L’AI sta cancellando l’apprendistato invisibile

Le prime cose che l’intelligenza artificiale si prende, dentro un’azienda, sono quasi sempre le stesse: la prima bozza di un documento, il controllo di un foglio di calcolo, la ricerca di precedenti, un pezzo di codice semplice, la risposta alle domande che i clienti fanno da anni nello stesso ordine. Compiti ripetitivi e spesso noiosi, che nessuno rimpiange. Erano anche il posto da cui si cominciava a imparare un mestiere, ma questo nel dibattito pubblico non compare quasi mai.

Da oltre un anno la discussione sull’AI e il lavoro si misura in posti persi. Quanti ne spariranno, in quali settori, entro quando. Mi piacerebbe avere un numero da darvi, però i dati usciti nelle ultime settimane raccontano una cosa diversa e secondo me più scomoda: le professioni restano dove sono, mentre si sta smontando il percorso con cui si diventava capaci di esercitarle.

Dopo più di trent’anni passati dentro la tecnologia ho imparato a diffidare delle facili previsioni. In mezzo ci sono aziende, processi, incentivi, persone e clienti che non cambiano alla velocità del software. Questa volta però qualcosa si è mosso, e si vede nel lavoro quotidiano, documentato da paper, ricerche ed articoli pubblicati negli ultimi 30 giorni.

OpenAI ha analizzato oltre 800.000 messaggi di lavoro inviati a ChatGPT negli Stati Uniti, pubblicando i risultati pochi giorni fa. Tolti i compiti generici, quelli che chiunque fa in qualunque mestiere come scrivere o riassumere, resta un 43,5% di richieste che riguardano attività associate a una professione diversa da quella di chi le manda.

Vuol dire che il commerciale si analizza da solo i dati che prima avrebbe girato a un analista, che il marketing mette mano al sito senza aspettare lo sviluppatore, e che il piccolo imprenditore si prepara da sé i materiali legali e finanziari, chiamando lo specialista dopo, se lo chiama. OpenAI lo chiama task crossover, cioè compiti che scavalcano i confini dei mestieri: fra il momento in cui serve una cosa e il momento in cui è fatta sono spariti dei passaggi, e in quei passaggi c’era qualcuno.

Il valore si sposta di conseguenza. Produrre un documento è alla portata di chiunque abbia venti secondi e una connessione, mentre è rimasto difficile quanto prima capire se è la cosa giusta da mandare in quel momento e se qualcuno lo potrà usare senza farsi male.

Google arriva a conclusioni compatibili con un campione molto più grande. Il primo rapporto ATLAS mette insieme 15 milioni di interazioni aggregate con Gemini, AI Mode e le API. L’uso professionale dell’AI compare nel 68% delle occupazioni, che insieme fanno il 90% dell’occupazione statunitense. Dentro il singolo lavoro, però, copre circa il 21% delle attività, e meno del 10% delle interazioni automatizza un compito dall’inizio alla fine. Per il resto siamo su ideazione, ricerca, apprendimento e supporto alle decisioni: l’adozione è arrivata quasi ovunque senza scendere in profondità.

Entrambi i rapporti arrivano da aziende che vendono AI e che misurano l’uso dei propri prodotti, quindi descrivono i loro clienti più che la forza lavoro americana, e vanno letti con questo sconto applicato. Il fenomeno di fondo resta leggibile: le persone usano l’AI soprattutto per allargare il proprio raggio d’azione, e l’automazione completa di un compito per adesso riguarda una minoranza di casi.

Gallup ha chiesto ai dipendenti che usano l’AI se si sentono più produttivi, e il 65% ha risposto di sì. Alla domanda se la tecnologia abbia cambiato il modo in cui l’organizzazione lavora, i sì scendono al 12%. Sono 53 punti di scarto, e la spiegazione è meno misteriosa di quanto sembri: uno scrive la relazione in metà tempo, poi la relazione entra nel giro di approvazioni di sempre e aspetta le stesse riunioni. Il tempo lo ha risparmiato la persona, mentre l’azienda continua a lavorare come prima.

