1. L’incarico riuscito
In una grande azienda di software statunitense, più di cinquemila addetti all’assistenza clienti hanno cominciato a lavorare con un sistema generativo capace di seguire le conversazioni, consultare la documentazione interna e suggerire in tempo reale una risposta. Dall’altra parte della chat c’erano clienti veri, problemi da risolvere, tempi misurati. L’intelligenza artificiale entrava nel punto esatto in cui un lavoratore inesperto, di solito, esita: quale domanda porre, dove cercare, quale procedura richiamare, con quali parole rispondere senza aggravare il conflitto.
Il risultato merita di essere preso sul serio. La produttività media aumentò del quindici per cento; tra gli addetti meno esperti e meno qualificati il guadagno fu molto più alto. Chi disponeva dell’assistenza fin dall’inizio, dopo due mesi raggiungeva prestazioni paragonabili a quelle di colleghi che, senza lo strumento, lavoravano da oltre sei. Durante brevi interruzioni del sistema, una parte del vantaggio rimaneva: un indizio che qualcosa era stato appreso, non semplicemente preso in prestito per il tempo di una conversazione.
La scena incrina la versione più comoda del discorso critico. Non possiamo sostenere che l’intelligenza artificiale renda inevitabilmente passivi i principianti. In quel servizio clienti, il modello sembrava condensare alcune pratiche dei lavoratori migliori e renderle disponibili a chi ne aveva più bisogno. Domande diagnostiche e percorsi di soluzione, che prima circolavano lentamente tra affiancamenti e incontri casuali, diventavano suggerimenti accessibili durante il lavoro. Un sapere disperso nell’organizzazione acquistava una forma trasmissibile.
Proprio il successo dell’incarico apre però un dubbio che le metriche correnti non risolvono. Resta da capire se l’addetto stia imparando a riconoscere il problema o soltanto a eseguire una proposta: quando la documentazione è incompleta, il cliente descrive male il guasto o la raccomandazione più plausibile è anche quella sbagliata, saprà ricostruire il caso? Il vantaggio residuo durante una breve interruzione non misura quanto di quella capacità passerà a un contesto diverso.
La stessa ambiguità attraversa molte professioni. Analisti, programmatori e praticanti consegnano più rapidamente lavori spesso migliori; il superiore corregge meno, il cliente riceve prima, l’organizzazione registra tempo risparmiato. Nel consuntivo non compare la distanza tra il documento riuscito e la persona che lo ha firmato: quanto saprebbe rifarlo senza assistenza, spiegare i passaggi, trasferire il metodo a un caso nuovo, accorgersi che una fonte è fragile prima che l’errore diventi una decisione.
Per molto tempo abbiamo usato l’output come una traccia imperfetta della competenza. Con i sistemi generativi quella relazione si allenta. La forma matura può arrivare prima della maturazione professionale; il risultato può anticipare di mesi o anni il giudizio di chi lo consegna. È una possibilità preziosa e insieme un problema di misura: l’organizzazione rischia di confondere ciò che il sistema sa produrre con ciò che la persona sta diventando.
2. L’output non è la competenza
La differenza non implica una superiorità morale del lavoro senza strumenti. Un chirurgo competente usa tecnologie che ampliano la precisione; un pilota si affida a sistemi automatici; un programmatore esperto consulta librerie e codice altrui. L’autonomia professionale consiste nel comprendere la funzione del supporto, riconoscerne il perimetro e intervenire quando il caso esce dalla normalità. La prestazione assistita è il risultato ottenuto dentro una determinata architettura di aiuti; la competenza incorporata permette di spiegare, adattare, trasferire e correggere quel risultato quando l’architettura cambia.
Un esperimento condotto con centinaia di consulenti rende visibile la frattura. Nei compiti che rientravano nelle capacità di GPT-4, chi usava il modello lavorava più velocemente e produceva elaborati migliori. Su un altro problema, costruito oltre quella frontiera, l’assistenza conduceva più spesso alla raccomandazione errata. Il dettaglio più inquietante era la forma dell’errore: risposte coerenti, ben scritte, persuasive. Il sistema migliorava la superficie argomentativa mentre indeboliva la decisione.
