La domanda sull’intelligenza artificiale nelle aziende cambia continuamente. Prima era: “serve a qualcosa?”. Poi è diventata: “quanto tempo fa risparmiare?”. Adesso la si usa davvero tutti i giorni, e ne sta arrivando una terza versione: cosa succede alle persone che la usano otto ore al giorno?
È una domanda molto concreta. Se cambia il lavoro che le persone fanno con la testa, devono cambiare i ruoli, i criteri con cui quel lavoro viene valutato, il modo in cui si forma chi comincia oggi il suo percorso professionale. E, per chi costruisce software, anche il modo in cui si progettano gli strumenti.
Noi questa trasformazione la osserviamo da prospettive professionali diverse, ma connesse e in parte sovrapposte. Dalla connessione di queste diversità nasce questo articolo: parte dai dati disponibili, ma anche dal confronto fra ciò che vediamo accadere nel lavoro quotidiano.
Un articolo scritto a quattro mani, in cui abbiamo preferito lasciare distinte le opinioni di ciascuno di noi.
Indice degli argomenti:
Il divario in cui vivono le decisioni
C’è un numero che inquadra perfettamente il problema. Secondo il lavoro di Anthropic sugli impatti dell’AI sul mercato del lavoro, per le professioni informatiche e matematiche l’esposizione teorica arriva al 94%, mentre la copertura osservata nell’uso reale si ferma al 33%.
Quel divario di sessanta punti non può essere semplicemente un tempo sospeso in attesa dell’inevitabile. È lo spazio in cui stanno tutte le decisioni ancora da prendere: quali attività delegare, quali mantenere, con quali controlli e che cosa le persone vogliono continuare a saper fare.
Castaldo
Chi costruisce questi strumenti è particolarmente interessante da osservare perché li sperimenta per primo. Quello che succede oggi a chi sviluppa software anticipa, almeno in parte, quello che potrà succedere agli altri. E finisce per riflettersi negli strumenti che tutti gli altri useranno.
Flecchia
Ed è proprio qui che per me questi numeri diventano interessanti. Non li leggo soltanto come un divario tecnologico. In quello spazio ci sono scelte umane e organizzative importanti per il nostro futuro. Non è scritto da nessuna parte che tutto ciò che può essere delegato debba essere lasciato all’AI.
Cosa dicono i dati su chi la usa tutti i giorni
Una ricerca del MIT Media Lab ha osservato 54 partecipanti impegnati a scrivere saggi con modalità differenti: con un assistente conversazionale, con un motore di ricerca, senza strumenti di supporto. Chi utilizzava l’AI ha mostrato il livello di connettività cerebrale più debole dei tre gruppi e, a fine sessione, l’83% non sapeva citare una riga del testo appena prodotto. Gli autori parlano di debito cognitivo.
Qui sono necessarie due cautele. La prima: si tratta di un preprint non ancora sottoposto a revisione fra pari, con un campione limitato per numero e caratteristiche. La seconda: la riduzione della connettività cerebrale si riferisce al momento dell’esecuzione del compito, non a una caratteristica permanente. Insomma, quel compito, svolto in quel modo, ha richiesto un minore impegno cognitivo.
Il secondo studio è di Microsoft Research con la Carnegie Mellon University, presentato a CHI 2025. I numeri sono più consistenti: 319 professionisti, 936 casi d’uso reali. Il risultato principale: chi ha più fiducia nell’intelligenza artificiale applica meno pensiero critico, mentre chi ha più fiducia nelle proprie competenze ne applica di più.
Flecchia
Questo dato è particolarmente importante perché sposta l’attenzione dalla sola competenza tecnica al rapporto che abbiamo con le nostre capacità. Possiamo conoscere molto bene l’AI e continuare a reagire diversamente, per esempio a seconda di quanto ci sentiamo sicuri di ciò che sappiamo, di quanto temiamo ci possa sostituire, di quanto ci sentiamo sotto pressione o di quanto abbiamo bisogno di una risposta immediata.
