Per anni abbiamo discusso dell’impatto dell’intelligenza artificiale sul lavoro ponendo quasi sempre la stessa domanda: quali professioni verranno sostituite? È una domanda importante, ma rischia di essere meno decisiva di un’altra, molto più scomoda per le imprese: che cosa succede se l’AI non elimina un mestiere, ma elimina una parte del percorso attraverso cui si impara a farlo bene? Molte professioni intellettuali sono costruite su una lunga traiettoria di apprendimento implicito. Il giovane avvocato legge centinaia di contratti prima di imparare a riconoscere una clausola anomala; il junior consultant passa ore a costruire analisi prima di capire quali numeri contano davvero; il giovane programmatore corregge errori apparentemente banali prima di sviluppare l’intuizione necessaria a progettare sistemi complessi; il ricercatore setaccia letteratura, verifica fonti, sbaglia ipotesi e riparte. Molte di queste attività sembrano poco nobili, ripetitive, perfino inefficienti. Eppure sono proprio quelle che costruiscono progressivamente la conoscenza tacita del professionista. L’intelligenza artificiale è straordinariamente adatta ad automatizzarle, perché sono spesso attività codificabili, ripetitive e ad alto consumo di tempo. Il vantaggio economico è evidente: meno ore, più output, team più piccoli, professionisti junior immediatamente più produttivi. Ma proprio qui si nasconde il paradosso. Possiamo aumentare la produttività del giovane professionista oggi e, nello stesso tempo, ridurre le occasioni attraverso cui sarebbe diventato esperto domani. Il rischio non è quindi soltanto la sostituzione di posti di lavoro, ma una possibile interruzione della successione cognitiva dentro le organizzazioni.

Il problema emerge con particolare chiarezza nei settori professionali ad alta intensità di conoscenza. Uno studio legale può usare l’AI per analizzare documenti, cercare precedenti, confrontare clausole e preparare prime bozze. Una società di consulenza può automatizzare parte delle ricerche, della costruzione dei benchmark e delle presentazioni. Una software house può generare codice, test e documentazione. Una banca può affidare a sistemi intelligenti una prima analisi del rischio o del credito. Tutto ciò produce efficienza, ma modifica radicalmente il ruolo del livello junior. Per decenni il lavoro meno sofisticato non era soltanto produzione a basso costo: era anche il sistema attraverso cui l’organizzazione formava i propri professionisti. La distinzione è cruciale. Se una macchina svolge un’attività meglio, più rapidamente e a minor costo, dal punto di vista operativo è razionale automatizzarla. Ma se quella stessa attività rappresentava il terreno su cui si costruivano modelli mentali, esperienza, capacità di giudizio e comprensione delle eccezioni, il risparmio di oggi può trasformarsi in un deficit di competenze domani. È un problema che le metriche tradizionali rischiano di non vedere. Il bilancio misurerà meno ore lavorate, maggiore produttività per addetto, riduzione dei costi. Molto più difficile sarà misurare la conoscenza che non si è formata. Potremmo quindi assistere a un fenomeno paradossale: organizzazioni con senior straordinariamente potenziati dall’AI e junior capaci di produrre risultati di qualità molto prima che in passato, ma con un vuoto crescente nel mezzo, perché l’esperienza non si costruisce automaticamente utilizzando output già elaborati. Essere capaci di ottenere un risultato e diventare capaci di riconoscere perché quel risultato è corretto sono due processi differenti.

È qui che la metafora della palestra cognitiva diventa particolarmente utile. Nessuno va in palestra perché non esistano macchine capaci di sollevare un peso al suo posto. Il peso viene sollevato proprio perché è la resistenza a trasformare il corpo. Una parte dell’apprendimento professionale funziona allo stesso modo: alcune attività sono preziose non soltanto per ciò che producono, ma per ciò che costruiscono nella persona che le svolge. Scrivere una prima analisi, verificare manualmente una fonte, cercare un errore nel codice, leggere integralmente un contratto o ricostruire una serie di dati possono sembrare attività inefficienti quando un sistema artificiale è capace di svolgerle in pochi secondi. Ma l’efficienza del processo e l’efficacia dell’apprendimento non coincidono necessariamente. Se eliminiamo ogni attrito, possiamo ottenere output migliori da professionisti che stanno esercitando meno le capacità necessarie a controllarli. È una dinamica particolarmente insidiosa perché l’AI maschera il problema con risultati di qualità. Un giovane professionista può consegnare documenti migliori, analisi più complete e codice più pulito rispetto alle generazioni precedenti, senza aver necessariamente costruito una comprensione equivalente. Finché il sistema funziona, la differenza può essere invisibile. Diventa evidente quando qualcosa esce dalla norma: una clausola inconsueta, un dato sbagliato, un caso nuovo, una correlazione plausibile ma ingannevole. È proprio in questi momenti che serve quella conoscenza tacita che non deriva dall’aver visto soltanto buoni risultati, ma dall’aver attraversato errori, tentativi, fallimenti e correzioni. Il rischio non è quindi che i lavoratori diventino meno intelligenti, ma che diventino dipendenti da architetture cognitive di cui non possiedono più completamente le fondamenta.

