Abbiamo imparato a usare l’intelligenza artificiale per risparmiare tempo. Ora dobbiamo capire che cosa accade alle esperienze che quel tempo conteneva.
Immaginiamo una giovane analista al suo primo lavoro.
Deve preparare un documento su un settore che conosce appena. Cerca i dati, legge rapporti che all’inizio comprende solo in parte, trova numeri che sembrano raccontare storie diverse. Costruisce una prima interpretazione, poi incontra qualcosa che la costringe a rivederla. Torna indietro, cerca ancora, cambia idea.
Dopo qualche ora consegna il lavoro al suo responsabile.
Il documento torna pieno di correzioni. Manca una fonte importante. Un dato è stato interpretato male. Una conclusione è troppo sicura rispetto alle evidenze disponibili. C’è soprattutto una domanda che avrebbe dovuto porsi e che ancora non aveva imparato a vedere.
La volta successiva farà qualche errore in meno. Dopo cento documenti, forse sarà lei ad accorgersi in pochi minuti che qualcosa non torna.
Ora introduciamo l’intelligenza artificiale nella stessa scena.
La ricerca delle fonti accelera. Decine di pagine possono essere sintetizzate in pochi secondi. I dati vengono confrontati, una prima struttura compare sullo schermo, insieme alle possibili obiezioni. Il documento che richiedeva tre ore potrebbe richiederne una.
Sappiamo abbastanza bene che cosa abbiamo guadagnato.
È più difficile capire che cosa c’era nelle altre due ore.
Dentro il tempo che abbiamo risparmiato
Nei due articoli precedenti sono arrivato a questa domanda seguendo due strade diverse.
La prima riguardava i principianti. Se l’AI svolgerà una parte crescente dei lavori attraverso cui abbiamo imparato un mestiere, attraverso quali esperienze nasceranno gli esperti?
La seconda riguardava il tempo. Se riusciamo a produrre la stessa cosa più rapidamente, chi deciderà che cosa diventerà il tempo liberato?
Le due questioni finiscono per incontrarsi, perché dentro una parte del tempo che stiamo risparmiando c’era anche esperienza.
La giovane analista delle nostre tre ore stava certamente producendo un documento. Intanto imparava dove cercare, cominciava a distinguere una fonte autorevole da una soltanto plausibile, incontrava anomalie, scopriva quanto facilmente una prima interpretazione possa sembrarci convincente.
Soprattutto, stava imparando a vedere meglio: una relazione che prima le sfuggiva, un’informazione sospetta, una conclusione arrivata troppo presto. E cominciava a formulare domande che qualche mese prima nemmeno avrebbe saputo porre.
Mentre produceva il documento, il lavoro stava producendo qualcosa anche in lei.
Naturalmente accade solo in certe condizioni. Ripetere per anni la stessa attività può consolidare una routine molto più che costruire expertise. L’esperienza diventa formativa quando contiene variazioni, problemi, feedback, confronto con qualcuno che ne sa di più, conseguenze osservabili e un margine di responsabilità che cresce nel tempo.
Potremmo chiamare questa proprietà densità formativa del lavoro.
Ci sono esperienze che ne contengono molta e altre che, pur occupando intere giornate, ne contengono pochissima.
Il lavoro produce anche chi lavora
Michael Polanyi scriveva che sappiamo più di quanto riusciamo a dire (Polanyi, 1966). Una parte della competenza professionale sfugge infatti alla completa esplicitazione: riconosciamo configurazioni, percepiamo anomalie, sappiamo talvolta che qualcosa non torna prima ancora di riuscire a spiegare esattamente perché.
Chiunque abbia osservato a lungo un professionista esperto riconosce qualcosa di questa idea. Ci sono persone che entrano in una situazione e vedono quasi immediatamente ciò che agli altri sfugge. Fanno una domanda apparentemente semplice che cambia il problema. Avvertono che un dato stona, che manca qualcosa, che una spiegazione troppo elegante probabilmente nasconde una complicazione.
Quella capacità raramente nasce da una sola lezione. Dentro ci sono conoscenze, certamente, ma anche casi incontrati, errori commessi, conseguenze viste, conversazioni ricordate, eccezioni che hanno costretto a modificare una regola.
Per molto tempo il risultato e questo lento processo di trasformazione sono rimasti intrecciati. Per ottenere qualcosa bisognava attraversare buona parte del percorso necessario a produrla e, attraversandolo molte volte, si poteva diventare progressivamente più capaci.
