Cosa Sbagliamo sull’IA e la Produttività

David Rice: Quindi il tuo team usa l’IA per scrivere report, analizzare dati e prendere decisioni più velocemente. La produttività è aumentata, giusto? I tuoi dati trimestrali probabilmente sono eccellenti, ma indovina un po’? Stai silenziosamente rendendo più stupide le tue persone. Non sto esagerando. Uno studio recente su professionisti medici che utilizzavano strumenti diagnostici assistiti dall’IA ha scoperto che erano diventati talmente dipendenti dalla tecnologia che, spento l’IA, ottenevano risultati molto peggiori rispetto a prima di iniziare a usarla. Non è un problema di formazione. È atrofia cerebrale.

L’ospite di oggi al podcast è la dottoressa Vivienne Ming. È una neuroscienziata teorica e imprenditrice che 15 anni fa aveva previsto che la navigazione GPS avrebbe causato un aumento nei tassi di demenza. Oggi ci sono evidenze empiriche che confermano che aveva ragione, ma non è questo ciò di cui ci parlerà.

Ciò che vuole trasmetterci è che ora abbiamo una scelta tra due strade completamente diverse: automazione cognitiva, dove l’IA fa il lavoro per te e ottieni risultati rapidi ma una perdita a lungo termine, oppure l’augmentazione cognitiva dove l’IA rende il lavoro più difficile in modo da migliorare davvero le tue persone.

Parleremo di perché la promessa che l’IA renda la vita più facile sia la proposta più pericolosa oggi nel business, della differenza tra automazione che erode le competenze e aumentazione che le costruisce, di come ridisegnare gli strumenti IA affinché le persone siano migliori quando finiscono di usarli rispetto a quando hanno iniziato, di perché i leader che scelgono la versione pigra vedranno guadagni a breve termine e un fallimento strategico.

Io sono David Rice. Questo è People Managing People. Se hai festeggiato incrementi di produttività senza domandarti cosa stai perdendo nel processo, questa conversazione sarà una sveglia. Iniziamo.

Bene, Vivienne, benvenuta nel nostro show.

Vivienne Ming: È un piacere essere qui.

David Rice: Prima di iniziare, stavo scorrendo le notizie, come faccio a volte, e ho visto un articolo. Nature ha pubblicato uno studio la scorsa settimana dicendo che quando l’IA riceve informazioni, soprattutto dai social media, fa fatica a capire qualunque cosa. Vorrei sapere la tua opinione, visto che si usavano parole come “troppi social media danno all’IA una sorta di marciume cerebrale”.

Vivienne Ming: Esatto.

David Rice: Quindi questo tipo di contenuti non fa bene a nessuno?

Vivienne Ming: Marciume cerebrale è il termine tecnico del momento. Marciume cerebrale e lavoro-spazzatura. Potrei darti una risposta molto nerd su questo, su cosa sta succedendo e cosa dovremmo fare al riguardo. Ma per un pubblico generico, dovremmo preoccuparci, giusto? Basta pochissima informazione di bassa qualità per mandare un LLM completamente fuori strada.

Anche se poi ci si torna sopra, con quel che chiamiamo “human in the loop”, aggiustamenti manuali, apprendimento con rinforzo, è molto difficile che riesca mai a recuperare il suo potenziale originario. Molti parlano dell’importanza dei dati di buona qualità. Questo è un esempio in cui persino una quantità relativamente piccola di dati scadenti, anche immessi intenzionalmente, può realmente mandare in tilt il sistema: è realmente un modo per hackerare il cervello.

Quindi non è marciume cerebrale, è come un verme che ti entra in testa… Sono cose di cui preoccuparsi. Ti do la mia risposta nerd: ho scritto anche un articolo che voglio proporre su questo. Ascolta, gli esseri umani sono imperfetti, pieni di bias. E se ci esponi a internet la nostra mente si decompone anche.

Ma, detto questo, gli esseri umani di norma fanno qualcosa di importante. Se ricevono un’informazione completamente assurda, la ignorano. Ovviamente ci sono eccezioni. Ma negli studi sul marciume cerebrale, spesso si trattava di puro nonsense.