Lo sforzo non si riduce, cambia direzione
Lo stesso studio Microsoft mostra cosa succede all’impegno cognitivo. Chi usa l’AI riferisce uno sforzo minore in quasi tutte le attività professionali quali comprendere, applicare, analizzare, sintetizzare. Ma l’impegno non esce dal processo: si sposta sulla verifica dell’output, sulla sua integrazione con il contesto in cui verrà utilizzato e sul monitoraggio del risultato.
Si tratta di un problema conosciuto molto prima dell’AI. Nel 2010 Raja Parasuraman e Dietrich Manzey pubblicarono su Human Factors una sintesi degli studi su automation bias e automation complacency: insomma, su cosa succede a una persona che deve sorvegliare un sistema automatico che di solito funziona bene.
Queste ricerche, condotte in aviazione, in medicina e in ambito militare, mostrano tre cose. Chi si fida di un sistema affidabile smette di verificarlo davvero, e non se ne accorge. Il fenomeno riguarda sia i principianti sia gli esperti, e la pratica non lo risolve. E non si previene con la formazione o con le istruzioni: dire alle persone “controllate” non produce controlli migliori. Si previene cambiando le condizioni di lavoro, non le raccomandazioni.
E peggiora in una condizione precisa: quando la sorveglianza compete per l’attenzione con altre attività. La giornata tipo di chiunque lavori in un’azienda che va di fretta.
Il paradosso del revisore
Castaldo
Questo spostamento lo vivo ogni giorno. Prima, quando affidavo un compito a un collega alle prime armi, passava un’ora o due prima di rivedere qualcosa. Ma quel tempo non era soltanto attesa: era il ritmo con cui il lavoro tornava indietro e mi permetteva di occuparmi di una cosa alla volta. Oggi una bozza di presentazione o una relazione può arrivare in cinque minuti, e anche meno.
Il collo di bottiglia, di conseguenza, si sposta su chi rivede l’output. E man mano che gli strumenti migliorano, il paradosso aumenta: meno errori, meno interazioni necessarie per ogni compito, più fronti che possiamo aprire contemporaneamente.
Flecchia
E qui il tema del carico diventa centrale. Perché la verifica non avviene quasi mai in una situazione emotivamente neutra: le persone che controllano possono essere lucide e tranquille, ma anche sotto pressione, stanche, preoccupate di non stare al passo. Possiamo chiedere loro di verificare gli output, ma è importante domandarci in quali condizioni si trovano quando svolgono questo delicato compito.
Più lo strumento diventa affidabile, più cose siamo portati ad affidargli. Più attività gestiamo contemporaneamente, meno attenzione resta disponibile per accorgersi degli errori che produce. È l’esatto contrario di “quando sarà più preciso, il problema si risolverà da solo”.
Da quale stato stiamo decidendo?
Il fatto è che una maggiore conoscenza tecnica dell’AI non ci sottrae ai normali meccanismi del funzionamento umano.
Flecchia
Quando lavoro sull’adozione dell’AI, una delle cose che trovo più interessanti è proprio la gamma di reazioni possibili. La stessa tecnologia può attivare curiosità in una persona e senso di minaccia in un’altra. Ma anche la stessa persona può reagire diversamente a seconda del momento, delle sue condizioni, delle caratteristiche del lavoro.
Quando il nostro Sistema Nervoso Autonomo valuta una situazione come sufficientemente sicura, siamo in grado di usare al meglio le nostre risorse: curiosità, capacità critica, possibilità di fermarci e mettere in discussione, collaborazione con gli altri per farlo al meglio. In condizioni di allerta, quando ci sembra di avere di fronte una potenziale minaccia, possono diventare più forti il senso di urgenza e la ricerca di scorciatoie. Quando la paura ci mette in una condizione di blocco, può diventare più facile delegare, e magari disinvestire. Sotto pressione, possiamo essere condizionati da pensieri come: se lo dice l’AI sarà giusto, se funziona non serve capire fino in fondo, se faccio questa domanda sembrerò meno competente, tanto il mio ruolo diventerà obsoleto.