Per le imprese la risposta non può essere semplicemente rallentare l’automazione per preservare vecchi modelli formativi. Sarebbe economicamente insostenibile e culturalmente miope. Occorre invece riconoscere che la formazione professionale deve essere riprogettata nello stesso momento in cui viene riprogettato il lavoro. Se alcune attività junior vengono automatizzate, l’organizzazione deve creare nuovi percorsi intenzionali di apprendimento che sostituiscano ciò che quelle attività producevano indirettamente. Significa distinguere ciò che può essere delegato senza perdita da ciò che deve continuare a essere esercitato almeno in alcune fasi della formazione. Significa progettare momenti in cui il giovane professionista lavora prima senza assistenza, poi confronta il proprio risultato con quello dell’AI; utilizzare i sistemi non soltanto come produttori di output ma come strumenti di critica, simulazione e confronto; costruire ambienti in cui gli errori possano essere analizzati invece di essere semplicemente evitati. Significa soprattutto cambiare il modo in cui misuriamo la performance dei junior. Se valutiamo soltanto quantità, velocità e qualità del risultato finale, l’uso intensivo dell’AI sarà sempre razionale. Se introduciamo anche la crescita della capacità autonoma di giudizio, la questione cambia. Il manager dovrà chiedersi non soltanto quanto velocemente un giovane riesca a produrre un’analisi, ma quanto sia capace di contestarla, spiegarla, ricostruirne le assunzioni e riconoscere quando non fidarsi. La nuova competenza fondamentale potrebbe diventare la capacità di dissentire dalla macchina con buone ragioni. E questa capacità non nasce dall’uso passivo di sistemi sempre più accurati, ma dalla conservazione deliberata di uno spazio di autonomia cognitiva.

La questione ha conseguenze anche sulla struttura economica delle professioni. Molti settori hanno storicamente finanziato l’apprendimento dei giovani attraverso un modello piramidale: molti junior svolgevano una grande quantità di attività relativamente standardizzate, pochi senior assumevano le decisioni più complesse. Se l’AI comprime drasticamente il primo livello, quella piramide può trasformarsi. Le organizzazioni potrebbero aver bisogno di meno persone all’ingresso, ma investire di più su ciascuna di esse; oppure potrebbero ridurre la dimensione dei team e aumentare enormemente la leva produttiva dei professionisti esperti. Nel breve periodo sembra un vantaggio. Nel lungo periodo, però, ogni settore deve rispondere a una domanda elementare: da dove arriveranno i professionisti esperti fra dieci anni? Se un senior potenziato dall’AI riesce a fare il lavoro che prima richiedeva cinque junior, assumere quei cinque appare inefficiente. Ma se nessuno svolge più le attività attraverso cui si costruiva esperienza, il sistema rischia di consumare un capitale umano che non sa più riprodurre. È qualcosa di simile a un’impresa che taglia gli investimenti in manutenzione perché i macchinari continuano a funzionare: per qualche tempo i risultati possono perfino migliorare, finché il costo nascosto non emerge tutto insieme. Il capitale professionale ha però una caratteristica ancora più delicata: non può essere ricostruito istantaneamente quando serve, perché richiede tempo, esposizione a problemi reali, confronto con persone esperte e accumulo di esperienza.

L’intelligenza artificiale ci obbliga quindi a superare un’idea troppo semplice della produttività. Un’impresa non è realmente più produttiva se riesce a fare la stessa cosa con meno persone oggi, ma distrugge nel processo la capacità di farla bene domani. La vera produttività deve includere anche la riproduzione delle competenze che rendono possibile il valore nel tempo. Questo non significa difendere attività obsolete o trasformare l’inefficienza in virtù. Significa capire che alcune fatiche possono essere economicamente inutili come produzione e strategicamente indispensabili come formazione. Il management dell’AI dovrà imparare a distinguere le due cose. Automatizzare tutto ciò che è automatizzabile è una strategia semplice. Decidere che cosa convenga continuare a far fare alle persone, anche quando una macchina potrebbe farlo meglio, è molto più difficile. Ma potrebbe essere proprio questa una delle capacità manageriali più importanti del prossimo decennio. Perché il problema non sarà soltanto costruire organizzazioni in cui l’intelligenza artificiale consenta ai migliori professionisti di fare molto di più. Sarà costruire organizzazioni capaci di generare continuamente nuovi professionisti in grado di capire che cosa quelle macchine stanno facendo.

Se l’AI farà sempre più spesso il lavoro dei junior, il vero vantaggio competitivo sarà appartenere alle imprese che avranno capito come continuare a costruire i senior.

Prof. Carlo Maria Medaglia, Delegato del Rettore per la Terza Missione, l’Innovazione Didattica e l’Intelligenza Artificiale dell’Università degli Studi Telematica IUL