Nessun umano normale si imbatterebbe in una pagina di scarabocchi e penserebbe “Oddio, devo memorizzare tutto questo!” Quindi abbiamo questo superpotere che all’IA manca davvero: noi abbiamo un modello del mondo. Nel mondo dell’IA si parla tanto di “world models”, ma ancora non ci sono. Noi guardiamo la realtà, applichiamo il nostro modello e le cose che non c’entrano, per bene o per male, diciamo: “Questa cosa conta meno, non la memorizzo a fondo”. E dovremmo riflettere su come farlo fare anche all’IA. L’idea che dobbiamo curare dataset perfetti e che all’IA non vada mai mostrato nulla di sbagliato è una vera debolezza nel training di oggi.

David Rice: Si sente dire che abbiamo creato un cervello sofisticato come il nostro. L’ho già sentito. Io… non lo so. Spesso ho contestato il termine “cervello”. Ma poi, leggendo queste cose, mi sono chiesto: forse è davvero un cervello? I contenuti social danno all’IA effetti simili ai nostri.

Vivienne Ming: Sì. Io preferisco un approccio equilibrato. Sono una realista dell’IA. Il mondo è pieno di sciocchezze. C’è chi pensa che l’IA salverà tutto e chi teme Skynet. Vorrei che il problema fosse Skynet solo perché significherebbe che sappiamo anche lontanamente come costruire qualcosa del genere.

Non ne abbiamo la minima idea. Ma abbiamo costruito qualcosa che è realmente intelligente. È intelligenza artificiale. Semplicemente, possiede una particolare forma di intelligenza: l’apprendimento statistico. È la funzione che anche noi umani usiamo massicciamente, e ci accomuna. Sotto questo aspetto, ci sono molte somiglianze tra cosa fanno i grandi modelli linguistici e gli umani.

Ma noi abbiamo molti altri tipi di intelligenza, capacità computazionali di basso livello, creatività a livello elevato, astrazione… Henry Markham, famoso soggetto di studio per l’epilessia, dopo un intervento non ha mai più formato un nuovo ricordo a lungo termine, eppure sapeva suonare la chitarra, anche se non ricordava di aver imparato. È un esempio: c’è più di una forma di intelligenza. Non poteva creare nuovi ricordi, ma sapeva suonare. Quindi ci sono diversi punti di forza tra macchine e umani. Se smettessimo di voler costruire esseri umani artificiali e ci concentrassimo su ciò che l’IA sa fare bene…

Oggi saremmo in un posto molto migliore.

David Rice: Concordo. Ed è interessante, perché si collega a dove pensavo andassimo: si sente dire che l’IA renderà tutto più facile, più comodo, efficiente, produttivo, redditizio.

Molti manager sembrano crogiolarsi su questa promessa. Ma quando ne abbiamo parlato prima, tu hai sfidato questa narrazione, chiedendo: “E se l’IA non rendesse la vita più semplice, ma più difficile—e in modo da migliorarci?” Come vedi questa possibilità?

Vivienne Ming: Ho condiviso proprio questo weekend alcune ricerche scollegate dall’IA sulla mia newsletter, una riguardava l’investimento di venture capitalist: più il volto dell’imprenditore assomiglia a quello dell’investitore, più ottiene investimenti, ma con ritorni peggiori. Perché lo dico? Perché, come dicevo, siamo pieni di bias.

Ci piace pensare di essere razionali, ma non è così. E uno dei nostri bias più forti, più di altri, è quello di cercare la semplicità. In psicologia parliamo di elaborazione superficiale e profonda. Per la maggior parte del tempo, anche i più intelligenti tra noi sono un po’ superficiali, e va bene. Ma ogni tanto bisogna andare in profondità.

E abbiamo creato lo strumento perfetto per vivere una vita totalmente superficiale. Se poi aggiungi che anche chi prende decisioni d’impresa può essere imperfetto… Un altro studio ha mostrato che nelle squadre di vendita, si viene promossi per le vendite, non per le capacità manageriali, con impatti economici reali. Facciamo tutte queste cose mentre, allo stesso tempo, decidiamo come distribuire l’IA.