Credo che questa sia una chiave di lettura interessante per capire quanto osservato dallo studio Microsoft: lo stato in cui ci troviamo può modificare la disponibilità delle capacità che ci servono per lavorare bene con l’AI. Riconoscere lo stato da cui stiamo decidendo diventa allora una vera e propria competenza professionale.
Il deskilling che rischiamo non è soltanto tecnico
L’uso continuativo dell’AI può progressivamente modificare alcuni comportamenti: quanto e come verifichiamo, quanto approfondiamo ciò che consegniamo, quando chiediamo aiuto a un collega e quando invece ci rivolgiamo immediatamente allo strumento.
Flecchia
Ci preoccupiamo comprensibilmente di perdere capacità tecniche, ma è bene allargare la portata del deskilling. Che può riguardare anche capacità di giudizio, pensiero critico, autonomia, apprendimento, confronto: capacità che utilizziamo ben oltre il nostro rapporto con l’AI. E questo apre a una domanda ancora più profonda: se l’AI comincia a fare ciò che fino a ieri era una parte importante della mia competenza, dove si colloca adesso il mio valore?
Castaldo
Questa domanda individuale ha una conseguenza molto concreta anche sul lavoro di squadra. L’AI è immediata, sempre disponibile e tende ad assecondare e sostenere. Confrontarsi con un collega costa di più: bisogna spiegare, tenere una posizione, accettare un’obiezione e reggere il disaccordo. Faticoso, eppure proprio quell’attrito è anche uno dei luoghi in cui si costruisce competenza.
Se una parte crescente del confronto viene sostituita dall’interazione individuale con l’AI, la domanda da farsi è cosa stiamo guadagnando e cosa rischiamo di perdere.
Il doppio valore del lavoro come junior
Castaldo
Prima dell’AI, molti lavori affidati a un profilo junior producevano in realtà due risultati. Il primo era evidente: una presentazione, una relazione, un’analisi. Il secondo era molto meno visibile.
Quando un senior ne correggeva la bozza, trasmetteva anche importanti elementi di contesto: perché si prende una certa decisione, come si parla a quel cliente, cosa in quell’azienda funziona e cosa no. Era uno dei canali attraverso cui l’esperienza veniva passata da una generazione professionale all’altra.
L’AI può rendere molto più veloce la produzione dei risultati del primo tipo. Ma se nel farlo rende superflua la condivisione, rischiamo di perdere anche la trasmissione dell’esperienza. E nell’ultimo anno le aziende hanno cominciato a chiederci di automatizzare anche quel passaggio, vedendone il costo in ore e non la funzione.
Flecchia
Questo è un esempio perfetto di un principio più generale: prima di delegare un’attività, dobbiamo chiederci che valore ha per noi. Perché l’output è solo uno dei risultati del lavoro. L’altro può essere apprendimento, esperienza, capacità di giudizio. Elementi che non appaiono nelle metriche di produttività.
Il paradosso è ancora una volta evidente: con l’AI si può rendere un profilo junior produttivo molto più in fretta, ma col rischio di perdere le occasioni che costruiscono l’esperienza necessaria per diventare un senior di valore. Il costo non si vede subito: si vede il giorno in cui il primo senior se ne va e non c’è nessuno pronto a sostituirlo.
Come affrontare questo paradosso?
Castaldo
Sul piano organizzativo vedo quattro scelte, e prese insieme portano a una specie di manifesto aziendale: una posizione dichiarata su cosa l’azienda non vuole smettere di saper fare e su come intende restare un gruppo di lavoro, invece di un insieme di persone che dialogano ciascuna con il proprio assistente.
