In questo articolo Indice dei contenuti 2 sezioni
L’adozione dell’AI in azienda corre più veloce di quanto le organizzazioni riescano a metabolizzare, e il conto rischia di arrivare da una direzione poco sorvegliata: non i costi, non la sicurezza, ma l’erosione cognitiva delle persone che quei sistemi dovrebbero affiancare. Delegare in modo crescente i compiti analitici a un modello significa, nel tempo, smettere di allenare le capacità che quei compiti tenevano in esercizio. Un processo silenzioso, senza incidenti clamorosi, che si manifesta solo quando serve un giudizio umano e quel giudizio non c’è più con la stessa solidità di prima.
C’è un’espressione che descrive bene il fenomeno, la cognitive rust belt. Richiama l’immagine delle vecchie aree industriali svuotate, dove gli impianti restano in piedi ma la produzione se n’è andata altrove. Applicata al lavoro intellettuale, indica quelle competenze che restano formalmente presenti nell’organigramma mentre nella pratica arrugginiscono, perché nessuno le usa più davvero. Le mansioni continuano a esistere sulla carta, i ruoli hanno ancora un nome, però la sostanza si assottiglia.
Quando l’attrito tecnico nasconde il problema vero
Nelle prime fasi di introduzione dell’intelligenza artificiale l’attenzione finisce quasi sempre sugli ostacoli operativi. Integrazioni che non funzionano, dati sporchi, output da correggere, flussi di lavoro da ricucire. È un attrito reale e visibile, e proprio per questo assorbe tutta la discussione interna. Ma è anche una specie di schermo. Mentre i team si concentrano sul far girare gli strumenti, il cambiamento più rilevante avviene altrove, nel modo in cui il lavoro viene pensato prima ancora di essere eseguito.
Il punto è che l’attrito iniziale passa. I sistemi migliorano, le integrazioni si stabilizzano, gli output diventano più affidabili. Quello che non torna indietro è la ridefinizione del ruolo degli analisti. Chi prima costruiva un ragionamento passo dopo passo, sbagliando, tornando indietro, verificando le ipotesi, si ritrova sempre più spesso nella posizione di chi controlla un risultato già confezionato. Sono due attività diverse, e producono professionisti diversi.
Il giudizio professionale non si improvvisa
La formazione del giudizio professionale è la parte più esposta. Non nasce dai manuali né dai corsi, si costruisce accumulando casi, errori, intuizioni sbagliate corrette in corsa. È un sapere che si sedimenta facendo, e che permette di riconoscere quando un numero non torna anche senza saper spiegare subito il perché. Se il percorso che porta a quel numero viene saltato, l’intuizione ha meno materiale su cui poggiare. Il paradosso è evidente soprattutto per chi entra ora nel mondo del lavoro. Le attività ripetitive e apparentemente poco nobili erano anche la palestra in cui si imparava il mestiere. Automatizzarle libera tempo, certo, però toglie a chi comincia l’occasione di sviluppare quella familiarità con i dati che poi consente di supervisionare con cognizione di causa. Si chiede a professionisti sempre più giovani di validare output prodotti da sistemi complessi, senza che abbiano avuto modo di costruire i riferimenti per farlo.
Non si tratta di rallentare l’adozione dell’AI né di rimpiangere modalità di lavoro superate. Il tema è come governare la transizione mantenendo vive le competenze che restano necessarie, anche quando sembrano superflue nel quotidiano. Le imprese che affrontano l’introduzione di questi strumenti solo come una questione di efficienza e di riduzione dei tempi rischiano di ritrovarsi con processi rapidi e con una capacità di controllo sempre più fragile.
La delega dei compiti analitici alle macchine è già in corso su larga scala e non è reversibile. Ciò che resta in mano alle organizzazioni è la scelta su quali abilità continuare a coltivare deliberatamente, sapendo che l’assenza di esercizio è sufficiente da sola a farle deperire, senza bisogno di alcuna decisione esplicita.