Ci piace pensare che il valore dell’IA sia renderci la vita semplice: farà tutto il lavoro noioso, ci resterà l’aspetto creativo. In realtà, più lavoro noioso fa l’IA, più lavoro noioso ci sarà per tutti. Un esempio ovvio: molte aziende fanno leggere o scrivere tutte le email all’IA per risparmiare tempo—ma se l’IA produce valanghe di messaggi inutili, alla fine ne ricevi più, non meno, da gestire. Quindi questa idea dell’IA come spinta rapida all’efficienza, quasi una droga per la produttività, secondo me, è una via senza uscita.

Non da ultimo, perché erode chiaramente il capitale umano. Quindi sì, l’idea che l’IA faccia tutto il lavoro noioso e noi diventiamo subito super creativi è semplicemente falsa. Vuoi persone migliori e ti entusiasma l’IA? Allora serve un’IA che supporti esplicitamente la creatività, e la migliore IA per questo… non semplifica la vita, la complica! Ti mette in discussione, ti dimostra perché hai torto. In un libro che sto scrivendo, lo chiamo “il prompt del nemico”.

L’ho usato per il libro: terminavo un capitolo e invece di delegarlo a qualcun altro—ma è un libro tecnico pieno del mio terribile senso dell’umorismo—così mi sobbarcavo la fatica di scrivere e poi dicevo: “Gemini, sei il mio nemico, il mio più acerrimo avversario: ecco il nuovo capitolo, trovami tutto ciò che c’è di sbagliato, spiega ogni affermazione discutibile, dimmi come potrei migliorare”.

Non ho usato l’IA per facilitare la scrittura, ma per renderla più difficile, proprio nei modi che mi hanno reso migliore.

David Rice: Questo si riflette ovunque nella cultura che circonda l’IA, vero? La vediamo spesso come scorciatoia o strumento di comodità, non come catalizzatore di crescita o per evolvere la formazione della leadership.

Oppure, come dicevi tu… le persone vengono promosse per la qualità delle vendite, quindi neanche ci sfida a mettere in discussione le nostre idee o porre domande migliori. Non la presentiamo così. Continuiamo a proporla come ogni altra tecnologia degli ultimi cinquant’anni: è facile e renderà tutto più comodo. E non credo che questo ci abbia fatto bene negli altri ambiti della vita.

Vivienne Ming: Quando ho lasciato parzialmente la scienza accademica per fondare la mia prima azienda, mi invitavano a parlare di come sarebbe cambiato il lavoro col progredire dell’IA.

E dopo varie esperienze in aziende di IA per l’istruzione, il lavoro e la medicina, sembravo la persona giusta. Così mi ritrovo su un palco e il mio interlocutore dice che è tutto uguale alla rivoluzione industriale, niente di cui preoccuparsi, l’IA creerà più posti di quelli che distruggerà, come a voler dire che è un teorema indiscutibile.

Mi è capitato di dividere il palco con il più insopportabile tra i mansplainers—uno che snocciolava “fatti” a caso per tutto l’evento—e sono rimasta così frustrata che, appena scesa dal palco, ho scritto: questa NON è la rivoluzione industriale.

Ho finito col produrre 100.000 parole che sono diventate un capitolo di quel libro giallo dietro di me. In sostanza: sappiamo davvero cos’è stata la rivoluzione industriale e cosa ha comportato? Questa dell’IA è solo una catena di montaggio? Solo una nuova elettricità o motore a scoppio? Indichiamo certi momenti storici perché il mondo è cambiato, giusto.

Ma l’IA non parte dal basso: per l’IA non c’è “basso”. Puoi chiederle di scrivere il tweet più stupido del mondo o una tesi su come prevenire il cancro… e l’IA non vede differenza. Per l’IA sono due calcoli, tra i mille che fa ogni giorno, e il risultato può essere una battuta fugace o la scoperta che cambia il destino dell’umanità. Non è la catena di montaggio, né la rivoluzione agricola, né nulla di ciò. Questo non vuol dire che andrà male, ma neanche che sarà facile.

