L’intelligenza artificiale può automatizzare le attività che un dipendente alle prime armi impiega anni a padroneggiare. Scrivere codice, preparare un’analisi o raccogliere le informazioni per valutare una pratica diventa più rapido. In quelle attività, però, si costruisce anche l’esperienza necessaria a riconoscere un errore e a prendere decisioni. Le imprese rischiano così di eliminare una parte del percorso con cui formano i professionisti ai quali, domani, chiederanno di controllare il lavoro dell’IA.
È uno dei problemi emersi dal report Reimagine: Turning AI into Value di AWS. La ricerca esamina come le organizzazioni stiano cercando di trasformare l’adozione dell’IA in benefici economici. I dipendenti lavorano più velocemente, ma i processi restano lenti. Gli strumenti si diffondono, mentre metriche e percorsi di sviluppo delle competenze devono ancora essere ripensati.
La ricerca si basa su 154 interviste condotte tra novembre 2025 e luglio 2026.
L’automazione cambia il percorso dei junior
La capacità di giudizio si sviluppa anche attraverso la ripetizione. Un programmatore impara scrivendo codice, correggendo difetti e confrontandosi con altri sviluppatori. Un analista acquisisce esperienza verificando calcoli e ipotesi. Quando l’IA svolge queste attività, l’output arriva prima. L’apprendimento non segue necessariamente la stessa accelerazione.
Il report descrive questo rischio attraverso le esperienze di Haufe Group e Standard Bank. Un junior può diventare più produttivo grazie agli strumenti generativi e continuare ad avere difficoltà nella comprensione del lavoro che sta producendo. L’assistenza alla programmazione riduce il tempo necessario a scrivere una soluzione, ma non garantisce che chi la utilizza sappia riconoscere un problema di architettura, una vulnerabilità o un costo operativo eccessivo.
Il meccanismo si estende ad altre professioni. Nell’assicurazione, per esempio, la valutazione automatica delle richieste può ridurre le occasioni in cui un giovane sottoscrittore costruisce la propria sensibilità al rischio. Nell’analisi dei dati, ricevere un risultato già elaborato può sottrarre esperienza nella verifica delle assunzioni. Il report evidenzia quindi una difficoltà per le imprese: servono persone capaci di valutare gli output dell’IA, mentre l’automazione può ridurre le opportunità per sviluppare quella capacità.
Nessuno degli intervistati sostiene di aver risolto il problema. Le esperienze raccolte descrivono tentativi che seguono direzioni diverse. IDP Education sta sperimentando l’ingresso dei neolaureati direttamente in percorsi di sviluppo basati sull’IA. L’ipotesi è che imparare da subito a progettare con questi strumenti permetta di costruire una forma diversa di giudizio tecnico. Resta da capire se questo percorso produca una profondità di competenze equivalente a quella acquisita attraverso la pratica tradizionale.
Air New Zealand punta invece su attività simulate e progetti realistici, con il supporto congiunto dell’IA e di persone esperte. L’obiettivo è concentrare l’apprendimento in periodi di pratica supervisionata. Altre organizzazioni affidano ai junior una prima revisione dei contenuti generati, seguita dall’approvazione di un senior. Alcune mantengono esercizi manuali su attività selezionate o inseriscono i dipendenti meno esperti in flussi di lavoro con agenti sotto supervisione.
Questi tentativi spostano parte della formazione dalla produzione alla valutazione: individuare un errore, comprenderne l’origine e discutere la correzione. Il rischio indicato dagli autori è formare operatori abili nell’utilizzare l’IA, senza sviluppare abbastanza persone capaci di decidere che cosa debba fare.
La ricerca individua cinque competenze sulle quali investire: capacità di abbandonare vecchie competenze per impararne di nuove, definizione dei problemi, dare la precedenza alla capacità giudizio anziché alla conoscenza, pensare a livello di sistema e curiosità.
La conoscenza del dominio permette di formulare richieste precise e riconoscere risposte plausibili ma sbagliate. Un esempio arriva da Cohere Health, dove infermieri in pensione contribuiscono a scrivere le istruzioni per le applicazioni cliniche dell’IA. La conoscenza dei percorsi assistenziali aiuta a definire il problema e i criteri di valutazione.
In Hexagon, invece, professionisti della contabilità hanno costruito agenti destinati alla produzione partendo dalla conoscenza dei propri flussi operativi. In entrambi i casi l’esperienza professionale orienta l’automazione.
Il report solleva anche dubbi sull’efficacia dei corsi isolati. Le lezioni possono fornire un vocabolario comune e una prima comprensione degli strumenti. Le esperienze descritte collegano però lo sviluppo delle capacità alla pratica sul lavoro: esercizi progressivamente più difficili, condivisione dei passaggi seguiti e confronto tra colleghi. Anche la formazione va valutata attraverso ciò che cambia nelle attività quotidiane.
