AI, pensionamenti e lavoro: chi saranno gli esperti di domani?

L’Italia sta entrando nell’età dell’AI mentre i baby boomer si avvicinano al pensionamento. Se cambiano le esperienze attraverso cui i giovani entrano nei mestieri proprio mentre escono le persone che li conoscono meglio, il problema potrebbe diventare molto più grande della sostituzione dei posti di lavoro.

In sintesi

L’AI sta trasformando alcune delle attività attraverso cui si entra nei mestieri proprio mentre una generazione numerosa di lavoratori esperti si avvicina al pensionamento. Alcune di quelle attività erano routine facilmente automatizzabili; altre contribuivano anche alla formazione dell’esperienza. Se cambiano i primi passaggi della carriera mentre escono le persone che hanno accumulato decenni di expertise, per l’Italia diventa importante capire non soltanto quanti lavoratori serviranno, ma come si formeranno gli esperti di domani.

Qualche giorno fa Bill Gates ha scritto di un futuro nel quale l’intelligenza artificiale e i robot potrebbero diventare capaci di svolgere una parte molto più ampia delle attività che oggi affidiamo alle persone.
Ha usato un’espressione che mi ha fatto pensare: Human Reserved. Gates immagina attività che potremmo scegliere di lasciare agli esseri umani anche quando la tecnologia sarà perfettamente in grado di occuparsene. L’immagine è quella di una riserva naturale. Potremmo destinarla ad altro e scegliamo di preservarla perché il valore che le attribuiamo supera l’utilità immediata che potremmo ricavarne (Gates, 2026).

Gli esempi sono molto concreti. Potremmo continuare a preferire una persona quando c’è da comunicare una diagnosi incurabile, oppure decidere che nell’educazione e nella salute mentale il rapporto rimanga guidato da un essere umano anche quando l’AI saprà svolgere una parte crescente del lavoro. Arrivare a poter automatizzare qualcosa, insomma, lascia ancora aperta la scelta su quanto vogliamo automatizzarlo.

Nello stesso intervento Gates parla di apprendimento e richiama ciò che nella ricerca viene indicato come productive struggle. Un tutor basato sull’intelligenza artificiale può portare uno studente molto rapidamente alla soluzione di un problema. Può anche anticipargli sistematicamente la risposta e sottrargli proprio quella parte del percorso nella quale prova, sbaglia, formula un’ipotesi, la corregge e, facendo tutto questo, impara.
La fatica, di per sé, ha poco valore educativo; può averlo il lavoro cognitivo necessario per arrivare alla soluzione, quando quel lavoro lascia nella persona qualcosa che potrà utilizzare anche dopo (Gates, 2026).

C’è però qualcosa che nel ragionamento di Gates rimane sullo sfondo. Quello stesso principio vale anche nel lavoro. Lavorando impariamo e spesso accade proprio mentre stiamo producendo qualcosa per qualcun altro.
Ci sono attività che, mentre le svolgiamo, producono due cose. Una è evidente: il risultato che serve all’organizzazione. L’altra rimane più nascosta: l’esperienza che resta a chi le ha svolte.

Pensiamo a un giovane analista che riceve per la prima volta un caso che non conosce. Cerca informazioni, prova a collegarle, segue una pista che si rivela sbagliata, torna indietro, scopre una differenza che inizialmente gli era sfuggita. Poi porta il lavoro a un collega più esperto, che gli mostra qualcosa che ancora non aveva imparato a vedere.

Dopo tre ore l’analisi è pronta. Quelle tre ore hanno prodotto anche qualcos’altro. La volta successiva quel giovane riconoscerà prima un’anomalia, saprà meglio dove cercare, avrà qualche domanda in più da fare e qualche errore in meno da commettere.
Immaginiamo adesso che un sistema di AI riesca a produrre la stessa analisi in dieci minuti. Una parte del beneficio è piuttosto semplice da contabilizzare: tempo, costo, quantità di lavoro, forse qualità del risultato. C’è però qualcosa che quella contabilità fatica a vedere. Che cosa accade a ciò che, durante quelle tre ore, si stava formando nella persona?