E finché non accetteremo che gli umani sono disordinati, e l’IA un po’ ci assomiglia, ma è disordinata in modo diverso… solo combinando bene le due cose si fanno miracoli; altrimenti i medici peggiorano con le diagnosi, gli studenti imparano di meno e il cervello si deprime. Non è bene, non è male. Alla fine, è un sistema complicato e dipende da come lo usi. Molto più di quanto non si dica nella retorica sulle armi o sugli algoritmi di YouTube. È l’interazione tra le scelte umane e questi algoritmi che crea il futuro.

Se non accettiamo di approfondire, sono preoccupata.

David Rice: Quello che mi colpisce è che quando si parla di eventi storici passati come la rivoluzione industriale… sì, ma non sono avvenuti a questa velocità. Il cervello non è programmato per gestire cambiamenti di questa portata, giusto?

I cambiamenti che arriveranno con questo… si vede già ora quanto le persone faticano a discernere ciò che è reale nei contenuti online—spesso non sanno riconoscere cos’è IA e cos’è no, cosa sia autentico o falso.

E prima non avevamo mai dovuto mettere in discussione la nostra stessa realtà a questo livello. È una sfida completamente nuova per la specie umana. E il punto cruciale è come la usiamo. Se non la capiamo e continuiamo a usarla male, rischiamo grosso.

Vivienne Ming: Sto lavorando ora a uno studio pilota per comprendere l’intelligenza collettiva ibrida: il bello, il brutto e il cattivo di come umani e macchine interagiscono e cosa possono fare. È ancora molto preliminare. Se qualcuno vuole davvero approfondire, dovrà aspettare che abbia eseguito tutto lo studio per poter dire qualcosa di sicuro.

Ma concedetemi questa anticipazione. Ho pensato che sarebbe stato interessante misurare l’impatto delle persone sul mondo osservando quanto sono bravi nel fare previsioni. Esiste già qualcosa di simile: un sito chiamato Poly Market, dove puoi letteralmente scommettere denaro sull’esito degli eventi del mondo, anche sulle elezioni. Ultimamente ha avuto un po’ di risonanza per strane fluttuazioni legate al voto.

Così ho pensato: prendo dei classici volontari universitari, li metto in gruppi da tre a cinque, do loro un’ora e una serie di previsioni Poly Market da valutare. Decidono insieme, non sono esperti e non hanno soldi in gioco, ma poi sapremo cosa è successo davvero, quanto è stato bravo Poly Market, quanto lo sono stati i miei partecipanti. Poi posso confrontare tutto questo con Gemini e GPT, e vedere come si comportano questi AIs. Posso vedere come lavorano umani e AI insieme. Infine ho anche un caso speciale.

La cosa interessante è che gli umani ingenui non vanno benissimo. Fanno peggio dei professionisti su Poly Market. Le IA vanno piuttosto bene, anche se non bene quanto Poly Market vera, ma fanno buone previsioni quando è giusta l’idea ovvia. Se le cose vanno in direzioni strane, fanno male. Quando unisci umani e IA, la cosa diventa complessa e confusa. Non è l’IA a prevedere: puoi usare GPT-5 o un modello open source più semplice, cambia poco.

Quello che conta è il capitale umano: determina come interagiscono con l’IA. Se il capitale umano è basso, fanno essenzialmente solo ciò che dice l’IA. I risultati delle squadre ibride sono fondamentalmente equivalenti rispetto all’IA da sola. Se il capitale umano è alto, non seguono semplicemente l’IA: si genera una dinamica, inventano idee, l’IA le raffina, di nuovo idee, di nuovo IA… e sorprendentemente—in modo da verificare meglio in futuro—anche persone ingenue lavorando in questo modo in un’ora fanno previsioni paragonabili a Poly Market.

Il bello è che ottengono i risultati migliori proprio sui casi insoliti, imprevedibili. L’intelligenza ibrida, combinando capitale umano e IA, rende di più. E so che forse questa è robaccia nerd per parte del pubblico, ma, in breve, solo quando ci impegniamo a fondo nel sistema—senza delegarlo, ma incorporandolo nel nostro processo creativo—otteniamo veri benefici. E credimi, se questo non ti colpisce, è una scoperta enorme: oggi la cosa più intelligente sulla Terra è l’intelligenza ibrida.

Non è una super IA, non è qualche genio singolo: è anche solo un gruppo di persone moderatamente sopra la media, potenziate da una IA. Quasi nulla può competere. È davvero sorprendente.

