Il tempo che separa il momento in cui una competenza diventa necessaria da quello in cui l’organizzazione riesce davvero a costruirla si sta allargando da due lati opposti, e non compare in nessun bilancio.
Ripeto da anni, in aula e sui palchi alle tavole di confronto, che non esiste innovazione senza formazione, e ogni volta temo e so di suonare come chi ripete una frase fatta perché non ha di meglio da dire. Poi, quest’estate, saltando da un blog all’altro senza un’idea precisa, mi sono imbattuto in tre parole che quella frase la contengono per intero: time to competency. Non è un concetto nuovo e non è mio: nasce nei manuali delle funzioni formazione, dove indica il tempo che passa tra l’ingresso di una persona in un ruolo e il momento in cui riesce a lavorare in autonomia.
Mi ha colpito perché tiene insieme, senza bisogno di nominarli uno per uno, tutto ciò di cui parliamo da anni in ordine sparso: l’aggiornamento delle competenze, la riqualificazione di chi cambia mestiere, l’apprendimento che dura quanto una vita professionale, e perché sposta la domanda dal punto sbagliato a quello giusto: non quali corsi mettere a catalogo, ma quanto tempo serve davvero perché una persona diventi capace di ciò che le stiamo chiedendo.
C’è però un limite in quella definizione, e nessuno ha mai avuto particolare interesse a rimuoverlo, perché il tempo della competenza viene misurato soltanto quando entra qualcuno di nuovo e mai quando cambia il lavoro di chi è già dentro. È estendendola oltre quel perimetro che la domanda diventa scomoda: quanto tempo passa tra il momento in cui una competenza diventa necessaria e il momento in cui l’organizzazione riesce effettivamente a costruirla nelle persone che ha? Perché se quel tempo si dilata mentre la necessità accelera, ciò che si apre non è un divario da colmare con qualche giornata d’aula, ma una distanza strutturale che decide chi potrà ancora accedere al lavoro qualificato.
La forbice
I numeri che descrivono l’accelerazione arrivano da fonti diverse e convergenti. Il Global AI Jobs Barometer pubblicato da PwC il 15 giugno di quest’anno, costruito sull’analisi di oltre un miliardo di annunci di lavoro in 27 Paesi, rileva che le competenze richieste nei mestieri più esposti all’intelligenza artificiale cambiano a una velocità più che doppia rispetto a quelli meno esposti: 224 nuove competenze richieste in media, contro 101. Il World Economic Forum, guardando più lontano, stima che entro il 2030 quasi due quinti delle competenze fondamentali di un lavoratore risulteranno trasformate o superate.
Fin qui la metà nota della situazione, quella che chiamiamo divario di competenze e che ciascuno propone di colmare con gli strumenti che ha in catalogo. La metà meno raccontata riguarda l’altro braccio della forbice, perché mentre il bisogno accelera il meccanismo che storicamente produceva competenza si assottiglia: la stessa ricerca di PwC osserva che i ruoli d’ingresso più esposti hanno sette volte più probabilità di richiedere capacità tradizionalmente attribuite ai profili esperti: giudizio, guida degli altri, gestione delle relazioni e che negli Stati Uniti queste posizioni sono cresciute del 35% dal 2019 mentre gli altri ruoli d’ingresso arretravano del 10%. Il Digital Economy Lab di Stanford, con una lente diversa, ha misurato una contrazione vicina al 13% nell’occupazione dei ventiduenni-venticinquenni nelle professioni più esposte.
Messi uno accanto all’altro, questi due movimenti raccontano qualcosa che nessuno dei due direbbe da solo: il tempo per diventare competenti non si allunga e basta, si accorcia per chi la competenza la possiede già e si dilata per chi deve ancora costruirla, perché ciò che l’intelligenza artificiale assorbe per primo è esattamente il lavoro elementare, ripetitivo, di primo abbozzo, quello su cui per generazioni si è imparato il mestiere osservando qualcuno che ne sapeva di più, sbagliando in un contesto a basso rischio e correggendo sotto lo sguardo di chi poteva permettersi di aspettare.
Il debito invisibile
Nessun sistema contabile registra il tempo di non competenza come una passività, eppure quel tempo si comporta esattamente come un debito, perché matura in silenzio, non compare finché nessuno lo richiama e quando viene richiamato lo è tutto insieme, di solito nel momento peggiore. Le organizzazioni sanno dire con precisione quanto costa una licenza software e quanto vale un’ora di consulenza, mentre faticano a rispondere alla domanda più semplice di tutte, cioè quante settimane servono perché una persona che oggi svolge bene il proprio lavoro sia capace di svolgere bene quello che lo stesso ruolo richiederà tra un anno e mezzo.
