Preferisci ascoltare? Clicca play! Getting your Trinity Audio player ready...

Il discorso pubblico sull’impatto dell’intelligenza artificiale sul lavoro si è cristallizzato attorno a una domanda mal posta: «quanti posti di lavoro verranno distrutti?».

Questo interrogativo è una formulazione che eredita lo schema mentale delle precedenti ondate di automazione – la meccanizzazione agricola, l’automazione industriale, la robotica di fabbrica – dove il sostituito era un mestiere identificabile e il sostituto una macchina dedicata. L’AI generativa non funziona così. Non sostituisce mestieri, sostituisce task e, poiché, ogni ruolo professionale è un fascio di task eterogenei, la trasformazione che si delinea non è una sottrazione di figure, ma una ricomposizione del modo in cui i task vengono raggruppati, attribuiti e remunerati.

Questa distinzione, apparentemente semantica, ha conseguenze operative profonde. Quando si automatizza un task – la stesura di una prima bozza, la sintesi di un documento, la generazione di codice boilerplate, la classificazione di un dataset, la ricerca documentale preliminare – il ruolo che conteneva quel task non scompare, si svuota. Ciò che resta è la porzione non automatizzata, che diventa contemporaneamente più densa di valore e più esposta alla verifica.

Il professionista non lavora meno, lavora su uno strato diverso in cui c’è meno produzione, più orchestrazione, validazione, decisione. Cambia, di conseguenza, anche il criterio con cui quel professionista viene valutato e retribuito, non più la quantità di output prodotti, ma la qualità del giudizio esercitato sull’output prodotto da altri, siano essi umani o sistemi.

La seconda asimmetria riguarda la velocità di obsolescenza delle specializzazioni. Le precedenti rivoluzioni tecnologiche concedevano una generazione lavorativa per riconvertirsi, chi entrava in fabbrica nel 1960 poteva ragionevolmente attendersi che il suo mestiere esistesse, in forma riconoscibile, fino al pensionamento. L’AI comprime questo orizzonte in modo drammatico. La vita utile di una specializzazione tecnica – intesa come il periodo durante il quale essa genera un differenziale di reddito rispetto alla media – si è ridotta a una manciata di anni.

Chi oggi si forma su uno specifico framework, su una specifica metodologia di analisi o su una specifica filiera documentale deve mettere in conto che il vantaggio costruito su quella conoscenza sarà eroso prima ancora di essere ammortizzato. Il corollario è che la formazione non è più un investimento puntuale, ma un costo ricorrente e che il datore di lavoro, l’individuo e il sistema formativo pubblico non hanno ancora trovato un equilibrio stabile su chi debba sostenerlo.

La terza asimmetria, la meno discussa, è quella generazionale e tocca la struttura della pipeline di talento.

Gran parte delle professioni cognitive ha funzionato per decenni come un meccanismo di apprendistato implicito, in cui il giovane analista produceva report che il senior rivedeva, il giovane avvocato preparava memorie che il partner correggeva, il giovane sviluppatore scriveva moduli che il lead architect integrava, il giovane consulente impaginava deliverable che il principale validava.

Quel lavoro “di base”, apparentemente a basso valore aggiunto, era in realtà il dispositivo formativo attraverso cui il senior diventava senior. È esattamente questo strato che l’AI sta erodendo per primo. Il rischio sistemico non è la disoccupazione giovanile in senso stretto, ma l’interruzione del meccanismo attraverso cui si producono i decisori esperti di domani. Le organizzazioni che oggi comprimono i ruoli junior perché «tanto l’AI lo fa meglio» stanno consumando un capitale formativo accumulato in decenni senza aver ancora capito come ricostituirlo, né da quale livello ripartire la curva di apprendimento dei nuovi entranti.

Da queste tre asimmetrie – granularità sui task, velocità di obsolescenza, rottura della pipeline – discendono le coordinate entro cui collocare l’analisi delle figure professionali che si delineano all’orizzonte. Non si tratta di stilare un elenco di “mestieri del futuro” sul modello dei rapporti del World Economic Forum, esercizio utile come marketing ma fragile come previsione. Si tratta, piuttosto, di individuare le direttrici lungo cui il valore si sta ridistribuendo dalla produzione alla verifica, dall’esecuzione alla responsabilità, dalla conoscenza nominale alla calibrazione del giudizio, dalla specializzazione verticale alla capacità di interfacciare domini distanti.

