Cosa Stiamo Sbagliando su IA e Produttività

David Rice: Quindi la tua squadra sta usando l’IA per scrivere report, analizzare dati e prendere decisioni più velocemente. La produttività è aumentata, giusto? I tuoi dati trimestrali probabilmente sembrano piuttosto positivi, ma indovina un po’? Stai silenziosamente rendendo le tue persone meno intelligenti. Non sto drammatizzando. Uno studio recente su professionisti medici che utilizzavano strumenti diagnostici assistiti dall’IA ha scoperto che sono diventati talmente dipendenti dalla tecnologia che, quando si spegneva l’IA, le loro prestazioni peggioravano drasticamente rispetto a quando avevano iniziato a usarla. Non è un problema di formazione. È atrofia cerebrale.

L’ospite di oggi al podcast è la Dott.ssa Vivienne Ming. È una neuroscienziata teorica, un’imprenditrice che 15 anni fa aveva previsto che la navigazione GPS avrebbe causato un aumento dei casi di demenza. E oggi ci sono prove empiriche che dimostrano che aveva ragione, ma non è questo ciò di cui vuole parlarci.

Quello che vuole dirci oggi è che ora abbiamo una scelta tra due strade completamente diverse: automazione cognitiva, dove l’IA fa il lavoro al posto tuo e ottieni vittorie rapide ma perdite a lungo termine, oppure potenziamento cognitivo dove l’IA rende il lavoro più difficile in modi che rendono davvero migliori le persone.

Parleremo di perché l’IA rende la vita più facile, del perché questa sia la proposta più pericolosa negli affari oggi, della differenza tra automazione che erode le competenze e potenziamento che le costruisce, di come riprogettare gli strumenti IA affinché le persone siano migliori quando li finiscono rispetto a quando li iniziano, del perché i leader che scelgono la versione pigra vedranno guadagni a breve termine ma fallimenti strategici.

Sono David Rice. Questo è People Managing People. E se hai celebrato risultati di produttività senza chiederti cosa stai perdendo nel processo, questa conversazione è una vera sveglia. Andiamo.

Bene, Vivienne, benvenuta allo show.

Vivienne Ming: È un piacere essere qui.

David Rice: Prima di collegarci, stavo scorrendo le notizie come a volte faccio, e ho visto un articolo. Nature ha pubblicato uno studio la settimana scorsa che affermava che quando riceve informazioni, in particolare dai social media, l’IA fa fatica. A capirci qualcosa, e volevo avere una tua reazione perché, secondo l’articolo, le parole testuali usate erano che troppi social media provocano all’IA la "marcescenza cerebrale".

Vivienne Ming: Già.

David Rice: Quindi, questo contenuto non fa bene a nessuno?

Vivienne Ming: Marcescenza cerebrale è il termine tecnico del momento. Cervello che marcisce e lavoro-spazzatura. Potrei darti una risposta molto nerd su cosa succede e cosa dovremmo fare, ma parlando a un pubblico generale, dovremmo preoccuparci, giusto? Basta davvero pochissima informazione di bassa qualità per far deviare un LLM.

E anche tornando, sai, a quello che si chiama human in the loop, fine tuning, reinforcement learning, fa davvero fatica poi a tornare al suo potenziale iniziale. Molti parlano dell’importanza dei dati di buona qualità e questo è uno di quegli esempi in cui anche una piccola quantità di "spazzatura" involontaria, o in alcuni casi volontaria, viene immessa nel sistema e ottieni... è veramente un modo di hackerare il cervello.

Quindi questa non è nemmeno marcescenza cerebrale, questa è tipo un verme cerebrale. Sono cose di cui dobbiamo preoccuparci. Ecco la mia risposta da nerd, su cui sto scrivendo anche un articolo che invierò: ascolta, gli esseri umani sono imperfetti. Siamo anche pieni di bias. Inoltre, risulta che se ci esponiamo troppo a Internet anche il nostro cervello "marcisce".

Ma detto tutto questo onestamente, gli esseri umani di solito fanno una cosa importante. Se riceviamo un’informazione chiaramente insensata, la ignoriamo. Ovviamente ci sono delle eccezioni. Ma nei casi di ricerca sulla marcescenza cerebrale riportati in quello studio, spesso si trattava di pura fuffa.

