💻 computer science

Inteligencia artificial y empleo en España: una aproximación territorial y de género a la exposición laboral

Questo articolo propone un quadro metodologico basato sui settori per valutare l'esposizione al lavoro dell'intelligenza artificiale in Spagna dal 2021 al 2023, rivelando che le regioni metropolitane e orientate ai servizi affrontano rischi più elevati e che l'occupazione femminile mostra costantemente una maggiore esposizione in tutti i territori.

Autori originali: Antoni Mestre, Xavier Naya, Manoli Albert, Vicente Pelechano

Pubblicato 2026-05-06

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Antoni Mestre, Xavier Naya, Manoli Albert, Vicente Pelechano

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Il Quadro Generale: Una "Mappa Meteorologica" per il Lavoro

Immaginate il mercato del lavoro spagnolo come un vasto paesaggio. Da anni, le persone si preoccupano di come l'Intelligenza Artificiale (IA) potrebbe modificare questo paesaggio. Pioverà su alcuni lavori e ne lascerà altri asciutti? Allagherà certe città mentre altre rimarranno al sicuro?

Questo documento, scritto da un team di ricercatori, non cerca di prevedere il futuro con una sfera di cristallo. Invece, hanno costruito una "Mappa Meteorologica" (una metodologia) per misurare quanto del mercato del lavoro attuale in Spagna sia esposto alla pioggia dell'IA. Non stanno dicendo che l'IA sostituirà sicuramente questi lavori domani; stanno semplicemente misurando quanto del lavoro svolto in questi impieghi potrebbe essere svolto dall'IA, in base alla natura dei compiti.

Lo Strumento: Colmare Due Lingue Diverse

I ricercatori si sono trovati di fronte a un problema complicato. Gli studi internazionali solitamente parlano di lavori in termini di ruoli specifici (come "Contabile" o "Sviluppatore di Software"). Tuttavia, le statistiche ufficiali spagnole parlano di lavori in termini di settori (come "Vendita al dettaglio", "Sanità" o "Edilizia").

È come cercare di confrontare una ricetta per una torta (gli studi internazionali) con un elenco di supermercati (i dati spagnoli). Non è facile mescolarli.

Per risolvere il problema, il team ha costruito un ponte traduttore (una matrice). Hanno preso i dati internazionali su quali compiti l'IA può svolgere e li hanno mappati sui settori della Spagna. Ora, potevano guardare una provincia (come Madrid) e dire: "Poiché questa provincia ha così tante persone che lavorano nella vendita al dettaglio e nell'amministrazione, ha un alto 'Punteggio di Esposizione all'IA'".

I Risultati: Dove la Pioggia è Più Forte

1. La Divisione "Città vs Campagna"
La mappa mostra un modello chiaro. La "pioggia" dell'esposizione all'IA è più intensa nelle grandi città vivaci e nei centri turistici costieri.

Aree ad Alta Esposizione: Madrid, Barcellona, Valencia, Málaga e le isole (Baleari e Canarie).
Perché? Questi luoghi sono pieni di lavori "intellettuali": uffici, banche, negozi, hotel e scuole. Questi lavori comportano molta scrittura, organizzazione, conversazione con i clienti e elaborazione di dati: cose in cui l'IA è molto brava.
Aree a Bassa Esposizione: Province rurali nell'entroterra (come Soria, Teruel o Zamora).
Perché? Queste aree si basano maggiormente sull'agricoltura, sulla manifattura tradizionale e sull'edilizia. Questi lavori comportano lavoro fisico, il movimento di oggetti pesanti o il lavoro con macchinari in modi che l'IA attuale (che è principalmente potenza di "cervello digitale") non può facilmente toccare.

2. Il Divario di Genere: Uno Squilibrio Strutturale
Uno dei risultati più sorprendenti è che le donne sono costantemente più esposte all'IA rispetto agli uomini in tutto il paese.