Quando il task accelera

Qualche giorno prima avevo letto sul Corriere della Sera una riflessione di Gabriella Greison sulla produttività dell’intelligenza artificiale. Partiva da un problema apparentemente diverso: le imprese investono molto nell’AI, i guadagni nello svolgimento di singoli task possono essere considerevoli, eppure trasferire quella velocità alla produttività dell’intera organizzazione è molto meno immediato (Greison, 2026).

L’esempio più semplice potrebbe essere una pratica che grazie all’AI viene preparata in dieci minuti anziché in un’ora e poi rimane due giorni in attesa di un’autorizzazione. Il task è diventato sei volte più veloce; il processo quasi per niente. E se cominciamo a produrre molti più documenti, potremmo aver bisogno anche di più controlli, più verifiche, più decisioni.

Greison legge tutto questo attraverso i sistemi complessi. Un’organizzazione è fatta di persone, procedure, dati, software, infrastrutture, controlli e decisioni. La velocità raggiunta in un punto deve fare i conti con ciò che accade negli altri.

L’economia della produttività conosce bene questo genere di fenomeni. Le grandi tecnologie dispiegano pienamente i loro effetti quando cambiano insieme a loro organizzazione, competenze, processi e infrastrutture. La Productivity J-Curve descrive proprio la possibilità che questi investimenti precedano la piena manifestazione statistica dei benefici (Brynjolfsson et al., 2021), mentre l’OECD osserva come i miglioramenti ottenuti nei singoli task si trasformino in produttività aggregata attraverso la diffusione della tecnologia, la formazione e i cambiamenti organizzativi (OECD, 2026).

Dentro il sistema descritto da Greison accade però anche qualcosa che la misura della produttività tende facilmente a lasciare fuori campo: mentre lavora, la persona cambia.
Una procedura può diventare più breve, un server può elaborare più velocemente. Una persona può imparare qualcosa che prima non sapeva fare, affinare un criterio di giudizio, riconoscere un’anomalia che la volta precedente non avrebbe visto.

Può uscire da quell’attività diversa da come vi era entrata.
Il risultato del task rimane nell’organizzazione. Una parte dell’esperienza accumulata per arrivarci rimane nella persona e può cambiare il modo in cui affronterà il lavoro successivo.

Due ore di lavoro possono lasciare cose molto diverse

L’economia studia da molto tempo il fatto che lavorando si possa imparare. Arrow lo formalizzava già nel 1962 attraverso il learning by doing (Arrow, 1962). Più recentemente, Horn e Loewenstein (2025) hanno mostrato che le persone tendono perfino a sottovalutare quanto possano migliorare continuando a praticare un’attività inizialmente poco familiare.

Due ore trascorse ripetendo una procedura che conosciamo perfettamente e due ore passate ad affrontare per la prima volta un caso difficile insieme a una persona più esperta sono identiche per l’orologio. Possono essere molto diverse per ciò che lasciano.
Questo aiuta anche a liberare il ragionamento da una tentazione nostalgica. Automatizzare una routine che ormai insegna pochissimo può essere un ottimo modo per restituire tempo a esperienze molto più ricche. La stessa AI può aumentare le occasioni di apprendimento, permettere di incontrare più casi, confrontare alternative, ricevere feedback immediati, simulare situazioni rare, arrivare prima a problemi che altrimenti avremmo incontrato dopo anni.

La questione riguarda allora ciò che quelle esperienze contribuivano a costruire. Se quella funzione continuerà a servirci, potremo eliminare il vecchio modo di svolgerla e ricrearla altrove. Forse persino meglio.

Il valore generativo dell’esperienza

Possiamo chiamare valore generativo dell’esperienza di lavoro la parte di un’esperienza che rimane nella persona e accresce la sua capacità di affrontare successivamente situazioni più complesse o nuove.

Non appartiene al task in astratto. Nasce dal modo in cui quel task viene svolto e dal posto che occupa nella traiettoria professionale. Lo stesso compito può essere una routine ormai sterile oppure l’occasione per confrontare casi diversi, ricevere feedback, riconoscere eccezioni, assumere progressivamente responsabilità e autonomia.
Una persona che oggi impara a distinguere due situazioni apparentemente simili sarà domani meglio attrezzata per capire una terza situazione, più difficile. Quello che ha imparato oggi cambia, in qualche misura, ciò che riuscirà a imparare domani.

