Automatizzare i compiti iniziali migliora la produttività immediata, mentre riduce le occasioni in cui esperienza, giudizio e memoria operativa possono formarsi.
Un team affida all’AI le prime bozze, la ricerca preliminare, i test più semplici e una parte dell’analisi. I senior gestiscono il resto con maggiore velocità, le consegne aumentano e il costo per progetto scende. A fine trimestre, il foglio di calcolo registra un successo. Sotto quella cifra cresce però un debito difficile da misurare: il lavoro eliminato era anche la palestra in cui si formavano le persone capaci di affrontare i casi complessi.
Ogni senior è il risultato di anni trascorsi a osservare problemi, commettere errori recuperabili, ricevere correzioni e riconoscere schemi ricorrenti. Quando l’AI comprime questa sequenza, l’organizzazione guadagna velocità e riduce le occasioni di apprendimento situato. La questione strategica riguarda quindi la filiera delle competenze: quali esperienze restano disponibili per costruire il giudizio professionale di domani?
Il ruolo junior produce due risultati
Una posizione entry-level genera lavoro utilizzabile e capacità futura. Il primo risultato entra nei progetti e nei ricavi; il secondo rimane incorporato nelle persone. Chi prepara una bozza impara a riconoscere una fonte debole. Chi corregge un bug semplice comincia a capire l’architettura del sistema. Chi analizza una campagna scopre quali metriche raccontano davvero il comportamento degli utenti.
Queste attività possono sembrare lente e ripetitive. La loro funzione formativa emerge attraverso la successione di tentativo, feedback e revisione. Il junior acquisisce gradualmente un modello mentale del lavoro: comprende quali scorciatoie sono accettabili, quando chiedere aiuto e quali dettagli anticipano un problema più grande.
L’AI interviene proprio sui compiti più facili da descrivere e standardizzare. La singola attività viene completata a un costo inferiore, spesso con una qualità iniziale sufficiente. Se l’intero gruppo di mansioni scompare dal percorso umano, sparisce anche una parte della sequenza che trasformava un principiante in una figura autonoma. Automatizzare un task e cancellare un passaggio di carriera producono conseguenze molto diverse.
L’efficienza locale può creare fragilità di sistema
Secondo l’OECD, la quota di imprese che adotta sistemi AI nei paesi membri è cresciuta rapidamente, passando da circa il 7% al 20% tra il 2021 e il 2025. Nello stesso quadro, l’offerta di formazione fatica a tenere il passo con il fabbisogno attuale e futuro di competenze. L’adozione procede quindi più velocemente della capacità di riprogettare percorsi professionali adeguati.
Il guadagno immediato è semplice da misurare: ore risparmiate, ticket chiusi, contenuti prodotti, costi ridotti. La capacità futura vive fuori dai dashboard trimestrali. Richiede anni per maturare e diventa visibile soprattutto quando manca: una posizione senior resta aperta per mesi, un progetto dipende da due sole persone oppure un passaggio di consegne disperde conoscenze decisive.
Ogni azienda può cercare sul mercato professionisti formati altrove. Se molte imprese adottano la stessa strategia, il bacino si restringe. Il comportamento razionale del singolo bilancio genera così una carenza collettiva. Le università possono offrire principi, metodi e basi tecniche; il giudizio situato nasce dentro progetti reali, vincoli concreti e responsabilità progressive.
La concentrazione del sapere aggiunge un secondo rischio. Un gruppo con pochi senior molto produttivi grazie all’AI può apparire efficiente, mentre diventa più sensibile a dimissioni, malattie e sovraccarico. Le stesse figure esperte devono gestire i casi difficili, controllare gli output automatici e formare i nuovi ingressi. Riducendo questi ultimi, l’azienda alleggerisce oggi una parte del lavoro e restringe domani la propria successione interna.
Il problema dell’output troppo liscio
Un buon copilota genera testi, codice e analisi con una fluidità che nasconde il percorso seguito. Per un professionista esperto, quella velocità è preziosa: l’esperienza aiuta a individuare omissioni, ipotesi fragili e risultati plausibili solo in superficie. Un junior deve ancora costruire gli strumenti necessari per fare la stessa valutazione. La risposta convincente rischia di arrivare prima della capacità di interrogarla.
Un paper del 2025 sulla trasmissione intergenerazionale della conoscenza descrive questo equilibrio delicato: i copiloti possono attenuare la perdita di sapere, mentre l’automazione riduce gli incentivi e le occasioni per apprendere attraverso la pratica. Una ricerca del 2026 dedicata al software engineering usa il concetto di productive struggle, l’attrito produttivo che costringe chi impara a formulare ipotesi, cercare cause e comprendere il sistema.
