Imparare è lavoro umano

Ci muoviamo più velocemente — ma forse nella direzione sbagliata. Nell’era dell’Intelligenza Artificiale, mentre le tecnologie promettono maggiore efficienza e precisione, stiamo smantellando silenziosamente il modo in cui gli esseri umani hanno sempre imparato: lavorando accanto a chi ha più esperienza, esercitandosi, sbagliando e riprovando. «Non diventi un attore guardando film», avverte Matt Beane, uno dei massimi esperti di apprendimento sul lavoro e autore di The Skill Code (pubblicato in Italia da Egea). Docente alla UC Santa Barbara, Beane sostiene che non stiamo solo perdendo competenze — stiamo perdendo la capacità stessa di imparare. E lancia un monito netto: «Il futuro non appartiene a chi saprà lavorare più velocemente accanto all’IA, ma a chi saprà imparare più velocemente insieme agli altri». Il suo appello è urgente: dobbiamo ripensare tecnologie e istituzioni prima che l’efficienza eroda ciò che fa prosperare l’intelligenza umana.

Professor Beane, cosa l’ha spinta a scrivere The Skill Code? C’è stato un momento, una storia o un’esperienza che l’ha portata a capire che stiamo perdendo qualcosa di fondamentale nel modo in cui apprendiamo?
La svolta è arrivata durante la mia ricerca sul campo nelle sale operatorie di chirurgia robotica. Ho visto Kristen, una brillante specializzanda in chirurgia, lottare impotente mentre il suo tutor operava un robot da mezza tonnellata a cinque metri di distanza. Lei era ridotta a guardare, diventando di fatto una spettatrice della propria formazione. Poi ho conosciuto Beth, un’altra specializzanda dello stesso programma che invece stava fiorendo. La differenza non era nel talento o nel background: Beth aveva capito come imparare nonostante il sistema, non grazie ad esso.
Quel contrasto mi ha perseguitato. Ecco una tecnologia all’avanguardia che prometteva migliori esiti per i pazienti, ma che stava smantellando silenziosamente uno dei più antichi e potenti meccanismi di apprendimento umano: il legame esperto-novizio. Ho capito che ci stavamo trovando davanti a una crisi enorme, e perlopiù invisibile, nello sviluppo delle competenze, destinata a toccare ogni professione investita dalle tecnologie intelligenti.

Il suo libro inizia con una scena vivida — un ramaio e il suo apprendista — e poi passa alle sale operatorie di chirurgia robotica e ai magazzini dell’e-commerce. Che cosa hanno in comune mondi così diversi?
Tutti dipendono dalla stessa architettura fondamentale dell’apprendimento che gli esseri umani usano da millenni: i novizi che lavorano accanto agli esperti, assumendo progressivamente sfide più complesse in una relazione basata su fiducia, rispetto e cura. Che tu stia imparando a forgiare il metallo, a eseguire un intervento chirurgico o a ottimizzare operazioni di magazzino, lo schema di base è identico.
Ciò che è affascinante — e allarmante — è come le tecnologie intelligenti interrompano questo schema in modi sorprendentemente simili in contesti del tutto diversi. Il robot in chirurgia, l’IA negli studi legali, gli algoritmi nei magazzini: tutti creano lo stesso problema. Rendono gli esperti così efficienti che i novizi vengono spinti ai margini. L’apprendista del ramaio mette le mani in pasta; lo specializzando in chirurgia guarda da lontano.

Lei individua tre “mattoni” essenziali nello sviluppo delle competenze: sfida, complessità e connessione. Quale di questi pensa sia più a rischio nei luoghi di lavoro di oggi?
La connessione è sicuramente la più vulnerabile, ed è ciò che rende la situazione attuale così pericolosa. Sfida e complessità a volte possono essere reintrodotte artificialmente, ma la connessione — il legame umano tra esperto e novizio — è estremamente fragile e difficile da ricostruire una volta spezzata. Quando un esperto può lavorare più velocemente e con maggiore precisione grazie all’IA, l’incentivo naturale è fare esattamente questo. Perché rallentare per coinvolgere un novizio in difficoltà, quando l’algoritmo non sbaglia mai e lavora a velocità sovrumana? La produttività dell’esperto vola, ma il novizio diventa invisibile. Senza quella connessione, manca qualcuno che offra l’impalcatura necessaria a rendere la sfida e la complessità produttive, e non schiaccianti.