Per questo installare Copilot, ChatGPT o Gemini su tutte le postazioni sposta poco.

La produttività arriva quando qualcuno si prende la briga di ridisegnare responsabilità, controlli e flussi decisionali intorno a quello che gli strumenti sanno fare, che è un lavoro lento e conflittuale, e infatti si fa molto meno volentieri che comprare licenze.

Anche sui dati macro conviene andarci piano. Negli Stati Uniti l’output per ora lavorata è cresciuto del 2,5% nell’ultimo anno contro una media ventennale dell’1,6%, numero che negli ultimi mesi è finito in parecchie presentazioni commerciali. L’economista Ernie Tedeschi fa notare che la produttività totale dei fattori, cioè la parte di crescita che non si spiega con più macchine o più ore ma con il fatto che si lavora meglio, è cambiata poco. Buona parte dell’aumento viene dall’uso più intenso di capitale già disponibile, impianti tenuti accesi più a lungo e server occupati meglio. E i settori che adottano più AI crescevano più in fretta anche prima dei modelli linguistici.

Che l’AI contribuisca ai prossimi aumenti di produttività è probabile, ma con i dati disponibili oggi attribuirle il boom in corso resta un salto che non si può fare.

Per decenni le aziende hanno dato ai junior le attività semplici e a basso rischio. Producevano poco valore, e nessuno lo ha mai negato, però erano il posto da cui si guardava lavorare chi era bravo. Il consulente alle prime armi preparava l’analisi iniziale e vedeva il manager smontargliela; chi scriveva codice metteva mano a funzioni banali e imparava dalle revisioni; l’assistente legale cercava precedenti e scopriva quali dettagli spostano l’interpretazione di un caso. Sono le stesse cose che oggi fa l’AI, in una frazione del tempo.

Harvard Business Review segnala che i compiti analitici e informativi che si affidavano ai nuovi assunti stanno passando ai sistemi. Nel frattempo la soglia di qualità si alza, perché se un modello tira fuori una prima bozza decente in dieci secondi anche il junior deve partire da lì, e nessuno gli spiega come ci si arriva. Chiediamo esperienza a persone alle quali stiamo togliendo i posti in cui la si costruiva.

McKinsey ha sentito circa 1.500 fra dirigenti e responsabili delle risorse umane. Quelli che si aspettano di assumere più junior grazie all’AI sono quasi tre volte quelli che si aspettano di assumerne meno, il che sembrerebbe una buona notizia. Poi un terzo delle stesse aziende ammette che l’AI ha già ridotto le attività attraverso cui i junior imparavano. Le due cose convivono benissimo e descrivono un’organizzazione che continua ad assumere ragazzi dopo aver chiuso il posto in cui li avrebbe formati.

La proposta di McKinsey è di andare verso programmi più vicini alla formazione clinica, quella con cui si formano i medici: un senior segue pochi junior, li guarda mentre usano l’AI e interviene sulle decisioni invece che sul prodotto finito. L’apprendimento si sposta verso la spiegazione del contesto, la valutazione degli errori e la responsabilità su come è andata a finire. Costa parecchio più tempo senior di prima, ed è il motivo per cui in molte aziende non si farà.

Un’azienda che automatizza un compito dovrebbe chiedersi anche quale competenza veniva costruita facendo quel compito. È una domanda che cambia la qualità dei progetti, perché sposta la misura dalle ore risparmiate a cosa succederà alle persone fra due o tre anni, e nessun business case è tarato su quell’orizzonte.

Da lì vengono quattro cose pratiche. La prima è collegare ogni automazione a una competenza: se l’AI prepara la prima analisi, qualcuno dovrà comunque imparare a riconoscere un dato incompleto o una conclusione sbagliata, e il piano deve dire in quale punto quella capacità verrà acquisita. Se non lo dice, è un piano a metà.

Poi c’è da rendere visibile l’uso dell’AI. Un senior che valuta soltanto il risultato finale non sta insegnando niente a nessuno: gli serve vedere quali istruzioni ha dato il junior, che cosa ha accettato senza discutere e, soprattutto, quali errori non ha riconosciuto. È più lavoro, e va messo in conto.