L'Analogia: Immaginate due diversi tipi di barche. Gli uomini, in media, lavorano su barche costruite con legno e acciaio (edilizia, trasporti, industria pesante): queste sono più difficili da sostituire per l'IA. Le donne, in media, lavorano su barche fatte di carta e vetro (istruzione, sanità, amministrazione, vendita al dettaglio): queste sono più trasparenti e più facili per l'IA da vedere attraverso e influenzare.
Il Risultato: In ogni singola provincia, il "Punteggio di Esposizione all'IA" per le donne è più alto rispetto agli uomini. Questo non è perché le donne sono meno qualificate; è perché sono concentrate in settori in cui l'IA è attualmente più applicabile.

3. Stabilità: La Mappa Non Cambia Molto
I ricercatori hanno esaminato i dati del 2021 e del 2022. Hanno scoperto che la mappa appariva quasi identica in entrambi gli anni.

La Conclusione: Non si tratta di una tempesta improvvisa che ha colpito durante la notte. L'"esposizione" è integrata nella stessa struttura dell'economia. Una provincia non diventa "ad alto rischio" solo a causa di un mese negativo; è ad alto rischio perché la sua economia è stata costruita in quel modo per decenni. La struttura è solida e cambia molto lentamente.

Cosa Significa (e Cosa Non Significa)

Gli autori sono molto attenti a dire: "Questa è una mappa di potenzialità, non una previsione di sventura."

Esposizione $\neq$ Sostituzione: Il fatto che un lavoro sia "esposto" all'IA non significa che la persona perderà il lavoro. Potrebbe significare che ottiene un "assistente superpotente" (come un copilota molto intelligente) che aiuta a lavorare più velocemente.
Nessuna Sfera di Cristallo: Il documento ammette di essere uno studio "preliminare". È una prima bozza. Non sa quanto velocemente le aziende acquisteranno effettivamente l'IA, o come cambieranno le leggi, o come le persone si adatteranno.

La Conclusione

Questo documento fornisce una bussola per la Spagna. Ci dice che:

La geografia conta: Le grandi città e i hub dei servizi sono la prima linea del cambiamento dell'IA.
Il genere conta: Le donne sono strutturalmente più propense a ricoprire ruoli che l'IA può toccare, il che richiede un'attenzione speciale per garantire che non rimangano indietro.
La struttura conta: L'economia è costruita su fondamenta profonde. Non possiamo aspettarci che il paesaggio cambi durante la notte, ma possiamo usare questa mappa per iniziare a pianificare come costruire rifugi migliori (formazione, politiche e supporto) per le persone che vivono nelle aree dove la "pioggia dell'IA" è più intensa.

In breve, i ricercatori ci hanno consegnato una torcia per vedere dove sono le ombre, così possiamo iniziare a prepararci per la luce del futuro.

Sintesi Tecnica: Prospettive Territoriali e di Genere sull'Intelligenza Artificiale e l'Occupazione in Spagna

1. Enunciazione del Problema

La rapida espansione dell'Intelligenza Artificiale Generativa (IA) ha riconfigurato in modo fondamentale i dibattiti riguardanti il futuro del lavoro, la produttività e la coesione sociale. Sebbene la letteratura internazionale abbia stabilito metodologie robuste per misurare l'esposizione occupazionale all'IA (ad esempio, utilizzando classificazioni SOC, ISCO o ESCO), esiste un significativo vuoto metodologico nel contesto spagnolo. Le statistiche ufficiali sul lavoro in Spagna sono principalmente disaggregate per settori di attività economica (CNAE) a livello provinciale e di comunità autonoma, piuttosto che per occupazioni specifiche.

Questa disallineamento impedisce l'applicazione diretta degli indici internazionali di esposizione all'IA ai dati regionali spagnoli, ostacolando lo sviluppo di politiche pubbliche mirate, strategie sindacali e pianificazione territoriale. Inoltre, la letteratura esistente spesso trascura l'intersezione tra disparità territoriali e vulnerabilità specifiche di genere, nonostante le evidenze suggeriscano che le donne sono sovrarappresentate nei settori amministrativi e dei servizi altamente suscettibili all'automazione tramite IA. Il documento affronta l'urgente necessità di uno strumento oggettivo e comparabile per misurare l'esposizione all'IA in Spagna, che rispetti la sua specifica struttura statistica (CNAE) e consenta un'analisi territoriale e di genere granulare.