Gli autori hanno chiamato questo confine “frontiera tecnologica irregolare”. Non separa nettamente i compiti facili da quelli difficili e non coincide con la sicurezza soggettiva dell’utilizzatore. Due incarichi simili possono trovarsi su lati opposti. Per il professionista conta dunque capire quale risposta meriti fiducia. È qui che l’esperienza torna a pesare: nella memoria dei casi anomali, nella sensibilità per un dato che non si accorda con il resto, nella capacità di sospendere una conclusione formalmente impeccabile.
Una ricerca presentata alla conferenza CHI del 2025 aggiunge un segnale limitato ma utile. Trecentodiciannove lavoratori della conoscenza hanno descritto uno spostamento dello sforzo critico: meno impegno nella produzione iniziale, più verifica e integrazione; al crescere della fiducia nello strumento, lo sforzo dichiarato tendeva a diminuire. Sono autovalutazioni, non una prova di decadimento cognitivo. Mostrano però che il lavoro mentale cambia sede. Se l’utente possiede criteri robusti, può usare il tempo liberato per valutare meglio. Se quei criteri non si sono ancora formati, “verificare” rischia di significare soltanto riconoscere che il testo suona plausibile.
Gli studi sull’apprendimento assistito riportano al punto decisivo: la sequenza. Quando l’intervento del sistema segue un primo tentativo, il sapere dei migliori può diventare visibile e discutibile; se la risposta arriva prima dell’esperienza, può restare corretta senza lasciare una procedura recuperabile.
L’impresa vede subito qualità dell’output, pratiche chiuse e tempo medio. Il sapere operativo matura lentamente e compare soprattutto quando qualcosa si rompe: una fonte falsa, un cliente atipico, una norma cambiata, un errore del modello. Finché il sistema funziona, la dipendenza può sembrare efficienza. Diventa visibile quando occorre qualcuno capace di contestare l’assistenza invece di accompagnarla.
3. I primi gradini
L’apprendistato non va identificato con l’età, con un contratto specifico o con la sopravvivenza di mansioni degradanti. È una struttura attraverso cui una persona entra in una pratica reale senza riceverne subito tutto il peso. Osserva chi possiede esperienza, affronta casi limitati, commette errori dalle conseguenze contenute, riceve una correzione e torna sul lavoro con una responsabilità leggermente maggiore. Jean Lave ed Etienne Wenger hanno descritto questo movimento come partecipazione periferica legittima: il principiante non studia il mestiere da fuori, vi prende parte da una posizione protetta e progressiva. Michael Polanyi ne aveva mostrato il motivo epistemologico: una parte di ciò che sappiamo fare eccede ciò che riusciamo a formulare in istruzioni complete.
Il primo gradino è prezioso quando mostra ciò che la soluzione finale nasconde: come si seleziona una fonte, dove nasce un dubbio, perché una regola non si applica. Molte attività iniziali sono invece ripetitive, sottopagate, costruite per scaricare sui più giovani il lavoro che gli altri non vogliono svolgere. Automatizzarle può essere un progresso civile. La difesa dell’apprendistato perde credibilità se conserva umiliazione e gratuità come strumenti educativi: struttura, tutoraggio, remunerazione e protezioni separano una pratica formativa dallo sfruttamento. È anche il criterio fissato dall’ILO: la qualità non dipende dal mantenimento di un ruolo junior, ma dalla progressione effettiva delle capacità.
La distinzione utile passa tra compiti sterili e compiti formativi. I secondi producono un risultato per l’organizzazione e una capacità più robusta nella persona; contengono un margine di decisione, una restituzione leggibile e il confronto con qualcuno più esperto. Una meta-analisi sulla gestione dell’errore ha mostrato che esplorazione e sbagli possono migliorare il trasferimento a situazioni nuove, purché l’ambiente renda l’errore interpretabile. Il fallimento lasciato solo non educa: serve un limite che ne contenga il costo e una correzione che trasformi l’accaduto in criterio. Anche il mentoring produce effetti che superano l’immediato: in un esperimento tra docenti, l’affiancamento a colleghi più efficaci generò miglioramenti persistenti. La correzione dell’esperto non era tempo sottratto al lavoro vero, ma lavoro produttivo distribuito nel tempo.
