Nei due pezzi precedenti abbiamo visto che l’impatto dell’intelligenza artificiale sulla produttività è difficile da misurare e che sicuramente il suo impatto non va valutato tanto guardando all’intero lavoro che svolgiamo, quanto ai singoli task che lo compongono.
In questa ottica la domanda che rimane da farci è la seguente: se grazie all’IA produco di più, lavoro più velocemente e raggiungo risultati migliori, il mio lavoro diventa necessariamente più prezioso?
Sarebbe intuitivo rispondere sì, soprattutto se sentiamo di aver raggiunto un buon grado di utilizzo degli strumenti più noti. D’altronde, negli ultimi anni, ci siamo sentiti rassicurati da frasi tipo “L’IA non ti sostituirà, ma sarai sostituito da qualcuno che sa usarla”.
La verità è che quella frase suggerisce di adottare gli strumenti, dimenticando di contemplare lo scenario in cui anche altri fanno lo stesso.
Che cosa succede quando un gran numero di persone inizia ad utilizzare quegli strumenti, che prima erano appannaggio solo degli early adopter? E che cosa accade se l’IA permette alle persone di compiere anche attività che prima richiedevano anni di esperienza?
L’ipotesi di Sangeet Paul Choudary è che il posto di lavoro potrebbe essere salvo, ma il premio economico associato a quelle mansioni può diminuire.
Il premio per la competenza
In economia la distanza tra chi sa fare qualcosa bene e chi non sa farla produce un premio economico che, in gergo, viene chiamato skill premium: il vantaggio salariale o professionale associato al possesso di una competenza più rara e produttiva.
Un consulente con anni di esperienza riconosce insidie che un principiante non riesce a vedere. Un creativo esperto può attingere a riferimenti culturali che gli hanno fatto sviluppare una sensibilità che altri non hanno. Tutto ciò si traduce in risultati migliori e rischi inferiori per il cliente che sarà disposto a retribuire quella esperienza con un surplus.
Quindi, se l’intelligenza artificiale aiuta molti lavoratori ad avvicinarsi al livello dei senior, anche senza eguagliarlo, quello che succederà è che si ridurrà il gap esistente tra esperto e meno esperto. Questo non vuol dire che la competenza del senior evapori, ma solo che potrebbe essere pagata meno perché è diventata meno rara.
La trappola dell’”augmentation”
Gli studi sulla produttività descritti nel pezzo precedente già lo indicavano perché mostravano come l’IA avesse dato più benefici ai lavoratori meno esperti, contribuendo a comprimere le differenze di performance (almeno nelle attività comprese nella frontiera del modello).
Però non bisogna saltare subito alle conclusioni. Gli esperimenti hanno misurato soprattutto produttività e qualità. Non hanno dimostrato che gli stipendi diminuiscono a causa dell’IA.
Il passaggio dalla compressione delle performance a quella dei compensi non è automatico. Dipende dalla domanda, dalla struttura del mercato, dal potere contrattuale, dalla regolamentazione e da chi controlla la relazione con il cliente. Il meccanismo economico, però, è plausibile.
L’impatto dell’IA sul lavoro è, dunque, insidioso. La tecnologia può “aumentare” le capacità e la produttività del singolo (concetto di “augmentation”), ma non necessariamente rende il suo lavoro più remunerativo. Produttività individuale e potere contrattuale sono collegati, ma non coincidono.
Non conta quanti task restano, ma quali
Tra l’altro, va considerato che non tutte le automazioni producono lo stesso effetto sul valore del lavoro.
David Autor e Neil Thompson propongono un modo utile per leggere il problema: osservare il livello di esperienza richiesto dai task che la tecnologia elimina rispetto a quelli che rimangono.
Nel loro lavoro sull’expertise, l’automazione tende ad aumentare i salari nelle professioni in cui rimuove le attività meno esperte, lasciando alle persone compiti che richiedono più giudizio e specializzazione. Può invece ridurli quando automatizza proprio le parti che richiedono più competenza e lascia agli esseri umani attività più semplici e standardizzate.
Pensiamo ad un avvocato. Se l’IA automatizza la ricerca delle sentenze e i controlli più meccanici, il professionista può dedicare più tempo all’interpretazione e alla gestione dei casi limite. Questo lavoro residuo, che richiede un giudizio frutto dell’esperienza, potrebbe diventare più remunerativo.
Se invece il sistema automatizza l’interpretazione delle norme e la formulazione delle raccomandazioni, lasciando alla persona soprattutto l’impostazione del lavoro e il rapporto amministrativo con il cliente, il risultato potrebbe essere opposto.
Non basta quindi sapere che l’IA automatizzerà il 30% o il 50% di una professione. La domanda decisiva è quale parte dell’esperienza viene resa superflua e quale diventa più importante.