2. Metodologia

Lo studio propone una metodologia preliminare e replicabile per colmare il divario tra le metriche internazionali di esposizione occupazionale all'IA e i dati settoriali spagnoli. L'approccio prevede tre fasi principali:

2.1. Costruzione della Matrice di Incidenza IA–CNAE

Gli autori adattano il "Punteggio di Applicabilità dell'IA" di Tomlinson et al. (2025), basato su oltre 200.000 interazioni reali con strumenti di IA generativa (ad esempio, Microsoft Copilot). Invece di utilizzare direttamente i codici occupazionali, gli autori costruiscono una matrice di mappatura che traduce queste capacità occupazionali nella classificazione spagnola CNAE (a 2 cifre).

Assegnazione del Fattore: A ciascun settore CNAE viene assegnato un "fattore di incidenza" compreso tra 0,06 e 0,30.
Logica: I settori dominati da compiti manuali, fisici o routinari (ad esempio, Agricoltura, Edilizia) ricevono fattori bassi. I settori caratterizzati da compiti amministrativi, linguistici, analitici o di sintesi (ad esempio, Finanza, Servizi Professionali, Informazione e Comunicazioni) ricevono fattori più elevati.
Sintesi: La matrice rappresenta una sintesi ponderata delle evidenze internazionali e della specifica composizione occupazionale dei settori spagnoli.

2.2. Fonti dei Dati e Modello di Calcolo

Lo studio utilizza microdati dell'Istituto Nazionale di Statistica spagnolo (INE) per gli anni 2021 e 2022, in particolare il Censimento Annuale della Popolazione Occupata, disaggregati per provincia, settore (CNAE) e sesso.

Esposizione Settoriale: Per ogni provincia $p$ e settore $c$ , l'"occupazione aggiustata per l'IA" è calcolata come:
$IA\_employment(p,c) = employment(p,c) \times factor_{IA}(c)$
Indicatore Territoriale: L'esposizione aggregata per una provincia è definita come il rapporto tra l'occupazione totale aggiustata per l'IA e l'occupazione provinciale totale:
$IA\text{-}share(p) = \frac{\sum_{c} IA\_employment(p,c)}{\sum_{c} employment(p,c)}$
Disaggregazione di Genere: Lo stesso calcolo viene eseguito separatamente per l'occupazione maschile e femminile per derivare indici di esposizione specifici per genere ( $IA\text{-}share_{female}$ e $IA\text{-}share_{male}$ ).

2.3. Limitazioni

Gli autori dichiarano esplicitamente che questo è uno studio preliminare che misura l'esposizione strutturale potenziale, non la sostituzione effettiva o la perdita di posti di lavoro. Il modello assume una composizione occupazionale omogenea all'interno di ciascun settore CNAE, il che potrebbe nascondere eterogeneità interne. Non tiene conto di effetti dinamici come la creazione di nuovi compiti, i guadagni di produttività o la velocità di adozione da parte delle imprese.

3. Contributi Chiave

Adattamento Metodologico: Il documento fornisce la prima traduzione sistematica delle metriche internazionali di esposizione all'IA nel quadro CNAE spagnolo, consentendo analisi a livello provinciale dove in precedenza erano possibili solo stime nazionali o regionali ampie.
Cartografia Territoriale: Genera una mappa dettagliata dell'esposizione all'IA in tutte le 52 province spagnole, identificando vulnerabilità strutturali basate sulla specializzazione economica.
Analisi di Genere: Quantifica un divario strutturale persistente nell'esposizione all'IA tra uomini e donne, rivelando che la forza lavoro femminile è sistematicamente più esposta alla trasformazione guidata dall'IA in tutti i territori.
Strumento Politico: Offre una metodologia trasparente e aperta a sindacati, decisori politici e ricercatori per monitorare le tendenze e progettare strategie di "transizione giusta" allineate alla Strategia Nazionale sull'IA (ENIA).

