L’intelligenza artificiale sta automatizzando il lavoro che crea gli esperti

Quando le aziende decidono cosa automatizzare, di solito misurano il tempo, il costo, i tassi di errore e la produzione. Raramente misurano cosa insegna un compito alla persona che lo esegue. Questa omissione è importante perché molti compiti che sembrano ripetitivi o inefficienti sono anche parte del sistema di apprendistato invisibile attraverso cui le persone diventano professionisti capaci.

Un analista junior che costruisce un modello per la prima volta, uno sviluppatore che individua un bug di base, un agente di supporto che gestisce una lamentela comune e un avvocato che prepara una prima bozza di memo di ricerca stanno tutti producendo lavoro. Stanno anche imparando come le informazioni si incastrano, quali dettagli sono importanti, dove appaiono gli errori e quando un modello familiare non si applica più. Se l’intelligenza artificiale rimuove il compito senza sostituire il processo di apprendimento, l’organizzazione potrebbe guadagnare velocità oggi mentre indebolisce l’esperienza di cui avrà bisogno in seguito.

La questione della forza lavoro è quindi più ampia della riduzione dell’assunzione di livello di ingresso. I leader devono chiedersi cosa succede ai cicli di pratica che un tempo trasformavano i dipendenti inesperti in persone in grado di giudicare, correggere e supervisionare sistemi intelligenti.

L’esperienza si costruisce attraverso la correzione

L’esperienza è spesso descritta come conoscenza, ma la conoscenza da sola non è sufficiente. Le persone esperte hanno incontrato abbastanza casi da riconoscere segnali deboli, notare combinazioni insolite e capire quando una risposta standard non è sicura. Quel giudizio si sviluppa attraverso cicli ripetuti di lavoro, feedback, correzione degli errori e conseguenze delle decisioni.

Molti compiti junior sono preziosi proprio perché creano quei cicli. La stesura della prima versione di un’analisi costringe qualcuno a decidere cosa è rilevante. La pulizia dei dati rivela quanto le informazioni reali possano essere imperfette. La gestione di casi di clienti standard insegna il modello normale, che in seguito rende più facile riconoscere un caso anormale. La revisione dell’output finale di un esperto non crea la stessa profondità perché le scelte difficili sono già state fatte e nascoste.

L’intelligenza artificiale può comprimere questi cicli. Una prima bozza arriva prima che il dipendente abbia formulato il problema. Un assistente di codice propone la soluzione prima che lo sviluppatore abbia individuato il fallimento. Uno strumento di ricerca riassume le prove prima che l’analista abbia avuto bisogno di confrontare le fonti. L’output potrebbe essere migliore e più veloce, ma il dipendente riceve meno opportunità di costruire un modello interno di perché è corretto.

L’intelligenza artificiale può accelerare l’apprendimento, ma la progettazione è importante

Il rischio non è inevitabile. Alcune delle prove più forti sull’intelligenza artificiale generativa sul lavoro mostrano che può aiutare i dipendenti meno esperti ad imparare più velocemente quando viene utilizzata come guida piuttosto che come sostituto della partecipazione.

Uno studio NBER su 5.179 agenti di supporto clienti ha scoperto che l’accesso a un assistente di intelligenza artificiale generativa ha aumentato la produttività del 14% in media, con un miglioramento del 34% tra i lavoratori novizi e meno qualificati. I ricercatori hanno trovato prove suggestive che il sistema ha aiutato a diffondere le pratiche degli agenti più forti e a spostare i nuovi lavoratori più velocemente lungo la curva di esperienza.

La progettazione di quel lavoro è importante. Gli agenti hanno ricevuto suggerimenti durante vere conversazioni con i clienti, ma hanno ancora dovuto interpretare la situazione, scegliere come rispondere e osservare l’esito. Il ciclo di apprendimento è rimasto intatto. L’intelligenza artificiale ha aggiunto un accesso tempestivo ai modelli di esperti senza rimuovere completamente il dipendente dalla decisione.

Questo è diverso da un flusso di lavoro in cui il sistema completa il compito e il dipendente esegue un’approvazione rapida alla fine. Quando le persone rimangono attive nella diagnosi, nella scelta e nelle conseguenze, l’intelligenza artificiale può funzionare come un allenatore. Quando vengono ridotte ad accettare un output lucido, la tecnologia potrebbe aumentare la produzione a breve termine mentre fa molto meno per la capacità a lungo termine.

L’automazione sta raggiungendo i compiti che costruiscono il capitale umano

È facile supporre che l’intelligenza artificiale rimuoverà solo il lavoro ripetitivo e a bassa qualifica. Le prove attuali suggeriscono un modello più complesso.