David Rice: È affascinante. Hai attivato la mia fantasia.

Ho letto di Poly Market proprio lo scorso weekend, era la prima volta che ne sentivo parlare. E ora ce ne sono altri simili. Puoi scommettere su qualunque cosa. È strano che tutto questo stia diventando normale.

Ma tornando a noi, volevo parlare del mito dell’efficienza. Tutti lo viviamo, in molti modi. L’efficienza nei flussi di lavoro, ovunque. Pensi che questa narrazione sull’efficienza stia deragliando le vere potenzialità dell’IA nel lavoro?

Vivienne Ming: L’assunto dell’efficienza dà per scontate tante cose. Una è che abbiamo un buon modello di efficienza—che le righe di codice degli ingegneri o le opportunità gestite dai commerciali siano davvero ciò che rende grande un’azienda. In realtà, se osservi tanti lavori, sono concetti piuttosto esoterici, ma se vai a vedere la crescita economica negli Stati Uniti negli ultimi 30 anni…

Alcuni, tra cui l’attuale Nobel Daron Acemoglu e altri, hanno parlato del capitale intangibile. Ogni tanto si parla di super-imprese: la maggior parte della crescita non è una selezione trasversale dell’economia, ma un sottoinsieme di aziende che fanno la differenza.

Difficile dire chiaramente cosa portano nel mondo, ma sono molto più produttive: margini di profitto e produttività per dipendente enormi, specie le tech, anche se ormai la differenza è sfumata. Non puoi attribuire tutto questo, secondo me, alla velocità nello scrivere email o codice. In effetti studi interni a Google mostrano che le squadre migliori sono “inefficienti”: spendono poco tempo tra loro e molto tempo a interagire con altri team; si fidano e collaborano senza controllo. Le mie ricerche parlo di “produttività di ordine superiore”: come una persona rende migliori le altre.

Quasi tutte le nostre metriche misurano la produttività individuale o di team e magari raccolgono un po’ di questo, ma non davvero.

Allora mi sono chiesta: e se una grande azienda di 500.000 persone fosse come una rete neurale con 500.000 neuroni artificiali? Se così fosse, avremmo la matematica per fare il credit assignment delle reti neurali: come influisce il cambiamento di una persona sull’output globale? (C’è molto altro, ovviamente.) Così l’ho provato in un’azienda reale e ho scoperto che circa l’11% dei dipendenti generava l’80% della produttività non tracciata dalle metriche individuali. Una piccola ma significativa quota rende tutti migliori.

Poi abbiamo analizzato i dati (70.000 volontari con info dettagliate): quelli con grande impatto differivano dagli altri nel “metterci del proprio”. Se vedevano qualcosa da aiutare, aiutavano—anche se non era previsto dal ruolo—e così aumentavano la produttività di tutti intorno a loro.

Quale metrica di efficienza misura questo? Questo era un driver enorme di produttività che nessuno rilevava. Servivano modelli matematici avanzati, eppure era lì! Se pensi di sostituire un call center con chatbot, sì, risparmi sul costo umano e sul bilancio, ma se questo causa altri problemi o, come hanno notato molti, automatizzare il codice significa più lavoro di revisione per i senior… non hai migliorato niente. Al contrario, chi ha alto capitale umano e usa l’IA in modo più profondo scrive più lentamente, ma il loro codice ha impatti migliori e duraturi. Il valore cresce più della velocità. Ancora una volta: le nostre intuizioni su cosa sia efficienza e come misurarla sono sbagliate. Dovremmo puntare sugli errori produttivi e su nuovi approcci abilitati dall’IA, non chiedere all’IA di fare semplicemente a basso costo quello che già sappiamo fare.

Ma stiamo facendo esattamente il contrario, e questo non ci porta da nessuna parte.

David Rice: Mi piace che tu abbia accennato a quelle persone la cui uscita dal team ha impatti enormi. Tutti abbiamo vissuto squadre che si sono sfaldate dopo la partenza di un elemento apparentemente non cruciale, quello che nello sport chiamano “l’uomo-colla”. Senza di lui il team non funziona più allo stesso modo.

Lo abbiamo tutti vissuto, ma come si quantifica questo nei dati?