Nessun essere umano vedrebbe una pagina di cose senza senso e penserebbe: "Devo impararla a memoria". Abbiamo un superpotere che l’attuale IA non ha. Abbiamo un modello del mondo. Nel mondo dell’IA si parla molto di world model, ma in realtà no, non ancora. Noi osserviamo il mondo, applichiamo il nostro modello e ciò che non rientra, per il bene e per il male,

Diciamo: "Non è importante e non lo memorizzerò a fondo", e dobbiamo pensare a come far sì che le IA facciano lo stesso. L’idea che dobbiamo creare dataset perfetti e che non si possa mai mostrare un solo esame negativo o una piccola sciocchezza a un’IA altrimenti danneggia irrimediabilmente i modelli, è una vera debolezza di come le alleniamo oggi.

David Rice: La gente dice: abbiamo creato un cervello sofisticato come il nostro. L’ho già sentito e io... beh, non so. Ho spesso messo in discussione questo termine "cervello". Ma quando ho letto questa notizia, ho pensato che forse un po’ è vero: i contenuti social hanno lo stesso effetto su IA quanto su di noi, quindi...

Vivienne Ming: Sì. Mi piace approcciarmi con misura. Sono un realista dell’IA. Il mondo è pieno di entusiasti che credono che risolverà tutto e di distopisti che credono stiamo costruendo Skynet. Vorrei quasi che il problema fosse Skynet, almeno sapessimo come costruirla.

Non lo sappiamo. Proprio no. Ma quello che abbiamo costruito è genuinamente intelligente. È intelligenza artificiale, ha solo una particolare forma di intelligenza: apprendimento statistico. È quello di cui noi stessi facciamo largo uso, ed è ciò che l’IA condivide con noi. E da questo punto di vista ci sono molte somiglianze specialmente fra LLM e persone.

Ma noi abbiamo molte altre forme di intelligenza, basse idee computazionali, altre ad ampio spettro. Quel famoso caso di Henry Markham, aveva subito un intervento per l’epilessia e poi non creò mai più nuovi ricordi a lungo termine. Noi che facciamo ricerca lo conosciamo così da sempre.

Sapeva suonare la chitarra, ma non ricordava mai di aver imparato. Ecco, ci sono diversi tipi di intelligenza. Lui non poteva formare nuovi ricordi, ma poteva imparare a suonare. Quindi ci sono forze diverse che le macchine e le persone portano. Se solo smettessimo di cercare di costruire uomini artificiali e celebrassimo quello che l’intelligenza artificiale sa fare bene.

Staremmo tutti molto meglio.

David Rice: Sono d’accordo e va proprio verso dove pensavo di portare questa conversazione: c’è questa idea che l’IA renderà tutto più facile. Più comodo, più veloce, produttivo e redditizio.

Credo che sia quello con cui oggi molti dirigenti si stanno cullando. Ma quando ne abbiamo parlato prima, tu hai contestato questa narrativa, chiedendoti: e se l’IA non rendesse la vita più facile, ma la rendesse più difficile in modi che ci migliorano? Come credi che sia?

Vivienne Ming: Ho appena condiviso nella newsletter una ricerca totalmente non collegata all’IA: una di queste scoperte era che gli investitori sono più inclini a investire in persone con lineamenti simili ai loro.

Esperimento interessante reso possibile dall’IA: la somiglianza numerica dei volti aumenta del 3% le probabilità d’investimento da parte di un VC, ma riduce del 7% la probabilità di ritorno. Lo dico perché, come dicevo, siamo pieni dei nostri bias.

A cosa serve? Siamo inclini a investire in chi ci somiglia, ma il ritorno è peggiore. Vogliamo credere di essere razionali, ma spesso non lo siamo. Una delle cose più irrazionali che facciamo (e riguarda molti di noi più di quanto si ammetta) è scegliere la via facile. In psicologia parliamo di shallow e deep processing. Anche le persone più brillanti vivono spesso processando in modo superficiale, e va bene così. Ma bisogna andare in profondità ogni tanto.

E la cosa curiosa è che abbiamo costruito lo strumento perfetto per restare sempre superficiali. E se a questo aggiungiamo che i leader aziendali prendono decisioni poco ponderate (come assumere chi li rassomiglia invece che la persona migliore per il ruolo),

Un altro studio che ho citato questa settimana ha dimostrato che il principio di Peter è reale: nei team di vendita si viene promossi sulla base delle vendite, non del potenziale manageriale, con impatti economici reali.

Facciamo tutte queste cose mentre decidiamo su promozioni, investimenti e deployment dell’IA.