L’indice economico di Anthropic di gennaio 2026 ha scoperto che i compiti coperti da Claude tendevano a richiedere più istruzione della media dell’economia. In una stima sperimentale, i ricercatori hanno scoperto che la rimozione di quei compiti coperti dall’intelligenza artificiale dalle occupazioni avrebbe prodotto un effetto di deskilling di primo ordine sui lavori perché molti di quei compiti rappresentavano componenti di istruzione superiore del ruolo. Anthropic ha avuto cura di dire che non si trattava di una previsione, poiché le occupazioni potrebbero evolversi e potrebbero apparire nuovi compiti, ma il risultato dovrebbe cambiare il modo in cui le aziende pensano all’automazione.

Ripetitivo e sviluppo non sono opposti. Preparare un’analisi può diventare routine per un dipendente esperto mentre rimane pratica essenziale per un dipendente junior. La stesura di contratti standard, il debugging di errori familiari, la preparazione di previsioni e la revisione della storia del cliente possono essere automatizzati, ma espongono anche i dipendenti alla struttura della professione.

Questo crea un problema strategico. Il compito più facile da automatizzare potrebbe anche essere il compito attraverso cui un nuovo dipendente impara il contesto necessario per gestire il compito difficile in seguito.

La paradosso della verifica

Molte organizzazioni rispondono dicendo che le persone si sposteranno dalla produzione alla verifica. L’intelligenza artificiale genererà il lavoro, mentre gli esseri umani controlleranno l’accuratezza, applicheranno il contesto e rimarranno responsabili. Ciò sembra ragionevole, ma contiene un paradosso: la verifica stessa richiede l’esperienza che il lavoro automatizzato usava per aiutare a creare.

Uno studio di Microsoft Research su 319 lavoratori della conoscenza e 936 esempi di utilizzo di intelligenza artificiale generativa ha scoperto che una maggiore fiducia nell’intelligenza artificiale era associata a uno sforzo di pensiero critico inferiore. Lo studio ha anche scoperto che l’intelligenza artificiale ha spostato il pensiero critico verso la verifica, l’integrazione e la gestione dei compiti. Queste attività sono preziose, ma una persona non può verificare bene senza abbastanza conoscenza del dominio per riconoscere cosa potrebbe mancare.

Un dipendente inesperto può controllare se una risposta è chiaramente incoerente o non supportata. È molto più difficile notare che l’analisi ha utilizzato il frame sbagliato, ha ignorato una limitazione operativa o ha raggiunto una conclusione plausibile per la ragione sbagliata. L’output lucido dell’intelligenza artificiale può nascondere l’assenza di comprensione perché sembra completo prima che il dipendente abbia sviluppato il giudizio per interrogarlo.

La ricerca sulla “frontiera tecnologica irregolare”rende il problema più concreto. In un esperimento con 758 consulenti, gli utenti di intelligenza artificiale hanno completato i compiti all’interno della frontiera tecnologica del 25,1% più velocemente e hanno prodotto risultati di oltre il 40% di qualità superiore. Tuttavia, in un compito al di fuori di quella frontiera, gli utenti di intelligenza artificiale erano meno probabili del 19% di raggiungere la soluzione corretta rispetto ai partecipanti che lavoravano senza intelligenza artificiale.

La capacità critica non è quindi semplicemente l’utilizzo dell’intelligenza artificiale. È il riconoscimento di quando il sistema sta operando al di fuori del confine di prestazioni affidabili. Quel confine è raramente ovvio e imparare a vederlo richiede esperienza con sia casi di successo che fallimenti.

Il rischio di successione nascosto

Il rapporto del World Economic Forum sul futuro del lavoro 2025ha scoperto che i datori di lavoro si aspettano che il 39% delle competenze dei lavoratori cambierà entro il 2030. Ha anche scoperto che il 63% dei datori di lavoro già considera le lacune di competenze come un ostacolo significativo alla trasformazione, mentre il 77% pianifica di aumentare le competenze dei dipendenti e il 41% si aspetta di ridurre il numero di dipendenti poiché l’intelligenza artificiale automatizzerà i compiti.

Queste strategie potrebbero essere in conflitto se le organizzazioni rimuovono troppo lavoro attraverso cui le competenze si formano. Un’azienda può ridurre l’assunzione di livello di ingresso, affidarsi a dipendenti senior per supervisionare l’intelligenza artificiale e segnalare ancora una forte produttività per diversi anni. La debolezza appare in seguito, quando i dipendenti esperti se ne vanno, la domanda aumenta o l’organizzazione ha bisogno di dipendenti in grado di gestire situazioni che il sistema non ha visto.

Gli esperti senior possono anche diventare un nuovo vincolo operativo. Se l’intelligenza artificiale aumenta il volume di lavoro mentre solo un piccolo gruppo può verificare output difficili, quelle persone spendono più tempo esaminando e correggendo piuttosto che insegnando. L’azienda guadagna capacità di produzione, ma concentra il giudizio in poche mani.

