Digitalization, Artificial Intelligence, and wage inequalities: a task-based analysis of italian labor market dynamics with an urban perspective

This thesis investigates the relationship between digitalization, Artificial Intelligence (AI), and wage inequality in Italy between 2014 and 2019 through a task-based, capability-aware, and spatially explicit framework. Moving beyond traditional skill-based approaches, the study examines how technological change affects wage distributions depending on both the tasks workers perform and the territorial contexts in which they operate. First, new task indexes (cognitive, manual, routine, and non-routine) are constructed using ICP microdata through Factor Analysis and mapped to the Italian Labour Force Survey at NUTS3 level to build task-based worker groups. Second, two complementary indicators of technological change are introduced: cloud-computing adoption as a proxy for foundational digitalization and the Occupational Catch-Up Index (OCUI), a novel measure of AI exposure based on the gap between human capability requirements and current AI capabilities derived from the OECD AI Capability Indicators. These measures are integrated into a panel dataset of Italian provinces and analysed using Theil inequality decomposition and panel regression models. The results show no evidence that digitalization or AI increase wage inequality between task groups. Instead, digital technologies are associated with lower wage dispersion within certain groups: traditional digitalization reduces inequality among cognitive workers, while AI exposure compresses wage dispersion within non-routine workers. However, these equalizing effects weaken with city size and may disappear in the largest metropolitan areas. Overall, the thesis contributes new measurement tools and empirical evidence suggesting that, when analysed through tasks, capabilities, and spatial context, digitalization and AI tend to compress rather than polarize wage inequality.

Questa tesi analizza la relazione tra digitalizzazione, Intelligenza Artificiale (IA) e disuguaglianza salariale in Italia nel periodo 2014–2019 attraverso un approccio task-based, capability-aware e spatially explicit. Superando i tradizionali approcci basati esclusivamente sulle skill, la tesi esamina come le tecnologie digitali influenzino la distribuzione dei salari considerando congiuntamente le attività svolte dai lavoratori e il contesto territoriale in cui lavorano. La tesi costruisce nuovi indici di task (cognitive, manuali, routinarie e non routinarie) a partire da microdati ICP tramite Factor Analysis, successivamente mappati sulla Rilevazione sulle Forze di Lavoro italiana a livello provinciale (NUTS3), costruendo così quattro gruppi di lavoratori task-based. Inoltre, vengono sviluppati due indicatori complementari di cambiamento tecnologico: l’adozione del cloud computing come misura di digitalizzazione “fondazionale” e l’Occupational Catch-Up Index (OCUI), un indicatore originale di esposizione all’IA basato sul divario tra requisiti di capacità umane e livelli osservati di capacità dell’IA derivati dagli OECD AI Capability Indicators. L’analisi empirica utilizza la decomposizione dell’indice di Theil e modelli panel a livello provinciale. I risultati mostrano che né la digitalizzazione né l’esposizione all’IA aumentano la disuguaglianza salariale tra gruppi di lavoratori. Al contrario, le tecnologie digitali sono associate a una riduzione della dispersione salariale all’interno di alcuni gruppi: la digitalizzazione tradizionale riduce la disuguaglianza tra i lavoratori cognitivi, mentre l’esposizione all’IA comprime la dispersione salariale tra i lavoratori non routinari. Tuttavia, questi effetti equalizzanti si attenuano all’aumentare della dimensione urbana e possono scomparire nelle aree metropolitane più grandi. Nel complesso, la tesi introduce nuovi strumenti di misurazione e fornisce evidenze empiriche che suggeriscono come, se analizzate attraverso task, capacità e contesto territoriale, digitalizzazione e IA tendano più a comprimere che ad ampliare la disuguaglianza salariale