“L’esperienza è il nome che tutti danno ai propri errori.”
Oscar Wilde
C’è stato un tempo in cui i primi anni di carriera arrivavano con un patto un po’ umiliante. Facevi la ricerca che nessuno voleva fare. Pulivi il foglio di calcolo. Preparavi la versione 17 del deck, poi guardavi un collega senior togliere metà delle slide in dieci minuti.
All’epoca poteva sembrare un rituale inventato da qualcuno che detestava i neolaureati. Riguardando ai miei anni in agenzia, vedo altro. Il lavoro era ripetitivo, a volte snervante, spesso pagato male. Ma era anche una prova. Imparavi come suona un’argomentazione debole prima di doverne difendere una in una sala clienti. Scoprivi che una buona strategia non è una slide con più frecce. Capivi quante parti di contesto scompaiono quando una frase pulita lascia fuori le persone che dovranno conviverci.
Ora l’AI può produrre la prima bozza, pulire i dati, riassumere la riunione, generare il piano di ricerca e trasformare appunti grezzi in una presentazione dall’aria competente prima che il caffè si raffreddi. Non sono nostalgico dei junior che passano tre notti ad allineare loghi. Ma sono preoccupato per il sistema di apprendistato che stiamo rimuovendo senza progettarne uno di sostituzione.
La domanda non è se l’AI toglierà compiti di ingresso. Lo sta già facendo. La domanda è chi imparerà il giudizio quando quei compiti non creeranno più le ripetizioni da cui il giudizio nasce.
Il lavoro che nessuno romanticizzava era comunque una bottega
Nella maggior parte dei servizi professionali, la piramide aveva una funzione pratica. I senior incorniciavano il problema, i junior facevano il primo passaggio, il lavoro tornava con i commenti e il giro successivo era meno ingenuo. Il modello non era nobile per definizione. Creava anche straordinari, gerarchie e più PowerPoint di quanti una società dovrebbe tollerare.
Eppure il meccanismo contava. Un junior analyst che ha confrontato venti concorrenti inizia a notare che la storia di categoria apparentemente ovvia resiste raramente al contatto con il mercato. Un giovane creativo che ha scritto trenta headline comincia a riconoscere quando un’idea è solo rumorosa. Un product manager che ha seguito sessioni di usabilità impara che gli utenti sono sorprendentemente inventivi nel fraintendere la funzione che tutti nella stanza consideravano autoesplicativa.
Quelle ripetizioni creano riconoscimento di pattern. Ancora più importante, creano il muscolo emotivo dell’essere smentiti in pubblico, rivedere un punto di vista e portarne le conseguenze nella decisione successiva.
Il vecchio modello formava le persone attraverso la produzione. L’AI sta restringendo lo strato produttivo molto più in fretta di quanto le aziende stiano ricostruendo lo strato formativo.
È il lato pratico del cambiamento che ho esplorato in Le competenze che definiranno la forza lavoro aumentata dall’AI. Stiamo passando dall’esecuzione all’orchestrazione. Il punto è che un orchestratore ha comunque bisogno di abbastanza esperienza per capire quando l’orchestra sta suonando il pezzo sbagliato.
La fase di prova che scompare crea un debito di giudizio
La tentazione è dire che la risposta è semplice: i junior possono usare l’AI ed essere più produttivi. Ovviamente sì. Devono. Rifiutare strumenti utili perché le generazioni precedenti hanno sofferto flussi di lavoro più lenti non è una filosofia di carriera, è nonnismo con colonna sonora nostalgica.
Ma produttività e apprendimento non sono la stessa cosa.
Se qualcuno chiede a un modello un’analisi, riceve una risposta rifinita e ritocca poche frasi, può avere completato il compito senza acquisire la mappa mentale sottostante. Non ha necessariamente visto i falsi inizi, valutato prove in conflitto o capito perché un dato contava e un altro no. Il lavoro sembra finito. L’apprendimento potrebbe non essere nemmeno iniziato.
Questo è il debito di giudizio. Un’azienda risparmia tempo ora automatizzando lo strato junior, poi scopre più avanti di avere poche persone in grado di mettere in discussione il modello, guidare un cliente nell’ambiguità o decidere quando un output elegante è semplicemente sbagliato per la situazione.
L’AI può comprimere la produzione. Non può comprimere l’esperienza di accorgersi di ciò che non torna.
Questa differenza emerge quando il sistema commette un errore plausibile. Chi ha visto solo output ben fatti potrebbe non avere abbastanza cicatrici per individuarlo. Chi ha fatto il lavoro sporco, litigato con i dati ed è stato corretto da qualcuno più esperto spesso sì.
Le evidenze sono più complicate degli slogan
L’International Labour Organization offre un antidoto utile al solito teatro della certezza. Il suo indice globale 2025 rileva che un lavoratore su quattro svolge un’occupazione con una certa esposizione all’AI generativa. Il lavoro d’ufficio resta il più esposto e alcune professioni tecniche sono diventate più esposte man mano che la tecnologia gestisce compiti sempre più specializzati. Ma la conclusione centrale dell’ILO non è la sostituzione di massa. Poiché la maggior parte delle occupazioni contiene task che richiedono ancora input umano, la trasformazione dei lavori è l’esito più probabile.[1]
Questo è rassicurante solo se facciamo attenzione alla parola “trasformazione”. Un ruolo può sopravvivere sulla carta perdendo però i compiti che lo rendevano un punto di ingresso praticabile.