L’intelligenza artificiale può ampliare questa architettura: generare simulazioni, moltiplicare i casi, offrire feedback e permettere di sbagliare senza mettere a rischio un cliente o un paziente. Il rischio comincia quando l’anticipo della risposta riduce la revisione umana e rende superfluo, agli occhi del bilancio, il tempo in cui un principiante prova. Conta allora la sequenza del lavoro: chi tenta per primo, chi deve spiegare, quando lo strumento viene tolto, quale errore viene discusso e da chi.
Gli esperimenti educativi mostrano quanto questa sequenza incida. L’accesso libero a GPT aiutava durante gli esercizi di matematica ma lasciava gli studenti più deboli nella prova successiva senza AI; una versione costruita per guidare attenuava il danno. In un altro studio, il supporto interveniva dopo la risposta dello studente e diventava debriefing, con risultati migliori. Non sono ricette da trasferire meccanicamente in azienda. Indicano che l’assistenza forma quando entra dentro l’esperienza e la rende leggibile.
La scala professionale non va conservata com’era. Alcuni gradini meritano di essere demoliti; altri possono essere ricostruiti con simulatori, tutor e casi che nessuna organizzazione tradizionale avrebbe saputo offrire in quantità sufficiente. Il problema nasce quando, insieme alla routine, scompare anche la situazione in cui si imparava a riconoscerne le deviazioni.
4. L’ironia dell’automazione
Nel 1983, quando l’intelligenza artificiale apparteneva ancora in gran parte ai laboratori e alle promesse, la psicologa Lisanne Bainbridge osservò un paradosso già maturo nei sistemi industriali. L’automazione veniva introdotta perché l’operatore umano era considerato lento, discontinuo, incline all’errore; una volta affidato alle macchine il funzionamento ordinario, la stessa persona rimaneva però responsabile della sorveglianza e delle condizioni anomale. Le veniva sottratto l’esercizio quotidiano e conservato il momento più difficile: intervenire quando qualcosa che normalmente funziona smette di farlo.
Chi non partecipa al processo ordinario conosce meno lo stato corrente del sistema, fatica a ricostruire la sequenza che ha prodotto l’anomalia e deve prendere decisioni rare sotto pressione. L’automazione chiede quindi un operatore più preparato proprio mentre gli offre meno occasioni per prepararsi. Bainbridge suggeriva simulatori, pratica periodica e sistemi le cui decisioni potessero essere ricostruite. Quarant’anni dopo, la grammatica del problema resta riconoscibile: togliere le parti facili di un mestiere può rendere più difficile apprendere quelle complesse.
Il software offre un caso contemporaneo utile perché resiste alle semplificazioni. In un esperimento randomizzato condotto nel 2025, sedici sviluppatori esperti hanno lavorato su 246 attività reali all’interno di progetti open source che conoscevano da anni. Ritenevano che gli strumenti di AI li avrebbero resi più veloci e, anche dopo averli usati, continuavano a stimare un vantaggio. La misurazione mostrò invece, in quello specifico contesto, un aumento medio del tempo di completamento del diciannove per cento. Il modello generava rapidamente codice plausibile; comprenderlo, adattarlo agli standard del progetto e verificarne le conseguenze richiedeva lavoro aggiuntivo.
Il risultato riguardava strumenti del primo semestre 2025, un gruppo ristretto di esperti e repository maturi. Nel febbraio 2026 gli stessi ricercatori segnalarono che sistemi successivi potevano aver migliorato l’effetto, senza riuscire a stimarlo in modo affidabile per problemi di selezione. Il dato non è una legge sul software: mostra quanto il valore dell’assistenza dipenda dal contesto e dalla capacità di verificarla.
Gli sviluppatori esperti disponevano della conoscenza del progetto necessaria per riconoscere una soluzione estranea all’architettura, un test insufficiente, una modifica capace di risolvere il problema locale aprendone altri. L’assistenza poteva essere accettata, corretta o respinta perché esisteva già un patrimonio con cui confrontarla. Un principiante può produrre codice prima, ma deve ancora costruire quella memoria. Se le attività elementari scompaiono e l’accesso ai sistemi complessi viene riservato a chi è già autonomo, la professione rischia di separare la produzione del codice dalla formazione di chi, un giorno, dovrà mantenerlo.