Stiamo credendo a questa promessa che il valore dell’IA sia rendere la vita semplice. Farà tutto il lavoro noioso. Così potrai occuparti solo della parte creativa. Ma dalla mia ricerca emerge che più lavori noiosi delega l’IA, più lavori noiosi esistono per tutti. Ad esempio: molte aziende vantano di far leggere e scrivere tutte le email all’IA per risparmiare tempo.

In realtà, più email-spazzatura produce l’IA, più ne ricevi, non meno.

Quindi il mito dei boost di efficienza dell’IA, come se fosse cocaina per la produttività, per me porta in un vicolo cieco.

Non da ultimo perché erode il capitale umano sostituendolo. Potrei citare molte ricerche. L’idea che l’IA faccia il lavoro noioso e così tutti diventiamo magicamente creativi, semplicemente non è vera. Se vuoi persone migliori e sei entusiasta dell’IA come me da 30 anni,

Devi costruire IA che supporti esplicitamente e inequivocabilmente la creatività, e la migliore IA per questo non ti semplifica la vita, te la rende più difficile. Ti contraddice. Ti mostra perché sbagli. È l’opposizione leale. Perciò, nel mio prossimo libro ne parlo e la chiamo Nemesis Prompt.

L’ho usata per scrivere il libro: scrivevo un capitolo e poi dicevo a Gemini: sei la mia nemesi. Ecco il capitolo, trova tutto ciò che è sbagliato, ogni idea errata, ogni fatto facilmente confutabile e spiegamelo, e dimmi come potrei migliorarlo.

Non ho usato l’IA per facilitare la scrittura del mio libro, ma per renderla più difficile, in modi che mi hanno migliorata.

David Rice: Questo si vede nella cultura intorno all’IA, giusto? Si vede come una scorciatoia di produttività o uno strumento di comodità, non come catalizzatore della crescita o per cambiare il modo in cui formiamo leader.

Oppure, come dicevi tu, nelle promozioni si premiano le vendite, non le domande migliori. Non si inquadra così. Tendiamo a presentarla come tutta la tecnologia degli ultimi 50 anni: è facile, ti farà star meglio, ma non credo che nei fatti ci abbia aiutato granché in altri ambiti della vita.

Vivienne Ming: Quando mi sono (in parte) allontanata dal mondo accademico per fondare la mia prima azienda, hanno iniziato a invitarmi per keynote sul futuro del lavoro.

Essendo partita con aziende IA per l’education e per il lavoro, e anche nella medicina, chi meglio di me in qualche modo. Sul palco, un altro relatore dice: è solo come la Rivoluzione Industriale. Non dobbiamo preoccuparci, creerà più posti di quanti ne distrugga, e sarà uno splendido futuro, come se dire "è come la Rivoluzione Industriale" fosse una dimostrazione matematica inconfutabile.

Una volta ero sul palco con il più fastidioso mansplainer mai incontrato, uno che inventava fatti biologici a piacere per tutta la durata dell’evento. Così frustrata, sono scesa e ho scritto: questa NON è la Rivoluzione Industriale.

Ne è uscito un capitolo da centomila parole, presente in quel libro giallo dietro di me; e quello che davvero affronta è: uno, ma capiamo davvero cosa fu la Rivoluzione Industriale e i suoi effetti? È una questione nerd di storia economica, ma anche: l’IA è solo una catena di montaggio? È solo elettricità o il motore a scoppio?

Indichiamo questi momenti storici di cambiamento ed è importante capirli. Ma l’IA non solleva dal basso. Per lei il "basso" non esiste. Puoi chiederle di scriverti il tweet più stupido o generare un’immagine usa e getta. O chiederle di diagnosticare il cancro o inventare una nuova ipotesi sulle cause del cancro e come cambiarne per sempre la cura. L’IA non fa distinzioni, sono due run uguali come consumo energetico, solo che una volta arricchisci il mondo con una battuta vista da 100 persone per 35 millisecondi, un’altra cambi il futuro dell’umanità. Non è la catena di montaggio, né la rivoluzione agricola. Nessuna delle precedenti. Il che non significa che sarà male, ma nemmeno che sarà bene.

Finché non ammettiamo che gli umani sono incasinati e l’IA è un po’ come noi, incasinata a modo suo, finché non colleghiamo bene questi due mondi... può succedere qualcosa di straordinario, oppure, se li colleghiamo male, endocrinologi peggiorano nelle diagnosi di cancro e studenti imparano meno e vedono degradarsi l’attività cerebrale.