Si tratta di un rischio ancora in fase di studio, con esiti legati al modo in cui vengono progettati i workflow. Un assistente usato come distributore di risposte abbrevia il percorso cognitivo. Un processo formativo può invece chiedere al junior di scomporre il problema, prevedere il risultato, confrontare alternative e motivare la scelta finale. In questo secondo caso l’AI amplia il terreno di esercitazione, mentre il feedback umano assegna significato agli errori.
La routine ha rendimenti formativi diversi
Conservare ogni attività ripetitiva sarebbe una scelta inefficiente. Molte mansioni consumano tempo e insegnano poco: copiare dati tra sistemi, uniformare formati o preparare varianti quasi identiche offre un rendimento formativo modesto. L’automazione libera energie che possono essere investite in esperienze più ricche.
Altri compiti semplici contengono invece segnali essenziali. Leggere ticket ricorrenti aiuta a comprendere il prodotto; verificare fonti costruisce sensibilità editoriale; correggere test falliti rivela il comportamento del software. Qui il valore risiede anche nell’esposizione ripetuta ai casi. Affidare l’esecuzione iniziale all’AI può funzionare, purché il junior resti responsabile della verifica, della diagnosi e della spiegazione.
La progettazione del lavoro dovrebbe quindi considerare il rendimento di apprendimento insieme al costo operativo. Le attività ad alto volume e basso valore formativo sono candidate naturali per l’automazione. I compiti diagnostici possono diventare esercizi assistiti dall’AI. Le decisioni ad alto impatto richiedono supervisione e responsabilità crescente. Questa distinzione preserva la progressione professionale evitando di trasformare la routine in un valore da difendere per principio.
Reinvestire il dividendo di produttività
Se un sistema AI libera cento ore al mese, una quota di quel tempo può finanziare mentoring, revisioni ragionate e ambienti di prova. È un investimento meno spettacolare di una riduzione immediata dell’organico, e costruisce una capacità che rimane disponibile anche quando cambiano modelli, fornitori o strumenti.
Serve inoltre un diverso criterio di valutazione. Premiare soltanto la velocità incoraggia l’uso dell’AI come scorciatoia. Valutare processo, fonti e qualità delle verifiche rende visibile il giudizio che sta maturando. Metriche come il tempo necessario per raggiungere l’autonomia, la qualità delle revisioni e la quota di promozioni interne possono mostrare se il team sta producendo anche competenza.
I percorsi entry-level possono diventare più intensivi e selettivi, con accesso anticipato a problemi reali e responsabilità ben delimitate. Un junior affiancato da AI e senior può esplorare più casi, ricevere feedback più frequenti e documentare il proprio ragionamento. Il vantaggio nasce dall’aumento delle occasioni di apprendimento, non dalla semplice quantità di output generato.
Anche i senior devono cambiare ruolo. Una parte del loro valore si sposta dall’esecuzione alla costruzione di contesti in cui altri imparano: definire criteri, spiegare eccezioni e rendere esplicita la conoscenza tacita. Questa attività richiede tempo riconosciuto, obiettivi chiari e incentivi. Il mentoring lasciato ai ritagli di giornata perde sempre la competizione con le urgenze operative.
Una domanda da inserire in ogni piano AI
Il costo della compressione formativa si distribuisce tra imprese, lavoratori e mercato. Le aziende incontrano difficoltà nel ricambio; i giovani trovano meno porte d’ingresso; l’intero sistema dipende da una riserva di senior costruita durante una fase precedente. Anche le politiche formative e le università hanno un ruolo, mentre la responsabilità operativa comincia dentro le organizzazioni che decidono quali compiti automatizzare.
Ogni piano di adozione AI dovrebbe quindi affiancare al calcolo delle ore risparmiate una previsione sulla capacità futura: quali competenze rischiano di assottigliarsi, dove avverrà la pratica e chi avrà il compito di trasformare output veloci in apprendimento?
Il senior di domani nasce ancora da una lunga esposizione a problemi, correzioni e responsabilità progressive. L’AI può rendere questo percorso più ricco e rapido, a condizione che l’efficienza liberata venga reinvestita nella formazione. Quando il gradino iniziale della scala scompare, la cima resta popolata solo per qualche tempo. L’efficienza che consuma la propria scuola interna è un anticipo sul futuro, con interessi.
Fonti
- OECD – Skills in the AI Age
- OECD – Bridging the AI Skills Gap
- OECD – Artificial Intelligence and the Changing Demand for Skills in the Labour Market
- arXiv 2507.16078 – Paper sulla trasmissione intergenerazionale della conoscenza
- arXiv 2607.17067 – Ricerca su AI e percorsi entry-level nel software engineering