Vivienne Ming: Esatto. Nel mondo sportivo se ne sono occupati molto. Si valuta il valore sostitutivo o altre metriche che dimostrano che non sono solo i migliori realizzatori a fare la differenza. Con modelli avanzati vedi salire a sorpresa alcune persone che non brillano per numeri individuali, ma fanno funzionare la comunità. Prendiamo sul serio la complessità della supply chain; dovremmo fare lo stesso con il capitale umano. Qualcuno che funziona in un team può non essere adatto in un altro.

A volte basta una sola persona per trasformare una squadra mediocre in una candidata al titolo: Djokovic che fa diventare la squadra una campionessa. Nei dati abbiamo visto che alcune “facilitatori” erano ovviamente star, altre persone invece avevano metriche individuali scarse, ma se ne avessi apprezzato l’apporto, lasciarle andare sarebbe stato folle.

Valutando così il potenziale umano si apre un mondo. Potremmo fare Moneyball con le persone. Ma, scherzi a parte, il punto è: quando pensi all’IA, chiediti sempre come aiuta le persone, non come le sostituisce.

David Rice: Avevi fatto l’esempio di una rete neurale di 500.000 persone. Pensandoci così, alcune prospettive si colgono solo avendo quei punti di vista così tanti e diversi nel network.

Si parla molto del rischio di perdere i ruoli entry level. Chi ci ascolta sa già quanto sia dannoso tagliare occasioni formative di ingresso per le carriere future e la successione. Ma temo ci sia un costo cognitivo più grande sul modo in cui impariamo il nostro posto nella società. Se, come dici tu, un’IA non sa nulla: cosa perdiamo se spariscono le prime esperienze di lavoro?

Vivienne Ming: Il concetto che ti ho condiviso, lasciami contestualizzarlo. I miei dottorandi a UC Berkeley e altrove sono tra le persone più brillanti con cui abbia mai lavorato. Sulla loro materia sono dei fuoriclasse, ne sanno più di me. È una loro ossessione 24/7. Perché allora servo io? Tomi, libri e ricerche ci sono…

La risposta: loro “sanno tutto”, ma “non capiscono niente”. Il mio ruolo è aiutarli a “comprendere” davvero. Non si tratta di imparare fatti, ma di capire cosa significa essere scienziati, esploratori dell’ignoto, di porre le domande giuste. Lavorare con un LLM a volte è simile: sa tutto di tutto, puoi chiedergli di legge, cervello, matematica… ti dà risposte, come farebbe un umano. Ma, come l’umano, “sa tutto, ma non capisce nulla”.

Il lavoro vero è capire, porre le domande, esplorare l’ignoto. Questo ci rende umani. Dunque, all’inizio carriera, come rispondevo alla tua domanda: i giovani non sono utili per ciò che sanno, ma servono per imparare a capire. All’inizio li usiamo per “noleggiare” le loro conoscenze: fanno ricerche, revisioni di casi, turni di reparto. E cosa gli insegniamo? Non la legge, ma cosa “fare” con la legge.

Mi è capitato di parlare davanti a chief legal officer di grandi aziende. Mi dissero: “Faccio leggere ai nuovi assunti tutti i nostri contratti, poi prenotano un incontro con me e mi dicono: “Ho trovato difetti qui e qui, possiamo approfittarne”. E io gli dico: “Ottimo, ma non lo faremo, sarebbe controproducente. Quei difetti li conosciamo già, non è questo il punto: il vero mestiere è cosa ci facciamo”.

Quindi: bisogna sapere e capire. Se eliminiamo la fase delle “cose da sapere”, come si fa a capire? Imparare richiede esperienza. In un solo settore (YouTube/TikTok) c’è chi emerge da subito, ma è più una lotteria che altro.

Non vorremmo mica che diventasse questa la norma: milioni di giovani che cercano di fare tutto da soli, e solo lo 0,0001% che ce la fa? Non sarebbe un futuro sano per le carriere.

