Lavorare con l’AI: metà dei junior non aggiunge valore

Saper lavorare con l’AI non dipende dalle competenze che si hanno. Lo dice uno studio dell’Università del Texas ad Austin condotto con KPMG su 523 giovani professionisti americani, ripreso da Harvard Business Review a fine luglio 2026: chi ottiene risultati migliori dell’AI e chi ottiene risultati peggiori, sulla carta, è la stessa persona.

A tutti i partecipanti è stato chiesto di completare compiti aziendali reali affiancati da un agente AI costruito per quel dominio. Il risultato ha diviso il campione in tre gruppi con esiti nettamente diversi, e il criterio che li separa non è quello che qualsiasi responsabile HR si aspetterebbe.

I TRE MODI DI LAVORARE CON L’AI

Il 50,1% dei partecipanti si è comportato da amplificatore: ha ottenuto risultati superiori a quelli che l’AI avrebbe prodotto da sola. Il 25,8% ha fatto da delegatore, con esiti sostanzialmente identici a quelli dell’AI lasciata lavorare senza supervisione. Il restante 24,1% ha fatto peggio dell’AI da sola.

Tradotto in termini aziendali: metà del campione non aggiunge nulla al lavoro della macchina, e un quarto lo peggiora attivamente. Non per pigrizia o per incompetenza tecnica, come vedremo.

IL DATO CHE RIBALTA LE ATTESE

Il gruppo che ha ottenuto i risultati peggiori è anche quello con le competenze di base più solide dopo gli amplificatori. Pensiero critico, alfabetizzazione sull’AI, conoscenza del dominio: su ogni misura tradizionale questi partecipanti battevano i delegatori. Eppure hanno prodotto meno valore di loro.

I ricercatori sono espliciti su questo punto: le misure classiche di capacità non spiegano il divario. Chi ha superato la macchina e chi è rimasto sotto, su un curriculum, sono indistinguibili.

PERCHÉ CRITICARE L’AI NON BASTA?

Il gruppo peggiore non accettava passivamente l’output: lo criticava. Il problema è che le critiche raramente lo miglioravano. Si concentravano su questioni irrilevanti, oppure spingevano il modello nella direzione sbagliata, peggiorando un risultato che era già accettabile.

È il ritratto di un errore che nelle aziende si vede ogni giorno: confondere l’atto di intervenire con il contributo. Correggere qualcosa non significa migliorarlo, e sull’output di un modello questa differenza diventa misurabile.

IL PROBLEMA OPPOSTO: CHI SI FIDA E BASTA

I delegatori hanno il difetto speculare. Accettano quello che la macchina produce con poco esame e aggiungono poco di proprio. Paradossalmente non sono i peggiori in classifica, perché l’AI da sola produce già un lavoro competente: il loro output regge.

La lettura giusta è che questo li rende la categoria più fragile di tutte. Un professionista il cui contributo coincide con quello dello strumento che usa non ha un problema di performance oggi: ha un problema di esistenza domani.

CHI SA LAVORARE CON L’AI NON SI RICONOSCE DAL CV

La conseguenza pratica è scomoda. Se pensiero critico e conoscenza del dominio non predicono chi userà bene l’AI, allora i colloqui e i test di selezione costruiti su quelle dimensioni non stanno misurando la cosa giusta.

Quello che distingue chi sa lavorare con l’AI è il metodo: come si imposta il compito, quando si interviene, su cosa si sceglie di verificare. Sono comportamenti osservabili solo mettendo la persona davanti a un compito reale con l’AI accanto, non chiedendole cosa ne pensa dell’AI.

Per chi forma i team la traduzione è immediata: servono meno corsi sugli strumenti e più affiancamento sul processo decisionale. Quale parte del compito vale la pena delegare, quale va tenuta, come si riconosce un output plausibile ma sbagliato.

IL LEGAME CON IL ROI CHE NON SI VEDE

Questo studio dà una spiegazione concreta a un problema che le aziende misurano da mesi: l’AI che promette produttività e non la consegna nei numeri. Se metà delle persone che la usano non aggiunge valore al suo output, il guadagno di efficienza si dissolve prima di arrivare al conto economico.

La previsione per il 2027 è che le aziende più avanti smetteranno di chiedersi quanti dipendenti usano l’AI, domanda a cui ormai tutti rispondono di sì, e inizieranno a misurare quanti la usano meglio di quanto farebbe da sola. È una metrica più difficile da costruire e infinitamente più utile.