Nelle pagine che seguono si esamineranno, prima, le figure professionali che emergono o si ridefiniscono; poi, la dimensione delle competenze e delle meta-competenze che diventano il vero discrimine tra chi orchestra l’AI e chi le compete contro.

Le figure che si delineano

Procedendo per direttrici e non per elenchi, la prima area dove si sta consolidando una nuova fisionomia professionale è quella della mediazione uomo-modello. Sotto questa etichetta convivono ruoli che il mercato sta ancora nominando in modo incerto – prompt engineer, AI workflow designer, context engineer, applied AI specialist – ma che condividono un nucleo riconoscibile: la capacità di tradurre un problema di business in una sequenza strutturata di interazioni con sistemi probabilistici, sapendo dove inserire controlli deterministici, dove tollerare l’aleatorietà, dove richiedere intervento umano.

È un mestiere che non esisteva tre anni fa e che, oggi, paga premi salariali sensibili, ma è anche il candidato più probabile alla compressione: man mano che i modelli diventano più capaci di auto-orchestrarsi e che le interfacce si stabilizzano, la quota di valore catturabile dal prompt engineer puro tenderà a ridursi.

Sopravviverà la variante senior – chi sa progettare sistemi agentici, non chi sa scrivere prompt – mentre la versione junior verrà assorbita nelle competenze base di ogni knowledge worker.

La seconda area è quella della governance e dell’assurance. Qui la traiettoria è inversa, figure che oggi sono nicchia tecnica diventeranno strutturali. AI compliance officer, AI risk manager, model auditor, responsible AI lead sono ruoli che combinano competenze giuridiche (AI Act, GDPR, NIS2, settoriali), competenze tecniche (capacità di leggere model card, valutare bias, comprendere supply chain del dato e del modello) e competenze organizzative (definizione di policy interne, training del personale, gestione dell’incidente).

La spinta normativa europea, in particolare l’entrata in vigore progressiva degli obblighi dell’AI Act tra il 2025 e il 2027, sta creando una domanda strutturale per questi profili in qualunque organizzazione di dimensione media o grande.

Il punto debole sistemico è l’offerta, le università italiane hanno appena iniziato a strutturare curricula dedicati, e la certificazione AIGP della IAPP è ancora poco diffusa nel mercato continentale. Chi si posiziona ora su questa direttrice, con un mix verificabile di competenze tecniche e regolatorie, occupa uno spazio che resterà sotto-offerto per almeno cinque-sette anni.

La terza area, parallela alla seconda ma distinta nei contenuti, è quella della sicurezza applicata all’AI. Non è la cybersecurity tradizionale, e non coincide nemmeno con l’AI safety dei laboratori di frontiera. È il segmento di mezzo: chi sa proteggere applicazioni che integrano LLM da prompt injection, data poisoning, model extraction, supply chain attack sui modelli pre-addestrati, leak di dati sensibili attraverso il contesto. L’OWASP Top 10 for LLM Applications ha codificato un primo vocabolario condiviso, ma la pratica industriale è ancora largamente artigianale. Si delineano due sotto-figure: il security architect for AI systems, che progetta i controlli a livello di architettura applicativa, e l’AI red teamer, che li mette alla prova in modalità avversariale.

Entrambe le figure attingono dai pool della cybersecurity tradizionale ma richiedono un livello di familiarità con il funzionamento interno dei modelli che pochi security engineer possiedono oggi. È una delle nicchie a maggior tasso di crescita salariale nel medio periodo.

La quarta area è la più rilevante in termini numerici, perché tocca il grosso della popolazione knowledge worker: si tratta della trasformazione interna delle professioni esistenti. L’analista finanziario, l’avvocato, il commercialista, il medico, il consulente, il giornalista, il copywriter, il developer non scompaiono, ma il loro profilo di competenze ruota.

Diventa centrale la capacità di costruire e mantenere un workflow personale in cui l’AI assume i task di produzione e l’umano si concentra su validazione, integrazione di contesto tacito, gestione del rapporto col cliente, assunzione di responsabilità giuridica.