L’AI sta cominciando a modificare questa relazione, perché in alcune attività possiamo ottenere risultati di qualità elevata percorrendo una parte più piccola del processo cognitivo che un tempo era necessario per arrivarci.
È una conquista importante, che però non autorizza a concludere che ogni delega alla macchina comporti una perdita di capacità.
Gli esseri umani hanno sempre pensato anche attraverso ciò che costruivano fuori dalla propria mente. Scrittura, libri, mappe, calcolatrici e motori di ricerca hanno modificato il modo in cui ricordiamo, calcoliamo, ci orientiamo, troviamo informazioni. Andy Clark propone di leggere anche l’intelligenza artificiale generativa dentro la lunga storia delle tecnologie attraverso cui gli esseri umani estendono e riorganizzano le proprie attività cognitive (Clark, 2025). Si tratta di una prospettiva teorica, più che della dimostrazione di un particolare effetto dell’AI, ma aiuta a evitare una nostalgia poco utile per un pensiero interamente autosufficiente che, probabilmente, non è mai esistito.
Che cosa conviene delegare, quando conviene farlo e che cosa vogliamo continuare a saper fare?
Quando delegare aiuta a pensare meglio
La ricerca sull’uso dell’AI nell’apprendimento comincia a offrire qualche indizio.
Una revisione sistematica pubblicata quest’anno da Changyue Li, Hang Cui e Linda Serra Hagedorn ha esaminato 67 studi empirici condotti tra il 2022 e il 2025 sull’uso di ChatGPT nell’istruzione universitaria. Il quadro che emerge è meno lineare delle contrapposizioni alle quali ci siamo abituati. Gli effetti sul pensiero critico e creativo dipendono molto da come l’AI entra nell’esperienza di apprendimento. Negli ambienti costruiti intorno all’indagine, alla riflessione, all’argomentazione e alla regolazione metacognitiva emergono possibilità di sviluppo; negli usi poco strutturati cresce invece il rischio che una parte del lavoro cognitivo venga semplicemente trasferita allo strumento (Li et al., 2026).
La scelta che abbiamo davanti riguarda meno l’alternativa tra usare l’AI e pensare da soli. Riguarda come distribuire il lavoro cognitivo tra noi e la macchina.
Posso chiedere all’AI di evitarmi una ricerca meccanica e usare il tempo guadagnato per confrontare interpretazioni diverse. Posso farle produrre dieci ipotesi e impegnarmi a capire quale regga meglio. Posso usarla per cercare un’obiezione alla mia tesi invece che per scrivere la tesi al posto mio.
In tutti questi casi sto delegando una parte del lavoro cognitivo per poterlo concentrare altrove.
Il problema nasce quando la scorciatoia elimina proprio il passaggio attraverso cui avrei costruito i criteri necessari per valutare ciò che trovo alla fine.
Ci sono cose che possiamo delegare dopo averle imparate
Pensiamo ancora alla giovane analista.
Una parte del suo lavoro consisteva nel trovare documenti, ordinarli, estrarre informazioni, ricomporle. Molto di questo può essere accelerato dall’AI e sarebbe curioso costringerla a impiegare tre ore soltanto perché le generazioni precedenti ne avevano bisogno.
Durante quella ricerca, però, imparava anche quali istituzioni producono dati affidabili, quali fonti si citano reciprocamente senza aggiungere evidenze, come cambia il significato di un numero quando cambia il denominatore, quanto conta leggere la nota sotto una tabella.
Il problema consiste allora nel liberarla dalla parte povera di quell’attività senza perdere ciò che contribuiva a farla crescere.
Questa distinzione potrebbe diventare importante nelle organizzazioni.
Accanto al valore produttivo di un compito potremmo allora osservarne anche la densità formativa: quante occasioni offre per costruire capacità che serviranno altrove e più avanti.
Alcune attività sono ormai soprattutto costose e ripetitive, e automatizzarle può restituire tempo e attenzione. Altre, pur sembrando poco importanti, contengono ancora occasioni preziose per incontrare problemi, ricevere correzioni e osservare conseguenze.
Conservarle identiche avrebbe poco senso.
Prima di eliminarle, però, sarebbe utile capire che cosa insegnavano.
Prima di chiedere la risposta
Qui la ricerca di Manu Kapur offre una suggestione interessante.
