Stare nel futuro: il lavoro ai tempi dell’IA

Non siamo entrati all’improvviso nell’era dell’IA

L’IA non è arrivata in un mondo del lavoro stabile e improvvisamente lo ha trasformato. Si è inserita in un cambiamento iniziato molto prima, quando il digitale ha progressivamente modificato il modo in cui produciamo, comunichiamo, apprendiamo e costruiamo relazioni. Oggi l’economia è alimentata dai dati, il lavoro si svolge attraverso una combinazione continua di ambienti fisici e digitali, le relazioni sono potenzialmente più numerose ma anche più disintermediate. Possiamo raggiungere chiunque, accedere a una quantità quasi illimitata di informazioni e lavorare oltre i tradizionali confini di tempo e spazio. Essere più connessi, però, non significa necessariamente essere più vicini, più informati o maggiormente capaci di fare comunità.

Lavoriamo in un ambiente “onlife”, per usare l’espressione di Luciano Floridi: fisico e digitale non sono più dimensioni separate. Questo ambiente amplia l’accesso alla conoscenza e consente di collaborare oltre i confini di tempo e spazio. Allo stesso tempo, moltiplica informazioni e richieste senza aumentare nella stessa misura l’attenzione disponibile. Il risultato è un lavoro più connesso, ma anche più frammentato. Le notifiche interrompono, le piattaforme si sovrappongono, le competenze devono essere aggiornate continuamente, i confini tra tempo professionale e personale diventano più porosi. Il digital stress nasce anche da questo scarto: il carico reale o percepito delle richieste cresce più rapidamente delle risorse cognitive con cui pensiamo di poterle affrontare.

Dall’ambiente digitale all’ambiente cognitivo

L’IA generativa compie un passaggio ulteriore. I sistemi digitali, finora, hanno soprattutto organizzato informazioni e mediato relazioni; quelli generativi entrano invece anche nelle attività con cui produciamo conoscenza: scrivono, sintetizzano, confrontano e formulano risposte. Non comprendono il mondo nel senso umano, ma i loro output entrano nel nostro processo di pensiero.

La domanda, quindi, non è soltanto che cosa l’IA possa fare per noi. È anche che cosa accada a noi mentre la utilizziamo: alla capacità di formulare un problema, riconoscere un errore, costruire esperienza e restare responsabili di una decisione?

Più veloci oggi, meno capaci domani

I benefici sono immediati e misurabili: tempi più brevi, più output, rapido accesso a conoscenze. Sono questi i risultati che osserviamo per primi e sui quali costruiamo i programmi di adozione. Molto più difficile è misurare ciò che accade nel tempo alle capacità da cui dipende la qualità di quegli stessi risultati: giudizio, autonomia, apprendimento, capacità di verifica, attenzione e benessere. Emerge infatti una crescente tensione tra “produttività immediata e misurabile” e “capacità umana differita e non misurata”. Con il risultato che un’organizzazione può migliorare gli indicatori di breve periodo e, contemporaneamente, indebolire le condizioni che sostengono la performance futura. La questione, quindi, non è usare o non usare l’IA, ma come ottenere i vantaggi della delega senza trasformarla in abdicazione.

Delegare un compito non significa delegare il giudizio

Una prima distinzione è tra cognitive offloading e cognitive surrender. Nel primo caso deleghiamo parte del lavoro, ma manteniamo il controllo valutativo: formuliamo il problema, verifichiamo e assumiamo la decisione. Nel secondo esternalizziamo anche il giudizio, adottando l’output perché appare rapido, ordinato e plausibile.

In un recente studio, condotto su 1.372 partecipanti e 9.593 prove, i partecipanti potevano risolvere problemi autonomamente o consultare un’IA che, a loro insaputa, forniva risposte corrette o errate. Quando l’IA era accurata, le prestazioni miglioravano; tuttavia, quando sbagliava, molti ne seguivano comunque il suggerimento, ottenendo risultati peggiori rispetto a chi ragionava senza supporto.