Il fronte italiano offre una fotografia istruttiva di questa asimmetria.
L’Istat, nel Rapporto annuale presentato lo scorso maggio, documenta che tra il 2023 e il 2025 la quota di imprese che utilizzano almeno una tecnologia di intelligenza artificiale è più che triplicata, passando dal 6% al 16,4%, con una distanza netta tra il 53% delle grandi imprese e il 14,2% delle piccole, e segnala che per chi ha valutato l’adozione senza procedere l’ostacolo prevalente resta la carenza di competenze interne.
L’Osservatorio Innovazione Digitale nelle PMI del Politecnico di Milano aggiunge il dato che completa il quadro: solo 7 imprese su 100 hanno avviato percorsi formativi strutturati sul tema. La Wibo Future Skills Research misura invece la percezione di chi guida le funzioni delle persone, e la restituisce come un livello medio di competenze pari a 5 su 10 a fronte di un 8,9 ritenuto necessario, mentre l’Osservatorio Look4ward di Intesa Sanpaolo e Luiss rileva che quasi un dipendente su due non ha mai ricevuto formazione sull’intelligenza artificiale.
Su scala globale il conto è stato quantificato con un’immagine che vale la pena tenere a mente: se la forza lavoro mondiale fosse composta da 100 persone, il World Economic Forum stima che 59 avrebbero bisogno di formazione entro il 2030 e che 11 di loro non la riceveranno.
Undici persone su cento che restano indietro non sono una fatalità statistica: sono il risultato di scelte concrete su come distribuire budget, ore e attenzione, prese in ogni singola azienda da persone con un nome e un ruolo. La domanda utile non è se quel numero sia esatto, ma se nella nostra organizzazione sappiamo già chi ci finirà dentro.
Il paradosso
Sarebbe scorretto, e contrario a tutto ciò che provo a fare in queste pagine, presentare l’intelligenza artificiale soltanto come ciò che allontana la competenza, perché la stessa tecnologia che dilata il tempo dell’apprendimento per alcuni lo comprime in modo notevole per altri.
Le esperienze di simulazione conversazionale, la possibilità di esercitarsi su casi realistici senza conseguenze, il ritorno immediato su ciò che si è fatto: sono elementi che accorciano davvero la distanza tra l’aula e la pratica, e chi lavora nella formazione aziendale lo sta verificando ogni giorno.
SAP, che pure avrebbe interesse a raccontare solo la parte luminosa della storia, ad accompagnare quella promessa con un’avvertenza onesta: accelerare l’apprendimento può rivelarsi controproducente quando ciò che si acquisisce resta superficiale e non regge nel tempo.
Il punto delicato riguarda la differenza tra apparire competenti ed esserlo, e si manifesta con particolare nitidezza in quella che potremmo chiamare la trappola del revisore. Quando il lavoro d’ingresso smette di consistere nel fare e diventa verificare ciò che la macchina ha prodotto, stiamo chiedendo alle persone di esercitare il giudizio prima di aver acquisito l’esperienza che quel giudizio rende possibile, e stiamo invertendo l’ordine di un percorso in cui la parte apparentemente facile non era affatto facile, era semplicemente il luogo in cui la parte difficile veniva imparata senza che nessuno la nominasse.
Chi possiede già quell’esperienza usa l’intelligenza artificiale come un moltiplicatore straordinario; chi non la possiede riceve un risultato che non sa valutare, e la fiducia in ciò che ha in mano cresce esattamente mentre diminuisce la capacità di verificarlo.
Chi decide il tempo
Se il tempo della competenza fosse un dato naturale non ci sarebbe molto da discutere, ma non lo è: è il risultato di decisioni prese da persone precise, quasi sempre in stanze dove non siede nessuno di quelli che quel tempo dovranno attraversarlo. Qualcuno stabilisce il calendario con cui uno strumento entra nei processi, qualcuno decide se esistano ore protette in cui è legittimo imparare senza produrre, qualcuno definisce se un errore commesso mentre si impara valga come investimento o come segnalazione negativa in una scheda di valutazione, e qualcuno sceglie se una competenza mancante vada comprata sul mercato o costruita nelle persone che già ci sono. Sono quattro decisioni distinte, tutte reversibili, tutte raramente esplicitate.
È qui che il tema entra a pieno titolo nel perimetro dell’allineamento, perché la ricerca di PwC descrive un mercato del lavoro che si sta dividendo in due percorsi, quello dei mestieri che l’intelligenza artificiale rende più esigenti in termini di capacità umana e quello dei mestieri che rende accessibili a chiunque, e la posizione di ciascuno rispetto a quella biforcazione dipende molto meno dal talento individuale di quanto siamo disposti ad ammettere e molto più dal tempo che qualcun altro ha deciso di concedergli.