4. Risultati

L'analisi dei dati 2021–2022 rivela diversi modelli coerenti:

4.1. Esposizione Aggregata

La Spagna presenta un'esposizione aggregata all'IA da moderata ad alta, con la "IA-share" che oscilla tra il 18% e il 22% dell'occupazione totale. Ciò indica che una porzione significativa del mercato del lavoro spagnolo è impegnata in compiti per i quali l'IA generativa ha un'elevata applicabilità.

4.2. Polarizzazione Territoriale

Viene identificato un chiaro "corridoio centro-mediterraneo" di alta esposizione, che include Madrid, Barcellona, Valencia, Alicante, Málaga e le Isole Canarie (Las Palmas e Santa Cruz de Tenerife). Queste province superano un'esposizione del 21%.

Driver: L'alta esposizione correla con una concentrazione di servizi avanzati, finanza, consulenza professionale, informazione/telecomunicazioni e commercio al dettaglio.
Bassa Esposizione: Le province dell'entroterra (ad esempio, Soria, Teruel, Zamora, Palencia) e quelle con solide basi agricole o manifatturiere tradizionali mostrano un'esposizione inferiore (circa 17,5%–18,5%).
Stabilità: La classifica delle province è rimasta notevolmente stabile tra il 2021 e il 2022, confermando che l'esposizione è guidata da fattori economici strutturali radicati piuttosto che da fluttuazioni cicliche a breve termine.

4.3. Divario di Genere

In ogni singola provincia, l'occupazione femminile mostra un'esposizione all'IA superiore rispetto all'occupazione maschile.

Entità: Il divario varia generalmente da 1,5 a 3 punti percentuali, sebbene sia più ampio nelle regioni fortemente terziarizzate.
Cause: Le donne sono sproporzionatamente concentrate in settori ad alta applicabilità dell'IA, come istruzione, sanità, amministrazione e servizi sociali. Al contrario, gli uomini sono più rappresentati nell'edilizia, nei trasporti e nelle industrie estrattive, che hanno fattori di applicabilità dell'IA più bassi.
Implicazione: Ciò rappresenta una vulnerabilità strutturale per la forza lavoro femminile, suggerendo che l'adozione dell'IA potrebbe impattare in modo sproporzionato sui modelli di occupazione femminile, a meno che non venga mitigata da politiche specifiche.

5. Significato e Affermazioni

Il documento si posiziona non come una previsione definitiva di perdita di posti di lavoro, ma come uno strumento diagnostico per la pianificazione strategica. Il suo significato principale risiede in:

Colmare il Divario dei Dati: Consentire l'uso di dati statistici spagnoli standard (INE/CNAE) per rispondere a domande sull'impatto dell'IA che in precedenza erano irrisolvibili a livello sub-nazionale.
Evidenziare le Disuguaglianze Strutturali: Dimostrare che l'esposizione all'IA non è casuale, ma segue le linee esistenti di specializzazione territoriale e segregazione di genere nel mercato del lavoro.
Informare la "Transizione Giusta": Fornire una linea di base per il governo spagnolo e le parti sociali per progettare politiche di formazione, riqualificazione e protezione mirate geograficamente e demograficamente.

Gli autori concludono che, sebbene l'impatto immediato dell'IA sia probabilmente complementare (migliorando la produttività), l'esposizione strutturale identificata in questo studio evidenzia dove i rischi di spostamento e la necessità di adattamento sono maggiori. Sottolineano che il lavoro futuro dovrebbe affinare il modello con dati occupazionali più granulari e incorporare tassi di adozione dinamici, ma che l'attuale quadro offre un primo passo necessario per una governance tecnologica inclusiva ed equa in Spagna.