La differenza tra chi prospera e chi viene marginalizzato, all’interno della stessa professione, non passa più dalle competenze tradizionali del mestiere – quelle sono date per acquisite – ma dalla capacità di orchestrare la propria produttività attraverso strumenti AI in modo affidabile, ripetibile e difendibile. Il professionista che produce dieci volte tanto a parità di tempo, mantenendo qualità verificata e responsabilità tracciata, sposta verso l’alto il benchmark per tutti gli altri. Il professionista che rifiuta o ignora questi strumenti per ragioni ideologiche, di pigrizia o di mancata formazione, esce dal mercato non per essere stato sostituito dall’AI, ma per essere stato sottoquotato da colleghi che la usano.

La quinta area, infine, è quella delle figure di interfaccia tra domini. L’AI riduce il costo marginale dell’attraversamento dei silos disciplinari, e questo premia chi sa stare sui confini: bioinformatici che parlano con clinici, ingegneri che parlano con regolatori, designer che parlano con sviluppatori, esperti di policy che parlano con tecnici.

Il valore non è più nell’essere il migliore in un dominio verticale – l’AI accorcia il tempo necessario a raggiungere competenza tecnica decente in un dominio nuovo – ma nel saper combinare due o più domini in modo che individualmente nessuno dei due specialisti puri saprebbe fare.

È la rivincita del profilo a T, o meglio del profilo a pettine: una conoscenza ampia trasversale, con due o tre denti di profondità verticale, e la disciplina mentale per non confondere il livello di profondità reale con quello apparente che l’AI restituisce. Questa è la figura più difficile da formare in modo strutturato, perché non corrisponde a nessun percorso accademico canonico, ma è anche quella che cattura i premi più alti perché è la meno automatizzabile.

C’è un sotto-tema che attraversa trasversalmente tutte e cinque le aree e merita una notazione separata: il people management. Tutto ciò che riguarda la gestione di persone – selezione, motivazione, sviluppo, gestione del conflitto, costruzione di fiducia, negoziazione organizzativa – resta non automatizzabile per ragioni strutturali, non solo tecnologiche.

Le organizzazioni che attraversano la trasformazione AI con minor frizione sono quelle in cui il management intermedio sa accompagnare la ricomposizione dei ruoli senza generare panico, resistenza passiva o fuga del talento. Si tratta di un capitale relazionale che si costruisce in anni e che oggi è sotto-prezzato, perché la narrazione dominante premia la competenza tecnica visibile. Il riequilibrio è prevedibile nel medio periodo.

Le meta-competenze e il problema della formazione

Se le figure professionali descritte nella pagina precedente sono la fotografia di superficie, ciò che le rende possibili — o ne preclude l’accesso — è uno strato sottostante di meta-competenze che attraversa tutti i ruoli e che il sistema formativo italiano fatica a riconoscere come oggetto didattico autonomo. La prima è il giudizio calibrato sull’incertezza probabilistica. Lavorare con modelli generativi significa convivere stabilmente con output che possono essere convincenti e sbagliati, plausibili e fabbricati, statisticamente verosimili e fattualmente errati. La competenza che discrimina è la capacità di stimare correttamente quando fidarsi, quando verificare, quando rigettare. Non è scetticismo generico — quello porta alla paralisi o al rifiuto dello strumento — ma una taratura fine, sviluppata per pratica, che si avvicina più all’epistemologia applicata che all’informatica. Le facoltà che oggi formano meglio questa competenza, paradossalmente, non sono quelle tecniche: sono quelle che insegnano metodo scientifico rigoroso, diritto probatorio, diagnosi medica differenziale, analisi storica delle fonti. Sono i mestieri che hanno sempre lavorato sotto incertezza ad avere il vantaggio cognitivo nella transizione, non quelli abituati a procedure deterministiche.

La seconda meta-competenza è la gestione del contesto come asset produttivo. I modelli generativi sono tanto utili quanto buona è la quota di contesto rilevante che si riesce a portarci dentro: documentazione, esempi, vincoli, criteri di accettazione, casistiche limite. Costruire e mantenere repository di contesto strutturato — per sé stessi, per il proprio team, per la propria organizzazione — diventa una competenza in sé, distinta dal sapere di dominio che il contesto contiene. Il professionista che lavora bene con l’AI è anche quello che ha costruito, nel tempo, un proprio “deposito di contesto” interrogabile e aggiornato. Il professionista che improvvisa ogni interazione ripartendo da zero perde compounding. È una competenza affine all’organizzazione della conoscenza personale (PKM, personal knowledge management) che il mondo aziendale italiano tratta tipicamente come hobby di nicchia e che invece sta diventando un fattore di produttività misurabile.

