Meno assunzioni entry level nelle startup AI-Native

Una piattaforma di preparazione agli esami come Educato AI funziona con 7 dipendenti. Careerist, che vende corsi con tutor umani nello stesso mercato, ne ha 912. Non è un caso isolato: le startup che nascono AI-native sono in media il 25% più piccole dei pari non-AI nello stesso settore e nella stessa annata. Lo dimostra il paper “AI-Native Firms” di Hyunjin Kim (INSEAD) e Rembrand Koning (Harvard Business School), ripreso da Business Insider: un campione controllato di startup, non aneddoti da comunicato.

Lo studio Harvard-INSEAD sulle startup Y Combinator

Il metodo è semplice da descrivere e complicato da eseguire bene. Kim e Koning hanno preso le startup passate da Y Combinator tra il 2020 e il 2024 che si sono autodefinite “AI” nella propria descrizione, e le hanno confrontate con startup non-AI dello stesso settore e della stessa coorte temporale. Il confronto controlla per il momento di fondazione e per il mercato di riferimento, quindi la differenza osservata non dipende dal fatto che una startup sia nata prima o dopo, o che operi in un settore che assume di più per natura.

Per verificare che il pattern non fosse un artefatto del campione YC, piccolo e selezionato, i due ricercatori hanno esteso l’analisi al dataset PitchBook, molto più ampio, con un modello predittivo che stima quali aziende siano davvero AI-native anche fuori dall’autodichiarazione. Il risultato regge su entrambi i campioni, con intensità diversa ma direzione identica.

Aziende più piccole, più ingegneri, meno principianti

Il primo numero è dimensionale. Nel campione YC le aziende AI-native risultano circa il 25% più piccole dei pari non-AI dello stesso settore e della stessa annata. Nel campione PitchBook, più ampio e meno omeogeneo, lo scarto scende al 12%, ma resta sistematico. Non è rumore statistico: è un pattern che attraversa due dataset costruiti con metodi diversi.

Il secondo numero riguarda la composizione, non solo la quantità. Le aziende AI-native impiegano una quota più alta di ingegneri e una quota più bassa di personale in operations, finance, sales e funzioni amministrative. Assumono meno persone a inizio carriera e meno manager intermedi: la gerarchia risulta più piatta perché mancano sia la base sia gli scalini di coordinamento che di solito la sostengono.

Il caso Educato AI/Careerist citato in apertura rende l’idea meglio di qualsiasi tabella: il prodotto che vendono è comparabile, la struttura che lo produce no.

Le stesse aziende, però, non sono penalizzate dal mercato dei capitali per questa scelta. Al contrario: ottengono più finanziamenti e raggiungono valutazioni per dipendente più alte dei pari non-AI. È proprio la metrica che i fondi di venture capital premiano da anni, e ora hanno un modello di business che la produce per costruzione, non per efficienza successiva.

Due strade per usare l’AI, una sola spiega il fenomeno

Kim e Koning distinguono due meccanismi distinti attraverso cui l’AI entra in un’azienda, e la distinzione è il punto più utile del paper. Il primo è il “process channel”: l’azienda usa strumenti come ChatGPT o Claude per velocizzare lavoro che farebbe comunque, con o senza AI. Le startup AI-native nominano questi strumenti negli annunci di lavoro a un tasso 2,6 volte superiore rispetto alle altre. Sembrerebbe la spiegazione più ovvia della riduzione di organico.

Non lo è. I dati mostrano che il process channel da solo non spiega l’appiattimento occupazionale osservato. Le aziende che usano di più i tool AI per il lavoro interno non sono, per questo solo motivo, più piccole in modo sistematico.

Il meccanismo che pesa davvero è il secondo, il “product channel”: qui l’AI è incorporata direttamente nel prodotto che l’azienda vende, non nel lavoro interno che la produce. Circa due terzi delle startup YC taggate come AI costruiscono il modello in questo modo, e sono queste a mostrare lo scarto di organico più marcato. Quando il prodotto stesso fa il lavoro che altrove farebbe un team di persone, l’azienda non ha bisogno di scalare l’organico per scalare il fatturato.