Nessuna organizzazione può automatizzare l’apprendistato e poi supporre che continuerà ad acquistare esperienza dal mercato. Se molte aziende seguono la stessa strategia, il pool esterno di talenti esperti diventerà alla fine più sottile e più costoso.

Misurare il valore di sviluppo del lavoro

Prima di automatizzare un compito, le aziende dovrebbero valutarlo su due dimensioni. La prima è il valore di output: quanto è importante, costoso e sensibile al tempo il risultato? La seconda è il valore di sviluppo: quale capacità costruisce l’esecuzione del compito?

I compiti con basso valore di output e basso valore di sviluppo sono candidati ovvi per l’automazione completa. La riformattazione di documenti di routine o il trasferimento di informazioni tra sistemi potrebbe insegnare poco dopo che la competenza di base è stata raggiunta.

I compiti con alto valore di output ma basso valore di sviluppo possono spesso essere automatizzati con un controllo appropriato. L’organizzazione ha ancora bisogno di governance perché il risultato è importante, ma preservare il processo manuale potrebbe contribuire poco alla crescita dei dipendenti.

La categoria più trascurata contiene compiti con valore di output modesto ma alto valore di sviluppo. La prima bozza di un dipendente junior potrebbe non essere commercialmente importante perché un dipendente senior la revisionerà, eppure produrla crea un confronto prezioso tra ragionamento iniziale e feedback di esperti. Rimuovere quel passaggio salva tempo, ma rimuove anche la pratica.

I compiti con alto valore di output e alto valore di sviluppo dovrebbero di solito essere aumentati piuttosto che delegati completamente. I dipendenti possono utilizzare l’intelligenza artificiale per la ricerca, le opzioni e la critica, ma dovrebbero conservare una responsabilità significativa per la definizione del problema, la spiegazione della decisione e l’apprendimento dall’esito.

Costruire il livello di apprendistato deliberatamente

Una volta identificati i compiti di sviluppo, le aziende possono ridisegnarli invece di preservare i flussi di lavoro inefficienti invariati. L’obiettivo non è far ripetere ai dipendenti ogni processo manuale del passato. È ricreare le esperienze che costruiscono il giudizio in una forma più veloce e più intenzionale.

Un’opzione è preservare il pensiero di prima istanza. Prima di vedere una raccomandazione dell’intelligenza artificiale, il dipendente registra una diagnosi iniziale, una previsione o una decisione. Il sistema può quindi fornire un’alternativa e il dipendente deve spiegare dove le due differiscono e quale approccio utilizzerebbe.

Le organizzazioni possono anche costruire librerie di fallimenti dell’intelligenza artificiale, casi limite e decisioni contestate. La revisione solo degli output di successo insegna ai dipendenti a fidarsi del sistema. Lo studio di dove è fallito aiuta a riconoscere le condizioni che richiedono un’escalation, ulteriori prove o intervento umano.

I manager dovrebbero valutare se l’apprendimento si trasferisce oltre lo strumento. Il dipendente può spiegare il ragionamento dietro l’output finale? Può identificare le ipotesi che lo renderebbero errato? Può adattarsi quando il contesto cambia o l’intelligenza artificiale non è disponibile? Queste domande rivelano più sulla prontezza che sul numero di prompt utilizzati o compiti completati.

Soprattutto, i dipendenti junior hanno ancora bisogno di responsabilità reali. Le simulazioni e la pratica strutturata aiutano, ma l’esperienza dipende anche dalle conseguenze, dal feedback e dal contatto con la complessità reale. L’intelligenza artificiale dovrebbe rendere queste esperienze più sicure e più frequenti, non rimuoverle completamente.

Il vantaggio della forza lavoro verrà da una maggiore esperienza

Le organizzazioni più forti non saranno quelle che automatizzano il maggior numero di compiti junior. Saranno quelle che rimuovono lo sforzo a basso valore mentre accelerano lo sviluppo delle persone che possono utilizzare, sfidare e supervisionare l’intelligenza artificiale in modo responsabile.

Ciò richiede una definizione più ampia del ritorno sull’automazione. Il tempo risparmiato e l’output prodotto sono importanti, ma i leader dovrebbero anche misurare se il nuovo flusso di lavoro rafforza o indebolisce la fornitura futura di giudizio dell’organizzazione. Un processo che riduce i costi mentre danneggia la pipeline di esperienza potrebbe essere efficiente solo su un orizzonte temporale breve.

Prima di approvare il prossimo progetto di automazione, i leader dovrebbero chiedersi una domanda aggiuntiva: cosa hanno imparato le persone facendo questo lavoro e dove si verificherà quell’apprendimento dopo che il lavoro è stato automatizzato?

La risposta determinerà se l’intelligenza artificiale produce semplicemente più output o aiuta a produrre la prossima generazione di esperti.