In che modo, concretamente, le tecnologie intelligenti stanno interrompendo il passaggio di competenze tra esperti e novizi, spesso in modi sottili e difficili da notare?
La rottura è così sottile perché non sembra una perdita — sembra un guadagno. Un avvocato senior revisiona documenti dieci volte più velocemente con l’IA. Un chirurgo opera con una precisione senza precedenti grazie a un robot. Un banchiere analizza i mercati con strumenti algoritmici che il personale junior non potrebbe mai eguagliare. Ma ecco cosa ci sfugge: nel vecchio sistema, il giovane avvocato acquisiva esperienza contribuendo alla revisione documentale. Lo specializzando in chirurgia imparava prendendo in carico parti sempre più complesse delle operazioni. Il banchiere junior sviluppava giudizio lavorando fianco a fianco col proprio mentore. Quando la tecnologia rende l’esperto autosufficiente, queste opportunità svaniscono. La crudele ironia è che tutti — esperti, organizzazioni e persino i novizi — spesso vedono questo come progresso. Il lavoro si fa più veloce e meglio, i costi calano, le metriche di efficienza migliorano. Ma stiamo eliminando sistematicamente il percorso di apprendimento che aveva creato quegli esperti.

C’è un esempio concreto dalla sua ricerca sul campo che renda evidente questa rottura? Penso alla storia di Kristen, la specializzanda.
La storia di Kristen rappresenta perfettamente questa tragedia nascosta. È brillante, determinata, formata in una delle migliori scuole di medicina — tutto ciò che vorresti in un chirurgo. Ma quando incontra la chirurgia robotica, la tecnologia rende il suo tutor così capace che non rimane letteralmente spazio per lei per imparare. Passa quattro ore di intervento a guardare, ottenendo forse quindici minuti di pratica a basso rischio, mentre il mentore le grida correzioni da lontano. Quando finalmente opera da sola, i risultati sono devastanti: ciò che dovrebbe richiedere tre ore ne richiede sette, i pazienti perdono dieci volte più sangue e tutti in sala operatoria sono tesi. Come ha detto con brutalità il suo primario: «Questi ragazzi non ce la fanno. Non hanno fatto esperienza. Hanno solo guardato. Guardare un film non ti rende un attore».
Quella frase mi è rimasta impressa perché racchiude l’illusione in cui viviamo: che osservare equivalga a imparare, che efficienza equivalga a progresso, che la tecnologia ci renda automaticamente migliori.

Uno degli aspetti più interessanti del libro è la discussione sui “shadow learners” — persone che riescono a imparare nonostante gli ostacoli istituzionali. Cosa possiamo imparare da queste figure deviate?
Gli shadow learners sono i nostri canarini nella miniera: mostrano sia l’entità del problema sia la via d’uscita. Hanno trovato il modo di reintrodurre sfida, complessità e connessione in ambienti che li eliminano sistematicamente. Prendiamo Beth, la specializzanda che è riuscita a emergere. Non ha accettato il percorso formale di formazione. Invece, ha saltato i laboratori di anatomia per passare tempo nelle sale operatorie, ha ottenuto ruoli di ricerca che le davano esperienza diretta con i robot e ha passato centinaia di ore ad analizzare video chirurgici quando avrebbe dovuto dormire. Quando è entrata ufficialmente in specializzazione, appariva già abbastanza competente da guadagnarsi la fiducia degli attendings. Gli shadow learners ci insegnano che le tre C — sfida, complessità e connessione — sono più fondamentali di qualsiasi assetto istituzionale. Quando i sistemi formali falliscono, individui determinati troveranno modi sotterranei per accedere a questi elementi essenziali dell’apprendimento. Le loro strategie ci offrono una traccia per progettare sistemi migliori.