Non è né buono né cattivo. È complesso, dinamico: conta come lo usiamo. Più di qualsiasi argomento tipo secondo emendamento: non sono le armi a uccidere; non è l’IA a peggiorare il mondo, ma l’interazione tra le nostre scelte e questi algoritmi a produrre il futuro.

E se non ci impegniamo davvero a fondo, mi preoccupo.

David Rice: Quando tutti parlano di questi eventi storici, penso: sì, ma non si sono svolti a questa velocità. Il cervello non è pronto a gestire questo livello di cambiamento, giusto?

Le trasformazioni che arriveranno, si vede già ora che la gente fatica a distinguere tra reale e artificiale su Internet. Non riescono più a capire cosa è autentico. Non è mai successo che dovessimo sfidare la nostra stessa percezione della realtà a questi livelli.

E quindi è una sfida molto diversa per gli esseri umani. Poi il punto decisivo è come la usiamo. Se facciamo fatica a capire e la stiamo già usando, abbiamo molto spazio per usarla male.

Vivienne Ming: Sto lavorando ora a uno studio pilota, voglio capire l’intelligenza collettiva ibrida: il bene, il male e il brutto di come persone e macchine interagiscono e cosa possono fare. È ancora presto, quindi se volete leggere il paper, dovrete aspettare finché lo studio è completo e robusto.

Se avete pazienza su queste prime risultanze preliminari, ho pensato che fosse interessante misurare quanto profondamente le persone impattano il mondo osservando quanto sono bravi a fare previsioni. Esiste già qualcosa del genere, si chiama Poly Market, dove puoi scommettere denaro su previsioni di ogni tipo, anche elezioni e altro.

Quindi, prendo un gruppo classico da esperimento universitario, li metto in team da 3-5 persone per un’ora e gli do una serie di previsioni Poly Market da fare. Non sono esperti, certo, e non mettono soldi veri, ma prima o poi si vedrà chi aveva ragione. Possiamo vedere i risultati dei partecipanti, di Poly Market, e poi fare lo stesso con Gemini o GPT, e infine umani + AI.

C’è un dettaglio speciale da discutere. La cosa interessante è che questi umani ingenui non vanno benissimo. Peggio dei professionisti su Poly Market. Le IA vanno bene, non benissimo, soprattutto quando l’intuizione base è corretta.

Quando la cosa si fa imprevedibile, vanno peggio. Quando si mette umani e IA insieme, le cose si fanno complicatissime. E non è tanto il tipo di IA importare: puoi usare GPT-5 o un modello lambda open source qualsiasi.

È il capitale umano che predice i risultati: il capitale umano predice come interagiranno con l’IA. Se è basso, fanno semplicemente ciò che dice l’IA, quindi il risultato è uguale a quello dell’IA da sola. Se è alto, non si limitano a seguire l’IA: si sviluppa una dinamica, ideano, l’IA raffinail risultato, e vanno avanti così per qualche ciclo. E, provocatoriamente, da confermare, questi team umani-IA fanno quanto Poly Market, pur essendo "naive".

La cosa più eccitante è che il meglio lo fanno nei casi di massima imprevedibilità. Ma conta COME interagiamo. So che questo è tecnico, ma è in fondo un riflesso di quanto dicevi tu.

Solo se ci impegniamo profondamente col sistema, non lo appaltiamo come cervello collettivo,

ma lo integriamo nel nostro processo creativo, abbiamo veri benefici. Ve lo assicuro, è una scoperta grande: la cosa più "intelligente" oggi è l’intelligenza ibrida.

Non è un super-AI in chissà che laboratorio, né un genio isolato, nemmeno Terrence Tao. È un gruppo anche solo mediamente sopra la norma dotato di IA.

Niente si avvicina. Incredibile.

David Rice: È un tema affascinante, mi fa pensare a tante cose.

Ho letto di Poly Market proprio la scorsa settimana, prima volta che lo sentivo. E ne stanno nascendo altri: ora puoi scommettere su tutto. È bizzarro che stia diventando normale.

Ma andando avanti, voglio parlare del mito dell’efficienza. Si vede ovunque nei posti di lavoro, è una trappola in cui siamo tutti dentro, credo. Pensi che questa narrativa sull’efficienza devii il potenziale dell’IA nel lavoro?

