Sta emergendo un fenomeno curioso nell’adozione dell’intelligenza artificiale.
Due persone possono avere accesso agli stessi strumenti, nello stesso momento, e vivere di fatto in due epoche tecnologiche differenti.
La prima, davanti a un problema, prova.
La seconda decide in anticipo che quel problema è troppo complesso per essere risolto dall’AI.
Non necessariamente perché non conosce l’intelligenza artificiale. A volte è vero esattamente il contrario: l’ha già provata.
Sei mesi fa.
Ha chiesto a un modello di svolgere un determinato compito. Il risultato non è stato soddisfacente. Da quel momento quella capacità è stata mentalmente classificata come “non possibile”.
Il test è terminato, ma soprattutto è terminata la curiosità.
Ed è qui che nasce un problema nuovo.
Una fotografia scambiata per una legge
Normalmente l’esperienza è un vantaggio.
Proviamo uno strumento, ne comprendiamo i limiti e utilizziamo quella conoscenza per decidere quando usarlo nuovamente.
Con l’intelligenza artificiale questo meccanismo può produrre l’effetto opposto.
Una persona che nel 2025 ha scoperto che un sistema non riusciva a svolgere bene un determinato compito potrebbe continuare nel 2026 a comportarsi come se quel limite fosse ancora presente.
La sua conclusione originale poteva essere perfettamente corretta.
È la data di scadenza di quella conclusione a essere sbagliata.
“L’AI non sa fare X” quasi sempre contiene infatti una variabile nascosta:
quando?
Un’affermazione più rigorosa sarebbe:
“Il modello che ho utilizzato, con gli strumenti e il contesto disponibili in quel momento, non è riuscito a fare X.”
Sembra una distinzione linguistica. È invece una distinzione economica e organizzativa enorme.
Il modello mentale obsoleto
Possiamo chiamare questo fenomeno ritardo della percezione delle capacità.
La capacità tecnologica si muove, mentre il modello mentale dell’utilizzatore rimane fermo.
Si crea così una distanza:
ciò che l’AI può fare oggi
meno
ciò che pensiamo che l’AI possa fare.
In quella distanza si trova una quantità crescente di lavoro, tempo e opportunità.
Ci sono attività che continuiamo a eseguire manualmente non perché l’AI non possa svolgerle, ma perché nessuno ha pensato di verificarlo di nuovo.
E ci sono problemi che non vengono nemmeno sottoposti all’AI perché vengono classificati preventivamente come “troppo difficili”.
Questo secondo caso è forse ancora più interessante.
Non esiste nemmeno un fallimento tecnologico.
Esiste un fallimento dell’esperimento.
Il test non viene fatto.
Il costo di non provare
Per molti anni il costo principale nell’adozione di una nuova tecnologia era provarla.
Bisognava acquistare software, implementarlo, integrarlo, formare persone, modificare processi.
Era quindi razionale effettuare una selezione molto severa prima di sperimentare.
Con molti strumenti AI il costo marginale di un esperimento è diventato invece estremamente basso.
Un tentativo può richiedere pochi minuti.
Eppure continuiamo spesso a utilizzare una logica costruita per un mondo in cui sperimentare era costoso.
Valutiamo mentalmente se qualcosa “sia possibile” prima di verificarlo.
Questo produce un paradosso:
in alcuni contesti sta diventando più costoso non provare che provare.
L’esperienza può diventare un handicap
Esiste poi un paradosso ancora più sottile.
Chi ha utilizzato molto l’AI in passato possiede una grande quantità di conoscenza sui suoi limiti.
Ma in una tecnologia che evolve rapidamente, la conoscenza dei limiti ha una caratteristica particolare: deperisce.
Sapere che un modello non riusciva a interpretare bene un certo documento, utilizzare determinati strumenti, lavorare su grandi quantità di informazioni o completare una sequenza complessa di azioni era estremamente utile quando quell’osservazione è stata fatta.
Dopo un certo periodo potrebbe non esserlo più.
L’esperienza rimane preziosa, ma deve essere accompagnata dalla disponibilità a invalidare continuamente una parte di ciò che abbiamo imparato.
È una situazione storicamente insolita.
Normalmente accumulare esperienza significa aumentare il numero delle cose che sappiamo.
Nell’era dell’AI significa anche aumentare il numero delle cose che dobbiamo essere disposti a reimparare.
Due persone, due presenti diversi
Questo aiuta a spiegare una delle differenze più evidenti che osserviamo oggi nelle organizzazioni.
Ci sono persone che sembrano essere “molto avanti” nell’utilizzo dell’AI e altre che sembrano indietro.
La differenza non è necessariamente la conoscenza dei prompt, dei modelli o degli strumenti.
Può essere qualcosa di più semplice:
la frequenza con cui verificano nuovamente i confini del possibile.
Una persona incontra un’attività difficile e pensa:
“Proviamo a vedere se oggi riesce.”
Un’altra pensa:
“Questa cosa l’AI non la sa fare.”
Sono due frasi apparentemente innocue.
Ma ripetute centinaia di volte durante un anno producono due modi completamente diversi di lavorare.
La nuova competenza: mantenere aggiornato il possibile
Forse quindi una delle competenze più importanti dell’era dell’intelligenza artificiale non sarà conoscere perfettamente ciò che l’AI sa fare.
Quella conoscenza potrebbe diventare obsoleta troppo rapidamente.
La competenza sarà sapere che la propria mappa è continuamente in scadenza.
Questo richiede un cambiamento molto piccolo nel comportamento.
Quando incontriamo un’attività che abbiamo classificato come impossibile per l’AI, dovremmo chiederci:
Quando è stata l’ultima volta che l’ho verificato?
Se la risposta è “mesi fa”, potremmo non avere più una conoscenza.
Potremmo avere un ricordo.
E in un periodo storico nel quale le capacità dei sistemi cambiano a una velocità superiore a quella con cui cambiano le abitudini delle persone, questa distinzione diventerà sempre più importante.
Il vantaggio competitivo potrebbe appartenere non a chi conosce più risposte sull’AI, ma a chi mantiene più a lungo aperte le domande.
Perché uno dei rischi più grandi dei prossimi anni non sarà chiedere troppo all’intelligenza artificiale.
Sarà continuare a non chiederle cose che ha già imparato a fare.