L’implicazione è chiara: per le organizzazioni, il dato rilevante non è soltanto quante persone utilizzino l’IA, ma quanto siano capaci di contestarne l’output, riconoscerne i limiti e riprendere il controllo della decisione.

Completare il lavoro non equivale a costruire competenza

Molte competenze nascono affrontando problemi, commettendo errori e correggendo il percorso. Questa frizione non è sempre inefficienza: spesso è il processo attraverso cui si costruisce esperienza.

In un altro esperimento, condotto su un panel di sviluppatori impegnati a imparare una nuova libreria Python, è stato rilevato che il gruppo assistito dall’IA otteneva, nel test di apprendimento successivo (eseguito senza il supporto dell’AI), un punteggio inferiore del 17%. Il divario maggiore riguardava il debugging, la capacità necessaria per riconoscere e correggere gli errori del codice generato.

L’analisi delle interazioni ha però mostrato che l’esito dipendeva dal modo d’uso. Nei gruppi che chiedevano spiegazioni, chiarimenti concettuali o verificavano la comprensione dell’ouptut prodotto dall’IA, il punteggio medio nel test finale variava dal 65% all’86%. Tra chi invece aveva delegato al sistema la generazione o il debugging del codice, variava dal 24% al 39%.

Anche in questo caso, emerge una chiara implicazione: non è quanto si usa l’IA, ma quanto si resta cognitivamente coinvolti mentre la si usa a fare la differenza in termini di apprendimento.

Il tempo risparmiato non diventa automaticamente benessere

Anche l’idea che l’IA alleggerisca necessariamente il lavoro merita di essere verificata. In una ricerca qualitativa ancora in corso, condotta per otto mesi in un’impresa tecnologica statunitense di circa 200 persone, i ricercatori hanno osservato fenomeni come l’ampliamento delle mansioni, un aumento del multitasking e confini più sfumati tra tempo professionale e personale con una propensione (consapevole o non) a lavorare durante le pause. Lo studio è circoscritto e non dimostra un effetto universale. Segnala tuttavia che il tempo risparmiato non è automaticamente tempo restituito: se l’organizzazione non decide come riallocarlo, l’efficienza può tradursi in maggiore intensità e minore qualità dell’attenzione.

Altre evidenze mostrano il potenziale opposto. In un esperimento sul campo con 776 professionisti di Procter & Gamble, è stato rilevato che le persone supportate dall’IA raggiungevano una qualità comparabile a team di due persone senza IA e producevano soluzioni più equilibrate tra competenze tecniche e commerciali.

Questi risultati descrivono condizioni d’uso differenti. La stessa tecnologia può ampliare l’accesso all’expertise oppure ridurre le occasioni attraverso cui quell’expertise si costruisce.

Dall’adozione a una pratica organizzativa dell’IA

La vera sfida, oggi, non è quindi aumentare il numero di persone che utilizzano l’IA, ma riprogettare il lavoro tra persone e sistemi: quali attività automatizzare, quali svolgere in collaborazione e quali mantenere sotto responsabilità umana perché richiedono giudizio, interpretazione e comprensione del contesto. Cambia così anche il ruolo delle persone, sempre meno centrato sulla sola esecuzione e sempre più sulla capacità di formulare problemi, valutare gli output e assumere decisioni motivate. Queste competenze, però, devono essere allenate e protette.

I people manager diventano quindi architetti del lavoro: progettano flussi, responsabilità e punti di verifica, preservano le occasioni di apprendimento e governano il modo in cui viene utilizzato il tempo liberato. Le organizzazioni che si limiteranno ad aggiungere l’IA ai processi esistenti otterranno efficienze parziali; quelle che sapranno ridisegnare lavoro e ruoli potranno trasformare la produttività immediata in capacità organizzativa duratura.