La terza meta-competenza è la capacità di scomporre problemi. L’AI esegue bene i task ben formulati; degrada rapidamente sui task vaghi. Il valore aggiunto umano si sposta verso monte: definire correttamente il problema, scomporlo in sotto-task, assegnare ciascuno al livello giusto (modello generico, modello specializzato, tool deterministico, intervento umano), ricomporre i risultati con coerenza. È una competenza che tradizionalmente apparteneva al project manager senior, all’architetto di sistemi, al medico responsabile di un caso complesso. Diventa una competenza diffusa, richiesta a chiunque debba ottenere risultati attraverso l’AI in modo affidabile. La scuola italiana, costruita largamente sulla riproduzione di task già scomposti dal docente, è strutturalmente sotto-attrezzata per insegnarla.

La quarta meta-competenza è la responsabilità tracciabile. In un contesto in cui produzione e responsabilità si stanno separando — l’AI produce, l’umano firma — diventa critica la capacità di documentare cosa si è verificato, su quale base, con quale metodo, mantenendo una catena difendibile in sede professionale, contrattuale e potenzialmente giudiziale. Non è una competenza glamour, ma è la cerniera tra il professionista che usa l’AI come moltiplicatore e quello che la usa come scudo di irresponsabilità. La differenza tra i due, sul medio periodo, sarà sancita da assicurazioni professionali, ordini, giurisprudenza. L’AI Act europeo si muove esplicitamente in questa direzione per i sistemi ad alto rischio, ma la logica si estenderà per via di mercato anche dove non c’è obbligo normativo.

Il nodo formativo

Se le figure professionali descritte nella pagina precedente sono la fotografia di superficie, ciò che le rende possibili — o ne preclude l’accesso — è uno strato sottostante di meta-competenze che attraversa tutti i ruoli e che il sistema formativo italiano fatica a riconoscere come oggetto didattico autonomo. La prima è il giudizio calibrato sull’incertezza probabilistica. Lavorare con modelli generativi significa convivere stabilmente con output che possono essere convincenti e sbagliati, plausibili e fabbricati, statisticamente verosimili e fattualmente errati. La competenza che discrimina è la capacità di stimare correttamente quando fidarsi, quando verificare, quando rigettare. Non è scetticismo generico — quello porta alla paralisi o al rifiuto dello strumento — ma una taratura fine, sviluppata per pratica, che si avvicina più all’epistemologia applicata che all’informatica. Le facoltà che oggi formano meglio questa competenza, paradossalmente, non sono quelle tecniche: sono quelle che insegnano metodo scientifico rigoroso, diritto probatorio, diagnosi medica differenziale, analisi storica delle fonti. Sono i mestieri che hanno sempre lavorato sotto incertezza ad avere il vantaggio cognitivo nella transizione, non quelli abituati a procedure deterministiche.

La seconda meta-competenza è la gestione del contesto come asset produttivo. I modelli generativi sono tanto utili quanto buona è la quota di contesto rilevante che si riesce a portarci dentro: documentazione, esempi, vincoli, criteri di accettazione, casistiche limite. Costruire e mantenere repository di contesto strutturato — per sé stessi, per il proprio team, per la propria organizzazione — diventa una competenza in sé, distinta dal sapere di dominio che il contesto contiene. Il professionista che lavora bene con l’AI è anche quello che ha costruito, nel tempo, un proprio “deposito di contesto” interrogabile e aggiornato. Il professionista che improvvisa ogni interazione ripartendo da zero perde compounding. È una competenza affine all’organizzazione della conoscenza personale (PKM, personal knowledge management) che il mondo aziendale italiano tratta tipicamente come hobby di nicchia e che invece sta diventando un fattore di produttività misurabile.