Nella teoria economica della formazione delle capacità esiste un concetto vicino a questo meccanismo. La complementarità dinamica descrive situazioni nelle quali capacità accumulate in una fase aumentano il rendimento degli investimenti e delle esperienze successive (Cunha & Heckman, 2007; Heckman et al., 2026).

Applicare questa logica alle traiettorie professionali richiede ancora una verifica empirica. Ma se l’ipotesi reggesse, alcune esperienze di lavoro potrebbero essere considerate contemporaneamente parte della produzione corrente e della formazione delle capacità dalle quali dipenderà la produzione futura.
E allora anche il conto dell’automazione diventerebbe un po’ più lungo.

Che cosa facciamo del tempo che l’AI restituisce

Immaginiamo due imprese che introducono lo stesso sistema di intelligenza artificiale. In entrambe un’attività che richiedeva tre ore ne richiede ormai venti minuti.
Nella prima una parte del tempo recuperato permette ai lavoratori più giovani di affrontare prima casi complessi, lavorare con colleghi senior, utilizzare simulazioni e ricevere più feedback. L’AI sottrae routine relativamente povere e rende possibile un accesso più rapido alle esperienze che fanno crescere.

Nella seconda quasi tutto il tempo recuperato viene assorbito dall’aumento del volume di lavoro. Alcune attività che costituivano l’ingresso nel mestiere vengono automatizzate, mentre le nuove occasioni di apprendimento restano affidate al caso.

All’inizio potremmo vedere soprattutto ciò che accomuna le due imprese. Entrambe producono di più nello stesso tempo. Per capire se le due scelte hanno prodotto effetti diversi bisognerebbe aspettare.
Nella prima l’AI avrebbe accorciato il cammino verso l’expertise.
Nella seconda potrebbe averne eliminato alcuni passaggi senza costruirne altri.

Se le attività maggiormente automatizzabili coincidono in parte con quelle tradizionalmente affidate a chi entra nel lavoro, l’effetto può riguardare direttamente le occasioni di ingresso. I primi segnali che arrivano da alcuni mercati del lavoro suggeriscono una maggiore debolezza dei giovani nelle occupazioni più esposte all’AI, anche attraverso una minore dinamica delle assunzioni (Brynjolfsson et al., 2026). Le evidenze disponibili sono ancora troppo recenti per attribuire all’intelligenza artificiale una riduzione generalizzata dei lavori entry level e una parte dell’andamento occupazionale giovanile precede la diffusione dei modelli generativi. Ma il rischio che alcune porte d’ingresso si restringano è ormai abbastanza plausibile da meritare di essere osservato.

Un posto entry level riguarda il lavoro di oggi di un giovane. Riguarda anche il bacino dal quale, fra dieci o quindici anni, potranno emergere persone con dieci o quindici anni di esperienza.

Se diminuiscono le persone che entrano e contemporaneamente cambiano le esperienze che incontrano una volta entrate, gli effetti possono arrivare molto più lontano dell’occupazione giovanile. Riguardano il modo in cui si formeranno gli esperti futuri.
In Italia tutto questo sta accadendo mentre una generazione numerosa di lavoratori che quella traiettoria professionale l’ha già percorsa si avvicina progressivamente all’uscita dal lavoro.

La stessa scala

Il senior che oggi riconosce quasi immediatamente un problema difficile è stato, molti anni fa, un giovane che incontrava per la prima volta problemi molto più semplici.
Fra quei due momenti c’è una sequenza lunga. Casi affrontati, errori, feedback, eccezioni, responsabilità crescenti, confronto con persone che sapevano già vedere ciò che lui ancora non vedeva.

Possiamo immaginarla come una scala.
I task iniziali sono alcuni dei primi pioli. Non necessariamente tutti e certamente non tutti con lo stesso valore. Poi arrivano situazioni meno standardizzate, decisioni più complesse, maggiore autonomia. In cima, se vogliamo continuare con l’immagine, troviamo qualcosa che chiamiamo expertise e che raramente nasce da un singolo corso o da una singola esperienza.