In un certo senso, Beth — la specializzanda che è riuscita infrangendo le regole — è una figura eroica, ma anche un monito. Possiamo davvero dipendere dalle eccezioni per rimediare ai fallimenti sistemici della formazione?
Assolutamente no, ed è proprio la trappola da evitare. Il successo di Beth è ispirante, ma anche profondamente ingiusto. È riuscita grazie a una combinazione di determinazione eccezionale, infrazioni che avrebbero potuto rovinarle la carriera e, francamente, fortuna. Solo uno specializzando su otto nel suo programma ha avuto un successo simile. E gli altri sette? Le soluzioni da shadow learner sono “hack semi-etici che non scalano”, come scrivo nel libro. Le tattiche di Beth hanno superato i limiti della correttezza, hanno richiesto enormi rischi personali e si sono sviluppate ai margini dei canali ufficiali. Immagina se avesse potuto essere trasparente sulla sua strategia di apprendimento, se i tutor avessero potuto guidarla consapevolmente, se le istituzioni avessero potuto apprendere dalle sue innovazioni.
La vera soluzione non è celebrare l’eroismo individuale, ma riprogettare in modo sistematico le istituzioni e le tecnologie affinché sostengano il tipo di apprendimento per cui gli shadow learners devono lottare. Dobbiamo democratizzare l’accesso a un apprendimento efficace, non dipendere da pochi individui eccezionali per superare fallimenti sistemici.

Lei sottolinea che la maggior parte degli investimenti nella formazione va ancora all’istruzione formale, piuttosto che alla coltivazione del rapporto esperto-novizio. Cosa dovrebbero fare diversamente le aziende per invertire questa tendenza?
Le organizzazioni devono ribaltare la prospettiva sull’apprendimento, da spesa da ridurre a investimento da massimizzare. Oggi la maggior parte delle aziende vede il coinvolgimento dei novizi come inefficienza: perché lasciare che un junior rallenti un esperto quando l’IA può aiutarlo a lavorare più in fretta? La risposta è iniziare a misurare e premiare la trasmissione di competenze insieme alla produttività. Immaginiamo se le valutazioni delle performance degli esperti includessero quanto efficacemente hanno formato i novizi. Se le tempistiche dei progetti integrassero obiettivi di apprendimento. Se l’implementazione tecnologica fosse valutata non solo sui guadagni di efficienza, ma anche sul suo impatto nella costruzione di capacità. In pratica, questo significa creare quelli che chiamo ambienti di lavoro ricchi di apprendimento: accoppiare esperti e novizi su progetti sfidanti, progettare strumenti di IA che potenzino la collaborazione umana invece di sostituirla e costruire sistemi di avanzamento di carriera che riconoscano l’eccellenza nel mentoring. Alcune aziende stanno già sperimentando programmi di reverse mentoring, in cui i dipendenti junior insegnano ai senior le nuove tecnologie ricevendo in cambio competenze di dominio.

Ha incontrato esempi ispiranti di IA o robotica usati non per sostituire competenze, ma per potenziarne lo sviluppo?
Sì! Uno dei miei esempi preferiti viene dal confronto tra robot per lo sminamento e robot chirurgici. Entrambi sono tecnologie sofisticate, ma hanno seguito direzioni completamente diverse nello sviluppo delle competenze. I robot per lo sminamento restano deliberatamente “macchinosi”: richiedono abilità, giudizio ed esperienza umane per essere usati efficacemente. Un novizio non può semplicemente entrare e disinnescare bombe; ha bisogno di una lunga guida da parte di esperti, costruendo capacità gradualmente. La tecnologia amplifica l’abilità umana invece di sostituirla.
Nella mia ricerca attuale, stiamo sviluppando sistemi di IA che aiutano gli specializzandi in chirurgia a imparare più velocemente, organizzando in modo intelligente i video chirurgici e permettendo agli esperti di assegnare compiti e dare feedback in nuove modalità. Invece di sostituire il legame esperto-novizio, l’IA lo rafforza, fornendo nuovi canali per sfida, complessità e connessione. L’intuizione chiave è che possiamo progettare tecnologie che richiedano e sviluppino abilità umane, invece di eliminarle. Ma questo richiede scelte intenzionali su come costruiamo e implementiamo questi sistemi.