Vivienne Ming: L’assunto dell’efficienza, parte dal presupposto che abbiamo una buona idea di cosa sia l’efficienza. Che righe di codice scritte dagli sviluppatori o flusso di deal nei team di vendita colgano davvero ciò che rende unica la tua azienda. Se guardi i dati sul lavoro, sono idee un po’ particolari, ma la maggior parte della crescita economica Usa degli ultimi 30 anni è dovuta a quello che vari autori chiamano "capitale intangibile" o parlando di "super aziende": gran parte della crescita non è una spinta generale dell’economia ma viene da un sottoinsieme di aziende trasformative.

È difficile spiegare cosa portino al mondo, ma sono molto più produttive: profitti enormi, soprattutto le aziende tech (ma i confini sono ormai labili). Le performance pro capite sono altissime e non perché sono più veloci a scrivere email o chiudere contratti.

Studi interni di Google hanno mostrato che i migliori team in realtà erano inefficienti in quanto passavano poco tempo tra loro, più tempo con altri in azienda, poi si ricompattavano. Si fidavano l’uno dell’altro, non serviva molta supervisione. Collaboravano bene. Io stessa ho studiato la "produttività di ordine superiore": come una persona rende migliori le vicine. Le metriche di produttività sono quasi sempre personali o di team, raramente colgono questo effetto.

Quindi, poniamo un’azienda da 500.000 persone come una rete neurale con 500.000 neuroni artificiali. Se fosse vero avremmo la matematica per capire (nei neural network si chiama "credit assignment") come cambiare una persona influisce sull’output globale.

C’è molto altro dietro, ma questa è la base. Ho applicato questo modello a una vera azienda: circa il 11% dei dipendenti spiegava l’80% della produttività non registrata dalle metriche individuali. Quindi una piccola, ma importante, porzione faceva eccellere gli altri.

La cosa interessante è che 70.000 di loro volontariamente condivisero dati quotidiani: scoprii che coloro che facevano la differenza aiutavano semplicemente. Se mai, erano inefficienti! In certi momenti, vedevano qualcuno o qualcosa da aiutare – non parte del loro lavoro – e lo facevano, facendo migliorare tutti.

Che metrica di efficienza misura questo? Eppure in quell’azienda era un driver enorme e invisibile di produttività. Se pensi che sostituendo il call center con chatbot sia solo un taglio di costi, è vero a livello di margine. Ma se questo genera problemi a valle nella gestione dei clienti, o se si automatizza la scrittura di codice ma poi i senior perdono più tempo a correggere errori,

non hai migliorato nulla. Ma si scopre che chi ha alto capitale umano, usando l’IA su codice, lavora più lentamente al momento ma l’impatto a lungo termine è migliore. La qualità aumenta e ciò supera qualunque calo di efficienza metrica tradizionale.

So che sono nerd su questo, ma il punto è che la nostra intuizione su efficienza e sulle modalità di misura... è molto fuori luogo. In un mondo dove dovremmo stimolare l’errore produttivo e la sperimentazione con IA, invece di lasciar fare all’IA sempre e solo ciò che già sappiamo fare a basso costo.

Perché stiamo facendo esattamente questo e non ci porta da nessuna parte.

David Rice: Bello che tu abbia citato l’effetto delle persone che se ne vanno e lasciano un buco enorme. Tutti abbiamo conosciuto team dove una persona non sembrava così fondamentale e poi, quando se ne va, l’organizzazione vacilla. Come nello sport: il giocatore-collante che tiene insieme tutti. Quando esce, la squadra non è più la stessa.

L’abbiamo visto tutti, ma come lo si quantifica nei dati?

Vivienne Ming: Ecco, nello sport si fa molto seriamente. Ci sono metriche come value over substitution che dicono: sì, magari hai i quattro assi, ma se analizzi chi segna di più, poi emergono figure sorprendenti ed escono dalla top i "fenomeni". Si parla di comunità: non serve essere troppo sentimentali. Bisogna solo pensare che tanti pezzi complessi devono incastrarsi. Curate la complessità della tua supply chain, perché non quella del capitale umano? E apprezzare che chi è un fit perfetto in un team magari in un altro non rende.

E che ogni tanto, se non segnasse nessun punto sarebbe più chiaro, hai il tuo Djokovic che fa della squadra un quasi-contender mondiale anche se da sola non ha super-talenti – solo perché uno eleva gli altri.

E nei dati vediamo che qualcuno che fa migliorare gli altri è ovvio (uno star), ma non c’è una forte correlazione con le metriche individuali: persone dalla performance media che però permettono a tutti di spiccare, e sarebbe follia lasciarle andare.