La prima è decidere quali competenze vogliamo continuare a mantenere anche quando l’AI può svolgerle al posto nostro.
Un’altra è dare alla verifica un nome e un tempo. Se sorvegliare e controllare stanno diventando una parte crescente del lavoro, devono entrare nella pianificazione come qualunque altra attività.
Per chi comincia, inoltre, può diventare importante valutare non soltanto l’output che consegna, ma anche quanto è in grado di ricostruire il processo che lo ha portato al risultato: perché ha scelto una strada, quali alternative ha considerato, cosa cambierebbe modificando un dato.
E in alcuni lavori può essere utile produrre prima e aprire l’assistente AI dopo: non è una regola universale, ma è particolarmente utile quando svolgere personalmente una parte del processo serve a mantenere o sviluppare una capacità che riteniamo importante. E serve anche a chi è esperto: i senior, con il tempo, perdono l’abitudine a fare a mano, ed è una perdita che nessuno misura.
Sul piano della progettazione degli strumenti, tre leve diventano particolarmente rilevanti per aiutare chi li usa a mantenere la direzione nel lavoro con l’AI.
Trasparenza: rendere comprensibili all’utente possibilità, limiti ed errori del sistema e chiarire quando serve verificare e quando l’AI non è lo strumento adatto.
Senso di controllo: mantenere snodi in cui l’utente decide, verifica, cambia direzione e resta parte attiva del processo.
Sviluppo delle capacità: progettare strumenti che rendano l’utente progressivamente più capace, non semplicemente più veloce o più dipendente.
Castaldo
Se progettiamo soltanto per ridurre impegno, tempo e numero di passaggi, rischiamo di considerare inefficiente proprio ciò che mantiene la persona dentro il processo.
Flecchia
Infatti qui sta una delle opportunità più interessanti dell’AI: progettare modalità di utilizzo nelle quali diventa anche un’occasione per osservare e sviluppare il nostro modo di pensare, decidere e lavorare.
La metrica che ancora manca
Tutto questo chiede di allargare lo sguardo oltre le metriche con cui abitualmente giudichiamo un prodotto digitale: performance, velocità, coinvolgimento.
La domanda che quasi nessuno si pone, e che meriterebbe un cruscotto a sé, è questa: che effetto produce l’uso prolungato di questo strumento sulle capacità cognitive, sull’autonomia e sulle relazioni di chi lo usa?
Castaldo
Per chi costruisce questi strumenti, questa domanda dovrebbe diventare anche una domanda di design: dopo sei mesi che l’utente avrà a che fare con il mio prodotto, in che direzione voglio che sia cambiato?
Flecchia
E la stessa domanda riguarda chi introduce questi strumenti nelle organizzazioni: dopo sei mesi di utilizzo, quali capacità vogliamo che le persone abbiano sviluppato, invece che progressivamente delegato? È una domanda di sviluppo, ma anche di responsabilità.
In conclusione: il divario fra ciò che l’AI potrebbe fare e ciò che oggi le stiamo effettivamente affidando resterà aperto ancora per un po’. È lì che possiamo ancora scegliere che cosa delegare all’AI e che cosa vogliamo continuare a sviluppare nelle persone e, insieme, come persone.
Fonti
• Anthropic, *Labor market impacts of AI: A new measure and early evidence*, 2026: https://www.anthropic.com/research/labor-market-impacts
• MIT Media Lab, *Your Brain on ChatGPT*, giugno 2025, preprint: https://arxiv.org/abs/2506.08872
• Microsoft Research e Carnegie Mellon University, *The Impact of Generative AI on Critical Thinking*, CHI 2025: https://dl.acm.org/doi/10.1145/3706598.3713778
• R. Parasuraman, D. H. Manzey, *Complacency and Bias in Human Use of Automation*, Human Factors, 2010: https://journals.sagepub.com/doi/10.1177/0018720810376055
Partecipa alla community