI su task di CX, lo fanno quasi esclusivamente per parlare con (o come) il cliente.

Così come "Comunicare con enti governativi" è un task Legal, ma il gruppo top è Customer Experience al 21,4%. Chi risponde ai clienti finisce per gestire anche la burocrazia regolatoria, senza passare da un legale.

E il calcolo finanziario non è fatto più da HR o marketing, ma dal Sales, al 14,3%.

Capisci ora come quel 43,5% aggregato nasconda qualcosa di interessante: non è un rimescolamento generico, sono coppie specifiche di ruoli che collassano l'una nell'altra.

Nelle figure precedenti (come anche in quella sotto), però, le attività generiche (email, scheduling) vengono escluse dal denominatore.

Perciò, guardando solo agli “occupation-specific (non-generic) messages”, la cross-occupation sembra importante: stai guardando solo la fetta di lavoro "specifico", buttando via tutto il resto.

Ma riclassificando il lavoro "generico" come lavoro specifico della propria professione e sommandolo alla diagonale di ciascuna occupazione, emerge che la sovrapposizione dei task non sostituisce le attività proprie del ruolo.

Ogni professione conserva infatti una significativa componente diagonale di attività proprie o condivise: “Engineering” tiene l'82% del proprio lavoro dentro il proprio perimetro (il più alto), “Legal” il 75%, “Marketing” il 76% e “Design” il più basso.

Anche perché scrivere quella mail è comunque parte del tuo lavoro, anche se non è un task esclusivo della tua occupazione.

In pratica, il task crossover non sta smontando nessuna occupazione - ogni ruolo mantiene un nucleo identitario solido, semplicemente ci aggiunge lavoro extra sopra.

Ok, ma perché dovrebbe interessarci?

Perché smonta silenziosamente una narrativa che gira da due anni: "l'AI automatizza mansioni e i lavori scompaiono".

Ma qui succede qualcosa di più sottile e, se vogliamo, più interessante per chi adotta l’AI: il confine tra le occupazioni si sta ridisegnando prima ancora che i job title ne prendano atto.

Il venditore che analizza un dataset da solo, il marketer che smanetta con un sito o l'HR che scrive contratti base non sono automazioni, sono espansioni di ruolo.

Ma chi sta guidando questo cambiamento?

Tra gli utenti a volume medio (né pochi messaggi né tantissimi), il crossover scende chiaramente man mano che l'azienda cresce: 18,9% nei workspace piccoli, 16,3% in quelli grandi - dove non c’è lo specialista dietro l'angolo.

Ma tra gli heavy user, questo pattern sparisce del tutto: nessun trend, solo saliscendi.

Chi usa l'AI in modo occasionale la usa per tappare buchi fuori ruolo quando serve; chi la usa moltissimo ha già stabilizzato un workflow, e il crossover lì non dipende più da quanti colleghi specializzati ha intorno, perché è diventato parte strutturale del lavoro.

Letto bene, questo è un segnale di maturità dell'adozione:

• chi usa poco o occasionalmente l'AI la usa per tappare buchi improvvisati fuori ruolo;
• chi la usa tanto ha stabilizzato un workflow, e il crossover diventa strutturale invece che emergenziale e non dipende più da quanti colleghi specializzati siano presenti.

Per chi fa consulenza e formazione sull’adozione enterprise, come noi, questo è probabilmente il segnale più utile del report: il crossover "emergenziale" è un fenomeno da early adoption, quello "maturo" è tutt'altra storia.

Il report è anche onestissimo su un punto: analizza i messaggi, non misura la produttività, la qualità, o se qualcuno ha rivisto l'output. È una fotografia dell'uso, che però non prova che il lavoro sia stato fatto bene.

Ma proprio per questo è un insight prezioso e precoce - vediamo la ricomposizione dei ruoli mentre accade, prima che arrivi nei contratti di lavoro.

La domanda vera non è "quanti posti spariranno a causa dell'AI" ma "chi sta già facendo il lavoro di qualcun altro, e chi si accorgerà di doverlo formare - o supervisionare - per farlo bene”.

E, in generale - ma questa ormai è una domanda banale - come si ridisegnerà la geografia delle professioni nell’immediato futuro?

Se vuoi adottare l’AI nella tua azienda, siamo in prima linea in questa missione: consulta i nostri percorsi!

Giacomo Ciarlini - CIO - Datapizza

Simone Conversano - AI Transformation Specialist - Datapizza