5. Le prove, senza profezia
La diffusione del rischio è ampia, ma ampiezza non significa sostituzione. L’indice globale elaborato dall’Organizzazione internazionale del lavoro e da NASK stima che un lavoratore su quattro si trovi in un’occupazione esposta almeno in parte alla GenAI; solo il 3,3 per cento dell’occupazione mondiale ricade nella fascia più alta. Le mansioni amministrative restano le più esposte, mentre crescono software, finanza e altre professioni cognitive digitalizzate. La conclusione dell’ILO è più sobria dei titoli che spesso accompagnano questi numeri: la trasformazione dei compiti appare più probabile dell’eliminazione integrale dei posti.
Trasformare, tuttavia, non è un verbo neutro. Un lavoro può perdere incombenze sterili e guadagnare tempo per analisi, relazione e responsabilità; può anche conservare i compiti difficili riducendo il numero delle persone ammesse a impararli. Per distinguere le due traiettorie servono dati che seguano insieme occupazione, composizione delle mansioni e sviluppo delle capacità. Oggi possediamo frammenti, abbastanza forti da meritare attenzione, insufficienti per annunciare il destino di una generazione.
I dati amministrativi di ADP mostrano che, tra la fine del 2022 e settembre 2025, l’occupazione dei lavoratori tra ventidue e venticinque anni diminuì del sei per cento nelle professioni più esposte; tra gli sviluppatori software più giovani, la flessione dal picco sfiorò il venti per cento. Gli autori distinguono inoltre gli impieghi orientati all’automazione, associati a un indebolimento dell’occupazione iniziale, da quelli orientati all’aumento, nei quali lo stesso schema non compare. Il periodo è breve, riguarda gli Stati Uniti e non consente di attribuire all’AI l’intera divergenza; documenta però una pressione coerente con la sostituzione di alcuni compiti d’ingresso. L’età resta inoltre un indicatore imperfetto dell’apprendistato: si può iniziare un mestiere molto più tardi e smettere di imparare molto prima.
I casi favorevoli impongono la stessa attenzione. L’assistenza può diffondere pratiche dei lavoratori migliori e sostenere l’apprendimento quando il tempo liberato torna nel lavoro sotto forma di revisione, confronto e problemi più ricchi. Se viene assorbito soltanto dall’aumento dei volumi o dalla riduzione degli ingressi, cambia la traiettoria con cui una professione riproduce il proprio sapere. La tecnologia conta; sequenza e incentivi decidono ciò che ne resta nelle persone.
6. Il bilancio nascosto
Le imprese sanno registrare il beneficio presente. Contano pratiche gestite, righe di codice consegnate, ore fatturabili, costi per operazione e tempi di ingresso in produzione. La formazione compare soprattutto come spesa: ore di un senior, corsi, errori da correggere, produttività iniziale più bassa. Il suo rendimento resta disperso negli anni successivi e spesso viene raccolto da un’altra organizzazione, quando il lavoratore cambia impiego. Per ciascuna impresa può sembrare razionale assumere esperienza già formata; se molte fanno la stessa scelta, il mercato riceve una domanda crescente di esperti e un’offerta decrescente di luoghi in cui diventarlo.
Qui prende forma l’esternalità formativa: il lavoro di un principiante genera un risultato immediato e, quando è ben progettato, una capacità che resterà disponibile anche oltre il perimetro dell’azienda. Automatizzando il primo risultato, l’impresa incassa per intero il risparmio; la mancata formazione si manifesta più tardi e viene distribuita tra concorrenti, professioni, università e istituzioni pubbliche. Nessun bilancio aziendale contiene la voce “esperti che non arriveranno”. Proprio per questo il costo può crescere senza diventare decisione.
Un modello di Daron Acemoglu, Dingwen Kong e Asuman Ozdaglar rende visibile un rischio affine. Un’AI agentica può offrire consigli accurati e migliorare le decisioni presenti; quando sostituisce abbastanza sforzo umano, riduce però l’incentivo a generare i piccoli segnali che alimentano la conoscenza comune. In determinate condizioni il modello converge verso un “collasso della conoscenza”, pur continuando a distribuire buoni suggerimenti personalizzati. È una costruzione teorica, non la descrizione del mondo nel 2026: mostra come un sapere accumulato possa essere consumato mentre ciascuna decisione isolata sembra ancora migliore.