Sulle metriche il discorso è banale e viene ignorato lo stesso. Il tempo risparmiato nella scrittura conta poco se si allunga quello delle verifiche e delle approvazioni, e chi misura il singolo pezzo invece del flusso intero raccoglie dati che gli daranno sempre ragione.

L’ultima è la più scomoda. Alcune attività andranno svolte a mano anche quando l’AI le farebbe in un decimo del tempo, perché una persona deve capire come funziona un lavoro prima di poter giudicare quello che le esce da una macchina. In un foglio di calcolo quel tempo è spreco, ed è anche il prezzo per avere fra cinque anni qualcuno capace di controllare la macchina.

Questo pezzo è gratis come sempre, niente paywall e niente abbonamento obbligatorio. Se ti è piaciuto e hai voglia di sostenere il canale, c’è il bottone delle donazioni qui sotto.

Offrimi una birra!

Il 16 luglio è uscito su arXiv un lavoro che studia cosa succede quando il costo dell’AI scende in economie con un grande mercato del lavoro informale, quelle in cui una fetta consistente di persone lavora senza contratto e senza tutele. Il modello produce due esiti opposti a seconda di come la tecnologia si rapporta al lavoro umano. Se l’AI completa le capacità delle persone crescono occupazione formale, salari e produzione. Se può sostituirle facilmente, la domanda di occupazione formale cala e cresce il ricorso al sommerso.

Trattandosi di un modello teorico non dice quale dei due scenari si realizzerà, e chi lo cita come profezia sta barando. Dice però che l’esito dipende dal modo in cui imprese e istituzioni impiegano la tecnologia molto più che dalle capacità dei modelli.

Daron Acemoglu e David Autor chiamano pro-worker AI la tecnologia progettata per aumentare quello che una persona sa fare, invece di replicarla. Un elettricista ha molto più bisogno di un sistema che lo aiuti a diagnosticare un guasto che di un modello generalista capace di imitare ogni sua attività. Sono investimenti meno spettacolari dell’AGI e con un ritorno più lento, il che spiega perché se ne facciano pochi: sostituire lavoro produce un risultato finanziario immediato anche quando il guadagno di produttività è mediocre, mentre aumentare la capacità delle persone lo produce dopo, ammesso che lo produca.

Per capire quanto un’organizzazione stia cambiando davvero conviene guardare quali compiti si stanno spostando, quali competenze diventano necessarie e in quale punto dell’azienda verranno formate le persone capaci di esercitarle. Il numero di dipendenti che ha aperto un account su un chatbot, la metrica che finisce in tutte le presentazioni, dice pochissimo.

Per ogni attività che passa all’AI, io in riunione porterei una domanda sola:

Dopo aver eliminato questo compito, dove imparerà un junior il giudizio che serve per controllarlo?

Se non c’è una risposta, il progetto di automazione è incompleto, e la cosa si vedrà fra tre anni, quando servirà un senior e non ci sarà.

Nella tua organizzazione, qual è la prima attività che l’AI si è presa? E quale competenza si imparava svolgendola? Scrivimelo nei commenti: mi interessano soprattutto i casi in cui il risparmio di tempo sta già creando un buco di formazione che nei numeri non si vede ancora.

Alla prossima!

Luciano

Se questo pezzo ti è servito, la cosa migliore che puoi fare è inoltrare la newsletter a qualcuno della tua rete che potrebbe trovarlo interessante. È così che cresce questa newsletter, lentamente, tramite passaparola di lettori che si fidano.

Condividi Umani per ora

Nota sul processo di scrittura

Per preparare questo articolo ho utilizzato strumenti di intelligenza artificiale nella ricerca delle fonti, nel confronto dei dati, nella costruzione della struttura e nella revisione linguistica. Il sistema opera con istruzioni, esempi e skill adattati al mio stile editoriale. Ho verificato le fonti, modificato il testo e approvato ogni passaggio della versione pubblicata. Le tesi, le scelte e la responsabilità finale sono mie.