Il caso FazeShift: crescere senza assumere

FazeShift è l’esempio che il paper usa per il product channel, e mostra il meccanismo senza bisogno di ulteriori spiegazioni. L’azienda costruisce agenti AI per la gestione degli accounts receivable, la parte contabile che segue gli incassi dai clienti. È una funzione di solito affidata a team che crescono in proporzione al numero di clienti serviti.

Con FazeShift questa proporzione si rompe. Il numero di clienti può aumentare senza che lo staff cresca alla stessa velocità, perché è il prodotto stesso a fare il lavoro che prima richiedeva assunzioni progressive nel reparto finance. La citazione diretta dal paper riassume la tesi centrale: “costruire, importare e orchestrare capacità dei modelli può contare, per il vantaggio competitivo, quanto costruire capacità umane”.

Non dice che l’AI sostituisce le persone in un ruolo esistente. Dice che il vantaggio competitivo di un’azienda oggi si costruisce anche, e sempre più spesso soprattutto, orchestrando modelli invece di assumere squadre.

Chi vince, chi perde e il contesto italiano

L’angolo di lettura corretto riguarda le startup AI-native che non aprono mai quei ruoli fin dalla fondazione, non l’AI che licenzia lavoratori entry-level di aziende già esistenti. La causalità non è “l’AI matura e quindi si tagliano i junior”: è che il modello di business nasce già senza la base della piramide, perché il prodotto stesso replica ciò che quella base avrebbe fatto.

A guadagnarci sono i founder e gli investitori, che vedono valutazioni per dipendente più alte, e gli ingegneri senior già affermati, che restano l’unica categoria di cui queste aziende non possono fare a meno. A perderci sono i neolaureati e i giovani professionisti IT, insieme alle funzioni di supporto (operations, finance, sales, admin) che nelle aziende tradizionali offrivano un primo ingresso nel mercato del lavoro tech.

Il meccanismo ha un costo collettivo che il paper non quantifica ma che è implicito nei numeri: minore mobilità sociale, minore ricambio generazionale nel settore tecnologico. Se le aziende che crescono di più sono anche quelle che assumono meno junior, il canale con cui il tech rinnova la propria forza lavoro si restringe strutturalmente, non per una singola scelta aziendale ma per un modello che si ripete su centinaia di startup.

In Italia il problema si somma a una situazione già difficile. Il dato Excelsior di Unioncamere segnala che nel 2024 l’86,1% delle imprese ha avuto difficoltà a trovare profili IT, un tasso di scarsità che rende ogni ruolo tecnico raro e conteso. L’ecosistema startup italiano, più piccolo e meno capitalizzato di quello statunitense, ha già mangiato il gradino più basso della scala prima ancora di aver raggiunto la scala della Silicon Valley. Il tema non è nuovo: se ne era già parlato quando l’AI chiude la porta ai neolaureati nei settori esposti, e i dati sul crollo delle assunzioni tech confermavano la tendenza anche fuori dal perimetro startup.

Cui prodest, allora, questo modello: ai venture capitalist, che hanno reso l’efficienza per dipendente una metrica di merito quasi quanto la crescita dei ricavi, spingendo i founder a costruire fin dal giorno uno organizzazioni senza i livelli intermedi che un’azienda tradizionale accumula nel tempo. Esistono risposte parziali sul mercato, pensate per salvare le carriere dei più giovani, ma restano iniziative isolate contro una tendenza strutturale del venture capital.

Non tutte le aziende tech seguono lo stesso schema, ed è un dato che va detto per completezza. IBM ha annunciato assunzioni junior triplicate nel proprio piano di crescita, un caso che va in controcorrente rispetto al pattern qui descritto. IBM non è una startup AI-native nata pochi anni fa con pochi dipendenti: è un’azienda matura che riorganizza un organico già esistente, con logiche e vincoli diversi da quelli di una startup che deve ancora decidere se assumere il primo analista finance o un altro ingegnere.