Per vedere questo consumo prima dell’emergenza, alle metriche produttive vanno affiancate domande meno comode: quanti casi reali affrontano i nuovi ingressi, quante revisioni ricevono, quale autonomia dimostrano senza assistenza, come reagiscono a un’eccezione che il sistema tratta male. La velocità ottenuta dall’AI può liberare spazio per problemi più ricchi o tradursi soltanto in nuovi volumi. Non occorre trasformare ogni impresa in una scuola; occorre riconoscere che ogni organizzazione competente è già, in parte, un luogo in cui il sapere viene riprodotto.
Se il tentativo, la correzione e l’assunzione progressiva del rischio non nascono più spontaneamente dalla divisione del lavoro, devono essere ricostruiti. È da questo punto che l’apprendistato dopo l’automazione smette di essere una difesa del passato e diventa un compito istituzionale.
7. Progettare l’apprendistato dopo l’automazione
Un apprendistato adatto all’intelligenza artificiale non si costruisce conservando mansioni che la tecnologia ha reso inutili. Nasce separando ciò che era soltanto fatica da ciò che permetteva di acquistare occhio, memoria e misura. Una parte della formazione avveniva quasi senza essere nominata: il principiante preparava una bozza, l’esperto la correggeva, il caso successivo arrivava con una difficoltà leggermente maggiore. Quando il sistema generativo assorbe la bozza e riduce il tempo della revisione, quel percorso non si trasferisce automaticamente altrove.
Aristotele osservava che diventiamo capaci esercitando le attività di cui vogliamo acquisire la disposizione: si diventa costruttori costruendo. Il giudizio pratico riguarda situazioni particolari e variabili; richiede esperienza, non la sola disponibilità di regole generali. Trasposto nel lavoro contemporaneo, il punto non impone un culto della prestazione senza strumenti. Chiede che la persona continui a incontrare il processo dal quale nasce il risultato. Un modello può mostrare una soluzione eccellente; resta necessario attraversare abbastanza casi da capire perché funzioni qui, quale dettaglio la renderebbe sbagliata altrove e quando convenga sospenderla.
Il primo tentativo umano può essere conservato in alcune attività selezionate come strumento diagnostico. Dopo, l’AI può proporre una strada diversa, rendere visibili omissioni, generare controesempi. Il lavoratore confronta le soluzioni e motiva la scelta; la revisione dell’esperto si concentra sui passaggi in cui il criterio si è formato o è mancato. In altri casi l’assistenza può intervenire subito, purché restino momenti periodici in cui la capacità venga osservata senza il sostegno abituale. Togliere temporaneamente lo strumento non celebra l’autosufficienza: distingue ciò che la persona sa trasferire da ciò che continua a dipendere dall’architettura che la sostiene.
Anche il mentoring deve cambiare forma senza scomparire. Se l’AI corregge grammatica, codice o classificazioni elementari, il tempo dell’esperto può spostarsi verso eccezioni, fonti fragili e decisioni irreversibili. La revisione diventa meno frequente ma più profonda, e proprio per questo va protetta dalle metriche che la considerano improduttiva. I casi simulati possono moltiplicare l’esercizio; quelli reali a rischio controllato devono restare, perché responsabilità e conseguenze modificano il modo in cui si guarda un problema.
Il tempo liberato dall’AI è già una scelta di architettura del lavoro. Può essere assorbito dall’aumento dei volumi e dalla riduzione degli ingressi, oppure reinvestito nel debriefing degli errori, nel confronto tra soluzioni e nell’accesso progressivo a casi più difficili. La seconda possibilità non nasce dalla tecnologia: richiede che la revisione venga riconosciuta come produzione di capacità futura, anziché come residuo inefficiente da comprimere.
Qui riemerge una tensione che Adam Smith aveva individuato nella divisione del lavoro: la produttività può crescere mentre si restringono le facoltà di chi resta confinato in operazioni troppo semplici. Per questo attribuiva all’istruzione una funzione pubblica, capace di compensare un costo che il mercato non aveva interesse a registrare. L’AI apre una nuova divisione cognitiva — il sistema produce, la persona verifica — e la supervisione diventa fragile quando chi verifica non ha attraversato abbastanza produzione da riconoscere ciò che non regge.