In realtà, le decisioni migliori si prendono quando tu e l’IA analizzate insieme un problema. Non è che l’IA fa tutto e tu decidi: siete entrambi dentro al processo. E a volte davvero si guadagna in efficienza vera, perché l’IA ti aiuta, ti permette di testare ipotesi e tu partecipi attivamente. Il futuro non sarà una divisione tra lavori delle IA e lavori umani. Siamo “cyborg”: tutto è lavoro ibrido. Cresci più in fretta, sei più efficace e impari davvero.

David Rice: C’è tantissimo qui, ma il punto è sempre: l’IA non ha esperienza del mondo reale. Il giudizio si costruisce nel tempo, con piccole esperienze che formano il nostro modo di vedere la realtà, il ruolo e il capo. La mia grande preoccupazione è la perdita di crescita: il processo umano della crescita. Non so se sto esagerando.

Vivienne Ming: Ecco un paradosso interessante—interessante per uno scienziato nerd, meno per il futuro dell’umanità.

Uno dei campi in cui la ricerca IA è più antica è l’educazione. Ci sono tutor IA da anni, e la regola aurea, valida anche per gli ultimi LLM, è: se il tutor dà la risposta, lo studente non impara mai.

All’MIT hanno pubblicato ricerche che lo confermano, anche Anthropic. E anche all’inizio carriera, se l’LLM ti dà la risposta, mai imparerai davvero il lavoro. Qualcuno lo farà sì, ma è una minoranza. Perciò, il miglior tutor IA non dà mai la risposta. Porta a riflettere: “Tu come lo risolveresti? Hai letto questo paper?” Gli LLM ti guidano fino alla scoperta, ma devi produrla tu. L’IA fa “scaffolding” finché non ci arrivi da solo.

E il punto riguarda anche le mie passioni sulle neuroprotesi: la tecnologia dovrebbe renderci migliori non solo quando la usiamo, ma anche dopo. E molti studi dimostrano che non è così: mediamente, usando sistemi generativi, diventiamo peggiori sui compiti per cui li usavamo. Ma non è inevitabile: l’IA non è la malvagia. Se costruiamo IA che “non dà le risposte”, se costruiamo capitale umano che “vuole andare in profondità”, possiamo cambiare la situazione. Già oggi meno del 10% degli studenti universitari lo fa spontaneamente. Ma se diventasse 20%, 50%? Magari non tutti, ma se progettiamo l’IA per darci ciò che ci migliora, non solo ciò che vogliamo, allora sì che cambia la storia.

David Rice: Sono d’accordo. Prima hai usato l’espressione “economia Jiffy Lube”: io pensavo alla deprofessionalizzazione.

Vivienne Ming: Sì.

David Rice: Spiegami cosa intendi.

Vivienne Ming: L’ho detto anche riferendomi alla rivoluzione industriale: “l’IA creerà più posti di quanti ne distrugga”. Sì, teoricamente dovrebbe. Ma ecco dove è diversa dalle rivoluzioni precedenti: appena crea un nuovo lavoro, se quel lavoro è regolare ed economicamente significativo, entro sei mesi arriverà un’IA per farlo anche quello.

La vera domanda non è “ci saranno più posti di lavoro?” ma “quanti saranno in grado di fare lavori che l’IA non può fare?”—e oggi sono davvero pochi. Perché invece di creare l’economia dei “super dottori” (quella promessa dell’IA: ogni medico potrà diagnosticarci tutto, che in teoria sarebbe anche possibile, e i risultati delle IA in medicina sono già impressionanti)… noi rischiamo davvero il “colonoscopia Jiffy Lube”: ragazzino col diploma, stipendio basso e una minima diligenza, che collega un computer e fa fare tutto alla macchina. Non costa la robotizzazione, ma basta un salario medio-basso invece di uno specialista.

E i CFO ci vedrebbero solo risparmi. Quindi i posti non spariranno: si depaupereranno. Potremmo anche avere molti “lavori a bassa qualifica” creati solo perché non conviene automatizzare di più. Ma questa è una profonda spaccatura sociale: sapere di avere un lavoro solo perché non vale la pena farlo fare a una macchina non è una bella prospettiva.

David Rice: È dura. Ultimamente si parla molto di “augmented intelligence”, ma spesso si scivola verso la pura automazione cognitiva. Per il pubblico: qual è la differenza fra automazione e augmentazione cognitiva, e perché conta per la leadership?

