Nelle organizzazioni che hanno adottato gli strumenti IA in modo ampio ed entusiasta si sta accumulando una tensione silenziosa. Gli strumenti funzionano. Accelerano la produzione, riducono gli attriti e gestiscono volumi di lavoro che altrimenti rallenterebbero i team. Il problema non è se l’IA sia utile. Il problema è cosa succede alle persone che non hanno mai dovuto lavorare senza di essa.
Non si tratta di un argomento nostalgico a favore del fare le cose nel modo più difficile. È una questione strutturale su come si forma realmente la competenza, e se le condizioni che producono un giudizio professionale profondo vengano silenziosamente erose in nome dell’efficienza.
Come si Forma la Competenza: Il Ruolo della Fatica, dell’Errore e della Ripetizione
Le scienze cognitive distinguono da tempo tra competenza superficiale e vera expertise. La competenza superficiale significa essere in grado di produrre un output accettabile. La vera expertise significa capire perché quell’output è corretto, riconoscere quando non lo è, e sapere cosa fare quando l’approccio standard fallisce.
La competenza si costruisce attraverso un tipo specifico di esperienza: affrontare problemi senza una risposta pronta, prendere decisioni in condizioni di incertezza, ricevere feedback e adattarsi. Questo ciclo, ripetuto in molti contesti nel corso del tempo, è ciò che costruisce i modelli mentali che distinguono un professionista senior da uno junior.
Il dettaglio cruciale è che questo processo richiede attrito. Un principiante che fatica a scrivere una prima analisi, sbaglia, capisce perché ha sbagliato e riprova sta costruendo qualcosa di duraturo. Un principiante che interroga un sistema IA, riceve un output rifinito e lo consegna ha completato un compito. Non si tratta della stessa attività, anche quando gli output sembrano identici.
È questo che la maggior parte della copertura mediatica sull’IA nel mondo del lavoro non coglie. La conversazione si concentra quasi esclusivamente sulla qualità e sulla velocità dell’output. Raramente si chiede cosa stia accadendo alla persona che produce quell’output, e se la sua capacità di produrlo in modo autonomo stia crescendo o rimanendo stagnante.
Il Problema dell’Impalcatura: Quando l’Assistenza Diventa un Limite
In ambito educativo e nella psicologia dello sviluppo, il termine scaffolding indica strutture di supporto temporanee che aiutano gli studenti a raggiungere livelli che non potrebbero raggiungere da soli. La parola chiave è temporanee. Un buon scaffolding è progettato per essere rimosso. Man mano che lo studente cresce, il supporto viene ritirato e lo studente interiorizza ciò che l’impalcatura forniva in precedenza.
Gli strumenti IA, così come vengono attualmente impiegati nella maggior parte degli ambienti professionali, non funzionano in questo modo. Sono permanenti, sempre disponibili e sempre più capaci. Non esiste alcun meccanismo che riduca l’assistenza man mano che una persona si sviluppa. L’impalcatura rimane in piedi a tempo indeterminato.
Questo crea un rischio specifico per i professionisti alle prime armi. Se un analista junior ha sempre accesso a un’IA in grado di strutturare argomenti, identificare schemi e redigere conclusioni, potrebbe non sviluppare mai la capacità autonoma di fare quelle stesse cose. Diventa abile nel guidare lo strumento, il che ha un valore reale, ma potrebbe non sviluppare il giudizio più profondo che deriva dal fare in prima persona il lavoro cognitivo sottostante.
Il problema si aggrava nel tempo. Un professionista con cinque anni di esperienza trascorsi lavorando con un uso intensivo dell’IA potrebbe avere un profilo di competenze molto diverso da chi ha trascorso quegli anni ad affrontare i problemi manualmente. Il divario potrebbe non essere visibile nell’output quotidiano. Diventa visibile nelle situazioni inedite, nelle crisi, nei momenti in cui lo strumento non può aiutare perché il problema non ha precedenti.
Perché Questo Conta Oltre le Singole Carriere
Le implicazioni vanno oltre lo sviluppo del singolo professionista. Le organizzazioni dipendono da un flusso continuo di competenza. I professionisti senior fanno da mentori a quelli junior, trasmettono un giudizio che non può essere messo per iscritto, e alla fine vanno in pensione o cambiano strada. Se la coorte junior che entra nel mondo del lavoro nel prossimo decennio sviluppa una competenza più superficiale perché l’IA ha gestito il lavoro cognitivo formativo, il flusso si restringe.
Questo non è un motivo per escludere gli strumenti IA dagli ambienti professionali. È un motivo per riflettere attentamente su come e quando vengono introdotti, e per quali compiti. C’è una differenza significativa tra usare l’IA per gestire lavori ad alto volume e bassa complessità, così che i professionisti junior possano concentrarsi su problemi più difficili, e usare l’IA per gestire i problemi difficili, così che i professionisti junior non debbano mai confrontarsi con essi.
Le organizzazioni che riflettono attentamente su questa distinzione produrranno probabilmente professionisti più solidi nel tempo. Quelle che impiegano l’IA in modo uniforme su tutti i compiti e tutti i livelli di esperienza potrebbero scoprire, tra un decennio, di avere team efficienti ma con una carenza evidente di persone capaci di operare senza gli strumenti.
In Sintesi
Gli strumenti IA accelerano la produzione e riducono gli attriti. Questo ha un valore reale. Il rischio è che per i professionisti alle prime armi venga ridotta anche la fatica cognitiva che costruisce una competenza profonda, e che questa riduzione potrebbe non manifestarsi come un problema per anni. La competenza si forma affrontando le difficoltà, commettendo errori e costruendo giudizio attraverso la ripetizione. Quando l’IA gestisce quella difficoltà al posto dei principianti, l’output migliora ma la persona potrebbe non farlo. Le organizzazioni che vogliono professionisti esperti e autonomi tra dieci anni devono riflettere adesso su quali compiti i loro principianti dovrebbero svolgere senza assistenza, e perché.