Più veloci, meno capaci: il paradosso dell'apprendimento con l'AI

Due ore risparmiate al giorno. È il dato che circola nei report sulla produttività del 2025-2026, e suona come un successo non qualificabile. Ma sotto la superficie di questo numero si sta accumulando qualcosa di più complicato, che i titoli sulla produttività sistematicamente ignorano.

Uno studio sperimentale pubblicato su arXiv (maggio 2026) ha misurato con precisione quello che molti osservatori sospettavano: gli utenti ad alto utilizzo di AI in un compito di ragionamento logico controllato mostrano uno sviluppo delle competenze significativamente più debole rispetto ai pari con accesso limitato. Non è una correlazione debole. È un effetto misurabile e replicabile: chi delega di più al sistema cognitivo esterno acquisisce meno autonomia cognitiva propria.

Nello stesso periodo, una ricerca condotta da GoTo Group su lavoratori Gen Z rileva che quasi la metà degli intervistati percepisce l'AI come un fattore che li sta rendendo meno capaci. Non meno veloci - anzi, più veloci. Ma meno sicuri di poter svolgere il proprio lavoro senza l'assistenza della macchina. La velocità aumenta, la fiducia nelle proprie competenze diminuisce.

Questo è il cuore del problema aperto: l'AI, nella sua configurazione attuale di strumento di delega cognitiva immediata, genera un trade-off non dichiarato tra efficienza a breve termine e sviluppo delle competenze a lungo termine. Non è un problema tecnologico - è un problema di architettura dell'apprendimento.

L'analogia più precisa è quella con la navigazione GPS: usandola in modo passivo, le persone perdono progressivamente la capacità di orientamento spaziale. Usandola in modo attivo - come strumento che amplifica una competenza già presente - l'effetto è opposto. La differenza non è nello strumento, è nel modo in cui lo strumento si inserisce nel processo di acquisizione della competenza.

Per il lavoro adulto, la questione si complica ulteriormente. I percorsi tradizionali di apprendimento sul lavoro erano costruiti intorno all'esecuzione ripetuta e alla gestione dell'errore: si impara facendo, sbagliando, correggendo. L'AI tende a cortocircuitare questo ciclo - produce l'output corretto prima che l'errore possa accadere. Per chi è già formato, questo è un'accelerazione. Per chi sta ancora costruendo le fondamenta cognitive, è un'interruzione del processo stesso di sviluppo.

Il contesto organizzativo aggrava il problema. I segnali dal dominio Lavoro-Organizzazione indicano che i ruoli entry-level sono quelli più rapidamente ridefiniti o eliminati dall'automazione - executive assistant, lavoro di coordinamento, compiti analitici di base. Questi erano tradizionalmente i ruoli attraverso cui si acquisivano le competenze fondamentali prima di accedere a ruoli più complessi. Se questi ruoli scompaiono o vengono radicalmente snelliti prima che i lavoratori junior abbiano completato il ciclo di apprendimento, si crea un problema generazionale: chi forma la prossima coorte di lavoratori senior?

Le aziende, in maggioranza, non stanno affrontando questa tensione. Misurano la produttività, non lo sviluppo delle competenze. Ottimizzano l'output trimestrale, non la capacità cognitiva del proprio workforce a tre anni. L'economista che chiede chi comprerà i servizi se si licenziano tutti i lavoratori pone una domanda di domanda aggregata. Ma esiste una versione parallela: chi sarà in grado di svolgere il lavoro complesso tra cinque anni, se i percorsi di apprendimento che producevano quella capacità vengono eliminati oggi?

Il problema aperto non è se usare l'AI nella formazione. È come costruire architetture di interazione uomo-AI che non sacrifichino lo sviluppo cognitivo sull'altare dell'efficienza immediata - e chi, nelle organizzazioni, ha oggi il mandato e gli strumenti per farlo.