Vivienne Ming: Oh, vuoi la risposta nerd? Neurocognitivamente, se davvero usi il cervello, è faticoso: attivi la corteccia prefrontale, gestisci le emozioni, pianifichi. Parliamo di attività gamma: indica che stai pensando a fondo. Lo studio MIT che accennavo prima: nei ragazzi che usavano LLM per scrivere testi, l’attività gamma era più bassa che in chi usava solo Google o niente. Chi aveva niente produceva testi peggiori ma il cervello lavorava di più, e poi ricordava meglio e sentiva maggior coinvolgimento, mentre chi usava l’IA non ricordava nemmeno ciò che aveva scritto. E anche terzi trovavano questi testi meno persuasivi.

Per spiegarlo concretamente: chiunque usa il navigatore. Per anni i neuroscienziati hanno studiato i tassisti di Londra: memoria spaziale eccezionale e ippocampo sviluppato, migliore salute cognitiva. Oggi chi guida Uber o Lyft segue solo la mappa. Sono più efficienti in viaggio, ma a scapito della memoria spaziale. Quindici anni fa, avevo previsto che il navigatore avrebbe aumentato la demenza: non stimola abbastanza il cervello.

L’automazione mi ci fa arrivare, ma l’augmentazione mi mette nelle condizioni di arrivarci e di imparare. Sfido i miei studenti: come ridisegneresti Google Maps per far sì che arrivi a destinazione migliore di quando sei partito?

Ne inventiamo mille versioni IA, e una idea semplice: accendo Google Maps per andare al supermercato, ma uso ciò che so solo io per battere la macchina. Conosco le strade, le feste degli sport, i cortili: ci metto del mio. Questo è augumentazione cognitiva: usi il cervello e sfrutti l’IA. E possiamo progettare IA in modo esplicito per augmentare e non sostituire. Ma oggi di default gli LLM non sono pensati così.

David Rice: È interessante. Mi sono trasferito di città e volevo costruirmi una mappa mentale, quindi dopo qualche mese ho smesso di usare il navigatore. Ora lo uso solo per sapere quale strada è più rapida. Poi vado per conto mio. Ma hai ragione.

Vivienne Ming: E navighi in autonomia. Se pensi al caso dei gastroenterologi portoghesi: con IA attiva sono migliori, ma se spegni l’IA sono molto peggiori di prima. Eppure si potrebbe pensare: “Ma tanto con l’IA sono più bravi”. Ma se corrode le competenze, sul lungo termine peggiora il quadro. E, come dicevamo, la combinazione cervello-IA combina errori e punti di forza diversi. Se deleghi tutto, perdi il “sesto senso”: la capacità di vedere ciò che sfugge al training set dell’IA. Questo è il nucleo dell’intelligenza ibrida: la vera rivoluzione è qui, non nell’automazione totale.

David Rice: È stata una chiacchierata illuminante, Vivienne, grazie per essere stata con noi. Amo parlare del cervello in relazione all’IA e di come interagiamo con essa, e delle conseguenze a lungo termine.

Vivienne Ming: Grazie a voi. Se posso lasciare un solo messaggio: la vera differenza la faranno i leader. Chi sceglierà la via facile e sostituirà le persone con l’IA otterrà guadagni rapidi ma perdite a lungo termine. Chi investirà, davvero, nel capitale umano, otterrà ritorni veri—ma serve coraggio, anche politico.

David Rice: Esattamente. Ho appena fatto un discorso a leader HR dicendo: so che non volevate avere queste conversazioni filosofiche entrando in questo settore, ma ora dovrete averle. È il momento. Bisogna prenderci gusto. Grazie per essere stata con noi e per questo ultimo spunto.

Vivienne Ming: Un vero piacere. Grazie a voi.

David Rice: Amici ascoltatori, se non l’avete già fatto, iscrivetevi alla newsletter. Visitate peoplemanagingpeople.com, dateci un’occhiata. Abbiamo anche l’AI Transformation Explorer che potreste voler provare. Se non vi siete ancora registrati gratuitamente, fatelo: avrete l’accesso all’Explorer.

E fino alla prossima volta, siete voi a plasmare l’umano in tutto questo, siete voi a guidare la strada.