Passata la prima ondata di panico — il celebre «l’AI ci ruberà il lavoro» — è arrivata la corsa a redigere l’ennesima lista delle «competenze del futuro».
Lo stesso copione si era già visto in occasione dell’arrivo del digitale, dello smart working, delle organizzazioni agili, dei business Data Driven e del Machine Learning. Ogni volta la stessa liturgia: una rivoluzione annunciata e, subito dopo, l’elenco delle cinque, sette, dieci competenze che «serviranno domani».
Ho sempre trovato questo esercizio un po’ fine a se stesso: poco utile e spesso fuorviante, soprattutto quando viene compilato sulla base di una conoscenza limitata della tecnologia e — questo è il punto — di come quella tecnologia entra davvero nel lavoro. Con l’intelligenza artificiale non è diverso. Anzi, il rischio è più alto.
Perché una lista di competenze non basta?
C’è una caratteristica dell’AI che, quando la si porta dentro il lavoro, conta più di ogni altra: l’AI autonomizza le persone. Le mette in condizione di portare a termine da sole molte attività che prima richiedevano altre mani, altri passaggi, altre competenze. Non è un dettaglio tecnico: è il cuore di ciò che cambia quando l’AI viene applicata al lavoro.
C’è un indicatore che dimostra questo. Nelle organizzazioni che la usano in modo sistematico si definisce un budget mensile individuale per l’utilizzo dell’AI. L’azienda fissa il limite di spesa; poi è la singola persona a decidere come, quando e per cosa usare l’AI dentro quel vincolo. Aumenta la responsabilità che, di fatto, si sposta sulla persona: non più «sai usare lo strumento?», ma «sai decidere quando vale la pena usarlo, per quale attività, e fino a che punto fidarti del risultato?».
E qui arrivano i numeri reali, presi da chi ci lavora ogni giorno. Ho “navigato” nelle community di sviluppatori che usano l’AI in modo intensivo. I budget individuali vanno da circa 100 $ al mese, a 8–10K $ nelle grandi aziende, fino a oltre 15K $ in alcuni casi.
Ma il dato più interessante è un altro: a parità di ruolo, il consumo varia enormemente. C’è chi non riesce nemmeno ad avvicinarsi a un tetto di 2.500 dollari e chi ne brucia 15.000.
“La differenza non è la seniority, è il come si usa l’AI per lavorare.”
Chi spende poco di solito lavora in modo più “governato”: indica all’AI i servizi necessari e una bozza del design prima di lasciarla operare. Chi spende molto, a volte, lascia il modello correre — gli dà in pasto interi file e lo fa girare in autonomia su tutto il flusso di lavoro: non solo codice, ma revisioni, pull request, pipeline di build, documentazione. E molti, in quelle stesse discussioni, aggiungono un punto che vale la pena sottolineare.
“Il vero differenziale nel creare valore adottando l’AI non sarà il costo, ma come le persone esercitano il loro spazio di autonomia nel guidare l’AI stessa.”
Non sorprende, allora, che a fronte di un’adozione ormai quasi universale solo una piccola minoranza di aziende riporti un impatto economico davvero significativo: il valore non sta nello strumento, ma nell’uso che se ne fa.
E la modalità d’uso — che è ciò che ne determina sia il costo sia il valore — dipende da due cose: la natura del lavoro e lo spazio di autonomia che la persona esercita nel ricorrere all’AI. In quello spazio diventano delle discriminanti anche l’esperienza, il know-how delle persone e le situazioni contingenti come la complessità dei task o il carico di lavoro.
Da qui è facile capire che una lista di competenze definita a priori non può essere ciò che guida lo sviluppo delle persone.
Il punto di partenza deve essere il ridisegno di processi e attività considerando l’interazione Human-AI. E questo ridisegno deve coinvolgere anche le persone stesse owner di processi e attività. Coinvolgendo le persone si può comprendere come il potenziale dell’Intelligenza artificiale in quella specifica situazione si può liberare nell’interazione Human-AI. È da qui che emergono le competenze che contano — non da un elenco buono per tutti.
Soft skill e AI: non cambiano, si trasformano
In un contesto dove si usa l’AI, quindi, il ricorso ad un semplice aggiornamento dell’elenco di soft skill non basta. In questi contesti, infatti, le soft skill richieste non solo cambiano: si trasformano nel loro contenuto. La parola resta la stessa, ma dietro c’è un’altra cosa.
Prendiamo ad esempio il pensiero critico, una tra le competenze più citate in questi mesi. Di solito lo si invoca per vagliare le risposte dell’AI, per non prendere per buono ciò che il modello produce e approfondire ulteriormente i contenuti. Tutto giusto, ma è solo metà del lavoro.
Il pensiero critico diventa cruciale prima: nel momento in cui la persona matura una propria strategia per completare il lavoro prevedendo su cosa usare l’AI. Non è più solo «questa risposta è corretta?», ma «questa attività è una di quelle che ha senso delegare, nel mio ruolo e con la mia responsabilità?».
È una soft skill diversa, anche se la chiamiamo con lo stesso nome. E lo stesso vale per la delega — che ora si esercita anche verso un agente, non solo verso una persona — per la comunicazione e per la gestione della responsabilità. È questo il motivo per cui copiarle da una lista non funziona: quella lista descrive le competenze di ieri con le parole di ieri.
Valutare e sviluppare le competenze in un setting che prevede l’AI
Ne discende una conseguenza pratica e importante: valutare e sviluppare le competenze, oggi, richiede di farlo dentro un setting che prevede l’AI. Non con test astratti o simulazioni di assessment tarati sul lavoro di ieri, né con un catalogo di corsi costruito su una lista presa altrove.
In Base 9 lavoriamo così grazie alla piattaforma proprietaria AI Based Challenge©. Nei nostri assessment ricostruiamo le condizioni reali del ruolo — incluso l’uso dell’AI e lo spazio di autonomia che comporta — e osserviamo i comportamenti e pattern dove si manifestano davvero: nella scelta di cosa delegare, nel disaccordo con un risultato del modello, nell’assunzione di responsabilità. Non chiediamo a una persona se sa esercitare il pensiero critico: la mettiamo in una situazione in cui deve decidere, con l’AI a disposizione, e guardiamo come si muove.
Lo stesso vale per la fase di Learning & Development. Le soft skill non si trasferiscono con una lezione frontale, perché non sono conoscenze: sono comportamenti che si affinano nell’esperienza. I nostri laboratori esperienziali ricreano quello stesso contesto — quello in cui l’AI è già parte del lavoro — e permettono alle persone di allenare le nuove configurazioni di competenze in un ambiente protetto, prima di farlo sul campo, dove gli errori costano.
Se vuoi conoscere i nostri laboratori pratici sulle soft skill in contesti AI e i nostri percorsi di assessment che introducono l’AI come contesto, contattaci.