Studiando quello che ha chiamato productive failure, Kapur ha mostrato, in specifiche condizioni educative, che cimentarsi inizialmente con un problema complesso e arrivare anche a soluzioni incomplete può preparare apprendimenti successivi più profondi (Kapur, 2008, 2016). Il suo lavoro contiene una distinzione particolarmente utile per il nostro discorso: prestazione immediata e apprendimento di lungo periodo possono seguire traiettorie diverse. Ciò che aiuta a ottenere subito una prestazione migliore non sempre coincide con ciò che aiuta a imparare meglio nel tempo.
Kapur studiava situazioni didattiche diverse dall’attuale interazione con l’AI generativa. Sarebbe eccessivo usare quelle ricerche come prova di ciò che accade quando lavoriamo con ChatGPT o con altri sistemi. Da qui nasce una domanda: che cosa cambia se incontriamo la risposta della macchina dopo aver provato a costruire la nostra?
Un giovane analista potrebbe formulare una prima interpretazione e poi confrontarla con quella dell’AI. Uno studente potrebbe spiegare il percorso che immagina prima di chiedere al sistema di risolvere il problema. Un professionista in formazione potrebbe prendere una decisione preliminare e usare l’AI per cercare ciò che ha trascurato.
La risposta della macchina arriverebbe dopo che la persona ha già costruito una prima rappresentazione del problema
La differenza sta nel confronto. Ricevere una soluzione plausibile è utile; scoprire perché la propria era fragile, dove abbiamo preso una scorciatoia e quale informazione abbiamo ignorato produce un apprendimento di natura diversa.
Imparare a vedere come vede un esperto
C’è poi un’altra esperienza che rischiamo di sottovalutare: stare accanto a qualcuno che sa fare bene qualcosa.
Il cognitive apprenticeship sviluppato da Collins, Brown e Newman nasceva anche dall’esigenza di rendere visibili i processi cognitivi dell’esperto. Chi possiede molta esperienza compie ormai alcuni passaggi quasi senza accorgersene. Per chi sta imparando, invece, poterli osservare, ascoltare il ragionamento, ricevere feedback e assumere progressivamente maggiore autonomia è parte dell’apprendimento (Collins et al., 1989).
Con l’AI questa relazione potrebbe diventare persino più preziosa.
L’esperienza professionale può cambiare profondamente anche il modo in cui utilizziamo un sistema intelligente. Chi possiede molta esperienza può riconoscere più facilmente una risposta troppo generica, accorgersi di ciò che manca, riformulare il problema, controllare una fonte, ignorare un suggerimento che appare convincente o decidere che il risultato raggiunto è sufficiente per quello scopo.
Per chi comincia, invece, una parte di questi criteri deve ancora formarsi. Sullo schermo vede lo stesso output, ma possiede un patrimonio diverso con cui valutarlo. Quello che dovrebbe riuscire progressivamente a vedere è il giudizio che avviene davanti allo schermo.
Se un professionista esperto impiega meno tempo nella produzione ripetitiva, una parte di quel guadagno potrebbe diventare tempo trascorso con chi sta imparando: discutere un caso, mostrare perché una risposta convince poco, confrontare due alternative, raccontare un errore commesso anni prima.
Una tecnologia nuovissima potrebbe restituire valore a una forma antichissima di apprendimento: lavorare accanto a qualcuno.
Poi arriva il momento in cui l’affiancamento deve diminuire.
All’inizio osserviamo e lavoriamo sapendo che qualcuno controllerà. Con il tempo quel controllo diventa più leggero, finché arriva il momento in cui una decisione viene davvero affidata a noi.
È così che la competenza incontra la responsabilità.
Anche l’AI dovrebbe forse seguire una progressione simile. In certi momenti può accompagnarci molto da vicino; in altri diventare uno strumento di verifica; in altri ancora restare abbastanza lontana da permetterci di capire che cosa sappiamo ormai fare senza di lei.
L’infrastruttura dell’esperienza
Questa infrastruttura è fatta di problemi reali, tentativi, errori che qualcuno ci aiuta a comprendere, esperti da osservare, feedback, responsabilità crescente e decisioni prese con informazioni incomplete.
Finché quelle occasioni erano incorporate quasi spontaneamente nel lavoro, avevamo poche ragioni per considerarle un sistema. L’AI potrebbe renderle abbastanza rare da costringerci a vederle.
Potremmo cominciare a pensare a una vera infrastruttura dell’esperienza: l’insieme delle condizioni che permettono a una persona di trasformare il tempo trascorso in un luogo di lavoro in capacità.