La terza meta-competenza è la capacità di scomporre problemi. L’AI esegue bene i task ben formulati; degrada rapidamente sui task vaghi. Il valore aggiunto umano si sposta verso monte: definire correttamente il problema, scomporlo in sotto-task, assegnare ciascuno al livello giusto (modello generico, modello specializzato, tool deterministico, intervento umano), ricomporre i risultati con coerenza. È una competenza che tradizionalmente apparteneva al project manager senior, all’architetto di sistemi, al medico responsabile di un caso complesso. Diventa una competenza diffusa, richiesta a chiunque debba ottenere risultati attraverso l’AI in modo affidabile. La scuola italiana, costruita largamente sulla riproduzione di task già scomposti dal docente, è strutturalmente sotto-attrezzata per insegnarla.

La quarta meta-competenza è la responsabilità tracciabile. In un contesto in cui produzione e responsabilità si stanno separando — l’AI produce, l’umano firma — diventa critica la capacità di documentare cosa si è verificato, su quale base, con quale metodo, mantenendo una catena difendibile in sede professionale, contrattuale e potenzialmente giudiziale. Non è una competenza glamour, ma è la cerniera tra il professionista che usa l’AI come moltiplicatore e quello che la usa come scudo di irresponsabilità. La differenza tra i due, sul medio periodo, sarà sancita da assicurazioni professionali, ordini, giurisprudenza. L’AI Act europeo si muove esplicitamente in questa direzione per i sistemi ad alto rischio, ma la logica si estenderà per via di mercato anche dove non c’è obbligo normativo.

Il nodo formativo

Il sistema formativo italiano – scuola superiore, università, ITS, formazione continua – affronta queste trasformazioni con almeno tre disallineamenti strutturali.

Il primo è la latenza dei curricula, il tempo medio tra l’emergere di una competenza richiesta dal mercato e la sua codificazione in un percorso di studi accreditato si misura in anni, mentre la velocità di rotazione delle competenze AI si misura in mesi.

Il risultato è che chi si forma attraverso il canale ufficiale arriva tipicamente sul mercato con una versione già obsoleta della competenza target.

Il secondo è la prevalenza del paradigma sostitutivo in cui i corsi sull’AI tendono a essere innestati come moduli aggiuntivi sopra curricula esistenti, anziché ridisegnati per integrare l’AI come strumento di lavoro quotidiano.

Si insegna l’AI come oggetto di studio, non come strumento da padroneggiare.

Il terzo è la separazione tra formazione tecnica e formazione del giudizio. I percorsi STEM formano persone che sanno costruire sistemi AI, ma sono spesso digiune di etica applicata, diritto, scienze sociali. I percorsi umanistici formano persone persone con strumenti critici raffinati senza competenza tecnica sufficiente a esercitarli sul terreno reale.

I profili ibridi, che sono quelli più richiesti, restano largamente auto-formati.

A fronte di questi disallineamenti, il peso dell’investimento formativo si è spostato in modo silenzioso dal sistema pubblico al singolo individuo. Chi prospera nella transizione è oggi prevalentemente chi mantiene una pratica autodidatta strutturata: lettura ricorrente di paper e documentazione tecnica, partecipazione a comunità di pratica online, sperimentazione hands-on con strumenti nuovi, costruzione di un network professionale capace di segnalare i cambiamenti rilevanti prima che diventino mainstream.

È un modello che funziona bene per chi ha già capitale culturale e tempo discrezionale, e che esclude strutturalmente chi non li ha.

Senza un intervento di sistema, la trasformazione AI rischia di tradursi in un ampliamento del divario tra una minoranza che cattura premi crescenti e una maggioranza progressivamente declassata.

La risposta pubblica adeguata non è il sussidio compensativo – che arriva sempre tardi e non ricostituisce competenza – ma la ristrutturazione profonda dei meccanismi di formazione continua, con dispositivi più simili al modello dell’apprendistato continuo tedesco che alla formazione a catalogo italiana.

Il quadro complessivo non descrive una crisi da superare, ma un nuovo equilibrio di lungo periodo verso cui il sistema produttivo sta convergendo, con tempi diseguali per settori e geografie.

Le scelte che individui, imprese, ordini professionali e istituzioni formative compiono ora – su cosa formare, su cosa investire, su quali ruoli proteggere, su quali responsabilità tracciare – determinano la posizione che ciascuno occuperà nell’assetto che si delinea. Il margine di iniziativa è ancora ampio. La finestra decisionale è più stretta di quanto la maggioranza degli attori sembri stimare.