L'IA genera più lavoro umano, non meno, e questo cambia tutto per chi guida
Circola con disinvoltura nei consigli di amministrazione un racconto preciso: l'intelligenza artificiale eliminerà posti di lavoro, ridurrà il costo del personale e libererà capitale. È un racconto comodo perché ha la forma di una decisione finanziaria pulita. Il problema è che i dati non lo sostengono.
Jeff Bezos lo ha detto senza mezzi termini in una recente intervista su CNBC: l'IA non svuoterà il mercato del lavoro, genererà scarsità di talenti. La sua analogia era precisa. Un ingegnere che per anni ha scavato una trincea con la pala non scompare quando gli danno un escavatore. Scava di più, più velocemente, in progetti che prima non erano realizzabili. Il lavoro si eleva, non si estingue.
Ciò che sta accadendo nella frontiera reale dell'adozione dell'IA conferma questa tesi in un modo che dovrebbe mettere a disagio coloro che hanno preso decisioni di organico basandosi sul racconto opposto.
Quando l'automazione moltiplica il lavoro esperto
Dan Shipper, CEO di Every, ha pubblicato un'analisi che vale la pena leggere con attenzione. La sua azienda ha automatizzato tutto ciò che era possibile automatizzare con agenti di IA. Il risultato è stato che il team è cresciuto da quattro a più di trenta persone. Non nonostante l'automazione, ma proprio grazie ad essa.
La meccanica dietro questo fenomeno è meno paradossale di quanto sembri. Quando l'IA assume le parti standardizzate di un processo, non elimina la necessità del giudizio esperto: la moltiplica. Qualcuno deve definire cosa conta come un buon risultato. Qualcuno deve revisionare l'output dell'agente prima che raggiunga il cliente. Qualcuno deve decidere cosa fare con quell'output nel contesto più ampio dell'organizzazione. L'IA comprime il compito medio. Gli esseri umani sostengono gli estremi.
Shipper lo descrive con una geometria del processo che ha implicazioni organizzative concrete: all'inizio, gli esseri umani stabiliscono il quadro di riferimento. Al centro, l'IA esegue. Alla fine, gli esseri umani giudicano, estendono e decidono. Questo non è un ciclo che riduce il carico umano. È un ciclo che sposta quel carico verso le decisioni a maggiore densità cognitiva.
I dati di Anthropic sull'utilizzo dei suoi modelli con utenti reali puntano nella stessa direzione. Nei compiti tipici del lavoro della conoscenza, il tempo di esecuzione scende di circa l'80%. Quel risparmio non si traduce in meno lavoro; si traduce in un volume maggiore di iniziative, una maggiore velocità nei cicli decisionali e una maggiore superficie di coordinamento umano. McKinsey stima che con l'adozione di agenti di IA su scala, circa il 57% delle ore lavorative negli Stati Uniti sia tecnicamente automatizzabile con la tecnologia disponibile oggi. Se quella cifra si realizzasse, il valore economico aggiuntivo potenziale raggiungerebbe i 2,9 trilioni di dollari annui entro il 2030 solo in quel mercato. Il problema non è nella capacità della tecnologia. È in chi supervisiona, coordina e integra quel nuovo volume di output.
La ricerca del MIT Sloan che ha tracciato l'impatto dell'IA tra il 2010 e il 2023 ha trovato qualcosa che raramente appare nei titoli dei giornali: quando l'IA automatizza solo una parte dei compiti di una posizione, l'occupazione in quella posizione può crescere. E nei ruoli ad alto salario con elevata esposizione all'IA, la crescita dell'occupazione è stata di circa il 3% in cinque anni. Non è distruzione. È riconfigurazione.
Il costo organizzativo di credere al racconto sbagliato
Ciò che mi interessa dell'analisi di Shipper non è solo la meccanica del processo. È ciò che rivela sulle conversazioni che molte organizzazioni stanno evitando.
Quando un team dirigenziale adotta l'IA con la premessa che ridurrà la dipendenza dal talento umano esperto, sta costruendo una strategia su una premessa falsa. E le strategie costruite su premesse false non crollano di colpo. Marciscono lentamente. Il sintomo più comune è un backlog crescente di decisioni che l'IA non può prendere, accumulato sopra un team che è stato ridotto o che non è stato formato per operare nel nuovo schema.