E ragionando così, il potenziale umano diventa entusiasmante. Potremmo fare "Moneyball" a tutto, vedere il fit migliore di ognuno e fare la squadra vincente.

Però questo piace ai nerd delle statistiche. Il punto vero è: con l’IA bisogna chiedersi come rende le persone migliori, non come le sostituisce.

David Rice: Avevi fatto l’esempio della rete neurale umana da 500.000 persone. Così pensandoci, ci sono tanti punti di vista che non puoi avere senza tutte queste persone diverse nella rete.

Adesso si teme molto la scomparsa dei ruoli entry level. Chi ascolta spesso questa trasmissione sa quanto sia alto il costo di eliminare la gavetta come percorso di apprendimento e per la crescita dei futuri leader. Ma c’è anche il rischio di perdere sguardi freschi, occhi esterni.

Mi chiedo se ci sia un costo cognitivo più alto, se danneggia come ci riconosciamo nelle organizzazioni e nella società. In un mondo dove l’IA, come dici tu, non “sa” niente, cosa perdiamo se eliminiamo l’esperienza base dell’ingresso in azienda?

Vivienne Ming: La tua frase (“l’IA non sa niente”), ti do un po’ di contesto. I miei dottorandi, alla Berkeley o altri atenei, sono tra le persone più intelligenti con cui ho lavorato. Anche se giovani, sono brillanti. Nel tema del loro dottorato sanno quanto il migliore al mondo, più di me: io una volta a settimana, loro 24/7 per 6-7 anni.

Perché io sono lì? Potrebbero imparare tutto, le biblioteche esistono ancora! Possono leggere tutti articoli, sapere tutta la matematica, neurofisiologia, IA. Perché io sono in aula? Loro sanno tutto, ma non capiscono niente. Il mio lavoro è fornirgli comprensione e metodo, non fatti. Come si fa lo scienziato? Come si esplora il cervello (che è molto più complesso di GPT-5)?

Sanno tutto quello che c’è da sapere, ma l’intera missione è esplorare l’ignoto. Essere il primo a porsi una nuova domanda. Non conta il prossimo "fatto", ma la prossima domanda da porre.

Lavorare con un LLM per me è come lavorare con i miei dottorandi, solo che l’IA “sa” di tutto, dal diritto, alle neuroscienze, all’ingegneria, matematica, persino il canto. Ti risponde sempre. Ogni tanto dà una risposta giusta. Ma anche gli umani lo fanno. Capisce tutto o, meglio, sa tutto, ma non capisce niente. Non sa quel che non conosce per come è costruita.

Quindi il mio ruolo, quello dei partecipanti al mio esperimento su Poly Market, è esplorare l’ignoto. È questo a rendere grandi gli umani. Se sei agli inizi della carriera, per rispondere davvero alla tua domanda: chi esce dall’università (che sia giurisprudenza o altro) o entra in uno studio marketing, non è il suo sapere ad essere prezioso.

Gli “affittiamo” il sapere solo perché i senior non vogliono fare il lavoro sporco: revisione dei casi, delle pratiche, lavorare come residenti al pronto soccorso, perché i senior non possono seguire tutti i pazienti.

E il mio compito con te sarà insegnarti non la legge, ma cosa farci, come si pensa da avvocato.

Qualche anno fa ho fatto un intervento privato davanti a CLO e responsabili legali di grandi aziende. Uno mi disse: “Riservo le ultime due settimane del primo mese dopo l’assunzione per dare a tutti i nuovi arrivati il tempo di leggere tutti i contratti mai sottoscritti dall’azienda. Sono tutti super-motivati e leggono tutto. Poi mi prenotano un’ora per dirmi: ho trovato questo errore, potremmo fregare un concorrente, ecc.” Scorre la lista, li lascio parlare mezz’ora e poi dico: “Ottimo lavoro, ma non lo faremo perché sarebbe sbagliato. Se lo facessimo, loro farebbero lo stesso con noi. Sappiamo che quei difetti esistono. Ciò che conta è cosa farci. Questo è il lavoro che alla fine vorrai fare: non 80 ore di revisione pratiche a settimana, ma decidere come agire. Devi conoscere, e devi capire. Se togliamo la parte dell’esperienza diretta, come fa una persona a imparare la comprensione?”

La sola eccezione forse è il mondo dei creator su YouTube/TikTok dove una minoranza, col giusto tempismo, può avere successo, ma non può essere questo il modello di carriera per tutti. È una lotteria: serve chanche, talento, fortuna. Per pochi. Ma serve strutturare la crescita per tutti, non lasciarla al caso.