La produttività si scontra con processi rimasti invariati
La difficoltà di formare i junior rientra in un problema organizzativo più ampio. Più di due terzi degli intervistati indicano nella progettazione del lavoro il principale ostacolo alla creazione di valore con l’IA. La tecnologia accelera l’esecuzione, mentre pianificazione, approvazioni e passaggi tra funzioni continuano a seguire tempi costruiti attorno al lavoro umano.
Il report porta fra gli esempi Best Buy: una funzionalità inizialmente stimata in 14 settimane è stata completata in un giorno grazie all’IA. La pianificazione preliminare aveva richiesto due settimane e rappresentato il 91% del budget complessivo. AWS presenta il caso come esempio dello squilibrio tra velocità di esecuzione e processi organizzativi. Il report non indica però quanto pesasse prima la pianificazione sul budget, né offre elementi sufficienti per valutare se quelle due settimane fossero eccessive rispetto alle esigenze del progetto.
Un problema simile è emerso in S&P Global. I guadagni di produttività individuale, compresi tra il 10 e il 15% su 4.500 ingegneri, inizialmente non hanno prodotto benefici altrettanto significativi per l’azienda. Approvazioni e procedure di governance hanno assorbito il vantaggio. Non solo: secondo l’analisi di AWS, accelerare la scrittura del codice aumenta il carico sulle fasi successive: senza adeguare verifica, integrazione e rilascio, il collo di bottiglia si sposta lungo il processo.
Per AWS, insomma, le imprese devono quindi capire come impiegare la capacità liberata dall’IA. Quasi nessuna delle imprese del campione ha saputo spiegare chiaramente che cosa avesse fatto del tempo risparmiato. Il rischio è riempirlo con altre attività dello stesso tipo: più documenti, presentazioni e codice, senza un beneficio riconoscibile per clienti e conto economico.
Le esperienze considerate più promettenti destinano invece quelle risorse a iniziative precise. A rispondere dei risultati è la funzione aziendale interessata, con il supporto dell’IT. Anche la diffusione degli strumenti può dare un’immagine ingannevole dei progressi. Il report descrive un’organizzazione con un tasso di adozione dell’88%, nella quale meno di una sessione su 5.000 produceva lavoro effettivamente migliore. È un caso anonimo, che non permette di trarre conclusioni generali. Illustra però quanto possano essere distanti l’utilizzo di un’applicazione e la sua utilità nel lavoro quotidiano. La scelta degli indicatori diventa quindi parte del progetto. Un servizio clienti può gestire più richieste, ma deve verificare anche la soddisfazione degli utenti. Un team di sviluppo può produrre più codice, tenendo sotto controllo i difetti in produzione. Ridurre il tempo necessario a completare una pratica ha valore se non aumentano errori e rilavorazioni.
La misura deve seguire il risultato dell’intero processo, altrimenti il miglioramento di un reparto può tradursi in un costo aggiuntivo per quello successivo.
Agenti, controlli e costi devono avere un responsabile
Gli agenti di IA rendono più urgente questo ripensamento. Possono richiamare strumenti, intervenire sui sistemi e coordinare attività. Il report suggerisce di integrare nella piattaforma i controlli ripetitivi, riservando alle persone le valutazioni che richiedono giudizio. Identità, permessi e limiti alle azioni devono essere applicati attraverso meccanismi tecnici esterni al modello. Un divieto scritto nelle istruzioni non offre la stessa garanzia di un’azione impedita dall’infrastruttura.
L’autonomia dovrebbe crescere dopo aver dimostrato affidabilità su compiti specifici. Ogni agente deve avere un responsabile umano identificabile. Per le operazioni dalle conseguenze più elevate resta necessaria un’approvazione adeguata al rischio.
La stessa responsabilità deve comprendere la spesa. Chiamate concatenate e tentativi ripetuti possono aumentare i consumi anche quando il costo unitario dei modelli scende. La ricerca propone di attribuire i costi alle funzioni che governano i casi d’uso. AT&T dichiara oltre cinque dollari di free cash flow per ogni dollaro investito nell’IA: è una testimonianza aziendale, non un rendimento medio verificato dallo studio.
Le imprese devono quindi affrontare insieme automazione e sviluppo professionale. I senior possono trasferire conoscenze ai sistemi e supervisionarne l’attività. Per i junior occorre costruire occasioni concrete di apprendimento. Le sperimentazioni raccolte da AWS offrono alcune strade, senza dimostrarne ancora l’efficacia nel lungo periodo. La capacità di produrre più rapidamente è già disponibile; la formazione delle persone che dovranno controllare e migliorare quei risultati resta un lavoro da organizzare.
#Adessonews seleziona nella rete articoli di particolare interesse.
Se vuoi leggere l’articolo completo clicca sul seguente link