L’AI può cambiare quella scala in almeno due modi. Può togliere i pioli inutili e costruirne di migliori, permettendo alle persone di salire più velocemente. Può anche eliminare alcuni passaggi perché sa svolgerli da sola, senza che nessuno si sia ancora occupato di capire quale funzione svolgevano nella formazione di chi li attraversava.

Se contemporaneamente diminuiscono anche le occasioni entry level, meno persone cominceranno a salire.

Mentre cambiano i primi pioli, gli esperti cominciano a uscire

Le generazioni numerose nate tra il 1960 e il 1974 stanno progressivamente entrando nelle età più anziane.  Istat osserva che il passaggio delle coorti del baby boom verso le età senili continuerà ancora per molti anni e modificherà profondamente la struttura demografica italiana (Istat, 2026).

L’AI entra dunque nelle organizzazioni italiane mentre una parte consistente dei lavoratori che hanno accumulato più esperienza si avvicina progressivamente all’uscita.
Cedefop ci dice che una parte importante delle opportunità di lavoro dei prossimi anni nascerà anche in professioni nelle quali il numero complessivo degli occupati diminuirà, perché bisognerà sostituire persone che lasciano quelle occupazioni per pensionamento o per altri passaggi di carriera. È il replacement demand (Cedefop, 2025).

Una professione può restringersi e avere comunque bisogno di persone nuove.
Sapere quante persone dovranno entrare ci dice ancora poco su quanto tempo occorrerà perché diventino capaci di prendere davvero il posto di chi esce.
Un tecnico con trent’anni di esperienza, un infermiere, un funzionario pubblico, un manutentore, un insegnante o un professionista hanno attraversato migliaia di situazioni diverse. Errori, eccezioni, emergenze, persone, procedure che sulla carta sembravano uguali e nella realtà richiedevano giudizi diversi. Una parte di ciò che sanno può essere documentata; un’altra emerge nella capacità di accorgersi che qualcosa non torna, di riconoscere un’eccezione, di capire quando un caso apparentemente normale richiede invece attenzione.

Chi entra oggi dovrà costruire progressivamente una parte di quella capacità mentre alcune delle attività con cui tradizionalmente cominciava il percorso professionale vengono trasformate dall’AI. Negli stessi anni, il sistema produttivo italiano dovrà sostituire una quantità rilevante di persone che escono portando con sé decenni di esperienza. Chi dovrà prenderne il posto sta dunque cominciando il proprio percorso professionale in un momento in cui quel percorso sta cambiando.
Se alcune posizioni entry level si ridurranno, saranno anche meno le persone che potranno iniziare quel percorso.

Alcuni dei primi pioli della scala stanno cambiando proprio mentre cominciano a uscire le persone che quella scala l’hanno percorsa tutta.
Finché gli esperti rimangono nelle organizzazioni, gli effetti di questa trasformazione possono restare poco visibili. L’AI può svolgere una parte delle attività iniziali e rendere più produttivo chi entra, mentre i senior continuano a gestire i problemi difficili. La scala sembra ancora funzionare perché qualcuno è già arrivato in cima.
Gli effetti sulla formazione dell’expertise potrebbero diventare visibili più avanti, quando una parte di quella generazione sarà uscita e bisognerà vedere quanti altri, nel frattempo, siano riusciti ad arrivare abbastanza in alto.
L’Italia si trova così a gestire nello stesso periodo il ricambio di una generazione di lavoratori esperti e la trasformazione delle esperienze attraverso cui la generazione successiva costruisce la propria capacità professionale. Se diminuiranno anche gli ingressi, il problema riguarderà persino il numero delle persone che potranno intraprendere quel percorso.

Il problema potrebbe apparire quando sarà già diventato difficile risolverlo

C’è un aspetto di questa storia che mi preoccupa più degli altri. I tempi.
Un’impresa può automatizzare molte attività iniziali e continuare a funzionare benissimo. I lavoratori esperti sono ancora lì. Affrontano i casi difficili, gestiscono le eccezioni, correggono gli errori, assumono le responsabilità maggiori. Nel frattempo l’AI rende più produttivi anche i lavoratori con poca esperienza.
Gli indicatori possono migliorare.