Ecco però la buona notizia: la decisione più intelligente viene non quando l’IA analizza il foglio Excel e poi decidi tu, ma quando analizzate insieme e dici: proviamo questo, facciamo quella ipotesi, cos’è successo qui? Quello accelera davvero, perché l’IA può fare calcoli e routine che ti richiederebbero molto tempo, e tu capisci meglio. Ma funziona solo se sei protagonista attivo del processo, non se deleghi tutto.

Non ci sono lavori solo umani o solo IA. Siamo ciborg, il lavoro è integrato. Migliora un po’ l’efficienza ma soprattutto trasforma la qualità e dà a tutti occasione di imparare.

David Rice: C’è molto da approfondire, ma penso sempre che l’IA non ha contesto del mondo. Non ha esperienza umana né giudizio maturato sul campo. Il giudizio pratico si forma con piccole esperienze che ti cambiano la visione di ruolo, azienda, capo... La mia paura è che si perda la crescita umana, il processo che porta a questo. Non so se è esagerato.

Vivienne Ming: Ti racconto un paradosso affascinante (almeno per un nerd, meno per il futuro del genere umano).

Un campo dove la ricerca IA è molto avanzata è l’educazione. Creano IA tutor da tempo e c’è una regola d’oro ripetuta anche con LLM all’avanguardia: se il tutor dà la risposta, lo studente non imparerà mai.

E studi al MIT e Persino in Anthropic mostrano che se l’LLM ti dà la risposta da giovane, non imparerai il lavoro o, meglio, quasi nessuno lo farà (solo una minoranza va a fondo). Il paradosso: il tutor IA migliore non fornisce mai la soluzione. Non la dà nemmeno forzandoti a riflettere prima. È puro Socrate: “Tu cosa ne pensi? Come risolveresti?”

Il modello LLM porta la persona al risultato con domande, non dando la risposta. Deve produrla da solo. L’IA fa da sostegno (“scaffolding”) verso l’intuizione.

Qui si collega il mio lavoro/progetto sui neuroprostetici ciborg: la tecnologia deve renderci migliori, non solo durante l’uso (dove la media diventa più creativa, ma i migliori no), ma anche dopo che spegni l’IA. E ci sono tante ricerche che mostrano che NON è così: la media, interagendo con modelli generativi, peggiora nei compiti in cui cerca di migliorare.

Non è inevitabile. L’IA non è il cattivo: è il modo in cui la usiamo a essere problematico. Se lo sistemiamo, può essere: dal lato "offerta" (creare IA che non dà le risposte); dal lato "domanda" (crescere capitale umano che va a fondo, come già fanno <10% degli universitari). Immagina portare questa percentuale al 20% o al 50%. Non sarà mai per tutti, ma se l’IA fosse costruita per darti solo ciò che ti serve per migliorare (non quello che desideri), sarebbe un grande passo. David Rice: Hai usato la frase “economia Jiffy Lube”. L’ho vista come deprofessionalizzazione. Cosa vuoi dire?

Vivienne Ming: Come dicevo su “Rivoluzione Industriale”: c’è la frase che l’IA creerà più lavori di quanti ne distrugga. Come il telaio creò l’industria della moda un secolo dopo aver devastato le economie di India e Cina.

Ma davvero oggi è così? Teoricamente, sì, l’IA creerà più lavori. Il problema è che appena crea un nuovo lavoro, se quel lavoro è regolare e ha valore economico, entro sei mesi c’è un’IA che lo fa. Il punto non è se saranno creati nuovi ruoli, ma chi sarà qualificato per i pochissimi che l’IA non può fare. E oggi sono molto pochi.

Invece di creare un’economia di “super-dottori" abilitati da IA, stiamo andando verso la colonoscopia da Jiffy Lube: un ragazzo col diploma e l’affidabilità per presentarsi viene pagato per collegarti a un computer. Non si costruisce un robot, ma per il costo di un salario medio-basso anziché di un medico, ottieni l’80% del valore al 20% del prezzo.

I CFO lo adorano. Così più che lavori che spariscono, ci sono lavori deprofessionalizzati.

Potrebbero anche nascere molti lavori low-skill creati dall’IA che non vale la pena automatizzare totalmente, ma che diventa umiliante: ce l’hai solo perché non conviene costruire un robot.