Il paradosso dei ruoli junior
In questo discorso il vero problema potrebbero averlo i lavoratori junior perché molte attività automatizzabili sono quelle attraverso le quali tradizionalmente si impara un mestiere.
Il giovane praticante esamina documenti, raccoglie dati e costruisce presentazioni. Potrebbero sembrare attività di poco valore, ma costituiscono esercizi fondamentali per costruire i modelli mentali necessari per affrontare successivamente problemi più complessi. Insegnano che cosa osservare, quali errori ricorrono, quali eccezioni contano e quando una regola non può essere applicata meccanicamente.
Se l’IA inizia a svolgere efficacemente quei task, l’impresa potrebbe aver bisogno di assumere meno junior.
Il paradosso apparente è che da un lato, l’IA può comprimere la curva di apprendimento, permettendo a una persona inesperta di ottenere più rapidamente risultati migliori.
Dall’altro, può farla apparire competente prima che abbia costruito una competenza autonoma. Può privarla della pratica necessaria per capire perché un risultato è corretto, riconoscere le eccezioni e intervenire quando il sistema sbaglia.
L’IA può, quindi, aumentare la produttività del singolo principiante e, nello stesso tempo, ridurre la domanda complessiva di principianti. Sono due effetti diversi e possono verificarsi contemporaneamente.
Il problema non si risolve conservando artificialmente tutti i vecchi task, ma sperimentando nuove forme di apprendistato nelle quali il junior impari a usare proattivamente il sistema, formulando le ipotesi, verificando le fonti e spiegando le ragioni di una decisione.
Quando la competenza diventa infrastruttura
Un’altra insidia dell’IA si ha quando trasforma la competenza in infrastruttura. Questo succede quando, in un’organizzazione, l’IA viene usata per acquisire la conoscenza tacita dei singoli in modo da trasformarla in conoscenza diffusa, potremmo dire in “infrastruttura”.
Questa operazione di trasformazione può avvenire a vari livelli. Per esempio, il processo che svolgeva una persona (consultazione di documenti, correzioni, valutazioni, decisioni) può diventare una procedura (quella che negli ambienti IA viene chiamata skill) utilizzabile da altri lavoratori. Oppure, potrebbe accadere che le migliori pratiche di lavoro vengano “registrate” per andare a contribuire al miglioramento di un modello linguistico locale.
Dal punto di vista dell’impresa è un risultato desiderabile perché diminuiscono i tempi di formazione, aumenta la qualità media e si riduce la dipendenza da alcune persone chiave.
Dal punto di vista del professionista, però, la stessa dinamica può rappresentare una perdita di potere contrattuale.
Più il sistema incorpora la sua conoscenza, meno l’organizzazione dipende dalla sua presenza per ottenere almeno una parte dei risultati che prima poteva garantire soltanto lui.
La questione non è che la competenza venga copiata integralmente. Una parte importante potrebbe rimanere tacita e relazionale. Ma non è necessario catturarla tutta: è sufficiente incorporare nel sistema la parte che il mercato considerava più facilmente remunerabile.
Dove si sposta il valore?
Sbaglieremmo a pensare che da tutto questo derivi l’inutilità di imparare ad usare l’intelligenza artificiale.
Nel breve periodo, non farlo espone al rischio di diventare meno produttivi rispetto ai colleghi e ai concorrenti. Ma imparare lo strumento non basta a garantire che il proprio lavoro mantenga lo stesso valore.
Il punto è capire su quale competenza costruire il prossimo vantaggio competitivo, che si tradurrà in uno skill premium.
Potrebbe trovarsi nella capacità di scegliere problemi importanti, formulare domande migliori, costruire il contesto, verificare i risultati, comprendere le conseguenze di una decisione e assumersene la responsabilità.
Potrebbe dipendere dalla conoscenza profonda di un settore, dalla capacità di riconoscere un caso anomalo, di negoziare tra interessi in conflitto o di costruire una relazione di fiducia con un cliente.
Potrebbe spostarsi verso chi sa progettare il sistema nel quale persone e agenti collaborano: chi decide quali passaggi automatizzare, quali mantenere sotto controllo umano, quali dati utilizzare e come misurare la qualità del risultato.
Non perché queste attività siano definitivamente al riparo dall’automazione. Ma perché, almeno per ora, sono i punti nei quali il valore non dipende soltanto dalla produzione dell’output.
Insomma, chi usa l’IA per cambiare il problema affrontato, il servizio offerto o il ruolo occupato nel processo ha maggiori possibilità di preservare il proprio valore. Una missione tutt’altro che semplice.
Nel prossimo post proverò a chiedermi se a livello macroeconomico l’IA creerà o distruggerà lavoro. E, soprattutto, chi riuscirà a catturare il valore generato.