Il resoconto recente di IBM sulle sue Forward Deployed Units rende tangibile il cambio di passo. Descrive piccoli team di tre o quattro specialisti che lavorano con da 10 a 20 agenti AI. Gli agenti possono generare requisiti, codice, test case o analisi dei difetti. Gli umani definiscono il problema, aggiungono contesto di business e decidono se il lavoro risponde alle esigenze del cliente.[2]
Quel modello contiene insieme promessa e avvertimento. Può ridurre lavoro inutile e portare l’expertise più vicino al cliente. Chiede però a chi ha meno esperienza di sviluppare giudizio più in fretta, in un contesto dove le tracce visibili di come il lavoro si fa possono essere più sottili.
L’Applied AI Index 2026 di BCG arriva a una tensione simile dalla sala del consiglio. Gli intervistati si aspettano che l’AI riduca le workforce di circa il 10%–15%, mentre l’89% si aspetta che generi nuovo lavoro. Le aziende più mature sono molto più propense a praticare una pianificazione intenzionale della forza lavoro, cioè decidono quali ruoli debbano esistere in un’organizzazione agentica invece di sperare che l’organigramma si aggiusti da solo.[3]
I dati non dimostrano che ogni lavoro junior sparirà, né che ogni azienda avrà bisogno di meno persone. Mostrano però che l’esposizione dei task non è un evento neutrale. Quando un task scompare, può sparire anche la sua funzione nascosta di apprendimento.
È una versione più silenziosa della preoccupazione dietro L’apocalisse dei colletti bianchi di cui nessuno parla (ancora): la perdita immediata non è sempre un ruolo. Può essere il percorso con cui qualcuno diventava capace di svolgerlo bene.
Smettiamo di trattare l’apprendimento come sottoprodotto dei lavoretti
La risposta non è preservare lavori inefficienti per ragioni sentimentali. È rendere l’apprendimento un prodotto esplicito del modello operativo.
Partirei da quattro scelte pratiche.
| Vecchio default | Design migliore per l’era AI |
|---|---|
| I junior imparano producendo prime bozze da soli | I junior osservano come i senior inquadrano una decisione prima che parta l’agente |
| La revisione qualità avviene alla fine | La revisione avviene attorno ad assunzioni, fonti e trade-off |
| L’output dell’AI è trattato come scorciatoia | L’output dell’AI diventa materiale per critica, confronto e revisione |
| La progressione di carriera segue l’anzianità | La progressione di carriera segue il giudizio dimostrato in decisioni reali |
Date ai junior la proprietà del brief, non solo dell’output. Prima di chiedere all’agente di lavorare, chiedete alla persona junior di spiegare la decisione in gioco, le informazioni mancanti e le persone che subirebbero un errore.
Rendete visibile la critica. Un senior non dovrebbe limitarsi a sostituire un paragrafo generato dall’AI. Dovrebbe spiegare perché non regge nel contesto del cliente, nello standard di evidenza o nella realtà commerciale. Quel commento ora fa parte dell’apprendistato.
Create review delle decisioni, non solo della consegna. La domanda utile non è “il deck era buono?”. È “in cosa credevamo, cosa ha assunto l’agente e cosa ci avrebbe fatto cambiare idea?”
Fate incontrare alle persone le conseguenze. Un junior che presenta a un cliente una raccomandazione assistita dall’AI, poi ascolta le obiezioni, impara più di chi guarda una risposta perfetta arrivare in una cartella condivisa.
Questa non è una richiesta di più riunioni travestita da umanesimo. È una richiesta di spostare la formazione più vicino ai luoghi in cui il giudizio si forma davvero.
La vera domanda manageriale
Alle aziende piace descrivere l’AI come un copilota. Va bene. Ma i copiloti non rendono inutili i piloti. Alzano l’asticella per chi sta ai comandi.
Il rischio è che le organizzazioni comprino la produttività, tolgano la routine, si complimentino per l’efficienza e si accorgano solo dopo che nessuno sa più diagnosticare un problema non familiare senza chiedere prima alla macchina.
In termini di sistema, lo strato junior non era solo un centro di costo. Era una filiera di capacità. Toglila e l’organizzazione può continuare a consegnare lavoro per un po’. Quello che non può rimpiazzare così facilmente è lo stock di persone capaci di giudicare il prossimo caso difficile.
Cui bono quando trattiamo il lavoro d’ingresso come un costo da eliminare invece che come il luogo dove si costruisce il giudizio professionale?
Perché se a nessuno è più permesso fare il lavoro di base, chi sarà pronto a giudicare l’agente quando la sua risposta sembra convincente, arriva in orario ed è silenziosamente sbagliata?
Riferimenti
[1] International Labour Organization, Generative AI and Jobs: A Refined Global Index of Occupational Exposure, Working Paper 140, 2025.
[2] IBM Think, AI is tightening consulting teams and raising the bar for who’s on them, 21 September 2026.
[3] Boston Consulting Group, The Formula for Agentic AI Value: The Applied AI Index 2026, 30 September 2026.
Share your thoughts