David Rice: Parliamo tanto di potenziamento, ma spesso si scivola nell’automazione cognitiva. Puoi spiegare, per chi ci ascolta, la differenza e perché conta per i leader?

Vivienne Ming: Vuoi la versione neuroscientifica super-nerd? Un modo per pensarci: quando davvero usi il cervello è difficile, usi ciò che ci rende umani: la corteccia prefrontale. Si nota grande attività, gestione di emozioni e problemi complessi, pianificazione.

Abbiamo un’attività chiamata gamma, un segnale cellulare ad alta frequenza associato al pensiero duro. Uno studio MIT misurava una proxy di questa attività negli studenti: chi scriveva temi con LLM mostrava molta meno attività gamma rispetto a chi aveva solo Google o carta, e i loro testi erano meno ricordati e sentiti come propri.

Quindi, parliamo di automazione o potenziamento: prendiamo una cosa che tutti usano, il GPS. I tassisti londinesi, per decenni, dovevano memorizzare tutto. Avevano memorie pazzesche, un ippocampo sovradimensionato, e restavano cognitivamente sani a lungo. Oggi chi usa solo la mappa non esercita il cervello.

Io stessa uso Google Maps quando vado in nuove città a piedi, ma 15 anni fa prevedevo che i navigatori avrebbero fatto aumentare i casi di demenza, perché manca l’attività frontale. Sono più efficiente con Google Maps, ma, secondo esiti empirici, peggioro in prospettiva. L’automazione mi porta a destinazione, il potenziamento mi dà solo gli strumenti per arrivare.

Sfido i miei studenti Berkeley: come riprogettereste Maps in modo che tu sia migliore di come eri all’arrivo? Esistono risposte complesse, ma anche una semplice: accendi Google Maps, imposti il supermercato, ma poi usi ciò che tu solo sai: conosci i quartieri, eviti l’ingorgo per la partita, tagli per un cortile pedonale... Insomma, usi contemporaneamente il cervello. Quello è potenziamento cognitivo. La tua mente è attiva, ma supportata da IA.

E possiamo progettare IA che aumentino esplicitamente le nostre capacità, ma non è lo standard negli LLM attuali.

David Rice: Ho cambiato città pochi anni fa e ho voluto costruirmi una mappa interna, quindi dopo qualche mese ho spento il navigatore. Ma lo accendo ancora per scegliere il percorso più veloce, non per farmi guidare parola per parola. Interessante.

Vivienne Ming: E navighi tu. Riflettendoci, nello studio in Portogallo sui gastroenterologi, i medici che facevano colonscopia assistiti da IA, una volta tolta l’IA, erano peggio di prima. Anche se con IA erano più bravi, il declino delle competenze può essere pericoloso. Se pretesti “tanto con IA lavorano meglio”, ma intanto erodi le skill umane, nel lungo periodo c’è una perdita.

Le due intelligenze fanno errori diversi. Sostituendo il cervello con l’IA, cioè facendo automazione cognitiva, non sfrutti né unique skill né "spidey sense" (sensibilità al pattern). Proprio lì l’ibrido uomo-IA mostra la vera forza. L’automazione pura toglie tutto questo.

David Rice: Una conversazione affascinante, Vivienne, grazie per essere stata con noi. Amo discutere le dinamiche reali dell’interazione cervello-IA e gli effetti a lungo termine.

Vivienne Ming: Il piacere è mio. Se posso lasciare un messaggio: alla fine parlo di intelligenza collettiva umana+IA, ma la differenza la faranno i leader. Se scelgono la via pigra e usano IA per rimpiazzare persone avranno solo vantaggi di breve periodo e perdite di lungo. Se invece investono davvero in capitale umano, i ritorni saranno veri, ma serve coraggio e spesa di capitale politico interno alle aziende.

David Rice: Proprio così. Ho tenuto una conferenza la scorsa settimana a HR leader: so che non pensavate di finire a parlare di filosofia del lavoro, ma è il momento. Non potete evitarlo. Grazie di essere stata qui e per il messaggio.

Vivienne Ming: Un vero piacere. Grazie a voi.

David Rice: Ascoltatori, se non l’avete già fatto iscrivetevi alla newsletter su peoplemanagingpeople.com. Potete anche esplorare l’AI Transformation Explorer. Se non avete ancora creato un account gratuito, fatelo: vi darà accesso al Transformation Explorer.

E fino alla prossima volta, è sempre l’essere umano a fare la differenza e voi siete all’avanguardia.