Il tema riguarda naturalmente le imprese, ma arriva molto più lontano. Tocca apprendistato, lavoro duale, tirocini, PCTO, università, formazione professionale e politiche attive.
Oggi sappiamo misurare piuttosto bene quanto dura un’esperienza: ore di formazione, mesi di tirocinio, persone che iniziano un percorso e persone che lo concludono. Sappiamo molto meno di ciò che è accaduto dentro quel tempo.
Due giovani possono trascorrere sei mesi nella stessa impresa. Uno cambia attività, incontra problemi reali, osserva persone esperte, riceve feedback, partecipa alle decisioni e conquista lentamente un proprio spazio di autonomia. L’altro trascorre gli stessi sei mesi ripetendo un compito periferico.
Sul calendario hanno vissuto la stessa esperienza.
Nella loro storia professionale, probabilmente, no.
Ecco perché la densità formativa potrebbe diventare una dimensione da osservare accanto alla durata.
Quali problemi hai incontrato? Quanto feedback qualificato hai ricevuto? Che cosa riesci a fare oggi senza l’aiuto che ti serviva sei mesi fa?
Sono domande molto diverse da “quante ore hai fatto?”.
Che cosa faremo del tempo guadagnato?
Torniamo così alle due ore della giovane analista.
Nel precedente articolo avevo provato a guardare al dividendo dell’intelligenza artificiale attraverso tre dimensioni: denaro, tempo e possibilità.
Una parte del tempo liberato dall’AI potrebbe essere investita proprio nell’esperienza che rischia di diventare più scarsa.
Se un esperto impiega meno tempo a produrre una relazione, una quota di quel guadagno può diventare affiancamento. Se automatizziamo un’attività ripetitiva, possiamo usare parte delle ore recuperate per esporre un giovane a problemi più complessi. Se arriviamo alla prima soluzione in pochi minuti, possiamo permetterci di dedicarne qualcuno in più a capire perché funziona, quali alternative esistono e in quali condizioni potrebbe fallire.
In questo modo una parte della produttività prodotta dall’intelligenza artificiale contribuirebbe a costruire le capacità necessarie per utilizzarla bene.
La questione, allora, non è difendere i vecchi compiti, ma capire quali esperienze continuano a servire.
La questione è capire quali attività possiamo affidare subito alla macchina, quali conviene attraversare almeno per un periodo e quali possono diventare più formative proprio grazie alla collaborazione con l’AI.
Per secoli abbiamo costruito tecnologie che ci risparmiassero fatica. Ora stiamo costruendo strumenti capaci di risparmiarci anche alcuni passaggi cognitivi necessari per arrivare a un risultato.
Una parte di quei passaggi era soltanto costosa.
Un’altra, mentre la percorrevamo, ci stava trasformando.
Perciò, quando decidiamo di automatizzare un compito, accanto alla domanda su quanto tempo riusciremo a risparmiare ne aggiungerei un’altra:
quale esperienza stiamo togliendo e dove impareremo ciò che prima imparavamo facendo quel lavoro?
L’AI può aiutarci ad arrivare prima. Resta da capire che cosa sapremo fare con il tempo che abbiamo guadagnato.
Riferimenti
Clark, A. (2025). Extending minds with generative AI. Nature Communications, 16, Article 4627. https://doi.org/10.1038/s41467-025-59906-9
Collins, A., Brown, J. S., & Newman, S. E. (1989). Cognitive apprenticeship: Teaching the crafts of reading, writing, and mathematics. In L. B. Resnick (Ed.), Knowing, learning, and instruction: Essays in honor of Robert Glaser (pp. 453–494). Lawrence Erlbaum Associates.
Kapur, M. (2008). Productive failure. Cognition and Instruction, 26(3), 379–424. https://doi.org/10.1080/07370000802212669
Kapur, M. (2016). Examining productive failure, productive success, unproductive failure, and unproductive success in learning. Educational Psychologist, 51(2), 289–299. https://doi.org/10.1080/00461520.2016.1155457
Li, C., Cui, H., & Hagedorn, L. S. (2026). The cognitive impact of ChatGPT in higher education: A systematic review of critical and creative thinking outcomes. Computers and Education: Artificial Intelligence, 10, Article 100571. https://doi.org/10.1016/j.caeai.2026.100571
Polanyi, M. (1966). The tacit dimension. University of Chicago Press.
Nessun commento:
Posta un commento