Progettare l’apprendistato significa valutare due risultati: ciò che viene consegnato oggi e la capacità che rimane domani. Nella scuola e nell’università ciò richiede anche prove autonome; nel lavoro servono casi progressivi, feedback e tempo di affiancamento. Poiché una parte del rendimento formativo supera l’organizzazione che ne sostiene il costo, le politiche pubbliche e le professioni non possono limitarsi a osservare il mercato. Altrimenti ciascuna impresa sarà incentivata a comprare esperienza già pronta, mentre il costo di produrla resterà affidato a soggetti sempre meno numerosi. La tecnologia non decide da sola quale risultato prevarrà: lo decidono le istituzioni che organizzano la sequenza del lavoro e l’uso del tempo liberato.
8. Chi saprà accorgersi dell’errore?
Nelle discussioni sull’automazione ricorre spesso l’espressione “essere umano nel circuito”. È una garanzia soltanto apparente quando quell’essere umano non possiede più i criteri per interrompere il circuito. Approvare una risposta plausibile, firmare un documento già composto o sorvegliare un processo opaco non equivale a esercitare giudizio. La responsabilità assegnata alla fine della catena vale se qualcuno è stato formato, molto prima, a ricostruirne i passaggi.
L’esperto dell’età dell’AI non sarà chi lavora sempre senza assistenza. Sarà chi conosce abbastanza il mestiere da scegliere quando affidarsi allo strumento, quando interrogarlo e quando respingerne la proposta; saprà riconoscere che il caso è uscito dal perimetro, chiedere una prova ulteriore, spiegare a un’altra persona dove si è prodotta la deviazione. Questa capacità non nasce nell’istante dell’emergenza. Richiede errori incontrati prima, correzioni ricevute, responsabilità sopportate in misura crescente. La ridondanza umana che oggi può sembrare inefficiente è, in alcuni settori, la riserva di competenza necessaria quando la normalità si interrompe.
Ogni organizzazione che introduce sistemi generativi dovrebbe quindi domandarsi chi sta ancora imparando il processo completo, quali verifiche indipendenti sopravvivono e dove si forma la generazione successiva di revisori, responsabili e maestri. Non tutte le routine meritano di essere conservate, ma ogni capacità critica eliminata deve essere ricostruita attraverso simulazione, pratica o affiancamento. Altrimenti il risparmio presente viene ottenuto consumando un patrimonio che apparirà nel bilancio soltanto quando sarà già raro.
Una società può affidare alle macchine una parte crescente della produzione senza rinunciare alla propria intelligenza. Deve però continuare a sostenere il tempo lungo in cui una persona tenta, viene corretta, impara a dubitare e infine assume la responsabilità di una decisione. Se quel tempo scompare dalle imprese, dalle scuole e dalle professioni, gli output continueranno forse a migliorare; quando arriverà l’errore che richiede un giudizio, scopriremo troppo tardi di aver consumato anche chi avrebbe saputo riconoscerlo.
Studi
Erik Brynjolfsson, Danielle Li, Lindsey R. Raymond, “Generative AI at Work”, The Quarterly Journal of Economics, 140(2), 2025, pp. 889–942, DOI 10.1093/qje/qjae044.
Fabrizio Dell’Acqua et al., “Navigating the Jagged Technological Frontier”, Organization Science, 37(2), 2026, pp. 403–423, DOI 10.1287/orsc.2025.21838.
Hao-Ping Lee et al., “The Impact of Generative AI on Critical Thinking”, CHI 2025, DOI 10.1145/3706598.3713778.
Hamsa Bastani et al., “Generative AI without guardrails can harm learning: Evidence from high school mathematics”, PNAS, 2025, DOI 10.1073/pnas.2422633122.
Donggwan Kim, Dmitry Mitrofanov, Qingsong Wen, Tianlong Xu, “Generative AI Can Improve Performance and Engagement without Harming Learning”, working paper, revisione 2026, DOI 10.2139/ssrn.5929576.
Nina Keith, Michael Frese, “Effectiveness of Error Management Training: A Meta-Analysis”, Journal of Applied Psychology, 93(1), 2008, pp. 59–69, DOI 10.1037/0021-9010.93.1.59.