Aumentare le capacità di chi può già permettersi di apprendere e automatizzare il lavoro di chi non può non è una legge della tecnologia: è una configurazione organizzativa, e come tutte le configurazioni può essere disegnata diversamente.
Le voci
Il pensiero che ho incontrato su questo tema che mi ha colpito di più, è quello di Matt Beane, ricercatore dell’Università della California a Santa Barbara, che ha studiato per anni un caso concreto e istruttivo: la chirurgia robotica: nella sala operatoria tradizionale lo specializzando stava accanto al chirurgo, teneva gli strumenti ed eseguiva le parti più semplici sotto lo sguardo di chi sapeva; con il robot il chirurgo opera da solo alla consolle e lo specializzando guarda uno schermo, senza mai mettere le mani. L’esito dell’intervento migliora, la formazione del giovane medico peggiora, e i due fenomeni non compaiono mai nello stesso rapporto.
Da qui Beane ricava la tesi del suo libro The Skill Code: si impara davvero soltanto quando esistono insieme una difficoltà reale da affrontare, un compito abbastanza complesso da richiedere giudizio e una persona più esperta accanto a cui stare. Quando quelle condizioni vengono meno l’apprendimento non si sposta altrove, semplicemente non avviene: negli ambienti più automatizzati che ha osservato soltanto una persona su otto trova strade proprie per imparare comunque: guardare interventi registrati la sera, fermarsi dopo il turno, cercarsi un collega disposto a spiegare, mentre le altre sette si limitano a fare ciò che il sistema consente loro di fare.
Matt Sigelman, che guida il Burning Glass Institute dopo aver contribuito a creare il campo dei dati sul mercato del lavoro in tempo reale, osserva lo stesso fenomeno dal lato della struttura organizzativa. Pensiamo a come è fatto uno studio professionale o un’agenzia: molti giovani alla base che raccolgono documenti, preparano bozze e sistemano tabelle, pochi esperti al vertice che decidono. Se l’intelligenza artificiale assorbe il lavoro della base, la piramide si trasforma in un diamante, con pochi ingressi e molti profili intermedi già formati, e lascia aperta una domanda che quasi nessuno sta affrontando: da dove arriveranno, tra dieci anni, gli esperti che oggi diamo per scontati?
Josh Bersin sposta l’attenzione dalla singola persona al sistema che dovrebbe formarla, e lo fa con un dato che vale più di qualunque esempio: a fronte di oltre quattrocento miliardi di dollari investiti ogni anno nella formazione aziendale nel mondo, meno di un’azienda su tre si dichiara soddisfatta di come crescono le competenze dei propri collaboratori. La sua ricerca, condotta su sei settori e su milioni di profili professionali, individua nella rapidità con cui un’organizzazione riesce a riconoscere, costruire e mettere in campo le capacità che le servono e non nella loro profondità, il vero motore del vantaggio competitivo, e ne ricava una conseguenza scomoda per chi si occupa di formazione: la fabbrica di corsi, con il suo catalogo e i suoi calendari, non tiene il passo di ruoli che vengono ridisegnati mentre il corso è ancora in progettazione.
C’è infine una voce che ha portato il tema fuori dai circuiti specialistici, ed è quella di Aneesh Raman, che in LinkedIn si occupa di opportunità economiche e che sul New York Times ha descritto ciò che si sta rompendo per primo come il gradino più basso della scala professionale: la correzione del codice per gli sviluppatori alle prime armi, la revisione documentale per i praticanti negli studi legali, la gestione delle richieste semplici nel servizio clienti, cioè esattamente i compiti che servivano a imparare. La sua immagine più efficace, però, non è quella della scala che si spezza ma quella che propone al suo posto, una parete da arrampicata dove ciascuno trova appigli diversi, e la sua conclusione resta dichiaratamente dalla parte delle persone: le imprese non devono difendere i ruoli d’ingresso così come sono, devono riprogettarli affidando ai nuovi arrivati compiti di livello più alto, con l’intelligenza artificiale come strumento e non come sostituto.
Un’organizzazione che non sa dire quanto tempo occorre alle proprie persone per diventare capaci di ciò che sta già chiedendo loro non ha davanti un problema di formazione da mettere a calendario: ha smesso, senza accorgersene, di considerare la competenza qualcosa che si costruisce nel tempo e con il tempo. Guardiamoci intorno e proviamo a contare le ore protette, gli errori tollerati, la pazienza che siamo disposti a concedere a chi deve ancora imparare. Poi chiediamoci chi resta fuori quando la risposta continua a essere che il tempo non c’è.