Il problema, se esiste, potrebbe diventare visibile molto più tardi, quando una parte dei senior avrà lasciato l’organizzazione e dovremo scoprire quanti dei lavoratori entrati negli anni precedenti siano diventati capaci di occupare davvero quello spazio.
Un guadagno di produttività nel 2027 e una carenza di expertise nel 2033 potrebbero appartenere alla stessa storia senza apparire immediatamente collegati.
I dati italiani offrono già qualche elemento che invita alla cautela. Carta, D’Amuri e von Wachter (2026), sfruttando la riforma pensionistica del 2011, osservano che cosa accade nelle imprese quando i lavoratori anziani rimangono più a lungo. Trovano effetti positivi sull’occupazione dei lavoratori più giovani e sul valore aggiunto e interpretano i risultati come coerenti con l’esistenza di capitale umano specifico dell’impresa e con difficoltà di sostituzione tra lavoratori.

Lo studio non dimostra che questi effetti dipendano dal mentoring o dal trasferimento diretto della conoscenza dai senior ai junior. Sarebbe attribuirgli più di quanto consenta. Ci ricorda però che persone appartenenti a generazioni diverse possono portare nell’impresa capitale umano difficilmente intercambiabile in tempi brevi (Carta et al., 2026).
Un posto può essere occupato in pochi giorni. Per ricostruire ciò che sapeva fare la persona che lo occupava possono servire anni.

Dalla traiettoria delle persone alla capacità dell’impresa

Una difficoltà che nasce nella traiettoria professionale di una persona può accumularsi dentro l’impresa. Se accade contemporaneamente in molte imprese, prima o poi entra anche nella capacità produttiva del Paese.
Un’organizzazione vive infatti anche dell’expertise accumulata nel passato. La utilizza ogni giorno per risolvere problemi, innovare, interpretare situazioni ambigue, adattarsi. E mentre la utilizza deve continuare a produrla, perché una parte di quello stock esce attraverso pensionamenti, mobilità e obsolescenza delle competenze.
Per qualche anno un’impresa può ottenere un risultato apparentemente ideale: meno lavoro junior necessario, persone immediatamente più produttive grazie all’AI, senior ancora presenti per risolvere ciò che resta difficile.
In quella fase può sembrare che abbiamo trovato un equilibrio migliore.

Poi i senior cominciano a uscire.

Se nel frattempo sono entrate meno persone, se alcune esperienze attraverso cui si costruiva l’autonomia sono state eliminate e se il tempo liberato dall’AI è stato utilizzato quasi interamente per aumentare l’output, l’impresa può scoprire di avere consumato una parte dell’expertise accumulata nel passato più velocemente di quanto sia riuscita a rigenerarla.

La stessa tecnologia può accelerare la formazione dell’esperienza, permettere ai giovani di raggiungere prima problemi complessi, moltiplicare i casi disponibili, offrire simulazioni e feedback, rendere interrogabile la memoria organizzativa, sostenere il lavoro tra persone con livelli diversi di esperienza. Può persino rendere più rapido un percorso che in passato richiedeva anni di routine scarsamente formative.

La competitività futura potrebbe dipendere anche dal modo in cui l’impresa avrà usato l’AI per modificare l’architettura attraverso cui produce expertise.
Alcune potrebbero utilizzare la tecnologia per costruire una scala più corta e migliore. Altre potrebbero scoprire, quando gli esperti saranno già usciti, di aver smontato quella precedente senza averne costruita un’altra.
Un’impresa che fatica a rigenerare la propria expertise finisce per indebolire anche la capacità di innovare, adattarsi e rimanere competitiva.

Se lo stesso processo interessasse molte imprese, la difficoltà di rigenerare l’expertise finirebbe per riflettersi sulla capacità produttiva del Paese.