Quello che Shipper identifica come il nuovo collo di bottiglia organizzativo è un problema di governance, non di tecnologia. L'IA produce a una velocità che la struttura umana di supervisione non sempre riesce ad assorbire. E quando quel divario non viene nominato, l'organizzazione inizia a operare su output che nessuno ha revisionato davvero bene, ma solo revisionato in fretta. La differenza tra le due cose ha conseguenze che impiegano mesi a rendersi visibili e che poi si presentano come errori inspiegabili.
C'è un altro effetto che poche organizzazioni stanno misurando con onestà: l'omologazione dell'output. Quando tutti in un settore utilizzano gli stessi modelli per produrre documenti, analisi, presentazioni e comunicazioni, il risultato è una convergenza verso la mediocrità leggibile. Shipper lo dice senza giri di parole: l'abbondanza genera uniformità, e l'uniformità distrugge il valore differenziale. L'analisi finanziaria che assomiglia a quella di tutti i concorrenti non apporta alcun vantaggio. La strategia di comunicazione che suona come la media del settore non costruisce posizionamento. In quel contesto, la vera scarsità diventa il giudizio umano che produce qualcosa che non assomiglia a ciò che l'IA sceglierebbe per impostazione predefinita.
Goldman Sachs Research è giunta a una conclusione simile da un'angolazione diversa. La sua analisi rileva che finora non esiste una correlazione statistica significativa tra l'esposizione locale all'IA e la crescita della disoccupazione, i tassi di licenziamento, i salari o le ore lavorate. Zero impatto macro misurabile, nonostante il volume di narrativa sulla distruzione dell'occupazione. Ciò che stanno osservando è una ridistribuzione dei compiti all'interno delle posizioni, accompagnata da una domanda crescente delle competenze che l'IA non riesce a replicare: coordinamento complesso, criterio contestuale, fiducia interpersonale.
Il lavoro che l'organizzazione non vede ancora
Esiste un tipo di lavoro che l'adozione dell'IA crea e che poche organizzazioni contabilizzano correttamente: il lavoro di mantenere gli agenti in buon funzionamento.
Shipper ha nella sua azienda un team dedicato esclusivamente ad assicurarsi che gli agenti di IA operino entro parametri accettabili. Non è un costo temporaneo di implementazione. È un costo operativo strutturale. I modelli degradano in certi contesti, producono output che richiedono una calibrazione continua, e la soglia di ciò che conta come "sufficientemente buono" cambia nel tempo e con le esigenze del cliente. Questo richiede ingegneri, criterio e decisioni che non possono essere delegate di nuovo all'IA.
Boston Consulting Group stima che nei prossimi due o tre anni, tra il 50% e il 55% delle posizioni negli Stati Uniti sarà riconfigurato in modo significativo dall'IA. Riconfigurato, non eliminato. Quella distinzione non è semantica. Significa che l'organizzazione che arriva a quel processo senza aver preparato le proprie persone a operare in schemi di supervisione, criterio e integrazione degli output scoprirà di avere strumenti potenti e capacità umana disallineata rispetto a ciò che quegli strumenti richiedono.
L'errore più costoso che un team dirigenziale possa commettere in questo momento non è muoversi troppo lentamente con la tecnologia. È muoversi a velocità tecnologica mentre opera la struttura umana alla velocità del passato. L'IA accelera il ciclo di produzione. Se l'organizzazione non costruisce simultaneamente la capacità di supervisione, governance e giudizio alla stessa scala, ciò che accelera non è il valore. È il volume di output che nessuno sta davvero validando.
La domanda che vale la pena sostenere nei prossimi mesi non è quante posizioni può automatizzare l'IA. È quante posizioni di criterio esperto deve creare l'organizzazione affinché quella automazione produca qualcosa che valga la pena.
Shipper riassume tutto questo con una frase che merita più attenzione di quella che di solito riceve nelle conversazioni a livello di C-Suite: una volta che una situazione viene ridotta a testo, viene trasformata in corpus. E il corpus è un cadavere. Ciò che l'essere umano deve fare è precisamente ciò che non è ancora accaduto, ciò che non può essere già documentato, ciò che deve essere nominato ora, in questo contesto, con questo cliente, in queste condizioni. È lì che l'IA non arriva. E lì, paradossalmente, è dove c'è più lavoro da fare.