John P. Papay et al., “Learning Job Skills from Colleagues at Work”, American Economic Journal: Economic Policy, 12(1), 2020, pp. 359–388, DOI 10.1257/pol.20170709.
Joel Becker, Nate Rush, Beth Barnes, David Rein, “Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity”, METR / arXiv 2507.09089, 2025; aggiornamento metodologico METR, 24 febbraio 2026.
Paweł Gmyrek et al., Generative AI and Jobs: A Refined Global Index of Occupational Exposure, ILO Working Paper 140, 2025, DOI 10.54394/HETP0387.
Erik Brynjolfsson, Bharat Chandar, Ruyu Chen, “Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence”, Stanford Digital Economy Lab, 2025; Canaries Dashboard, aggiornamento 1 luglio 2026.
Daron Acemoglu, Dingwen Kong, Asuman Ozdaglar, “AI, Human Cognition and Knowledge Collapse”, NBER Working Paper 34910, 2026, DOI 10.3386/w34910.
International Labour Organization, Quality Apprenticeships Recommendation, No. 208, 2023.
Riferimenti
Lisanne Bainbridge, “Ironies of Automation”, Automatica, 19(6), 1983, pp. 775–779, DOI 10.1016/0005-1098(83)90046-8.
Michael Polanyi, The Tacit Dimension, 1966.
Jean Lave, Etienne Wenger, Situated Learning: Legitimate Peripheral Participation, 1991, DOI 10.1017/CBO9780511815355.
Aristotele, Etica Nicomachea, libro II, cap. 1; libro VI, capp. 5–13.
Adam Smith, An Inquiry into the Nature and Causes of the Wealth of Nations, libro V, cap. I, parte III, art. II.
English note
This essay is written in Italian, but the problem it examines is not confined to the Italian labour market or to a particular profession. It asks what happens to competence when organisations can obtain mature outputs before the people delivering them have had the time to become mature professionals.
The argument begins from strong evidence in favour of artificial intelligence. Generative assistants can increase productivity, make good practices visible and help less experienced workers approach the performance of senior colleagues more quickly. AI may accelerate learning. It does not do so automatically.
The essay therefore distinguishes between assisted performance and embodied competence. A successful output shows that a task has been completed. Competence becomes visible when the context changes, the source is unreliable, the case falls outside precedent or the most persuasive answer happens to be wrong.
This distinction matters along the “jagged technological frontier”. AI can improve speed and quality within its perimeter and produce elegant, coherent mistakes just outside it. Verification is itself a competence: a “human in the loop” offers little protection when that human has never acquired the criteria required to interrupt the loop.
Apprenticeship is not defended here as an age, a contract or a justification for repetitive and humiliating junior work. It is a progressive structure of participation: observing experienced colleagues, attempting limited tasks, making errors with contained consequences, receiving correction and assuming greater responsibility over time.
The central original concept is formative externality. An organisation that trains a beginner bears a cost whose benefits may later circulate elsewhere. Each employer may rationally prefer experience already formed by someone else; when many organisations do the same, they collectively consume the expertise inherited from the past without reproducing it.
The proposed response is neither technological refusal nor the artificial preservation of obsolete work. It is the deliberate design of apprenticeship after automation: a first human attempt in selected activities, comparison with the generated solution, explanation of sources and limits, periodic practice without the usual assistance, mentoring focused on exceptions and real cases with controlled risk.
Aristotle provides one anchor: practical judgement is formed through exercise and experience of particular situations. Adam Smith provides another: productivity can rise while human faculties narrow, creating a cost that the market has little incentive to record. Their presence connects the essay with the wider interpretive work of Cerchi d’inchiostro.
The cover translates the argument into material form. On a dark working surface, a sequence of technical studies leads towards a finished industrial prototype. The trials and corrections remain faintly visible. For readers familiar with Fabriano’s manufacturing history, the object may also recall an early extractor hood or chimney prototype: a discreet reference to technical offices, product development and knowledge transmitted through drawings, tests and revisions.
The final question is not how many tasks artificial intelligence will perform. It is who will still know enough to recognise the error when the system reaches the edge of its competence. If the long interval of attempt, correction and responsibility disappears, outputs may continue to improve while society consumes the people who would have known how to judge them.