Abbiamo già molti dei dati che ci servirebbero per cominciare

Previsioni sul replacement, struttura per età degli occupati, analisi delle competenze richieste e misure sempre più sofisticate dell’esposizione delle professioni all’intelligenza artificiale raccontano oggi parti diverse della stessa trasformazione.
Potremmo iniziare a incrociarle.
Cercherei anzitutto le professioni nelle quali si sovrappongono molti lavoratori esperti prossimi all’uscita, un elevato bisogno di nuovi ingressi, segnali di riduzione o trasformazione delle posizioni entry level e una forte esposizione all’AI delle attività iniziali.
Poi proverei a ricostruire come si diventa esperti in quelle professioni. Quali esperienze distinguono un principiante da una persona autonoma? Quali casi deve aver incontrato? Dove riceve feedback? Quando comincia ad assumere responsabilità? Che cosa impara lavorando accanto a qualcuno che quel mestiere lo conosce da vent’anni?

Su quella traiettoria guarderei poi che cosa sta facendo l’AI. Quali di quelle esperienze sta abbreviando? Quali sta eliminando? Quali potrebbe moltiplicare? Quali nuove esperienze rende possibili?
Affiancamento, apprendistato, simulazioni, rotazioni, repertori di casi, responsabilità progressive e la stessa AI smetterebbero così di essere un catalogo di strumenti formativi. Diventerebbero modi diversi per ricostruire o migliorare ciò che prima nasceva quasi spontaneamente dall’organizzazione del lavoro.

La skills intelligence potrebbe così allargare il proprio campo. Continueremmo ad avere bisogno di sapere quali competenze serviranno, ma cominceremmo anche a osservare attraverso quali esperienze quelle competenze diventano capacità professionale effettiva.
Per alcune professioni potremmo arrivare a costruire una mappa del rischio di rigenerazione dell’expertise, incrociando almeno cinque informazioni: struttura per età, replacement previsto, dinamica degli ingressi, trasformazione dei task legata all’AI e valore formativo delle esperienze coinvolte.

La parte più preziosa di quella mappa sarebbe il tempo. Permetterebbe di vedere il problema mentre nelle organizzazioni sono ancora presenti le persone che possiedono l’expertise da rigenerare.

Il tempo in cui senior e giovani lavorano insieme

Nei prossimi anni una risorsa diventerà inevitabilmente più scarsa: il tempo durante il quale lavoratori senior e nuovi ingressi sono contemporaneamente presenti nelle organizzazioni.
E questo tempo vale ancora di più se alcuni ingressi diminuiscono e se le attività iniziali cambiano.
I senior continueranno naturalmente a produrre. Ma una parte del loro tempo può avere un rendimento ulteriore quando lavorano sui casi insieme ai nuovi ingressi, rendono espliciti criteri di giudizio, costruiscono repertori di situazioni, raccontano errori ed eccezioni, osservano chi sta assumendo responsabilità crescenti e gli restituiscono ciò che ancora fatica a vedere.

Ogni professione avrà modalità diverse e una parte della conoscenza tacita rimarrà difficile da trasferire. Proprio per questo quel periodo di compresenza conta.
Anche la formazione, vista da qui, cambia leggermente significato. Un corso può trasmettere conoscenze e sviluppare molte abilità. Alcune capacità professionali maturano affrontando situazioni reali, ricevendo feedback, osservando come una persona esperta interpreta un caso ambiguo e assumendo gradualmente responsabilità.
Apprendistato, affiancamento, simulazioni, rotazioni, casi progressivamente più complessi e comunità professionali possono diventare modi per progettare deliberatamente la formazione dell’esperienza, soprattutto là dove l’organizzazione precedente la produceva quasi senza accorgersene.

E allora, che cosa faremo del tempo restituito dall’AI?

L’AI promette di liberarne molto. Sarebbe strano immaginare che le imprese rinuncino a utilizzarne una parte per produrre di più.
Ma il tempo liberato può produrre anche altro.
Un senior liberato da alcune attività ripetitive può lavorare più spesso sui casi complessi insieme a chi sta entrando. Un giovane può utilizzare l’AI per arrivare prima a problemi che altrimenti avrebbe incontrato dopo anni. Le simulazioni possono riprodurre situazioni rare. I sistemi di AI possono aiutarci a interrogare archivi di casi, confrontare decisioni, rendere accessibile una parte della memoria dell’organizzazione.

Tre ore risparmiate possono semplicemente cancellare una routine. Oppure possono diventare tre ore di esperienze migliori.
Forse è anche questo uno dei modi in cui dovremmo cominciare a pensare al dividendo dell’AI. Non soltanto come tempo restituito alla produzione, ma come una risorsa che può essere reinvestita nella capacità produttiva futura.

Per un Paese che deve affrontare un ricambio generazionale così ampio, accelerare la formazione dell’expertise potrebbe rivelarsi una scelta di produttività prima ancora che una scelta formativa.
Sono partito da Gates e da una domanda su ciò che potremmo voler continuare ad affidare agli esseri umani anche quando le macchine sapranno farlo. Greison mi ha portato a guardare ciò che accade quando la velocità di un task entra nella complessità di un’organizzazione.
Ma dentro quelle organizzazioni ci sono persone che, mentre lavorano, diventano capaci.

L’AI può aiutarle a diventarlo più rapidamente. Può liberarle da routine che insegnano poco, portarle prima davanti a problemi complessi, moltiplicare occasioni di confronto e di feedback. Alcune delle attività che sta trasformando erano però anche i primi passaggi attraverso cui si entrava nei mestieri e si accumulava esperienza.
In Italia questo cambiamento coincide con l’uscita progressiva di una generazione numerosa di lavoratori esperti. Nei prossimi anni dovremo quindi sapere quante persone serviranno per sostituirli, ma anche osservare che cosa sta accadendo al percorso attraverso cui quelle persone diventeranno capaci di farlo.
Potremmo costruire con l’AI una scala nuova, più breve e migliore di quella precedente. Alcuni dei vecchi pioli possono tranquillamente scomparire. Quelli che servivano a imparare dovranno avere qualcosa che ne raccolga la funzione.
Perché gli esperti che ci serviranno tra dieci anni stanno cominciando a formarsi adesso.

Bibliografia

Arrow, K. J. (1962). The economic implications of learning by doing. The Review of Economic Studies, 29(3), 155–173. https://doi.org/10.2307/2295952

Brynjolfsson, E., Rock, D., & Syverson, C. (2021). The productivity J-curve: How intangibles complement general purpose technologies. American Economic Journal: Macroeconomics, 13(1), 333–372. https://doi.org/10.1257/mac.20180386

Brynjolfsson, E., Chandar, B., & Chen, R. (2025, revised 2026). Canaries in the coal mine? Six facts about the recent employment effects of artificial intelligence. Stanford Digital Economy Lab.

Carta, F., D’Amuri, F., & von Wachter, T. (2026). Older workers, pension reforms and firm outcomes. Labour Economics, 98, 102823. https://doi.org/10.1016/j.labeco.2025.102823

Cedefop. (2025). Italy: 2025 skills forecast. European Centre for the Development of Vocational Training.
Cunha, F., & Heckman, J. J. (2007). The technology of skill formation. American Economic Review, 97(2), 31–47. https://doi.org/10.1257/aer.97.2.31

Gates, B. (2026, August 26). The turbulent AI era is here. The choices we make now are critical. Gates Notes.
Greison, G. (2026, August 25). La complessità che imbriglia l’IA. Corriere della Sera.

Heckman, J. J., Tian, H., Zhang, Z., & Zhou, J. (2026). Dynamic complementarity (NBER Working Paper No. 34833). National Bureau of Economic Research. https://doi.org/10.3386/w34833

Horn, S., & Loewenstein, G. (2025). Underestimating learning by doing. American Economic Journal: Microeconomics, 17(4), 328–351. https://doi.org/10.1257/mic.20240141

Humlum, A., & Vestergaard, E. (2026). Still waters, rapid currents: Early labor market transformation under generative AI (NBER Working Paper No. 33777, rev. March 2026). National Bureau of Economic Research. https://doi.org/10.3386/w33777

Istat. (2026). I percorsi di vita delle generazioni.
OECD. (2026). OECD compendium of productivity indicators 2026. OECD Publishing. https://doi.org/10.1787/734a5e68-en